Download rapporten i pdf-format - Amternes og Kommunernes ...

Værdien af gener forbundet med at bo i nærheden
af en svinebedrift
– værdisætning ved hjælp af husprismetoden
af
Vibeke Hansen
Charlotte Juel Petersen
AKF Forlaget
April 2003

Forord
»Mere miljø for pengene« er et udsagn, som det ofte er vanskeligt at give
noget konkret indhold. Begrebet svæver frit rundt som noget, alle kan blive
enige om. Hvis man seriøst ønsker mere miljø for pengene, er man nødt til
at gå mere konkret til værks – et miljøproblem ad gangen.
Rapporten her analyserer gener for de mennesker, der bor omkring
svinefarme. Konklusionen er, at det i en række tilfælde samfundsøkonomisk
kan betale sig at gøre en yderligere indsats for at reducere generne.
Rapporten er udarbejdet med udgangspunkt i et speciale fra Den Kgl.
Veterinær- og Landbohøjskole med samme titel og med lektor Alex Dubgaard
som vejleder.
Anders Larsen
April 2003

Indhold
Sammenfatning og konklusion....................................... 9
1 Indledning............................................................. 16
2 Værdisætning ......................................................... 19
2.1 Miljøgoder ............................................................. 19
2.2 Værdibegreber ......................................................... 21
2.2.1 Brugs- og ikke-brugsværdi............................................. 21
2.2.2 Ex post/ex ante-værdier................................................ 22
2.3 Værdisætningsmetoder................................................. 23
2.3.1 Indirekte/direkte værdisætningsmetoder............................... 24
2.3.2 Afslørede præferencer – Revealed Preferences (RP) .................. 25
2.3.3 Udtrykte præferencer – Stated Preferences (SP)....................... 25
2.4 Eksempler på anvendte værdisætningsmetoder........................ 26
2.4.1 Den betingede værdisætningsmetode – Contingent Valuation
Method (CVM) ........................................................ 26
2.4.2 Rejseomkostningsmetoden – Travel Cost Method (TCM)............. 27
2.4.3 Husprismetoden – Hedonic Pricing Method (HPM) ................... 28
2.5 Sammenfatning ........................................................ 29
3 Velfærdsteori og velfærdsmål........................................ 30
3.1 Den generelle velfærdsøkonomi ....................................... 30
3.2 Velfærdsmål ........................................................... 35
3.3 Kritik af antagelser bag den økonomiske velfærdsteori................ 42
3.4 Sammenfatning ........................................................ 43

4 Hedonisk værdisætning .............................................. 44
4.1 Den hedoniske teori.................................................... 44
4.2 Husprismetoden........................................................ 47
4.3 Husprismetodens antagelser ........................................... 52
4.3.1 Ligevægt på husmarkedet.............................................. 52
4.3.2 Ét husmarked .......................................................... 53
4.3.3 Separable goder ........................................................ 54
4.3.4 Husstandens opfattelse af karakteristika............................... 55
4.3.5 Husstandens opfattelse af risiko ....................................... 55
4.3.6 Forventet vs. aktuelt karakteristika-niveau............................. 56
4.3.7 Den tid det tager at få huset solgt...................................... 57
4.3.8 Valg af variabler....................................................... 57
4.4 Sammenfatning ........................................................ 57
5 Valg af funktionel form .............................................. 59
5.1 Fleksible vs. restriktive funktionelle former........................... 60
5.2 De simple, restriktive funktionelle former............................. 63
5.2.1 Lineær Box-Cox ....................................................... 63
5.2.2 Lineær funktionel form ................................................ 63
5.2.3 Semilog ................................................................ 64
5.2.4 Dobbeltlog ............................................................. 64
5.2.5 Invers-semilog ......................................................... 65
5.3 Valget mellem de simple, restriktive funktionelle former ............. 65
5.4 Økonometriske problemer ............................................. 66
5.4.1 Multikollinaritet........................................................ 67
5.4.2 Autokorrelation........................................................ 68
5.4.3 Heteroscedasticitet..................................................... 69
5.4.4 Udvælgelsesskævhed .................................................. 69
5.4.5 Strukturelle forskelle................................................... 70
5.5 Sammenfatning ........................................................ 71
6 Erfaringer med brug af husprismetoden............................ 73
6.1 Nationale erfaringer.................................................... 73
6.2 Internationale erfaringer ............................................... 75

6.3 Brug af geografiske informationssystemer (GIS) i hedoniske
undersøgelser .......................................................... 79
6.4 Sammenfatning ........................................................ 82
7 Databeskrivelse ....................................................... 83
7.1 Valg af områder........................................................ 83
7.1.1 Den geografiske identifikation af bedrifter og bedriftsstørrelser....... 83
7.1.2 Den geografiske identifikation af bymæssig bebyggelse .............. 84
7.1.3 Kobling af bedrifter og bymæssig bebyggelse......................... 84
7.2 Husprisfunktionens variabler .......................................... 87
7.2.1 De strukturelle karakteristika .......................................... 87
7.2.2 Miljøvariabler.......................................................... 90
7.2.3 Tilgængeligheds- og områdevariabler ................................. 93
7.3 Beskrivelse af det endelige datasæt.................................... 94
7.4 Sammenfatning ........................................................ 101
8 Databehandling ....................................................... 102
8.1 De fire funktionelle former ............................................ 102
8.2 Indledende test......................................................... 105
8.2.1 Tidsmæssig markedssegmentering..................................... 106
8.2.2 Geografisk segmenterede markeder.................................... 108
8.3 Modelestimation ....................................................... 110
8.3.1 Vestsjællands Amt..................................................... 110
8.3.2 Århus Amt ............................................................. 121
8.3.3 Fyns Amt .............................................................. 126
8.4 Sammenligning af udvalgte variabler.................................. 130
8.5 Sammenfatning ........................................................ 132
9 Resultater ............................................................. 134
9.1 Husprisændringer...................................................... 134
9.2 Ejendomsmægleres vurdering af gener fra svinebedrifter ............. 138
9.3 Samfundsøkonomisk vurdering af installeringen af et
gylleforsuringsanlæg................................................... 140
9.4 Sammenfatning ........................................................ 146

10 Diskussion............................................................. 148
10.1 Sammenligning med andre resultater.................................. 148
10.2 De bagvedliggende antagelser og forudsætninger ..................... 149
10.2.1 Oplysninger vedrørende bedrifterne ................................... 149
10.2.2 Opgørelsen af det oplevede geneniveau ............................... 151
10.2.3 Husprisfunktionens udformning ....................................... 154
10.2.4 Markedet............................................................... 154
10.3 En samlet vurdering.................................................... 155
11 Perspektivering ....................................................... 156
Appendiks
1 Forkortelsesliste........................................................ 159
2 Oversigt over udvalgte områder ....................................... 161
3 Videregivelsessystemet – Bygnings- og Boligregistret (BBR) og
Ejendomsstamregistret (ESR).......................................... 203
4 Geografiske informationssystemer (GIS).............................. 206
5 Areal Informations Systemet (AIS).................................... 208
6 Generelt LandbrugsRegister (GLR) og Centralt Husdyrbrugs-
Register (CHR) ........................................................ 211
7 Definitionen på en dyreenhed (DE).................................... 215
8 Indledende modelestimation af landsmodellen baseret på det
oprindelige datasæt .................................................... 217
9 Loglikelihood for Vestsjællands Amt.................................. 221
10 Århus Amt ............................................................. 223
11 Loglikelihood for Århus Amt .......................................... 228
12 Fyns Amt .............................................................. 230
13 Loglikelihood for Fyns Amt ........................................... 234
14 Ejendomsmæglerinterviewundersøgelsen.............................. 236
15 Oversigt over antallet og fordelingen af dyreenheder (DE) på de
bedrifter, der indgår i analysen......................................... 240
Litteraturliste ......................................................... 243
Summary .............................................................. 251

Sammenfatning og
konklusion
Resume
Projektet estimerer en værdi for generne forbundet med at bo i nærheden af
en svinebedrift, altså den betydning, husejerne tillægger husets beliggenhed
i nærheden af en svinebedrift. Projektets resultater viser, at et gennemsnitshus
i de udvalgte områder, alt andet lige, handles til en lavere pris,
hvis antallet af svin inden for 500 meter af huset er højt. Huspriserne i
Vestsjællands Amt og Århus Amt påvirkes således signifikant negativt
med en effekt på op til hhv. 0,13% og 0,05% ved en procentvis stigning i
antallet af svin (opgjort i dyreenheder (DE)). En kraftig intensivering af
DE-antallet i et område fra 50 DE til 450 DE medfører en reduktion i husprisen
på op til 24% i Vestsjællands Amt og op til 16% i Århus Amt, svarende
til hhv. 200.000 kr. og 125.000 kr. for et gennemsnitshus.
I svinebranchen er der fokus på forskning i mulighederne for at reducere
gener forbundet med svineproduktionen. Et af de genereducerende anlæg
under udvikling, et gylleforsuringsanlæg, vurderes i projektet ud fra en
samfundsøkonomisk tilgangsvinkel. Omkostningerne forbundet med driften
af anlægget sammenholdes med den estimerede værdi af de genereduktioner,
samfundet vil opleve som følge af installeringen af et sådan anlæg. I
et »worst case«-scenarium vurderes, at anlægget vil være samfundsøkonomisk
rentabelt, hvis mere end 55 parcelhuse inden for en afstand af 500
meter i Vestsjællands Amt mod mere end 110 parcelhuse i Århus Amt oplever
den forventede genereduktion.
Baggrund og formål
Svinebranchen er i denne tid udsat for en del opmærksomhed både fra lo-
9

kal- og landspolitisk side. Den skærpede opmærksomhed kommer som reaktion
på den stadige udvikling inden for svinesektoren mod færre og større
bedrifter. Ifølge Danmarks Statistik (2003) er antallet af besætninger
med svin reduceret fra 29.900 i 1990 til 11.700 i 2002. I samme tidsrum er
den gennemsnitlige besætningsstørrelse steget fra 320 til 1.080, og det
samlede antal svin i Danmark er i perioden steget fra 9,5 mio. svin til 12,7
mio. svin.
Opmærksomheden handler især om de konflikter, der opstår, når en
svineproducent ønsker at udvide produktionen, og naboerne forsøger at
hindre udvidelsen af frygt for øgede (lugt-)gener forbundet med produktionen.
For nylig er der oprettet en forening for »gylleramte«, der har som hovedformål
at »arbejde for at sikre beboere på landet mod miljøgener som
stank, fluer og støj fra landbruget«. På foreningens hjemmeside kan man se
eksempler på de direkte konsekvenser folk oplever af at bo i nærheden af
svinebedrifter, og det fremhæves, at der er flere eksempler på, at naboer til
svinebedrifter får deres huse nedvurderet i den offentlige ejendomsvurdering
på grund af beliggenheden.
Svinebranchen er opmærksom på de problemer, naboer til svinebedrifter
forbinder med svineproduktionen, og Landsudvalget for Svin har givet
forskning i mulighederne for reduktion i lugtgener og ammoniakfordampning
en høj prioritet. Der arbejdes i øjeblikket blandt andet på udvikling og
afprøvning af genereducerende anlæg som fx gylleforsuringsanlæg, nedkøling
af gylle, rensning af luften med biologiske filtre, kemisk luftrenser eller
ozon.
Politisk forsøges også at fremkomme med løsninger til problemerne.
Blandt andet indførte tidligere miljø- og energiminister Svend Auken et
stop for udvidelse af svinebedrifter inden for 300 m af samlet bebyggelse.
Desuden er der indført krav om overdækning af gyllebeholdere og restriktioner
på udbringelsen af gyllen.
På baggrund af den store opmærksomhed emnet har fået, og branchens
høje prioritet for mindskning af generne, kan der næppe være nogen tvivl
om, at der er mange folk, der forbinder svineproduktion med en mængde
negative effekter (gener). Både inden for svinebranchen og i centraladministrationen
investeres der tid og penge i et forsøg på at afhjælpe problemerne
med de oplevede gener. For samfundet som en helhed vil det dog
10

ikke være rentabelt, at der bruges flere midler på at reducere generne, end
der opnås i benefits som følge af de mindskede gener. En samfundsøkonomisk
analyse af et genereducerende tiltag vil derfor både skulle inddrage
værdien af de opnåede benefits samt omkostningerne forbundet med at opnå
dem. Da der ikke findes en direkte pris på de opnåede benefits, indgår
værdien af dem oftest ikke i vurderingerne, og de genereducerende tiltag
kan i bedste fald blot sammenlignes i forhold til den effekt, hvormed de reducerer
generne, eller i forhold til hvor store omkostninger der er forbundet
med at opnå en bestemt reduktion.
I forbindelse med gener forbundet med svinebedrifter antages det i
denne undersøgelse, at langt størstedelen af de afledte gener opleves af
folk, der bor i umiddelbar nærhed af bedrifterne og en reduktion i de gener,
de oplever, vil kunne aflæses direkte i form af en husprisændring. Formålet
med denne undersøgelse har derfor været at estimere en værdi for de gener,
folk forbinder med at bo i nærheden af en svinebedrift, ved hjælp af
husprismetoden.
Ud over værdisætningen af gener forbundet med at bo i nærheden af
en svinebedrift, er der i projektet foretaget en interviewundersøgelse blandt
ejendomsmæglere, der opererer i de udvalgte områder. Denne undersøgelse
er foretaget for at få bekræftet værdisætningsundersøgelsens antagelser
og resultater.
Projektet indeholder derudover en cost-benefit-analyse af et genereducerende
anlæg. I denne analyse er den estimerede værdi af beliggenheden i
nærheden af en svinebedrift sammenholdt med omkostningerne forbundet
med driften af et gylleforsuringsanlæg. Et gylleforsuringsanlæg er et eksempel
på en af de mange genereducerende metoder, der er under udvikling.
Foreløbige forsøg med gylleforsuringsanlæg tyder på mange fordele i
forhold til reduktion af gener fra svineproduktionen, såsom lugt, ammoniakfordampning
og kvælstofudvaskning.
Undersøgelsens resultater viser, hvilken værdi husejere tillægger beliggenhed
i nærheden af en svinebedrift, dvs. hvilken betydning nærhed til
en svinebedrift har på huspriserne. Den estimerede værdi dækker kun over
værdien af de gener, der opleves af ejere af huse beliggende i umiddelbar
nærhed af en svinebedrift. Der gøres opmærksom på, at resultaterne ikke er
en total samfundsøkonomisk værdi af samtlige gener forbundet med svine-
11

edrifter, idet effekter som ammoniaknedfald i sårbare naturområder og nitratudvaskning
til grundvandet ikke værdisættes. Sådanne såkaldte ikkebrugsværdier
kan ikke værdisættes ved hjælp af husprismetoden.
Metode
Husprismetoden anvendes til at estimere en værdi af generne forbundet
med at bo i nærheden af en svinebedrift, altså en værdi af den betydning,
husejere tillægger beliggenhed i nærheden af en svinebedrift. Bag
husprismetoden ligger antagelsen om, at forskelle i huspriser kan forklares
ud fra forskelle i huskarakteristika, herunder kvaliteten af det omkringliggende
miljø. Husprismetoden estimerer en husprisfunktion på baggrund af
en række karakteristika, der har betydning for forskelle i husprisen de enkelte
huse imellem.
I undersøgelsen er strukturelle karakteristika som grundstørrelse, husets
størrelse, antallet af værelser og husets alder anvendt til at beskrive
selve huset. Område- og tilgængelighedskarakteristika som transporttiden
til nærmeste større by, grundskyldspromille samt amts- og kommunalskat
er anvendt til beskrivelse af områdets standard, og miljøvariabler som beliggenhed
tæt på en jernbane samt beliggenhed ved en stærkt befærdet vej
beskriver negative forhold, der kan påvirke husprisen. Derudover er de
samlede gener, som husejere måtte opleve som følge af beliggenheden af
en eller flere svinebedrifter i nærheden af huset, beskrevet ved hjælp af en
svinetryksfunktion. Svinetryksfunktionen udtrykker den kumulative effekt
af samtlige svinebedrifter, opgjort som antal dyreenheder (DE), inden for
500 meter af huset, vægtet efter deres afstandsmæssige placering. Det formodes,
at en ændring i husprisen, som følge af en ændring i antallet af DE,
afhænger af, hvor mange svin der allerede befinder sig i området. Svinetryksfunktionen
indgår derfor logaritmisk transformeret i husprisfunktionen.
Opgørelsen af mængden af svin i DE gør det muligt at summere alle
svin i området, uanset om der er tale om slagtesvin, smågrise eller søer. 1
DE svarer til 4,3 årsso, 175 smågrise fra 7,2-30 kg eller 36 slagtesvin fra
30-100 kg (BEK nr. 604 af 15/07/2002).
Ved at anvende husprismetoden er det muligt at udlede en implicit pris
for værdien af ændringer i de gener, husejere forbinder med at bo i nærhe-
12

den af en svinebedrift. Den implicitte pris kan sammenholdes med omkostningerne
forbundet med at opnå geneændringen. Herved bliver det muligt
at vurdere den samfundsmæssige rentabilitet af et genereducerende anlæg.
Det er vigtigt at være opmærksom på, at den estimerede implicitte pris
kun dækker over de direkte brugsværdier, altså de »værdier«, husejere tillægger
nærheden til svinebedrifter, og der er således ikke tale om en fuldstændig
samfundsøkonomisk vurdering.
Størstedelen af datagrundlaget til denne form for analyse findes i
Danmark i det offentlige ejendomsregister. Undersøgelsen har inddraget
data for en række udvalgte enfamiliehuse solgt i perioden 1990-2002. Projektets
formål har været at estimere en værdi for gener forbundet med at bo
i nærheden af en svinebedrift, og husene i de inddragede områder er udvalgt
eksplicit med dette formål for øje. Antagelsen har været, at sandsynligheden
for tilstedeværelsen af gener forbundet med svineproduktion
vil være størst for huse beliggende i nærheden af større bedrifter. Der er således
ikke tale om et repræsentativt udvalgt datasæt, og undersøgelsens resultater
beskriver kun forholdene for de udvalgte, analyserede områder.
Husene er valgt ud fra et kriterium om, at der skal ligge mindst en svinebedrift
større end gennemsnittet inden for 500 meters afstand af huset.
De udvalgte områder er beliggende i Vestsjællands, Århus og Fyns Amter
og består af mange små uensartede og usammenhængende områder. Det
anvendte datasæt består af 1339 brugbare observationer, fordelt med 308
observationer i Fyns Amt, 549 observationer i Vestsjællands Amt og 482
observationer i Århus Amt. Data behandles som tre separate datasæt, et for
hvert amt.
Undersøgelsens områder er udvalgt ved brug af data fra Generelt
LandbrugsRegister (GLR) og Centralt HusdyrbrugsRegister (CHR) omkring
de danske svinebedrifters beliggenhed og størrelse, samt data fra
Areal Informations Systemet (AIS) vedrørende beliggenheden af boligområder
i Danmark.
Resultater
Resultaterne af værdisætningsundersøgelsen viser, at et gennemsnitshus i
de udvalgte områder, alt andet lige, handles til en lavere pris, hvis svinetrykket
er højt. Svinetryksparameteren har en statistisk signifikant negativ
13

effekt på husprisen for husene i Vestsjællands og Århus Amter i en størrelsesordenen
på hhv. 0,13% og 0,05% ved en procentvis stigning i antallet af
DE. Denne statistiske signifikans kan ikke påvises for datasættet fra Fyns
Amt.
I Vestsjællands og Århus Amter betyder en kraftig intensivering i antallet
af svin fra 50 DE til 450 DE, inden for 500 meters afstand af et hus,
en reduktion i husprisen på op til ca. 200.000 kr. og 125.000 kr. for et gennemsnitshus
svarende til hhv. 24% og 16% pr. hus. Derudover ses det, at
husprisændringen, som følge af en given ændring i antallet af DE, afhænger
af de på forhånd værende antal DE i området. Således giver en reduktion
på 150 DE i et område med 200 DE i Vestsjællands Amt en stigning i
husprisen på 16-19%, mens samme reduktion i et område med 450 DE resulterer
i en husprisstigning på 5%. Tilsvarende ses i Århus Amt, alt andet
lige, en husprisstigning på hhv. 8-12% og 2-4%.
En interviewundersøgelse blandt ejendomsmæglere, der opererer i de
udvalgte områder, bekræfter værdisætningsundersøgelsens antagelser og
de estimerede husprisforskelle. 11 af 13 adspurgte ejendomsmæglere bekræfter,
at det har en betydning på huspriserne, om der ligger en bedrift
med husdyr i nærområdet, og at svinebrug har den største effekt på husprisen.
Ejendomsmæglerne bekræfter ligeledes, at bedriftens størrelse og afstanden
til huset spiller en rolle i forhold til forskelle i husprisen, og at lugt
er langt den alvorligste gene forbundet med at bo i nærheden af en svinebedrift.
Ejendomsmæglerne nævner en forskel i husprisen på huse med og
uden svinebedrifter i nærheden på op til mellem 10-25% af huspriserne.
Interviewundersøgelsen giver desuden et muligt svar på værdisætningsundersøgelsens
manglende signifikante svinetryksparameter for Fyns
Amt. Mæglerne vurderer, at der er en tendens til at folk, der køber hus på
landet i Århus Amt og i Vestsjællands Amt, kommer fra byerne, mens folk,
der køber hus på landet i Fyns Amt, generelt kommer fra lokalområdet.
Denne forskel kan tolkes, som at huskøbere fra Fyns Amt i større grad accepterer
risikoen for lugt og lignende gener ved at bo på landet end huskøbere
fra de to andre amter. Forskellen kan dog også blot være en afspejling
af, at datasættet for Fyns Amt indeholder for få observationer, til at der kan
estimeres en forskel imellem observationerne.
Ejendomsmæglerne angiver desuden andre forhold end dem, der ind-
14

går i undersøgelsen, der ligeledes vurderes at spille en rolle i husprisforskellene.
Blandt andet vurderer flere mæglere, at huskøbere også tillægger
udsynet til gyllebeholderen en negativ værdi, samt at den herskende
vindretning har en betydning. Sidst, men ikke mindst, vurderer flere mæglere
også, at hvis bedriften eller gyllebeholderen kan ses fra huset, da kan
det godt påvirke prisen på et hus helt op til 1.000 meter fra bedriften.
Undersøgelsens estimater for værdien af en genereduktion i Vestsjællands
og Århus Amter holdes op mod omkostningerne til installering af et
gylleforsuringsanlæg i et område med 250 DE og et dyrket areal på 178 ha
fordelt på 89 ha hvede og 89 ha vårbyg. Gylleforsuringsanlægget er anvendt
som eksempel på en metode til bl.a. at reducere lugtgener og ammoniakfordampning.
Det findes, at der i et »worst case«-scenarium med et
formindsket geneniveau svarende til en 30%-reduktion i antallet af DE, høje
omkostninger ved installering og sandede jorde kræves, at mere end 55
parcelhuse inden for en afstand af 500 m i Vestsjællands Amt mod mere
end 110 parcelhuse i Århus Amt oplever en genereduktion, for at anlægget
samfundsøkonomisk kan betale sig selv hjem. Det vil således rent samfundsøkonomisk
set ikke kunne svare sig at installere et gylleforsuringsanlæg
i områder med meget få huse. Det estimerede antal huse skal dog ses i
forhold til, at der er tale om et »worst case«-scenarium. I mere positive
scenarier vil der også kunne opnås en samfundsøkonomisk gevinst ved installering
af et gylleforsuringsanlæg i områder, hvor færre huse inden for
500 meter af bedriften oplever genereduktionen.
Resultatet afspejler ikke en total samfundsøkonomisk værdi, idet estimatet
for svinetryksparameteren ikke udtrykker den totale samfundsmæssige
værdi af ændringer i gener i forbindelse med svineproduktion, men
derimod kun værdien af geneændringer for de lokale beboere. Desuden
indgår miljø- og naturmæssige benefits ved installering af et gylleforsuringsanlæg
heller ikke i analysen.
15

1 Indledning
Udviklingen i det danske landbrug er inden for de sidste mange år generelt
gået mod færre, men større bedrifter. Inden for svinesektoren er udviklingen
dog gået mod flere og større bedrifter, og antallet af svin i Danmark
har aldrig været højere, end det var i 2002 (Danmarks Statistik 2002).
Mange steder i Danmark findes svinebedrifter beliggende inden for en
afstand af blot få hundrede meter fra en landsby, og der høres jævnligt gennem
dagspressen om folk, der klager over gener i form af bl.a. fluer,
gyllelugt og helbredsmæssige påvirkninger. Finn Gyntelberg (2000) fra
Arbejds- og Miljømedicinsk Klinik på Bispebjerg Hospital bekræfter i en
artikel i Miljø og Sundhed, at der kan opstå negative helbredseffekter såsom
hovedpine og kvalme, som en konsekvens af at opholde sig i nærheden
af store mængder gylle. Gyntelberg pointerer dog, at der ingen sikker
viden er om kroniske helbredseffekter, men anbefaler alligevel forebyggende
indgreb.
Fra politisk hold har man været lydhør over for klagerne fra naboerne.
Den tidligere miljø- og energiminister Svend Auken, indførte pr. 1. januar
2000 et foreløbigt forbud mod udvidelse og etablering af svinebedrifter inden
for 300 m fra samlet bebyggelse (Miljø- og Energiministeriet 2000).
Forbuddet, som for nylig blev gjort permanent (BEK nr. 604 af 15/7/2002),
har vakt harme blandt de danske svineproducenter. Den på tidspunktet for
forslaget siddende formand for de Danske Svineproducenter, Carsten Lind
Pedersen (2000), udtaler til Ritzau, at forbuddet må forventes at ramme ca.
halvdelen af de danske svineproducenter, hvilket han betragtes som fuldstændig
uacceptabelt.
Svinebranchen selv er opmærksom på problemerne og bl.a. Landsud-
16

valget for Svin er i fuld gang med at afprøve forskellige metoder til reduktion
af lugt og ammoniakfordampning. Af igangværende forsøgsaktiviteter
kan nævnes køling af gylle, kemisk luftvask, biologisk rensning ved brug
af bakterier, ændret fodersammensætning, gylleforsuring, gylleseparering
og nedbrydning af lugtmolekyler ved hjælp af ozon (Tellerup 2002). Flere
svinebedrifter har endvidere, som følge af naboklager, monteret højere
skorstene på deres staldbygninger med det formål at fortynde lugten fra
staldene. I Landsudvalget for Svin mener man dog ikke, at der på nuværende
tidspunkt findes metoder, hvor effekten kan opveje omkostningerne
forbundet med foranstaltningerne (Hofstätter 2002a).
Der er således forholdsvis stor fokus på de konflikter, det giver i samfundet,
når produktionen af svin finder sted i nærheden af boligområder.
Projektet her ønsker at belyse de økonomiske konsekvenser af sådanne
konflikter, set med samfundets øjne, og herefter at holde de økonomiske
konsekvenser op mod omkostningerne ved en mulig løsning på problemet.
Dette leder frem til følgende problemformulering:
Hvad er værdien af de produktionsafledte gener, der er i forbindelse med
at bo i nærheden af en svinebedrift?
Set i forhold til værdien af generne, hvad er da den samfundsøkonomiske
konsekvens af en eventuel genereduktion?
Til at løse ovenstående problemstilling anvendes husprismetoden, der i
miljøøkonomien anses som en anerkendt og veldokumenteret metode til
værdisætning af miljøgoder. Husprismetoden forudsætter, at prisen på et
hus kan forklares ud fra sammensætningen af husets karakteristika, hvor et
af disse karakteristika er påvirkningen fra det omkringliggende miljø.
Husprismarkedet betragtes dermed som et af de markeder, hvor miljøgoder
rent faktisk handles, og derfor har en implicit pris.
I forbindelse med den praktiske behandling af data vil brugen af det
Geografiske Informations System (GIS) så vidt muligt blive anvendt som
redskab til at analysere betydningen af nærhed til svinebedrifter på huspriserne.
Endvidere inddrages erfaringer omkring brugen af husprismetoden
fra udenlandsk såvel som dansk litteratur.
17

Geografisk afgrænses projektet til at omfatte udvalgte områder inden for
Århus Amt, Fyns Amt og Vestsjællands Amt, og resultatet kan derfor ikke
ses som landsdækkende. Desuden skal det gøres klart, at resultatet af
husprisundersøgelsen ikke kan betragtes som den totale værdi af gener i
forbindelse med produktionen af svin, da husprismetoden kun kan bestemme
den værdi, som produktionen og de heraf afledte gener tillægges af
de lokale beboere, bestemt ud fra huspriser.
Rapporten omfatter en teoretisk del (kapitel 2-6) og en empirisk del
(kapitel 7-9). I kapitel 2-6 præsenteres den grundlæggende teori bag
værdisætningsmetoderne, især husprismetoden, og der ses på erfaringer fra
anvendelsen af husprismetoden til værdisætninger af miljøgoder i form af
tidligere udførte studier. Anden del af rapporten (kapitel 7-9) præsenterer i
kapitel 7 datasættet til anvendelse i den statistiske analyse i kapitel 8 og
endelig resultaterne i kapitel 9. Inden konklusionen diskuteres resultatets
validitet, og som afslutning på rapporten gives anbefalinger til forbedringer
af fremtidige husprisundersøgelser med samme problemstilling.
18

2 Værdisætning
Værdisætning, i miljøøkonomisk forstand, vil sige at estimere værdien af
en ændring i et miljøgode i en sammenlignelig enhed, fx kroner og øre. Et
miljøgode kan opfattes som en bidragyder til det totale flow af benefits fra
miljøet, hvor flowet påvirkes af kvaliteten af de enkelte miljøgoder.
Dette kapitel præsenterer værdibegreber og værdisætning inden for
miljøøkonomien, samt en række faktorer, der kan spille en rolle i forbindelse
med valget af værdisætningsmetode. De tre oftest anvendte
værdisætningsmetoder inden for miljøøkonomien skitseres, og der argumenteres
på baggrund heraf for valget af værdisætningsmetode til estimering
af værdien af en ændring i gener forbundet med at bo i nærheden af en
svinebedrift. Generne opstår som følge af produktionen af svin, og påvirker
nabolaget i form af bl.a. lugt, fluer, algevækst m.m. Hvis et individs velbefindende
påvirkes af et andet individs eller en anden virksomheds forbrug
eller produktion, uden at sidstnævnte tager hensyn hertil i deres beslutningsproces,
kaldes påvirkningen en eksternalitet. Hvis svineproducenten
ikke inddrager de gener, som nabolaget oplever som følge af produktionen
i sine beslutningsprocesser, kan disse gener således defineres som negative
eksternaliteter.
2.1 Miljøgoder
Tilstedeværelsen af eksternaliteter medfører, at markedet ikke af sig selv
finder en samfundsøkonomisk optimal allokering af samfundets ressourcer.
Eksternalitetsproblemet skyldes tilstedeværelsen af offentlige goder, der
19

karakteriseres ved, at forbruget af godet er ikke-rivaliserende og ikkeudelukkende.
Herved forstås, at et offentligt gode er tilgængeligt for alle,
og at forbrug af godet ikke udelukker andre fra forbrug. Offentlige goder,
til hvilke ingen er tildelt rettigheder, kan ikke gøres markedsomsættelige,
og dermed prissættes, idet det er umuligt at udelukke ikke-betalende forbrugere.
Mange miljøgoder kan således karakteriseres som offentlige goder.
Miljøgoder betragtes som bidragydere til miljøets totale serviceydelser
til samfundet. Luft er et eksempel på et offentligt miljøgode, og luftforurening
er således et eksempel på, hvordan markedet fejler i at lede til et samfundsmæssigt
optimalt luftkvalitetsniveau på grund af eksternalitetsproblematikken.
På grund af markedets ufuldkommenhed er der behov for indgreb fra
politisk side for at påvirke de økonomiske beslutningsprocesser i retning af
en samfundsmæssig optimal allokering af ressourcerne.
De politiske indgreb kan ske i form af økonomiske incitamenter som
afgifter og kvoter, eller som rene påbud. For at politiske interventioner kan
lede allokeringen i retning af den samfundsmæssigt økonomisk optimale
allokering, kan det være en hjælp for politikkerne at kende et estimat for
samfundets omkostninger ved den inoptimale allokering. I forhold til nærværende
undersøgelse kan den inoptimale allokering betragtes som eksternaliteterne
afledt af svineproduktion. En del af disse eksternaliteter er de
gener, folk oplever på grund af en svineproduktion i nærheden af deres
hjem.
I nærværende undersøgelse er det rent faktisk muligt at estimere en
værdi for et miljøgode (gener), idet miljøgoder handles implicit på husmarkedet.
Miljøet betragtes blot som et af husets mange karakteristika, og
det er således muligt, ved hjælp af husprismetoden, at estimere en implicit
værdi for generne ved at bo i nærheden af en svinebedrift.
Værdisætning af miljøgoder og metoderne til sådanne værdisætninger
har både fortalere og modstandere, hvor et af de største diskussionspunkter
er, om det overhovedet er etisk acceptabelt at gøre miljøets mange forskellige
funktioner og facetter op i en simpel pengeenhed. Diskussionen omkring
værdisætning og den mulige anvendelse af de estimerede værdier for
miljøgoder ligger uden for denne opgaves område. Der skal blot gøres op-
20

mærksom på, at det på baggrund af den velfærdsøkonomiske opfattelse af
værdi og økonomisk værdisætning næppe er muligt at opgøre miljøet og
naturens totale eller absolutte værdi. Værdisætning af miljøgoder bør derimod
kun anvendes til at værdisætte marginale natur- eller miljøændringer,
og værdisætning kan kun opfattes som en del af grundlaget for beslutningen
om disse typer ændringer inden for miljøpolitikken.
2.2 Værdibegreber
I miljøøkonomien findes en række metoder til værdisætning af miljøgoder.
Valget mellem disse værdisætningsmetode afhænger af flere faktorer. Afgørende
for valget er, at der blandt andet tages stilling til den ønskede økonomiske
værdi (total værdi, brugsværdi/ikke-brugsværdi) og den ønskede
type af værdi (ex post/ex ante) (Garrod & Willis, 1999).
2.2.1 Brugs- og ikke-brugsværdi
I miljøøkonomien tales om et godes totale økonomiske værdi (TEV), der
består af godets brugs- og ikke-brugsværdi.
Et godes brugsværdi er den værdi, et gode tillægges som følge af en
direkte brug af godet eller den direkte påvirkning, man oplever fra godet.
Det kan for eksempel være den værdi, man tillægger en skov, fordi man
har mulighed for at gå en tur i den, den værdi, man tillægger ozonlagets
funktion i form af beskyttelsen mod farlige stråler fra solen, eller den værdi,
man tillægger en svinebedrift, når man oplever lugten fra den i ens
hjem.
Brugsværdi inddeles i tre værdibegreber:
• Direkte brugsværdi: værdien af den direkte brug af et gode. Fx værdien
af det producerede svinekød fra en svinebedrift eller tømmerværdien fra
en skov.
• Indirekte brugsværdi eller økologisk funktionsværdi: den værdi, et gode
tillægges for dets funktion, fx en plantes værdi i form af fotosyntesefunktionen.
• Optionsværdi: den værdi et gode tillægges, når en person har mulighed
for at benytte eller blive påvirket af godet. I forhold til den direkte
brugsværdi forudsætter optionsværdien ikke, at individet faktisk benyt-
21

22
ter eller påvirkes af godet, men blot at der til hver en tid er mulighed
herfor.
Begrebet ikke-brugsværdi beskriver den værdi, et gode tillægges af et individ,
der ikke benytter eller påvirkes direkte af godet. Her kan eksempelvis
nævnes den værdi, der kan tillægges et afsidesliggende naturområde, hvor
der aldrig kommer mennesker, men hvor individer tillægger området en
værdi for dets blotte eksistens.
Ikke-brugsværdi inddeles i:
• Testamentarisk værdi: beskriver den værdi, en person tillægger fx et rekreativt
område, for at fremtidige generationer har mulighed for at benytte
det.
• Eksistensværdi: den værdi man tillægger et gode, for den tilfredshed eller
utilfredshed man kan opleve i forhold til godets blotte eksistens.
I forhold til nærværende værdisætning af geneændringer fra en svinebedrift
gås ud fra, at der hovedsageligt er tale om ændringer af brugsværdier, idet
det formodes, at folk, der ikke bor i nærheden af en svinebedrift, ikke oplever
direkte gener fra staldene. Det kan dog diskuteres, hvorvidt denne antagelse
er helt i overensstemmelse med virkeligheden, da der også kan eksistere
andre former for værdier i denne sammenhæng. Svinebedrifter kan
fx tillægges testamentariske eller eksistensværdier af folk, der forbinder
svineproduktion med grundvandsforurening eller ammoniaknedfald på
nærliggende natur som heder eller andre sårbare naturlokaliteter.
Da det i forhold til nærværende undersøgelse antages, at værdien af
geneændringer primært vil være en brugsværdi, kan det forsvares at anvende
en værdisætningsmetode, der udelukkende estimerer en ændring i
brugsværdien. Det bør dog stadig holdes for øje, at brugsværdien ikke vil
afspejle den totale samfundsøkonomiske værdi af en ændring i generne fra
svineproduktionen.
2.2.2 Ex post/ex ante-værdier
I forbindelse med værdisætning af ikke markedsomsatte goder skelnes
mellem ex post og ex ante-værdier. Ex ante-opgørelsen af en værdi sker,
før en ændring i godet finder sted, hvorimod en ex post-opgørelse finder

sted, efter ændringen er sket. I policy-sammenhænge er det ofte ønsket at
estimere værdien af en ændring, før selve ændringen sker. Værdisætning af
ex ante-værdier kan dog være vanskelige at udføre, og det kan derfor være
relevant at overføre resultater fra ex post-opgørelser til lignende endnu ikke
udførte projekter, ved hjælp af en såkaldt benefit transfer. I forbindelse
med nærhed til svinebedrifter formodes det, at det ligeledes vil være vanskeligt
at vurdere indvirkningen på lokalbefolkningen, inden en reel ændring
af bedriften har fundet sted, og det er derfor relevant at se på lokalbefolkningens
påvirkning fra allerede eksisterende bedrifter.
2.3 Værdisætningsmetoder
Figur
2.1
I figur 2.1 ses en kategorisering af de miljøøkonomiske værdisætningsmetoder
samt de velfærdsmål, der opnås ved brug af de forskellige metoder.
De enkelte velfærdsmål præsenteres her blot som endnu en udvælgelsesfaktor,
men beskrives nærmere i kapitel 3.
Samlet oversigt over de mest anvendte værdisætningsmetoder samt
de opnåede velfærdsmål
Udtrykte præferencer (SP)
Den Betingede
Værdisætningsmetode
Compensating
Surplus
(Hicks)
Opnåelse af efterspørgselskurver
Præferencebaseret
Equivalent
Surplus
(Hicks)
Værdisætningsmetoder
Afslørede præferencer (RP)
Rejseomk .
metoden
Consumer
Surplus
( Marshall )
Kilde: Mod.e. Batemann 1992.
Monetære Evalueringsmetoder
Husprismetoden
Alterna -
tivomk .
Prissætning via priser på markedsgoder
Ikke - præferencebaseret
Rekonst .
omk.
Rense
omk.
Implicitte
priser
Prissætningsmetoder
Dose -
respons
23

