Vad kan förklara skillnaden mellan småhuspriserna i olika kommuner i Stockholms län?

Institutionen för Fastigheter och Byggande Examensarbete (15 hp) inom och Kandidatprogrammet Fastighet och Finans Centrum för Bank och Finans Nr 139 Vad kan förklara skillnaden mellan småhuspriserna i olika kommuner i Stockholms län? Författare: David Hessius Philip Du Rietz Stockholm 2013 Handledare: Hans Lind

Innehållsförteckning 1. Inledning... 5 1.1 Bakgrund... 5 1.2 Syfte och metod... 5 1.3 Problemformulering... 6 1.4 Forskningsfråga... 6 1.5 Avgränsningar... 7 2. Metod... 8 2.1 Allmänt... 8 2.2 Datainsamlingsmetod... 8 2.3 Forskningsmetodik... 9 2.4 Variabler och tid... 9 2.5 Val av respondenter... 10 2.6 Källkritik... 10 3. Teori... 12 4. Resultat och analys... 13 4.1 Prisutveckling Småhus Stockholms läns kommuner (ej Nykvarn) (om org)... 13 4.2 Linjär regressionsanalys... 14 4.3 Multiple regressionsanalys... 22 5. Slutsats... 28 Källor... 29 Tryckta källor... 29 Webb källor... 29 Intervjuer... 29 Bilagor... 30 Data till regressioner... 30 Multipla regressioner... 32 2

Examensarbete Titel: Vad kan förklara skillnaden mellan småhuspriserna i olika kommuner i Stockholms län? Författare: David Hessius, Philip Du Rietz Institution: Centrum för Bank och Finans Examensarbete nummer: 139 Handledare: Hans Lind Nyckelord Sammanfattning Bakgrund och problem Bostadsmarknaden i Stockholms län har varit föremål för diskussion länge. Den främsta anledningen är den stora uppgång i fastighetspriser som skett under de senaste 15 åren. Huruvida denna uppgång är förankrad i fundamentala faktorer låter vi vara osagt då denna uppsats inte syftar till att utreda en eventuell fastighetsbubbla, utan vilka faktorer som har och har haft en direkt påverkan på fastighetspriserna under perioden för småhus. Finns det något mönster att avläsa? Lämpar sig vissa kommuner bättre vid köp av ett permanent småhus än andra? Denna uppsats syftar till att undersöka vilka faktorer som har haft störst påverkan på småhuspriserna i Stockholms län. Syfte Genom en korrekt tillämpning av pristeorin bör köparen kunna optimera sin fastighetsinvestering gällande småhus i länet. Detta bör i sin tur ge en så god avkastning som möjligt i länet och bidra till ett ökat välstånd för innehavaren. Metod Kommunstatistik samt intervjuer och viss litteratur har legat till grund för uppsatsen. All statistik är hämtad från Statistiska Centralbyrån, SCB. Den grundläggande analysen sker med hjälp av regressionsanalyser. På detta sätt görs statistiken överskådlig och underlaget för analysen mera lättåtkomlig och förståelig. Analys och slutsatser Tar man hänsyn till de faktorer som påverkar småhuspriserna mest bör det leda till en så hög avkastning som möjligt på en fastighetsinvestering i Stockholms län. De faktorer som anses mest avgörande vid sidan om omvärldsfaktorer är obildning från fritidshus till småhus. 3

Bachelor of thesis Title: Vad kan förklara skillnaden mellan småhuspriserna i olika kommuner i Stockholms län? Authors: David Hessius, Philip Du Rietz Department: Centrum för Bank och Finans Bachelor Thesis number: 139 Supervisor: Hans Lind Keywords Abstract Background and problem The Real-Estate market in Stockholms län has been up for discussion for a long time. There is no doubt that there are different opinions concerning if there is a bubble in the market or if the pricing is attached to fundamentals. This report will not investigate if there is a bubble in the market or not. Instead, this report will examine the different counties in the region to find out where the biggest risings in real estate prices regarding single family houses is to find and which factors has contributed the most to the development. This report aims to examine the factors that have had the largest impact on house prices in the county. Purpose With a correct application of the pricing theory, the buyer should be able to optimize their real estate investment regarding småhus. In the end, this should mean a financial gain for the investor. Method Combination of studying statistics from SCB, relevant literature and making interview has been the basis for the thesis. The fundamental analysis is done using regression analysis. In this way the statistics are clear and the basis for the analysis more accessible and understandable. Analysis and conclusions By taking into account the factors that affect house prices the most, it should lead to the highest possible return on a property investment in the Stockholm County. The factor considered most crucial in addition to external factors is illiteracy from summer homes to single-family homes. 4

1. Inledning 1.1 Bakgrund Ett fastighetsköp är för de allra flesta människor den enskild största ekonomiska affären i deras liv och har stor betydelse för människors förmögenhetsuppbyggnad. Vanligtvis avser dessa köp småhus ämnat för permanent boende vars pris ofta uppgår till flera årsinkomster vilket innebär en stor ekonomisk uppoffring för de allra flesta människor. Stockholms län har den snabbaste befolkningstillväxten i landet och Sveriges högsta fastighetspriser vilket gör det än mer angeläget att se till att man gör en genomtänkt investering. God insikt om fastighetsmarknaden och vilka specifika faktorer som har betydelse för prisutvecklingen bidrar till att man begränsar den ekonomiska risken. Det är inte självklart vad som styr priserna men det finns sannolikt vissa faktorer som har en betydande inverkan. Fastighetsspecifika egenskaper såsom typ av hus, tomtstorlek, standard och läge är faktorer som alla hus köpare väger in vid förvärv. Däremot är det kanske inte lika självklart att man analyserar och gör en bedömning av den kommun man bosätter sig i. Även om kommunerna ligger i samma län har de olika befolkningstillväxt, infrastruktur, kommunikationer, framtidsplaner, arbetsmarknad etc. Det här är faktorer som ofta är av betydelse vid kommersiella fastighetsinvesteringar. Om sådana faktorer även har en inverkan på småhuspriserna skulle en bättre kännedom om dessa kunna bidra till mer informerade investeringsbeslut i de fall informationen är förhållandevis tillgänglig. 1.2 Syfte och metod Syftet med denna uppsats är att försöka identifiera faktorer, utöver de rent fastighetsspecifika, som har en påverkan på hur småhuspriserna utvecklas i olika kommuner i Stockholms län. Kan sådana faktorer identifieras skulle det bidra till att förbättra investeringsbesluten för dem som köper småhus inom Stockholms län, genom att också väga in kommunala förutsättningar. Faktorer som ligger till underlag vid bedömning av kommersiella fastighetsinvesteringar är också relevanta vid småhusinvesteringar. De yttre faktorer som ofta bedöms är kommunikationer, befolkningstillväxt, möjlighet till nyproduktion och sysselsättningstillväxt. Vi har valt att modifiera dessa faktorer och göra dem mer tillämpliga för en småhuspris analys. Allmänna kommunikationer tolkar vi som restid till T-Centralen, befolkningstillväxten och sysselsättningstillväxten är uträknade på samma sätt. Stor nyproduktion kan anses som negativ vid kommersiella fastighetsinvesteringar då det utgör ett hot mot det befintliga beståndet. Risken för att en hyresgäst flyttar till modernare lokaler ökar. Nyproduktion av flerbostadshus och småhus bör i vår analys utgöra en positiv faktor då det visar på ökad tillväxt och efterfrågan. Utöver det har vi valt att analysera Sysselsättningstillväxt och förändring i förvärvsinkomst samt boendetäthet. 5

