Hedonisk prismodell

1. Hedoniskprismodell Föreläsning Lund, 21 februari 2013 Mats Wilhelmsson Centrum för bank och finans (KTH) Institutet för bostadsforskning (Uppsala universitet)

2. 21 februari 2013 • Förmiddag • Föreläsning två artiklar • Eftermiddag • Presentation av fem artiklar • Två grupper

3. (1) Varför använda sig av hedonisk metodik? • Värdera kostnader och nyttigheter • Alla varor och nyttigheter har inte ett (explicit) pris. Vi måste skatta ett (implicit) pris • Två metoder • ”revealed preference” metod • fastighetsmarknaden • ”stated preference” metod • frågeformulär

4. (2) Varför använda sig av hedonisk metodik? Som värderingsmodell • Vi önskar ta fram ett förväntat pris på en fastighet mha historisk prisinformation.

5. (3) Varför använda sig av hedonisk metodik? • Skatta prisutvecklingen på bostadsmarknaden mha historisk prisinformation www.valueguard.se

7. Gemensamt • Regressionsanalys • Kontrollera för att fastigheter • ser olika ut • ligger på olika platser • har sålts vid olika tidpunkter

8. Prisvariation i rummet • Varför varierar fastighetspriser i rummet? • Dvs. hur kan vi förklara priset om vi använder oss av tvärsnittsdata? • Egenskaper • Fastighetsknutna • Storlek, kvalitet, ålder • Områdesknutna (läget, läget, läget) • Positiva och negativa externa effekter • Förekomst av kollektiva varor • Segmenterad marknad • Relationen mellan fastighetens pris och fastighetens egenskaper skattas mha den sk hedoniska regressionen.

9. Den hedoniska regressionen • Den hedoniska regressionsmodellen är baserad på den hedoniska värdemodellen där vi antar att fastighetens pris är en funktion av fastighetens egenskaper. • Den hedoniska regressionen kontrollerar för skillnader i egenskaper mellan fastigheter genom att sätta ett värde på dessa skillnader. • Dvs. vi skattar implicita (hedoniska) priser på egenskaperna. • Haas (1922), Court (1937) och Rosen (1974)

10. Den hedoniska regressionsmodellen • Egenskaper(Z) • Fastighetsknutna(F) • Områdesknutna (O) • Tidsbundna (T)

11. Den hedoniska teorin Skattade parametrar (koefficienter) i den hedoniska ekvationen är lika med den marginella betalningsviljan , dvs. de hedoniska priserna är lika med hur mycket vi är villiga att offra av andra varor för att få egenskaperna.

12. Den hedoniska teorin • Första steget: estimera P(Z) • Andra steget: estimera • Det andra steget ger oss • Egenpriselasticitet • Inkomstelasticitet Price z

13. När är den använd? • Värdering/fastighetstaxering • Ersättning • Skatta betalningsviljan på egenskaper • Områdesegenskaper • Golfbanor, högspänningsledningar, sjöutsikt, detaljplaner, närhet till vägar (buller) etc • Fastighetsegenskaper • Storlek, kvalitet, antal rum • Tiden • Indexkonstruktion

14. Artikel 1:“The Impact of Traffic Noise on the Values of Single-family Houses” • Buller är något man är tar hänsyn till i planering av bostäder och infrastruktur. • Buller är ett av de miljöproblem som är högst rankat i samhället. • Trafik är den vanligaste källan till buller. • Nästan 1,6 miljoner människor i Sverige är påverkade av buller i sin hem. Knappt 20% av dessa bor i bostäder där bullernivån är mer än 65 dBA. • “The objective of the paper is to provide an empirical analysis of the impact traffic noise have on the values of single-family houses.”

15. Buller och störning • 0 decibel gränsen för vad ett friskt öra kan uppfatta • 10 decibel mänsklig andning på 3 meters avstånd • 20 decibel viskningar • 50 decibel kraftigt regn • 60 decibel normalt samtal • 70 decibel vältrafikerad gata på 5 meters avstånd • 75 decibel tvättmaskin • 80 decibel dammsugare på 1 meters avstånd • 85 decibel stadstrafik • 90 decibel hårtork, gräsklippare • 100 decibel traktor, slagborr på 2 meters avstånd • 110 decibel konsert, motorsåg på 1 meters avstånd • 120 decibel ambulans, knall från åska • 130 decibel gränsen för smärta • 140 decibel fyrverkeri, gevärsskott på 1 meters avstånd • 150 decibel jetmotor på 30 meters avstånd, kan orsaka fysisk skada • 200 decibel människor kan dö

16. Design av studien • Under antagandet att negativa externa effekter kapitaliseras i fastighetspriserna så har jag använt en hedonisk modell. • Mikrostudie (area 300 x 300 meter) • Förort till Stockholm (Bromma) • 1986-1995 • Närhet till en större väg (Bergslagsvägen) • Ungefär 300 fastigheter har sålts under perioden av totalt 1000 (vissa har sålts flera gånger) • (30% omsättning på 10 år) • Resultat: Närhet till genomfartsvägen kapitaliseras i fastighetspriserna upp till 30 %.

17. 300 meter 1000 meter NA SA

18. Oberoende variabler

19. Bullervariabeln

20. Ekonometrisk analys • Modelspecifikation Price = b0 + b1. living area + b2. lot size + b3. age + b4. quality + b5. corner + b6. park + b7. FPI + b8. HV + b9. BBV + b10. VV + b11. SA + b12. SAliving area + b13. SAquality + b14. SAnoise + b15. SAlot size + b16. noise + b17. Noiseexp + ei • Log-linjär specification

21. Resultat

22. Resultat

23. Sammanfattning • Bullereffekten är stor. • Statistiskt och ekonomiskt signifikant • Den empiriska analysen tyder på att i genomsnitt så minskar värdet på en fastighet med 0,6% per decibel eller med hela 30% om vi jämför en fastighet som är utsatt för buller med en som inte är det. • Den samhällsekonomisk nyttan att slippa buller värdera till 8000 kronor per person och år vid ljudnivåer över 72 dBA.

