Räntans genomslag på regionala huspriser

NATIONALEKONOMISKA INSTITUTIONEN Uppsala universitet Magisteruppsats Författare: Christoffer Nordenlöw Handledare: Sören Blomquist Vårterminen 2010 Räntans genomslag på regionala huspriser En kvantitativ studie om sambandet mellan reporäntan och regional husprisutveckling under perioden 1998-2007

Sammandrag Husprisutvecklingen Sverige har under de senaste decennierna ökat kraftigt vilket är oroande ur den synvinkeln att det kan leda till en bostadsbubbla. För att motverka detta finns möjligheten att Riksbanken väljer att höja styrräntan, det vill säga reporäntan, vilket torde minska efterfrågan och därmed dämpa prisökningen. Husprisutvecklingen har emellertid kraftigt skiljt sig åt regionalt då enbart sex av 21 län i Sverige ligger över riksgenomsnittet för prisökningen mellan 1998 till 2007. Sålunda kan det vara problematiskt att använda sig av en generell räntepolitik baserat på landet i sin helhet då olika regioners behov skiljer sig åt. Därtill är det inte heller klarlagt vare sig med vilken fördröjning räntan verkar med eller dess effekter på bostadsmarknaden. Syftet med denna studie är därmed baserat utifrån ovanstående resonemang att undersöka reporäntans regionala effekt samt med vilken fördröjning den verkar. Detta genomförs med hjälp av en kvantitativ analys, bestående av både en korrelations- samt en regressionsanalys. Resultaten tyder på att det förekommer regionala skillnader i räntans genomslag på huspriset medan dess fördröjning är relativt samma för hela landet. Nyckelord: småhus, prisutveckling, reporänta, regionala skillnader, län. 2

Innehållsförteckning 1. Introduktion 5 2. Bakgrund 7 2.1 Sveriges län 7 2.2 Räntemarknaden 8 2.2.1 Svenska marknadsräntor 9 3. Teori 9 3.1 Prissättningen på bostadsmarknaden 9 3.2 Räntans effekt på huspriset 11 4. Metod 11 4.1 Korrelationsanalys 12 4.2 Regressionsanalys 12 4.2.1 Tolkning av variabler 13 4.2.2 Hypotesprövning 14 4.2.3 Test för multikollinearitet 14 4.2.4 Test för autokorrelation Durbin-Watson 15 5. Data 15 5.1 Beskrivning av datamaterialet 15 5.1.1 Huspriset (Y i Modell 1 samt ln Y i Modell 2) 16 5.1.2 Reporäntan (X1 i bägge modeller) 16 5.1.3 Förvärvsinkomst (X2 i Modell 1 samt ln X2 i Modell 2) 16 5.1.4 Arbetslöshet (X3 i bägge modeller) 16 5.1.5 Befolkningsutveckling (X4 i bägge modeller) 17 5.1.6 Kritik av datamaterialet 17 6. Resultat 18 6.1 Korrelationsanalys 18 6.2 Regressionsanalys 19 6.2.1 Modell 1 19 6.2.2 Modell 2 19 6.2.3 Tolkning av parametrar 20 7. Analys 21 7.1 Räntans fördröjning 21 7.2 Räntans genomslag regionala skillnader 21 7.3 Övriga variabler 23 3

8. Slutsatser 23 8.1 Förslag till framtida forskning 24 9. Litteraturförteckning 26 9.1 Tryckt litteratur 26 9.2 Elektroniska källor 26 10. Bilagor 28 10.1 Modeller 28 10.1.1 Modell 1: P-värden samt VIF 28 10.1.2 Modell 2: P-värden samt VIF 29 10.1.3 Modell 1: Test ifall koefficienter är signifikant skilda från varandra 30 10.1.4 Modell 2: Test ifall koefficienter är signifikant skilda från varandra 31 10.2 Statistiska formler och test 33 10.2.1 Durbin-Watson 33 10.2.2 Förklaringsgrad R2 33 10.2.3 Multikollinearitet 34 4

1. Introduktion Huspriserna i Sverige har under de senaste decennierna ökat i betydande grad då den reala prisökningen varit till exempel 197% för småhus 1 under perioden 1998 till 2007. 2 En kraftig prisutveckling är oroande ur den aspekten att en eventuell bostadsbubbla kan uppstå, ett scenario vilket i längden kan leda till stora konsekvenser för bostadsmarknaden i allmänhet samt samhällsekonomin i synnerhet. Husprisutvecklingen skiljer sig dock mellan olika regioner då enbart sex av Sveriges 21 län ligger över riksgenomsnittet på 197%, varav huvudparten av dessa utgörs av storstadsregionerna. Således ligger å andra sidan majoriteten av Sveriges län under riksgenomsnittet vilket tyder på stora regionala skillnader i husprisutveckling vilket framgår i Tabell 1. Tabell 1 Real husprisutveckling under perioden 1998-2007 3 För att stävja en kraftig prisutveckling finns möjligheten att Riksbanken höjer reporäntan. Dock kan det vara problematiskt att använda sig av en generell räntepolitik som påverkar hela landet då olika regioners behov rimligtvis skiljer sig åt. För samtidigt som räntan eventuellt höjs med syftet att hämma prisutvecklingen i framförallt storstadsregionerna, kommer den även att påverka övriga regioner vars huspriser inte alls behöver kylas av i samma 1 Småhus definieras som en- eller tvåbostadshus som är friliggande eller sammanbyggda med par- eller kedjehus. 2 Samtliga siffror i uppsatsen är i reala värden då en köpkraftsjustering har skett till 2007-12-31 års prisnivå. 3 Figuren baseras på siffror från SCB och anger genomsnittlig köpeskilling i reala värden där husprisutvecklingen består av kvoten mellan huspriset 2007 samt 1998. 5

utsträckning. Därtill är det inte klarlagt vilka effekter reporäntan egentligen har på bostadsmarknaden, samt framförallt utifall dessa eventuella effekter även skiljer sig åt regionalt. Till exempel är det tänkbart att räntan knappt får effekt i vissa län, medan den å andra sidan får stora följder för huspriset i andra. Dessutom är det också oklart med vilken fördröjning reporäntan slår igenom. Slår den till exempel igenom snabbare i storstadsregionerna än i övriga delar av landet? Syftet med den här uppsatsen kommer med utgångspunkt av detta vara att undersöka huruvida reporäntans genomslagskraft skiljer sig åt mellan regioner samt med vilken fördröjning den verkar. Detta är även forskningsmässigt intressant då befintlig litteratur inom området är begränsad i avseendet vad gäller reporäntas regionala effekter. Studien kommer att genomföras genom att undersöka hur prisutvecklingen under perioden 1998-2007 för småhus i Sveriges 21 olika län har påverkats av räntenivån. Detta kommer att utföras med hjälp av en kvantitativ analys, där en korrelationsanalys appliceras för att skatta räntans fördröjning samtidigt som en regressionsanalys tillämpas för att bedöma dess genomslag. Uppsatsen avgränsas till att endast undersöka hur reporäntan påverkat huspriserna på småhus. I själva verket torde det vara marknadsräntorna snarare än reporäntan som styr den årliga bokostnaden och som därmed antas påverka prisutvecklingen. Reporäntan anses dock korrelera tillräckligt väl med dessa för att kunna undersökas specifikt. 4 Ett alternativ hade varit att testa flertalet marknadsräntor, emellertid anses studien i sådana fall bli alltför omfattande då varje län ska undersökas. Att uppsatsen endast avser behandla huspriserna på småhus beror i sin tur främst på begränsningar inom tillgänglig data. Uppsatsen inleds med en kortare bakgrund om Sveriges län och räntemarknaden där förhållandet mellan reporäntan samt de svenska marknadsräntorna tydliggörs. Därefter följer en teoretisk redogörelse om den generella prisbildningen på bostadsmarknaden samt hur reporäntan antas påverka efterfrågan. En beskrivning ges också av val av metod samt en genomgång och förklaring av uppsatsens datamaterial. Därefter redovisas och analyseras resultaten, vilket följs av övergripande slutsatser samt förslag på vidare forskning. 4 Se Tabell 2 6