Dessa kommunspecifika faktorer påverkar starkt småhusprisutvecklingen. Genom att skaffa sig kunskap om detta går det att förutspå framtida prisutvecklingar bättre, det vill säga information som över tid avgör hur stor avkastning småhuset förväntas kunna ge vid en framtida försäljning. Detta bör minska riskerna förknippade med ett fastighetsköp samt öka sannolikheten för en gynnsam ekonomisk prisutveckling för innehavaren. 1.3 Problemformulering Stockholms län har präglats av perioder med stor befolkningsinflyttning. Betonas bör efterkrigstiden. Stockholms län hade knappt 600 000 invånare 1945 medan det idag bor över 2 000 000 1. Detta har varit och är fortfarande en stark bidragande orsak till de över tiden stigande fastighetspriserna. Enligt en prognos från SCB 2009 kommer denna trend bestå och Stockholms län förväntas år 2030 bebos av över 2 400 000 personer, alltså en tillväxt på 20 procent. Detta faktum kan innebära fortsatt stigande fastighetspriser, eftersom det inte byggs nytt i den takt som krävs för att hålla priserna konstanta men även på grund av regionens ökade attraktivitet i form av arbetstillfällen etc. Under de senaste 15 åren (1995-2010) har Stockholms län haft en befolkningstillväxt på 19 % medan landet som helhet vuxit med 7 %. Småhuspriserna har under samma period stigit med 240 % i Stockholms län jämfört med 200 % i landet som helhet 2. Bara genom att ha bosatt sig i Stockholms län har man haft en mer fördelaktig prisutveckling på sitt hus än i landet som helhet. Det har alltså varit ett bra investeringsbeslut att bosätta sig i Stockholms län oberoende av fastighetsspecifika faktorer. I och med att en småhusinvestering ofta utgör det enskilt viktigaste och största ekonomiska beslut ett hushåll fattar är det av stor betydelse att det grundas på en noggrann analys. Genom att känna till så många faktorer som möjligt som är av betydelse för småhuspriserna kan man minska den ekonomiska risken i investeringen. Småhus i kommuner som ligger i samma län kan ha olika prisutveckling vilket kan bero på att kommunerna har olika befolkningstillväxt, infrastruktur, arbetsmarknad, framtidsplaner etc. Det här är faktorer som ofta är av betydelse vid kommersiella fastighetsinvesteringar. Denna uppsats avser att undersöka ett antal kommunspecifika faktorers betydelse för prisutvecklingen på småhus. 1.4 Forskningsfråga Prisutvecklingen på småhus skiljer sig avsevärt mellan kommunerna inom Stockholms län över en längre tidsperiod. Forskningsfrågan är vilka faktorer som kan förklara skillnaden mellan småhuspriserna i olika kommuner i Stockholms län? 1 www.scb.se 2 www.swedbank-research.com 6

Kan skillnaderna i prisutveckling delvis förklaras av faktorer såsom kommunala skillnader vilka ofta bedöms vid investeringar i kommersiella fastigheter. Det handlar om befolkningstillväxt, närhet till city, sysselsättningsutveckling, nyproduktion av bostäder etc. 1.5 Avgränsningar Vi har valt att fokusera på perioden 1995-2010. En 15-års period minskar statistikens konjunkturkänslighet. Geografiskt sett har vi avgränsat oss till Stockholms län, det vill säga 25 kommuner. Vi har dock valt bort Nykvarns kommun eftersom den kommunen tillkommit efter 1995. (Tidigare en del av Södertälje kommun). Vi har vidare valt att endast titta på småhusmarknaden och inte bostadsrättsmarknaden då den domineras av Stockholms innerstad. Uppsatsen ämnar ej belysa de makrofaktorer som påverkar fastighetsmarknaden såsom ränteutveckling, BNP tillväxt, inflation samt finansieringsförutsättningar då dessa faktorer är generella och inte kommunspecifika. Figur 1 3 3 www.ksl.se 7

2. Metod 2.1 Allmänt Huvudsakligen finns det två samhällsvetenskapliga forskningsideal, positivism och hermeneutik 4. Positivism är en filosofisk teori, vetenskapsteori och allmän livssyn enligt vilken endast det säkert påvisade kan ligga till grund för bedömningar av vad som är sant och riktigt. Enligt positivismen finns endast två källor till kunskap, det vi kan iaktta med våra sinnen och det vi kan räkna ut med vår logik. Vanliga former av information i hermeneutiska studier är däremot nedskrivna berättelser, transkriberade intervjuer eller protokoll med observationsanteckningar. Undersökningen i denna uppsats syftar till att framhäva betydelsen av vissa faktorer i en kommun och vilken inverkan dessa har för småhusprisutvecklingen i kommunen. Därmed blir studien mer inriktad på fakta och intar huvudsakligen ett empiriskt synsätt, liknande positivismen. Studien behandlar statistik rörande småhuspriser under perioden 1995-2010 i Stockholms läns kommuner samt sju utvalda faktorer som vi bedömt kan ha påverkat småhuspriserna. Ett visst inslag av hermeneutik förekommer i form av intervjuer med företrädare i några utvalda kommuner. Vi har valt att analysera data över perioden 1995-2010. En15-års period innehåller både högoch lågkonjunktur och minskar därmed statistikens konjunkturkänslighet. Vi har hämtat information om småhuspriser i Stockholms läns kommuner samt landet som helhet. Prisutvecklingen i de olika kommunerna har ställts i relation till ett antal faktorer som normalt bedöms vid kommersiella fastighetsinvesteringar. 2.2 Datainsamlingsmetod Datainsamling kan delas in i två delar, primärdata och sekundärdata. Uppsatsen baseras i huvudsak på information som utgörs av sekundärdata. De använda sekundärdata består av data som sammanställts av Lantmäteriet och Statistiska Centralbyrån. Intervjuer är en undersökningsmetod som ingår i primärdata. Denna del utgör ett komplement i undersökningen. Det är via intervjuer vi förstärker vår analys. De primärdata som vi använder oss av kommer från kommunala tjänstemän från tre utvalda kommuner som får anses som experter inom ämnet. 4 Thure n Torsten, Vetenskapsteori för nybörjare 8