24. Artikel 2:The Impact of Crime on Apartment Prices: Evidence of Stockholm, Sweden VaniaCeccato and Mats Wilhelmsson Royal Institute of Technology Stockholm, Sweden

25. Crime rates, Stockholm

26. Residential burglary, 2008

27. Introduction • Researchers have long suggested that high crime levels make communities decline. • This decline may translate into an increasing desire to move, weaker attachments of residents and lower house values. • This is because buyers are willing to pay more for living in neighbourhoods with lower crime rates or, alternatively, buyers expects discounts for purchasing properties in neighbourhoods with higher crime rates.

28. Introduction • International literature, that is heavily based on North American and British evidence, shows somewhat inconclusive findings. • Little empirical evidence exists under the Swedish conditions. • This study aims at assessing the impact of crime on apartment prices using Stockholm City as study area.

29. Contributions • This analysis explores a set of land use attributes created by spatial techniques in hedonic pricing modelling. • If a low crime area is surrounded by high crime, then criminogenic conditions at that area may be underestimated because of the high levels of crime in neighbouring zones. • GIS and spatial statistics techniques are used to tackle this problem, so the neighbourhood structure is added to the model to capture crime conditions at each unit of analysis but also in its neighbouring units.

30. Theory and empirical findings • The effect of crime on housing prices is well documented. • Since the seminal work by Thaler (1978) showing that property crime reduces house values by approximately three percent, studies have shown evidence of similar effect. • Evidence from the last three decades confirmed that crime had a significant impact on house prices (Hellman and Naroff, 1979, Rizzo, 1979, Dubin and Goodman, 1982, Clark and Cosgrove, 1990, Feinberg and Nickerson, 2002, Titta et al., 2006, Munroe, 2007). • In the UK, the effect of crime on property prices does not seem the same across crime types. • In Gibbons (2004) residential burglary had no measurable impact on prices, but criminal damage did affect negatively housing prices. • One explanation for this is that vandalism, graffiti and other forms of criminal damage motivate fear of crime in the community and may be taken as signals or symptoms of community instability and neighbourhood deterioration in general, pulling housing prices down.

31. Our hypotheses • Crime impacts negatively on apartment prices after controlling for attributes of the property and neighbourhood characteristics. • Different types of crimes affect property values differently. • The price of an apartment is dependent on the crime levels at its location as well as the crime levels in the surrounding areas. • Parameter heterogeneity in crime effects on apartment prices.

32. Estimation approach • OLS (benchmark model) • Spatial dependency (spatial lag and error model) • A binary weight matrix based on shared common boundaries was created to represent the spatial arrangement of the city. • Endogeneity (instrument variable approach) • The causal relationship between apartment prices and crime seems to go in both directions. • Areas with high apartment prices may attract burglars and therefore will the number of burglaries be high in high priced neighborhoods. • Different aspects of crime • Parameter heterogeneity (in space)

33. Spatial dependency Pris=100 Fel=-50 Pris=200 Fel=50 ”Bästagissning”=150

34. Spatial dependency • Omitted variables $100 $200 ”Best guess”=100 and 200

35. Instrument variable approach(according to Wikipedia) • IV methods allow consistent estimation when the explanatory variables are correlated with the error terms. • In attempting to estimate the causal effect of some variable x on another y, an instrument is a third variable z which affects y only through z's effect on x. 1 2

36. 5 Models 1 2 3 4 5

37. The data • Apartment prices (arm-length) • 9622 transaction, 2008 • The capital of Sweden - Stockholm • Property attributes • Living area, no. of rooms, monthly fee, age, elevator, balcony, floor • Location attribute • Distance to CBD, distance to water, subway station, commuting train station, highway, main street. • Crime data • Total crime rate, robbery, vandalism, violence, burglary, shoplifting, drugs, theft, theft of cars, theft from cars, assault. • Instrument variable • Homicide

38. Location attributes Sold apartments in relation to water bodies, buffer of 100 meters (red), 300 meters (orange) and 300 meters (yellow).

39. Location attributes Sold apartments in relation to subway stations, buffer of 100 meters (red), 300 meters (orange) and 300 meters (yellow).

40. Descriptivestatistics

41. The hedonic equation – property attributes Small differences between OLS, IV and the spatial models.

42. The hedonic equation – Location attributes

44. The hedonic equation – Crime variables If total crime increase by 1 percent, apartment prices are expected to fall by 0.04 percent. If total crime in the surrounding areas increase by 1 percent, prices are expected to fall by 0.02 percent.

45. Different measures of crime If burglary increases by 1 percent, apartment prices are expected to fall by 0.21 percent.

46. Parameter heterogeneity

47. Conclusion • Findings indicate that if total crime increase by 1 percent, apartment prices are expected to fall by 0.04 percent. • Different from what was initially hypothesized, residential burglary (and not vandalism) seems to have the largest effect on property values. • If residential burglary increases by 1 percent, apartment prices are expected to fall by 0.21 percent. It seems that the expected ‘visual effect’ vandalism has on people’s perception of an area is not strong enough to affect property prices in the case of Stockholm. • Results show that magnitude of the effect of residential burglary on apartment prices is highest in the northern part of Stockholm than in the South. Apartments in inner city areas are also less discounted than the ones located of the central areas. • One of the most important results of this research is the indication that price of an apartment is dependent on the crime levels at its location as well as the crime levels in the surrounding areas, regardless crime type.