2. Bakgrund 2.1 Sveriges län Sverige är idag uppdelat i 21 län och den nuvarande uppdelningen har stått sig utan några förändringar sedan 1998. Tabell 2 nedan visar antal sålda småhus i respektive län, samt medianen 5 för genomsnittlig köpeskilling 6, arbetslöshet, förvärvsinkomst samt befolkningsutveckling under perioden 1998-01-01 till 2007-12-31. Tabellen ger en överskådlig bild över respektive län där det framgår att det förekommer på sina håll relativt stora skillnader för vissa parametrar. Genomsnittligt huspris skiljer sig till exempel markant åt där storstadsregionerna även här likt husprisutvecklingen ligger på den översta halvan. För arbetslöshet kan även här skådas relativt stora procentuella skillnader mellan länen, samtidigt som skillnaderna i inkomst är av mindre karaktär. Medianen för befolkningsutveckling under perioden visar att ungefär hälften av samtliga län erhåller en positiv befolkningsutveckling medan förändringen är negativ för resterande halva. 7 Tabell 2 - Data för samtliga län Antal sålda småhus under hela perioden. Medelfolkmängd per år under perioden. Median för genomsnittlig köpeskilling i tkr. Median för genomsnittlig inkomst per kvartal i tkr Median för arbetslöshet i procent Median för befolkningsutveckling i tusental per kvartal. Gotlands län 3682 57428 1043,15 40,99 4,753-0,033 Skåne län 83198 1152223 1255,29 42,54 6,076-0,016 Stockholms län 82432 1859071 2551,81 50,08 4,234 4,610 Hallands län 20464 280751 1251,84 44,31 4,102 0,497 Västra Götalands län 90047 1513028 1190,31 45,04 4,858 1,665 Uppsala län 17671 302393 1474,35 45,73 4,402 0,471 Västmanlands län 15107 256853 968,51 45,03 5,755 0,180 Södermanlands län 17634 259605 1123,82 44,60 5,330 0,252 Östergötlands län 23338 414684 1083,38 43,59 5,815 0,262 Blekinge län 12311 150658 814,67 43,84 5,326-0,016 Jönköpings län 23721 329223 867,97 44,80 3,665 0,150 Kronobergs län 12960 178002 760,61 43,90 3,798 0,069 Örebro län 18338 274164 784,80 44,33 6,005 0,023 Jämtlands län 7136 128462 699,22 42,98 5,325-0,129 Gävleborgs län 17532 277806 672,52 43,98 7,400-0,212 Dalarnas län 20062 277502 669,63 43,98 5,877-0,107 Värmlands län 19809 274498 681,07 43,03 5,847-0,097 Kalmar län 19545 235026 734,00 42,85 5,028-0,118 Västerbottens län 15460 256586 866,92 43,94 4,664-0,007 Norrbottens län 13953 254286 641,54 45,08 7,113-0,298 Västernorrlands län 16992 245695 622,41 45,46 5,914-0,161 5 Medianen används för de flesta variabler istället för medelvärdet med syftet att detta mått anses ge ett bättre jämförande värde då medianen till skillnad från medelvärdet inte påverkas nämnvärt av extremvärden. 6 Köpeskilling speglar det genomsnittliga huspriset. 7 http://www.scb.se/pages/standard 80904.aspx, (2010-05-05) 7

2.2 Räntemarknaden De räntor som förväntas påverka huspriset är som tidigare nämnt olika marknadsräntor. Sambandet mellan dessa och reporäntan kan beskrivas med utgångspunkt i räntebildningen vilket tar sin början i och med när Riksbanken sätter sin reporänta. Valet av räntenivå baseras huvudsakligen utifrån det penningpolitiska målet om prisstabilitet, vilket definieras som att inflationen ska ligga på 2 % plus/minus en procentenhet. Riksbanken fastställer därtill även en in- och utlåningsränta för sin in- och utlåningsfacilitet, varav reporäntan ligger där emellan vilket illustreras i Figur 1. 8 Figur 1 Reporäntan samt in- och utlåningsräntan 9 Reporäntan samt in- och utlåningsräntan 1996-01-01 till 2007-12-31 10 Procent 8 6 4 2 0 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Inlåningsräntan Utlåningsräntan Reporäntan Då banker är i dagligt behov av att jämna ut sina över- och underskott, kan de antingen gå via Riksbankens in- och utlåningsfacilitet alternativt via dagslånemarknaden. Placeringar hos Riksbanken utgår dock med ett avdrag respektive påslag vilket utgörs av in- och utlåningsräntan, varför banker föredrar att handla med varandra på dagslånemarknaden. Räntan på dagslåneräntan brukar ligga mitt emellan Riksbankens in- och utlåningsränta, vilket med andra ord är på samma nivå som reporäntan. Det är enligt denna procedur de korta marknadsräntornas nivå bestäms varför det indirekt är reporäntan som utgör dess riktmärket. Det är dessa korta marknadsräntor vilka utgörs av lån upp till sex månader som sedan ligger till grund för de rörliga bolånen. 10 De bundna bolånen bestäms å andra sidan utifrån nivån på de längre marknadsräntorna med en löptid på vanligtvis minst sex månader. Nivån på dessa räntor påverkas av 8 http://www.riksbank.se/templates/sectionstart.aspx?id=8717, (2010-05-04) 9 http://www.riksbank.se/templates/page.aspx?id=16790, (2010-05-04) 10 http://www.ne.su.se/education/grundniva/nekii_iii/ht07/thesis/uppsatser/02_theander_wigren.pdf, (2010-05- 05) 8