Værdisætningsmetoderne inddeles overordnet i to kategorier; de ikkepræference-baserede
og de præferencebaserede. Præferencer skal her forstås
som det, at individer eller samfundet foretrækker (og oplever større
nytte ved at få) et bestemt gode eller en bestemt godemængde frem for alternativer.
Idet der fokuseres på menneskers nytte, er der således tale om
en ren antropocentrisk tilgang.
De ikke-præferencebaserede metoder tager, som navnet siger, ikke
udgangspunkt i, hvad individer foretrækker i forhold til godet. Metoderne
drejer sig derimod oftest om omkostningerne forbundet med at nå en given
miljømålsætning. Fx ses i renseomkostningsmetoden på, hvilke omkostninger
der vil være forbundet med at rense luft, vand, jord eller lignende til
en ønsket kvalitet. Under kategorien ikke-præferencebaserede metoder hører:
alternativomkostningsmetoden, rekonstruktionsomkostningsmetoden,
renseomkostningsmetoden, implicitte priser og dose-respons.
Da de ikke-præferencebaserede værdisætningsmetoder ikke tager højde
for, hvad samfundet eller individet foretrækker, vil en værdi af en ændring,
estimeret ved hjælp af en ikke-præferencebaseret værdisætningsmetode,
ikke sige noget om samfundets opfattelse af værdien af denne ændring.
I nærværende undersøgelse er det netop individers/samfundets opfattelse
af gener forbundet med at bo i nærheden af en svinebedrift, der er
relevant, og det vurderes derfor, at de ikke-præferencebaserede værdisætningsmetoder
ikke er brugbare i denne sammenhæng.
I teorien er der ikke fuldstændig overensstemmelse mellem de kategorier,
som de præferencebaserede værdisætningsmetoder inddeles efter. Nedenfor
præsenteres den mere detaljerede inddeling fra Freeman (1993),
hvor metoderne til værdisætning af individuelle præferencer kategoriseres
både i forhold til, om der er tale om indirekte eller direkte metoder, og i
forhold til, om det drejer sig om afslørede eller udtrykte præferencer.
2.3.1 Indirekte/direkte værdisætningsmetoder
Indirekte værdisætningsmetoder søger at afsløre estimater for individers
»betalingsvilje« for miljøkvalitet ved at observere deres ageren på relaterede
markeder. For eksempel kan individers betalingsvilje for at bo i nærheden
af en svinebedrift observeres indirekte ved at analysere husmarkedet,
idet det antages, at husets pris er påvirket af nærheden til en svinebedrift.
24

De direkte værdisætningsmetoder søger derimod at estimere individets
præferencer for fx miljøkvalitet direkte ved at spørge til individets
præferencer for miljø (Hanley et al. 1997).
2.3.2 Afslørede præferencer – Revealed Preferences (RP)
Værdisætningsmetoder under kategorien afslørede præferencer benytter sig
af observationer omkring individers handlinger på det virkelige marked,
hvor man oplever konsekvensen af ens valg og handlinger. Individer afslører
direkte deres præferencer i form af deres forbrugssammensætning af
goder på markedet, men præferencerne kan også afdækkes ved at observere
fx forbrug af rejser til et bestemt rekreativt område, eller køb af hus med
bestemte attributter.
For at kunne anvende metoder i denne kategori er det nødvendigt, at
der findes en måde, hvorpå man kan kæde individets observerede handlingsændringer
sammen med ændringer i fx et miljøgode. Desuden er det
nødvendigt, at den observerede ændring i individets handlingsmønster hovedsagelig
skyldes individets respons på ændringer i miljøgodet, og ikke
påvirkninger fra andre faktorer. Sidst, men ikke mindst, skal handlingsændringen
kunne relateres til priser, så det er muligt at udlede en efterspørgselskurve
for miljøgodet (Bockstael & McConnel 1998).
2.3.3 Udtrykte præferencer – Stated Preferences (SP)
Udtrykte præferencer kaldes i Freeman (1993) »hypotetiske«. Metoderne
benytter sig af folks svar på spørgsmål omkring hypotetiske ændringer i fx
miljøet, modsat RP-metoder, der benytter observationer af folks virkelige
handlinger. I relation til nærværende værdisætningsundersøgelse af gener i
forbindelse med nærhed til svinebedrifter, kunne der for eksempel spørges
om, hvor meget folk ville have været villige til at betale ekstra for deres
hus, hvis det ikke var udsat for gener fra en svinebedrift. Svaret kan således
være et udtryk for individets præferencer for nærhed/afstand til svinebedrifter.
25

2.4 Eksempler på anvendte
værdisætningsmetoder
I det følgende præsenteres de oftest anvendte værdisætningsmetoder: den
betingede værdisætningsmetode, rejseomkostningsmetoden og husprismetoden,
og forskelle mellem de enkelte metoder fremhæves. Valget af
værdisætningsmetode til estimering af værdien af en ændring i gener forbundet
med at bo i nærheden af en svinebedrift vil blandt andet ske på
baggrund af de nævnte faktorer i afsnit 2.2.
2.4.1 Den betingede værdisætningsmetode – Contingent
Valuation Method (CVM)
Den betingede værdisætningsmetode er en bredt anerkendt værdisætningsmetode,
der gennem 1970’erne og 1980’erne har været genstand for
et betydeligt både teoretisk og empirisk forskningsarbejde især i USA. Efter
Exxon Valdez ulykken i Prince Williams Sound, Alaska, i 1989, er brugen
af den betingede værdisætningsmetode vokset, og miljøøkonomiske
forskere (The NOAH Panel) har udarbejdet et sæt anbefalinger til en lang
række kriterier, der kan opfyldes, hvis en betinget værdisætning skal føre
til et brugbart estimat.
CVM benytter sig af respondenters udtrykte præferencer ved direkte at
stille spørgsmål om den enkeltes præference i forhold til en hypotetisk
problemstilling/miljøændring, og CVM er således en SP-metode.
Alt afhængigt af hvordan spørgsmålene til respondenten stilles, kan
der enten opnås et estimat for, hvor meget respondenten er villig til at betale
for at undgå en ændring af fx et miljøgode (»willingness to pay« –
WTP), eller hvor meget respondenten er villig til at acceptere i kompensation
for en ændring (»willingness to accept compensation« – WTA).
Den store fokus, der har været på CVM, har afsløret en række problemer
i relation til brugen af metoden, i form af bl.a. risici for systematisk
påvirkning af resultaterne. I litteraturen findes dog en række råd for, hvordan
risikoen for disse påvirkninger af data kan mindskes. Tages der højde
for disse råd, kan CVM have en fordel i forhold til andre værdisætningsmetoder,
idet man med denne metode har mulighed for at estimere værdien
af en ændring ex ante. Ex ante-opgørelser kræver dog en meget detaljeret
26

eskrivelse af den kommende situation, og respondenterne kan have svært
ved at forholde sig til sådanne tænkte scenarier. CVM har desuden den
fordel, at den kan estimere ikke-brugsværdier, hvilket fx er en nødvendighed
ved værdisætning af unikke eller helt specielle naturområder. Da det,
som tidligere nævnt, antages, at værdien af gener forbundet med at bo i
nærheden af en svinebedrift hovedsageligt udgøres af brugsværdier, vil de
ekstra informationer, en CVM-værdisætning kan bidrage med, næppe
modsvare den ekstra arbejdsbyrde der ligger i at udføre en sådan undersøgelse.
2.4.2 Rejseomkostningsmetoden – Travel Cost Method (TCM)
Rejseomkostningsmetoden er den ældste metode til værdisætning af ikkemarkedsomsatte
goder. Metoden bruges blandt andet i vidt omfang i USA
og i stigende grad i Storbritannien, hovedsageligt til estimering af værdien
af udendørs rekreative områder og aktiviteter som lystfiskeri, jagt, sejlads
og skovture (Hanley & Spash 1993).
TCM betegnes som en RP-metode, idet den søger at estimere værdien
af et ikke-markedsomsat gode ved at se på reelle forbrugsmønstre på relaterede
markeder. TCM anvender omkostningerne forbundet med anvendelsen
af et miljøgode, som en proxy for prisen. Omkostningerne omfatter
udgifter som fx rejseomkostninger (inkl. tid), entré og forbrug på lokaliteten.
For at kunne anvende TCM antages, at der er svag komplementaritet
mellem miljøgodet og forbrugsomkostningerne. Denne antagelse betyder,
at værdien af et rekreativt område er nul, hvis omkostningerne, forbundet
med at rejse til stedet, er så høje, at ingen tager dertil. Antagelsen medfører,
at området kun har en værdi for individet/samfundet, hvis det bruges,
og TCM kan således ikke estimere et områdes ikke-brugsværdi (Hanley &
Spash 1993).
På trods af en række problemer er rejseomkostningsmetoden en anerkendt
metode til estimering af værdien af rekreative områders ikkemarkedsomsatte
goder. Problemstillingen i nærværende undersøgelse er
dog ikke specielt egnet til rejseomkostningsmetoden, idet folk nok hverken
rejser til, eller væk fra et område alene på grund af gener fra en svinebedrift.
27

2.4.3 Husprismetoden – Hedonic Pricing Method (HPM)
HPM, en værdisætningsmetode baseret på den hedoniske værdisætningsteori,
er udviklet omkring 1970’erne og baseres bl.a. på Lancasters (1966) og
Rosens (1974) forbrugsteori om valg af godeattributter, hvor der argumenteres
for, at prisen på et gode skal ses som en funktion af godets attributter,
og at en eller flere af disse attributter kan have miljømæssig karakter.
HPM er en RP-metode, og den benytter sig af, at miljøkvalitet i visse
tilfælde rent faktisk handles på et reelt marked; husprismarkedet (Palmquist
1999).
Idet prisen på et hus kan opfattes som den kapitaliserede værdi af husets
benefit flows, vil ændringer i husprisen, som følge af en ændring i fx
miljøgodets kvalitet, alt andet lige, være udtryk for den kapitaliserede værdi
af denne kvalitetsforskel.
HPM kan, som TCM, på grund af antagelsen om svag komplementaritet
ikke estimere ikke-brugsværdier. Desuden kan metoden kun estimere
værdien af ikke-markedsomsatte goder, hvis en ændring i godet afspejles i
en ændring i husprisen.
En række andre problemer og kritikpunkter af HPM og den bagvedliggende
hedoniske værdisætningsteori behandles nærmere i kapitel 4. På
nuværende tidspunkt skal blot konstateres, at HPM, trods problemerne, har
nogle fordele i forhold til CVM, idet den benytter data vedrørende forbrugernes
faktiske handlinger og ikke blot reaktioner på hypotetiske problemstillinger.
I et land som Danmark har metoden desuden den fordel, at de
fleste data kan rekvireres forholdsvis nemt fra Bygnings- og Boligregistret 1
(BBR), modsat CVM’s omfattende arbejde med spørgeskemaundersøgelser.
I forhold til problemstillingen i nærværende undersøgelse vurderes
det, at HPM vil være en brugbar metode til estimering af en værdi for ændringer
i gener forbundet med at bo i nærheden af en svinebedrift. CVM
ville også være brugbar, men vil umiddelbart være forbundet med væsentlig
større omkostninger og desuden større usikkerhed i forhold til resultatet,
da der vil være tale om hypotetiske spørgsmål og svar.
28

2.5 Sammenfatning
Formålet med dette kapitel har været at give baggrunden for et fagligt begrundet
valg af værdisætningsmetode til brug ved værdisætning af en ændring
i gener forbundet med at bo i nærheden af en svinebedrift. På baggrund
af kapitlets gennemgang af værdibegreber og værdisætningsmetoder
står valget mellem CVM og HPM. TCM er ikke relevant i denne sammenhæng.
Det vurderes, at den eventuelle ekstra information, der vil kunne indhentes
ved en CVM-undersøgelse, i form af ikke-brugsværdi, ikke står mål
med den ekstra arbejdsbyrde, der ligger i udførelsen, i forhold til at lave en
HPM-undersøgelse. HPM anses derfor for at være den mest anvendelige
værdisætningsmetode i forhold til undersøgelsens formål. I nærværende
undersøgelse vil HPM således blive benyttet til at værdisætte en ændring i
gener forbundet med at bo i nærheden af en svinebedrift, idet en sådan ændring
medfører et ændret flow af benefits fra miljøet og dermed antageligt
en ændring i flowet af benefits fra de enkelte huse. HPM vil dog ikke resultere
i et estimat for den totale samfundsøkonomiske værdi af geneændringen,
da det kun er den lokale befolknings værdisætning, der indgår
i det endelige estimat.
29

3 Velfærdsteori og
velfærdsmål
For at kunne forstå ideen bag værdisætningen af eksternaliteter i forbindelse
med produktionen af svin vil det være nødvendigt at se på den generelle
forbrugsteori, der ligger til grund for alle værdisætningsmetoderne. Kapitlet
her starter derfor med at gennemgå teorien omkring forbrugerens valg
af forbrugsgoder, de heraf afledte nyttefunktioner og udledningen af efterspørgselsfunktionen.
Herefter bliver der gjort rede for, hvordan man på
baggrund af efterspørgselsfunktionen kan finde en værdi for ændringen i
velfærden som følge af en ændring i godesammensætningen, og til sidst
gives en kort gennemgang af rejste kritikpunkter vedrørende antagelserne
bag forbrugsteorien og disses relation til virkeligheden.
3.1 Den generelle velfærdsøkonomi
Den økonomiske velfærdsteori er udviklet med det formål at kunne fortolke
ændringer i priser og mængder af goder på markedet. Ligesom de markedsomsatte
goder leverer miljøet nogle serviceydelser til samfundet, og
kvaliteten af miljøet har således en direkte effekt på samfundets velfærd i
den forstand, at ændringer i miljøkvaliteten påvirker flowet af benefits fra
miljøet.
I kapitel 2 er der gjort rede for, hvordan det er markedssystemets mangel
på korrekt allokering af miljøets serviceydelser, der skaber behovet for
værdisætning. Det er ligeledes gennemgået, hvorfor der til denne opgave er
valgt at benytte husprismetoden (HPM), og at denne metode er baseret på
en betragtning om, at der findes en relation mellem prisen på et hus og hu-
30

sets karakteristika. Således afhænger prisen på et hus af mange forskellige
karakteristika, såsom husets størrelse, antallet af badeværelser, husets beliggenhed
og kvaliteten af det omkringliggende miljø.
I nærværende undersøgelse benyttes HPM til at værdisætte gener i
forbindelse med produktionen af svin. Det er det trade-off, der opstår imellem
kvaliteten af miljøgodet og prisen på huset, der gør det muligt at estimere
en værdi for de afledte gener. Prisen på et hus er den kapitaliserede
værdi af husets benefit flows, og ændringen i husprisen som følge af geneændringen
vil, alt andet lige, være udtryk for den kapitaliserede værdi af
en ændring i kvaliteten før og efter. Dermed findes en implicit pris på det
relevante gode.
Værdibegrebet i den neoklassiske velfærdsteori er baseret på forbrugerens
præferencerelationer og de heraf afledte nyttefunktioner. Teorien bygger
på antagelsen om, at forbrugere opfører sig rationelt i deres valg af goder,
hvilket vil sige, at den enkelte forbruger formår at sammenligne og
rangordne alle goder, og at en sådan rangordning skal give mening. At en
rangordning skal give mening, vil sige, at en forbruger, der foretrækker x
frem for y og y frem for z, også skal foretrække x frem for z. Mere formelt
siger man, at der om forbrugerens præferencer skal gælde, at de er (Gravelle
& Rees 1992):
• Refleksive, ≳ xi xi.
• Fuldstændige, enten ≳ x y eller ≳ y x.
• Transitive, hvis ≳ x y og ≳ y z, da gælder at ≳ x z.
Ud over de tre ovenstående præferenceforudsætninger gøres yderligere fire
antagelser om forbrugerens præferencer (Gravelle & Rees, 1992):
• Forbrugeren kan ikke mættes, dvs. mere er bedre.
• Alle indifferente goder udgør en kontinuert sammenhæng.
• Den kontinuerte sammenhæng er strengt konveks.
• Den kontinuerte sammenhæng er differentiabel.
De sidste fire antagelser betyder, at det er muligt at skitsere forbrugerens
præferencer i form af indifferenskurver eller nyttekurver, som illustreret i
et todimensionalt system i figur 3.1. Nyttekurver er blot en måde at knytte
værdier til indifferenskurverne på, således at det fremgår, hvilke indiffe-
31

Figur
3.1
renskurver der giver forbrugeren mest nytte, uden dog at sige noget om
størrelsesforholdet de enkelte nyttekurver imellem (dvs. der er tale om ordinale
kurver). Kurvernes udformning gør endvidere det efterfølgende arbejde
med bestemmelse af de enkelte individers forbrugsvalg nemmere,
idet det bliver muligt at nå frem til en unik løsning.
Nyttekurvernes udformning
Forbrugerens problem består i at vælge den kombination af goder på markedet,
der giver ham/hende den største nytte, begrænset af priser og indkomst.
Forbrugerens problem kan altså opstilles som et maksimeringsproblem:
32
x 2
(1) Max u( X )
st. i i
p x = M
∑
hvor u er nytten, X er en vektor af mængden af markedsgoder xi (i =1…n),
pi er prisen på det i’te gode, og M er indkomsten. Løsningen på problemet
kan bestemmes matematisk vha. Lagrange eller grafisk som tangeringen
mellem budgetrestriktionen og nyttekurverne. I optimum gælder, at det
marginale substitutionsforhold mellem to varer er lig prisforholdet. Løs-
u 2
u 1
u 0
x 1

ningen for den xi’te vare udtrykkes som en funktion af priser og indkomster
i form af Marshall-efterspørgslen:
(2)
x = D( P, M)
*
i i
hvor P er en prisvektor, og formen på funktionen Di afhænger af forbrugerens
præferencer. Ved at indsætte udtrykket for xi* fra (2) i den direkte nyttefunktion,
u(X), fås den indirekte nytte som funktion af priser og indkomster
under antagelse af optimale forbrugervalg:
(3) u = u*( P, M)
Alternativt kan individers forbrugsvalg løses som et minimeringsproblem
også kaldet den duale løsning til maksimeringsproblemet. Det antages, at
forbrugerens problem består i at minimere udgifterne givet et bestemt nytteniveau:
(4)
Min pixi stu . ( X) = u*
∑
hvor u* er løsningen til maksimeringsproblemet. Løsningen på problemet
for den xi’te vare kaldes Hicks-efterspørgslen, og er en funktion af priser
og nytter:
(5)
x = H ( P, u)
*
i i
Ved at indsætte udtrykket for xi* fra (5) i ligningen for det totale forbrug i
(4) fås udgiften som en funktion af priser og nytter (udgiftsfunktionen):
(6) M = mPu ( , )
Figur 3.2 giver en oversigt over sammenhængen mellem Marshall-efterspørgslen
og den indirekte nyttefunktion samt mellem Hicks-efterspørgslen
og udgiftsfunktionen. Det ses, at der findes en invers sammenhæng mellem
33

den indirekte nyttefunktion og udgiftsfunktionen, og at det endvidere er
muligt at gå fra den indirekte nyttefunktion til Marshall-efterspørgslen og
fra udgiftsfunktionen til Hicks-efterspørgslen ved hjælp af hhv. Roys identitet
og Shephard’s lemma, som siger, at (Gravelle & Rees 1992):
34
(7)
∂u*/ ∂pi
Di
=
∂u* / ∂M
(8)
H
i
∂m(
Pu , )
=
∂p
Roys identitet Shephards lemma
Sammenhængen mellem Marshall-efterspørgslen og Hicks-efterspørgslen
ses ud fra følgende:
D( PM , ) = HPu ( , *( PM , ))
H ( Pu , ) = DPmPu ( , ( , ))
Marshall-efterspørgslen ved indkomsten M er den samme som Hicksefterspørgslen
ved nytten u*(P,M), og Hicks-efterspørgslen ved nytten u er
den samme som Marshall-efterspørgslen ved indkomsten m(P,u).
i

Figur
3.2
Sammenhængen mellem Marshall- og Hicks-efterspørgslen
(1)
Lagrange
maksimering
(2)
(7)
?u* / ?pi Di = -
?u* / ?M
Roys identitet
Indsæt
Indsæt
?m(P,u)
Hi = ?pi
Shephards
Lemma
(8)
(3)
Kilde: Otto (1998a).
max u(X)
når ∑pixi = M
Marshall-
efterspørgsel
Di (P,M)
Indirekte
nyttefunktion
u = u*(P,M)
Hermed bliver det i teorien muligt at udlede Hicks-efterspørgslen ud fra
Marshall-efterspørgslen og omvendt. I forbindelse med empiriske undersøgelser,
baseret på markedsdata af efterspørgslen på et gode, vil det være
Marshall-efterspørgslen, der findes. En undersøgelse af generne fra svinebedrifters
påvirkning af salgsprisen på nærved liggende huse, vil således
være baseret på Marshall-efterspørgslen, idet de salgspriser, der inddrages i
undersøgelsen, afspejler reelle markedstransaktioner.
Det er også i praksis muligt at estimere Hicks-efterspørgslen ud fra
Marshall-baserede efterspørgselsdata, men muligheden udnyttes sjældent i
praksis. Dette vendes der tilbage til i slutningen af afsnit 3.2.
3.2 Velfærdsmål
dualitet
inverse
min ∑pixi = M
når u(X) = u*
Hicks-
efterspørgsel
Hi (P,u)
Lagrange
minimering
Udgiftsfunktion
M = m(P,u)
Nedlæggelse af en svinebedrift eller brug af metoder, der mindsker generne
i forbindelse med produktionen, vil sandsynligvis opleves som en posi-
(4)
(5)
(6)
35

tiv velfærds- eller nytteændring af de lokale beboere. De såkaldte velfærdsmål
forsøger at udtrykke velfærdsændringer i form af tilsvarende
indkomstændringer, her udtrykt ved ændringen i husprisen som følge af en
ændring i miljøgodet. Herved opnås ændringen i velfærden udtrykt i form
af penge; en værdi, alle har mulighed for at forholde sig til.
I den økonomiske teori behandles fem typer af mål for ændringer i velfærden
(Freeman 1993 og Gravelle & Rees 1992): Compensating variation
(CV), equivalent variation (EV), compensating surplus (CS), equivalent
surplus (ES) samt ændringen i consumer surplus (S). De fire første såkaldte
velfærdsmål baseres på Hicks-efterspørgslen, mens consumer surplus baseres
på Marshall-efterspørgslen.
Blandt de fire velfærdsmål baseret på Hicks-efterspørgslen skelnes typisk
mellem variation-mål og surplus-mål. Variation-målene findes i de situationer,
hvor forbrugeren har mulighed for at tilpasse deres optimale valg
af godebundter, som en reaktion på ændringer i de relative priser og indkomster.
Surplus-målene, derimod, findes i de situationer, hvor forbrugerens
mulighed for at tilpasse forbrugsvalget ikke er til stede, idet det undersøgte
gode kun er til rådighed i en fast mængde. Mange miljøgoder er karakteriseret
ved en sådan mængdebegrænsning.
I nærværende undersøgelse er formålet at finde frem til en værdi for
den velfærdsændring, husejere vil opleve ved en ændring i gener forbundet
med en nærliggende svinebedrift. Hypotesen er, at værdien af en reduktion
eller intensivering af generne kapitaliseres i form af en prisstigning eller et
prisfald på de nærliggende huse, og dermed udmunder i direkte økonomiske
gevinster eller tab for husejerne. Der kan argumenteres for, at brugen
af Hicks-efterspørgslen til opnåelse af et estimat for værdien af velfærdsændringen
i dette tilfælde vil være et variation-mål, da husejerne kan sælge
deres hus og herefter realisere et nyt optimalt forbrugsvalg givet de nye
forhold. Denne betragtning er dog noget idealiseret, idet der ved salg af et
hus medfølger transaktionsomkostninger m.m., som gør, at der skal en betydelig
økonomisk gevinst til, før det kan betale sig at flytte. Hvis ikke husejeren
foretager et nyt forbrugsvalg i form af et nyt huskøb, må den
estimerede værdi opnået ved hjælp af Hicks-efterspørgslen i stedet betragtes
som et surplus-mål. Diskussionen genoptages i slutningen af rapporten,
når ændringen i de økonomiske forhold kendes, men den resterende del af
36

dette kapitel vil tage udgangspunkt i opnåelsen af et surplus-mål.
I spørgsmålet om, hvorvidt der skal findes et CS eller et ES-mål, er det
nødvendigt at tage stilling til fordelingen af rettigheder. CS er defineret
som den ændring i indkomsten, der fastholder forbrugeren på det oprindelige
nytteniveau givet en ændring af det relevante gode, mens ES er defineret
som den ændring i indkomsten, der gør det muligt for forbrugeren at
opnå det nye nytteniveau med den nuværende godemængde. CS tager således
udgangspunkt i retten til det oprindelige nytteniveau, mens ES tager
udgangspunkt i retten til det opnåede nytteniveau, efter en ændring i forholdene
har fundet sted.
Det vil nok være vanskeligt at argumentere for, at husejere bosat i
landsbyer har ret til at være fuldstændig fri for lugt og andre gener stammende
fra landbrugsproduktion, herunder svineproduktion. Det må formodes,
at folk, der køber hus på landet, har en vis forventning om risikoen for
lugtgener og har dette forhold med i deres overvejelser, inden de beslutter
sig for at købe huset. En husejer, der har købt et hus i umiddelbar nærhed
af en svinebedrift, kan derfor ikke efter huskøbet påberåbe sig retten til at
få nedlagt samme bedrift på grund af gener forbundet med produktionen.
Husejeren har altså kun retten til det nuværende nytteniveau, og CS vil derfor
være det korrekte velfærdsmål at bruge i denne sammenhæng. Vendes
problemstillingen således, at der i stedet for en nytteforbedring er tale om
et nyttefald i forbindelse med en udvidelse af en svinebedrift i nærheden af
boligbebyggelse, vil konklusionen på valget mellem CS og ES være den
samme. Set i lyset af tidligere miljøminister Sven Aukens tiltag vedr. stop
for udvidelse af svinebedrifter i umiddelbar nærhed af boligbebyggelse
(BEK nr. 604 af 15/07/2002), må det opfattes, som om at husejeren har retten
til status quo, og dermed retten til det nuværende nytteniveau. CS vil
derfor også her være det korrekte velfærdsmål at bruge.
Følgende udledning af CS er baseret på Freeman (1993). Den grafiske
udledning af CS og ES ved en ændring i q (miljøkvaliteten 2 ) ses i figur 3.3,
hvor r er prisen på q. Ændring i q fra q 0 til q 1 sætter forbrugeren i stand til
at opnå nytteniveau u 1 ved punktet B i forhold til nytteniveau u 0 ved punkt
A. CS er den vertikale afstand fra punkt B til det oprindelige nytteniveau,
u 0 , punkt C, mens ES er den vertikale afstand fra punkt A til det nye nytteniveau,
u 1 , punkt D. Forbrugerens manglende mulighed for at tilpasse
37

Figur
3.3
mængden af q betyder, at der i optimum ikke er lighed mellem det marginale
substitutions- og prisforhold.
Compensating og equivalent surplus for ændringer i q, når q er et offentligt
gode
Kilde: Freeman (1993).
Med en ændring i q fra q 0 til q 1 i figur 3.3 som eksempel, kan CS udtrykkes
som forskellen i det forbrug, der er nødvendigt for at holde nytten konstant
efter ændringen i q:
38
0 0 1 0
(9) CS m P r q u m P r q u
= ( , , , ) − ( , , , ) > 0
Der gælder, at den marginale værdi af en ændring i q, wq, er lig den reduktion
i indkomsten, som er nødvendig, for at forbrugeren kan opretholde det
oprindelige nytteniveau:
(10) wq
∂m
=−
∂ q
Dermed kan CS også udtrykkes som integralet af (10) fra q 0 til q 1 :
(11)
x
M + ES
M
M - CS
0
1
0
q ∂mPrqu
( , , , )
CS =−
dq
0
q ∂q
∫
q 0
D
A
B
q 1
C
r
u 1
u 0
q

Figur
3.4
Idet ∂m/∂q også svarer til hældningen på indifferenskurven i det punkt, der
ønskes evalueret og dermed den virtuelle pris, b, på q i det punkt, kan CS
også udtrykkes som
(12)
1
q
0
CS b( P, q, u ) dq
0
q
= ∫
hvor b(P, q, u 0 ) kaldes den virtuelle prisfunktion eller den inverse Hickskompenserede
efterspørgselsfunktion. For u 1 er udtrykket i (12) lig ES. b(⋅)
måler således skyggeprisen på q ved konstant nytteniveau ved at neutralisere
forbrugerens betalingsvilje for ændringen i q ved en tilsvarende indkomstændring.
Derved er det forbrugerens rene præferencer for q, der indgår
i CS.
Forskellen på brugen af CS, som mål for en velfærdsændring, i stedet
for CV er illustreret i figur 3.4. Her er der indtegnet en virtuel budgetlinje
til at vise det indkomsttab, der vil neutralisere ændringen i q under antagelse
af, at forbrugeren har mulighed for at optimere sit forbrug. Det ses, at
det virtuelle »CV« er større end CS, hvilket skyldes, at velfærdsforbedringen,
ved manglende mulighed for at optimere, er mindre.
Forskel på CS og den virtuelle CV
Kilde: Freeman (1993).
x
”CV”
M
CS
0 q 0
A
B
C
u 0
u 1
q 0 q
39

Det sidste mål for ændring i velfærden er ændringen i consumer surplus
(S), som svarer til området til venstre for Marshall-efterspørgslen ved prisændringer.
I forbindelse med kvantitative ændringer er det i stedet området
under Mashall-efterspørgslen, der bruges som mål for »willingness to pay«
(WTP) eller »willingness to accept compensation« (WTA) (Lankford,
1988). S kan dermed skrives som:
40
(13)
1
q
−1
S = D ( P, q, M −r⋅q) dq
0
q
∫
S vil ikke være udtryk for den sande ændring i velfærden, i og med at der i
dette mål ikke er indkomstkompenseret for den værdi, forbrugeren tilskriver
opnåelsen af et højere nytteniveau (punktet B i figur 3.3). Alligevel
bruges S ofte som approksimation for CS (og ES), idet det i forbindelse
med markedsdata vil være Marshall-efterspørgslen der observeres, og det
desuden argumenteres, at forskellen de to mål imellem sandsynligvis ikke
vil være ret stor grundet en lille indkomsteffekt (Freeman 1993). Som tidligere
nævnt vil nærværende undersøgelse også være baseret på Mashallefterspørgslen,
idet der anvendes markedsbaseret data. I figur 3.5 ses, at
målet for S svarende til arealet B + C ligger imellem målene for CS og ES
med arealerne svarende til hhv. C og A + B + C, og samtidig ses, at CS og
ES ikke er enslydende. Under antagelse af at der er tale om et normalt gode,
vil der ved en kvantitetsøgning gælde, at CS < S < ES. Størrelsen på
forskellen afhænger bl.a. af indkomstelasticiteten, og de tre mål vil kun
være enslydende i de tilfælde, hvor indkomstelasticiteten er nul.

Figur
3.5
Forholdet mellem den inverse Marshall-efterspørgsel og den virtuelle
prisfunktion
Pris
0
q 0
Kilde: Mod.e. Freeman (1993).
Det er muligt, ud fra kendskab til Marshall-efterspørgslen, at beregne sig
frem til CS (og ES) direkte (Lankford, 1988). Muligheden udnyttes dog
sjældent i praksis, idet metoderne kan være temmelig indviklede at benytte,
og fordi det er vanskeligt at bevise, at den opnåede Hicks-efterspørgsel opfylder
de betingelser, der stilles, for at denne er korrekt. Således skal
Hicks-efterspørgslen bl.a. opfylde den såkaldte Slutsky-symmetri, som siger,
at ændringen i efterspørgslen på vare i ved en ændring i prisen på vare
j skal være lig ændringen i efterspørgslen på vare j ved en ændring i prisen
på vare i (Gravelle & Rees, 1992):
(14) ∂H/ ∂ p =∂H / ∂ p
A
C
B
q 1
i j j i
D -1 (P, q, M – r · q)
b 1 (P, q, u 1 )
b 0 (P, q, u 0 )
Idet de markedsdata, som beregningerne er baseret på, som regel udelukkende
indeholder oplysninger om egenprisændringer, er det vanskeligt at
bevise, at Slutsky-symmetrien er opfyldt, og dermed at CS-målet er mere
korrekt end blot at bruge S direkte.
q
41

3.3 Kritik af antagelser bag den økonomiske
velfærdsteori
En udførlig gennemgang af de problemstillinger, der er forbundet med antagelserne
bag den økonomiske velfærdsteori, ligger uden for dette speciale,
men en kort fremstilling af nogle af de anvendte kritikpunkter, som kan
have betydning i forbindelse med hedonisk værdisætning, skal her præsenteres.
I forbindelse med købet af et hus kan der sættes spørgsmålstegn ved,
hvorvidt de beslutninger, der træffes vedrørende sammensætningen af husets
karakteristika, kan betragtes som et rationelt valg, eftersom at mange
sådanne valg træffes på baggrund af en hel husstands præferencer. Ifølge
Arrows umulighedssætning (Gravelle & Rees 1992) er det ikke muligt at
foretage et efficient valg imellem alternativer, når valget skal træffes på
baggrund af tre eller flere personers præferencer. Herved kan det endelige
valg nemlig resultere i en løsning, som ikke har flertallet bag sig. Velfærdsteorien
er dog ikke nødvendigvis baseret på personer, men derimod
på enheder. Hvis husstanden kan betragtes som en enhed, bliver løsningen
at indsætte en »benevolent« (velmenende) diktator. Hermed kan en husstand
betragtes som en velfærdsoptimerende enhed, der formodes at være i
stand til at træffe det valg, der maksimerer husstandens samlede nytte. Problemet
afspejler altså muligvis personers irrationelle valg, men vil ikke
være relevant i husprissammenhæng, da husstanden antageligt kan betragtes
som en nyttemaksimerende enhed.
Velfærdsteoriens antagelse om rationelle forbrugere bliver ligeledes
kritiseret af Daniel Kahneman, der for nylig modtog Nobelprisen for sit arbejde
med samme emne. I en artikel fra 1984 beskriver Kahneman og
Tversky bl.a., hvordan folk evaluerer tab og fortjenester ud fra en relativ i
stedet for en absolut sammenhæng, hvilket er i modstrid med teorien om
den rationelle forbruger. Således vil værdien af en 5-kr.’s-besparelse på et
gode til en værdi af 15 kr. ikke betragtes som det samme, som værdien af
en 5-kr.’s-besparelse på et gode til en værdi på 125 kr.
Kritikken fra Kahneman og Tversky (1984) er umiddelbart mest relevant
i forbindelse med udførelsen af CVM-undersøgelser, hvor respondenten
i nogle tilfælde skal forholde sig til alternative hypotetiske situationer. I
42

HPM anvendes derimod husejernes faktiske ageren på markedet, hvilket
ikke er mere forkert end analysering af alle andre markedspriser og markedsmekanismer.
Hvis forbrugeren konsekvent betragtes som irrationel, vil
resultatet være et sammenbrud af hele teorien om markedsøkonomiens allokeringsmæssige
efficiens. En nærmere gennemgang heraf ligger uden for
denne opgave.
Som det kan ses ud fra ovenstående, diskuteres det rimelige ved velfærdsteoriens
antagelse om rationelle forbrugsvalg, og dermed grundlaget
for velfærdsmålenes afspejling af et godes reelle værdi. På trods heraf er
der blevet argumenteret for, at HPM-undersøgelser alligevel må vurderes
som et anvendeligt værktøj til værdisætning. De komplekse sammenhænge,
der gør sig gældende i vores verden, gør brugen af antagelser nødvendige,
for at gøre analysearbejder overskuelige og modeller operationelle,
blot skal man holde sig disse antagelser for øje i sit arbejde. Dette gælder
inden for alle former for økonomiske analyser, og ikke blot inden for miljøøkonomien.
3.4 Sammenfatning
Den generelle velfærdsøkonomi med de heraf afledte nyttekurver og udledning
af Marshall- og Hicks-efterspørgselskurver er her blevet gennemgået.
De relevante mål for ændring i velfærden er blevet udledt, og der er
argumenteret for, at det er S, der udledes i nærværende undersøgelse. S vil
være en approksimation for det »sande« velfærdsmål, som er CS, og det er
vist, at en sådan approksimation er rimelig.
Der er i forbindelse med velfærdsteorien en del kritik af antagelsen om
den rationelle forbruger; en antagelse, som hvis forkastet, betyder kollaps
af hele det teoretiske grundlag for velfærdsøkonomien, og dermed for
værdisætning af miljøgoder. De markedsmekanismer, der benyttes i nærværende
undersøgelse, er dog ikke mere forkerte end alle andre markedsmekanismer,
der bruges i markedsøkonomiske analyser.
43

4 Hedonisk værdisætning
Med baggrund i valget af husprismetoden (HPM) som den mest relevante
værdisætningsmetode til estimering af den implicitte pris på gener ved at
bo i nærheden af en svinebedrift samt den grundlæggende velfærdsøkonomiske
teori bag værdisætningsbegrebet som sådan, giver kapitlet her en
mere dybtgående gennemgang af HPM, samt en præsentation af nogle af
de kritikpunkter, der omtales i litteraturen omkring værdisætningsmetoden.
4.1 Den hedoniske teori
Den hedoniske teori, som den anvendes i dag, er blandt andet baseret på
Lancasters (1966) og Rosens (1974) forbrugsteori, men anvendelsen af hedonisk
modellering startede, ifølge Habb & McConnell (2002), allerede i
1926 med Waughs undersøgelse af prisforskelle på friske grøntsager. Andre
artikler tilskriver den første omtale af det hedoniske begreb til Andrew
Courts artikel fra 1939 (Rosen, 1974; Goodman, 1978; Goodman, 1998).
Court benyttede begrebet »hedonisk« til at beskrive den relative vigtighed
af forskellige egenskaber ved biler, fx hestekræfter, bremseevne, vinduesareal,
sædebredde og dækstørrelse, i en estimeret model for disse egenskabers
påvirkning på bilens pris. Vægtningen blev anvendt til at konstruere et
indeks for bilens »usefulness and desirability« (Goodman 1998).
Courts arbejde blev videreudviklet af Griliches i flere artikler gennem
1960’erne, første gang i 1958, hvor en hedonisk regression blev anvendt til
at se på forskellige gødningstypers indhold af nitrogen, fosfor og kalium.
Griliches har desuden benyttet hedoniske regressioner til estimering af
44

prisindekser for biler (Goodman 1998). Den egentlige formulering af hedoniske
værdisætningsmodeller tilskrives Griliches (Gilley & Pace 1995;
Milon et al. 1984).
I 1967 anvendtes den hedoniske værdisætningsmetode første gang til
værdisætning af miljøgoder. Dette sker i en artikel af Ridker & Henning
(1967), hvor gevinsten ved en ændring i luftkvaliteten søges estimeret ved
hjælp af ændringer i huspriser. Undersøgelsen giver et empirisk bevis for,
at luftforurening påvirker værdien af et hus. Ridker & Hennings undersøgelse
medførte en stigende interesse for værdisætning af miljø ved hjælp af
hedoniske metoder og har givet inspiration til en lang række artikler og undersøgelser
inden for de hedoniske værdisætningsmetoder (Freeman,
1993).
En af de vigtigste og oftest citerede artikler i udviklingen af teorien
bag den hedoniske værdisætningsmetode er en artikel skrevet af Shervin
Rosen (1974). Denne artikel danner grundlag for størstedelen af den efterfølgende
miljøøkonomiske anvendelse af hedoniske værdisætningsmetoder.
Rosens artikel beskriver den hedoniske metode til at estimere efterspørgslen
efter en udvalgt attribut ud fra et sammensat gode. Metoden består
af to trin. Første trin estimerer den marginale implicitte pris for et
sammensat godes karakteristika ved hjælp af en hedonisk prisfunktion,
mens andet trin benytter de estimerede implicitte priser til at bestemme den
inverse efterspørgselsfunktion eller den marginale betalingsvilje for den
udvalgte attribut.
For at estimere de implicitte priser skitserer Rosen (1974) en model
for produktdifferentiering baseret på hypotesen om, at goder vurderes ud
fra den nytte, som godets sammensætning af karakteristika medfører. Det
antages, at en gruppe af differentierede produkter kan beskrives fuldstændigt
ud fra en vektor bestående af objektivt vurderede karakteristika. Observerede
produktpriser og den specifikke mængde af attributten forbundet
med hvert gode definerer et sæt af implicitte eller hedoniske priser. Et
sammensat godes salgspris vil være en funktion af dets karakteristika; dette
er den hedoniske funktion.
Rosen opstiller en model bestående af flere dimensioner med både købere/forbrugere
og sælgere/producenter. Mængden af goder på markedet
45