2.3 Forskningsmetodik Vi har valt att använda oss av linjära och multipla regressionsanalyser för att kunna utläsa samband mellan olika undersökningsvariabler och prisutveckling. En enkel linjär regressionsmodell innebär att vi analyserar variationen i den oberoende variabeln x med hjälp av en förklarande variabel y. När det finns ett perfekt linjärt samband mellan slumpvariablerna X och Y är korrelationskoefficienten +1 om linjen har en positiv lutning och -1 om lutningen är negativ. Om korrelationskoefficienten är lika med 0 sägs variablerna X och Y ej vara korrelerade. Detta är naturligt eftersom korrelationskoefficienten är ett mått på graden av linjärt samband mellan variablerna 56. Multipel regression är en metod för att skapa en ekvation som beskriver sambandet mellan en beroende variabel och två eller flera oberoende variabler. Multipel och linjär regression innebär också att uppskatta värdet på en beroende variabel genom att välja värden för de oberoende variablerna 7. Ekvationen för multipel regression är: Y' = a + bx 1 + bx 2 +...+bx k där: Y' = Det prognostiserade värdet för Y a = Det uppskattade värdet för Y där regressionslinjen korsar y-axeln. b = Regressionskoefficient för X, genomsnittlig förändring i Y när X ändras med en enhet. X = Är ett värde för en oberoende variabel. k = antalet oberoende variabler Den vanligaste och mest använda metoden vid kvalitativ forskning är intervjuer. Anledningen till att intervju är en välanvänd metod grundar sig främst på dess flexibilitet. Semistrukturerade intervjuer har varit mest lämpliga för denna kandidatuppsats. Detta innebär att intervjun behandlar ett område och frågorna ställs helt utan svarsalternativ. Intervjupersonen kan forma svaren helt fritt, det vill säga genom användning av deras erfarenhet och kunskap som personen besitter. 2.4 Variabler och tid Enligt fastighetstaxeringslagen definieras ett småhus som en bostadsbyggnad avsedd för en eller två familjer. De faktorer som vi valt att analysera är följande: Restid till Stockholms central med befintlig kollektivtrafik 5 Körner S, 2000 Wahlgren, Statistik dataanalys 6 Andersson, G., Jorner U Ågren, Regressions-och tidsserieanalys 7 www.aktiesite.se 9

Befolkningsförändring Förändring förvärvsinkomst Sysselsättningsutveckling Företagsklimat Nyproduktion Småhus Nyproduktion Flerbostadshus Boendetäthet Restiden har vi valt att mäta med kollektivtrafik från respektive kommuns centrum till Stockholms central med hjälp av reseguiden hos SL. Valet görs för att centrum oftast utgör kommunens mittpunkt samt knutpunkt för kollektivtrafik. Befolkningsförändringen mäts som en procentuell förändring under det angivna tidsintervallet. Förvärvsinkomsten utgör den genomsnittliga lönen för en invånare. Förvärvsinkomstutvecklingen och sysselsättningsutvecklingen är mätt på samma sätt som befolkningsförändringen. Företagsklimatet i mått framtaget av Svenskt Näringsliv som ska återspegla en kommuns företagsattraktivitet. Faktorn nyproduktion av småhus och flerbostadshus mäts som ett medeltal under tidsintervallet. För att få fram en pålitlig siffra på volymen kan inte förändringen mätas mellan två tidpunkter då varje år startar på noll. Just nyproduktion är även den mest konjunkturkänsliga faktorn vi har i mätningen. Den kommun med högst nyproduktion är alltså den kommun som i genomsnitt haft högst nyproduktion under tidsintervallet. Vi har baserat vår bedömning rörande vilka faktorer som har haft störts betydelse för prisutvecklingen genom att ställa prisutvecklingen i de olika kommunerna mot hur faktorerna utvecklats i respektive kommun genom en regressionsanalys. Vi har kompletterat analysen med intervjuer med företrädare för tre utvalda kommuner för att få deras syn på vad som påverkat prisutvecklingen. Vilka kommunala åtgärder har en direkt påverkan på småhuspriserna. Är exempelvis dragning av kommunalt VA och förbättrade kommunikationer två åtgärder som direkt påverkar småhusprisutvecklingen? 2.5 Val av respondenter De respondenter som används utgörs av kommunala tjänstemän från Vaxholm, Norrtälje och Tyresö kommun. Dessa kommuner utmärker sig i statistiken från SCB och det är därför mest intressant att intervjua företrädare för dessa kommuner. Företrädare för Tyresö kommun är Anders Lind, exploateringschef i kommunen. Näringslivschefen Dan Löfgren har företrätt Norrtälje kommun och Per Törnvall, kommunchef, har företrätt Vaxholm kommun. 2.6 Källkritik I studien har endast ett fåtal eventuella opålitliga källor påträffats i form av viss litteratur. Övriga källor, exempelvis SCB, bör anses som mycket pålitliga. 10

Metodkritik: vi har bara valt två tidpunkter och analyserat varje år under 15 årsperioden för att få en större datamängd. Denna uppsats har dock inte haft som ambition att bevisa ett starkt samband med olika faktorer utan identifiera faktorer som skulle kunna ha ett samband där både regressionerna och den logiska förklaringen stödjer sambandet. Samband kan vara helt slumpmässiga men en enkel analys kan ge indikationer på områden som kan vara av intresse för en fördjupning. 11

3. Teori Den främsta orsaken till de ökande småhuspriserna sedan 1996 är ökade förvärvsinkomster. De stigande inkomsterna leder till en ökad konsumtionslust och levnadsstandard vilket driver upp priserna på bostäder och skapar flyttkedjor vilket samtidigt leder till bostadsbrist om allt annat hålls konstant. Bostadsbrist på grund av stigande inkomster och ökande boendetäthet kan förklara mer än hälften av den totala prisuppgången på småhus mellan 1996 och 2011 enligt Boverkets rapport Drivs huspriserna av bostadsbrist 8. De låga räntorna har minskat brukarkostnaderna och påverkat husprisutvecklingen positivt i alla län enligt Boverkets rapport. Enligt Boverket innebär en ökad förmögenhet även ökade småhuspriser men att effekten är begränsad. Sammanfattningsvis förklaras 2/3 av husprisuppgången av fundamentala faktorer enligt Boverket. Den resterande 1/3 kan enligt rapporten tillföras den självförstärkande effekten som representerar aktörernas bakåtblickande förväntningar och hur bolånemarknaden i Sverige fungerar. I rapporten skriver Boverket även att den svenska husprisutvecklingen leder till en ökad skuldsättning eftersom lånen tillåts bli större när marknadsvärdet på bostäderna stiger. I länder där bolåneinstituten ej använder bostadens aktuella marknadsvärde som mått för hur stor säkerheten på bolånet är, samt har en mer restriktiv hållning till uttag av eget kapital, har huspriserna och skuldsättningen inte ökat i den takt som skett i Sverige. Med en teoretisk utgångspunkt i hedonisk prissättning är hypotesen att stadskvaliteter av olika slag påverkar betalningsviljan för småhus. En analys av småhusens geografiska placering i relation till sådana stadskvaliteter antas ge prisskillnader mellan olika adresspunkter. Till exempel antas pendlingsmöjligheter, ett sjönära läge liksom tillgång till restauranger och butiker ha en stor inverkan på småhuspriserna 9. 8 Drivs Huspriserna av Bostadsbrist, Marknadsrapport, Boverket 9 Värdering av stadskvaliteter betalningsvilja för småhus, Stockholms läns landsting 12