marknadsaktörerna förväntningar om framtida inflationsnivå, varför Riksbanken endast kan påverka räntornas nivå genom att influera marknadsaktörerna förväntningar. Då reporäntan väntas verka med en viss fördröjning innebär detta sålunda att reporäntans nivå speglar Riksbankens beräkningar om framtida inflationsnivå. 11 2.2.1 Svenska marknadsräntor Tre av de främsta svenska marknadsräntorna är STIBOR Fixing, stadsskuldsväxlar samt statsobligationer vars korrelation med reporäntan framgår i Tabell 3. 12 STIBOR utgör den ränta som bankerna betalar varandra när de lånar pengar mellan varandra på dagslånemarknaden och brukar därmed följa reporäntan väl. En stadsskuldväxel är ett löpande skuldebrev utgett av Riksgälden som påverkar de korta räntorna medan statsobligationer å andra sidan utgör de obligationer som Riksgäldskontoret ger ut som ligger till grund för den längre räntenivån. Korrelationen mellan reporäntan och marknadsräntorna framgår av Tabell 3 där ett väldigt starkt samband kan konstateras även om sambandet blir svagare ju längre löptiden är, vilket var väntat. Resultatet tyder på att avgränsningen att enbart studera reporäntan förefaller rimlig. 13 Tabell 3 - Korrelation mellan reporäntan 1996-01-01 till 2008-01-01. 14 STIBOR 1 vecka STIBOR 1 mån STIBOR 3 mån STIBOR 6 mån Statsskuldsväxlar 1 mån Statsskuldsväxlar 3 mån Statsskuldsväxlar 6 mån Statsskuldsväxlar 12 mån Statsobligationer 2 år Statsobligationer 5 år Reporäntan 0,999 0,997 0,988 0,973 0,996 0,991 0,981 0,955 0,939 0,890 3. Teori 3.1 Prissättning på bostadsmarknaden Jämviktspriset på bostadsmarknaden sätts enligt grundläggande prissättningsteori där efterfrågan och utbudet korsar varandra. Efterfrågekurvan representerar sambandet mellan efterfrågad kvantitet och pris, medan utbudskurvan speglar sambandet mellan utbjuden kvantitet och pris. Fortsättningsvis i denna uppsats antas emellertid att utbudet är konstant på kort sikt, vilket illustreras av Figur 2 nedan där utbudskurvan är oelastisk. Detta beror på 11 http://www.ne.su.se/education/grundniva/nekii_iii/ht07/thesis/uppsatser/02_theander_wigren.pdf, (2010-05- 05) 12 Väljer att likt Riksbanken definiera dessa som svenska marknadsräntor. 13 http://www.riksbank.se/templates/page.aspx?id=15963, (2010-05-06) 14 Samtliga p-värden är 0,000. 9

bostadsmarknadens särdrag, där framförallt långa byggtider samt lägesmässiga faktorer ger en trögrörlighet på marknaden varför inte utbudet kan anpassa sig på kort sikt efter efterfrågan. 15 På basis av detta sker fluktuationer i priset på kort sikt endast på grund av efterfrågeförändringar enligt Figur 3 nedan då hela kurvan skiftar. När faktorer som påverkar efterfrågan positivt ökar sker ett uppsving av dito (punkt A i Figur 3), vilket på kort sikt därmed ökar priset på bostäder. På motsatt vis leder en minskning av dessa variabler, alternativt en ökning av variablerna som påverkar efterfrågan negativt, att efterfrågan minskar (B i Figur 3) vilket leder till ett lägre pris. 16 Vad som å andra sidan styr efterfrågan antas vara en blandning av variabler såsom till exempel befolkningens demografiska sammansättning samt utveckling, arbetslöshetsnivån, den genomsnittliga förvärvsinkomsten samt årskostnaden för bostaden. Den senare kan antas bero på huspriset samt räntan på bolånen, där en ökning av räntan leder till att årskostnaden för bostaden stiger vilket resulterar i att huspriset och därmed även att efterfrågan minskar. Figur 2 Jämvikt på bostadsmarknaden Figur 3 Förändring av efterfrågan Figur 2 visar jämvikten på bostadsmarknaden där utbudet antas vara konstant på kort sikt. I Figur 3 illustreras effekten av en efterfrågeökning (A) respektive en efterfrågeminskning (B) då utbudet är konstant och inte anpassas. 15 Nicholson, W. (2005), sid 269f 16 Nicholson, W. (2005), sid 269f 10

3.2 Räntans effekt på huspriset Algebraiskt ges efterfrågan (D) i denna uppsats av D(P, r, I, A, B), där P står för huspriset, r för reporäntan, I för förvärvsinkomsten, A för arbetslöshetsnivån samt B för befolkningsutvecklingen. Det är som tidigare nämnt de två första variablerna, P och r som styr den årliga kostnaden för bostaden. Eftersom utbudet å andra sidan antas vara konstant, ges detta algebraiskt av S S. Jämviktspriset på bostadsmarknaden ges sålunda av D(P, r, I, B, A) S 0. Detta villkor för marknadsjämvikt definierar ett samband mellan P och r ; P g r. Implicit derivering av jämviktsvillkoret med avseende på r ger följande: dp dr D r, (1) DP där D r och D P är partialderivatorna av efterfrågan med avseende på räntan respektive småhuspriset. 17 Det är detta samband som estimeras i denna uppsats med syftet att undersöka huruvida sambandet skiljer sig åt mellan olika län. Utifall huspriset i vissa län visar sig påverkas mer än i andra län vid en räntehöjning, innebär det att dp/dr skiljer sig åt mellan länen. Detta innebär i praktiken att i vissa län är efterfrågan känsligare vid förändringar av räntenivån än i andra län. 4. Metod För att undersöka huruvida det föreligger ett statistiskt samband mellan reporäntan och husprisutvecklingen i Sveriges län genomförs en kvantitativ analys vilket innefattar en korrelationsanalys såväl som en regressionsanalys. Viktigt att poängtera är dock att dessa enbart utgör approximationer av verkligheten då koefficienter kommer att skattas på basis av befintlig data vilket nödvändigtvis inte behöver spegla det korrekta värdet. För att emellertid kunna göra en bedömning av den kvantitativa analysens relevans samt eventuella begränsning kommer ett hypotestest, test för multikollineraritet samt test för autokorrelation att ske vilket förklaras utförligare nedan. Samtlig dataanalys sker Minitab Solutions. 18 17 Sydsäter (1987), sid 337f 18 http://www.aktiesite.se/statistik/regression/multipel_regression.htm, (2010-05-03) 11

