In this paper, we focus on the dynamic volatility behavior of the daily Swedish Real Estate Sector Index and analyze the existence and degree of a long-range dependence or asymmetric news effect since 2003. More specifically, we give extra attention to the 2007–2008 financial crisis, the 2009–2012 European debt crisis, and the first two years of the global COVID-19 pandemic era (2020–2021). We examine changes in volatility during these extreme events. We apply standard GARCH models, asymmetric GARCH models, and long-memory GARCH models with various error distributions to identify the most accurate volatility models of the daily returns of the Swedish Real Estate Sector Index for the full sample period, January 2003 to June 2021. Our results show that the volatility of the Swedish Real Estate Sector Index is time-varying and highly volatile. The impacts of the global financial crisis, European debt crisis, and COVID-19 pandemic are noticeable. Moreover, the volatility pattern during COVID-19 displays significant time-varying long-range dependence and an asymmetrical news impact, which lead to market inefficiency. Finally, the volatility pattern shows a tendency towards increasing leverage effects and less persistent behavior, indicating that the market stakeholders are highly sensitive to negative returns and becoming quicker to respond to market changes.

Det har skrivits otaliga rapporter om den svaga produktiviteten i den svenska byggsektorn (t ex SOU 2012:39; Lind & Song, 2012; SOU 2015:105; Nilsson et al, 2020; Anjou, 2020). Några faktorer som har diskuterats i decennier är bland annat krångliga regelverk, otillräcklig konkurrens, fusk, inkompetens och mätfel. 

Denna rapport konstaterar inledningsvis att den svenska utvecklingen inte väsentligt skiljer sig från den i andra länder. Snarare stärktes produktiviteten mer i Sverige fram till den globala finanskrisen 2008, men därefter har Sverige halkat efter mer framgångsrika länder som exempelvis Nederländerna. 

Vi redogör därefter för konsekvenser på samhällsekonomin av den svaga produktiviteten. De direkta konsekvenserna är högre kostnader och åtföljande högre priser för konsumenterna och/eller lägre löner och aktieutdelningar till följd av en svagare vinstutveckling. De indirekta effekterna är omfattande med exempelvis en lägre grad av agglomeration, ökad bostadsbrist, sysselsättnings- och matchningsproblem som alla får både tillväxt- och fördelningseffekter. Vi gör inte anspråk på att vara uttömmande, men försöker redovisa några av de viktigaste samhällseffekterna av den svaga produktivitetsutvecklingen för att på så sätt klargöra betydelsen av att åtgärder vidtas. 

Rapportens fokus ligger på en sammanställning av orsaker till den svaga produktivitets-utvecklingen samt en redovisning av de åtgärder som framhålls i internationell och svensk litteratur. Utifrån denna litteratur ger vi förslag på hur framför allt staten/politiken kan vidta åtgärder som effektiviserar och höjer produktiviteten. Avslutningsvis försöker vi uppskatta vilka effekterna blir av om åtgärderna genomförs.

Sedan mitten av 1990-talet har produktiviteten i svensk byggsektor uppvisat en svag ökning, betydligt svagare än ekonomin i övrigt. Men utvecklingen är likartad eller till och med svagare i andra länder. Internationell och svensk litteratur pekar på behovet av åtgärder inom bland annat kompetensutveckling och förbättrad arbetsorganisation, digitalisering och standardisering samt utveckling av regelverk och regelefterlevnad. Här fokuserar vi på kompetens och regelverk i form av kommunernas planmonopol samt hyresreglering där det finns både direkta och indirekta förväntade effekter på produktiviteten. Samtidigt konstaterar vi att åtgärderna till stor del är välkända, och att det är handling som saknas. 

Förseningar utgör en del av resenärernas uppoffring. Hypotesen är att när förseningarna blir för frekventa och för stora kan det påverka efterfrågan på tågresor. Om resenärerna inte kan lita på tåget finns det en risk att andra färdmedel väljs i stället eller att resandet uteblir. Detta kan tyckas självklart ändå finns det nästan inga kvantitativa analyser av hur mycket förseningarna i tågtrafiken påverkar efterfrågan. Detta projekt syftar till att få fram sådana samband. Med detta projekt går det även att få fram hur andra faktorer påverkar efterfrågan såsom restid, turtäthet och pris vilket också nödvändigt för att kunna särskilja effekten av förseningarna.