Norrtälje Danderyd Södertälje Sigtuna Botkyrka Nynäshamn Salem Upplands-Bro Upplands Väsby Lidingö Ekerö Järfälla Vaxholm Värmdö Haninge Täby Österåker Nacka Vallentuna Huddinge Sollentuna Stockholm Tyresö Sundbyberg Solna 4. Resultat och analys Prisutvecklingen på småhus i Stockholms län skiljer sig avsevärt mellan olika kommuner. I följande kapitel kommer vi att analyser huruvida kommunspecifika faktorer, sådana som man normalt analyserar vid kommersiella fastighetsinvesteringar, har inverkat på prisutvecklingen för småhus. För att undersöka om det finns faktorer som har varit särskilt avgörande för kommunernas prisutveckling måste statistik rörande fastighetsprisutveckling undersökas. 4.1 Prisutveckling Småhus Stockholms läns kommuner (ej Nykvarn) (om org) 400% 350% 300% 250% 200% 150% Prisutveckli ng småhus 1995-2010 100% Figur 2 Figur 1 illustrerar prisutvecklingen för småhus under perioden 1995-2010 för Stockholms läns kommuner. Det går att observera ett relativt stort spann mellan den kommunen med lägst prisutveckling och den kommunen med den högsta uppvisade prisutvecklingen. Norrtälje kommun uppvisar lägst prisutveckling, där har småhuspriserna stigit med 185 procent under perioden. I Solna, Sundbyberg och Tyresö kommun har småhuspriserna stigit mest under perioden med 341, 318 och 285 procent vardera. Urvalets genomsnittliga prisökning är 248 procent. Eftersom prisutvecklingen nästan varit dubbelt så hög i Solna som i Norrtälje kan det vara av stort värde för en investerare att känna till om det finns kommunspecifika faktorer som har haft betydelse för prisutvecklingen. 13

Prisökning 4.2 Linjär regressionsanalys 1. Restid till Stockholms central med kollektivtrafik i minuter 400% 350% 300% 250% 200% 150% 100% y = -0,0114x + 2,8886 R² = 0,3043 Restid till T-Centralen Linear (Restid till T-Centralen) 50% 0% 0 20 40 60 80 Minuter Figur 3 Under perioden 1995-2010 visar variabeln restid till Stockholms central ett starkt negativt samband och korrelation. Det betyder att kortare restid till Stockholm central innebär en ökad prisutveckling för småhus. Det finns fyra kommuner som har haft en prisökningstakt på mindre än 200 procent, Norrtälje, Sigtuna, Södertälje samt Danderyd. Tre utav dessa kommuner har en restid som är mer än 50 minuter. Danderyd skiljer sig genom att ha en restid på mindre än 20 minuter men där har sannolikt prisuppgången i procent hämmats av att prisnivån varit relativt hög i absoluta tal redan år 1995. När man hamnar inom ett spann om 15-25 minuters restid till centrum verkar denna faktor inte ha någon större betydelse. Då är det sannolikt de fastighetsspecifika faktorerna som är avgörande. Delar man upp årsintervallet i femårsperioder kan man se att mellan åren 2000-2005 försvagas korrelationen och byter riktning från ett negativt samband till ett positivt samband. Det innebär att prisökning dessa år var större ju längre ifrån Stockholm central den låg. En förklaring till detta kan vara en stor volym av omvandlingar från fritidshus till småhus vilket höjde värdet på husen. I kandidatuppsatsen Prisutveckling på småhus skriven av Fredrik Bynélius undersöks korrelationen mellan avstånd till Stockholm och prisökningstakt. Även denna undersökning ger inget entydigt svar utan pekar på att korrelationen periodvis kan vara positiv för att sedan ändras och bli negativ. Ser vi till hela perioden kan vi konstatera att prisökningen är starkare ju närmare Stockholm huset är beläget. Anledningen till detta kan vara att när huspriserna längre ifrån Stockholm stiger så förloras den mening med att flytta dit för den ekonomiska fördelen. Då kan folk välja att istället bo närmare Stockholm vilket i sin tur driver upp priserna igen. 14

Prisökning 2. Befolkningsförändring 1995-2010 400% 350% 300% 250% 200% 150% 100% 50% y = 1,5915x + 2,1697 R² = 0,1213 % förändring, Befolkning Linear (% förändring, Befolkning ) 0% 0% 10% 20% 30% 40% 50% Befolkningsförändring Figur 4 Figur 3 illustrerar befolkningstillväxten i kommunerna under perioden 1995-2010. Regressionsanalysen visar ett det finns ett positivt samband mellan befolkningstillväxt och prisutveckling, dock inte lika starkt som sambandet som restid. Det finns vissa resultat som uppvisar en sämre korrelation. Det är intressant att Tyresö kommun som uppvisar en mycket hög prisökning under perioden samtidigt uppvisar en relativt låg befolkningsökning på 18 procent. Att jämföra med Värmdö kommun som har haft en befolkningsökning på 47 procent under samma period men inte alls varit med om samma prisökningstakt som Tyresö kommun. Norrtälje kommun uppvisar även här de lägsta siffrorna med 12 procent i befolkningsökning. Hypotesen som säger att de kommunerna med störst befolkningsökning även uppvisar högst prisökning visar ett visst samband men också stora avvikelser. Sambandet kan därmed betraktas som något svagt. 15

Prisökning 3. Arbetslöshetsförändring 1995-2010 400% 350% 300% 250% 200% 150% 100% y = -0,0145x + 2,5383 R² = 0,0019 Arbetslöshet 1995-2010 medel per år Linear (Arbetslöshet 1995-2010 medel per år) 50% 0% 0,0 2,0 4,0 6,0 8,0 Arbestlöshet 1995-2010 medel per år % Figur 5 Figur 4 illustrerar medelarbetslösheten för personer mellan 16-64 år i Stockholms kommuner under åren 1995-2010. Det finns en del av befolkningen som är i arbetsför ålder men som står utanför arbetskraften av olika anledningar. Regressionsanalysen visar nästan ingen korrelation. Vid analys av arbetslösheten år för år ser man att kommunernas arbetslöshet följer samma mönster under hela tidsperioden. Det är också samma kommuner som har högst arbetslöshet år 2010 som år 1995, samma sak gäller för lägst arbetslöshet. Arbetslösheten mellan kommunerna har varit i princip densamma under tidsperioden vilket förklarar den svaga korrelationen. Dock kan vi utläsa att de två kommuner med högst medelarbetslöshet, Södertälje och Botkyrka, också haft svag prisutvecklingen för småhus. 16

Prisökning 4. Ökning förvärvsinkomst 1995-2010 400% 350% 300% 250% 200% 150% 100% 50% y = 1,2799x + 1,7964 R² = 0,0778 % förändring, Förvärvsinkomst Linear (% förändring, Förvärvsinkomst) 0% 0% 20% 40% 60% 80% Förändring förvärvsinkomst Figur 6 Ett svagt samband går att skönja mellan en ökad förvärvsinkomst i en kommun och en positiv prisutveckling på småhus men det framstår inte som en betydelsefull faktor. Exempel är Danderyd och Vaxholm som båda upplevt en mycket stark förvärvsinkomstökning bland sina invånare men samtidigt inte upplevt en lika stark småhusprisuppgång under samma period. Detta kan med största sannolikhet bero på att kommunerna har haft höga småhuspriser under en längre tid vilket gjort att den procentuella uppgången i småhuspriser är mindre än för övriga kommuner. Skulle man exkludera dessa två kommuner skulle sambandet öka något men endast marginellt. De kommuner som uppvisar snabbast tillväxt i förvärvsinkomst är de kommuner som också uppvisar har högst småhuspriser. Dessa sex kommuner (Danderyd, Lidingö, Nacka, Stockholm, Vaxholm och Solna) hade ett genomsnittspris på småhus uppgående till 5,7 miljoner kronor år 2010. Genomsnittspriset för småhus i hela länet år 2010 var 3,8 miljoner kronor. 17