4.1 Korrelationsanalys För att bedöma om det föreligger en skillnad mellan olika regioner med vilken fördröjning reporäntan får effekt för huspriset används en korrelationsanalys. Korrelationsanalysen bedömer styrkan i ett positivt alternativt negativt samband mellan en beroende och en förklarande variabel. Den beroende variabeln beroende i detta fall av huspriset varav reporäntan utgör den förklarande variabeln. Korrelationskoefficienten kan anta alla värden mellan 1 till +1, vilket utgör ett perfekt negativt respektive positivt samband. 19 För att undersöka med vilken fördröjning räntan får effekt för huspriset, kommer räntan laggas tillbaka åtta kvartal där sambandet för varje kvartal kommer att estimeras. Det kvartal som ger starkast korrelation antas sålunda bestämma med vilken fördröjning räntan verkar. Viktigt att påpeka är att korrelationsanalysen inte ska tolkas som att det föreligger en direkt kausalitet vad gäller sambandet, då det endast är korrelationen som estimeras. Det kvartal som för varje län uppvisar det starkaste sambandet kommer därefter att användas i följande regressionsanalys. 4.2 Regressionsanalys Regressionsanalysen är en teknik för att undersöka ett statistiskt samband mellan olika variabler, i detta fall reporäntans regionala genomslag på huspriser i Sverige. Fler förklarande variabler kommer även att ingå i modellen, varför det är en multipel regressionsanalys som tillämpas. Att inkludera fler variabler än enbart räntan är för att detta torde öka modellens förklaringsgrad och sålunda även dess relevans. Förklaringsgrad anges av det modifierade R2 talet (i fortsättningen angivet som R2 adj) vilket ges av ett värde mellan 0 1 där ett högre värde innebär att modellen förklarar en större del av husprisets variation. Det modifierade R2- talet används då detta anses mest tillförlitligt vid användandet av flertalet förklarande variabler. 20 Två modeller kommer att appliceras där den första (Modell 1) ska bedöma räntans effekt i absoluta tal medan den andra (Modell 2) ska bedöma dess procentuella effekt, då huspriset samt inkomsten i den senare modellen kommer vara i logaritmerad form. 21 Anledningen till att använda bägge dessa modeller är för att det finns värde i att se räntans absoluta effekt även 19 Gujarati, Porter (2009), Sid 77f 20 Andersson, Jorner, Ågren (2009), sid 89f 21 Gujarati, Porter (2009), sid 162 f 12

om det kan bli missvisande att jämföra olika län utifrån absolut effekt då genomsnittligt huspris markant skiljer sig åt. Baserat utifrån detta finns det därmed även anledning att undersöka den procentuella effekten för jämförelser mellan län då denna modell tar hänsyn till icke-linjära samband. Modellerna tar följande form: Modell 1: Y = α + β1 * X1 + β2 * X2 + β3 * X3 + β4 * X4 + ε Modell 2: Ln Y = α + β1 * X1 + β2 * ln X2 + β3 * X3 + β4 * X4 + ε där: Y = beroende faktor (ln Y anger att den är logaritmerad) α = konstant βi = koefficient xi = oberoende variabel (ln Xi anger att variabeln är logaritmerad) ε = slumpvariabel Tabell 4 Sammanställning av beroende samt förklarande variabler. Inom parentes anges förväntad effekt på Y. Variabler Modell A Modell A Variabler Modell B Modell B Y Huspris (i tusentals kr) Ln Y Huspris (logaritmerad) X1 (-) Reporäntan (i procent) X1 (-) Reporäntan ( i procent) X2 (+) Förvärvsinkomst (i tusentals kr) Ln X2 (+) Förvärvsinkomst (logaritmerad) X3 (-) Arbetslöshet (i procent) X3 (-) Arbetslöshet ( i procent) X4 (+) Befolkningsutveckling (i tusental) X4 (+) Befolkningsutveckling (i tusental) 4.2.1 Tolkning av variabler Koefficienten (βi) för samtliga variabler visar styrkan i hur respektive variabel (Xi) påverkar den oberoende variabeln (Y) givet att övriga förklaringsvariabler hålls konstanta. Tillsammans ger koefficienterna lutningen på den regressionslinje som skattas där avvikelsen från regressionslinjen anges av en slumpvariabel (ε). Hur koefficienten ska tolkas skiljer sig dock åt mellan modellerna. I Modell 1 anges huspriset (Y) i tusentals kronor varför respektive variablers koefficient speglar en förändring av huspriset i tusentals kronor. I Modell 2 som är en variant på en loglinjär modell uppges däremot huspriset i logaritmerad form (lny) varför en förändring av huspriset mäts i procentuell form. 22 För räntan samt arbetslöshet får en 22 Gujarati, Porter (2009), sid 162 f 13

procentenhets ökning av dessa en effekt på huspriset med 100 x βi i procent. Även för befolkningsutveckling påverkas huspriset med 100 x βi i procent, i för denna variabel när befolkningen ökar med 1000 personer. Eftersom inkomsten sedermera är logaritmerad i Modell 2 leder en procentenhets ökning av dito att huspriset påverkas med β2 i procent vilket utgör ett elasticitetssamband. 23 4.2.2 Hypotesprövning Hypotesprövning tillämpas för att bedöma huruvida regressionsmodellens förklaringsgrad kan ha uppstått på grund av slumpen eller inte. För att beräkna enskilda koefficienters signifikans kommer P-värdet användas som utvärderingsmått. P-värdet beräknas genom en statistisk hypotesprövning med en nollhypotes (H0) samt en mothypotes (H1), där P-värdet beskriver sannolikheten att erhålla ett värde som är större eller lika stort som skillnaden mellan medelvärdet samt värdet enligt nollhypotesen. Ju mindre P-värdet blir desto högre signifikansnivå gäller för variabeln, där ett P-värde på 0,05 till exempel innebär att variabeln i fråga är signifikant på 5%-nivån. 24 Att enskilda koefficienter är signifikanta innebär dock inte att slutsatser av skillnader dem emellan kan göras rakt av, utan det är också nödvändigt att testa så att koefficienterna även är signifikant skilda från varandra vid jämförelser. Detta kommer genomföras med hjälp av en förenkling då kovariansen för samtliga termer antas vara noll. Nollhypotesen blir att koefficienterna för olika län är lika stora, medan mothypotesen därmed blir att de är skilda från varandra. Testet går ut på att ta fram differensen mellan koefficienterna för att dividera detta värde med roten ur summan av bägge studerade koefficienters varians. Om detta värde visar sig bli större än 1,96 förkastas nollhypotesen till förmån för mothypotesen vilket således innebär att koefficienterna är signifikant skilda från varandra på 5%-nivån. 25 4.2.3 Test för multikollinearitet Även om det strävas efter en så pass hög förklaringsgrad som möjligt i modellerna finns det en kontrovers med att bedöma modellen efter dess förklaringsgrad vid en multipel regressionsanalys. Anledningen är att modellens förklarande variabler kan vara högt korrelerade med varandra, vilket sålunda innebär att modellens förklaringsgrad kan öka vid 23 Gujarati, Porter (2009), sid 165 24 Se bilaga 10.2 25 Newbold (2007), sid 369f 14

tillförandet av ytterligare variabler även om modellen per definition inte blir bättre. Vid hög korrelation mellan variabler föreligger det multikollinearitet, vilket approximativt kan mätas genom ett VIF-test. 26 Uppskattningsvis föreligger det en för hög grad av multikollinearitet om VIF visar sig vara högre än 10. Omvänt förekommer det inte en betydande grad av multikollinieraritet om VIF<10, vilket kommer att utgöra riktmärket. 27 4.2.4 Test för autokorrelation Durbin-Watson Vid uppskattning av samband över tiden finns det även risk för att variablerna dessutom är beroende av varandra, det vill säga att variablerna är korrelerade med varandra över tiden. Durbin-Watson är ett vedertaget test för att mäta ifall det föreligger autokorrelation mellan modellens förklarande variabler. I testet mäts autokorrelation (d) på en skala mellan 0 och 4, där 2 innebär att det inte föreligger någon autokorrelation alls. Blir testvärdet under 1 föreligger positiv autokorrelation samt om testvärdet å andra sidan är över 3 föreligger negativ autokorrelation, varför värden mellan 1-3 anses godtagbara. 28 5. Datamaterial 5.1 Beskrivning av datamaterialet Studien baseras på kvartalsdata under perioden 1998-2007 vilket sammanlagt ger 40 observationer per län. För vissa förklarande variabler finns emellertid enbart årsdata tillgängligt, varför en linjär interpolering har utförts för att anpassa detta till kvartalsgenomsnitt. 29 Tidsperioden må huvudsakligen vara vald på basis av tillgäng data, men det finns också ett värde i att använda sig av perioden eftersom den befinner sig mellan ekonomiska lågkonjunkturer. 1998 anses samhällsekonomin hämtat från 1990-talskrisen, samtidigt som 2007 kan ses som det sista året före finanskrisen. Tänkbara extremvärden borde därmed kunna begränsas. 26 Variance Inflation Factor 27 Andersson, Jorner, Ågren (2009), sid 110f 28 Andersson, Jorner, Ågren (2009), sid 183f 29 Detta har skett genom att divideras årsdatan med fyra för att få genomsnittet per kvartal. 15