Figur
4.1
beskrives af n objektivt vurderede attributter. For hvert gode findes en vektor,
der beskriver sammensætningen af dette godes attributter. Købernes
handlinger beskrives af en budfunktion (efterspørgselsfunktion), der repræsenterer
købernes betalingsvilje for et gode med en given attributsammensætning,
givet køberens indkomst og nytteniveau. Producenternes handlinger
beskrives af en udbudsfunktion, der repræsenterer den enhedspris, producenten
kan acceptere for et gode med en given attributsammensætning,
givet profitten (Rosen 1974). Både købere og sælgere er nyttemaksimerende
forbrugere og baserer deres mængdebeslutninger herpå.
En markedsligevægt vil indfinde sig, hvor forbrugernes beslutninger
omkring køb af goder svarer til producenternes beslutninger omkring produktion
af de tilsvarende goder. Forbrugerens optimale forbrug vil være,
når han køber lige præcis den kombination af attributter, han foretrækker
under hensyn til hans budgetrestriktion. Producentens valg går ud på at
vælge den optimale kombination af attributter for de goder, han producerer,
i forhold til den mængde, der produceres, de omkostninger, der er forbundet
med produktionen, og den efterspørgsel, der er efter disse attributkombinationer.
Hedonisk ligevægt, hvor bud- og udbudskurver tangerer og resulterer
i den hedoniske prisfunktion
Kilde: Mod. e. Palmquist (1991).
46
P
Udbudskurver
Budkurver
P(z1) = Hedonisk prisfunktion
Z1

Markedets ligevægt ses i figur 4.1 som tangentpunktet mellem budkurven
(efterspørgselskurven) og udbudskurven ved variation i mængden af attributten
z1, mens mængden af alle andre attributter holdes konstante. Tangentpunkterne
mellem budfunktioner og udbudsfunktioner angiver ligevægtsprisen
for hver mængde z1. I dette ligevægtspunkt vil forbrugeren ikke
kunne opnå større nytte ved at vælge en anden attributkombination, og
producenten vil ikke kunne opnå større profit ved at udbyde en anden
mængde goder eller kombination af attributter. For at et sådan ligevægtspunkt
kan findes, er det nødvendigt at gøre nogle antagelser. Blandt andet
antages, at der på markedet findes en variation i attributsammensætningerne,
således at alle forbrugere, på trods af forskellige præferencer, kan tilfredsstilles
(Rosen 1974).
Første trin i Rosens hedoniske teknik drejer sig om at estimere en
funktion p(z), hvor efterspørgslen efter attributten z er lig udbud, gældende
for alle z, altså en funktion for tangentpunkterne mellem budfunktioner og
udbudsfunktioner. Denne funktion svarer til den hedoniske prisfunktion,
også kaldet den implicitte prisfunktion.
Andet trin benytter derefter de estimerede implicitte priser til at bestemme
den inverse efterspørgselsfunktion eller den marginale betalingsvilje
for en gruppe forbrugere. Den inverse efterspørgselsfunktion estimeres
på baggrund af observerede efterspurgte mængder af attributterne, samt
variabler som indkomst og andre socioøkonomiske variabler, der kan påvirke
efterspørgslen af attributterne, fx husets alder, størrelse af husstanden
og uddannelsesniveau (Freeman 1979).
Rosens artikel danner som sagt grundlag for miljøøkonomiens anvendelse
af den hedoniske værdisætningsmetode. I miljøøkonomien er metoden
oftest anvendt i forhold til huspriser. I denne forbindelse kendes metoden
under navnet »husprismetoden (HPM)«, hvor forbrugerne/køberne er
en husstand.
4.2 Husprismetoden
En lang række artikler og lærebøger beskriver HPM, samt dens anvendelse
og fortolkning, blandt andet Freeman (1993), Hanley & Spash (1993), Garrod
& Willis (1999), Haab & McConnell (2002), Freeman (1979) og
47

Palmquist (1991). Den følgende beskrivelse er hovedsagelig baseret på
Freeman, 1979.
I husprismetoden er huset det sammensatte gode. Huset kan beskrives
af en række karakteristika, der opdeles i:
• Husets strukturelle karakteristika, Si, såsom størrelse, antal værelser, antal
badeværelser, opvarmning, alder, ydervægsmateriale, tagtype,
grundstørrelse og stand.
• Tilgængelighedskarakteristika, Ti, letheden, hvorved lokale faciliteter
kan nås fra den enkelte ejendom, fx skoler, dagsinstitutioner, posthuse,
indkøbsmuligheder, stationer, job, sportsfaciliteter og rekreative områder.
• Områdekarakteristika, Oi, standarden i området beskrevet som fx indkomstniveau,
skatteniveau og serviceniveau.
• Miljømæssige karakteristika, Mi, såsom beliggenhed, udsigt, grønne
områder, trafik, luftkvalitet og vandkvalitet.
Idet H repræsenterer godegruppen huse, kan ethvert hus i H, hi, beskrives
komplet ud fra en vektor af husets karakteristika. Prisen på hi er en funktion
af niveauet af disse karakteristika:
48
(15) Phi = Ph(Si1,…,Sij, Ti1, …,Tik, Oi1,…,Oim,…, Mi1,…, Min),
hvor Phi er den hedoniske eller implicitte prisfunktion for det sammensatte
gode: huset. Funktionen kaldes derfor også husprisfunktionen.
Estimeringen af denne funktion svarer til første trin i Rosens hedoniske
teknik, hvor funktionen baseres på tangentpunkterne mellem forbrugernes
budkurver og producenternes udbudskurver. Rosens teknik behandler
således både efterspørgselssiden og udbudssiden af et marked. På husmarkedet
antages dog, at det er tilstrækkeligt at se på efterspørgselssiden,
idet huskøbere betragtes som pristagere, udbudsfunktionen for husets karakteristika
er uelastisk 3 , og den kritiske information med hensyn til miljøkarakteristika
findes på efterspørgselssiden.
Den marginale implicitte pris for et karakteristika, fx et miljøkarakteristika,
Mn, er givet ved at differentiere husprisfunktion med hensyn til det
relevante karakteristika Mn:

Figur
4.2
(16) ∂ Phi /∂ Mn = PMn(Mn)
Udtrykket i (16) viser husprisændringen ved en enhed mere af miljøkarakteristika
Mn, alt andet lige. I nærværende undersøgelse vil den interessante
marginale implicitte pris være husprisændringen i forhold til en ændring i
benefit flowet fra miljøet forårsaget af en ændring i påvirkningen fra nærved
liggende svinebedrifter.
a. Huspriser og benefit flow b. To individers ligevægte
fra miljøet på husmarkedet
Huspris, P
Kilde: Mod. e. Freeman (1979).
Ph= P(Mn)
Benefit flow, Mn
Marginal værdi
MVa
Benefit flow, M n
I figur 4.2a ses en illustration af et muligt partielt forhold mellem husprisen
og miljøkarakteristikaet Mn. Det ses, at husprisen stiger som følge af en
øget kvalitet af miljøet, dog med en aftagende effekt. I forhold til nærværende
undersøgelses miljøkarakteristika antages en lignende sammenhæng,
idet det formodes, at en reduktion i påvirkningerne fra en svinebedrift,
medfører en øget kvalitet af miljøet og dermed stigende huspriser. Er kvaliteten
af miljøet i forvejen høj, vil en yderligere marginal forbedring have
en positiv, men forholdsvis mindre effekt på husprisændringen.
Figur 4.2b viser to husstandes (a og b) marginale betalingsviljer, eller
inverse efterspørgselskurver for miljøkarakteristika Mn, samt den marginale
implicitte priskurve for Mn, PMn(Mn). Det antages, at der er tale om et
perfekt marked med perfekt informerede forbrugere. Desuden antages, at
hver husstand er pristager og har mulighed for at opnå en optimal mængde
MVb
Mn,a Mn,b
P Mn(M n)
49

af miljøkarakteristikaet, Mn, ved at bevæge sig langs den marginale implicitte
priskurve, indtil husstandens marginale betalingsvilje for en øget
mængde af miljøkarakteristikaet, Mn, svarer til den marginale implicitte
pris for dette miljøkarakteristika. Begge husstande maksimerer deres nytte,
hvor deres marginale betalingsviljekurver (MVa og MVb) skærer den marginale
implicitte priskurve for Mn. I disse skæringspunkter har husstanden
således opnået ligevægt på husmarkedet, idet det ikke er muligt at ændre
mængden af karakteristika og derved opnå en større nytte. Den marginale
implicitte priskurve svarer herved til en samling af ligevægtspunkter mellem
samtlige individers marginale betalingsviljer og den marginale implicitte
priskurve.
På baggrund af den estimerede implicitte pris for miljøkarakteristika
Mn er det herefter relevant at bestemme efterspørgslen efter en given
mængde af godet. Hver husstands efterspørgsel efter godet svarer, som set
i figur 4.2b, til et punkt på husstandens efterspørgselskurve. Hvis alle husstande
var 100% identiske på alle områder, ville den marginale implicitte
priskurve svare til den inverse efterspørgselskurve for miljøkarakteristika
Mn. Da husstande dog generelt både har forskellige indkomster og præferencer
for Mn, er det nødvendigt at se på, hvordan husstandenes efterspørgsel
varierer i forhold til indkomsten og andre karakteristika for husstanden.
Efterspørgselsfunktionen efter miljøkarakteristika Mn kan i teorien bestemmes
ved hjælp af Rosens andet trin i den hedoniske teknik. Palmquist
(1992) har dog vist, at det er tilstrækkeligt at anvende Rosens første trin til
estimering af betalingsviljen for en ændring i miljøkarakteristikaet, hvis en
sådan ændring kan betragtes som en marginal ændring eller en ændring i
en lokal eksternalitet 4 , der ikke påvirker den hedoniske funktion. Ved marginale
ændringer er det muligt at estimere værdien af ændringen på baggrund
af den estimerede hedoniske prisfunktion ved blot at lægge de observerede
betalingsviljer for alle påvirkede husstande sammen (Freeman
1993). Er der i hedoniske værdisætningsundersøgelser således udelukkende
tale om undersøgelse af ændringer i lokale eksternaliteter eller marginale
ændringer af miljøkvaliteten, vil anvendelsen af Rosens første trin være
et direkte mål for velfærdsændringen (Freeman 1993).
Ifølge Tyrvaïnen & Miettinen (2000) har langt de fleste miljøøkonomiske
HPM-undersøgelser værdisat lokale eksternaliteter eller marginale
50

ændringer, og de har derfor kunnet nøjes med Rosens første trin: estimeringen
af den hedoniske prisfunktion.
I nærværende værdisætningsundersøgelse vurderes ligeledes, at det
kan forsvares, at betegne ændringer i miljøpåvirkningen fra en svinebedrift
som ændrigen i en lokal eksternalitet, idet ændringen af miljøkvalitet figurerer
i form af udvidelse eller indskrænkning af en svinebedrift i et bestemt
område. Ændringer af miljøkvaliteten vil kun påvirke de omkringliggende
huse inden for en vis afstand og ikke markedsligevægten. Der er således
ikke tale om en generel stigning i antallet af svinebedrifter i landet, hvilket
kunne have påvirket ligevægten på husmarkedet og dermed ændret den hedoniske
prisfunktion. Da der er tale om ændring af en lokal eksternalitet,
vil det på baggrund af ovenstående være tilstrækkeligt at benytte Rosens
første trin til at estimere et mål for værdien af en miljøkvalitetsændring.
Var der i nærværende undersøgelse ikke kun tale om ændringer i lokale
eksternaliteter, men derimod strukturelle ændringer, der påvirkede selve
husmarkedet, ville det have været nødvendigt også at anvende Rosens andet
trin i den hedoniske teknik. Andet trin kan i teorien anvendes til at
estimere den inverse efterspørgselskurve for miljøkarakteristika Mn ved at
kombinere den estimerede implicitte pris med husstandenes faktiske efterspurgte
mængder af karakteristika Mn, samt variabler som indkomst, alder,
størrelse af husstanden og uddannelsesniveau.
Estimeringen af den inverse efterspørgselskurve er forbundet med to
typer problemer: identifikationsproblemet og endogenitetsproblemet. Identifikationsproblemet
drejer sig om, at data for den afhængige variabel i den
marginale betalingsviljefunktion for karakteristika Mn ikke er direkte observerbare,
men må beregnes på baggrund af den marginale implicitte pris
fra den estimerede hedoniske prisfunktion. Dette forhold medfører, at
estimeringsfejl i den implicitte pris føres videre i estimeringen af efterspørgselsfunktionen,
og at denne derfor kan være behæftet med en del
usikkerhed. (Freeman 1993).
Endogenitetsproblemet drejer sig om, at både mængden af det værdisatte
gode og dets marginale implicitte pris, der begge benyttes til at
estimere den inverse efterspørgselskurve, ofte bestemmes endogent i den
hedoniske prisfunktion. I forbindelse med hedonisk værdisætning af miljøkarakteristika,
som i nærværende undersøgelse, er endogenitetsproblemet
51

dog ikke relevant, idet mængden af miljøkarakteristika Mn er eksogent bestemt,
og mængden af Mn på markedet tages som givet. Mængden påvirkes
ikke af markedets efterspørgsel efter godet, men påvirkes fx af politiske tiltag.
4.3 Husprismetodens antagelser
Den hedoniske teori, og dermed HPM, baseres, som enhver anden økonomisk
teori, på en række antagelser. Teorier og modeller forsøger at forklare
og forudsige hændelser i den virkelige verden, men da den virkelige verden
er utrolig kompleks, er det nødvendigt at gøre en række antagelser for at
kunne opstille en operationel teori. Anvendelsen af en teoretisk metode vil
være afhængig af plausibiliteten af de bagvedliggende antagelser. Ifølge
Freeman (1979) er den hedoniske teknik baseret på en teori, der er logisk
og konsistent, men den involverer også en simplifikation og abstraktion af
den komplekse virkelighed. Den hedoniske værdisætningsmetode lever,
ifølge Freeman (1979) lige så godt eller skidt op til virkeligheden som nogen
anden empirisk teknik til estimering af størrelser som efterspørgselsfunktioner,
produktionsfunktioner, forbrugsfunktioner o.l. I fortolkningen
af HPM-resultaterne anbefales det dog at holde sig de bagvedliggende antagelser
og kritikpunkter af teorien for øje.
4.3.1 Ligevægt på husmarkedet
I Rosens første trin forudsættes, at hver husstand har opnået ligevægt på
markedet, for at den implicitte pris kan tolkes som husstandens betalingsvilje.
Ligevægt på husmarkedet kan eksistere, hvis der er tale om et perfekt
marked med fuld information omkring alle huspriser og karakteristika,
husstandens flytte- og transaktionsomkostninger er nul, og huspriserne tilpasses
en ændring i karakteristika øjeblikkeligt.
Blandt andet Freeman (1979) og Garrod & Willis (1992) argumenterer
for, at en sådan ligevægt ikke vil eksistere i realiteten, da der hverken er
fuld information mellem køber og sælger eller fuld mobilitet blandt eventuelle
købere. Manglen på fuld information vil dog ikke medføre systematisk
fejlagtige påvirkninger på betalingsviljeestimaterne, men snarere tilfældige
påvirkninger, hvilket ikke betyder noget for resultatets validitet
52

(Garrod & Willis 1992). Manglen på fuld mobilitet kan bl.a. skyldes flytteomkostninger
og transaktionsomkostninger, der medfører, at en evt.
husprisændring mindst skal opveje disse omkostninger, før husstanden vil
overveje at flytte. Er flytte- og transaktionsomkostninger forskellige fra
nul, vil en estimeret husprisstigning være et overestimat for velfærdsændringen.
Er der tale om en forsinket eller ikke-fuldstændig tilpasning af
husprisen til en ændring i et karakteristika, vil den observerede marginale
implicitte pris ikke svare præcist til husstandens egentlige marginale betalingsvilje.
Estimaternes afvigelse fra den egentlige marginale betalingsvilje
afhænger af markedets bevægelser og kan enten være tilfældige eller gå i
en bestemt retning (Freeman 1979).
Ligevægten på husmarkedet kan ligeledes påvirkes af skatter. Her anfører
Freeman (1993), at ejendomsskatter medfører et overestimat for værdien
af benefits ved en ændring i miljøgodet, mens indkomstskatter medfører
et underestimat (Freeman 1993). Den samlede effekt af skatter afhænger
af skatteniveauet.
4.3.2 Ét husmarked
Den hedoniske prisfunktion antager, at der er tale om et samlet marked. Et
samlet marked er kendetegnet ved en fælles hedonisk prisfunktion, hvorimod
segmenterede markeder har forskellige hedoniske prisfunktioner. Antagelsen
om et samlet marked diskuteres blandt andet i Palmquist (1991)
og Freeman (1979), hvor det omtales, at nogle hedoniske undersøgelser arbejder
med nationale husmarkeder, mens andre benytter mindre geografisk
adskilte markeder, og andre igen anvender markeder opdelt i forhold til fx
indkomst, tilgængelighed eller race.
Den generelle opfattelse er, at der normalt er tale om et samlet marked
inden for hver enkelt by, mens områder, der er adskilte af geografiske afstande,
kan siges at være segmenterede. Segmenterede markeder kan bl.a.
skyldes barrierer som flytteomkostninger, manglende information eller ønsket
om at bo i en bestemt type område (Freeman 1979).
Markeder kan også være segmenterede over tid, idet der ikke nødvendigvis
kan siges at være tale om de samme præferencer og samme husprisfunktioner
i forskellige perioder. Det er ikke muligt på forhånd at udtale sig
om, hvorvidt markedet er segmenteret over tid. Palmquist (1991) argumen-
53

terer dog for, at hvis markedet ikke har været udsat for større chok inden
for perioden, kan en aggregering retfærdiggøres.
Antages det, at der er tale om ét samlet marked, hvor der i virkeligheden
er tale om segmenterede markeder med hver deres hedoniske husprisfunktion,
eller er antagelsen, at der er tale om segmenterede markeder, når
der egentlig er tale om ét samlet marked, vil parameterestimaterne blive
skæve.
I nærværende undersøgelse er det således relevant at undersøge, om
der er tale om et samlet marked for hele landet, eller om der kan siges at
være adskilte markeder for de udvalgte områder. Da det ikke på forhånd
kan siges, om et marked er segmenteret eller ej, vil det være et empirisk
spørgsmål, og det vil være nødvendigt at teste data herfor. Det vil desuden
være relevant at teste, om der er segmentering over tid, idet husprisdata i
denne undersøgelse indledningsvis strækker sig over en forholdsvis lang
periode (1971 til 2002).
4.3.3 Separable goder
Den hedoniske husprisfunktion er baseret på antagelsen om, at et godes attributter
kan separeres individuelt (Garrod & Willis 1992). Herved antages,
at den enkelte attribut har en værdi, der er uafhængig af husets øvrige attributter,
og værdien af den enkelte attribut kan derfor estimeres ved hjælp af
husprisfunktionen (Palmquist 1991).
Det kan diskuteres, om attributten »gener fra en svinebedrift« kan adskilles
fra øvrige attributter forbundet med at bo på landet eller i en mindre
landsby fx afstanden til arbejdspladser, indkøbsmuligheder, pasningsmuligheder
og fritidsaktiviteter. Det kan desuden overvejes, hvor detaljeret det
er muligt at separere et godes attributter. Her tænkes fx på muligheden for
at separere attributten »lugt fra svinestalde« fra andre attributter forbundet
med at bo i nærheden af svinedrifter fx fluer, larm, gener i forbindelse med
gyllespredning og udsigt til store avlsbygninger. Er det i realiteten ikke
muligt at separere de enkelte attributter, vil et forsøg på at estimere værdien
af en ændring i en specifik attribut resultere i skæve parameterestimater
(Garrod & Willis 1992). I forbindelse med definitionen af miljøparameteren
i nærværende undersøgelse vil samtlige gener forbundet med at bo i
nærheden af en svinebedrift blive behandlet som én samlet attribut, idet det
54

ikke anses som en reel mulighed at separere generne fra hinanden. I denne
sammenhæng er det dog nødvendigt at være opmærksom på, at det kun er
værdien af lokalbefolkningens gener fra en svinebedrift der estimeres, og
ikke en total samfundsøkonomisk værdi af eksternaliteter fra svinebedrifter.
4.3.4 Husstandens opfattelse af karakteristika
Ifølge Lancasters forbrugsteori (Lancaster 1966) er et individs nytte af et
gode baseret på de karakteristika, godet er sammensat af. Et individs eller
en husstands betalingsvilje for et bestemt karakteristika kan ses som mål
for individets/husstandens nytte af godet. Betalingsviljen vil kun kunne afsløres
i en HPM-model, hvis det målte niveau af det relevante karakteristika
beskriver det niveau, husstanden i realiteten oplever (Freeman 1979). I
denne undersøgelse svarer det til, at variablen, der beskriver gener fra en
nærved liggende svinebedrift, bedst muligt bør reflektere den egentlige påvirkning,
husstanden oplever. Stemmer den »målte gene« ikke overens
med husstandens opfattelse, kan det have betydning for validiteten af de
estimerede resultater. I forbindelse med definitionen af miljøparameteren i
nærværende undersøgelse vil det blive diskuteret, hvorvidt definitionen
svarer til husstandens reelle opfattelse af denne parameter.
4.3.5 Husstandens opfattelse af risiko
Husstandens opfattelse af risiko er især relevant i forhold til ændringer i
karakteristika, hvor ændringen ikke forekommer med 100% sandsynlighed.
Af eksempler på sådanne hændelser kan nævnes oversvømmelse, jordskælv,
eksplosioner og forureningsudslip. Ifølge Kask & Maani (1992) har
husstande generelt svært ved at forholde sig til sandsynligheder for, at en
hændelse indtræffer. Det nævnes, at grunden til at husstande har problemer
med at tolke videnskabeligt beregnede sandsynligheder, blandt andet kan
være, at de ikke tidligere har oplevet hændelsen, eller at det er meget længe
siden, at en sådan hændelse er indtruffet. Desuden kan det skyldes manglende
eller dårlig information omkring hændelsen eller effekten af hændelsen.
Husstandens manglende evne til at tolke sandsynligheder kan medføre,
at de estimerede hedoniske priser bliver skæve. Husstandens vurdering
af risiko og effekt af en hændelse kan blandt andet påvirkes af omtale i
55

medierne og en oplevelse af hændelsen inden for en relativ nær fortid. Generelt
er der tendens til, at husstande undervurderer sandsynligheden/risikoen,
hvis der er tale om en videnskabelig høj sandsynlighed, og
overvurderer sandsynligheden, hvis der er tale om en videnskabelig lille
sandsynlighed (Kask & Maani 1992).
I forhold til nærværende undersøgelse vedr. ændringer i gener forbundet
med at bo i umiddelbar nærhed til svinebedrifter er der ikke tale om
helt så alvorlige hændelser. En husstands opfattelse af en risiko i denne
forbindelse kan dog tænkes at være risikoen for sundhedsmæssige gener
fra en bedrift. Risikoen for sundhedsmæssige påvirkninger har været omtalt
i pressen, hvor der blandt andet har været omtalt en amerikansk
undersøgelse, der viser en tendens til, at der blandt beboere i nabolaget til
større svinebedrifter er en øget hyppighed af hovedpiner, forkølelse, ondt i
halsen, hoste, diarre, og sviden i øjnene i forhold til beboere i områder
uden intensiv svineproduktion. Desuden viser undersøgelsen en stærkt
reduceret livskvalitet blandt beboere i nærheden af en større svinebedrift i
forhold til beboere i områder uden husdyrproduktion og beboere i områder
med kvægbrug (Wing &Wolf 2000). Uden at tage stilling til risikoen for
sundhedsmæssige påvirkninger af at bo i nærheden af en svinebedrift vurderes
det dog ikke utænkeligt, at sådanne forhold kan spille en rolle i folks
huskøb.
4.3.6 Forventet vs. aktuelt karakteristika-niveau
Prisen på et hus reflekterer den diskonterede nutidsværdi af flowet af fremtidige
benefits fra huset. Blandt andet vises i Hasler et al. (2002), at der kan
spores en effekt i huspriserne af et skovrejsningsprojekt allerede i projektets
planlægningsperiode. Er det forventede fremtidige flow af benefits fra
miljøet, afspejlet i husprisen, ikke ensbetydende med det nuværende flow
af benefits, vil et forsøg på at estimere værdien af det nuværende flow ud
fra huspriserne medføre estimationsfejl (Freeman 1993). I forhold til »betalingsviljen«
for nærhed til en svinebedrift er dette en relevant problemstilling,
idet man kan forestille sig, at huskøbere vil overveje sandsynligheden
for, at en nærliggende svinebedrift enten udvides eller nedlægges. Ligger
der fx huse inden for 300 m fra bedriften, er det ikke muligt i henhold til
lovgivningen at udvide produktionen, men ligger de nærmeste huse mere
56

end 300 m fra bedriften, kan der være en risiko for udvidelse. Vælger huskøbere
at forholde sig til en mulig fremtidig udvidelse, vil deres betalingsvilje
for huset, her og nu, afspejle både den nutidige og den fremtidige forventede
miljøpåvirkning. Den estimerede hedoniske implicitte pris vil
dermed være et skævt estimat i forhold til den nuværende påvirkning.
4.3.7 Den tid det tager at få huset solgt
Ved anvendelse af hedonisk værdisætning antages, at den fulde effekt af en
miljømæssig ændring fanges i effekten på husprisen. En miljømæssig ændring
kan dog også tænkes at påvirke den tid, det tager at få huset solgt.
Ifølge Palmquist (1991) er der dog bred enighed om, at den tid, det tager at
sælge huset, ikke påvirkes signifikant af en miljøændring, og dette punkt
vil derfor ikke blive behandlet nærmere.
4.3.8 Valg af variabler
Troværdigheden af resultater fra en hedoniske værdisætning afhænger både
af teoriens antagelser og af selve udformningen af den hedoniske prisfunktion.
Som omtalt tidligere er det vigtigt, at modellens variabler svarer til de
karakteristika, som husstandene vægter deres betalingsvilje i forhold til.
Både irrelevante eller sammenhængende variabler i modellen og udeladelse
af vigtige variabler fra modellen kan påvirke undersøgelsens estimater.
Ifølge Freeman (1979) vil den bedste måde at udvælge variabler sandsynligvis
være en empirisk tilgang.
4.4 Sammenfatning
Kapitlet har givet en præsentation af den hedoniske teori og de bagvedliggende
antagelser. HPM baseres på den hedoniske teori, der blandt andet
bygger på Rosens beskrivelse af muligheden for at estimere implicitte priser
for et sammensat godes karakteristika. Ved en værdisætning af ændringer
i lokale eksternaliteter eller marginale ændringer vil Rosens første trin
give et estimat for velfærdsændringen i form af husprisændringen som følge
af en ændring i miljøkarakteristikaet. For at estimere husprisændringen
som funktion af en miljøkvalitetsændring er det nødvendigt at estimere den
implicitte prisfunktion, også kaldet husprisfunktionen. Estimeringen af
57

denne husprisfunktion behandles nærmere i det følgende kapitel.
Det skal endnu engang gøres opmærksom på, at estimatet for velfærdsændringen
som følge af en ændring i gener fra svinebedrifter, ikke er
en total samfundsøkonomisk værdi, idet HPM ikke giver mulighed for at
værdisætte ikke-brugsværdier som fx ammoniaknedfald i naturområder.
58

5 Valg af funktionel form
I teorien omkring hedoniske husprisfunktioner angives ikke entydigt, hvilken
funktionel form der bør anvendes. Den eneste restriktion for husprisfunktionens
funktionelle form er, at første ordens afledte med hensyn til
det relevante miljøkarakteristika skal være negativ henholdsvis positiv,
hvis miljøkarakteristikaet er et »onde« henholdsvis et »gode« (Freeman
1993).
Den manglende teoretiske anvisning til funktionel form skyldes, som
beskrevet i kapitel 4, at den hedoniske funktion er sammensat af ligevægtsløsningerne
mellem forbrugernes/købernes efterspørgselsfunktioner og
producenternes/sælgernes udbudsfunktioner (Palmquist 1991). Markedets
opnåede ligevægtsløsninger vil derfor afhænge af agenterne på markedet,
og det er derfor ikke muligt at generalisere en funktionsform for den hedoniske
prisfunktion gældende for samtlige mulige markeder. Funktionsformen
kan altså ikke bestemmes a priori, men må estimeres på baggrund af
data.
Ifølge Halvorsen og Pollakowski (1981) er manglen på et anerkendt
teoretisk grundlag uheldig, da resultater opnået ved en hedonisk tilgang ofte
er dybt afhængige af den anvendte funktionelle form. Det manglende teoretiske
grundlag og mulige løsninger er diskuteret i en række artikler,
hvoraf der i kapitlet her præsenteres de vigtigste. Valget af funktionel
form, til brug ved nærværende undersøgelses værdisætning af ændringer i
gener fra svinebedrifter, vil tage udgangspunkt i litteraturens anbefalinger
og forholde disse anbefalinger til undersøgelsens empiriske grundlag.
Det bør holdes for øje, at selv den bedst tilpassede funktionelle form i
langt de fleste tilfælde blot vil være en approksimation for de reelle forhold
59

mellem huspriser og påvirkende faktorer, og det vil derfor være nødvendigt
at tolke resultaterne af en hedonisk undersøgelse i dette lys (Garrod og
Willis 1999).
5.1 Fleksible vs. restriktive funktionelle former
De i litteraturen anvendte funktionelle former kan klassificeres som enten
restriktive eller fleksible funktionelle former. Ved fleksible funktionelle
former forstås en konkret funktionsforms mulighed for at tilnærme en vilkårlig,
men teoretisk konsistent funktionsform med passende valg af parametre
(Otto 1998a). En af de mest fleksible funktionelle former er den
kvadratiske Box-Cox, da den indeholder hovedparten af de konventionelle
funktionelle former som specialtilfælde af denne funktion. Af andre fleksible
funktionelle former omtales ofte kvadratisk, kvadratisk semilog og
translog.
De restriktive funktionelle former er alle specialtilfælde af de fleksible
former, hvor de fleksible funktionelle former begrænses ved en række restriktioner.
Af restriktive funktionelle former kan nævnes lineær, semilog,
dobbeltlog, invers semilog og lineær Box-Cox.
Overordnet kan forskellen mellem fleksible og restriktive funktionelle
former beskrives ved, at de fleksible funktionelle former giver den bedste
totale beskrivelse af data, også kaldet det bedste »goodness of fit«, mens de
restriktive funktionelle former kendetegnes ved deres relativt simple og
gennemskuelige fortolkning af variablerne i funktionerne (Hanley & Spash
1993).
En vigtig bidragyder til diskussionen omkring valg af funktionel form
til den hedoniske prisfunktion er en artikel af Halvorsen & Pollakowski
(1981). I denne artikel præsenteres en statistisk metode til valget mellem
funktionelle former, som anvender den kvadratiske Box-Cox, oprindeligt
præsenteret i Box & Cox (1964). Den kvadratiske Box-Cox indeholder alle
andre funktionelle former, som specialtilfælde af denne funktion. Den kvadratiske
Box-Cox er bestemt som:
60
(17) P λ = a0+∑ ai Zi θ + 0.5∑i∑jγij Zi θ Zj θ +εi

hvor P er den afhængige variabel, husprisen, Zi er karakteristika, og P λ og
Zi θ er Box-Cox transformationer af formen:
P λ = (P λ -1)/ λ for λ ≠ 0 og Zi θ = (Zi θ -1)/ θ for θ ≠ 0
= ln(P) for λ = 0 = ln(Zi) for θ = 0
I Halvorsen & Pollakowski (1981) sammenlignes den kvadratiske Box-
Cox med de oftest anvendte funktionelle former ved hjælp af statistiske likelihood
test, der tester de enkelte funktionelle formers »goodness of fit«.
Artiklen anbefaler anvendelsen af den kvadratiske Box-Cox i hedoniske
undersøgelser, da den viser de bedste »goodness of fit« resultater i forhold
til de traditionelle funktionelle former.
Anbefalingen fra Halvorsen & Pollakowski (1981) kritiseres i en artikel
af Cassel & Mendelsohn (1985), hvor det anføres, at det store antal parameterestimater
i den kvadratiske Box-Cox reducerer nøjagtigheden af de
enkelte parameterestimater. Desuden gøres i artiklen opmærksom på, at
den kvadratiske Box-Cox giver komplekse estimater for hældninger og
elasticiteter, der kan være vanskelige at fortolke og anvende i praksis. Halvorsen
& Pollakowski (1981) kritiseres i Cassel & Mendelsohn (1985)
endvidere for anvendelsen af »goodness of fit«-kriteriet, som blot peger på
den funktionelle form, der giver den bedste overordnede beskrivelse af data.
Den bedste funktionelle form efter »goodness of fit«-kriteriet vil ikke
nødvendigvis også være den funktionelle form, der giver den bedste forklaring
af effekten fra en udvalgt uafhængig variabel.
Problemet er især interessant, når den relevante uafhængige variabel
(fx miljøgodet) kun udgør en mindre del af beskrivelsen af den afhængige
variabel (husprisen). I sådanne tilfælde vil den relevante uafhængige variabel
også kun spille en mindre rolle i valget af den bedste funktionel form,
hvis formen vælges ud fra »goodness of fit«-kriteriet (Cassel & Mendelsohn
1985). Den relevante uafhængige variabel kan herved risikere at blive
presset ind i en funktionel form, der ikke giver den bedste beskrivelse af
netop denne variabel, men blot den bedste beskrivelse af det samlede datasæt.
I den miljøøkonomiske anvendelse af husprismetoden (HPM) er det
oftest netop effekten af en ændring i en specifik variabel, der er interessant.
61

I forbindelse med nærværende undersøgelse af ændringer i gener fra en
svinebedrift har den relevante miljøvariabel, sandsynligvis kun en mindre
indflydelse på husprisen i forhold til en variabel som fx husets størrelse.
Cassel & Mendelsohn’s (1985) kritikpunkt kan derfor være yderst relevant.
En anden vigtig artikel omkring valget af funktionel form er Cropper
et al. (1988). I artiklen sammenlignes seks funktionelle former: lineær, semilog,
dobbeltlog, kvadratisk, lineær Box-Cox og kvadratisk Box-Cox. I
stedet for at vurdere de funktionelle former ud fra »goodness of fit«kriteriet
ses på, hvor godt de enkelte funktionelle former beskriver de marginale
karakteristikapriser. Undersøgelsen viser, at fejl i estimeringen af
marginale karakteristikapriser varierer med valget af funktionel form. Det
konkluderes blandt andet, at marginale priser på karakteristika, der udgør
en procentvis stor del af forklaringsgraden på den samlede nytte af den afhængige
variabel, huset, estimeres mere præcist end de marginale priser på
mindre vigtige karakteristika. Desuden vises, at hvis variabler udelades eller
beskrives upræcist eller fejlagtigt, da vil simple, restriktive, funktionelle
former, som lineær, semilog, dobbeltlog og lineær Box-Cox, give mere
præcise estimater for de marginale priser end de fleksible funktionelle former.
Samlet set vurderer Cropper et al. (1988), at den lineære Box-Cox giver
de mest præcise resultater.
I nærværende undersøgelses værdisætning af ændrede gener forbundet
med at bo i nærheden af en svinebedrift vil der i den hedoniske funktionelle
form sandsynligvis både være tale om manglende eller udeladte variabler
på grund af utilstrækkeligt data og/eller upræcist beskrevne variabler.
Det vurderes, at der især vil være usikkerhed omkring præcisionen af den
relevante miljøvariabel, idet den vil være et forsøg på at beskrive de samlede
gener forbundet med at bo i nærheden af en svinebedrift i en enkelt
variabel. På baggrund af Cropper et al. (1988) vurderes derfor, at de simple,
restriktive funktionelle former vil give de bedste estimater for miljøvariablen.
62

5.2 De simple, restriktive funktionelle former
5.2.1 Lineær Box-Cox
Den lineære Box-Cox udledes af den kvadratiske Box-Cox ved at sætte γij
= 0 i ligning (17). Hermed lægges en restriktion på den fleksible funktionelle
form, og den lineære Box-Cox kaldes derfor en restriktiv funktionel
form. Ved yderligere restriktioner af den lineære Box-Cox kan samtlige af
de øvrige restriktive funktionelle former udledes som specialtilfælde. Den
lineære Box-Cox er defineret som :
(18) P λ = a0+∑ ai Zi θ +εi
hvor P er husprisen, Zi er karakteristika, og P λ og Z θ i er Box-Cox transformationer
på samme form som i den kvadratiske Box-Cox:
P λ = (P λ -1)/ λ for λ ≠ 0 og Zi θ = (Zi θ -1)/ θ for θ ≠ 0
= ln(P) for λ = 0 = ln(Zi) for θ = 0
De fire oftest anvendte restriktive funktionelle former fremkommer som
følger:
Lineær: λ = 1 og θ = 1 Semilogaritmisk: λ = 0 og θ = 1
Dobbeltlogaritmisk: λ= 0 og θ = 0 Invers semilogaritmisk: λ = 1 og θ = 0.
Ved brug af den lineære Box-Cox kan man vælge at transformere alle kontinuerte
variabler med den samme transformationsparameter eller transformere
den enkelte variable med forskellige transformationsparametre
(det giver ikke mening at transformere dummyvariabler). Palmquist (1991)
foreslår, at miljøvariablen transformeres med en separat transformationsparameter.
5.2.2 Lineær funktionel form
En lineær funktionel form angiver, at hverken den afhængige variabel eller
de forklarende variabler skal transformeres. Parameterestimater for variabler
i den lineære funktionelle form angiver en absolut husprisændring i
kroner og øre, som følge af en absolut ændring i en forklarende variabel, fx
63

grundstørrelsen. Parameterestimater for dummyvariabler tolkes som husets
merværdi, som følge af tilstedeværelsen af dummyen, fx ekstra badeværelse.
Den lineære funktionelle form er den eneste funktionelle form, der på
forhånd kan sættes spørgsmålstegn ved på baggrund af teorien. Den lineære
funktionelle form vil ifølge Rosen (1974) kun forekomme, hvis det
sammensatte gode, i dette tilfælde huset, kan betragtes som sammensat af
diskrete attributter, der kan splittes op og varieres på kryds og tværs
uafhængigt af hinanden, såkaldt »re-package«. En sådan repacking vil
oftest ikke være realistisk, idet huskøbere ikke kan vælge karakteristika fra
ét hus og kombinere dem med karakteristika fra et andet. Tværtimod vil de
fleste huse bestå af et sæt karakteristika, der ikke umiddelbart kan justeres,
og huskøbere vil være begrænsede til kun at kunne vælge mellem ledige
huse på markedet.
5.2.3 Semilog
I den semilogaritmiske form transformeres den afhængige variabel, husprisen,
logaritmisk, mens de forklarende variabler forbliver utransformerede.
Parameterestimater i en semilogaritmisk funktion angiver den procentvise
ændring (estimatet*100) i den afhængige variabel, som følge af en absolut
ændring i en forklarende variabel, fx grundstørrelsen. I forbindelse med
dummyvariabler tolkes (e estimatet -1) som husets procentvise merværdi, som
følge af tilstedeværelsen af dummyen, fx ekstra badeværelse (Halvorsen &
Palmquist 1980).
5.2.4 Dobbeltlog
En dobbeltlogaritmisk funktionel form angiver, at både den afhængige variabel,
huset, og de forklarende variabler er transformeret logaritmisk. Parameterestimater
i en dobbeltlogaritmisk funktion angiver elasticiteter mellem
husprisen og de forklarende variabler, således at parameterestimatet
angiver den procentvise stigning i husprisen som følge af en procentvis
ændring i en forklarende variabel. Parameterestimater for dummyvariabler
tolkes som i den semilogaritmiske funktionelle form.
64