Prisökning 5. Nyproduktion av flerbostadshus 1995-2010 medel per år 400% 350% 300% 250% 200% 150% 100% 50% y = 0,003x + 2,2237 R² = 0,353 Nyproduktion flerbostadshus,1995-2010 medel per år Linear (Nyproduktion flerbostadshus,1995-2010 medel per år) 0% 0 100 200 300 400 Nyproduktion flerbostadshus Figur 7 Det finns ett starkt positivt samband mellan nyproduktion av flerbostadshus och småhusprisutveckling i Stockholms län enligt figur 5. Regressionsanalysen antyder att i de kommuner där den största nyproduktionen av flerbostadshus skett, har även småhuspriserna ökat mest. Det vore naturligt att tro tvärtom, att produktion av flerbostadshus håller tillbaka prisökningstakten då utbudet av bostäder ökar. Här framstår det som ett omvänt samband, det vill säga att en kraftig småhusprisökning attraherar nybyggnation till följd av att kommunen anses som populär och därmed minskar riskerna vid nybyggnation av felrbostadshus. Nyproducerade flerbostadshus i en kommun kan alltså förklara ett starkt intresse för att bosätta sig i en kommun, därmed bör den betraktas som en intressant indikator vid val av kommun. 18

Prisökning 6. Nyproduktion småhus 1995-2010 medel per år 400% 350% 300% 250% 200% 150% 100% 50% y = 0,0007x + 2,4323 R² = 0,0057 Nyproduktion småhus 1995-2010, medel per år Linear (Nyproduktion småhus 1995-2010, medel per år) 0% 0 50 100 150 200 Nyproduktion småhus Figur 8 Sambandet mellan nyproduktion av småhus i en kommun och småhusprisutveckling är näst intill obefintligt. Hypotesen om att ökad småhusproduktion i en kommun också lett till ökade småhuspriser kan därmed förkastas. Man kan tycka att en ökad småhusbyggnation bör indikera på ett ökat intresse för småhus i en kommun och därför leda till ökade priser. En förklaring till att det inte är så kan vara att småhus marknaden i Stockholms län är så pass attraktiv så att man bygger på spekulation utan hänsyn till kommunspecifika faktorer. Det finns alltid en efterfrågan på småhus i Stockholm men inte tillräckligt hög för att påverka priserna markant. 19

Prisökning 7. Genomsnittligt företagsklimat 2004-2010 400% 350% 300% 250% y = -0,0021x + 2,6552 R² = 0,1486 200% 150% 100% Företagsklimat snitt 2004-2010 Linear (Företagsklimat snitt 2004-2010) 50% 0% 0,0 50,0 100,0 150,0 200,0 250,0 Företagsklimat Figur 9 På grund av bristande underlag och data för perioden 1995-2010 har intervallet 2004-2010 använts, vilket gör underlaget något bristfälligt. Vi har dock valt att använda underlaget då vi anser det vara intressant och relevant. Företagsklimatet i en kommun är en ranking som Svenskt Näringsliv tar fram varje år. Rankingen innehåller totalt 18 faktorer som viktas olika tungt. Den tyngst vägande delen i rankingen är företagens uppfattning om Det sammanfattande omdömet om företagsklimatet i kommunen. Den frågan utgör en tredjedel av rankingen. De frågor som var och en utgör 1/18 av rankingen är: Service till företagen, Tillämpning av lagar och regler, Konkurrens från kommunens verksamheter samt Tillgång på arbetskraft med relevant kompetens. Fem delfrågor om attityder utgör tillsammans 1/18 och två infrastrukturfrågor utgör ytterligare 1/18 10. Regressionen visar att det finns ett visst samband mellan dessa två faktorer. Ett starkt företagsklimat i en kommun bidrar till kommunens attraktivitet. 10 www.svensktnaringsliv.se 20

prisökning 8. Boendetäthet 2006-2010 400% 350% 300% 250% 200% 150% 100% 50% y = -0,4314x + 3,4999 R² = 0,0794 Boendetäthet, medel 2006-2010 Linear (Boendetäthet, medel 2006-2010) 0% 0,00 0,50 1,00 1,50 2,00 2,50 3,00 Boendetäthet Figur 10 På grund av bristande underlag och data för perioden 1995-2010 har intervallet 2006-2010 använts, vilket gör underlaget något bristfälligt. Vi har dock valt att använda underlaget då vi anser det vara intressant och relevant. De tre kommuner med lägst boendetäthet är också de tre kommunerna som visar starkast prisutveckling. Det är dock svårt att utläsa ett direkt samband mellan boendetätheten och prisutvecklingen. Många kommuner har ett större bestånd av flerbostadshus vilket ökar kommunens boendetäthet. I övrigt går det ej att utläsa några signifikanta samband mellan dessa variabler. Boendetätheten är ej en avgörande faktor för övriga kommuners prisutveckling bortsett från Solna, Sundbyberg och Stockholm som har visat sig vara undantag. 21

4.3 Multiple regressionsanalys I vår multipla regressionsanalys har vi valt att jämför de faktorer som har haft starkast linjär korrelation med prisutvecklingen. Vi har gjort tre multipla regressioner; Förändring befolkning och förändring förvärvsinkomst, nyproduktion flerbostadshus och nyproduktion småhus, restid till T-Centralen och förändring befolkning. 1. Förändring befolkning och förändring förvärvsinkomst SUMMARY OUTPUT Regression Statistics Multiple R 0.392 R Square 0.153 Adjusted R Square 0.076 Standard Error 0.361 Observatio ns 25 ANOVA df SS MS F Significance F Regression 2 0.521 0.260 1.992 0.160 Residual 22 2.875 0.131 Total 24 3.396 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower Upper 95.0% Intercept 1.7586 0.4894 3.5932 0.0016 0.7436 2.7736 0.7436 2.7736 % förändring, Befolkning 1.3222 0.9437 1.4011 0.1751-0.6349 3.2793-0.6349 3.2793 förändring, Förvärvsin komst 0.8645 0.9477 0.9123 0.3715-1.1008 2.8299-1.1008 2.8299 Figur 11 Y=BO+B1X1+B2X2 Y=1,76+1,32X1+0,86X2 Sambandet mellan dessa två faktorer och prisutvecklingen anses som mycket svagt enligt vår regression. Vi har ett förklaringsvärde på cirka 15% vilket indikerar på mycket låg trovärdighet i resultatet. Endast 15% av resultatet kan förklaras av de oberoende variablerna. Vidare visar regressionen på låga T-värden. T-stat värdet är ett mått på signifikans hos koefficienten. När t-värdet är högre än 1,96 eller lägre än -1,96 så är koefficienten signifikant på 95-procentsnivån, det vill säga att signifikansvärdet är lägre än 0.05 11. I våra förklarande variabler är inget av värdena högre eller lägre än ± 1,96. Vi får följande ekvation: Y=1,76+1,32X1+0,86X2. 11 www.spssakuten.wordpress.com 22