5.1.1 Huspriset (Y i Modell 1 samt ln Y i Modell 2) Genomsnittlig köpeskilling på småhus i respektive län finns redovisat för varje kvartal. Köpeskillingen anger det pris som bostaden har sålts för vilket kan tolkas som genomsnittligt försäljningspris. En begränsning med detta mått är att hus i sig skiljer sig från varandra och att det under vissa kvartal eventuellt enbart såldes en viss typ av hus. Att mäta prisutvecklingen enbart med hjälp av den genomsnittliga köpeskillingen kan därmed bli missvisande på grund av att de enskilda hushållen inte är jämförbara från kvartal till kvartal. Dessa eventuella skillnader antas emellertid planas ut över hela tidsperioden, varför genomsnittlig köpeskilling ändå anses vara ett rimligt mått att utgå från. 30 5.1.2 Reporäntan (X1 i bägge modeller) Reporäntan är redovisad i kvartalsgenomsnitt, där data används under perioden 1996-01-01 till 2007-12-31. Detta för att möjliggöra laggandet av räntan åtta kvartal bakåt i tiden för att avgöra med vilken fördröjning den väntas verka. 31 5.1.3 Förvärvsinkomst (X2 i Modell 1 samt ln X2 i Modell 2) Förvärvsinkomst definieras som summan av inkomst från tjänst samt övrig näringsverksamhet. Förvärvsinkomst är en av de variabler som endast årsdata finns tillgängligt för varför linjär interpolering har utförts. Datan är angiven i medianinkomst där nivån för varje läns mittersta förvärvsinkomsttagare speglas. Detta mått antas bättre återge den genomsnittliga inkomstskillnaden mellan län, då medelinkomsten tros ha dragit upp nivån i alltför hög grad för vissa län. 32 5.1.4 Arbetslöshet (X3 i bägge modeller) Statistik över arbetslösheten är hämtad från SCB Arbetskraftsundersökningar (AKU) och redovisas i form av det relativa arbetslöshetstalet. 33 AKU är en urvalsundersökning som mestadels sker via telefonintervjuer under en referensvecka en gång per månad med ett representativt urval av Sveriges befolkning. AKU har från och med april 2005 EUharmoniserats för att göra jämförelser länder emellan enklare. I denna uppsats kommer 30 http://www.scb.se/pages/standard 39379.aspx, (2010-05-07) 31 Andersson, Jorner, Ågren (2009), sid 171f 32 http://www.scb.se/pages/standard 80904.aspx, (2010-05-08) 33 Arbetslöshet / (sysselsättning + arbetslöshet) 16

emellertid statistik för äldre svenska definitionen att användas, då denna löper parallellt med den nya EU-harmoniserade förordningen fram till 2007. 34 5.1.5 Befolkningsutveckling (X4 i bägge modeller) Uppgifterna över varje läns befolkning avser förhållandena per den 31/12 för varje år varför även för denna variabel linjär interpolering har utförts. Befolkningsutvecklingen definieras som skillnaden i befolkningen mellan årets början och årets slut. 5.1.6 Kritik av datamaterialet Det är ett par allmänna begränsningar för befintligt datamaterial. För det första kan det vara problematiskt att linjärt interpolera årsdata till kvartalsdata för den kommande analysen. Detta beror på att variansen för respektive kvartal inte går att ta hänsyn till vid interpolering, varför variabeln i fråga kan tillskrivas en större signifikans än vad den rätteligen förtjänar. Även om detta utgör en begränsning anses ändå interpoleringen till kvartal vara mer fördelaktigt än att endast använda årsdata för samtliga variabler då detta skulle begränsa antalet observationer avsevärt. Därtill är det en nackdel att variabeln befolkningsutveckling enbart tar hänsyn till faktiska befolkningsförändringen utan att nödvändigtvis säga något om den demografiska utvecklingen vilket anses spela roll för efterfrågan. Det hade därmed varit en möjlighet att istället testa för antalet födslar per 1000 invånare som på ett bättre sätt fångar upp hur sammansättningen i länet har förändrats under åren. Dock är problemet med detta mått att det vare sig tar hänsyn varken till antalet individet som flyttat till eller från länet, vilket på grund av begränsningar i tillgänglig data inte är möjligt att testa. Därmed anses befolkningsutveckling vara den bästa variabeln att använda då den tar hänsyn till både in- och utflytt till länet samt antalet födslar per 1000 individer. Att variabeln inte säger något om den demografiska utvecklingen är dock en begränsning i uppsatsen. 34 http://www.ssd.scb.se/databaser/makro/produktaku.asp?produktid=am0401&lang=1&inl=aku, (2010-05- 08) 17