5.2.5 Invers-semilog
I en invers semilogaritmisk funktionel form er den afhængige variabel
utransformeret, mens de forklarende variabler er logaritmisk transformerede.
Parameterestimater tolkes i den invers-semilogaritmiske funktion som
den absolutte ændring i den afhængige variabel, husprisen, som følge af en
procentvis ændring i en forklarende variabel. Parameterestimater for dummyvariabler
tolkes som i de lineære funktionelle former.
5.3 Valget mellem de simple, restriktive
funktionelle former
En forholdsvis simpel måde at vælge funktionel form på beskrives og anvendes
i Garrod & Willis (1992). Artiklen koncentrerer sig på baggrund af
Cropper et al. (1988) om de simple, restriktive funktionelle former: lineær,
semilog, dobbeltlog og lineær Box-Cox. Metoden i artiklen starter med at
betragte R 2 (adj.) 5 , for lineær, semilog og dobbeltlog, da denne værdi kan
give basis for beslutningsprocessen. Er R 2 relativ ens for to eller flere relevante
funktionelle former, kan det dog blive nødvendigt at se på andre forhold.
I artiklen vurderes, at man efter vurdering af R 2 bør foretrække den
funktion, der har flest signifikante »fokus variabler« (variabler, der er særligt
relevante i forhold til værdisætningsundersøgelsen). Desuden vil det
være relevant at se på, om parameterestimaterne giver mening og er konsistente
med estimater fra andre lignende undersøgelser, idet »goodness of
fit« ikke nødvendigvis indikerer, at de enkelte parameterestimater er mere
præcise. Denne fremgangsmåde anvendes i artiklen til at vælge mellem de
tre simple funktionelle former, og valget sammenlignes og bekræftes efterfølgende
med estimering af den lineære Box-Cox.
En svaghed ved denne simplere udvælgelsesmetode er netop forbundet
med sammenligningen af R 2 . Er R 2 forholdsvis ens, er det ifølge Rao &
Miller (1971) dog kun muligt at sammenligne, hvis prisen på det sammensatte
gode (den afhængige variabel) ikke er transformeret. Den manglende
mulighed for sammenligning skyldes, at en transformation af prisen medfører,
at variansen på prisen ikke vil være uafhængig af ændringer i enhe-
65

den. R 2 kan derfor kun sammenlignes for henholdsvis (semilog, dobbeltlog)
og (lineær, invers semilog). Ifølge Jensen (2002) er det kun muligt at
lave en meget grov sammenligning af R 2 , hvis der er tale om store forskelle
i R 2 de forskellige modeller imellem, og det frarådes i det hele taget at
sammenligne R 2 på tværs af forskellige funktionelle former.
Da det er besluttet at indsnævre valget af funktionel form til de fire
simple, restriktive funktionelle former: lineær, semilog, dobbeltlog og invers
semilog, kan en alternativ løsning af udvælgelsesproblemet guides på
vej af en metode anvist i Palmquist & Danielson (1989). Metoden beskrevet
i artiklen er ækvivalent med brug af Box-Cox-metoden til valget mellem
en lineær eller en logaritmisk transformeret afhængig variabel.
Metoden transformerer den afhængige variabel med transformationsparameteren,
λ. Den optimale transformationsparameter, λ, findes ved
hjælp af en likelihood-test, hvor minimumsværdien af (–2*loglikelihoodværdien)
plottet mod λ svarer til den optimale transformationsparameter.
λ-værdier på enten 0 eller 1 giver forholdsvis let tolkelige
modeller, idet λ=1 angiver, at den afhængige variabel skal være utransformeret
(lineære og invers semilogaritmiske funktioner), og λ=0 angiver en
logaritmisk transformeret afhængig variabel (semilogaritmiske og dobbeltlogaritmiske
funktioner). Efter estimering af den optimale λ, testes hypoteserne
H0: λ=1 og H0: λ=0. Dernæst følger estimering af modeller med den
valgte transformation af den afhængige variabel og henholdsvis lineære og
logaritmisk transformeret forklarende variabler. Den optimale funktion
vælges herefter ved at minimere funktionernes residuale kvadratsum, RSS,
svarende til maksimering af loglikelihood-funktionen. Valget mellem de fire
udvalgte funktionelle former er ved hjælp af denne metode reduceret til
valget mellem to, der herefter blot sammenlignes ved at minimere funktionernes
RSS.
5.4 Økonometriske problemer
I forbindelse med valget af funktionel form og den efterfølgende estimering
af variabler, er der en række økonometriske forhold, man bør holde sig
for øje, idet de kan have indflydelse på præcisionen af modelspecifikationen
og parameterestimaterne. Estimering af en funktion og dens parametre
66

udføres i økonometrien ofte ved hjælp af ordinary least squares (OLS) metoden.
OLS bygger på en række antagelser omkring datamateriale, variabler
og modellens fejlled. Økonometriske problemer opstår blandt andet, når
en eller flere af antagelserne ikke holder.
5.4.1 Multikollinaritet
En antagelse bag OLS er, at der ikke må eksistere nogen lineær sammenhæng
mellem to eller flere variabler i modellen (Thomas 1993). Holder
denne antagelse ikke, er der tale om såkaldt multikollinaritet. Multikollinaritet
er et ofte forekommende problem i HPM-sammenhænge, idet der for
eksempel er stor sandsynlighed for, at et stort hus har mere af alting, fx flere
værelser og flere badeværelser. Multikollinaritet kan desuden give anledning
til problemer vedrørende upræcise parameterestimater, intuitive
forkerte fortegn på estimaterne og ustabilitet i parameterestimaterne på
trods af høje R 2 -værdier, alt sammen problemer, der i sidste ende kan reducere
validiteten af modellens prædiktioner (Hanley & Spash 1993).
Multikollinaritet mellem variabler i en hedonisk model medfører således,
at de estimerede parameterestimater ikke er pålidelige. Er der multikollinaritet
i en model, vil det ikke være muligt at udtale sig om den direkte
størrelse af påvirkningen på husprisen af en ændring i et karakteristika.
Den hedoniske undersøgelse kan dog stadig benyttes til at give et indblik i,
hvordan en ændring i attributten påvirker husmarkedet (Garrod & Willis
1992).
Ifølge Garrod & Willis (1999) medfører problemer med multikollinaritet
i husprisundersøgelser ikke nødvendigvis større påvirkninger på miljøvariablen,
idet multikollinaritet oftest kun er et problem mellem husets
strukturelle variabler. Korrelation mellem de strukturelle variable gør det
irrelevant at tolke den individuelle effekt af en strukturel variable. Multikollinaritet
er først virkelig et problem, hvis det viser sig, at den relevante
miljøvariabel er korreleret med andre variabler (Garrod & Willis 1999).
Multikollinaritetsproblemer kan blandt andet løses ved at tilføje mere
data uden korrelation, transformere data ved hjælp af principal komponentmetoden
6 eller udelade variabler fra modellen. I forbindelse med valg af
funktionel form og valget af inkluderede variabler vil forsøg på at undgå
multikollinaritet næsten uundgåeligt lede til konflikter. Valget kan stå mel-
67

lem at udelade variabler for at undgå skævhed i resultaterne pga. multikollinaritet
og dermed risikere en dårlig beskrivelse af husprisen som følge
af for få variabler, eller at beholde de korrelerede variabler i modellen og
dermed risikere en skævhed i parameterestimaterne.
5.4.2 Autokorrelation
En anden antagelse bag OLS er, at covariansen mellem fejlledene skal være
lig nul, altså at fejlledene ikke må være korrelerede. Et brud på antagelsen
medfører autokorrelation.
Figur
5.1
Illustration af autokorrelation
Autokorrelation kan skyldes en misspecificeret model, fx på grund af udeladte,
relevante variabler, og løsningen vil være at finde en bedre specificeret
model. Autokorrelation er oftest et problem i forhold til tidsseriedata,
men i forhold til hedoniske undersøgelser kan der også være tale om rumlig
autokorrelation (Legget & Bockstael 2000). Rumlig autokorrelation betyder,
at fejlleddet for observation a, der, rent geografisk, er beliggende
som nabo til observation b, ikke er uafhængigt af fejlleddet for observation
b.
Test for autokorrelation sker ved hjælp af en Durbin-Watson-test eller
grafisk ved plot af de standardiserede residualer mod fx tiden. En illustration
af, hvordan autokorrelation giver sig udslag i et plot, ses i figur 5.1,
hvor plot af de standardiserede residualer mod tiden viser en tydelig sammenhæng
mellem residualerne.
68
ε
Tid

5.4.3 Heteroscedasticitet
En tredje antagelse bag OLS går ud på, at variansen på fejlledene skal være
ens. Holder antagelsen ikke, og der derfor er samvarians mellem de forklarende
variabler, er der tale om heteroscedasticitet i modellen. Heteroscedasticitet
opstår, hvis den estimerede model ikke forklarer den totale systematik
i data, og modellen er derfor misspecificeret.
Figur
5.2
Illustration af heteroscedasticitet
ε
Prædikteret huspris
Der kan testes for heteroscedasticitet ved hjælp af en Breusch-Pagan-test
eller en White-test. Desuden kan heteroscedasticitet afsløres ved et residualplot,
som ses illustreret i figur 5.2, hvor der ikke må være tegn på systematik
i de standardiserede residualer plottet mod den prædikterede huspris.
Fx må den numeriske afvigelse ikke være mindre i starten end i slutningen
af perioden. I figur 5.2 er der således tydelig heteroscedasticitet i
modellen.
5.4.4 Udvælgelsesskævhed
Ved specifikt at udvælge, hvilke data der skal indgå i en model, kan der
være risiko for udvælgelsesskævhed (se illustrationen af problemet i figur
5.3). For eksempel er der i nærværende undersøgelse kun udvalgt huse, der
kan tænkes påvirket af en svinebedrift, idet et krav har været, at der skulle
ligge en svinebedrift i nærheden af huset (udvælgelse og krav beskrives
69

Figur
5.3
nærmere i kapitel 7.2). Modellen kan derved ikke sige noget om en evt.
påvirkning på huse, hvor den nærmeste svinebedrift er mindre eller ligger
længere væk end udvælgelseskravet.
Illustration af udvælgelsesskævheds-problemet
Vurderes det, at der kan være tale om udvælgelsesskævhed, bør modellen
ikke anvendes til at vurdere forhold, der ligger uden for den udvalgte datamængde.
I forhold til figur 5.3 vil modellen således ikke være egnet til at
udtale sig om forhold i det grå område, da data herfra ikke indgår i modellen.
5.4.5 Strukturelle forskelle
Strukturelle forskelle kan ses i et datasæt, hvis fx estimationsperioden naturligt
falder i to dele, og den samme model derfor muligvis ikke kan bruges
i begge perioder (segmenterede markeder). Fx kan der være forskelle
på husmarkedet afhængigt af de samfundsøkonomiske forhold i landet i to
perioder, forskelle i efterspørgslen efter bestemte typer huse eller bestemte
karakteristika. Ved at plotte husprisen mod salgsåret gives mulighed for at
vurdere, om der kan være tale om skift i husmarkedet over tid. Herefter testes
med en Chow-test for strukturelle forskelle i datasættet før og efter dette
skift. Tidsmæssige strukturelle forskelle i datasættet betyder, at datasættet
stammer fra tidsmæssigt segmenterede markeder.
Strukturelle forskelle kan desuden forekomme ved geografisk adskilte
70
Korrekt model
Estimeret model
Indgår i modellen
Ikke inddraget

dataområder og er tegn på geografisk segmenterede markeder, hvor der
både kan være en forskel i husprisen og i husenes strukturelle karakteristika
fx husenes areal, grundstørrelser og alder. Test for forskelle i forhold til
geografisk adskilte dataområder kan ske ved en Wald-test.
Er der tale om strukturelle forskelle i datasættet, giver det ikke mening
at estimere en samlet husprisfunktion. Det vil i stedet være nødvendigt enten
at reducere datasættet til et strukturelt ensartet datasæt eller at inddele
datasættet i mindre dele og estimere separate husprisfunktioner for hver
enkelt del.
5.5 Sammenfatning
Det fremhæves i flere artikler, at manglen på et anerkendt teoretisk grundlag
vedrørende valget af den hedoniske prisfunktions funktionelle form er
uheldig, da resultater opnået ved en hedonisk tilgang ofte er dybt afhængige
af den anvendte funktionelle form.
På baggrund af dette kapitels anbefalinger vil nærværende værdisætning
af en ændring i gener forbundet med at bo i nærheden af en svinebedrift,
koncentrere sig om de fire oftest anvendte simple restriktive funktionelle
former; lineær, semilog, dobbeltlog og invers semilog. De fire funktionelle
former vil blive sammenlignet i forhold til modellernes forklaringsgrad
(adj. R 2 ), antallet af signifikante variabler, forventede fortegn, og modellerne
testes afslutningsvis i forhold til Box-Cox for at finde den bedste
funktionelle form til beskrivelse af data og estimering af de enkelte parametre.
På grund af den blandede opfattelse af anvendeligheden af Box-Cox
vil vurderingen af den bedste funktionelle form dog bero på et samlet indtryk.
Der er præsenteret en række økonometriske problemer, der kan opstå i
forbindelse med estimering af den valgte funktionelle form. De præsenterede
problemer kan ofte forekomme i den miljøøkonomiske anvendelse af
HPM til værdisætning af ændringer i miljøgoder. Fælles for problemerne
er, at de kan medføre skævheder i parameterestimaterne, estimaternes signifikans
og validiteten af modellens prædiktion. Er der tale om alvorlige
uløselige problemer, bør værdisætningens resultater tolkes i lyset heraf, og
ikke ses som andet end en indikation for, hvordan ændringen i miljøvariab-
71

len påvirker huspriserne. I nærværende undersøgelse vil der blive udført relevante
statistiske test for tilstedeværelsen af sådanne problemer.
72

6 Erfaringer med brug af
husprismetoden
Nærværende undersøgelse baseres på det teoretiske grundlag for husprismetoden
(HPM) såvel som praktiske erfaringer med selve anvendelsen af
metoden. Det teoretiske grundlag er gennemgået i de foregående kapitler,
og her følger så en gennemgang af relevante udførte HPM-undersøgelser
og de erfaringer, der kan drages af dem.
Antallet af undersøgelser, hvor brugen af HPM til værdisætning af ikke-markedsgoder
i miljøsammenhænge indgår, er mange. I Danmark er der
endnu kun udført få studier med HPM, hvorimod metoden på internationalt
plan, og specielt i USA og England, har været benyttet ofte og til undersøgelser
af mange forskellige goder. Kapitlet her skal forsøge at illustrere,
hvilke erfaringer, vedrørende brug af HPM, der bl.a. er trukket på i nærværende
undersøgelse.
6.1 Nationale erfaringer
I Danmark er der ikke tidligere udført værdisætningsstudier af gener forbundet
med at bo i nærheden af en svinebedrift. Endvidere har antallet af
hedoniske undersøgelser udført i Danmark været få, men ét dansk studium
udført af Hasler et al. (2002) skal dog nævnes her. Studiet bygger på beregninger
fra Damgaard og Erichsens speciale fra 2000 udført ved den Kgl.
Veterinær- og Landbohøjskole. Hasler et al. foretager en værdisætning af
bynære skove og søer ved brug af HPM, og undersøgelsen er relevant metodisk
såvel som empirisk, idet den er det største studie af sin art udført i
Danmark, og fordi data er hentet fra samme register, som ønskes anvendt
73

til værdisætningen i nærværende undersøgelse.
Værdisætningen i Hasler et al. består af tre separate studier: søetablering,
bynær skov samt værdisætning af skovrejsningsområdet Drastrup i
nærheden af Aalborg. Miljøparameteren i søundersøgelsen er defineret
som søudsigt, mens der i skovundersøgelsen indgår to miljøparametre: afstand
og udsigt til skov. Værdien af skovrejsningsområdet er beregnet som
differencen i huspriserne, før og efter skovrejsningen fandt sted i Drastrup.
Analyserne udført i Hasler et al. er baseret på registerdata fra Kommunedatas
(KMD) ejendomsregister, hvor der indgår data fra fem registre
herunder Ejendomsstamregistret (ESR) og Bygnings- og Boligregistret
(BBR). Registrene indeholder oplysninger om bl.a. ejer, ejerforhold og
bygge- og anlægstekniske forhold som fx boligareal, byggematerialer og
værelsesfordeling. Fordelen ved at anvende data fra KMD i stedet for manuel
dataindsamling ved hjælp af fx interviewundersøgelser vurderes at
opveje registrets mangler i form af manglende opdaterede oplysninger om
bl.a. vedligeholdelsestilstand. Se appendiks 3 for en nærmere beskrivelse
af KMD’s ejendomsregister.
Sorteringen af data og den endelige databehandling er i Hasler et al.
(2002) grundigt gennemgået og kan derfor bruges som inspiration til gennemførelse
af andre danske HPM studier. De endelige datasæt består udelukkende
af enfamiliehuse til beboelse, der er solgt inden for en periode på
25 år for søundersøgelsen og 15 år for skovundersøgelsen. Valget af funktionel
form er grebet forskelligt an i sø- og skovstudierne. I søundersøgelsen
er der valgt at bruge en lineær regressionsmodel til beskrivelse af data
uden forudgående Box-Cox-estimering, mens der i skovundersøgelsen, for
hvert område, er foretaget et valg mellem fire funktionelle former (lineær,
dobbelt logaritmisk, semilogaritmisk og invers semilogaritmisk) ved hjælp
af Box-Cox.
Resultaterne viser en gennemsnitlig værdi af udsigt til sø på 125.000
DKK med en forskel på mellem 0-330.000 DKK. Ved nærhed til skov
faldt husprisen med 0,04% ved en øget afstand på 1%, hvilket ved en ændring
i placeringen af huset, fra 100 meter til 500 meter fra skoven, svarede
til en forskel i husprisen på 330.000 DDK på Sjælland og 60.000 DKK i
Jylland. For skovrejsningsprojektet i Drastrup ses, at huse solgt efter skovrejsningen
er solgt for 237.000 kr. mere end huse solgt før, hvilket giver en
74

samlet værdi af Drastrupprojektet på 93 mio. kr.
Hasler et al.’s (2002) undersøgelse vedrørende skovrejsningsprojekters
betydning for huspriserne er for nylig blevet efterfulgt af endnu en dansk
husprisanalyse udført af Anthon & Thorsen (2002). Undersøgelsen har til
formål at finde værdien af de to statslige skovrejsningsprojekter True Skov
ved Århus og Bakkely Skov ved Vemmelev på hhv. 100 ha og 60 ha. Set
fra et rent metodisk synspunkt er der stor overensstemmelse mellem de to
undersøgelser udført af Hasler et al. og Anthon & Thorsen. Ligesom Hasler
et al. er Anthon & Thorsens undersøgelse bygget op omkring statistisk
behandling af data fra BBR og ESR, dog med den forskel at der i Anthon
& Thorsen inddrages data for en periode på 20 år. Box-Cox anvendes ligeledes
til udvælgelse af funktionel form, hvor det endelige valg falder på
den dobbelt-logaritmiske transformation til beskrivelse af sammenhængen
mellem husprisen og de beskrivende variabler i begge de to områder. Resultatet
af undersøgelsen viser en samlet betalingsvilje for at bo i nærheden
af True Skov på 35 mio.kr. og en noget mindre betalingsvilje for Bakkely
Skov på 9 mio.kr. Den højere værdi af True Skov understøttes af en interviewundersøgelse
udført i relevante beboelseskvarterer, som også afslører
en større benyttelsesgrad af True skov end af Bakkely Skov.
Anthon & Thorsen anvender til sidst deres resultater til at udfører en
samlet cost-benefit-analyse af de to skovrejsningsprojekter. I analysen
medtages ud over markedsomsatte goder også en række ikke-markedsomsatte
goder såsom fx rekreation, lagring af CO2 og øget biodiversitet.
Resultatet af cost-benefit-analysen viser en positiv velfærdsøkonomisk
værdi af True Skov på 26-29 mio.kr. og Bakkely Skov på 3-6 mio.kr. At
skovrejsningsprojekterne rent samfundsøkonomisk falder så godt ud, som
de gør, skyldes, ifølge forfatterne, skovenes bynære beliggenhed.
6.2 Internationale erfaringer
I USA har Palmquist et al. (1997) benyttet HPM til at undersøge større svineproduktioners
påvirkning på huspriserne for nærved liggende huse. Undersøgelsen
har selvsagt stor relevans for problemstillingen i nærværende
opgave og er i høj grad benyttet som inspirationskilde til bearbejdning af
de empiriske data og definition af målet for miljøparameteren. En lidt
75

grundigere gennemgang af studiet udført af Palmquist et al. er derfor nødvendig.
Undersøgelsen i Palmquist et al. omfatter ni amter i det sydøstlige
North Carolina, USA, hvoraf flere af amterne på tidspunktet for undersøgelsen
undergik en kraftig vækst i svineproduktionen. Data for 237 huse
solgt i fri handel fra perioden januar 1992 til juli 1993 blev indsamlet, omfattende:
• Huskarakteristika: salgspris, salgstidspunkt, beboelsesareal, grundareal,
antal badeværelser, husets alder samt tilstedeværelsen af terrasse, pejs
og garage.
• Område-/tilgængelighedskarakteristika: befolkningstæthed, median husholdningsindkomst
og gennemsnitlig transporttid til arbejde.
• Miljøkarakteristika: Mængden af gylle inden for en afstand af 0-1/2 miles
(ca. 0-800 m), ½-1 miles (ca. 800-1600 m) og 1-2 miles (ca. 1,6-3,2
km.) fra hvert enkelt hus.
Befolkningstætheden og indkomstniveauet afspejler hhv. graden af urbanisering
og kvaliteten af nærområdet. Miljøvariablen angives som en indikator,
der beskriver, hvor meget det enkelte hus er udsat for gener fra gylle, i
form af mængden af gylle inden for de nævnte afstande. Indikatoren,
(MANi), benævnes »gylletrykket«.
76
(19) MANi = (NMAN0i) + γ1(NMAN1i) + γ2(NMAN2i)
hvor NMAN(j)i er mængden af gylle i den j’te ring omkring det i’te hus, og
γj er vægten for den j’te ring.
Gylletrykket afspejler det forhold, at det er en kumulativ effekt fra alle
svineproduktioner i området, der påvirker husprisen, og at påvirkningen på
det enkelte hus falde med stigende afstand til bedriften. Effekten af en ændring
i gyllemængden i området vil desuden afhænge af den gyllemængde,
der i forvejen befinder sig i området, hvilket der er taget højde for ved at
lade gylletrykket transformere logaritmisk, inden det indsættes i husprisfunktionen.
I valget af hvilke variabler, der skulle indgå i den endelige model, blev
de fire mest anvendte funktionelle former benyttet; den lineære, den dobbelt
logaritmiske, den invers semilogaritmiske, samt den semilogaritmiske.

De variabler, som var insignifikante i alle fire funktionstyper, blev udeladt
i den endelige modelspecifikation. Endvidere blev enkelte variable udelukket
på grund af multikollinaritet.
Valget af den endelige funktionsform blev foretaget ud fra sammenligninger
af residualernes kvadratsum, som svarer til brugen af Box-Cox
(Palmquist & Danielson 1989). Den semilogaritmiske funktionsform gav
den bedste tilpasning til data og blev derfor brugt i den afsluttende databehandling.
Resultatet af undersøgelsen i Palmquist et al. (1997) viser, at tilstedeværelsen
af svin giver et statistisk signifikant fald i huspriserne i nærområdet
på op til 9% afhængig af antallet af svin og afstanden til huset. Effekten
af at etablere en ny svinebedrift i et område afhænger af, hvor mange svin
der allerede befinder sig i området. I artiklen gøres opmærksom på, at det
opnåede estimat afspejler den totale påvirkning af nærhed til en svinebedrift
og således indbefatter såvel gener som lugt, fluer m.m. samt gyllens
påvirkning af vandkvaliteten i området.
Der er endvidere erfaringer at hente i hedoniske studier, selv om de
ikke omhandler gener fra svineproduktion. Undersøgelse af fx brugen af
Box-Cox, valg af funktionel form, den endelige models forklaringsgrad
osv. i andre udførte hedoniske studier kan være nyttige. I tabel 6.1 ses et
udvalg af de artikler omhandlende hedonisk værdisætning af miljøgoder,
som er gennemgået inden udførelsen af analysen i denne rapport. Ved udvælgelsen
af artikler er der fokuseret på værdisætning af negative eksternaliteter.
77

Tabel
6.1
Brug af Box-Cox, valg af funktionel form og modellers forklaringsgrad
i udvalgte hedoniske studier
78
Chattopadhyay
(1999)
Miljøvariabel Partikel luftforurening
Brug af
Box-Cox
Valg af funktionel
form
Hughes & Sirmans
(1992)
Trafikeksternaliteter
Gawande &
Jenkins-Smith
(2001)
Transport af
Atomaffald
Ja Nej Ja Nej
Lineær, dobbeltlog,
semilog,
kvadratisk, lineær
Box-Cox og kvadratisk
Box-Cox
Semilog Lineær og dob-
beltlog
Modelkontrol Ingen Heteroscedasticitet
og multicollinaritet
Modellens forklaringsgrad
Resultater En gennemsnitlig
WTP på mellem
$268 og $363 i
1989-90 dollars.
Resultatet er robust
på tværs af de funktionelle
former.
Rumlig autokor-
relation
Leggett &
Bockstael (2000)
Vandkvalitet
49/56 % 75/80 % 73% 40/70 %
Områdeafh.
signifikant res.
Ingen effekt i
omr. m lav risikoopfattelse.
Effekt i mere befolkede
områder.
Lineær, dobbelt-
log, semilog og inv.
Semilog
Multicollinaritet, heteroscedasticitet
og
rumlig auto-
korrelation
Signifikant resul-
tat.
I alle studierne indgår både huskarakteristika og områdekarakteristika i den
estimerede prisfunktion bl.a. boligareal, grundareal, alder, antal værelser,
antal badeværelser, skat, indkomst, serviceniveau og afstand til bycentrum.
Disse variabler er også relevante i nærværende studie.
Tabel 6.1 danner et billede af, hvor mange forskellige eksternaliteter
der kan værdisættes vha. HPM, og hvor forskellig udførelsen af disse analyser
er. Fx er Box-Cox til valg af funktionel form ikke konsekvent valgt i
de forskellige undersøgelser, hvilket afspejler den noget blandede opfattelse
af brugbarheden af resultaterne fra Box-Cox, som er omtalt i kapitel 5.
Det ses, at brugen af Box-Cox ikke nødvendigvis udelukker brugen af alternative
funktionelle former som en form for test af resultatets konsistens
på tværs af funktionsformer. De funktionelle former, der oftest analyseres,
er den lineære, dobbeltlogaritmiske og semilogaritmiske.
De former for modelkontrol, der kan benyttes i de hedoniske analyser,
er test for heteroscedasticitet, multikollinaritet og rumlig autokorrelation

(se kapitel 5). Disse test anvendes dog ikke altid, og mange studier ignorerer
ganske enkelt de risici for modelfejl, der ligger bag, hvilket måske
skyldes, at det kan være vanskeligt at gøre noget videre ved problemerne
(Legget & Bockstael 2000). Chancerne for en god model vokser naturligvis
med grundigheden af det empiriske arbejde, der ligger bag analysen.
Ud fra tabel 6.1 kan det endvidere ses, at der er temmelig store spring i
modellernes forklaringsgrad i de forskellige artikler. Nogle af Leggett &
Bockstaels (2000) modeller har en forklaringsgrad helt ned på omkring de
40%, mens nogle af Hughes & Sirmans’ modeller har en forklaringsgrad
på helt op til omkring de 80%. Modellens forklaringsgrad afspejler, som
nævnt i afsnit 5.2, modellens evne til at beskrive variationen i den afhængige
variabel, men kan ikke umiddelbart sammenlignes på tværs af funktionsformer
og variabler. Det er altså ikke, på baggrund af modellens forklaringsgrad,
muligt at lave en sammenligning af kvaliteten de forskellige undersøgelser
imellem, da forklaringsgraden afhænger af datakvalitet og art.
På trods af forskelligheder imellem de nævnte artikler synes det muligt
at danne sig et billede af, hvilke elementer der bør indgå som en del af den
statistiske analyse. Box-Cox bruges i huspris-sammenhænge i valget mellem
de hyppigst anvendte funktionelle former (lineær, semilog og dobbeltlog).
Alternativt kan vælges at analysere flere funktionelle former og således
sammenligne resultatets konsistens på tværs af disse. Modellen bør testes
for tilstedeværelsen af multikollinaritet, heteroscedasticitet og rumlig
autokorrelation.
6.3 Brug af geografiske informationssystemer
(GIS) i hedoniske undersøgelser
Værdien af en beboelsesparcel er, ud over de almindelige strukturelle karakteristika
ved huset (antal værelser, badeværelser, materialer m.m.), også
påvirket af omgivelserne, og mange af de variabler, der indgår i hedoniske
undersøgelser, er således rumligt relateret. GIS giver mulighed for at organisere
og gemme informationer, der er rumligt baseret, fx naturressourceattraktioner
og beliggenhed af forskellige attributter, og herefter inddrage
disse rumlige data i den hedoniske model (se appendiks 4 for en beskrivelse
af GIS). GIS kan med fordel anvendes til modellering og analyse af da-
79

ta, og brugen af GIS vil være tidsbesparende samtidig med, at det er muligt
at beskrive og analysere de enkelte huses attributter mere detaljeret.
I udlandet er brugen af GIS i forbindelse med hedoniske undersøgelser
efterhånden ved at vinde indpas. Fx har Geoghegan et al. (1997) benyttet
GIS til at udvikle en rumlig hedonisk model til at forklare boligværdier i en
region inden for en radius af 30 miles fra Washington DC. To af de rumlige
variabler, der inddrages i undersøgelsen, er almindeligt brugt i andre
undersøgelser, men opgørelsen er gjort nemmere ved brug af GIS. Det drejer
sig om de to variabler »afstand til det centrale forretningsområde« samt
»afstand til den nærmeste hovedvej«. Derudover inddrages yderligere to
rumlige variabler i forsøget på at fange mønstret i det omkringliggende
landskab, nemlig landskabets diversitet og fragmentering. Inddragelsen af
disse to variabler illustrerer de muligheder, der ligger i brugen af GIS for at
inddrage det omkringliggende landskabs komplekse karakteristiske træk i
undersøgelsen.
I Lake et al. (2000) gives en grundig gennemgang af mulighederne for
at benytte GIS i hedoniske sammenhænge. Artiklen er baseret på den tilgængelighed
til digitaliseret data, der er i England, og kan således ikke direkte
overføres til danske forhold, men den beskriver bl.a. den mulighed,
der ligger for at inddrage udsigten fra de enkelte parceller. Lake et al. beskriver,
hvordan det er muligt at kombinere en såkaldt digital højdemodel
med arealanvendelsen i det omkringliggende landskab og herved knytte
udsigtstyper (by, hav, skov, sø, åbent land osv.) til hvert enkelt hus. I områder,
hvor der er stor forskel på denne form for karakteristika de enkelte
huse imellem, vil udførelsen af en sådan analyse af udsigten fra huset med
fordel kunne anvendes.
Tilgængeligheden og formen af data til landskabsbeskrivelse varierer
betydeligt fra land til land, og meget af den nuværende information stammer
fra digitalisering af kortblade (Lake et al. 2000). I Danmark er mængden
af informationer på digitaliseret form endnu under udbygning. Af eksempler
på danske digitale informationsdatabaser kan bl.a. nævnes Bygge-
og Boligregistret (BBR), Ejendomsstamregistret (ESR), Generelt LandbrugsRegister
(GLR), Centralt HusdyrbrugsRegister (CHR) og Areal Informations
Systemet (AIS). Nedenfor belyses mulighederne for at erhverve
80

digitaliserede data til brug for hedoniske undersøgelser i Danmark, inddelt
i strukturelle karakteristika samt tilgængeligheds- og miljøkarakteristika:
• Strukturelle karakteristika: Langt størstedelen af de bygnings- og arealmæssige
informationer, der er nødvendige til hedoniske analyser, findes
i de to registre BBR og ESR. En væsentlig mangel er dog, at man
ikke finder en opdateret tilstandsbeskrivelse på de enkelte ejendomme.
Det er vigtigt at være opmærksom på, at udlevering af visse essentielle
data, som fx salgsprisen, ikke umiddelbart er tilgængelige, men kræver
tilladelse fra de enkelte kommuner.
• Tilgængelighedskarakteristika: Disse karakteristika skildrer letheden
hvorved lokale faciliteter kan nås fra den enkelte ejendom. Tilgængeligheden
kan beskrives i form af »fugleflugtsafstand«, gåafstand eller
køreafstand. De fleste af disse karakteristika vil være forholdsvis nemme
at beregne i GIS, enten ud fra kort, eller ud fra koordinaterne på alle
huse, hvis disse kendes, såvel som de relevante faciliteters koordinater.
Alternativt kan brug af fx Krak eller Det levende Danmarkskort anvendes,
men dette kræver beregninger for ét hus ad gangen og kan derfor
være temmeligt tidkrævende.
• Miljøkarakteristika: Miljøkarakteristika ved et hus kan fx beskrives i
form af vandkvaliteten (i ppm), antallet af biler, der kører på nærliggende
veje eller udsigten fra huset. Oplysninger om vandkvaliteten i Danmark
på digitaliseret form findes i amterne. Det skal dog bemærkes, at
det ikke er alle amter, der har disse data digitaliseret, og kvaliteten af
data er meget forskellig fra amt til amt. Igennem Kampsax og Kort- og
Matrikelstyrelsen er det muligt at erhverve digitale højdemodeller, således
at man kan bestemme synlige områder fra et bestemt punkt. Brug af
AIS gør det herefter muligt at definere, hvilken form for udsigt der er
tale om, da dette digitale system indeholder informationer vedr. naturtyper,
arealanvendelse etc. For en nærmere beskrivelse af AIS, se appendiks
5. Visse former for miljøkarakteristika defineres ofte i form af
afstanden fra huset til kilden for miljøparameteren, fx afstand til rekreative
områder, afstand til losseplads eller afstand til svinebedrift. I sådanne
tilfælde skal afstanden måles som fugleflugtsafstand, gåafstand
eller køreafstand.
81

Det må altså konkluderes, at GIS som værktøj i forbindelse med hedoniske
undersøgelser kan være til stor hjælp. Anvendelsen af GIS kan både spare
tid i forhold til dataindsamling og databeregninger, ligesom systemet giver
mulighed for en mere præcis karakteristik af heterogeniteten i det omkringliggende
landskab. Inden redskabet tages i brug, bør man dog overveje, i
hvilken forbindelse data er blevet digitaliseret og til hvilket formål. Mange
af de data, som ligger på digitaliseret form, er nemlig ikke blevet digitaliseret
med det formål at skulle anvendes i GIS, og anvendelsen af dem vil
derfor være en kilde til fejlestimation.
6.4 Sammenfatning
Der er ikke tidligere i Danmark udført husprisundersøgelser i forbindelse
med gener fra svineproduktion, men i USA har Palmquist et al. (1997) foretaget
en lignende undersøgelse, og deres metode er i høj grad brugt som
inspiration til udførelsen af nærværende HPM-undersøgelse. Hasler et al.
(2002) har foretaget en dansk undersøgelse af nærhed til skov og sø og har
i den forbindelse identificeret datagrundlaget til udførelse af husprisundersøgelser
i Danmark.
Gennemgang af andre udenlandske husprisundersøgelser har været
med til at danne et billede af den typiske HPM-udførelse. Det ses, at enten
anvendelsen af Box-Cox eller analysering af flere funktionelle former anvendes
i valget af bedste model til beskrivelse af data. Endvidere ses, at de
relevante test i forbindelse med husprisundersøgelser er test for heteroscedasticitet,
multikollinaritet og rumlig autokorrelation. Forklaringsgraden af
modellen de enkelte undersøgelser imellem er meget forskellig, men er i
nogle af de udvalgte studier helt nede på 40%.
Brugen af GIS til hedoniske undersøgelser ses at være mere og mere
udbredt. Anvendelsen af GIS kan både spare tid i forhold til dataindsamling
og databeregninger og har desuden visse funktioner, som har stor betydning
ved en nærmere beskrivelse af husets omkringliggende miljø. Der
er til sidst givet en oversigt over mulighederne for at anskaffe digitaliseret
data til brug i GIS i forbindelse med husprisundersøgelser.
82