2. Nyproduktion flerbostadshus och nyproduktion småhus. SUMMARY OUTPUT Regression Statistics Multiple R 0.543 R Square 0.295 Adjusted R Square 0.231 Standard Error 0.330 Observations 25 ANOVA df SS MS F Significanc e F Regression 2 1.0011 0.5006 4.5991 0.0214 Residual 22 2.3945 0.1088 Total 24 3.3956 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0% Intercept 2.20393 0.15806 13.94370 0.00000 1.87613 2.53172 1.87613 2.53172 Nyproduktion flerbostadshus,199 5-2010 medel per år 0.0027 0.0009 3.0035 0.0065 0.0008 0.0046 0.0008 0.0046 Nyproduktion småhus 1995-2010, medel per år 0.0009 0.0017 0.5474 0.5896-0.0026 0.0044-0.0026 0.0044 Figur 12 Y=BO+B1X1+B2X2 Y=2,20+0,01X1+0,001X2 Sambandet mellan dessa två faktorer och prisutvecklingen anses också som mycket svagt enligt vår regression. Vi har ett förklaringsvärde på 29%. T-värdet för flerbostadshus överstiger dock 1,96 och anses därför som signifikant medan T-värdet för småhus är cirka 0,5 och uppfyller inte kravet för 95-procentsnivån. Vi får följande ekvation: Y=2,20+0,01X1+0,001X2 23

3. Förändring befolkning och restid till T-Centralen. SUMMARY OUTPUT Regression Statistics Multiple R 0.658 R Square 0.432 Adjusted R Square 0.381 Standard Error 0.296 Observations 25 ANOVA df SS MS F Significanc e F Regression 2 1.4680 0.7340 8.3774 0.0020 Residual 22 1.9276 0.0876 Total 24 3.3956 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0% Intercept 2.5706 0.1944 13.2230 0.0000 2.1674 2.9737 2.1674 2.9737 Restid till T- Centralen 1.1553 0.3328 3.4717 0.0022 0.4652 1.8455 0.4652 1.8455 % förändring, Befolkning 1.6351 0.7341 2.2275 0.0365 0.1128 3.1574 0.1128 3.1574 Figur 13 Y=BO+B1X1+B2X2 Y=2,57+1,56X1+1,64X2. Förändring befolkning och restid till T-Centralen är den regression som visar starkast samband. Vi har ett förklaringsvärde på 43%. I detta fall har vi starka T-värden som anger att koefficienten är signifikant på 95-procentsnivån. Sammanfattningsvis kan sägas att det finns ett samband mellan kommuner med närhet till Stockholm City och med stark befolkningstillväxt och ökningen av småhuspriser. Vi får följande ekvation: Y=2,57+1,56X1+1,64X2. 24

4.4 Övriga faktorer Vi har valt att intervjua tre utvalda kommuner för att höra hur deras syn på småhusprisutvecklingen är. Genom att kontakta kommunerna kan man få ytterligare information som kan vara av betydelse för småhusens prisutveckling. Nedan följer en sammanställning av tre intervjuer. Enligt Anders Lind, exploateringschef i Tyresö kommun, finns det ett flertal faktorer som ligger bakom kommunens positiva småhusprisutveckling under perioden. Kommunens utbyggnad av det kommunala VA-systemet har betytt mest för fastighetspriserna hävdar Lind. Utbyggnaden har främst gynnat sjönära fastigheter som länge enbart har använts för fritidshusändamål. Dessa sjönära fastigheter har efter anslutning till det kommunala VAsystemet ombildats till potentiella småhus vilket har resulterat i en kraftig prisstegring. Enligt Lind har en så kallad gräddhylla skapats med mycket höga fastighetspriser. Lind hävdar även att kommunen har gynnats av grannkommunen Nackas kraftiga expansion under perioden. Det har uppstått en dominoeffekt som har gynnat Tyresö kommun starkt i form av stigande fastighetspriser. Anledningen till utbyggnaden av det kommunala VA-systemet sägs vara de miljömässiga vinsterna som uppstår. På grund av att många fritidshusområden har omvandlats till permanentboenden i kommunen har de äldre systemens belastning ökat vilket resulterar i att en utbyggnad av avloppssystemen blivit nödvändig. Det är intressant att Tyresö kommun som nästan uppvisar störst prisökning under perioden samtidigt uppvisar en relativt låg befolkningsökning på 18 procent. Detta kan förklaras av den teori som framförs av kommunföreträdaren Lind, nämligen att utbyggnaden av VA-systemet samt grannkommunen Nackas expansion haft en positiv påverkan på småhuspriserna i Tyresö. Norrtälje kommuns näringslivschef Dan Löfgren nämner flera unika faktorer som har påverkat kommunens småhusprisutveckling. Enligt Löfgren är faktumet att Norrtälje kommun ligger långt från regioncentrum det mest avgörande för periodens prisutveckling. Han menar även att kommunens norra del som utgörs av i huvudsak skärgård inte ingår i någon av Stockholmsregionens lokala arbetsmarknader, vilket återspeglar sig i statistiken. Kommunens mycket stora fastighetsbestånd utgör även en grund till varför prisutvecklingen inte varit lika stark som i kommuner med mindre fastighetsbestånd. Sammanfattningsvis menar Löfgren att kommunen under större delen av den undersökta perioden inte varit en fullt integrerad del av Stockholmsregionen utan snarare en glesbygd med en svag lokal arbetsmarknad. De insatser som nu görs från kommunens sida handlar om VA-utbyggnad för att kunna ge människor möjlighet att bygga ut sina hus till en standard som gör att de väljer att bo permanent i kommunen hävdar Löfgren. För kommuner som är belägna i utkanten av Stockholms län är VA-utbyggnad den enskilt viktigaste parametern för ökade småhuspriser menar Löfgren. Enligt Per Törnvall, kommunchef i Vaxholms stad, finns det flera skäl till den starka prisutvecklingen under perioden. Som huvudskäl anges det faktum att kommunen ligger mitt i hjärtat av Stockholms skärgård med stora orörda naturområden, exempelvis Bogesundslandet. De utmärkta kommunikationerna till Stockholm city som nås med buss, båt och bil inom en 25