Syftet är att hitta samband mellan förseningar och efterfrågan på tågresor d.v.s. hur mycket minskar tågresandet när förseningarna ökar? En metod att få fram detta är att använda tidsserieanalys. Vi har gjort detta genom att kombinera följande data som KTH har tillgång till i kombination med statistiska metoder för tidserieanalys.

·         KTH utbudsdatabas med restider, turtäthet och priser för olika linjer och produkter 1990-2020

·         Trafikverkets databas över förseningar 2001-2020 per linje t.ex. andel tåg i tid inom 5 min och medelförsening

·         Databas från SJ, Trafikhuvudmän och privata operatörer över efterfrågan per linje eller trafiksystem 1990-2020

·         Makroekonomiska data såsom privat konsumtion

·         Befolkningsutveckling längs linjerna

·         Bilinnehav och bensinpriser

Med hjälp av tidserieanalys kan man få fram hur mycket varje faktor bidrar till utvecklingen av efterfrågan på tågresor. Syftet är således att kunna skilja på effekten av kortare restid, ökad turtäthet, ändrade priser och förseningar. För de flesta variabler finns data för perioden 1990-2020 men för förseningar 2001-2020.

Ett stort antal mått på förseningar har tagits fram t.ex. andel försenade tåg inom 5 min (RT+5) och medelförsening för försenade tåg samt andel inställda tåg. Ett nytt mått på har tagits fram i form av antal förseningsminuter per 1000 tågkilometer. Ett stort arbete har lagts ned på att bearbeta förseningsdata från Trafikverkets LUPP-data för att få dem per linje (ca 50 linjer i Sverige) och produkt (snabbtåg, regionaltåg etc.). Bearbetningen visar på stora förseningar under 2010-2011 p.g.a. vinterproblemen och 2018 p.g.a. den varma sommaren. Den bästa punktligheten var det 2004 och 2019 samt 2020. 2020 har dock inte används i tidserieanalysen eftersom efterfrågan var onormal p.g.a. coronapandemin.

Det mått som hittills har gett bäst resultat är medelförsening för tåg som är mer än 5 minuter försenade (RT+5). Med hjälp av tidserieanalys har en elasticitet beräknas mellan medelförsening RT+5 och antalet personkilometer med fjärrtrafik. Elasticiteten blev -0,6 vilket innebär att om medelförseningen ökar med 10% så minskar efterfrågan i personkilometer med 6%. Det innebär t.ex. om ett snabbtåg i medeltal är 20 minuter försenat för RT+5 (typiskt värde för snabbtåg) och medelförseningen ökar till 24 minuter eller med 20% så kommer efterfrågan att minska med 0,6*20=12%. Detta stämmer också väl med de observationer vi har. Med hjälp av den resandestatistik som vi har och ett tidsvärde samt värderingen av förseningstid jämfört med restid (enligt ASEK 3,5) kan man beräkna resenärernas förluster i form av tidskostnad. Den totala kostnaden per år kan också beräknas.

I projektet ”Förseningarnas påverkan på efterfrågan av tågresor – en tidsserieanalys” togs samband fram om hur punktligheten i tågtrafiken påverkar efterfrågan på resor. Detta samband var i form av en elasticitet (e) mellan förseningar och efterfrågan. Mest signifikant blev sambandet mellan förändringen av den genomsnittliga förseningen i minuter för tåg som är mer än 5 minuter försenade och efterfrågan i personkilometer. Elasticiteten för fjärrtåg blev – 0,6 vilket innebär att om medelförseningen i minuter för de tåg som är mer än 5 minuter försenade ökar med 10 % så minskar efterfrågan med 6 %, i detta fall antalet personkilometer med tåg under ett år.

Från Trafikverket har efterfrågats samband mellan genomsnittsförseningen för alla tåg och efterfrågan och inte bara för tåg som är mer än 5 minuter försenade. En anledning till detta är att detta mått används i samhällsekonomiska kalkyler. Från branschen finns önskemål om ett samband mellan andel försenade tåg som är mer än 5 minuter och efterfrågan då det är det vanligaste måttet som används för förseningar. 

Medelvärden för de olika måtten beräknats för åren 2001-2020 för olika linjer och sedan har relationen mellan dem beräknats. För alla tåg på Trafikverkets nät är medelförseningen 15,5 minuter för RT+5 min och 1,6 minuter för alla tåg. Med index 100 för medelförseningen i minuter för RT+5 blir index för alla tåg 10. Andelen försenade tåg är 0,55 av medelförseningen i minuter för RT+5.