7 Databeskrivelse
De områder, der indgår i nærværende analyse, er valgt på baggrund af en
systematisk udvælgelsesproces ved hjælp af Geografisk Informationssystem
(GIS). I forbindelse med områdeudvælgelse og den praktiske udførelse
af analysen er der foretaget en række valg og antagelser, som der her gøres
rede for. Dernæst introduceres husprisfunktionens udvalgte variabler og
den udførte datasortering beskrives. Til sidst præsenteres det endelige datasæt.
7.1 Valg af områder
7.1.1 Den geografiske identifikation af bedrifter og bedriftsstørrelser
De to digitale registre, Generelt Landbrugsregister (GLR) og Centralt Husdyrbrugsregister
(CHR), er benyttet til identificering af den fysiske beliggenhed
af svinebedrifter i Danmark. Registrene administreres af Ministeriet
for Fødevarer, Landbrug og Fiskeri og består af databaser indeholdende
oplysninger om koordinatsatte landbrugsejendommes husdyrsammensætning
i dyreenheder (DE 7 ) fordelt på svin, kvæg og andet.
Informationerne indeholdt i GLR og CHR bliver primært brugt til administration
af EU-støtteprogrammer (Rygnestad, 2000), og de til bedrifterne
hørende koordinater er blot bestemt ved et punkt inden for tre meter
fra hovedbygningens hoveddør. Databaserne er etableret i 1996 og er herefter
opdateret årligt. Årene 1996 og 1997 betragtes dog som meget upræcise
(Svarer, 2002) og ønskes af den grund ikke anvendt til den foreliggen-
83

de undersøgelse. Valget står derfor mellem årene 1998-2000 (data for 2001
var på tidspunktet for analysens start ikke tilgængelige), og det er valgt at
benytte databasen fra 1999 indeholdende informationer over landbrug i
Danmark svarende til 99% af det samlede landbrugsareal (Rygnestad,
2000). Appendiks 6 giver en nærmere gennemgang af, hvad de to registre
GLR/CHR indeholder.
7.1.2 Den geografiske identifikation af bymæssig bebyggelse
Areal Informationssystemet (AIS) er anvendt til lokalisering af den geografiske
placering af bymæssig bebyggelse i Danmark. AIS-databasen indbefatter
en kortlægning af nationale natur- og miljømæssige arealer og indeholder
bl.a. et kort over den bebyggelsesmæssige arealanvendelse i Danmark
(se appendiks 5).
I AIS er fordelingen af bebyggede områder inddelt i flere forskellige
typer af bebyggelse, fx industri, række-, etage- og parcelhuse. Alle områder,
hvor mere end 2% af arealet er bebygget, er klassificeret, og arealanvendelsen
er angivet som bebyggelsestype for arealer på 100x100 meter
(Nielsen et al. 2000). I nærværende undersøgelse er det valgt udelukkende
at inddrage parcelhuse, idet det ikke synes rimeligt at betragte markederne
for de forskellige beboelsestyper som ensartede. Endvidere har en vis homogenitet
de enkelte observationer imellem den fordel, at der kan spares
nogle beskrivende variabler i husprisfunktionen.
7.1.3 Kobling af bedrifter og bymæssig bebyggelse
Det er i foreliggende undersøgelse valgt at inddrage parcelhuse, der har en
svinebedrift liggende i maksimalt 500 meters afstand af huset. De 500 meter
er valgt på grundlag af en artikel af Zhu & Li (2000), der påviser en
50% reduktion i lugtstyrken ved en afstand på omkring 250 meter fra svinestaldbygninger.
Det formodes (og er senere bekræftet af ejendomsmæglere
i appendiks 14), at det er lugten af svin, der er den primære faktor i
folks vurdering af gener i forbindelse med at bo i nærheden af en svinebedrift.
Derved vurderes, at inddragelse af enfamiliehuse med en maks. afstand
på 500 m til en svinebedrift vil sikre tilstrækkeligt med variation i data,
samtidig med at huse uden lugtgener også kommer til at indgå i datasættet.
84

Den indledende udvælgelse af dataområder er foretaget ved en sammenkobling
af data fra AIS og GLR/CHR i det GIS-baserede software
program ArcView. Her udvælges i første omgang alle parcelhusområder
(defineret i AIS-databasen) med en maks. afstand på 500 m til de enkelte
bedrifter i GLR/CHR-datasættet. Dernæst reduceres datasættet til kun at
indeholde parcelhusområder beliggende i mindre end 500 meters afstand
fra bedrifter, der udelukkende producerer svin. For disse svinebedrifter
kræves, at der produceres mindst 53 DE om året. De 53 DE svarer til den
gennemsnitlige besætningsstørrelse for alle svinebedrifter registreret i
GLR/CHR. Valget af kun at inddrage parcelhusområder med maks. afstand
på 500 m til svinebedrifter, der er større end gennemsnittet, afspejler ønsket
om at finde en huspriseffekt, hvis en sådan overhovedet findes.
Eksisterer der en effekt, må det formodes, at der er størst sandsynlighed for
at estimere en signifikant effekt i relation til større bedrifter.
På baggrund af den indledende områdeudvælgelse foretages den endelige
udvælgelse af de parcelhusområder, der indgår i undersøgelsen. Den
endelige udvælgelse af dataområder er sket ud fra et hensyn til datasættets
størrelse samt den geografiske bredde. De tre amter Vestsjællands Amt,
Fyns Amt og Århus Amt er valgt som analyseområder på baggrund af ønsket
om geografisk spredte studieområder og et datasæt stort nok til at
kunne beskrive variationerne i husenes karakteristika. I forbindelse med
denne udvælgelse skal der tages hensyn til formodningen om, at husmarkedet
på landsplan ikke nødvendigvis kan betragtes som et samlet husmarked
med ens karakteristika vedrørende prisudvikling mv.
I praksis blev udvælgelsen af de endelige områder foretaget ved hjælp
af koblingen af AIS og GLR/CHR. Koblingen gjorde det muligt, inden for
hvert amt, at vælge de områder/byer, hvor en stor del af husene havde en
bedrift på mindst 53 DE beliggende i maks. 500 meters afstand af huset.
Herved blev et rimeligt antal observationer til videre analyse sikret. De udvalgte
områder i hhv. Vestsjællands Amt, Fyns Amt og Århus Amt er afmærket
i figur 7.1. For en mere detaljeret illustration af områderne henvises
til kortmaterialet i appendiks 2, hvor der også gives en oversigt over de
udvalgte byer.
85

Figur
7.1
De udvalgte områder (illustreret med grå pletter) inden for de tre amter
Områdeudvælgelsen bærer præg af, at der er tale om en undersøgelse af
beboelse i det åbne land, da det har været nødvendigt at inddrage mange
små områder for at få tilstrækkeligt med data. Der er derfor tale om uensartede,
usammenhængende områder bestående af mange små enheder. Figur
7.1 illustrerer, hvor spredt de udvalgte områder ligger inden for hvert amt.
Manglende homogenitet imellem områderne kan opvejes ved at inddrage
flere beskrivende variabler i husprisfunktionen. Disse er beskrevet i afsnit
7.3.
86
#
##
Fyns Amt
#
#
#
#
#
##
###
#
#
Århus Amt
#
### ## ## ## ## #
## # ##### ## # ### #
#
#
### ## #
#
#
# # ###
## #
#
#
##
#
#
#
#
# # # #
### #
# #
# #
#
# # #
#
#
# #
Vestsjællands Amt
#
#
#
#
####### #
#
#
######

7.2 Husprisfunktionens variabler
Efter afgrænsning af undersøgelsens områder har det næste skridt været at
vurdere art og udformning af de variabler, der skulle indgå i husprisfunktionen.
Det drejer sig, som allerede nævnt i kapitel 4, om husets strukturelle
karakteristika, miljø-, tilgængeligheds- og områdevariabler.
7.2.1 De strukturelle karakteristika
Strukturelle oplysninger om hver enkelt ejendom, hus, bygning og enhed i
de udvalgte områder er rekvireret fra Kommunedatas (KMD) Ejendomsstamregister
(ESR) og Bygnings- og Boligregister (BBR). Oplysninger fra
ESR og BBR kobles for hvert enkelt hus efter husets ejendomsnummer.
I datamaterialet er hvert enkelt hus beskrevet af i alt 153 variabler fra
ESR og BBR. En del af variablerne er inddraget, fordi det forventes, at de
kan spille en rolle i beskrivelsen af ændringer i husprisen og derfor bør
indgå i husprisfunktionen. Det drejer sig om variabler, der beskriver de enkelte
huse ud fra data om blandt andet husets salgspris, ejendomsvurdering,
grundstørrelse, boligareal, værelsesantal, ydervægsmateriale, tagdækningsmateriale
og varmeinstallation. Andre af variablerne er indhentet udelukkende
til brug i forbindelse med frasorteringen af huse, der ikke kan indgå i
husprisundersøgelsen. Det drejer sig for eksempel om:
• Bygningens anvendelseskode, der benyttes til udelukkende at vælge
fritliggende enfamiliehuse (herved frasorteres bl.a. række, kæde- og
dobbelthuse, sommerhuse og bygninger til erhvervsmæssige formål).
• Overdragelsesmåde, som skelner mellem frit salg, familieoverdragelse,
auktion o.l.
• Ejerforholdskode, der anvendes til at fravælge andre ejerforhold end
»privat ejer« (fx almen boligorganisation, aktie- eller anpartsselskab).
• Samlet erhvervsareal. Huse med erhvervsareal forskelligt fra nul fravælges.
For at opnå et brugbart datasæt til husprisundersøgelsen må datamaterialet
først igennem en behandlings- og sorteringsproces. Ikke brugbare eller ikke
relevante huse i datamaterialet er frasorteret som skitseret i tabel 7.1, og
fremgangsmåden er beskrevet nedenfor.
For at sikre et forholdsvis konsistent datasæt er frasortering af data
87

indledt med udelukkende at vælge enfamilies parcelhuse anvendt til beboelse.
For at sikre ensartede huse er huse med erhvervsareal på ejendommen
fravalgt. Den indledende grovsortering resulterer i en reduktion af datasættet
fra 18588 til 5748 huse. Der er blandt andet frasorteret rækkehuse/dobbelthuse,
lejligheder, andelsboliger, fritidshuse, stuehuse til landbrugsejendomme
o.l. Sorteringen er skitseret i punkt 1-4 i tabel 7.1.
I den efterfølgende frasortering, skitseret i punkt 5-11 i tabel 7.1, er
der frasorteret flere huse, der er afvigende i forhold til hovedparten af enfamiliehuse
i datasættet. Således frasorteres ejendomme, der ikke ejes af
privatpersoner, men fx af almene boligselskaber eller aktie- eller anpartsselskaber,
da markedet for sådanne ejendomme ikke kan siges at være det
samme som markedet for enfamilies parcelhuse. Desuden frasorteres ejendomme,
hvor der ikke er registreret nogen købesum, idet det i estimeringen
af husprisfunktionen er nødvendigt at kende denne. Ejendomme, der ikke
er overdraget i frit salg, kan ligeledes ikke indgå i husprisundersøgelser, da
den oplyste købesum ikke svarer til husets reelle pris på markedet. Her kan
være tale om familiesalg, arveudlæg eller auktion.
For at kunne sammenligne husenes købspriser i en regressionsanalyse
har det været nødvendigt at omregne huspriserne til nutidige priser ved
hjælp af et husprisindeks 8 . I den forbindelse er det nødvendigt at kende husets
salgsdato. Er denne dato ikke registreret, kan huset ikke indgå i undersøgelsen,
og sådanne huse er derfor frasorteret.
I datasættet var der to kondemnerede 9 ejendomme. Disse kunne ikke
indgå i undersøgelsen, da salgsprisen for sådanne huse ikke er sammenlignelige
med salgsprisen for almindelige ikke-kondemnerede huse. Desuden
er huse, der er ombygget efter sidste salg, købt som grund eller købt som
ikke-færdigbygget hus, frasorteret, da husenes salgspris ikke svarer til de
opdaterede karakteristika, der oplyses i ESR og BBR.
88

Tabel
7.1
Frasortering af ikke brugbare observationer/huse
Sorteringsgrundlag Frasorteret Resterende antal
huse
Oprindeligt datasæt 18588
1) Ikke beboelsesejendom 4131 14457
2) Bygning ikke fritliggende enfamilieshus 8529 5928
3) Enhed ikke fritliggende enfamilieshuse 22 5906
4) Erhvervsareal forskelligt fra nul 158 5748
5) Ejendom ikke privat ejet inkl. I/S 82 5666
6) Ikke registreret købesum 1297 4369
7) Overdragelsesmåde ikke frit salg 624 3745
8) Manglende slutseddeldato eller skødedato
136 3609
9) Kondemnerede bygninger 2 3607
10) Ombygget efter sidste salg 491 3116
11) Solgt som grund eller ikke-færdigbygget
hus
12) Beliggenhed mere end 500 m fra de udvalgte
bedrifter
13) Solgt til en pris meget forskellig fra ejendomsvurderingen
318 2798
862 1936
68 1868
14) Beliggenhed ved vandet 45 1823
15) Huse beliggende i byer med meget lille
datamængde
4 1819
16) Huse solgt før 1990 480 1339
I punkt 12 i tabel 7.1 ses, at der endvidere er en række huse, der er frasorteret,
da de ikke har en svinebedrift beliggende inden for 500 meters afstand
af huset. Den registrerede købspris (punkt 13) blev sammenholdt med den
offentlige ejendomsvurdering for at undgå, at der i datasættet indgik huse
som, trods det at de ikke var solgt til familie e.l., alligevel har været solgt
til en pris meget forskellig fra ejendomsvurderingen. For at kunne foretage
denne sammenligning mellem den registrerede købspris og ejendomsvurderingen
blev den registrerede købspris omregnet til nutidige priser ved
hjælp af en deflator baseret på et kommunegruppeinddelt husprisindeks fra
Told- og Skattestyrelsen (2001), hvorefter den totale købesum 10 blev beregnet
ved hjælp af ESR’s oplysninger omkring hovedejers ejerandel og
hovedejers købesum. Herved fremkommer den »samlede købesum« for
89

huset. Den samlede købesum sammenlignes med ejendomsvurderingen, og
huse handlet til over det dobbelte eller under det halve af den offentlige
ejendomsvurdering blev frasorteret.
Frasorteringen i punkt 14 blev foretaget ved hjælp af ArcView, hvor to
landsbyer i det koordinatsatte datasæt faldt uden for normen, idet de lå forholdsvis
tæt på havet. Her var der risiko for, at husets nærhed til havet ville
overskygge evt. gener forbundet med nærheden til en svinebedrift, idet
nærhed til hav forventes at have en betydelig effekt på husprisen. Husene i
de to landsbyer blev derfor trukket ud af datasættet. Ved hjælp af ArcView
blev fire huse desuden frasorteret, da der i to kommuner kun var meget få
huse tilbage efter den forudgående frasortering.
Frasorteringspunkt nummer 16 i tabel 7.1 foregår først under den
egentlige databehandling, men skal blot nævnes her. Hussalg fra før 1990
er taget ud af datasættet på grund af en tidsmæssig markedssegmentering,
dvs. at der er forskelle i husprisbetingelserne i de udvalgte områder før og
efter 1990. Test for den tidsmæssige markedssegmentering er foretaget i
kapitel 8.
Som følge af den beskrevne frasortering består det endelige husdatasæt
af 1339 huse solgt i tidsrummet 1990-2002. Hver enkelt observation er
beskrevet af en række strukturelle karakteristika, husets geografiske placering
samt husets samlede købesum. De strukturelle variabler, der vurderes
at spille en rolle i beskrivelsen af husprisændringer, er listet i tabel 7.2 senere
i kapitlet, hvor også minimums-, maksimums- og gennemsnitsværdier
samt standardafvigelser for købspriserne og de strukturelle karakteristika er
beregnet.
7.2.2 Miljøvariabler
I forbindelse med udførelsen af husprisundersøgelser er det som beskrevet
i afsnit 4.3 vigtigt, at den miljøvariabel, der inddrages i husprisfunktionen,
afspejler folks oplevelse af det gode, den beskriver. I den foreliggende
husprisundersøgelse er målet at estimere en værdi for generne forbundet
med at bo i nærheden af en svinebedrift. For at få et plausibelt estimat for
en sådan værdi er det væsentligt, at miljøvariablen beskriver de enkelte
husstandes oplevede geneniveau fra bedriften.
Generne forbundet med at bo i nærheden af en svinebedrift er sam-
90

mensat af flere karakteristika, såsom lugt, fluer, algevækst på husene samt
risici for helbredspåvirkninger og forurening af grundvandet. De enkelte
former for negative eksternaliteter forbundet med produktionen af svin er
vanskelige at måle for det enkelte hus og derfor ikke mulige at inddrage
som separate variabler i husprisfunktionen. Således afhænger lugten fx af
både bedriftsstørrelse, staldventilation, gyllebehandling og vind- og vejrforhold,
mens antallet af fluer bl.a. afhænger af gylleopbevaring og brugen
af biologisk bekæmpelse. Det endelige estimat for værdien af en ændring i
generne vil som følge deraf være et resultat, der ikke skelner imellem genetyper
og, som tidligere nævnt, ikke angiver den totale samfundsøkonomiske
værdi.
Alle de nævnte former for gener i forbindelse med at bo i nærheden af
en svinebedrift vurderes at have en sammenhæng med afstanden til og størrelsen
på svinebedriften. I Palmquist et al. (1997) er denne sammenhæng,
som beskrevet i afsnit 6.2, givet ved at udlede en funktion, der beskriver
gylletrykket på det enkelte hus. I nærværende undersøgelse er valgt at benytte
Palmquist et al.’s (1997) udtryk for miljøvariablen, med den forskel,
at der i stedet for et gylletryk er benyttet et svinetryk. Miljøvariablen
kommer således til at se ud som følger:
(20) DEi = (Ring 0 i) + ϕ1(Ring 1 i) +…………+ ϕn(Ring n i),
hvor Ring n i er antallet af dyreenheder i den n’te ring hørende til det i’te
hus, og ϕn er vægten for den n’te ring. Idet en DE er defineret som »en beregningsenhed,
der for hver husdyrart beskriver antal dyr pr. dyreenhed ud
fra gødningsproduktionen ab lager« (BEK nr. 604 af 15/07/2002), vil miljøvariablen
i nærværende undersøgelse svare til miljøvariablen i Palmquist
et al. (1997). Svinetrykket afspejler også her det forhold, at det er en kumulativ
effekt fra alle svinebedrifter i en radius af 500 meter fra huset, der påvirker
husprisen, og at denne effekt falder med stigende afstand. Det forventes
endvidere, at effekten af en ændring i DE-antallet vil afhænge af antallet
af DE, der i forvejen befinder sig i området. På baggrund af Palmquist
et al. (1997) antages, at effekten af en ændring i antallet af DE i området
vil være aftagende, jo flere DE der i forvejen påvirker området, og
svinetryksfunktionen inddrages derfor transformeret med den naturlige logaritme
i husprisfunktionen til beskrivelse af påvirkningen på det enkelte
91

Figur
7.2
hus.
Bag anvendelsen af svinetrykket som indikator for generne i forbindelse
med produktionen af svin ligger en antagelse om, at det kun er de to
forhold: afstand til en svinebedrift og antal DE, der indgår i folks vurdering
af de gener, som svinetrykket medfører for den enkelte husejer. Det antages
således, at faktorer som vindretning, landmandspraksis, den rumlige
variation i landskabet og den rumlige fordeling af bedrifterne inden for den
enkelte ring ikke har nogen betydning for det samlede svinetryk, og dermed
husejerens oplevelse af gener.
I undersøgelsen er antallet af DE fra svin inden for en afstand af 0-50,
50-100, 100-150, 150-200, 250-300, 300-400 og 400-500 meter (herefter
angivet som ring 1-7) fra hvert enkelt hus i datasættet fundet ud fra koordinatsætningen
i BBR og GLR/CHR og de hertil hørende bedriftsstørrelser
fra 1999 databasen. Figur 7.2 illustrerer, hvordan der omkring hvert enkelt
hus, i ArcView, er lagt 7 ringe i de ovenfor anførte afstande fra huset. Herefter
er bedrifter inden for hver ring identificeret, og det samlede antal DE
er beregnet pr. ring. I denne optælling er alle bedrifter med svin inden for
en afstand af 500 meter inkluderet; også dem med under 53 DE svin, og de
svinebedrifter, hvor der på bedriften findes andre dyr end svin. Det er vigtigt
at holde sig for øje, at hvert enkelt hus i datasættet som minimum har
53 DE svin inden for en afstand af 500 meter.
Optællingen af antallet af DE i forskellige afstande fra et hus
92
500m.
400m.
300m.
200m.
150m.
100m.
50m.
Svinebedrift
Hus

Ved at måle afstanden fra de enkelte huse til de forskellige svinebedrifter
antages, at det er bedriften/stalden/gyllebeholderen, der har betydning for
folks oplevelse af geneniveauet, og ikke de omkringliggende marker eller
veje brugt til transport af gylle. Endvidere antages det, at gyllebeholderen
ligger forholdsvis tæt på stalden 11 , og at bedriftsstørrelserne er konstante
hen over tid (svarende til 1999-niveau). Eventuelle gener fra kvægbesætninger
og andre besætningsformer antages som uden betydning for husprisen
12 .
Ud over den for undersøgelsen relevante miljøvariabel er det valgt at
inddrage yderligere to miljøvariabler: nærhed til vej og nærhed til jernbane.
De to variabler formodes at have negative effekter på husprisen og vil således
kunne påvirke resultatet i negativ retning og dermed føre til et skævt
estimat for svinetryksparameteren, hvis de ikke inkluderes.
Nærhed til vej er indført i husprisfunktionen som en dummyvariabel
lig med 1 for huse beliggende ud til en befærdet vej. Nærhed til jernbane er
indført i husprisfunktionen som en dummyvariabel lig med 1, hvis huset
ligger inden for 100 meter af en jernbane. De 100 meter er angivet i en
norsk husprisundersøgelse udført af Strand & Vågnes (2001) som den
maksimale afstand, hvorved prisen på et hus er påvirket af en forbigående
jernbane.
7.2.3 Tilgængeligheds- og områdevariabler
Idet den foreliggende husprisundersøgelse i stor udstrækning omfatter huse
fra landsbyer, vurderes det, at det er vigtigt at inddrage en variabel, som
beskriver den enkelte husstands afstand til fx større indkøbsfaciliteter, arbejde,
uddannelse osv. Til dette er valgt at inddrage en variabel, der angiver
transporttiden i bil til den nærmeste større by (mellem 7-50.000 indb.).
Transporttiden er bestemt ud fra Det Levende Danmarkskort (Kort & Matrikelstyrelsen
2000), hvor der benyttes en gennemsnitshastighed på 50
km/t på mindre veje, 76 km/t på større veje og 104 km/t på motorveje.
Transporttiden er defineret for hver by.
Der tildeles desuden variabler til beskrivelse af den kommunale
grundskyldspromille, skattesats (amts- og kommuneskat) og serviceniveau
13 . Variablerne inddrages med en forventning om, at de kan forklare
nogle af de områdemæssige forskelle kommunerne imellem.
93

Som et alternativ til tilgængeligheds- og områdekarakteristika til beskrivelse
af de kommunale forskelle kunne dummyvariabler for kommuner
have været inddraget. Herved antages, at husmarkedet inden for en kommune
er ensartet. Her skal blot nævnes, at kommunedummyer ér afprøvet,
men fravalgt igen, da de fleste af dummyerne viste sig at være insignifikante.
Dette kan muligvis skyldes, at flere af de repræsenterede kommuner efter
sorteringen af data kun indeholder få observationer/huse. For at få større
grupperinger af data tildeles husene i stedet amtsdummyer til beskrivelse
af en eventuel prisforskel på huse i Vestsjællands Amt og Fyns Amt i forhold
til huse i Århus Amt. Det antages således, at der er ensartede husmarkeder
i de enkelte amter.
7.3 Beskrivelse af det endelige datasæt
Efter frasorteringen af irrelevante og ikke-brugbare observationer fremstår
datasættet som beskrevet i tabel 7.2, hvor det blandt andet ses, at et gennemsnitshus
er solgt til 751.758 kr. og var 54 år gammelt på købstidspunktet.
Huset er 137,8 m 2 stort, har 4 værelser og en grundstørrelse på 1.084
m 2 .
94

Tabel
7.2
Oversigt over modellens variabler
Variabel Beskrivelse Enhed Min. Maks. Gennemsnit
Std. afv.
SKS Samlede købesum Kr. 170.000 2.125.000 751.758 257.573
V_areal Vægtet areal 1 m 2 47,8 576,65 137,79 44,59
Grundst Grundstørrelse m 2 118 35.070 1084,47 1638,27
Vaerelse Antal værelser Stk. 1 18 4,49 1,38
Alder Husets alder År 1 326 59,08 41,01
K_alder Husets alder ved
sidste køb
Salgsaar Året for husets sidste
salg
År 1 326 54,32 41,27
- 1990 2002 1997 -
M 2 _pris M 2 -pris Kr./m 2 1.258,99 12.987,01 5.595,41 1.578,01
Grundskyld Grundskyldspromille ‰ 6 24 14,74 5,29
Amtkom Amts- og kommuneskat
% 31,2 35,2 33,63 0,91
Service Serviceniveau - 0,95 1,1 1,018 0,035
Afstand Køreafstand til
nærmeste større by
Min. 6 25 12,997 4,59
Ring 1 DE inden for 50 m DE 0 190 2,75 17,11
Ring 2 DE 50-100 m DE 0 201 8,12 30,50
Ring 3 DE 100-150 m DE 0 301 12,93 39,24
Ring 4 DE 150-200 m DE 0 344 14,60 41,25
Ring 5 DE 200-300 m DE 0 500 35,77 63,19
Ring 6 DE 300-400 m DE 0 346 42,78 65,84
Ring 7 DE 400-500 m DE 0 402 41,65 67,33
1 Husets vægtede areal er beregnet som i den offentlige ejendomsvurdering. Her regnes husets
totale vægtede areal som en sum af stueetagens areal vægtet 100%, udnyttet tagetage
vægtet 60%, kælder vægtet 25% og garage og udhuse vægtet 20%.
I tabel 7.3 ses en oversigt over datasættets dummyvariabler. I denne tabel
ses blandt andet, at langt hovedparten af datasættets observationer er murstenshuse
med tag af fibercement (»Skif«) og opvarmning ved centralvarme
fra eget anlæg. Det ses desuden, at ca. 41% af observationerne findes i
Vestsjællands Amt, 36% i Århus Amt og 23% i Fyns Amt.
95

Tabel
7.3
Oversigt over modellens dummyvariabler
Gruppering Dummy Beskrivelse for dummy = 1 Antal
huse
med
dummy=1
Ydervægsmat. Mursten Mursten (tegl, kalksandsten, cementsten) 1194
Letbeton Letbeton (lette bloksten, gasbeton) 57
Eternit Plader af fibercement, herunder asbest
(eternit e.l.)
5
96
Binding Bindingsværk (med udvendigt synligt træværk)
Trae Træbeklædning 26
Beton Betonelementer (etagehøje elementer) 7
Andet Ydervæg af andet materiale 14
Tagdækn. mat. Fladttag Fladt tag 17
Tagpap Tagpap (med taghældning) 13
Skif Fibercement, herunder asbest (bølge- eller
skiffereternit)
36
824
Cement Cementsten 141
Tegl Tegl 280
Boelgeblik Metalplader (bølgeblik, aluminium o.lign.) 12
Straa Stråtag 36
F-cement Fibercement 6
Andet Tag af andet materiale 10
Varmeinstal. F_varme Fjernvarme/blokvarme (radiatorsystemer eller
varmluftanlæg)
C_varme Centralv. fra eget anl., et-kammer fyr
(radiator /varmluftanlæg)
447
691
Ovn Ovne ( kakkelovne, kamin, brændeovn o.l.) 18
V_pumpe Varmepumpe 9
C_varme2 Centralvarme med 2 fyringsenheder (fast/
flydende brændsel eller gas)
El_varme Elovne, elpaneler 161
Andet X_toilet To toiletter 460
XX_toilet Mere end to toiletter 26
Nul_bad Ingen bad 40
X_bad Mere end et bad 196
Vej Beliggenhed på befærdet vej 66
Jernbane Beliggenhed inden for 100 m af jernbane 49
Fyn Beliggende i Fyns Amt 311
Vestsj. Beliggende i Vestsjællands Amt 550
Aarhusamt Beliggende i Århus Amt 478
13

Fordelingen af observationerne inden for de tre amter er illustreret i figur
7.3. Det ses, at observationerne i Århus Amt er fordelt på 9 kommuner,
Fyns Amt udgøres af observationer fra 8 kommuner og Vestsjællands Amt
af observationer fra 10 kommuner. Det gennemsnitlige antal observationer
i kommunerne ligger på ca. 50 observationer. Tre kommuner: Dragsholm,
Hvidebæk og Nørhald indgår med mere end det dobbelte af den gennemsnitlige
observationsmængde, mens Kalundborg, Skælskør, Ejby, Vissenbjerg,
Grenå og Hinnerup Kommuner indgår med halvdelen eller mindre
end gennemsnitsantallet. De største variationer i antallet af observationer i
kommunerne inden for et amt findes i Århus Amt og Vestsjællands Amt.
Fx bidrager Hvidebæk Kommune og Dragsholm kommune med 47% af alle
observationerne i Vestsjællands Amt. Disse to kommuner får derved
forholdsvis større vægt på resultatet.
97

Figur
7.3
Husdatasættets fordeling på kommuner og amter
98
Bjergsted
Dianalund
Dragsholm
Hvidebæk
Kalundborg
Skælskør
Stenlille
Svinninge
Tornved
Tølløse
Assens
Broby
Egebjerg
Ejby
Ringe
Ullerslev
Vissenbjerg
Ørbæk
Grenå
Hadsten
Hinnerup
Nørhald
Nørredjurs
Purhus
Rosenholm
Skanderborg
Århus
0 20 40 60 80 100 120 140
Antal observationer
Vestsjællands Amt Fyns Amt
Århus Amt
I figur 7.4 er de gennemsnitlige værdier illustreret for husenes vægtede
areal, grundstørrelse og alder, samt den gennemsnitlige grundskyldspromille,
amts- og kommuneskat, serviceniveau og afstand til større by, fordelt
på amter.

Figur
7.4
Strukturelle og områdemæssige forskelle de tre amter imellem
M 2
År
%
145
140
135
130
125
60
55
50
45
34,5
34
33,5
33
32,5
32
Vestsjælland Fyn Århus
Amt
Vestsjælland Fyn Århus
Amt
Vestsjælland Fyn Århus
Amt
15
14
13
12
11
M 2
Promille
1200
1150
1100
1050
1000
950
20
15
10
5
0
1,05
1
0,95
0,9
Vestsjælland Fyn
Amt
Århus
Vestsjælland Fyn Århus
Amt
A) Gennemsnitligt vægtet areal B) Gennemsnitlig grundstørrelse
Min.
Vestsjælland Fyn Århus
Amt
C) Gennemsnitlig alder ved sidste salg D) Gennemsnitlig grundskyldspromille
Vestsjælland Fyn Århus
Amt
E) Gennemsnitlig amts- og kommuneskat F) Gennemsnitligt serviceniveau
G) Gennemsnitligt køretid til nærmeste større by
Figur 7.5 viser fordelingen af observationer fordelt på intervaller af det
samlede antal DE inden for 500 meter fordelt på amter. Der ses, at største-
99

Figur
7.5
Figur
7.6
delen af observationerne er påvirket af 300 DE eller derunder. Godt 40% af
observationerne i Fyns Amt og Vestsjællands Amt er påvirket af mellem
50 og 99 DE, mens samme tal for Århus Amt kun er knap 20%. Til gengæld
er godt 20% af observationerne fra Århus Amt påvirket af mellem
200 og 249 DE, mens de samme tal for Fyns Amt og Vestsjællands Amt er
godt 5%.
Den procentvise fordeling af observationer plottet mod det samlede
antal DE inden for 500 meter
100
Procent
50
40
30
20
10
0
50-99
100-149
150-199
200-249
250-299
300-349
DE
350-399
Vestsjælland Fyn Århus
400-449
450-499
Fordeling af antallet af huse inden for amter, der har mindst én svinebedrift
i den pågældende ring
Antal huse
250
200
150
100
50
0
Vestsjælland Fyn Århus
Ring 1 Ring 2 Ring 3 Ring 4 Ring 5 Ring 6 Ring 7
>=500

Figur 7.6 viser, hvor mange huse i hvert amt der har mindst én svinebedrift
inden for hver enkelt ring. Det ses, at antallet af huse i de fire første ringe
generelt er væsentligt færre end i de tre sidste. De få observationer i de fire
første ringe kan måske skabe problemer med at give variation nok for modellen
til at estimere en forskel inden for disse ringe.
7.4 Sammenfatning
Der er i kapitlet gjort rede for den udvælgelse af områder, der er foretaget i
forbindelse med undersøgelsen. For at finde et passende antal huse beliggende
i nærheden af svinebedrifter har det været nødvendigt at indsamle
data fra mange små, uensartede, usammenhængende byområder, som dog
har det til fælles, at en del af byernes enfamiliehuse har mindst 53 DE svin
beliggende inden for en radius af 500 meter. Områderne er udvalgt i de tre
amter: Fyns Amt, Vestsjællands Amt og Århus Amt. Det endelige datasæt
består af 1339 brugbare observationer fordelt med 23% (308 observationer)
i Fyns Amt, 41% (549 observationer) i Vestsjællands Amt og 36%
(482 observationer) i Århus Amt. Med andre ord relativt få observationer i
Fyns Amt.
Der lægges en ring i en radius på 500 meter om hvert hus. Ringene
inddeles i 7 mindre ringe for herved at kunne vurdere, om en øget afstand
har en effekt, og antallet af DE inden for hver ring beregnes. Miljøparameteren
kaldes et svinetryk og bestemmer, for hvert hus, den kumulative effekt
af alle svinebedrifter i området vægtet efter deres afstandsmæssige
placering. Svinetryksparameteren indgår i husprisfunktionen logaritmisk
transformeret for herved at tage hensyn til en formodning om, at en ændring
i husprisen, som følge af en ændring i antallet af DE i nærområdet,
afhænger af, hvor mange DE der allerede befinder sig i området.
101

8 Databehandling
På baggrund af det sammensatte husdatasæt fra kapitel 7 indledes den
egentlige databehandling i dette kapitel med en præsentation af de fire anvendte
funktionelle former. Med udgangspunkt i disse testes datasættet for
problemer i forhold til markedssegmentering både tidsmæssigt og geografisk.
Dernæst foretages den egentlige modelspecifikation af husprisfunktionerne,
og der testes for økonometriske problemer i form af outliers, heteroscedasticitet
og multikollinaritet. Afsluttende præsenteres parameterestimaterne,
og der gives en overordnet vurdering af de fire estimerede
husprisfunktioner.
8.1 De fire funktionelle former
I kapitel 5 blev diskussionen omkring valg af husprisfunktionens funktionelle
form, til brug i hedoniske undersøgelser, præsenteret. Fire funktionelle
former: lineær, semilogaritmisk, dobbeltlogaritmisk og invers semilogaritmisk,
blev udvalgt på baggrund af den gennemgåede litteratur og
funktionsformernes forholdsvis simple og letfortolkelige karakter. I den
følgende behandling af de fire funktioner vil variabelnavne fra tabel 7.2 og
dummyvariabelnavne fra tabel 7.3 blive anvendt. Funktionsspecifikationerne
ses skematiseret i tabel 8.1, hvor det fx ses, at den afhængige variabel,
SKS, indgår logaritmisk transformeret i den semilogaritmiske funktion,
mens dummyvariabler og de øvrige variabler på nær svinetryksfunktionen
indgår utransformerede.
102

Som eksempel på en husprisfunktion ses her den semilogaritmiske husprisfunktion:
LN(SKS)= INTERCEPT+ γ1*V_AREAL+ γ2*GRUNDST+ γ3*K_ALDER+ γ4*VAERELSE
+ γ5*LETBETON+ γ6*ETERNIT+ γ7*BINDING+ γ8*TRAE+ γ9*BETON+ γ10*ANDET
+γ11*FLADTTAG+ γ12*TAGPAP + γ13*SKIF+ γ14*CEMENT+ γ15*BOELGEBLIK
+γ16*STRAA+ γ17*F_CEMENT+ γ18*ANDET_T+ γ19*C_VARME+ γ20*OVN
+γ21*V_PUMPE+ γ22*C_VARME+ γ23*EL_VARME+ γ24*X_TOILET+ γ25*XX_TOILET
+ γ26*NUL_BAD+ γ27*X_BAD+ δ1*AFSTAND + µ1*FYN+ µ2*VESTSJ
+ µ3*GRUNDSKYLD+ µ3*AMTKOM+ µ4*SERVICE
+ β1*(LN(RING1+ φ2*RING2+ φ3*RING3+ φ4*RING4+ φ5*RING5+ φ6*RING6+
φ7*RING7))+ β2*VEJ+ β3*JERNBANE,
hvor γ1,…,γ27 er parameterestimater for de strukturelle variabler, δ1 er parameterestimatet
for en tilgængelighedsvariabel, µ1,…,µ4 er parameterestimater
for områdevariabler, β1, β2, β3 er parameterestimater for miljøvariabler
og φ2,…,φ7 er vægte i svinetryksfunktionen.
Funktionerne behandles sideløbende, da deres estimater kan anvendes
til at vurdere stabiliteten af svinetryksfunktionens parameter på tværs af
funktionelle former.
103

Tabel
8.1
Husprisfunktionernes variabler
104
Funktionel form
Variabel Lineær Semilog Dobbeltlog Invers semilog
Afhængig variabel:
SKS Utransformeret Logaritmisk
trans.
Forklarende variabler:
Logaritmisk
trans.
V_areal Utransformeret Utransformeret Logaritmisk
trans.
Grundst Utransformeret Utransformeret Logaritmisk
trans.
K_alder Utransformeret Utransformeret Logaritmisk
trans.
Vaerelse Utransformeret Utransformeret Logaritmisk
trans.
Grundskyld Utransformeret Utransformeret Logaritmisk
trans.
Amtkom Utransformeret Utransformeret Logaritmisk
trans.
Service Utransformeret Utransformeret Logaritmisk
trans.
Afstand Utransformeret Utransformeret Logaritmisk
trans.
f(RING1,…,RING7)
(svinetryksfunktion)
Logaritmisk
trans.
Dummyvariabler Utransformerede
Logaritmisk
trans.
Utransformerede
Logaritmisk
trans.
Utransformerede
Utransformeret
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Logaritmisk
trans.
Utransformerede
Da svinetrykket, som beskrevet i kapitel 7, indgår som en logaritmisk
transformeret funktion i husprisfunktionen, er alle fire funktioner reelt ikke-lineære
14 , og funktionerne behandles derfor indledningsvis i statistikprogrammet
SAS i regressionsproceduren proc model, hvor parameterestimaterne
findes ved en iterativ proces. Proc model har her den fordel, i
forhold til de mere kendte regressions-procedurer proc reg og proc glm, at
den kan modellere funktioner, hvor forholdet mellem variablerne består af
et system af en eller flere ikke-lineære ligninger. Proc glm og proc reg kan
kun estimere modeller, hvor variablerne indgår i en lineær sammenhæng.
Fortolkningen af parameterestimaterne i de fire forskellige funktionsformer
ses i tabel 8.2. Fx ses, at parameterestimatet for svinetryksfunktionen
både i den semilogaritmiske og dobbeltlogaritmiske funktion tolkes
som en procentvis ændring i husprisen ved en 1% ændring i svinetrykket.