6. Resultat 6.1 Korrelationsanalys Korrelationsanalysen nedan visar sambandet mellan genomsnittlig köpekoefficient för småhus och reporäntan under perioden 1998-01-01 till 2007-12-31 samt två år bakåt. Reporäntan speglar därmed perioden 1996-01-01 2005-12-31 när den är laggad som mest, det vill säga åtta kvartal (T-8). Tabell 4 - Korrelationsanalys reporänta huspris Ränta T Ränta T-1 Ränta T-2 Ränta T-3 Ränta T-4 Ränta T-5 Ränta T-6 Ränta T-7 Ränta T-8 Gotlands län -0,545-0,647-0,712-0,742-0,778-0,791-0,786-0,774-0,735 Skåne län -0,545-0,653-0,731-0,787-0,833-0,860-0,864-0,837-0,769 Stockholms län -0,432-0,543-0,63-0,701-0,76-0,811-0,847-0,859-0,833 Hallands län -0,585-0,682-0,758-0,813-0,851-0,871-0,861-0,821-0,747 Västra Götalands län -0,568-0,672-0,749-0,799-0,842-0,863-0,858-0,825-0,753 Uppsala län -0,535-0,619-0,672-0,702-0,73-0,765-0,783-0,789-0,781 Västmanlands län -0,511-0,612-0,691-0,745-0,793-0,831-0,851-0,843-0,798 Södermanlands län -0,553-0,651-0,737-0,793-0,831-0,852-0,845-0,819-0,757 Östergötlands län -0,544-0,648-0,722-0,777-0,822-0,851-0,845-0,807-0,745 Blekinge län -0,521-0,636-0,717-0,776-0,835-0,861-0,848-0,818-0,762 Jönköpings län -0,588-0,691-0,762-0,801-0,824-0,842-0,843-0,810-0,752 Kronobergs län -0,462-0,584-0,667-0,718-0,78-0,824-0,823-0,801-0,732 Örebro län -0,513-0,633-0,719-0,783-0,833-0,863-0,848-0,811-0,745 Jämtlands län -0,516-0,619-0,699-0,735-0,77-0,795-0,808-0,812-0,781 Gävleborgs län -0,483-0,605-0,676-0,736-0,797-0,844-0,854-0,806-0,720 Dalarnas län -0,490-0,622-0,713-0,777-0,834-0,860-0,854-0,805-0,724 Värmlands län -0,405-0,551-0,662-0,743-0,819-0,859-0,863-0,823-0,753 Kalmar län -0,544-0,672-0,757-0,801-0,829-0,837-0,834-0,811-0,727 Västerbottens län -0,463-0,598-0,691-0,768-0,821-0,864-0,871-0,818-0,747 Norrbottens län -0,492-0,621-0,716-0,789-0,857-0,895-0,884-0,842-0,761 Västernorrlands län -0,525-0,655-0,739-0,812-0,862-0,883-0,857-0,799-0,701 Av korrelationsanalysen framgår det under vilken period det föreligger starkast negativ korrelation mellan huspriset samt reporäntan, där fet stil förtydligar när sambandet är som starkast. Samtliga län ligger mellan T-5 till T-7 vilket speglar en fördröjning på fem till sju kvartal. Länen är sorterade efter husprisutvecklingen under perioden vilket framgick i Tabell 2, varav det inte verkar föreligga någon systematik eller samband med räntans fördröjning samt husprisutvecklingen. Det kvartal som för respektive län uppvisar starkast samband används nedan i regressionsanalysen. 18

6.2 Regressionsanalys 35 Två regressionsanalyser genomförs där Modell 1 representerar en linjär modell medan Modell 2 en anpassad loglinjär modell. Bägge modeller är presenterade och sorterade efter räntekoefficientens värde i fallande ordning. Efter redovisning av modellerna sker en statistisk analys av dito. 6.2.1 Modell 1: Y = α + β1 * X1 + β2 * X2 + β3 * X3 + β4 * X4 + ε α (konstant) β1 (reporänta) β2 (ln inkomst) β3 (arbetslöshet) Β4 (befolkningstutveckling) R2 adj Durbin-Watson Jönköpings län -1014-29,83** 39,58*** 34,26*** 130,99* 94,9% 1,72279 Uppsala län -3259-37,78* 96,77*** 30,47** 107,10 93,2% 1,66381 Västernorrlands län 25-44,71*** 15,36**^ 5,95-22,14 82,6% 0,854118 Jämtlands län -46-46,93*** 19,78^ 8,97 167,50^ 77,3% 1,58474 Norrbottens län -21-47,75*** 17,55*** -1,98-50,33 85,4% 1,56106 Gävleborgs län -483-48,35*** 29,02**^ -3,51-85,10 80,3% 0,918038 Kalmar län -836-49,69*** 36,97*** 17,4-27,30 82,0% 1,49057 Dalarnas län -440-51,19*** 27,59**^ 4,50-56,59 83,1% 0,61991 Västerbottens län -422-56,48** 30,73**^ 11,43-58,11 83,3% 1,85297 Blekinge län -549-59,35*** 34,58*** -1,23 164,90 90,5% 0,903963 Västmanlands län -2594-63,31** 80,64*** 0,41-263,20* 88,9% 1,22934 Örebro län 24-64,85*** 20,08** 12,67 275,00** 86,9% 0,95338 Kronobergs län 586-71,86*** 8,29^ 22,40* 332,50* 82,5% 0,804418 Gotlands län -3464-71,88* 105,36*** 47,06*** -56,70 89,9% 1,70609 Värmlands län 860-78,78*** 1,75^ 11,90 158,50^ 79,9% 1,12621 Södermanlands län -1979-87,32*** 73,16*** -5,23-81,90 90,8% 0,953455 Östergötlands län -761-95,19*** 40,71*** 49,10*** 274,24*** 94,0% 1,38409 Stockholms län -5752-99,02** 157,19*** 40,75* 25,04 93,9% 1,31352 Västra Götalands län -2506-106,45*** 84,14*** 32,42* -25,25 94,2% 1,16829 Skåne län -1768-130,59*** 76,75*** 16,69 831,00*** 94,1% 0,643405 Hallands län -2422-133,89*** 87,14*** 40,52** -75,2 93,5% 1,20307 Not: *** = signifikant på 1%-nivå. ** = signifikant på 5%-nivå, * = signifikant på 10%-nivå. ^ = VIF>10, det föreligger en hög grad av multikollinearitet. 6.2.2 Modell 1: Ln Y = α + β1 * X1 + β2 * ln X2 + β3 * X3 + β4 * X4 + ε α (konstant) β1 (reporänta) β2 (ln inkomst) β3 (arbetslöshet) Β4 (befolkningsutveckling) R2 adj Durbin-Watson Uppsala län -6,254-0,0191 3,488*** 0,011663 0,03784 94,9% 1,821 Jönköpings län -1,956-0,0244** 2,253*** 0,0343*** 0,10237 95,7% 1,731 Gotlands län -9,852-0,0451 4,459*** 0,033*** 0,1481 91,4% 1,995 Stockholms län -5,745-0,0475** 3,448*** 0,011538-0,00363 95,1% 1,517 Kalmar län -1,523-0,0567*** 2,160*** 0,01916-0,0341 83,3% 1,533 Blekinge län -0,734-0,0571*** 1,997*** -0,00075 0,1853 92,8% 1,183 Södermanlands län -4,936-0,0602*** 3,166*** -0,00604-0,0759 92,7% 1,191 Västerbottens län 1,188-0,0624*** 1,491**^ 0,013539-0,03722 84,1% 1,929 Västmanlands län -6,371-0,0638** 3,480*** 0,0086-0,1389 90,4% 1,481 Gävleborgs län -0,091-0,0641*** 1,783** -0,00229-0,0747 82,2% 1,068 35 I bilaga 9.1.1 samt 9.1.2 redovisas p-värden samt VIF för samtliga län. 19