1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 timme kan antas utgöra den primära orsaken. Därutöver menar Örnvall att kommunens attraktivitet uppmuntrar till en kontinuerlig omvandling från fritidshus till permanentboenden, bland annat på den bilbundna ön Resarö, vars utveckling accentueras när områdena detaljplaneras för kommunalt VA-system. I de tre kommuner där vi har gjort djupintervjuer framkommer samma infrastrukturinvestering, utbyggnad av kommunalt vatten och avlopp, som väsentlig för småhusprisutvecklingen. Vi har analyserat den här frågan ytterligare. Vid studerandet av småhus och fritidshuspriser går det att utläsa ett mönster gällande prisskillnader på de olika hustyperna i respektive kommun. Figur 4,5,6 visar hur differensen mellan småhuspriser och fritidshuspriser i Tyresö, Vaxholm och Norrtälje kommun har utvecklats under perioden 1995-2010. 70% 60% 64% 50% 47% 40% 30% 20% 10% 34% 26% 34% 27% 28% 30% 29% 25% 23% 21% 19%19% 14% 12% Prisdifferens mellan småhus och fritidshus i Tyresö kommun 1995-2010 0% Figur 14 26

1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 60% 87% 48% 67% 74% 56% 42% 57% 59% 42% 22% 17% 44% 23% 7% 8% Prisdifferens mellan småhus och fritidshus i Vaxholm kommun 1995-2010 Figur 15 70% 60% 50% 52% 63% 59% 61%64% 60% 58% 56% 53% 54% 50% 47% 48% 40% 30% 20% 39% 42% 40% Prisdifferens mellan småhus och fritidshus i Norrtälje kommun 1995-2010 10% 0% Figur 16 Som figurerna visar minskar skillnaderna mellan hustyper i de kommuner där priserna ökat mest medan skillnaden hålls relativt konstant i kommuner där priserna har ökat minst under perioden. Det är en intressant utveckling vilket tyder på att fastighetstyperna i de kommuner där småhuspriserna stigit mest närmar sig varandra. Anledningen till detta måste vara att hustyperna anses näst intill likvärdiga. Detta beror på utbyggnaden av VA-systemen vilket innebär att fritidshus även blir användbara som permanenta småhus och därmed nästintill likvärdiga. 27

5. Slutsats Denna uppsats har redogjort för sambanden mellan olika faktorer och kommuners fastighetsprisökningar. Vi konstaterar att det finns ett signifikant samband mellan restid till centrum och prisökning. Det finns även ett starkt samband mellan kommuners befolkningstillväxt och dess småhusprisutveckling. Nyproduktion av flerbostadshus i kommuner verkar även ha en stark påverkan på prisutvecklingen i respektive kommun. Anledningen till att kommuner som bygger många flerbostadshus även uppvisar stora småhusprisuppgångar torde vara att kommunen anses som attraktiv att bo i. Det är alltså ingen direkt följd av byggandet i sig utan snarare en följd av kommunens attraktivitet i stort. Faktorn företagsklimat påvisar också ett samband med småhusprisutvecklingen. Även företagsklimatet är ett mått på en kommuns attraktivitet vilket också avspeglas i småhusprisernas utveckling. De variabler som förkastas och inte visat någon direkt korrelation till kommuners småhusprisutveckling är boendetäthet, arbetslöshet, förvärvsinkomstutveckling samt nyproduktion av småhus. En stark bidragande faktor till kommuners småhusprisutveckling kan, förutom omvärldsfaktorer samt tidigare nämnda variabler, vara kommunala åtgärder såsom nyanslutning till ett kommunalt avloppsystem. Kommunikationer och en fungerande arbetsmarknad är också mycket avgörande. Den kommun som har haft den största befolkningsökningen behöver inte nödvändigtvis uppvisa den högsta prisökningen i en jämförelse med andra kommuner, dock finns starka samband. Kommuner med kortast restid till Stockholm uppvisar de högsta småhuspriserna och mycket tyder på att de även i fortsättningen kommer att öka mest. I samtliga jämförda kommuner minskar prisskillnaden mellan fritidshus och småhus. I de kommunerna med stört prisuppgång på fritidshus minskar skillnaden mellan småhuspriser och fritidshuspriser markant. Från en 70-80 procentig skillnad år 1995 till en knapp 10 procentig skillnad år 2010. En blivande småhusköpare har mycket att tjäna på att grundligt undersöka förutsättningarna i de olika kommunerna. Genom att analysera vissa kommunspecifika faktorer samt undersöka kommuners utveckling historiskt samt framtida planer, ökar chansen för en bra avkastning på ens småhusinvestering. 28

Källor Tryckta källor Andersson Sten, (1979), Positivism kontra hermeneutik, Korpen, Göteborg. Andersson, G, Jorner U Ågren, (2007), regressions-och tidsserieanalys, Studentlitteratur: Lund, 3:e upplagan. Bynélius, Fredrik, (2005), Prisutveckling på småhus: Var maximeras avkastningen, Kandidatuppsats, Stockholms universitet. Thure n Torsten, (2004), Vetenskapsteori för nybörjare, Liber, Första Upplagan, Körner S, Wahlgren, (2000), Statistik dataanalys, 3:e upplagan, Boverket, (2013), Drivs huspriserna av bostadsbrist, Marknadsrapport. Stockholms läns landsting, (2011), Värdering av stadskvaliteter betalningsvilja för småhus. Webb källor http://www.scb.se/pages/vislet 337348.aspx http://spssakuten.wordpress.com/2010/09/17/guide-tolka-standardfel-i-regressionsanalys/ http://www.aktiesite.se/statistik/regression/multipel_regression.htm http://www.swedbank-research.com/swedish/boindex/2012/k1/boindex_2012_q1.pdf http://www.ksl.se/svenska/vara-uppdrag/andra-verksamheter-inomksl/vuxenutbildningsregion-i-stockholms-lan.html http://www.svensktnaringsliv.se/fragor/foretagsklimat/metod-for-rankingen_12679.html Intervjuer Telefonintervju: Anders Lind, Tyresö Kommun 2012-05-15 Telefonintervju: Dan Löfgren, Norrtälje Kommun 2012-05-07 Telefonintervju: Per Törnvall, Vaxholm Kommun 2012-05-07 29

Bilagor Data till regressioner Kommun % förändring, småhuspriser år 1995-2010 Restid till T-Centralen % förändring 1995-2010, Befolkning % förändring 1995-2010, Förvärvsinkomst Botkyrka 219% 42 19% 45% Danderyd 188% 14 9% 69% Ekerö 242% 39 22% 56% Haninge 253% 36 17% 47% Huddinge 273% 16 26% 47% Järfälla 246% 39 13% 43% Lidingö 241% 16 13% 61% Nacka 262% 20 28% 63% Norrtälje 185% 73 12% 55% Nynäshamn 228% 64 14% 44% Salem 230% 48 20% 52% Sigtuna 195% 61 20% 44% Sollentuna 277% 16 18% 58% Solna 341% 20 25% 62% Stockholm 280% 0 19% 60% Sundbyberg 318% 20 21% 53% Södertälje 191% 52 15% 38% Tyresö 285% 25 17% 52% Täby 257% 29 8% 58% Upplands Väsby 238% 27 8% 46% Upplands-Bro 232% 40 18% 49% Vallentuna 273% 48 28% 57% Vaxholm 246% 49 33% 69% Värmdö 247% 37 44% 59% Österåker 261% 55 23% 57% Kommun Nyproduktion flerbostadshus,1995-2010 medel per år Nyproduktion småhus 1995-2010, medel per år Företagsklimat snitt 2004-2010 Botkyrka 64 105 175.0 Danderyd 28 22 6.8 Ekerö 8 89 157.3 Haninge 93 91 72.7 Huddinge 151 148 77.7 Järfälla 121 75 28.8 30