Tabel
8.2
Denne fortolkning skyldes, at både den afhængige variabel, SKS (husprisen),
og den forklarende variabel, svinetryksfunktionen, er logaritmisk
transformerede i begge funktionsformer.
Fortolkning af parameterestimater
Afhængig
variabel
Lineær
Logaritmisk
transformeret
Forklarende
variabel
Fortolkning af parameterestimat
for kontinuerte
variabler
Lineær Estimat = X kr. / enhed af
variablen
Logaritmisk trans-
formeret
Estimat/100 =X kr. /
(1% ændring i variablen)
Lineær Estimat*100 = X% husprisændring
/ enhed af variablen
Logaritmisk trans-
formeret
Kilde: (Mod.e. Damgaard & Erichsen, 2000).
Estimat = X% husprisændring
/ (1% ændring i variablen)
Fortolkning af parameterestimater
for dummyvariabler
Estimat = X kr. i merværdi
for dummy = 1 (i forhold til
basisdummy)
Estimat = X kr. i merværdi
for dummy = 1 (i forhold til
basisdummy)
e estimat -1 = X% i merværdi
for dummy = 1 (i forhold til
basisdummy)
e estimat -1 = X% i merværdi
for dummy = 1 (i forhold til
basisdummy)
Et andet eksempel er parameterestimatet for grundstørrelsen, der i den
dobbeltlogaritmiske funktion (både den afhængige og de forklarende variable
er logaritmisk transformerede) tolkes som den procentvise ændring i
husprisen ved 1% ændring i grundstørrelsen. Samme parameterestimat i
den semilogaritmiske funktion (hvor den afhængige variabel er logaritmisk
transformeret, mens de forklarende variabler er utransformerede) skal multipliceres
med 100 for at kunne tolkes som den procentvise ændring i husprisen
ved en grundstørrelsesændring på 1 m 2 . Parameterestimatet for
dummyvariablen »binding« tolkes fx i den lineære funktion som husets
merværdi i kroner ved ydervægsmaterialet bindingsværk i forhold til mursten
(der indgår i funktionerne som basisdummy for ydervægsmateriale).
8.2 Indledende test
I kapitel 7 er der kort omtalt, at datasættet reduceres til udelukkende at indeholde
huse solgt fra og med 1990 blandt andet på grund af tidsmæssig
105

markedssegmentering. Herunder følger den bagvedliggende test for denne
tidsmæssige markedssegmentering. Desuden følger en test for geografisk
markedssegmentering. Begge test er foretaget, da en af forudsætningerne
bag husprismetoden er, at datasættet kan betragtes som ét marked både
tidsmæssigt og geografisk. Findes der strukturelle skift i perioden, eller
vurderes det, at der er strukturelle forskelle på områderne, vil det ikke være
muligt at udlede en husprisfunktion for det samlede datasæt. Løsningen
kan være at reducere datasættet til et ensartet datasæt eller at dele datasættet
op i ensartede datasæt og dernæst udlede separate husprisfunktioner for
de enkelte datasæt.
8.2.1 Tidsmæssig markedssegmentering
Testen for tidsmæssig markedssegmentering er foretaget på datasættet svarende
til punkt 15 i tabel 7.1, altså inden frasorteringen af huse solgt før
1990. Datasættet består således af 1819 udvalgte huse handlet i de tre amter
Vestsjællands Amt, Århus Amt og Fyns Amt over perioden 1971-2002.
Testen for tidsmæssigt segmenterede markeder foretages for at vurdere,
om den forholdsvis lange tidsperiode for hussalgene kan siges at udtrykke
et samlet marked, eller om der er sket strukturelle skift i husprisudviklingen.
Til dette formål udarbejdes et plot (figur 8.1) af datasættets gennemsnitlige
deflaterede huspriser mod salgsåret, hvilket giver et billede af
udviklingen på det relaterede husmarked over perioden 1971-2002. Plottet
i figur 8.1 indikerer forholdsvis høje og svingende huspriser i første halvdel
af perioden, til omkring 1985 (både på landsplan og i de tre amter) og
et gennemsnitligt lavere og mere stabilt huspris niveau i perioden ca. 1985-
2002. Plottet antyder et strukturelt skift i husprisudviklingen omkring
1985, hvilket kan være tegn på segmentering af markedet i perioden før
1985 og perioden efter.
106

Figur
8.1
Figur
8.2
Udviklingen i de deflaterede huspriser på amts- og landsplan
Husets salgspris /K
1500000
1000000
500000
1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
Salgsår
V es ts jæ lland Fyn Århus Landsplan
Mistanken om et strukturelt skift i husprisudviklingen bekræftes ud fra et
plot af residualerne mod salgsåret, som illustreret i figur 8.2. Her ses en
tendens til, at residualerne ikke er tilfældigt fordelt i forhold til købsåret,
idet residualerne, især før 1980, generelt ligger over nul. Det vurderes, at
perioden fra 1985 og frem ser mere stabil ud.
Residualer plottet mod salgsåret (i proc model er det ikke muligt at
bestemme de standardiserede residualer)
Residual
-1
1
0
1980 1990 2000
Salgsår
Ved hjælp af en Chow-test 15 undersøges datasættet for strukturelle forskelle
i perioderne før og efter 1985. Chow-testen tester det samlede datasæt
mod to adskilte datasæt i de fire funktioner, og det kan ikke afvises, at der
er et strukturelt skift i datasættet i år 1985. Det kan derfor ikke siges, at data
repræsenterer ens husmarkeder, og data kan således heller ikke beskrives
af én husprisfunktion. For kun at skulle estimere én husprisfunktion reduceres
datasættet derfor til kun at indeholde hussalg fra og med 1985. Da
der i nærværende værdisætningsstudium er valgt kun at inddrage svinebedrifter
registreret i GLR/CHR i 1999, vurderes det, at der ikke bør anven-
107

des hussalg i en alt for lang periode i forhold til året 1999. Jo flere år fra
1999, des mere usikker bliver antagelsen (fra afsnit 7.2.2) om uændrede
svinebrugsstørrelser i forhold til 1999 16 . Da det på baggrund af Chowtesten
antages, at markedet efter 1985 er strukturelt stabilt, vil markedet efter
1990 også være det, og datasættet reduceres derfor yderligere til kun at
indeholde hussalg fra og med 1990.
Her skal det bemærkes, at tidsperioden for hussalg fra 1990-2002 stadig
er en forholdsvis lang periode, og antagelsen om uændrede bedriftsstørrelser
inden for perioden er stadig temmelig grov. Den forholdsvis lange
tidsperiode har dog været nødvendig for at sikre en tilstrækkelig mængde
data.
8.2.2 Geografisk segmenterede markeder
Efter reduktionen i datasættet på grund af tidsmæssigt segmenterede markeder
undersøges der for strukturelle geografiske forskelle, som tegn på
geografisk segmenterede markeder, idet figur 8.1 indikerer, at prisudviklingen
i de tre amter ikke har været ens. Wald-test af hypotesen om et samlet
marked udføres for hver af de fire funktioner, og ingen af testene kan
bekræfte hypotesen om, at de tre amter udgør ét samlet marked med en ens
prisudvikling. Det kan således ikke afvises, at der er tale om geografisk
markedssegmentering, hvor markedet er opdelt i tre amtslige markeder. I
den resterende del af husprisundersøgelsen vil data derfor blive behandlet
som tre separate datasæt bestående af udvalgte huse solgt fra og med 1990
i henholdsvis Vestsjællands Amt, Fyns Amt og Århus Amt. Datasættet fra
Vestsjællands Amt består af 550 huse, Fyns Amt-datasættet består af 311
huse og Århus Amt-datasættet består af 478 huse. Ved denne opsplitning af
det samlede datasæt bliver datagrundlaget for en modellering af husprisfunktionen
for Fyns Amt muligvis en smule spinkelt. Husprisfunktionen vil
dog alligevel blive forsøgt estimeret.
I tabel 8.3 ses en oversigt over gennemsnitsværdier samt standardafvigelse
for de tre amters variabler.
108

Tabel
8.3
Gennemsnitlige variabelværdier for de tre amter
Variabel Beskrivelse Enhed
SKS Deflateret total
købesum
Vestsjællands
Amt
Fyns Amt Århus Amt
Gens. Std.afv. Gens. Std.afv. Gens. Std.afv.
Kr. 746619 239595 700260 226088 791177 288335
V_areal Vægtet areal m 2 132,46 45,16 137,99 41,61 143,78 44,99
Grundst Grundstørrelse m 2 1076,6
1
1682,6
1
1179,7
1
2156 1031,5 1105,3
2
Vaerelse Antal værelser Stk. 4,42 1,49 4,38 1,25 4,67 1,29
K_alder Husets alder ved
sidste køb
År 52,97 35,87 59,11 48,88 52,75 41,4
Grundskyld
Grundskyldspromille ‰ 18,01 3,9 10,35 4,77 13,83 4,52
Amtkom Amts- og
kommuneskat
% 34,1 0,62 34,04 0,47 32,81 0,81
Service Serviceniveau - 1,04 0,02 1,01 0,04 0,95 0,02
Afstand Køreafstand til
nærmeste større by
Min. 14,03 4,23 12,59 5,8 12,08 3,79
Ring 1 DE inden for 50 m DE 2,56 15,3 3,17 19,07 2,69 17,69
Ring 2 DE 50-100 m DE 5,17 20,12 8,49 32,83 11,28 37,63
Ring 3 DE 100-150 m DE 8,75 28,78 13,77 42,38 17,19 46,36
Ring 4 DE 150-200 m DE 14,03 39,45 17,61 45,2 13,29 40,43
Ring 5 DE 200-300 m DE 32,46 58,33 32,77 57,44 41,52 71,18
Ring 6 DE 300-400 m DE 40,87 68,89 35,61 51,72 49,64 69,61
Ring 7 DE 400-500 m DE 36,14 63,58 39,26 66,37 49,78 71,22
Ring17 DE 0-500 m DE 140,03 102,69 150,67 89,09 185,1 94,01
Ud fra tabellen ses blandt andet, at den gennemsnitlige deflaterede totale
købesum for et hus i Århus Amt er ca. 100.000 kr. højere end købesummen
for et hus på Fyn. Der ses også en forholdsvis stor forskel i grundstørrelsen,
idet den gennemsnitlige grundstørrelse for datasættets huse i Fyns
Amt er ca. 150 m 2 større end grunde tilhørende datasættets huse fra Århus
Amt. Desuden ses en forskel i antallet af dyreenheder (DE) inden for en
radius af 500 meter fra huset, hvor huse i Vestsjællands Amt gennemsnitligt
har 140 DE inden for 500 meter, mens huse i Århus Amt i gennemsnit
har 185 DE.
109

8.3 Modelestimation
Efter identifikationen af både tidsmæssig og geografisk markedssegmentering
behandles de tre amter nu separat, med fire husprisfunktioner for hvert
amt (i alt 12 husprisfunktioner) ud fra datasættet bestående af udvalgte huse
solgt fra og med 1990.
For overblikkets skyld præsenteres resultaterne af modelestimationen
for et amt ad gangen. Det er dog samme procedure, der gentages for alle tre
amter, hvorfor den mere udførlige fremgangsmåde kun præsenteres for
Vestsjællands Amt, og modelestimeringer for Århus Amt og Fyns Amt er
blot skitseret groft. De udførlige modelestimeringer for Århus Amt og
Fyns Amt findes i hhv. appendiks 10 og appendiks 12.
8.3.1 Vestsjællands Amt
Datasættet fra Vestsjællands Amt består af 550 huse solgt i 1990 eller senere.
Gennemsnitsværdierne for datasættets enkelte variabler ses i tabel
8.3.
I tabel 8.4 præsenteres de fire husprisfunktioners parameterestimater
for den logaritmisk transformerede svinetryksfunktion og dens variable på
baggrund af datasættet fra Vestsjællands Amt. Variablerne Ring2,…,Ring7
svarer til vægtene ϕ2,… ϕ7 for ring nummer 2-7 i svinetryksfunktionen, der
blev omtalt i afsnit 7.2.2. Parameterestimaterne for Ring2,…,Ring7 svarer
derfor til de estimerede vægte for ringene i svinetryksfunktionen. Variablen
Ring1 og dermed vægten, hvormed ring 1 indgår i svinetryksfunktionen,
er normaliseret til én og estimeres derfor ikke.
Det ses i tabel 8.4, at parameterestimaterne for den transformerede
svinetryksfunktion i alle fire funktioner er negative og signifikant forskellige
fra nul på 95%-niveau. Derimod ses, at alle parameterestimater for variablerne
i svinetryksfunktionerne er insignifikante (disse er markeret med
lysegrå i tabellen). De insignifikante parameterestimater kan for nogle af
ringene muligvis skyldes, at der, som omtalt i kapitel 7, kun er få huse, der
er påvirket af bedrifter i de inderste ringe.
110

Tabel
8.4
Parameterestimater for svinetryksfunktionen og dens variabler
Lineær Semilog Dobbeltlog Invers semilog
Adj. R 2 = 0,4654 Adj. R 2 = 0,4874 Adj. R 2 = 0,5592 Adj. R 2 = 0,5222
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Ln(svinetryksfunkt.)
-79189,2

kelte hus.
Bekræftelsen af lighed mellem de syv ringes vægte tolkes, som at det
ikke, på baggrund af data, kan siges at have nogen betydning for husprisen,
i hvilken afstand inden for 500 meter af huset en svinebedrift er beliggende.
Sammenlægningen af de syv ringe i svinetryksfunktionen ændrer svinetryksfunktionen
fra at være en funktion bestående af sammenhængen
mellem syv variabler til blot at være en almindelig kontinuert variabel, og
alle fire husprisfunktioner er herefter reduceret til mere simple funktioner,
hvor alle variabler indgår i en lineær sammenhæng. Reduktionen til lineære
funktioner gør det muligt at fortsætte modelestimeringen i proc reg,
hvilket rent databehandlingsmæssigt er en del nemmere.
Modelestimationen fortsætter således i proc reg, hvor de første regressioner
af de fire husprisfunktioner resulterer i tabel 8.5’s parameterestimater
og signifikansniveauer for variablerne. I tabellen er de insignifikante
variabler farvet lysegrå. De resterende variable er signifikant forskellige fra
nul på 95%-niveau.
112

Tabel
8.5
Parameterestimater og signifikansniveauer i de fire funktioner
Lineær Semilog Dobbeltlog Invers semilog
Adj. R 2 = 0,4702 Adj. R 2 = 0,4893 Adj. R 2 = 0,5603 Adj. R 2 = 0,5265
Variabel Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀
Intercept 892873 0,1616 12,8453

Figur
8.3
I første omgang smides de variabler ud, der er insignifikante i alle fire
funktioner. Dernæst forbedres de fire funktioner yderligere enkeltvis ved at
smide resterende insignifikante variabler ud. De endelige husprisfunktioner
indeholder de tiloversblevne umarkerede variabler fra tabellen, der således
er signifikant forskellige fra nul i de funktioner, hvori de indgår.
På baggrund af de endelige husprisfunktioner undersøges datasættet
for outliers ved hjælp af Cooks distance og residualplot. Et datasæt bør ikke
indeholde outliers da modelestimeringen kan påvirkes forholdsvis meget
af en enkelt outlier, og dermed resultere i en upræcis beskrivelse af det
resterende datasæt. I figur 8.3 vises et eksempel på disse plot for den dobbeltlogaritmiske
funktion.
Plot af Cooks distance og standardiserede residualer mod de prædikterede
salgspriser
Plottet til venstre i figur 8.3 viser »Cooks distance«, der måler den enkelte
observations indflydelse på det samlede resultat. I økonometrisk modelarbejde
vurderes en observation som outlier/afvigende i forhold til det øvrige
datasæt, hvis »Cooks distance« for observationen nærmer sig 1. Det ses, at
det ikke er tilfældet for nogen af observationerne i dette datasæt. Plottet til
højre i figur 8.3 viser de standardiserede residualer. Her tolkes en observation
som outlier i forhold til datasættet, hvis den standardiserede residual
for observationen er større end ca. 3-4 eller mindre end ca. (-3)-(-4). Her
ses, at en enkelt observation ligger i intervallet 3-4, og dermed er tæt på
den kritiske grænse. Observationen falder dog ikke ud som outlier i de andre
funktioner, og den bibeholdes derfor i datasættet. De tre øvrige huspris-
114

Figur
8.4
funktioner undersøges for andre outliers. Undersøgelsen peger på enkelte
afvigende observationer, men heller ikke disse observationer falder ud som
outliers i alle fire funktioner og smides derfor ikke ud af datasættet.
De fire endelige husprisfunktioner undersøges dernæst for heteroscedasticitet
(omtalt i kapitel 5). I figur 8.4 ses de fire funktioners standardiserede
residualer plottet mod de prædikterede huspriser. Ingen af plottene viser
tegn på systematik i de standardiserede residualer, hvilket tages som
tegn på, at der ikke er problemer med heteroscedasticitet.
Standardiserede residualer plottet mod de prædikterede huspriser,
datasæt fra Vestsjællands Amt
Lineær funktion
Dobbeltlogaritmisk funktion
Semilogaritmisk funktion
Invers semilogaritmisk funktion
Datasættet giver ikke mulighed for at teste for rumlig autokorrelation, idet
det ikke indeholder information om de enkelte huses indbyrdes geografiske
placering. Da denne manglende mulighed skyldes datasættets udformning,
115

Figur
8.5
vil det heller ikke være muligt at teste de to andre amts-datasæt for rumlig
autokorrelation.
Til brug ved vurderingen af eventuelle problemer med multikollinaritet
mellem enkelte variabler udarbejdes et scatterplot i SAS. I en sådan
graf plottes udvalgte variabler mod hinanden, og det vil på baggrund
heraf være muligt at tolke, om der er nogen sammenhæng mellem enkelte
af de udvalgte variabler. I husdatasæt er det ikke utænkeligt, at der kan forekomme
en sammenhæng mellem for eksempel husets størrelse og antallet
af værelser, grundstørrelse og husets størrelse, samt evt. husets alder og
antallet af værelser, eller logaritmisk transformerede variabler for disse karakteristika.
Et scatterplot for udvalgte logaritmisk transformerede variabler
i det endelige datasæt for Vestsjællands Amt ses i figur 8.5.
Scatterplottet for udvalgte variabler i det endelige datasæt for Vestsjællands
Amt
I figur 8.5 ses plot af de seks logaritmisk transformerede variable; ln vægtet
areal) (L_V_AREAL), ln(alder ved sidste køb) (L_K_ALDER),
116

Tabel
8.6
ln(grundstørrelse) (L_GRUNDST), ln(antal værelser) (L_VAERELSE),
den logaritmisk transformerede svinetryksvariabel (L_RING17) samt
ln(afstanden til nærmeste større by) (L_AFSTAND). Der ses tendens til
sammenhæng mellem L_V_AREAL og L_VAERELSE: altså tegn på multikollinaritet
mellem de to variabler. For at undgå problemet kunne en løsning
her have været at transformere værelsesvariablen fra at beskrive antal
værelser til at beskrive antal værelser/m 2 . Det er dog ikke gjort i nærværende
undersøgelse, idet det vurderes, at multikollinariteten mellem de to
variabler ikke påvirker parameterestimatet for svinetryksvariablen. På baggrund
af scatterplottet vurderes, at der ikke er andre problemer med kollinaritet
mellem variabler i datasættet.
Testene for mulige økonometriske problemer har ikke medført ændringer
i de estimerede parametre, og estimater for de endelige husprisfunktioner
for Vestsjællands Amt kan således præsenteres i tabel 8.6.
Parameterestimater og signifikansniveauer for de fire endelige husprisfunktioner
for Vestsjællands Amt
Lineær Semilog Dobbeltlog Invers semilog
Adj. R 2 = 0,4752 Adj. R 2 = 0,4968 Adj. R 2 = 0,5705 Adj. R 2 = 0,5288
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Intercept 1077508 0,0650 13,0239

I tabel 8.6 ses, at parameterestimaterne for den logaritmisk transformerede
svinetryksvariabel (L_RING17) i alle fire husprisfunktioner er negative,
svarende til at et øget svinetryk, alt andet lige, vil have en negativ indvirkning
på husprisen. Desuden bekræfter parameterestimaterne den almene
opfattelse af, at husprisen påvirkes positivt af et øget areal, en øget grundstørrelse
og flere værelser, mens husprisen påvirkes negativt af øget alder
ved købstidspunktet og manglende bad. Parameterestimater i alle fire modeller
viser desuden, at husprisen øges ved en stigning i den kommunale/amtslige
skatteprocent, samt ved en øget køretid til den nærmeste by
med mellem 7-50.000 indbyggere. Fortegnene på disse estimater forekommer
tvivlsomme, da modsatte fortegn var forventede. De tvivlsomme
fortegn på parameterestimaterne kan skyldes, at de enkelte variabler beskriver
andet og mere end blot skat eller køretid. På trods af enkelte tvivlsomme
fortegn er de enkelte variablers parameterestimater konsistente på
tværs af alle fire husprisfunktioner, hvilket viser, at estimaterne er forholdsvis
stabile i forhold til den valgte funktionelle form.
Til fortolkning af parameterestimaterne fra tabel 8.6 henvises til tabel
8.2. På baggrund heraf ses, at parameterestimatet for den logaritmisk transformerede
svinetryksvariabel i den lineære husprisfunktion angiver en husprisændring
på -14,12 kr./procent ændring i svinetrykket og tilsvarende parameterestimat
i den inverse semilogaritmiske funktion angiver husprisændringen
til -46,01 kr./procent ændring i svinetrykket. I den dobbeltlogaritmiske
funktion angives en husprisændring på -0,13 pct./procent ændring
i svinetrykket og i den semilogaritmiske funktion angives en husprisændring
på -0,11 pct./procent ændring i svinetrykket. Anvendes den gennemsnitlige
salgspris fra tabel 8.3 for huse i datasættet fra Vestsjællands
Amt på 746.619 kr., svarer husprisændringerne ved en procents ændring i
svinetrykket i henholdsvis den dobbeltlogaritmiske funktion og den semilogaritmiske
funktion til henholdsvis -970,60 og -821,28 kr. Den relative
effekt af parameterestimaterne for svinetrykket ligger således i samme størrelsesorden,
men dog med en afvigelse på ca. 16% fra den største til den
mindste husprisændring.
På baggrund af teorien er det afslutningsvis ønskeligt at vurdere de fire
husprisfunktioner i forhold til den bedste funktionelle form til beskrivelse
af data og svinetryksvariablen. De fire funktionelle former sammenlignes
118

Tabel
8.7
derfor i tabel 8.7 med hensyn til modellernes forklaringsgrad (adj. R 2 ), antallet
af signifikante variabler, antal variabler med forventede fortegn, og
de testes afslutningsvis med Box-Cox for at finde den bedste funktionelle
form til beskrivelse af data og estimering af de enkelte parametre.
Udvalgte karakteristika for husprisfunktionerne for data fra Vestsjællands
Amt
Antal signifikante
Parametre
Antal parametre
med forventet for-
tegn
Lineær Semilog Dobbeltlog Invers semilog
10
(ekskl. intercept)
10
(ekskl. intercept)
9
(ekskl. intercept)
8 8 7 5
Adj. R 2 0,4752 0,4968 0,5705 0,5288
7
(ekskl. intercept)
RSS 1,625419E13 31,92129 27,29822 1,467784E13
Antal obs. 550 550 550 550
På baggrund af metoden fra Garrod & Willis (1992) omtalt i kapitel 5 vurderes
de fire funktioner først i forhold til adj. R 2 , hvor den lineære og den
semilogaritmiske husprisfunktion har de dårligste forklaringsgrader. Af de
to tilbageværende funktioner giver den dobbeltlogaritmiske funktion det
bedste indtryk ved at have flest signifikante parametre. Da en sammenligning
af adj. R 2 , som omtalt i kapitel 5, ikke kan anbefales som hovedgrundlag
for vurdering af funktionelle former, foretages der desuden en vurdering
på baggrund af den Box-Cox-ækvivalente metode til valg mellem
simple funktionelle former, som beskrevet i Palmquist & Danielson (1989)
og præsenteret i nærværende undersøgelses kapitel 5.
I metoden fra Palmquist & Danielson (1989) transformeres den
afhængige variabel med Box-Cox transformationsparameteren, λ:
P λ = α + γ X +βD + ε,
hvor P er den afhængige variabel, husprisen, X er en vektor for de forklarende
variabler, D er en vektor for dummyvariabler, γ og β er vektorer for
parameterestimaterne, og λ er som sagt Box-Cox-transformationsparameteren.
Fra omtalen af den lineære Box-Cox-model i afsnit 5.2.1 ses, at de
simple restriktive funktionelle former fremkommer for λ=0 og λ=1. λ=1
119

Figur
8.6
Tabel
8.8
angiver en utransformeret afhængig variabel, mens λ=0 angiver en logaritmisk
transformeret afhængig variabel.
Den optimale transformationsparameter, λ, findes, hvor –2*loglikelihoodværdien
plottet mod λ har minimum, se figur 8.6. Den bagvedliggende
tabel ses i appendiks 9, hvor det kan aflæses, at den optimale λ er lig
med 0,45 svarende til –2*loglikelihood =14411,08.
Plot af -2*loglikelihoodværdien mod λ
Den estimerede optimale transformationsparameter, λ, ligger i nærheden af
0 og 1, og det testes derfor, om det enten kan accepteres, at λ=1, eller at
λ=0. Testene foretages ved hjælp af likelihoodratio-test 17 .
Likelihoodratio-test for λ=1 og λ=0
Test Likelihoodratio-test
H0: λ=0 LR= 2*(-0,5*14411,08-(-0,5*14441,91) = 30,83 >5,99
H0: λ=1 LR= 2*(-0,5*14411,08-(-0,5*14453,05) = 41,97 >5,99
I tabel 8.8 ses, at begge hypoteser kan afvises, hvorfor hverken en lineær
eller en logaritmisk transformeret afhængig variabel vil være optimal til
beskrivelse af data. Ved at sammenligne værdierne fra log likelihoodfunktionen
for λ=0 henholdsvis λ=1 ses dog at λ=0 giver den mindst dårlige 18
beskrivelse af data. Den mindst dårlige husprisfunktion har derfor en logaritmisk
transformeret afhængig variabel (altså enten den semilogaritmiske
funktion eller den dobbeltlogaritmiske funktion). Ved valget mellem de to
mulige funktioner minimeres funktionernes kvadrerede residualsummer
RSS, angivet i tabel 8.7 og det ses at den dobbeltlogaritmiske funktion er
120
T
W
O
L
O
G
L
14450
14440
14430
14420
0.0 0.3 0.6 0.9
LAM

den mindst dårlige funktion (af de fire mulige) til beskrivelse af data.
Den dobbeltlogaritmiske husprisfunktion vurderes i begge metoder
som den bedste funktion ud af de fire mulige. Rent intuitivt forekommer
den dobbeltlogaritmiske funktion også som den bedst egnede til beskrivelse
af ændringer i husprisen. Den logaritmiske transformation af forklarende
variabler begrundes med formodningen om, at bl.a. værdien af boligens eller
grundens antal m 2 er marginalt aftagende, da værdien af en ekstra m 2 er
mindre, jo flere m 2 der er i forvejen. Den logaritmiske transformation af
den afhængige variabel, husprisen, begrundes med formodningen om, at
værdien af en dummy, fx ydervægsmateriale af mursten, næppe har en absolut
pris i kroner og øre, men mere sandsynligt udgør en procentdel af husets
pris.
8.3.2 Århus Amt
Datasættet fra Århus Amt består af 478 huse, der er solgt i 1990 eller senere.
Gennemsnitsværdier for de forskellige variabler ses i tabel 8.3. Modelspecifikationen
for datasættet fra Århus Amt foregår, som nævnt tidligere,
ligesom den gennemgåede modelspecifikation for datasættet fra Vestsjællands
Amt og præsenteres derfor blot i grove træk her. Nærmere beskrivelse
af modelspecifikationen ses i appendiks 10.
Alle parameterestimater for variablerne i svinetryksfunktionerne er insignifikante,
og Wald-test kan ikke afvise, at vægten af hver enkelt ring
kan siges lig med 1. Derfor lægges de 7 ringe i svinetryksfunktionen også i
Århus Amt-datasættet sammen til én ring, RING17, svarende til det totale
antal DE inden for 0-500 meter af huset.
Efter sammenlægning af ringene udelades variabler fra alle fire funktioner,
hvis parameterestimaterne er insignifikante i alle fire funktionsformer.
Dernæst udelades yderligere insignifikante variabler i de enkelte
funktioner.
Plot af Cooks distance og de standardiserede residualer mod de prædikterede
huspriser for datasættet fra Århus Amt giver ikke anledning til
udsmidning af observationer fra datasættet. I figur 8.7 ses plot for de standardiserede
residualer. Der ses ingen tegn på heteroscedasticitet.
121

Figur
8.7
Standardiserede residualer plottet mod de prædikterede huspriser,
datasæt fra Århus Amt
Lineær funktion
I forhold til multikollinaritet viser et scatterplot af udvalgte variabler fra
Århus-datasættet ingen tegn på problemer. Test for økonometriske problemer
ændrer således ikke de estimerede parametre, og de endelige husprisfunktioner
for datasættet fra Århus Amt præsenteres i tabel 8.9. De sidst
udeladte variabler er ikke insignifikante i alle fire funktioner, og de endelige
funktioner indeholder derfor ikke nøjagtig de samme variabler.
122
Semilogaritmisk funktion
Dobbeltlogaritmisk funktion Invers semilogaritmisk funktion

Tabel
8.9
Parameterestimater og signifikansniveauer for de fire endelige husprisfunktioner
for Århus Amt
Lineær Semilog Dobbeltlog Invers semilog
Adj. R 2 = 0,5455 Adj. R 2 = 0,5159 Adj. R 2 = 0,5324 Adj. R 2 = 0,5628
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Intercept 3221142

Det eneste tvivlsomme fortegn er parameterestimatet for køretid til
nærmeste større by. Som i Vestsjællands Amt kan dette fortegn dog skyldes,
at variablen reelt ikke udelukkende beskriver køretiden til arbejdspladser
og flere indkøbsmuligheder, men også inddrager andre karakteristika,
der påvirker huspriserne positivt. I tabellen ses to insignifikante parameterestimater;
L_Grundskyld i hhv. den dobbeltlogaritmiske funktion og den
invers-semilogaritmiske funktion. Disse to variabler forbliver i de endelige
husprisfunktioner, da udeladelse medfører en insignifikant svinetryksparameter.
Parameterestimaternes konsistente fortegn på tværs af funktionerne
viser, at estimaterne er forholdsvis stabile i forhold til valg af funktionel
form.
På baggrund af tabel 8.9 ses, at parameterestimatet for den logaritmisk
transformerede svinetryksvariabel i den lineære husprisfunktion angiver en
husprisændring på -568,90kr./procent ændring i svinetrykket. Tilsvarende
parameterestimat i den inverse semilogaritmiske funktion angiver husprisændringen
til -436,99 kr./procent ændring i svinetrykket. I den dobbeltlogaritmiske
funktion angives en husprisændring på -0,05 pct./procent ændring
i svinetrykket, og i den semilogaritmiske funktion ses en husprisændring
på -0,06 pct./ procent ændring i svinetrykket. Anvendes den gennemsnitlige
salgspris fra tabel 8.3 for huse i datasættet fra Århus Amt på
791.177 kr., svarer husprisændringerne ved en procents ændring i svinetrykket
i henholdsvis den dobbeltlogaritmiske funktion og den semilogaritmiske
funktion til henholdsvis -395,59 kr. og -474,71 kr. Der ses således
en afvigelse på ca. 30% fra den største til den mindste husprisændring.
Svarende til vurderingen af de fire funktioner i datasættet fra Vestsjællands
Amt vurderes også de fire husprisfunktioner for datasættet fra Århus
Amt på baggrund af metoderne fra Garrod & Willis (1992) og Palmquist &
Danielson (1989).
124

Tabel
8.10
Figur
8.8
Udvalgte karakteristika for husprisfunktionerne for data fra Århus Amt
Antal signifikante
parametre
Antal parametre
med forventet
fortegn
Lineær Semilog Dobbeltlog Invers semilog
11
(ekskl. intercept)
13
(ekskl. intercept)
13
(ekskl. intercept)
10
(ekskl. intercept)
10 12 12 9
Adj. R 2 0,5455 0,5159 0,5324 0,5628
SSE 1,764641E13 35,07668 33,80803 1,69724E13
Antal obs. 478 478 478 478
I tabel 8.10 ses, at de fire funktioners forklaringsgrad, adj. R 2 , er forholdsvis
ens. Det er således svært at vurdere nogle funktioner som værende bedre
end de andre på baggrund af metoden fra Garrod & Willis (1992), omtalt
i kapitel 5. De fire husprisfunktioner vurderes dernæst på baggrund af den
Box-Cox-ækvivalente metode, der også blev anvendt til vurdering af
husprisfunktionerne fra Vestsjællands Amt-datasættet.
I figur 8.8 ses -2*loglikelihoodværdien plottet mod λ. Den bagvedliggende
tabel findes i appendiks 11, hvor den optimale λ-værdi aflæses til
λ=0,68 svarende til -2*loglikelihood =12544,89.
Plot af (-2*loglikelihoodværdien) mod λ
T
W
O
L
O
G
L
12590
12580
12570
12560
12550
0.0 0.3 0.6 0.9
LAM
Den estimerede optimale transformationsparameter, λ, testes ved hjælp af
likelihoodratio-test for λ=1 og λ=0.
125

Tabel
8.11
Likelihoodratio-test for λ=1 og λ=0
Test Likelihoodratio-test
H0: λ=0 L= 2*(-0,5*12544,89) - (-0,5*12598,82) = 53,93 >5,99
H0: λ=1 L= 2*(-0,5*12544,89) - (-0,5*12556,79) = 11,9 >5,99
I tabel 8.11 ses, at begge hypoteser kan afvises for datasættet fra Århus
Amt. Metoden viser således, at ingen af de fire funktioner er optimale til
beskrivelse af data. Sammenligning af loglikelihoodfunktionen for λ=0
henholdsvis λ=1 viser dog, at λ=1 giver den mindst dårlige 19 beskrivelse af
data. Den mindst dårlige husprisfunktion (af de fire mulige) til beskrivelse
af data er således en funktion med en utransformeret afhængig variabel (lineær
eller invers semilog). De to mulige funktioners kvadrerede residualsummer,
angivet i tabel 8.10, sammenlignes, og det ses, at den invers semilogaritmiske
funktion ved brug af denne metode er den mindst dårlige
funktion til beskrivelse af data.
På baggrund af datasættet fra Århus Amt og vurderingsmetoden fra
Palmquist & Danielson (1989) ser det således ud til, at den invers semilogaritmiske
husprisfunktion skulle give den bedst mulige beskrivelse af datasættet
i forhold til de tre øvrige husprisfunktioner. Rent intuitivt vurderes
dog stadig, som beskrevet i afsnit 8.3.1, at den dobbeltlogaritmiske funktion
burde beskrive det mest indlysende forhold mellem ændringer i husprisen
og ændringer i husprisfunktionens variabler.
8.3.3 Fyns Amt
Datasættet fra Fyns Amt består af 311 huse, der alle er solgt i 1990 eller
senere. Som bemærket i afsnit 8.2.2 er dette datasæt forholdsvis lille, og
det kan være tvivlsomt, om grundlaget er tilstrækkeligt til at afspejle forskelle
i data. Estimeringen af en husprisfunktion for Fyns Amt-datasættet,
er foretaget efter samme skabelon som modelspecifikationen for datasættet
fra Vestsjællands Amt. Estimationen præsenteres her i overordnede linjer.
Alle parameterestimater for variablerne i svinetryksfunktionerne er insignifikante,
og de 7 ringe i svinetryksfunktionerne lægges sammen til én
ring på baggrund af Wald-test, RING17, svarende til antallet af DE inden
for 0-500 meter af huset. Sammenlægningen af ringene hjælper dog ikke
meget på signifikansniveauet for de logaritmisk transformerede svinetryks-
126

funktioner, da disse både før og efter sammenlægning af ringene er
insignifikante.
Modelestimeringen fortsættes med forsøg på at forbedre funktionerne,
og sammenlægningen af ringene efterfølges først af udeladelsen af variabler,
der har insignifikante parameterestimater i alle fire husprisfunktioner,
og dernæst af yderligere udeladelse af resterende insignifikante variabler i
de enkelte funktioner. Efter udsmidning af alle insignifikante variable, på
nær den logaritmisk transformerede svinetryksvariabel, er denne stadig insignifikant,
og det er derfor reelt ikke muligt at sige noget om husprispåvirkningen
for huse i datasættet fra Fyns Amt ved en ændring i svinetrykket.
Regressionen af husprisdatasættet fra Fyns Amt fortsættes med den insignifikante
svinetryksparameter og undersøges videre for outliers, heteroscedasticitet
og multikollinaritet (se evt. appendiks 12). Der ses ingen
tegn på problemer, og der kan ikke umiddelbart på baggrund af datasættet
gives nogen forklaring på, hvad der er årsagen til den insignifikante svinetryksparameter.
Et blik på modelestimeringen for det oprindelige samlede datasæt i
appendiks 8 viser dog, at parameterestimatet for dummyvariablen for huse
beliggende i Fyns Amt er negativt og signifikant forskelligt fra nul på 95pct.’s-niveau.
Dette estimat tolkes dermed som at selve beliggenheden i
Fyns Amt, alt andet (inkl. svinetrykket) lige, er forbundet med en negativ
effekt på huspriserne i forhold til beliggenhed i Århus Amt og Vestsjællands
Amt. Den negative effekt kan skyldes, at husene er påvirket af andre
og evt. større negative faktorer end svinetrykket.
De endelige husprisfunktioner med de insignifikante svinetryksparameterestimater
for datasættet fra Fyns Amt ses i tabel 8.12.
127

Tabel
8.12
Parameterestimater og signifikansniveauer for de fire endelige husprisfunktioner
for Fyns Amt. Bemærk at parameterestimatet for den
logaritmisk transformerede svinetryksvariabel er insignifikant i samtlige
funktioner
128
Lineær Semilog Dobbeltlog Invers semilog
Adj. R 2 = 0,5263 Adj. R 2 = 0,5224 Adj. R 2 = 0,5839 Adj. R 2 = 0,5959
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Intercept - 0,0008 8,2405

Tabel
8.13
Figur
8.9
Udvalgte karakteristika for husprisfunktionerne for data fra Fyns Amt
Antal signifikante
Parametre
Antal parameter
med forventet for-
tegn
Lineær Semilog Dobbeltlog Invers semilog
7
(ekskl. intercept)
6
(ekskl. intercept)
6
(ekskl. intercept)
7
(ekskl. intercept)
5 4 4 5
Adj. R 2 0,5263 0,5224 05839 0,5959
SSE 7,335546E12 17,20998 14,99308 6,258974E12
Antal obs. 311 311 311 311
I tabel 8.13 ses, at de fire funktioners forklaringsgrad, adj. R 2 , er forholdsvis
ens, men at dobbeltlog og invers semilog ligger en smule højere. Det
umiddelbare indtryk af disse to funktioners udvalgte karakteristika er, at
den inverse semilogaritmiske funktion vurderes som den bedste, idet der er
flere signifikante parametre. Det bør dog igen erindres, at man ikke bør
vægte vurderingen af forklaringsgraden for højt, og der foretages derfor en
yderligere vurdering af de fire husprisfunktioner på baggrund af den Box-
Cox-ækvivalente metode fra Palmquist & Danielson (1989), som anvendt
til vurdering af husprisfunktionerne fra Vestsjællands Amt- og Århus Amtdatasættene.
I figur 8.9 ses plot for -2*loglikelihoodværdien plottet mod λ. Den
bagvedliggende tabel ses i appendiks 13, hvor det kan aflæses, at den optimale
λ-værdi er λ=0,53 svarende til -2*loglikelihood = 8060,91.
Plot af -2*loglikelihoodværdien mod λ
T
W
O
L
O
G
L
8080
8075
8070
8065
0. 0 0. 3 0. 6 0. 9
LAM
129

Tabel
8.14
Den estimerede optimale transformationsparameter, λ, testes ved hjælp af
likelihoodratio-tests for λ=1 og λ=0.
Likelihoodratio-test for λ=1og λ=0
Test Likelihoodratio-test
H0: λ=0 L= 2*(-0,5*8060,91) - (-0,5*8084,54) = 23,63 >5,99
H0: λ=1
130
L= 2*(-0,5*8060,91) - (-0,5*8078,86) = 17,95 >5,99
I tabel 8.14 ses, som for de to andre datasæt, at begge hypoteser afvises.
Metoden viser således, at ingen af de fire funktioner er optimale til beskrivelse
af data. Sammenligning af log likelihoodfunktionen for λ=0 henholdsvis
λ=1 viser, at λ=1 giver den mindst dårlige 20 beskrivelse af data.
Den mindst dårlige husprisfunktion er således en funktion med en utransformeret
afhængig variabel (lineær eller invers semilog funktion). De to
mulige funktioners kvadrerede residualsummer angivet i tabel 8.13 sammenlignes,
og det ses, at den invers semilogaritmiske funktion, ved brug af
denne metode, er den mindst dårlige funktion til beskrivelse af data. Også
for dette datasæt vurderes det dog rent intuitivt, at den dobbeltlogaritmiske
funktion burde beskrive det mest indlysende forhold mellem ændringer i
husprisen og ændringer i husprisfunktionens variabler.
8.4 Sammenligning af udvalgte variabler
På baggrund af de præsenterede parameterestimater for de tre amter: Vestsjællands
Amt, Århus Amt og Fyns Amt, sammenholdes her udvalgte
estimater fra husprisfunktionerne for at give et overblik over parameterestimaternes
forskel/stabilitet på tværs af amterne.