För snabb- och fjärrtåg (långdistans) är medelförseningen för alla tåg 25 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 1,05 d.v.s. ungefär lika med medelförseningen i minuter för RT+5 min.

För regionaltåg (medeldistans) är medelförseningen för alla tåg 12 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 0,66 d.v.s. två tredjedelar av medelförseningen i minuter för RT+5 min.

För pendel- och flygtåg (kortdistans) är medelförseningen för alla tåg 8 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 0,55 d.v.s. ungefär hälften av medelförseningen i minuter för RT+5 min.

Detta är naturligt då tåg som går långt har en större andel förseningar över 5 minuter och får då både längre medelförseningar och större andel försenade tåg genom att risken för att råka ut för en störning blir större ju längre man kör.

I den tidigare tidsserieanalysen testades ett stort antal kontrollvariabler för utbud och socioekonomiska faktorer. Det var emellertid få som fick genomslag, huvudsakligen var det privat konsumtion och turtäthet. I detta fall har vi valt att inte testa så många variabler utan huvudsakligen analyserat hur medelförseningen för alla tåg och andelen försenade tåg påverkar efterfrågan.

Ett stort antal tidserieanalyser har körts fram för de olika variablerna. Vi har valt ut de som är mest signifikanta. Därefter har dessa kalibrerats mot faktiska data på ett antal järnvägslinjer med olika karaktär: Snabbtåg Stockholm-Göteborg, regionaltåg Gävle-Ljusdal, och pendeltågen på Östgötapendeln. Ett problem med tågtrafiken är att den ökat så snabbt att det ofta är svårt att se förseningarnas påverkan enskilda år. Vi har därför valt att analysera utvecklingen under den svåra vintern 2009-2010 där man kan se en tydlig förändring av förseningarna och efterfrågan. Vi har sedan valt de elasticiteter som både är signifikanta och stämmer bäst med den faktiska utvecklingen.

Samband mellan förändringen av medelförsening för alla tåg och förändringen av efterfrågan. Vi får en elasticitet i storleksordningen -0,14 vilket kan jämföras med -0,6 för sambandet med medelförseningen för försenade tåg RT+ 5 min. Det innebär att om medelförseningen för alla tåg ökar med 10 % så minskar resandet med 1,4 %. Det ser också ut att finnas en tendens att regionaltåg och pendeltåg har en liknande elasticitet som fjärrtåg. Regionaltåg får -0,151 och pendeltåg -0,129 jämfört med fjärrtågens 0,141. En elasticitet på 0,141 för alla produkter och ett T-värde på 9,01 och med 950 observationer som grund är det säkraste.

Samband mellan medelförseningen i minuter för alla tåg och förändringen av efterfrågan

Resultatet blir en koefficient som i genomsnitt för alla tåg blir 0,044. Det innebär att om medelförseningen i minuter för alla tåg ökar med en minut så minskar efterfrågan i personkilometer med 4,4 %. Regionaltåg och pendeltåg har en högre koefficient än fjärrtåg. Regionaltåg får -0,073 och pendeltåg -0,160 jämfört med fjärrtågens 0,026. Det förklaras av att för pendeltåg och regionaltåg får de mindre förseningarna större betydelse som delvis skalas bort om man enbart räknar medelförseningen för förseningar mer än 5 minuter.

Samband mellan andelen försenade tåg mer än 5 minuter och förändringen av efterfrågan.

Vi får en koefficient i storleksordningen -1,0 vilket kan jämföras med elasticiteten -0,6 för sambandet med medelförseningen för försenade tåg RT+ 5 min. Detta är ju två olika mått – minuter och procent. Fjärrtåg får en koefficient på -1,07 liksom för alla produkter verkar dock rimlig och har hög signifikans och bygger på mycket data. Även här finns en tendens till att regionaltåg och pendeltåg får en högre elasticitet med -1,43 för regionaltåg och -2,50 för pendeltåg. Det kan också vara naturligt då variationerna bli mindre i andel försenade tåg för dessa tåg som ligger närmare 90 % punktlighet.

Tabeller har tagits fram för effekterna av de olika elasticitetstalen på efterfrågan för olika produkter. Tabellerna anger värden inom elasticiteternas ungefärliga giltighetsområde där värden över storleksordningen 30 % inte är sannolika.