Lidingö 92 47 17.8 Nacka 210 127 7.0 Norrtälje 55 41 119.3 Nynäshamn 27 33 180.8 Salem 26 33 99.3 Sigtuna 72 59 23.6 Sollentuna 94 107 4.1 Solna 360 3 1.4 Stockholm 131 75.2 Sundbyberg 91 15 14.3 Södertälje 64 96 181.3 Tyresö 46 75 43.6 Täby 76 89 13.8 Upplands Väsby 42 43 16.7 Upplands-Bro 50 31 185.0 Vallentuna 53 98 75.7 Vaxholm 8 39 158.0 Värmdö 61 93 191.6 Österåker 67 117 120.7 Kommun Boendetäthet, medel 2006-2010 Förvärvsarbetande 16+ år med arbetsplats i regionen Arbetslöshet 1995-2010 medel % per år Botkyrka 2.50 31% 6.4 Danderyd 2.44 18% 2.1 Ekerö 2.75 35% 2.4 Haninge 2.36 30% 4.8 Huddinge 2.44 42% 4.3 Järfälla 2.27 20% 4.3 Lidingö 2.16 27% 2.3 Nacka 2.43 16% 3.5 Norrtälje 2.23 14% 3.9 Nynäshamn 2.21 32% 3.7 Salem 2.50 40% 3.4 Sigtuna 2.31 16% 4.2 Sollentuna 2.42 19% 3.6 Solna 1.84 26% 4.1 Stockholm 1.88 17% 5.0 Sundbyberg 1.91 18% 4.9 Södertälje 2.20 18% 6.4 Tyresö 2.56 29% 3.4 Täby 2.40 14% 2.7 Upplands Väsby 2.21 15% 4.2 Upplands-Bro 2.39 34% 3.7 Vallentuna 2.58 24% 2.6 Vaxholm 2.53 29% 2.4 Värmdö 2.85 28% 3.2 Österåker 2.55 26% 3.0 31

Multipla regressioner Regression 1: Förändring befolkning och förändring förvärvsinkomst SUMMARY OUTPUT Regression Statistics Multiple R 0.392 R Square 0.153 Adjusted R Square 0.076 Standard Error 0.361 Observatio ns 25 ANOVA df SS MS F Significance F Regression 2 0.521 0.260 1.992 0.160 Residual 22 2.875 0.131 Total 24 3.396 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower Upper 95.0% Intercept 1.7586 0.4894 3.5932 0.0016 0.7436 2.7736 0.7436 2.7736 % förändring, Befolkning 1.3222 0.9437 1.4011 0.1751-0.6349 3.2793-0.6349 3.2793 förändring, Förvärvsin komst 0.8645 0.9477 0.9123 0.3715-1.1008 2.8299-1.1008 2.8299 RESIDUAL OUTPUT Y=BO+B1X1+B2X2 Y=1,76+1,32X1+0,86X2 Predicted % förändring, småhuspris Observatio n er år 1995-2010 Residuals 1 2.3949-0.2028 2 2.4773-0.5969 3 2.5323-0.1077 4 2.3962 0.1342 5 2.5075 0.2269 6 2.3025 0.1544 7 2.4540-0.0406 8 2.6748-0.0508 9 2.3824-0.5293 10 2.3282-0.0521 11 2.4676-0.1667 12 2.3974-0.4435 13 2.5031 0.2652 14 2.6281 0.7785 15 2.5319 0.2632 16 2.4976 0.6834 17 2.2893-0.3750 18 2.4359 0.4162 19 2.3686 0.1978 20 2.2668 0.1125 21 2.4198-0.1035 22 2.6307 0.0963 23 2.7992-0.3374 24 2.8522-0.3811 25 2.5522 0.0589 32

Regression 2: Nyproduktion flerbostadshus och nyproduktion småhus SUMMARY OUTPUT Regression Statistics Multiple R 0.543 R Square 0.295 Adjusted R Square 0.231 Standard Error 0.330 Observations 25 ANOVA df SS MS F Significanc e F Regression 2 1.0011 0.5006 4.5991 0.0214 Residual 22 2.3945 0.1088 Total 24 3.3956 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0% Intercept 2.20393 0.15806 13.94370 0.00000 1.87613 2.53172 1.87613 2.53172 Nyproduktion flerbostadshus,199 5-2010 medel per 0.0027 0.0009 3.0035 0.0065 0.0008 0.0046 0.0008 0.0046 Nyproduktion småhus 1995-2010, medel per år 0.0009 0.0017 0.5474 0.5896-0.0026 0.0044-0.0026 0.0044 Y=BO+B1X1+B2X2 Y=2,20+0,01X1+0,001X2 RESIDUAL OUTPUT Observation Predicted % förändring, småhuspriser år 1995-2010 Residuals 1 2.47-0.28 2 2.30-0.42 3 2.31 0.12 4 2.54-0.01 5 2.75-0.02 6 2.60-0.15 7 2.50-0.08 8 2.89-0.27 9 2.39-0.54 10 2.31-0.03 11 2.30 0.00 12 2.45-0.50 13 2.56 0.21 14 3.18 0.22 15 2.33 0.47 16 2.47 0.72 17 2.47-0.55 18 2.40 0.45 19 2.49 0.07 20 2.36 0.02 21 2.37-0.05 22 2.44 0.29 23 2.26 0.20 24 2.46 0.01 25 2.49 0.12 33

Regression 3: Nyproduktion flerbostadshus och nyproduktion småhus SUMMARY OUTPUT Regression Statistics Multiple R 0.658 R Square 0.432 Adjusted R Square 0.381 Standard Error 0.296 Observations 25 ANOVA df SS MS F Significanc e F Regression 2 1.4680 0.7340 8.3774 0.0020 Residual 22 1.9276 0.0876 Total 24 3.3956 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0% Intercept 2.5706 0.1944 13.2230 0.0000 2.1674 2.9737 2.1674 2.9737 Restid till T- Centralen 1.1553 0.3328 3.4717 0.0022 0.4652 1.8455 0.4652 1.8455 % förändring, Befolkning 1.6351 0.7341 2.2275 0.0365 0.1128 3.1574 0.1128 3.1574 RESIDUAL OUTPUT Y=BO+B1X1+B2X2 Y=2,57+1,56X1+1,64X2. Observation Predicted % förändring, småhuspriser år 1995-2010 Residuals 1 2.39-0.20 2 2.56-0.68 3 2.48-0.05 4 2.44 0.09 5 2.81-0.08 6 2.33 0.13 7 2.59-0.18 8 2.80-0.18 9 1.92-0.06 10 2.06 0.21 11 2.34-0.04 12 2.19-0.23 13 2.69 0.08 14 2.75 0.65 15 2.88-0.09 16 2.69 0.49 17 2.22-0.31 18 2.56 0.29 19 2.37 0.19 20 2.39-0.02 21 2.41-0.09 22 2.48 0.25 23 2.55-0.09 24 2.87-0.40 25 2.31 0.30 34