Tabel
8.15
Udvalgte parameterestimater for Vestsjællands Amt, Århus Amt og
Fyns Amt
Lineær Semilog Dobbeltlog Invers semilog
Variabel Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀
(L_)V_areal (Vestsj.) 2443,129

funktion. Parameterestimatet for den logaritmisk transformerede svinetryksvariabel
i den lineære husprisfunktion viser tilsvarende, at en stigning
hhv. et fald i svinetrykket på 1 pct. resulterer i et husprisfald hhv. en
husprisstigning på 814,12 kr. i Vestsjællands Amt og 568,90 kr. Århus
Amt.
8.5 Sammenfatning
Efter opsplitningen og reduktionen af datasættet til tre amts-datasæt for huse
solgt fra og med 1990 testes datasættene først for, om der er nogen signifikant
forskel i vægtene på de 7 afstandsringe i svinetryksfunktionen.
Samtlige tests afviser signifikante forskelle, og ringene lægges sammen til
én ring, svarende til det totale antal DE inden for 500 meter af huset. Da
der ikke kan påvises nogen forskel, kan der således ikke, på baggrund af
data, siges, at være nogen forskel i huspriseffekten ved en ændring i afstanden
til en svinebedrift inden for de 500 m Denne manglende forskel i
huspriseffekten kan muligvis skyldes, at der kun er få huse, der er påvirket
af bedrifter i de inderste ringe. Som tidligere bemærket må det dog formodes,
at jo længere væk fra huset en bedrift er beliggende, des mindre vil
påvirkningen være på husprisen. Det kan derfor tænkes, at den maksimale
afstand på 500 m ikke har været stor nok, og at den aftagende effekt først
viser sig efter 500 m fra huset. Der kan altså muligvis stadig være en effekt
på husprisen ved afstande større end 500 m mellem hus og svinebedrift.
Efter sammenlægning af ringene foretages regressionsanalyse på fire
husprisfunktionsformer for hvert af de tre datasæt sideløbende. Insignifikante
parametre smides ud af husprisfunktionerne, og de endelige husprisfunktioner
testes for problemer med heteroscedasticitet og multikollinaritet.
For hvert amt er de endelige husprisfunktioner præsenteret i tabeller
med de fire funktioners parameterestimater og deres signifikansniveauer.
Ved sammenligning af parameterestimaterne ses, at påvirkningen af
huspriserne som følge af en ændring i svinetrykket afhænger af amt og
husprisfunktionens funktionelle form. Der er således signifikante tegn på,
at svinetrykket påvirker huspriserne negativt i datasættene fra Vestsjællands
Amt og Århus Amt, mens det insignifikante parameterestimat for den
logaritmisk transformerede svinetryksvariabel for Fyns Amt-datasættet er
132

tegn på, at en ændring i svinetrykket ikke har nogen effekt på husprisen for
datasættets huse i Fyns Amt. Det insignifikante parameterestimat for svinetryksvariablen
i Fyns Amt-datasættet kan dog muligvis også skyldes den
forholdsvis lille mængde data.
Ved sammenligning af parameterestimaterne for Vestsjællands Amt
ses, at husprisændringen ved en procentvis ændring i svinetryksvariablen
ligger mellem -814,12 kr. i den lineære funktion og -970,60 kr. i den dobbeltlogaritmiske
funktion (ved anvendelse af den gennemsnitlige salgspris
fra tabel 8.3 for huse i datasættet fra Vestsjællands Amt; 746619 kr.), med
en afvigelse på ca. 16% fra den største til den mindste husprisændring.
For Århus Amt viser tilsvarende sammenligning, at husprisændringen
ved en procentvis ændring i svinetryksvariablen ligger mellem -395,59 kr.
for den dobbeltlogaritmiske funktion (ved anvendelse af den gennemsnitlige
salgspris fra tabel 8.3 for huse i datasættet fra Århus Amt; 791177 kr.)
og -568,90 kr. for den lineære funktion, svarende til en afvigelse på ca.
30% fra den største til den mindste husprisændring.
Sammenlignes parameterestimaterne på tværs af amterne, ses, at et
fald i svinetrykket på 1 pct. i den dobbeltlogaritmiske husprisfunktion for
Vestsjællands Amt, alt andet lige, resulterer i en husprisstigning på 0,13%,
hvor samme ændring i Århus Amt resulterer i en husprisstigning på 0,05%
i den dobbeltlogaritmiske husprisfunktion.
På grund af den insignifikante svinetryksparameter for datasættet fra
Fyns Amt vil kapitel 9 udelukkende se på husprisændringer som følge af
ændringer i svinetrykket for datasættene fra Vestsjællands Amt og Århus
Amt.
133

9 Resultater
På baggrund af de estimerede parametre til husprisfunktionerne i kapitel 8
præsenteres her de resulterende husprisændringer på et gennemsnitshus,
som følge af en ændring i antallet af DE i nærområdet. Resultaterne præsenteres
udelukkende for Vestsjællands Amt og Århus Amt, da parameterestimatet
for svinetrykket gældende for Fyns Amt er insignifikant. Udfaldet
vurderes i forhold til den teoretiske fremstilling af resultaterne som et
CS-mål (compensating surplus) i kapitel 3 og sammenholdes dernæst med
lokale ejendomsmægleres vurdering af svinebedrifters husprispåvirkning af
nærved liggende enfamiliehuse. Afslutningsvis anvendes de estimerede
husprisfunktioner til at holde op mod omkostninger i forbindelse med installeringen
af et gylleforsuringsanlæg til reduktion af bl.a. lugtudviklingen
ved produktionen af svin.
9.1 Husprisændringer
For at kunne beregne husprisændringerne som følge af en ændring i antallet
af dyreenheder (DE) og derefter sammenligne ændringerne på tværs af
amter vil det i første omgang være nødvendigt at beregne de prædikterede
huspriser på baggrund af et fiktivt gennemsnitshus beskrevet ud fra landsplan-datasættet
listet i tabel 7.2. Der er tale om et 138 m 2 stort hus med 4
værelser og en grundstørrelse på 1084 m 2 . Huset var 54 år gammelt på
salgstidspunktet og ligger i et område, hvor grundskylden er 15‰, amts- og
kommuneskatten er 33,6%, serviceniveauet er 1,02, og køretiden til den
nærmeste større by er 13 minutter. På baggrund af fordelingen i dummyva-
134

iabeltabellen, tabel 7.3, defineres huset desuden som et murstenshus med
tegltag og centralvarme.
Venstre side af tabellerne 9.1 og 9.2 viser de prædikterede huspriser
beregnet ved hjælp af de estimerede husprisfunktioner for henholdsvis
Vestsjællands Amt og Århus Amt, mens højre side af tabellerne viser de
prædikterede husprisændringer, ∆P, som følge af en reduktion i svinetrykket
på 150 DE alt andet lige. Den dobbeltlogaritmiske husprisfunktion for
Vestsjællands Amt er nedenfor givet som et eksempel på beregningen af
den prædikterede huspris på et gennemsnitshus påvirket af 200 DE.
Ln(SKS) = -0,99574+0,66421*ln(V_AREAL)+0,06320*ln(GRUNDST)+
(-0,13486)*ln(K_ALDER)+(-0,19396)*(TAGPAP)+(-0,13341)*(NUL_BAD)+
3,30681*ln(AMTKOM)+(-3,49213)*ln(SERVICE)+0,15997*ln(AFSTAND)+
(-0,12757)*ln(RING17)
LN(SKS) = -0,99574+0,66421*ln(138)+0,06320*ln(1084)+ (-0,13486)*ln(54)+
(-0,19396)*(0)+(-0,13341)*(0)+ 3,30681*ln(33,6)+
(-3,49213)*ln(1,02)+0,15997*ln(13)+
(-0,12757)*ln(200)
Ln(SKS) = 13,46783
SKS = 706324,25
Den procentvise ændring i tabellernes højre side er beregnet som forskellen
i husprisen før og efter en ændring i antallet af DE. En generel formel for
udregningen af den dobbeltlogaritmiske og semilogaritmiske model kan
ses ud fra følgende:
(SKS1 – SKS0)/SKS0 = (exp(βm x ln(DE1)) - exp(βm x ln(DE0)))/ exp(βm x ln(DE0))
hvor βm er svinetryksparameteren, og DE0 og DE1 er antallet af DE hhv.
før og efter ændringen.
135

Tabel
9.1
Tabel
9.2
Prædikterede huspriser og husprisændringer for datasættet fra Vestsjællands
Amt ved en reduktion i svinetrykket på 150 DE
Svinetryk
(DE)
136
Vestsjællands amt, prædikterede huspriser
(Kr.)
Lineær Semilog Dobbelt- Invers
log semilog
Prædikteret husprisændring ved reduktion af
150 DE
Lineær Semilog Dobbelt- Invers
log semilog
50 817.258 798.230 842.964 878.433 - - - -
100 760.828 739.435 771.625 812.860 - - - -
150 727.818 707.072 732.728 774.503 - - - -
200 704.397 684.972 706.324 747.288 Kr. 112.861 113.258 136.640 131.145
% 16,02 16,53 19,35 17,55
250 686.231 668.306 686.501 726.178 Kr. 74.597 71.129 85.124 86.682
% 10,87 10,64 12,40 11,94
300 671.388 654.991 670.718 708.930 Kr. 56.430 52.081 62.010 65.572
% 8,41 7,95 9,25 9,25
350 658.838 643.941 657.657 694.348 Kr. 45.559 41.031 48.667 52.940
% 6,92 6,37 7,40 7,62
400 647.967 634.519 646.549 681.715 Kr. 38.264 33.787 39.952 44.463
% 5,91 5,32 6,18 6,52
450 638.378 626.323 636.907 670.573 Kr. 33.010 28.668 33.811 38.357
% 5,17 4,58 5,31 5,72
Prædikterede huspriser og husprisændringer for datasættet fra Århus
Amt ved en reduktion i svinetrykket på 150 DE
Svinetryk
(DE)
Århus Amt, prædikterede huspriser
(Kr.)
Lineær Semilog Dobbelt- Invers
log semilog
Prædikteret husprisændring ved reduktion af
150 DE
Lineær Semilog Dobbelt- Invers
log semilog
50 755.685 706.448 705.284 746.842 - - - -
100 716.252 676.797 679.439 716.552 - - - -
150 693.185 660.032 664.762 698.834 - - - -
200 676.819 648.390 654.541 686.262 Kr. 78.866 58.058 50.743 60.580
% 11,65 8,95 7,75 8,83
250 664.124 639.502 646.722 676.511 Kr. 52.128 37.295 32.717 40.041
% 7,85 5,83 5,06 5,92
300 653.752 632.330 640.402 668.544 Kr. 39.433 27.702 24.360 30.290
% 6,03 4,38 3,80 4,53
350 644.982 626.328 635.107 661.807 Kr. 31.837 22.062 19.434 24.455
% 4,94 3,52 3,06 3,70
400 637.386 621.176 630.556 655.972 Kr. 26.739 18.326 16.166 20.539
% 4,20 2,95 2,56 3,13
450 630.685 616.667 626.568 650.825 Kr. 23.067 15.663 13.834 17.718
% 3,66 2,54 2,21 2,72

I venstre side af tabellerne 9.1 og 9.2 ses, at der for alle fire funktionsformer
gælder, at de prædikterede huspriser for gennemsnitshuset falder med
stigende svinetryk. For Vestsjællands Amt ses de største fald i husprisen i
den dobbeltlogaritmiske og den inverse semilogaritmiske husprisfunktion,
hvor husprisen ved en optrapning af antallet af DE i et område fra 50 DE til
450 DE falder med ca. 24% svarende til omkring 200.000 kr. For Århus
Amt ses det største husprisfald i den lineære husprisfunktion, hvor husprisen
falder med ca. 16% (125.000 kr.) ved at gå fra 50 DE til 450 DE.
Højre side i tabellerne 9.1 og 9.2 viser, at effekten på husprisen ved en
reduktion på 150 DE i nærområdet afhænger af det på forhånd værende antal
DE i området, og at effekten er aftagende. Disse resultater skal ses på
baggrund af den antagede sammenhæng i definitionen af svinetryksfunktionen
beskrevet i afsnit 7.2.2. Det ses, at reduktionen i antallet af DE i
Vestsjællands Amt medfører en 16-19% stigning i husprisen (afhængig af
funktionel form) i et område med 200 DE, men kun en ca. 5% stigning i et
område med 450 DE. De tilsvarende procenter for Århus Amt er hhv. 8-
12% og 2-4%. Da der i datasættene ikke findes huse med mindre end 53
DE inden for 500 meters afstand, vil det ikke være troværdigt af forsøge at
estimere husprisændringer ved ændringer i svinetrykket til under 53 DE.
Sammenlignes resultaterne i de to tabeller på tværs af amter, ses, at
den procentvise effekt af en given ændring i antallet af DE generelt er større
i Vestsjællands Amt end i Århus Amt. Værdien (i kroner og øre) af ændringen
er således også størst i Vestsjællands Amt, da de prædikterede
huspriser her er højere end i Århus Amt.
I kapitel 3 blev der gjort rede for, hvordan resultatets fortolkning som
et CV- eller CS-mål afhænger af, hvorvidt ændringen i husprisen medfører,
at forbrugeren foretager et nyt forbrugsvalg eller ej. Det blev vurderet, at
transaktionsomkostninger i forbindelse med køb af et nyt hus sandsynligvis
vil betyde, at der skal relativt store husprisændringer til, før husejere vælger
at flytte for at kapitalisere ændringen. Mod en forventning om transaktionsomkostninger
på omkring 100.000 kr. i forbindelse med køb af et nyt
hus kan det ses ud fra resultaterne i tabel 9.1 og 9.2, at langt hovedparten af
de estimerede husprisændringer kan forsvares at være approksimative CSmål.
Det kan dog diskuteres, hvorvidt denne antagelse holder ved ændringer
på mere end 350 DE.
137

9.2 Ejendomsmægleres vurdering af gener fra
svinebedrifter
Tabel
9.3
For at kunne forholde de estimerede huspriser og husprisændringer, som
følge af ændringer i antallet af DE, til forholdene i den virkelige verden er
der foretaget en mindre telefoninterviewundersøgelse blandt ejendomsmæglere
opererende i de udvalgte dataområder. I appendiks 14 ses en liste
over de involverede mæglere, samt de enkelte mægleres svar på de stillede
spørgsmål. Herunder præsenteres et overordnet indtryk af mæglernes udsagn.
Overordnet oversigt over ejendomsmægleres vurdering af huskøbernes
opfattelse af gener ved at bo i nærheden af en svinebedrift
Spørgsmål Gennemsnitssvar
1) Har det betydning for husprisen, at der Ja (11 af 13)
ligger en større husdyrbedrift i nærheden
af huset?
2) Er køberne opmærksomme på husdyrbedrifter
i nærområdet?
3) Gør det nogen forskel, om der er kvæg eller
svin på en nærvedliggende bedrift?
138
Ja (9 af 13)
Ja, svin er værst (11 af 13)
4) Har bedriftens størrelse nogen betydning? Ja, større bedrifter er værst (11 af 13)
5) Hvor langt fra bedriften kan en huspriseffekt
mærkes?
6) Påvirkning i procent af husprisen (hvis effekt)
7) Har den herskende vindretning nogen betydning
på huspriseffekten?
8) Hvilke gener forbinder huskøbere med
svinebedrifter?
Inden for synsvidde (9 af 13)
Flest svar ca. 500 m (men op til 1 km)
Ca. 10-25%
Ja (10 af 13)
LUGT, fluer, larm fra stalde, gyllespredning
9) Andre negative påvirkninger i området? Trafik fra større veje, store afstande til alting
10) Middel huspris Vestsjælland: 800.000-1.300.000 kr.
Fyn: 650.000-750.000 kr.
Århus: 600.000-1.000.000 kr.
11) Hvor kommer huskøberne generelt fra? Vestsjælland: En forholdsvis stor del fra
Københavnsområdet
Fyn: Ikke noget generelt mønster, mest lokale
Århus: Tendens til at det er folk fra byerne
Det ses i tabel 9.3, at mæglernes svar stemmer forholdsvis fint overens
med foreliggende undersøgelses estimater og resultater for Århus og Vestsjællands
Amt. Undersøgelsens bagvedliggende antagelse omkring tilste-

deværelsen af gener forbundet med at bo i nærheden af en svinebedrift bekræftes
tydeligt af mæglerne, samtidig med at det bekræftes, at bedriftens
størrelse og afstanden til bedriften spiller en rolle. Undersøgelsens antagelse
om, at kvægbedrifter ikke medfører gener af betydning i forhold til svinebedrifter,
og antagelsen om, at huskøbernes geneopfattelse hovedsagelig
drejer sig om lugt, bekræftes ligeledes af mæglernes svar.
Undersøgelsens manglende mulighed for at estimere husprisforskelle i
forhold til afstanden til DE inden for 500 meter af huset kan muligvis begrundes
delvist af mæglernes opfattelse af, at det for huskøberne har større
betydning, om de reelt kan se bedriften eller gyllebeholderen, end den
egentlige afstand til bedriften. Desuden påpeger flere mæglere betydningen
af den herskende vindretning, idet huse beliggende øst for svinebedrifter
generelt er mere påvirket af lugt end huse vest for en svinebedrift. Hverken
synligheden eller den herskende vindretning indgår i nærværende undersøgelse.
Ejendomsmæglernes svar antyder desuden, at undersøgelsens grænse
for, hvor langt fra en bedrift der vil kunne påvises en effekt på huspriserne,
kan være for lav. Flere mæglere svarer således, at hvis bedriften kan
ses fra huset, kan der godt være en effekt helt ud til 1000 meter fra bedriften.
På baggrund af mæglernes svar skal her nævnes en mulig grund til den
store forskel i de estimerede svinetryksparametre for de tre amter. Det insignifikante
parameterestimat for Fyns Amt stemmer ikke umiddelbart
overens med de fynske mægleres enstemmige vurdering af, at nærhed til en
svinebedrift har en effekt på husprisen. På den anden side synes der at være
en forskel på, hvilke folk der køber huse på landet i Fyns Amt, i forhold til
Århus Amt og Vestsjællands Amt. I de to sidst nævnte amter er der en tendens
til, at folk, der køber enfamiliehuse på landet, kommer fra byerne,
hvorimod folk, der køber hus på landet i Fyns Amt, generelt kommer fra
lokalområdet. Denne forskel kan betyde, at huskøberne fra Fyns Amt i
større grad accepterer risikoen for lugt og lignende gener ved at bo på landet
end huskøbere fra de to andre amter. Forskellen kan dog også blot være
en afspejling af, at datasættet for Fyns Amt indeholder for få observationer,
til at en forskel imellem observationerne kan registreres.
Mæglernes svar giver også en mulig grund til de forholdsvis store forskelle
imellem Århus Amt og Vestsjællands Amt både i de estimerede svi-
139

netryksparametre og i de estimerede husprisændringer. Den mulige årsag
ses af svarene fra Vestsjællands Amts mæglerne, der angiver, at en stor del
af huskøberne er folk, der kommer fra Københavnsområdet. Flere mæglere
angiver endda, at det ofte drejer sig om folk, der ønsker at realisere drømmen
om det idylliske hus på landet, og i denne idyl passer lugten fra en
svinebesætning ikke så godt ind. Den forholdsvis store forskel på de estimerede
svinetryksparametre de to amter imellem kan således muligvis forklares
i en forskel på københavneres versus byboere i Århus Amts tolerance
over for lugt og andre gener. Københavnernes efterspørgsel efter huse
på landet er endvidere med til at øge priserne på huse på landet, hvilket kan
forklare en del af den observerede forskel i de angivne gennemsnitlige
huspriser amterne imellem.
9.3 Samfundsøkonomisk vurdering af
installeringen af et gylleforsuringsanlæg
I dette afsnit sammenholdes de for landmanden afholdte omkostninger ved
installering af et lugtreducerende system med de estimerede husprisændringer
fra afsnit 9.1. Det er dog valgt udelukkende at anvende estimaterne
fra den dobbeltlogaritmiske og den semilogaritmiske husprisfunktion,
idet fortolkningen af parameterestimaterne fra disse funktioner (den procentvise
husprisændring ved en procentvis ændring i svinetrykket) anses
for at give den mest realistiske sammenhæng.
I forsøget på at mindske lugtgenerne i forbindelse med produktionen
af svin udføres der fra landbrugets side (Landsudvalget for Svin) i øjeblikket
forsøg med en række forskellige gylle- og luftbehandlingsmetoder. Af
eksempler på igangværende forsøg med rensning af luften kan nævnes kemisk
luftvask i form af overrisling af luften med vand tilsat svovlsyre, biologisk
rensning ved hjælp af bakterier, udledning af luften gennem elektrisk
felt samt tilsætning af ozon. Problemerne med mange af disse lugtnedbrydende
systemer er, at det endnu er svært at sige noget om prisen
(Hofstätter 2002b).
En lugtreducerende metode, som der på nuværende tidspunkt haves
gode resultater med, og som der endvidere kendes en nogenlunde pris på,
140

er forsuring af gylle ved hjælp af svovlsyre. Tilsætningen af svovlsyre til
gyllen samtidig med beluftning sker i et såkaldt gylleforsuringsanlæg og
har primært til formål at reducere ammoniakfordampningen for at opnå et
højere N-indhold i gødningen, men har som en sidegevinst vist sig også at
have en effekt på lugten. Det er godt nok ikke ammoniakken, der lugter,
men det er konstateret, at ammoniakfordampning på en eller anden måde
har en effekt på frigørelsen af de ubehagelige lugtstoffer. I Holland tyder
undersøgelser på, at der er en sammenhæng mellem ammoniakfordampningen
og lugten fra staldene (Hofstätter 2002c).
Der er i afsnittet her, ud fra ovenstående, valgt at anvende omkostninger
og resultater fra forsøgene vedrørende gylleforsuringsanlægget til at
sammenholde med de opnåede estimater for værdien af ændringer i nabogener
i forbindelse med produktionen af svin. Valget af gylleforsuringsanlægget
skal således udelukkende ses som et eksempel, og det er vigtigt at
understrege, at resultatet ikke kan betragtes som en fuldstændig undersøgelse
af de totale samfundsøkonomiske omkostninger og benefits. En sådan
analyse begrænses af, at estimatet af husprisundersøgelsen kun tager
hensyn til værdien af de lokale beboeres geneniveau og derfor ikke er en
total økonomisk værdi, og at der på benefit-siden ej heller er medregnet natur-
og miljøeffekter af installeringen af et gylleforsuringsanlæg. Grundet
det manglende kendskab til anlæggets effekt på lugten har det endvidere
været nødvendigt at forudsætte nogle lugtreduktionsniveauer. Lugten er
som tidligere nævnt ikke den eneste generende faktor i forbindelse med
produktionen af svin, men ud fra interviewundersøgelsen af de lokale ejendomsmæglere
bekræftes, at lugten klart har den største effekt. Mange af de
andre gener ud over lugten, såsom fluer, larm og gylleudbringning, vil dog
ikke blive afhjulpet ved installering af et gylleforsuringsanlæg.
Omkostningerne i forbindelse med investering og drift af et gylleforsuringsanlæg
sammenholdes her nedenfor med de potentielle økonomiske
gevinster for husejere, som følge af installeringens medfølgende lugtreduktion.
Udgifterne til investering, drift og vedligehold samt de potentielle udbyttegevinster
hørende til installeringen af et anlæg er oplyst af Driftsøkonomikonsulent
Jørgen Cæsar Jensen og Chefkonsulent Nicolaj H. Nørgaard
(2002) fra landboforeningen LandboNord. LandboNord har gennemført
lagrings- og markforsøg med den forsurede gylle og i den forbindelse
141

udført nogle økonomiske beregninger på anlæggets årlige omkostninger,
som benyttes her. Beregningerne er baseret på installering af et anlæg med
en kapacitet på 250 DE.
Investeringsudgifterne ved nybyggeri ligger på ca. 422.000 kr., hvilket
med en kalkulationsrente på 6% p.a. og en skønnet anlægslevetid på 10 år,
svarer til en kapitaludgift på 57.336 kr./år. Investeringens størrelse afhænger
af, hvorvidt anlægget skal etableres i forbindelse med eksisterende
staldbygninger eller nybyggeri, og forventes derfor at være godt 100.000
kr. mindre ved eksisterende bygninger.
Til drift hører udgifter til svovlsyre og forbrug af el, som forventes at
ligge på hhv. 86 kr./DE og 23 kr./DE. Vedligeholdelsesomkostningerne
skønnes at ligge på ca. 5% af de samlede investeringsudgifter, hvilket for
nybyggeri svarer til 21.100 kr./år. Anlægget er begrænset afhængig af produktionens
størrelse, men der kan dog opnås størrelsesøkonomiske fordele.
Grundet et højere kvælstofindhold og at en større del af dette kvælstof
er på uorganisk form, ligger der endvidere en økonomisk gevinst i form af
et højere udbytte og sparede udgifter til handelsgødning ved brug af forsuret
gylle. Besparelserne er angivet til 470 kr./ha og 644 kr./ha på hhv. jordbundstype
1-4 (JB 1-4) og jordbundstype 5-10 (JB 5-10) i hvede og hhv.
387 kr./ha og 476 kr./ha. på JB 1-4 og JB 5-10 i vårbyg. JB 1-4 og JB 5-10
er sandede og lerede jorde respektive.
For en fiktiv nybygget bedrift på 250 DE og 178 ha (svarende til harmonikravet
på 1,4 DE/ha på svinebrug gældende fra 1. august 2002 (BEK
nr. 604 af 15/07/2002) fordelt med 89 ha hvede og 89 ha vårbyg ser dækningsbidraget
for anlægsinvesteringen således ud som illustreret i tabel 9.4.
142

Tabel
9.4
Tabel
9.5
De økonomiske konsekvenser i »best case«-scenariet
Gevinster:
Øget dækningsbidrag hvede
Øget dækningsbidrag vårbyg
JB 1-4 JB 5-10
41.788
34.446
57.341
42.389
Gevinster i alt i kr./år 76.234 99.730
Omkostninger
Drift
Vedligehold
Kapitalomkostninger
27.250
21.100
57.336
27.250
21.100
57.336
Omkostninger i alt i kr./år 105.686 105.686
DB i kr./år -29.452 -5.956
De økonomiske beregninger er påvirket af to usikkerhedsfaktorer; svovlsyrens
effekt på levetiden af bedriftens øvrige inventar og bygningsdele, samt
størrelsen på det forhøjede dækningsbidrag. Ved en reduktion af levetiden
og det forhøjede dækningsbidrag med 1/6 (bygninger fra 30 til 25 år og inventar
fra 15 til 12,5 år) ændres resultatet i tabel 9.4 som vist i tabel 9.5.
De økonomiske konsekvenser i »worst case«-scenariet
Forventet dækningsbidrag
-1/6 forhøjet dækningsbidrag
-1/6 levetid inventar og bygninger
JB 1-4 JB 5-10
-29.452
-12.706
-46.025
- 5.956
-16.622
-46.025
DB efter følsomhedsberegning i kr./år -88.183 -68.603
Resultaterne i tabel 9.4 og tabel 9.5 betegnes herefter som hhv. »best case«-scenarium
(BCS) og »worst case«-scenarium (WCS).
Idet udgifterne til installering af et gylleforsuringsanlæg ønskes holdt
op mod de for husejerne opnåede gevinster heraf, og da sidstnævnte gevinster
svarer til værdien af husets tilbagediskonterede forventede benefits,
beregnes i tabel 9.6 nutidsværdien af omkostningerne til gylleforsuringsanlægget
i 100 år med en kalkulationsrente på 6% p.a. De 100 år er taget som
den forventede levetid på husene fra købsåret. En forlængelse af den forventede
levetid på husene vil dog ikke have en ret stor effekt på resultatet.
143

Tabel
9.6
Tabel
9.7
Nutidsværdien af driften af et gylleforsuringsanlæg i 100 år
Nutidsværdi i kr. JB 1-4 JB 5-10
BCS 489.420 98.974
WCS 1.465.385 1.140.014
Værdierne i tabel 9.6 skal holdes op mod de forventede gevinster, der er
for husejerne i forbindelse med installeringen af et gylleforsuringsanlæg på
en bedrift med 250 DE. Resultatet af husprisundersøgelsen udtrykker værdien
af en ændring afgener i forbindelse med produktionen af svin, herunder
lugt, fluer, helbredsrisici og grundvandsforurening. Effekten af forsuret
gylle på alle disse faktorer kendes ikke, og den præcise samlede ændring
kan derfor ikke findes. Der er som følge deraf valgt at gå ud fra en antaget
sammenhæng mellem reduktionen i ammoniakfordampning og reduktionen
i svinetrykket (= reduktionen i antallet af DE inden for 500 meter),
hvor sidstnævnte faktor som beskrevet i kapitel 7 er en approksimation for
geneniveauet.
Planteavlskonsulent Anna Birgitte Thing (2002) fra LandboNord angiver
reduktionen i ammoniakfordampning til mellem 70 og 80% ved brug
af gylleforsuring. Sammenhængen mellem reduktionen i ammoniakfordampningen
og reduktionen af DE-antallet er dog ikke kendt og afhænger i
øvrigt af flere forhold, som fx gyllespredning og staldforhold. Det er derfor
nødvendigt at lave en antagelse om reduktionen af DE antallet (og dermed
generne) i forbindelse med forsuring af gylle for at kunne sammenholde
omkostninger og benefits. Tabel 9.7 nedenfor angiver de forventede
husprisstigninger for et gennemsnitshus ved en reduktion i antallet af DE
på 30, 50 og 70%, som følge af reduktionen af ammoniakfordampningen
ved brug af gylleforsuringsanlæg.
De forventede husprisstigninger ved reduktion i svinetrykket
Reduktion i antallet af DE i forhold
til en produktion på 250 DE
144
Vestsjællands Amt Århus Amt
Dobbeltlog Semilog Dobbeltlog Semilog
30% 31.958 kr. 26.836 kr. 12.544 kr. 14.267 kr.
50% 63.468 kr. 53.139 kr. 24.600 kr. 28.017 kr.
70% 113.968 kr. 94.986 kr. 43.327 kr. 49.447 kr.

Tabel
9.8
Tabel 9.8 viser det minimale antal huse, der skal være beliggende inden for
en radius af 500 meter fra bedriften, for at installeringen af et gylleforsuringsanlæg
på en 250 DE stor bedrift, samfundsøkonomisk set, kan »betale
sig selv hjem«.
Antallet af huse, der skal ligge inden for 500 meter af en 250 DE svinebedrift,
hvis gylleforsuringsanlægget samfundsøkonomisk set skal
kunne betale sig selv
JB 1-4
JB 5-10
BCS
WCS
BCS
WCS
Vestsjællands Amt Århus Amt
Dobbeltlog Semilog Dobbeltlog Semilog
30% 50% 70% 30% 50% 70% 30% 50% 70% 30% 50% 70%
15,3 7,7 4,3 18,2 9,2 5,2 39,0 19,9 11,3 34,3 17,5 9,9
45,9 23,1 12,9 54,6 27,6 15,4 116,8 59,6 33,8 102,7 52,3 29,6
3,1 1,6 0,9 3,7 1,9 1,0 7,9 4,0 2,3 6,9 3,5 2,0
35,7 18,0 10,0 42,5 21,5 12,0 90,9 46,3 26,3 79,9 40,7 23,1
Det ses, at der i Vestsjællands Amt i værste fald (dvs. ved en 30% genereduktion,
WCS og sandede jorde) kræves den estimerede husprisstigning
opnået for omkring 45-55 gennemsnitshuse i en afstand af 500 meter fra en
bedrift med 250 DE for at opveje installeringen af et gylleforsuringsanlæg.
Det tilsvarende tal for Århus Amt ligger på omkring 100-110 gennemsnitshuse.
Det bør dog bemærkes, at størstedelen af jordene i de to amter
vil høre under JB 5-10, hvorfor ovenstående antal huse nok bør ses som et
overestimat.
I Vestsjællands Amt kræves den estimerede husprisstigning, i bedste
fald (dvs. ved en 70% genereduktion, BCS og lerede jorde), opnået for kun
et enkelt gennemsnitshus inden for en afstand af 500 meter, mens det tilsvarende
tal for Århus Amt er ca. 2.
Det kan således ud fra ovenstående konkluderes, at installeringen af et
gylleforsuringsanlæg i et område påvirket af 250 DE i Vestsjællands Amt
rent samfundsøkonomisk set vil kunne svare sig, hvis mere end 55 parcelhuse
inden for en afstand af 500 meter er påvirket. I Århus Amt kræves tilsvarende
mere end 110 parcelhuse, for at installeringen af gylleforsurings-
145

anlægget kan betale sig. Det skal her igen pointeres, at resultatet ikke afspejler
en total samfundsøkonomisk vurdering, idet bl.a. de natur- og miljømæssige
benefits ved installeringen af et gylleforsuringsanlæg ikke indgår
i analysen.
9.4 Sammenfatning
Ved en tilvækst i antallet af svin fra 50 DE til 450 DE i et område falder
prisen på huse inden for en radius af 500 meter med op til 200.000 kr.
(24%) og 125.000 kr. (16%) for hhv. Vestsjællands Amt og Århus Amt.
For meget store ændringer i antallet af DE i et område ses en ændring i
husprisen på mere end 100.000 kr., men for langt de fleste tilfælde vil
husprisændringen ikke være større end 100.000 kr. Det vurderes derfor, at
værdien af en ændring i gener forbundet med at bo i nærheden af en svinebedrift
approksimativt kan betragtes som et CS-mål, idet ændringen ikke
medfører, at der foretages et køb af et andet hus.
En mindre interviewundersøgelse af ejendomsmæglere i de involverede
områder bekræfter de ovenfor nævnte størrelser. Således verificerer 11
ud af 13 adspurgte, at det har en betydning på huspriserne, om der ligger en
bedrift med husdyr i nærområder, og at svinebrug har den største effekt på
husprisen. Ejendomsmæglerne nævner en effekt i størrelsesordenen op til
mellem 10-25% af huspriserne, hvor huspriserne for Vestsjællands Amt
vurderes til mellem 800.000-1.300.000 kr. og for Århus Amt til mellem
600.000-1.000.000 kr.
Ændringen i husprisen som følge af en ændring i svinetrykket på huset
afhænger af det på forhånd værende svinetryk. Således ses, at en reduktion
på 150 DE i et område med 200 DE i Vestsjællands Amt giver en husprisstigning
på 16-19% til forskel fra kun 5% i et område med 450 DE. I Århus
Amt ses alt andet lige en husprisstigning på hhv. 8-12% og 2-4%. Den
største procentvise effekt ses således i Vestsjællands Amt.
Som et eksempel på et muligt genereducerende tiltag fra landbrugets
side er valgt at bruge installeringen af et gylleforsuringsanlæg. Anlægget er
endnu på forsøgsplan, men vurderes at have en væsentlig reducerende effekt
på bl.a. lugten fra staldanlæg. Sammenholdes resultaterne fra husprisundersøgelsen
med omkostningerne til installering af et gylleforsuringsan-
146

læg med en kapacitet på 250 DE, ses, at der i et »worst case«-scenarie, ved
en 30% genereduktion, høje omkostninger for landmanden ved installering
af anlægget og sandede jorde, kræves opnåelse af den estimerede husprisændring
for mere end 55 huse inden for en afstand af 500 meter i Vestsjællands
Amt mod mere end 110 huse i Århus Amt, for at anlægget skal kunne
svare sig samfundsøkonomisk set. Resultatet af den samfundsøkonomiske
analyse gælder kun for områder påvirket af 250 DE og skal betragtes
som et overestimat i den forstand, at de fleste jorde i de to amter hører under
kategorien JB 5-10 hvor der må forventes en højere udbyttegevinst og
dermed lavere omkostninger.
147