Östergötlands län -1,286-0,0651*** 2,157*** 0,037*** 0,188*** 94,8% 1,488 Norrbottens län 1,853-0,0661*** 1,256*** -0,00345-0,06691 85,7% 1,649 Västernorrlands län 2,828-0,0663*** 0,985**^ 0,009423-0,01367 82,3% 0,925 Västra Götalands län -4,984-0,0671*** 3,167*** 0,022* -0,00946 95,7% 1,434 Jämtlands län 3,211-0,0687*** 0,939^ 0,01019 0,344^ 78,5% 1,644 Dalarnas län 0,516-0,0689*** 1,615*** 0,010244-0,0408 84,7% 0,791 Örebro län 1,783-0,0681*** 1,313*** 0,01612 0,271** 89,2% 1,091 Skåne län -3,672-0,0696*** 2,904*** 0,004214 0,578*** 96,5% 0,983 Kronobergs län 5,198-0,0766*** 0,423^ 0,031** 0,417** 85,4% 1,061 Hallands län -3,758-0,0797*** 2,884*** 0,023** 0,0211 94,7% 1,459 Värmlands län 5,791-0,0974*** 0,275^ 0,01451 0,195^ 81,7% 1,271 Not: *** = signifikant på 1%-nivå. ** = signifikant på 5%-nivå, * = signifikant på 10%-nivå. ^ = VIF>10, det föreligger en hög grad av multikollinearitet. 6.2.3 Statistisk analys av modellerna Såväl Modell 1 som Modell 2 uppvisar en relativt hög förklaringsgrad varför en stor del av husprisets variation därmed antas förklaras av modellerna. Därtill framgår det att för framförallt reporäntan men även för inkomsten är koefficienterna signifikanta på 1%-nivån. För arbetslöshet samt befolkningsutveckling är däremot koefficienterna genomgående ickesignifikanta, varför det enligt denna skattning inte är klarlagt vilken betydelse variablerna har för huspriset. Att exkludera dessa variabler skulle kunna vara ett alternativ, emellertid kan det vara problematiskt då variablerna ändå kan förklara en viss del av husprisets variation trots att koefficienterna genomgående inte är signifikanta. Därtill skulle ett eventuellt exkluderande av arbetslöshet samt befolkningsutveckling också innebära att variablerna även exkluderas för de län där variablerna uppvisat ett signifikant resultat. Detta skulle därför kunna leda till att övriga förklarande variabler tillskrivs en större del av husprisets variation än vad de rätteligen förtjänar. 36 Baserat på detta förblir modellerna intakta då modellens begränsning inte anses påverka räntekoefficienten i en alltför stor utsträckning. Det föreligger även multikollinearitet mellan vissa förklarande variabler i bägge modeller då VIF-värdet på sina håll är över 10. Eftersom detta inte gäller för räntekoefficienten bör detta inte utgöra en betydande nackdel för modellens relevans. En större nackdel är däremot att det tycks föreligga positiv autokorrelation i bägge modeller, men framförallt i Modell 1 för åtta län. Detta kan i sin tur kunna leda till missvisande resultat varför viss försiktighet i sedermera analys fodras. 36 Eftersom regionala skillnader ska jämföras behöver samma modell med lika många förklarande variabler gälla för samtliga län, därför skulle det inte heller vara möjligt att enbart exkludera variablerna för de län uppvisat icke-signifikant resultat. 20

Tests har också genomförs för att bestämma huruvida räntekoefficienterna är signifikant skilda från varandra på 5%-nivån eller inte vilket är nödvändigt för kommande analys. Modell 1 uppvisar att åtminstone fyra av de fem län som uppvisar störst räntekoefficient (ej Stockholms län) är signifikant skilda från samtliga fem län som uppvisat minst räntekoefficient. För Modell 2 är samtliga fem län som uppvisat störst räntekoefficient signifikant skilda från de två länen som visat minst räntekoefficient, dock ej från övriga tre. 37 7. Analys 7.1 Räntans fördröjning Av korrelationsanalysen framgår med vilken fördröjning det är mest sannolikt att räntan påverkar huspriset. Gemensamt för samtliga län uppvisas det starkaste sambandet när reporäntan är laggad mellan fem till sju kvartal. Detta innebär att reporäntans fördröjda effekt på huspriset är relativt jämnt fördelad över landet, där medianen för när reporäntan troligast slår igenom är ett och ett halvt år. Det verkar emellertid inte till exempel finnas något samband mellan räntans fördröjning och husprisutvecklingen under samma period. 7.2 Reporäntans genomslag - regionala skillnader I enlighet med det teoretiska ramverket påverkas efterfrågan av ett flertal faktorer. Förtydligas bör emellertid att det centrala för uppsatsen är årskostnaden för bostaden vilket antas bero på räntenivån samt huspriset. Det är förhållandet mellan dessa variablers partialderivator som uppskattas där en ökning av räntan följs av en minskning av huspriset. Hur stark denna effekt är samt huruvida den skiljer sig åt mellan olika län framgår av räntekoefficienten i modellerna. I Modell 1 framgår denna koefficient i absoluta tal medan den anges i procentuell form i Modell 2. För samtliga län i bägge modeller är räntekoefficienten negativ vilket även stämmer överrens med väntat utfall då en höjd ränta leder till ökade årskostnader för boendet vilket torde minska huspriset. Desto större (mindre då den är negativ) modellernas räntekoefficient är desto större påverkan får en räntehöjning med en procentenhet på huspriset. 37 Se bilaga 9.1.3 samt 9.1.4. 21

Räntekoefficienternas storlek skiljer sig dock åt mellan länen i bägge modeller. I Modell 1 framgår det att det föreligger stora skillnader i absoluta tal mellan de län som påverkats minst respektive mest av en ränteförändring. De fem län där en ränteförändring uppvisar minst effekt på priset och därmed antas ha en mindre effekt på efterfrågan är Jönköpings, Uppsala, Västernorrlands, Jämtlands, samt Norrbottens län, där medelvärdet av räntekoefficienten är cirka 41. Detta innebar att en procentenhets ökning av räntan under perioden 1998-2007 gav upphov till en minskning av huspriset med dryga 41 tkr. De fem län där en ränteförändring däremot får störst effekt på huspriset är Hallands, Skåne, Västra Götalands, Stockholms samt Östergötlands län. Medelvärdet av räntekoefficienten för dessa län blir cirka -113 vilket innebär att en procentenhets ökning av räntan under perioden ledde till en prisminskning på ca 113 tkr. Samtliga län som påverkats mest av räntan med undantag av Stockholms län är signifikant skilda från var och ett av de län som påverkats minst vilket styrker resultatet. Även Modell 2 tyder också på att regionala skillnader i hur räntan slår på huspriset existerar. Här utgörs de fem län som har påverkats minst av en ränteförändring av Uppsala, Jönköpings, Gotlands, Stockholms samt Kalmars län, där medelvärdet av länens räntekoefficient är 0,0385, det vill säga en effekt på knappa 4%. De län som å andra sidan påverkats mest består av Örebro, Skåne, Kronobergs, Hallands samt Värmlands län. För dessa län blir medelvärdet av räntekoefficienterna 0,0782 vilket innebär att en ökning av reporäntan med en procentenhet under perioden ledde till en prisminskning på knappa 8%. Emellertid är inte räntekoefficienten för samtliga av de län som påverkats minst respektive mest signifikant skilda från varandra. Det är endast räntekoefficienterna för Jönköpings och Uppsala län vilka samtliga län som påverkats mest av räntan är signifikant skilda från. Sammantaget tyder bägge modeller på att förhållandet mellan partialderivatorna av räntan samt huspriset uppvisar regionala skillnader under den analyserade perioden. Resultatet står sig oavsett om effekten mäts i absoluta tal eller i procent, även om ordningen vilka län som påverkats minst respektive mest skiljer sig åt. Att jämföra olika län med absoluta mått tar inte hänsyn till att det till exempel förekommer stora skillnader i genomsnittligt huspris mellan länen enligt Tabell 2, varför en stor förändring i absoluta mått kan ha ungefär samma relativa effekt i olika län. Intressant är emellertid att både Uppsala samt Jönköping län förekommer bland de län som har påverkats minst i bägge modeller, medan Skåne och Hallands län å andra sidan förekommer bland de som påverkats mest. 22