För andel försenade tåg är värden upp till 20 procentenheter möjliga åtminstone för fjärrtåg där de låg på denna nivå 2010. För regionaltåg är värden över 15 procentenheter inte sannolika då de normalt ligger på 85 % och vid en förbättring inte kan komma över 100 % liksom för pendeltåg som normalt ligger på 90-95 %.

Medelförseningen för alla tåg ligger normalt mellan 0,5 och 6 minuter varför förändringar över 10 minuter inte är sannolika för fjärrtåg. För pendel- och regionaltåg är de mindre än 2-4 minuter.

Förändringen av medelförseningen i minuter för försenade tåg RT+5 är inte lämplig att använda för pendel- och regionaltåg där en stor andel av förseningarna är mindre än 5 minuter. Därför har dessa värden gråmarkerats i tabellen.

Förändringen i % av medelförseningen i minuter för alla tåg går däremot att använda för alla produkter och ger rimliga värden upp till 150 %.

Observera att elasticiteterna avser årsvärden på punktlighet och efterfrågan och att större variationer kan förekomma under åren samt att särskilt för fjärrtrafik det kan finnas en fördröjning ”lag” så att efterfrågan inte återgår till den normala förrän efter fler år även om punktligheten förbättras. Eftersom data innehåller både försämringar och förbättringar av punktligheten bör sambanden även kunna användas för att beräkna effekterna av förbättrad punktlighet.

Traditional models of irreversible investment problems assume that the investment starts generating cash flows immediately, i.e., at the same time as the investment is undertaken. Real-world investment situations are characterized by time-to-build or investment lags, which means that there is a time difference between when the investment is made and when the investment starts generating cash flows. We combine two existing models of investment lags to obtain a flexible, yet simple, way of modelling and analyzing the effects of investment lags. Both traditional models, and models that incorporate the effects of time-to-build, typically assume that the expected future cash flows generated by an investment are represented by a single cash flow that reflects the size of the market value of an investment. To reflect real-world cases where investments generate cash flows in several time periods, we present a framework in which cash flows are explicitly allowed to be spread out in time. Our model can be used to incorporate cases where an investment is partially sold in different time periods. Using an irreversible optimal investment timing problem case study, we show how our framework makes it possible to easily compare the effect of different cash flow timings. In this case, the value and the timing of the investment depend on a constant that in a natural way can be decomposed into three parts, thereby showing the influence of the value and timing from the respective parts of the framework.

Purpose This paper aims to analyze how nearby property prices are affected by new construction projects in Stockholm. If there is an impact on property prices, the authors endeavor to investigate whether the effects vary among different areas within the municipality, for different groups of inhabitants and for different types of housing (i.e. public versus private housing). Design/methodology/approach The authors use a difference-in-difference specification in a hedonic model, and the sample consists of more than 90,000 observations over the period 2005-2013. Findings The results are robust and indicate that house prices in nearby areas increase following the completion of infill development. The results also indicate that infill development has a positive spillover effect on nearby dwelling prices only in areas with lower incomes, more public housing units and more inhabitants born abroad. Originality/value It provides an analysis on how nearby property prices are affected by new construction projects by creating a restricted control area, so as to make the treatment group and the control group more homogeneous. Thus, it mitigates any potential problems with spatial dependency, which can cause biased standard errors.

This paper applies spatial hedonic econometric models to estimate the willingness of buyers to pay for dwellings with different orientations based on a data set comprising 63 306 transactions of secondhand apartment sales in 10 districts in Beijing from October 2011 to September 2014. Our results indicate that apartments with South orientation are sold at a 7.8% premium compared with those with West orientation, and that apartments in ancient city areas are more sensitive to orientation. The obtained results can help architects and developers to maximize the value of development projects by optimizing the layout of apartment units on each floor.

In many applications of real options there is an assumption of complete capital markets. For the perpetual timing option this means that if the underlying asset does not pay out any cash flows, then there is no finite optimal time at which the investment should be undertaken. In contrast, when the market is incomplete there is a possibility of having a finite optimal stopping time even in the cases when the underlying asset does not pay out any cash flows. We discuss the incomplete case in models driven by both Brownian motion(s) and a Poisson process and connect it with the concept of an implied yield. The implied yield will in these models extend the concept of a monetary yield (i.e. a yield that represents the fraction of the value of an asset paid out as a cash flow). Several examples of incomplete market models where there could be a finite optimal time to invest are given.