7.3 Övriga variabler Analysen av övriga variabler begränsas till konstaterandet att det även för dessa förklarande variabler tycks föreligga regionala skillnader. Eftersom ett signifikant resultat inte har kunnat härledas från analys av vare sig arbetslöshet eller befolkningsutveckling för majoriteten av antal undersökta län vidareutvecklas inte förekomsten av dessa eventuella skillnader. Relativt stora skillnader framträder även när det gäller inkomsten i båda modellerna. Problemet är att variabel tyder på en för hög grad av multikollineraritet varför resultatet inte anses tillfredställande. 8. Slutsatser Under det senaste decenniet har priserna på småhus ökat kraftigt i landet. Utvecklingen visar stora regionala skillnader då det endast är sex av 21 län vars utveckling har varit större än riksgenomsnittet. Även om den kraftiga prisutvecklingen snarare hör storstadsregionerna till än landet i sin helhet, föreligger det en risk för scenariot att reporäntan kommer att höjas för att motverka husprisutvecklingen. Det är emellertid ingen absolut vetenskap vare sig vilken effekt reporäntan har på husprisutvecklingen eller med vilken fördröjning den verkar samt framförallt om dess effekt skiljer sig åt regionalt. Det föll sig därmed naturligt att syftet med denna uppsats skulle bli att undersöka om det förekommer regionala skillnader avseende hur och när en förändring av reporäntan får effekt för huspriser. Studien har utförts med hjälp av en kvantitativ analys där korrelationsanalys har tillämpats för att uppskatta räntans fördröjning samtidigt som en regressionsanalys med två olika modeller använts för att bedöma dess genomslag. Perioden som har studerats är mellan 1998-2007, där förklarande variabler utöver reporäntan som använts i regressionsanalysen är förvärvsinkomst, arbetslöshet samt befolkningsutveckling. Gemensamt för samtliga län tyder resultaten från korrelationsanalysen på att starkast samband mellan huspriset samt reporäntan infann sig när räntan var laggad mellan fem till sju kvartal. Inga direkta regionala skillnader anses dock existera. Det kan mycket väl vara så att studiens tidsperiod är för begränsad för att större regionala skillnader ska visa sig, om det ens existerar några. Slutsatsen blir sålunda att reporäntan antas påverka huspriset med en fördröjning på cirka sex kvartal för hela riket då studien inte tyder på att det existerar några regionala skillnader. 23

Resultaten från regressionsanalysen tyder däremot på att det föreligger regionala skillnader i reporäntans genomslag på huspriset. Både i Modell 1 som visar effekten i absoluta mått samt i Modell 2 som visar den procentuella effekten tycks det föreligga skillnader. Räntekoefficienterna från Modell 1 är i större utsträckning signifikant skilda från varandra än i Modell 2. Modell 1 uppvisar dock en positiv autokorrelation för fler län än i Modell 2 vilket är en begränsning. En annan aspekt som är viktig att notera är att även om räntekoefficienterna i större mån är skilda från varandra i Modell 1, tas det i denna analys inte hänsyn till att det föreligger stora skillnader i genomsnittligt huspris mellan länen. Även om räntekoefficienten markant skiljer sig åt i absoluta tal mellan olika län innebär det inte nödvändigtvis att effekten även står sig i relativa mått mätt. Att effekten i absoluta tal är lägre i landets nordliga delar än i de södra kan vara på basis att de genomsnittliga huspriserna i landets nordligare delar är betydligt lägre än i de södra och att effekten i relativa termer därmed kan vara lika stor. Att Uppsala samt Jönköpings län tillhör de län som i bägge modeller uppvisar minst räntekoefficient, samtidigt som Skåne och Hallands län tillhör de län som uppvisar störst räntekoefficient i bägge modeller ger dock styrka åt slutsatsen att vissa regionala skillnader existerar. Samtidigt är räntekoefficienterna för ett stort antal län icke-signifikant skilda från varandra varför regionala skillnader endast kan styrkas för vissa län. Varför det dock tycks förekomma skillnader i räntans genomslag på huspriset är dock en annan fråga även om det antyder en problematik i användandet av en generell räntepolitik för att matta av en eventuell bostadsbubbla. Även om resultatet om regionala skillnader inte kan statistiskt säkerställas för samtliga län, får ändå uppsatsen rimligen anses ge en indikation till att regionala skillnader borde studeras närmare. 8.1 Förslag till framtida forskning Det finns ett flertal aspekter gällande regionala skillnader vilket skulle kunna vara av intresse att studera vidare. Det vore till exempel tänkvärt att kunna utveckla metodiken och tillvägagångssättet för studien, med syfte att på ett bättre sätt kunna spegla efterfrågans effekt men också utbudets effekt för regionala skillnader. I denna uppsats har förenklingen skett att utbudet antagits vara konstant, vilket i verkligheten inte torde vara fallet. Detta då parametrar som lägesmässiga faktorer, tillgång till mark, byggtider samt byggkostnader lär ha mer eller 24

mindre betydelse för huspriset. Ifall dessa parametrar skulle kunna uppskattas för respektive län skulle det vara av stort intresse att ta del av utbudets effekt på husprisförändringar. En annan intressant aspekt för framtida forskning är att kunna fastställa vad eventuella regionala skillnader kan bero på. Denna studie har inriktats på att besvara syftet ifall det kan föreligga regionala skillnader men vad dessa regionala skillnader kan antas bero på är en helt annan fråga vilket borde läggas vikt vid. 25

9. Källförteckning 9.1 Tryckta källor Morgan, Katz, Rosen (2006), Microeconomics, Mcgraw-Hill Education, New York Gujarati, Porter (2009), Basic Econometrics (5th edition), Mcgraw-Hill International Edition, New York Newbold, Carlson, Thorne (2007), Statistics for busines and economics (6th edition), Pearson Prentice Hall, New Jersey Sydsaeter (1987), Matematisk analys för ekonomer (4e upplagan), SHL Statistik Analys, Oslo Andersson, Jorner, Ågren (2009), Regressions- och tidsserieanalys (3e upplagan), Studentlitteratur, Malmö Nicholson, W. (2005), Microeconomic Theory (9th edition), Thomson South-Western, US 9.2 Elektroniska källor Statistiska Centralbyrån: - Befolkningsstatistik: http://www.ssd.scb.se/databaser/makro/produkt.asp?produktid=be0101 (2010-05-05) - Fastighetspriser och lagfarter: http://www.ssd.scb.se/databaser/makro/produkt.asp?produktid=bo0501 (2010-05-03) - Arbetskraftsundersökningar (äldre serier): http://www.ssd.scb.se/databaser/makro/produktaku.asp?produktid=am0401&lang=1&inl= AKU (2010-05-07) 26