10 Diskussion
Ud fra den statistiske analyse i kapitel 8 ses, at der i nærværende husprisundersøgelse
er fundet, at en ændring i antallet af DE svin i en afstand af
maks. 500 meter af et hus medfører en statistisk signifikant reduktion i prisen
på huset. Resultaterne i kapitel 9 angiver en reduktion på op til 24% i
Vestsjællands Amt og op til 16% i Århus Amt afhængig af ændringen i antallet
af dyreenheder (DE). Husprisændringen som følge af en ændring i
svinetrykket afhænger af det antal DE, der allerede befinder sig i området.
Således vil husprisændringen som følge af en given ændring i antallet af
DE være større i områder, hvor der i forvejen er få DE, end i områder, hvor
der i forvejen er mange DE.
10.1 Sammenligning med andre resultater
I en lignende undersøgelse udført af Palmquist et al. (1997) er, som i nærværende
undersøgelse, fundet en signifikant effekt af nærhed til svinebedrift.
Husprisændringer, som følge af en given ændring i påvirkningen, er
ligeledes fundet faldende og afhængige af den på forhånd værende påvirkning.
Palmquist et al. (1997) angiver en reduktion i husprisen på op til 9%,
men størrelsesforholdet de to undersøgelser imellem kan ikke sammenlignes
af flere grunde. I den amerikanske undersøgelse er der specifikt udvalgt
områder i den stat, der har den andenstørste svineproduktion i USA,
og den statistiske analyse er kun baseret på 237 hussalg. Det synes desuden
ikke rimeligt at sammenligne danske og amerikanske forhold både med
hensyn til husmarked og de landbrugsmæssige forhold. Overordnet set er
148

der dog en udmærket overensstemmelse imellem resultaterne de to undersøgelser
imellem.
I den amerikanske undersøgelse er det, ud over det ovenstående, påvist,
at afstanden til svinebedrifter spiller en rolle i forhold til effekten på
husprisen. I nærværende undersøgelse har det ikke været muligt at estimere
nogen statistisk signifikant forskel i huspriseffekten ved forskellige afstande
inden for 500 meter mellem svinebedriften og huset. Denne manglende
betydning af afstanden skyldes sandsynligvis en undervurdering af den afstand,
hvorpå en svinebedrift kan have en effekt på husprisen og en for detaljeret
inddeling i ringe. I den forliggende undersøgelse indgår ingen huse
i større afstand end 500 meter fra en svinebedrift på mindst 53 DE, mens
alle hussalg inden for en afstand på helt op til 2 miles (godt 3 km) indgår i
den amerikanske undersøgelse. I databehandlingen i kapitel 7 ses, at 862
observationer tages ud af datasættet, fordi de ikke opfylder afstandskravet
på de 500 meter. De 862 observationer kunne have været inddraget i undersøgelsen
for herved at se, hvorvidt en aftagende effekt kan observeres
med stigende afstand. Denne mulighed er dog fravalgt, fordi de huse med
en større afstand end 500 meter til den nærmeste svinebedrift ikke er udvalgt
systematisk i alle områder 21 .
10.2 De bagvedliggende antagelser og
forudsætninger
Idet en direkte sammenligning af den nærværende undersøgelses resultater
med andre lignende studier ikke er mulig, vil det opnåede resultat i nærværende
undersøgelse i stedet blive vurderet ud fra en afvejning af de forudsætninger
og antagelser, der er foretaget undervejs i undersøgelsen.
10.2.1 Oplysninger vedrørende bedrifterne
De i nærværende analyse anvendte data for hussalg strækker sig fra perioden
1990 til 2002, mens de til bedrifterne hørende dyrenheder (DE) svarer
til det antal DE, der er registreret på de enkelte ejendomme i året 1999. De
præcise oplysninger vedrørende bedrifternes produktionsniveau på tidspunktet
for de enkelte hussalg mangler således, men har vist sig umulige at
149

indhente, hvilket der er flere grunde til. Generelt Landbrugsregister og
Centralt Husdyrbrugsregister (GLR/CHR) havde (på tidspunktet for rekvireringen
af data) kun brugbare oplysninger for årene 1998-2000, hvilket
kun har gjort det muligt at tjekke konsistensen mellem antallet af DE på
bedrifterne i disse år. Det har desuden vist sig, at mange bedrifter har skiftet
ejer inden for undersøgelsens tidsrum, og at den nuværende ejer ikke
sidder inde med de nødvendige oplysninger. Selv de bedrifter, der har været
den nuværende ejer i hænde i den relevante periode, har det heller ikke
været muligt at indhente præcise og brugbare oplysninger fra. Indhentning
af de nødvendige oplysninger fra nuværende ejere ville endvidere ikke have
indeholdt informationer vedrørende nedlagte bedrifter i nærområdet inden
for perioden, og data ville derfor stadig mangle præcision. Det har,
som følge heraf, været nødvendigt at antage, at antallet af DE har været
konstant over tid, svarende til 1999-niveau.
På grund af inkonsistensen er der sandsynlighed for, at den pris, husene
er solgt til, ikke svarer til det antal DE, der reelt er registreret på salgstidspunktet.
Da statistikken viser, at der er kommet flere og større svinebedrifter
til, må det formodes, at huse købt før 1999 er registreret med for få
DE i den bagvedliggende analyse. For få DE vil resultere i skæve parameterestimater,
men det er umuligt at vurdere fejlens størrelse. Problemet må
dog antages at være mindre i forhold til, hvis også hussalg fra perioden
1971 til 1989 indgik i analysen.
De områder, der indgår i undersøgelsen, er i første omgang valgt ud
fra, om der inden for 500 meter fra boligbebyggelse lå en svinebedrift på
53 DE eller derover. De 53 DE er som allerede beskrevet i kapitel 7 valgt,
fordi det svarer til den gennemsnitlige bedriftsstørrelse i datasættet fra
GLR/CHR. Udvælgelsen betyder, at alle områder i undersøgelsen som minimum
er påvirket af 53 DE. Resultatet af undersøgelsen siger således ikke
noget om områder, der er påvirket af færre end 53 DE og bør derfor ikke
anvendes som sådan. Valget om kun at inddrage påvirkningen fra større
bedrifter har været bevidst i den forstand, at det var ønsket at estimere en
effekt, hvis en sådan fandtes. En eventuel effekt måtte forventes at være
tydeligere ved større bedrifter end ved små.
Antallet af svin og svinebedrifter vokser i Danmark (Danmarks Statistik,
2003), og det er vanskeligt at finde landsbyer, der kun er påvirket af
150

én bedrift, eller som udelukkende er påvirket af svinebedrifter. At mange
huse er påvirket af flere bedrifter, har en betydning i forhold til udformningen
af miljøvariablen (svinetrykket), hvilket der vendes tilbage til senere.
Her skal blot nævnes, at det har været nødvendigt at antage, at det udelukkende
er produktionen af svin, der er til gene for nærved liggende naboer,
og at andre former for husdyrproduktion ikke har den samme effekt. I de
områder, der indgår i analysen, er der udelukkende set på bedrifter, hvor
der findes svineproduktion. Bedrifter med anden husdyrproduktion end
svin indgår således ikke i vurderingerne, men i enkelte af områderne indgår
der dog bedrifter i analysen, hvor der ud over svin også er kvæg på ejendommen.
Det, at der i princippet er andet end svin indblandet i analysen,
betyder, at det opnåede resultat ikke med sikkerhed kan siges at være et udtryk
for gener udelukkende fra svineproduktion. Antallet af bedrifter, hvor
der også findes en produktion af kvæg, er dog forholdsvis lille, og for de
fleste gælder, at det kun drejer sig om få DE (se eventuelt appendiks 14 for
en fordeling af det samlede antal DE på de enkelte bedrifter mellem svin,
kvæg og andet). Herudfra og ud fra udtalelser fra de lokale ejendomsmæglere
(se kapitel 9), hvor det fremgår, at det er svineproduktionen, der har
den største effekt på husprisen, vurderes, at problemet ikke er ret stort.
10.2.2 Opgørelsen af det oplevede geneniveau
Husstandens oplevede geneniveau er beskrevet i form af et svinetryk, der
afhænger af afstanden til en bedrift og antallet af DE inden for 500 meter
af huset. I forbindelse med afstandsberegningen fra de enkelte huse til de
forskellige gårde er anvendt koordinater fra hhv. Kommunedata (KMD) og
GLR/CHR. KMD’s huskoordinater angiver beliggenheden af den største
bygning på grunden, mens GLR/CHR’s bedriftskoordinater viser bedriftens
geografiske placering målt som et punkt inden for tre meter fra beboelsesbygningens
hoveddør. Bedriftskoordinaterne beskriver dermed ikke
positionen for forureningskilden særlig præcist, hvilket betyder, at afstanden,
forureningskilde og husstand imellem, ikke er eksakte. Det vurderes
dog, at problemet ville have haft en større effekt, hvis resultatet havde vist
en signifikant forskel på den afstandsmæssige beliggenhed af bedrifter i
forhold til husene inden for de 500 meter. Her antyder resultatet derimod,
at forskel i huspriserne for huse beliggende inden for 500 meter af en be-
151

drift ikke skyldes afstandsforskelle, men DE-forskelle, og det er således
kun de bedrifter, der ligger lige på grænsen til at ligge længere væk end
500 meter, der kan opstå tvivl omkring.
Grænsen på en radius af 500 meter er som beskrevet i kapitel 7 valgt
på baggrund af en undersøgelse, der viser, at lugtgener fra en svinebedrift
er kraftigt aftaget efter de første 250 meter. Der er dermed i første omgang
gået ud fra, at det rent afstandsmæssigt er lugten fra staldene, der har den
længst rækkende og største effekt, og ikke fx fluer og algevækst på huset.
Da det formodes, at der er en grænse for, hvor langt fra bedriften der vil
kunne mærkes en effekt på husprisen, tyder den manglende afstandsmæssige
effekt på husprisen dog på, at der må kunne observeres en effekt længere
væk end de 500 meter. Observationer liggende længere væk kunne
derfor have været interessante at inddrage og kunne måske også have vist
som antaget: at huspriseffekten af gener forbundet med at bo i nærheden af
en svinebedrift falder med stigende afstand. At denne tendens ikke er fundet
i undersøgelsen her, kan altså skyldes en fejlvurdering i påvirkningens
rækkevidde.
Svinetryksparameteren hørende til det enkelte hus er beregnet ud fra
antallet af DE svin inden for en radius af 500 meter fra huset. Dermed antages
trykket at være det samme 360° rundt om huset. Fremgangsmåden
har været en praktisk nødvendighed, set i lyset af at mange huse er påvirket
af flere bedrifter, men det betyder implicit, at der ikke tages højde for den
rumlige placering af gårde og huse i forhold til hinanden inden for en ring.
En faktor som fx den rumlige placering i forhold til den herskende vindretning
må forventes at have en effekt på resultatet, men kan således ikke testes
her. Ligeledes kan der sættes spørgsmålstegn ved, hvorvidt det bør
negligeres, at en gård, der ligger »i skyggen« af en anden gård, måske ikke
generer helt så meget, som hvis den havde ligget »frit« i forhold til huset,
og derfor ikke bør have den samme vægt. Det er heller ikke sikkert, at to
bedrifter på hver 50 DE, inden for samme afstand, vægter det samme som
én på 100 DE, som formlen for svinetrykket lægger op til.
Effekten af den manglede inddragelse af de rumlige forhold i beskrivelsen
af det oplevede geneniveau er vanskelig at bedømme, i og med at de
præcise faktorer, som folk indretter deres valg af hus efter, ikke kendes.
Ejendomsmæglerinterviewene peger på, at nogle folk tager hensyn til den
152

herskende vindretning i deres vurdering af risikoen for gener fra bedriften,
mens andre ser den herskende vindretningen som en så usikker faktor i sig
selv, at man alligevel ikke kan regne med den. Muligvis er det netop det
samlede antal DE i nærområdet, og ikke de akkumulerede gener fra gårdene
korrigeret for de indbyrdes beliggenhedsforhold, som har en betydning.
Den samlede effekt på resultatet er altså svær at vurdere og vil eventuelt
resultere i skæve parameterestimater.
Ved udførelsen af husprisundersøgelser er det vigtigt, at miljøvariablen
beskriver generne ud fra, hvad folk reagerer på og oplever. Svinetrykket
er som sagt beskrevet i form af afstanden til de nærliggende gårde og
disses DE-størrelse. Der er i kapitel 7 allerede gjort rede for, at den anvendte
miljøvariabel spænder over alle former for gener i forbindelse med
at bo i nærheden af en svinebedrift, og at estimatet ikke skelner imellem fx
lugtgener, fluer, helbredsrisici og risiko for grundvandsforurening. Generne
afhænger dog af langt mere end blot afstanden til og antallet af DE på
bedrifterne, herunder landmandspraksis, staldkonstruktioner, sædskifte og
afstand til mark og gylleopbevaring. Hvis folks oplevede geneniveau indbefatter
flere faktorer end blot afstand og størrelse, så burde miljøparameteren
i nærværende analyse også have indbefattet disse faktorer for at kunne
give et eksakt mål. Problemet vurderes dog at være størst, hvis det er afstanden
til markerne, der tæller mest i folks vurdering af generne. I nærværende
undersøgelse er afstanden til gården anvendt som det primære vurderingsgrundlag,
men grundet de upræcise koordinater kan afstanden lige så
godt måle afstanden til gylleopbevaringen som til staldbygningerne, under
forudsætning af at disse ligger tæt på hinanden. Det synes meget lidt sandsynligt,
at potentielle huskøbere, inden et køb, sætter sig ind i fx landmandspraksis
og sædskiftet, og disse faktorers påvirkning af geneniveauet.
Hvis, derimod, det er markerne, og dermed gyllespredningen, der har en
stor effekt på folks betalingsvilje for et hus, vil den anvendte formel for
svinetrykket ikke afspejle hele det oplevede geneniveau. Undersøgelsens
udfald tyder på, at der er en påvirkning længere væk end de 500 meter,
hvilket muligvis kan være udtryk for, at gylleudbringningen har en betydning,
og at denne faktor derfor burde indgå som miljøvariabel i husprisfunktionen.
153

10.2.3 Husprisfunktionens udformning
I husprisfunktionen er svinetrykket transformeret med den naturlige logaritme
for at skildre en formodning om, at effekten af en ændring i antallet
af DE i nærområdet er aftagende, jo flere DE der påvirker området i forvejen.
Denne sammenhæng er valgt på baggrund af Palmquist et al.’s (1997)
artikel, men der har ikke kunnet findes anden videnskabeligt belæg herfor.
Sammenhængen kunne måske have været beskrevet bedre ved en anden
funktionel form, fx en form der nærmer sig asymptotisk en grænse, hvorefter
en stigning i antallet af DE ikke har nogen betydning. Valget af funktionel
form til beskrivelse af sammenhængen mellem antallet af DE og geneomfanget
vil helt klart have en betydning for resultatet.
I udførelsen af husprisanalyser kan det være en fordel at studere så
homogene områder som muligt, således at det bliver nemmere for modellen
at henføre eventuelle forskelle i husprisen til forskelle i den interessante
miljøvariabel. Jo mere differentieret data er, des flere variabler vil det være
nødvendigt at inddrage i husprisfunktionen til forklaring af afvigelser data
imellem, og jo flere variabler det er nødvendigt at inddrage, des flere observationer
er nødvendige for at sikre, at der er nok variation i data. Den
aktuelle husprisundersøgelse er baseret på analyse og modellering af data
fra mange forskellige små områder, hvilket er en konsekvens af, at de interessante
områder primært ligger i det åbne land. Det er forsøgt at tage højde
for de regionale forskelle ved at inddrage områdebeskrivende variabler
såsom afstand til større by, grundskyldspromille, amts- og kommunalskat
og serviceniveau. Det kunne have været valgt at inddrage flere variabler til
beskrivelse af forskellene i området, som fx udsigt og områdets brugsmønstre.
Hvis disse udeladte variable har en signifikant effekt på husprisen, vil
deres manglende tilstedeværelse i husprisfunktionen også have en effekt på
det endelige resultat.
10.2.4 Markedet
Resultaterne i kapitel 8 er bestemt vha. estimater fra en statistisk analyse af
husdata inden for de tre amter Vestsjællands Amt, Fyns Amt og Århus
Amt. Herved antages implicit, at markedet for hussalg kan betragtes som ét
inden for hvert amt. Det realistiske i denne antagelse kan diskuteres, idet
der kan være stor forskel i prisudviklingen inden for et amts grænser. Det
154

havde måske været ønskeligt at inddrage kommunedummyer for hver
kommune i de tre modeller for herved at tage højde for de regionale forskelle
inden for hvert amt. Dummyerne har som tidligere omtalt dog været
forsøgt inddraget, men resulterede i at størstedelen af dummyerne blev
meget insignifikante. Problemet kan skyldes, at der for de fleste kommuner
ikke har været nok data isoleret set til at beskrive en sammenhæng. Hvis
ikke husmarkedet inden for et amt kan betragtes som ét, vil resultaterne og
estimaterne i kapitel 8 og 9 ikke give et præcist billede af huspriseffekterne,
men de vil dog stadig give et overordnet indtryk af effekten.
10.3 En samlet vurdering
Ud fra ovenstående ses, at det har været nødvendigt at gøre en række antagelser
i forbindelse med den statistiske undersøgelse, grundet såvel manglende
informationer som et hensyn til ønsket om at gøre modellen operationel
og forståelig. Nogle antagelser er grovere end andre, og resultatet af
undersøgelsen skal naturligvis vurderes i forhold til disse antagelser. Overordnet
set bedømmes resultatet dog til at give et udmærket overordnet billede
af, hvilken samfundsøkonomisk betydning ændringer af svineproduktion
i umiddelbar nærhed af boligområder har.
155

11 Perspektivering
Værdisætningen i nærværende rapport skal betragtes som et pilotprojekt.
Yderligere undersøgelser af samme problemstilling, til verificering og
sammenligning af resultatet, bør derfor udføres. I nærværende rapport omtales
enkelte forbedringer, som kan anbefales i forbindelse med fremtidige
husprisundersøgelser af gener fra svinebedrifter.
Der er i det foreliggende studium anvendt Geografisk Informationssystem
(GIS) som hjælp til områdeudvælgelse om afstandsbestemmelse.
Brugen af GIS i forbindelse med udførelsen af husprisundersøgelser skaber
herudover mulighed for at beskrive parametre som fx udsigten fra husene
og den rumlige fordeling af gårdene og dermed forbedre husprisfunktionen.
Et godt kendskab til dette værktøj og dets muligheder bedømmes således
til at kunne forbedre og lette modelarbejdet i såvel fremtidige husprisundersøgelser,
som i værdisætningsstudier af miljøgoder generelt. Der
kræves dog GIS-kompetencer ud over rammerne for, hvad der har været
muligt i dette speciale. Inddragelse af vinddata vil endvidere give mulighed
for at danne en miljøparameter, hvori de vindretningsafhængige genepåvirkninger
og den indbyrdes beliggenhed huse og gårde imellem indgår.
De upræcise koordinater i forbindelse med beregningen af afstanden,
imellem forureningskilde og huse imellem, forventes, som tidligere nævnt,
ikke at have den store betydning her, grundet modellen for miljøvariablen
og sammenlægningen af ringe. Ønsker fremtidige undersøgelser at inddrage
den rumlige fordeling og vinddata, tilskyndes dog, at der anvendes mere
præcise koordinater til beskrivelse af forureningskildens beliggenhed. Koordinaterne
i Generelt landbrugsregister og Centralt Husdyrbrugsregister
(GLR/CHR) bærer præg af, at de ikke anvendes til identificering af hus-
156

dyrholdet, men derimod bedriften som sådan. Registrene undergår for tiden
ændringer, der betyder, at koordinaterne i fremtiden vil beskrive placeringen
af den største bygning på ejendomme, i stedet for de tidligere anvendte
koordinater, der beskriver en placering inden for tre meter af hovedbygningens
hoveddør. Ændringen gør dog ikke nødvendigvis beskrivelsen af
forureningskilden mere præcis, og der kan alternativt vælges at identificere
forureningskilden manuelt på kort eller luftfotos, og herefter koordinatsætte
i GIS.
I nærværende undersøgelse indgår udelukkende boligområder, der har
en svinebedrift på minimum 53 dyreenheder (DE) liggende inden for en afstand
af 500 meter. Resultatet af undersøgelsen siger således ikke noget om
områder påvirket af bedrifter på mindre end 53 DE svin. Det kan være interessant
i fremtidige undersøgelser at inddrage alle bedriftsstørrelser for
herved at få et resultat, der er fuldstændig uafhængigt af bedriftsstørrelse.
Inddelingen af de 500 meter i syv mindre ringe viste sig, i den foreliggende
undersøgelse, at give for lidt variation i data til, at der kunne estimeres
en forskel, og alle syv ringe blev derfor lagt sammen til én. Det må
konstateres, at detaljeringsgraden i den første inddeling har været en smule
for høj (også set i forhold til detaljeringsgraden af koordinatsætningen), og
kommende undersøgelser anbefales derfor at inddele i større ringe. Den
manglende effekt på huspriserne inden for de 500 meter tyder desuden på,
at der også for huse ud over denne afstand kan ses en huspriseffekt. Fremtidige
studier bør derfor øge afstandskravet, således at huse med mere end
500 meter til den nærmeste svinebedrift også inddrages i analysen.
Det må ligeledes betragtes som ønskeligt, at der i fremtidige undersøgelser
forefindes en samhørighed mellem salgsåret for det enkelte hus og
antallet af DE på de nærved liggende bedrifter i samme år. Antallet af DE
på bedrifterne i salgsårene for de enkelte huse har ikke været mulige at opnå
i nærværende undersøgelse, i og med at der kun fandtes brugbare svinebedriftsdata
for ganske få år. Skulle husdatasættet således reduceres til kun
at indeholde huse solgt inden for de år, hvorfra der findes brugbare svinebedriftsdata,
ville der være opstået problemer på grund af et for lille datasæt.
Samhørighedsproblemet kan dog relativt nemt undgås i fremtiden, da
mængden af brugbare data i GLR/CHR stiger for hvert år.
I kommende undersøgelser kan det anbefales, at der gøres en ekstra
157

indsats for at begrænse bredden af det geografiske område i analysen, idet
antagelsen om at betragte et helt amt som ét marked muligvis er en smule
grov. Hvis alle enfamiliehuse, i nærheden af en svinebedrift, inden for en
kommune, anvendes, vil det måske være muligt at opnå nok data, samtidig
med at, antagelsen om ét husmarked vil kunne betragtes som mere reel.
Herved bliver de prisudviklingsmæssige og områdemæssige forskelle mindre.
Er det ikke muligt at lave en model over huspriserne inden for et mindre
geografisk område og derved øge sandsynligheden for at kunne betragte
markedet som ét, vil husprismodellen kunne forbedres ved at anvende
flere beskrivende variabler, end der er benyttet i undersøgelsen her. Fx
kunne variabler, som beskriver indkøbsmuligheder, sportsfaciliteter, pasningsmuligheder
og rekreative områder, indgå.
Fremtidige værdisætninger af gener i forbindelse med at bo i nærheden
af en svinebedrift ved brug af husprismetoden vil med fordel kunne
inddrage ovenstående faktorer og dermed opnå et plausibelt resultat til
brug i politiske beslutningsprocesser i forbindelse med regulering af landbruget.
Resultatet vil give mulighed for at vurdere de afledte samfundsøkonomiske
omkostninger i forbindelse med produktionen af svin og sætte
dette i forhold til de samfundsøkonomiske gevinster i forbindelsen med
genereducerende tiltag. Til forskel fra nærværende undersøgelse kan der
endvidere udføres en mere fuldstændig samfundsøkonomisk undersøgelse
af omkostninger og benefits ved sådanne tiltag, hvilket måske kan få en
stor betydning for de opnåede resultater. Ejendomsmægleres udsagn tyder
endvidere på, at huskøbere er bevidste om risikoen for gener, og udførelsen
af en betinget værdisætningsundersøgelse og efterfølgende sammenligning
af resultater ses som en interessant mulighed for at sammenholde husprisundersøgelsens
estimater med de lokale beboeres egne vurderinger af værdien
af deres gener i forbindelse at bo i nærheden af en svinebedrift.
Overordnet set kan det dog konkluderes, at brugen af husprismetoden
har vist sig effektiv og forholdsvis simpel at anvende til løsning af den definerede
problemstilling. Fremtidige undersøgelser af samme problemstilling
vurderes med fordel at kunne gøre brug af samme metode.
158

Appendiks 1
Forkortelsesliste
Forkortelse Betydning Forklaring
AIS Areal Informations Systemet Database indeholdende GIS-baserede
miljø- og naturdata.
BBR Bygnings- og Boligregistret Register indeholdende strukturelle oplysninger
om alle landets ejendomme.
BCS »Best Case«-scenariet
CHR Centralt HusdyrbrugsRegister Database indeholdende informationer
vedr. danske landbrugsvirksomheder.
CS Compensating Surplus Velfærdsmål baseret på Hicksefterspørgslen,
en mængdebegrænsning
og retten til status quo.
CV Compensating Variation Velfærdsmål baseret på Hicksefterspørgslen,
muligheden for mængdeoptimering
og retten til status quo.
CVM Contingent Valuation Method/ Betinget
Værdisætningsmetode
Værdisætningsmetode baseret på hypotetiske
spørgsmål.
DE Dyreenhed En beregningsenhed, der anvendes i
landbruget.
ES Equivalent Surplus Velfærdsmål baseret på Hicksefterspørgslen,
en mængdebegrænsning
og retten til et nyt nytteniveau.
ESR Ejendomsstamregistret Register indeholdende strukturelle oplysninger
om alle landets ejendomme.
EV Equivalent Variation Velfærdsmål baseret på Hicksefterspørgslen,
muligheden for mængdeoptimering
og retten til det nye nytteniveau.
GIS Geografiske Informationssystemer Computerbaseret system, der bruges
til at gemme og håndtere store mængder
rumligt refereret data.
GLR Generelt LandbrugsRegister Data indeholdende informationer vedr.
danske landbrugsvirksomheder.
159

Forkortelse Betydning Forklaring
HPM Husprismetoden Værdisætningsmetode baseret på
husprisændringer.
JB Jordbundstype
KMD Kommunedata Virksomhed, der bl.a. administrerer
BBR og ESR.
OLS Ordinary Least Square Statistisk beregningsmetode.
RP Revealed Preferences/ Afslørede Præferencer
Værdibegreb.
RSS Residualernes kvadratsum
S Compensation Surplus/ Konsument
overskuddet
SP Stated Preferences/ Udtrykte Præferencer.
TCM Travel Cost Method/ Rejseomkostningsmetoden
160
Statistisk begreb for, hvor godt de enkelte
variabler i en model er estimeret.
Mål for ændring i velfærden baseret på
Marshall-efterspørgslen.
Værdibegreb.
Værdisætningsmetode baseret på undersøgelser
af rejseomkostninger til
rekreative områder.
TEV Total economic value Brugs- + ikke-brugsværdier
WCS »Worst Case«-Scenarie
WTA Willingness to Accept (Compensation)
WTP Willingness to Pay

Appendiks 2
Oversigt over udvalgte områder
Amt Kommune Byer
Assens Turup
Broby Brobyværk
Vester Hæsinge
Egebjerg Vester Skerninge
Ejby Ejby
Ringe Espe
Ullerslev Ullerslev
Vissenbjerg Vissenbjerg
Ørbæk Refsvindinge
Bjergsted Føllenslev
Dianalund Niløse
Dragsholm Fårevejle Stationsby
Grevinge
Hørve
Vallekilde
Holbæk Hørby
Hvidebæk Jerslev
Ubby
Kalundborg Ellede/Raklev
Ringsted Benløse
Skælskør Boeslunde
Stenlille Nyrup
Svinninge Gislinge
Kundby
Tornved Knabstrup
Tølløse Store Tåstrup
Store Merløse
Fyns Amt
Vestsjællands Amt
161

Amt Kommune Byer
162
Århus Amt
Grenaa Lyngby
Hadsten Hadbjerg
Selling
Hinnerup Folby
Nørhald Harridslev
Mejlby
Øster Tørslev
Nørre Djurs Glesborg
Odder Saksild
Purhus Gassum
Rosenholm Lime
Mørke
Skanderborg Virring
Århus Spørring

Kort
1
Kort over de udvalgte områder
Kort over det udvalgte område i byen Turup, Assens Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
163

Kort
2
Kort over det udvalgte område i byen Brobyværk, Broby Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
164

Kort
3
Kort over det udvalgte område i byen Vester Hæsinge, Broby
Kommune. Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
165

Kort
4
Kort over det udvalgte område i byen Vester Skerninge, Egebjerg
Kommune. Ringen angiver en afstand på 500 meter fra en svinebedrift
166
© Kort- og matrikelstyrelsen (A.24-03)

Kort
5
Kort over det udvalgte område i byen Ejby, Ejby Kommune. Ringen
angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
167

Kort
6
Kort over det udvalgte område i byen Espe, Ringe Kommune. Ringen
angiver en afstand på 500 meter fra en svinebedrift
168
© Kort- og matrikelstyrelsen (A.24-03)

Kort
7
Kort over det udvalgte område i byen Ullerslev, Ullerslev Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
169

Kort
8
Kort over det udvalgte område i byen Vissenbjerg, Vissenbjerg
Kommune. Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
170

Kort
9
Kort over det udvalgte område i byen Refsvindinge, Ørbæk Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
171

Kort
10
Kort over det udvalgte område i byen Føllenslev, Bjergsted Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
172
© Kort- og matrikelstyrelsen (A.24-03)

Kort
11
Kort over det udvalgte område i byen Niløse, Dianalund Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
173

Kort
12
Kort over det udvalgte område i byen Fårevejle Stationsby, Dragsholm
Kommune. Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
174

Kort
13
Kort over det udvalgte område i byen Grevinge, Dragsholm Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
175

Kort
14
Kort over det udvalgte område i byen Hørve, Dragsholm Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
176
© Kort- og matrikelstyrelsen (A.24-03)

Kort
15
Kort over det udvalgte område i byen Vallekilde, Dragsholm
Kommune. Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
177

Kort
16
Kort over det udvalgte område i byen Hørby, Holbæk Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
178
© Kort- og matrikelstyrelsen (A.24-03)

Kort
17
Kort over det udvalgte område i byen Jerslev, Hvidebæk Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
179

Kort
18
Kort over det udvalgte område i byen Ubby, Hvidebæk Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
180
© Kort- og matrikelstyrelsen (A.24-03)

Kort
19
Kort over det udvalgte område i byen Ellede, Kalundborg Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
181

Kort
20
Kort over det udvalgte område i byen Benløse, Ringsted Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
182
© Kort- og matrikelstyrelsen (A.24-03)

Kort
21
Kort over det udvalgte område i byen Boeslunde, Skælskør Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
183

Kort
22
Kort over det udvalgte område i byen Nyrup, Stenlille Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
184
© Kort- og matrikelstyrelsen (A.24-03)

Kort
23
Kort over det udvalgte område i byen Gislinge, Svinninge Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
185

Kort
24
Kort over det udvalgte område i byen Kundby, Svinninge Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
186
© Kort- og matrikelstyrelsen (A.24-03)

Kort
25
Kort over det udvalgte område i byen Knabstrup, Tornved Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
187

Kort
26
Kort over de udvalgte områder i byerne Store Tåstrup og Store
Merløse, Tølløse Kommune. Ringen angiver en afstand på 500 meter
fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
188

Kort
27
Kort over det udvalgte område i byen Lyngby, Grenaa Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
189

Kort
28
Kort over det udvalgte område i byen Hadbjerg, Hadsten Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
190
© Kort- og matrikelstyrelsen (A.24-03)

Kort
29
Kort over det udvalgte område i byen Selling, Hadsten Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
191

Kort
30
Kort over det udvalgte område i byen Folby, Hinnerup Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
192
© Kort- og matrikelstyrelsen (A.24-03)

Kort
31
Kort over det udvalgte område i byen Harridslev, Nørhald Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
193

Kort
32
Kort over det udvalgte område i byen Mejby, Nørhald Kommune. Ringen
angiver en afstand på 500 meter fra en svinebedrift
194
© Kort- og matrikelstyrelsen (A.24-03)

Kort
33
Kort over det udvalgte område i byen Øster Tørslev, Nørhald Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
195

Kort
34
Kort over det udvalgte område i byen Glesborg, Nørre Djurs Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
196
© Kort- og matrikelstyrelsen (A.24-03)

Kort
35
Kort over det udvalgte område i byen Saksild, Odder Kommune. Ringen
angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
197

Kort
36
Kort over det udvalgte område i byen Gassum, Purhus Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
198
© Kort- og matrikelstyrelsen (A.24-03)

Kort
37
Kort over det udvalgte område i byen Lime, Rosenholm Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
199

Kort
38
Kort over det udvalgte område i byen Mørke, Rosenholm Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
200
© Kort- og matrikelstyrelsen (A.24-03)

Kort
39
Kort over det udvalgte område i byen Virring, Skanderborg Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
© Kort- og matrikelstyrelsen (A.24-03)
201

Kort
40
Kort over det udvalgte område i byen Spørring, Århus Kommune.
Ringen angiver en afstand på 500 meter fra en svinebedrift
202
© Kort- og matrikelstyrelsen (A.24-03)

Appendiks 3
Videregivelsessystemet – Bygnings- og
Boligregistret (BBR) og Ejendomsstamregistret
(ESR)
Videregivelsessystemet er udviklet i et samarbejde mellem Kommunedata
og Boligministeriet og kan give oplysninger om samtlige af landets ejendomme
dog ikke historiske. Der kan ved brug af Videregivelsessystemet
hentes oplysninger fra Bygnings- og Boligregistret (BBR), en stor del af
oplysningerne fra Det Fælleskomunale Ejendomsdatasystem – Ejendomsstamregistret
(ESR) samt oplysninger fra Planregistret (PLAN) og Krydsreferenceregistret
(KRR). Fra Kort og Matrikelstyrelsen er det muligt at
hente oplysninger fra Matrikelregistret (MR).
Der er meget stærke restriktioner for videregivelse af informationer
omfattende personoplysninger, hvorimod der normalt ikke findes særlige
restriktioner for informationer uden personoplysninger. Af de ovenfor
nævnte registre er det kun ESR, der falder under kategorien med personoplysninger.
Idet det kun er BBR og ESR, der er benyttet i nærværende undersøgelse,
skal der her nedenfor kun redegøres for indholdet i disse to registre.
BBR
BBR relaterer sig til bygninger og enheder og består af tre registre – BBRstamregister,
BBR-ændringsregister og Historisk register. Ændringsregistret
indeholder oplysninger om igangværende byggesager på bygnings- og
enhedsniveau, indtil de ved afslutning bliver overført til Stamregistret.
203

Stamregistret indeholder data vedrørende eksisterende/færdige bygninger
og det Historiske register indeholder oplysninger om gennemførte ændringer
i bygnings- og boligmassen.
BBR er oprettet af kommunerne i 1977-79. Registret er landsdækkende
og har til formål at tilvejebringe en systematisk registrering af bygge-
og boligforholdene til brug ved såvel statslige som kommunale myndigheders
administration og planlægning. Alle personer med et »anerkendelsesværdigt
formål har desuden adgang til registret under forudsætning af, at
oplysningerne ikke anvendes til markedsføringsformål. Af egenskabsdata i
BBR kan nævnes:
Ejendom: Ejendomsnummer
Beliggenhed/adresse
(vejkode, husnr. og bogstav)
Ejerforhold
Installationer (vandforsyning og afløbsforhold)
Antal bygninger
Tilnærmet etageareal
Bebygget areal
Småbygningernes areal
Samlet erhvervsareal
Bygning: Bygningsnummer
Anvendelse
Adgangsforhold
Opførelsesår
Konstruktionsforhold
Ydervægs- og tagdækningsmateriale
Samlet bygningsareal
Bebygget areal
Antal etager
Varmeinstallationer og opvarmningsmiddel
Bolig- og erhvervsenhed: Anvendelse
Boligtype
Toilet-, bad- og køkkenforhold
Arealer og værelser til beboelse og erhverv
204

ESR
ESR blev udviklet i begyndelsen af 1970’erne som grundlag for kommunernes
vurderings- og ejendomsbeskatningsopgaver. Registret er et landsdækkende
register over vurderingsejendomme og anvendes i dag af kommuner,
stat og andre i forbindelse med lov- og planlægningsmæssige opgaver.
Kommunerne har ifølge registerforskrifterne adgang til egne data,
mens private kan få adgang via en kontrakt med Boligministeriet. ESR er
omfattet af »Lov om Personregistre«, hvorfor der kun må videregives offentlige
tilgængelige oplysninger herfra. Af egenskabsdata i ESR kan nævnes:
Ejendom
Ejendomsnummer
Ejerlavskode
Matrikelnummer
Seneste vurderings benyttelseskode
Skødedato
Købesum
Zonekode
Bygning på lejet grund
Kilde: GeoForum Danmark (1995).
205

Appendiks 4
Geografiske informationssystemer (GIS)
GIS er et computerbaseret system, der anvendes til at gemme og håndtere
store mængder rumligt refereret data (geografiske informationer). Systemet
er designet således, at det er muligt at analysere objekter og fænomener,
for hvilke den geografiske placering er vigtig karakteristik set og essentiel
for den videre analyse.
Rumlige data kan grundlæggende fremstilles vha. tre forskellige datamodeller:
vektormodellen, rastermodellen eller TIN-modellen. I vektormodellen
er virkeligheden beskrevet via punkter, linjer og polygoner. Punkter
er repræsenteret ved en enkelt (x,y) koordinat, linjer ved start- og slutpunkt
igen baseret på (x,y) koordinater, og polygonerne er sammensat af flere liner
med det samme start- og slutpunkt. Bag hvert enkelt objekt findes informationer
såsom objektets udformning, udstrækning, topologi og koordinater.
Det er disse informationer, der danner grundlag for den rumlige analyse,
som fx hvorvidt et punkt er indeholdt i et objekt.
I rastermodellen er rummet underopdelt i kvadratiske celler, hvor hver
celle er angivet ved et række- og kolonnenummer. Der eksisterer ikke, som
i vektormodellen, informationer om samhørighed de enkelte celler imellem,
men der er til hver enkelt celle knyttet en værdi, der repræsenterer
nogle egenskaber forbundet med området inden for denne celle. Et punktobjekt
er således i rastermodellen udtrykt i form af en enkelt celle, mens
linje- og fladeobjekter består af en gruppering af celler med samme værdi/egenskaber.
En rastermodel vil selvsagt give et noget mere forenklet bil-
206

lede af virkeligheden end vektormodellen, men er til gengæld ikke så kompleks
at arbejde med.
Til forskel fra vektor- og rastermodellerne, som begge sigter mod en
generel beskrivelse af rumlige objekter, anvendes TIN-modellen kun i forbindelse
med præsentationer af kontinuerte overflader, dvs. overfladernes
topografi. TIN står for »triangulær irregulær netværk«. Navnet dækker
over det faktum, at overfladeformer i TIN beskrives ved sammenkædede
trekanter. Modellen indeholder ud over højdeværdier for de enkelte trekanter
informationer om, hvilke øvrige trekanter der grænses op til samt hældningsgrad
og hældningsretning. I områder med stor variabilitet har TINmodellen
den fordel, at den opdeler området i mindre dele, og modellen
kan anvendes til at lave en såkaldt visibilitetsanalyse, der viser synligheden
fra et bestemt punkt afhængig af områdets topografi.
Kilde: Undervisningsnoter fra kurset Introduktion til GIS.
207

Appendiks 5
Areal Informations Systemet (AIS)
Areal Informations Systemet (AIS) er en database indeholdende miljø- og
naturdata, der kan stedfæstes geografisk. Formålet med udviklingen af AIS
har været at sammenstille og integrere miljø- og naturdata i et geografisk
informationssystem (GIS), således at behovet for en sammenhængende og
ensartet kortlægning til brug for Miljø- og Energiministeriets administration,
overvågning og forskning på området, dækkes. Systemet er det første
danske forsøg på at integrere geografiske data inden for miljø- og naturområdet
og er meget velegnet til at samle og præsentere informationer herfor.
Udviklingen af systemet blev gennemført i perioden 1996-2000.
AIS er udviklet som et samarbejdsprojekt mellem Danmarks Miljøundersøgelser
(DMU), Danmarks og Grønlands Geologiske Undersøgelse
(GEUS), Forskningscentret for Skov & Landskab (FSL), Skov- og Naturstyrelsen
(SNS), Miljøstyrelsen (MST), Energistyrelsen (ENS), Kort &
Matrikelstyrelsen (KMS), Landsplanafdelingen (LPA), Ministeriet for Fødevarer,
Landbrug og Fiskeri, amterne, Københavns Kommune samt Farvandsvæsenet.
Det er ud over at skulle kunne anvendes inden for Miljø- og
Energiministeriets ressort også hensigten, at systemet skal kunne anvendes
af andre institutioner og enkeltpersoner med interesse for natur- og miljøforhold
i Danmark.
AIS er bygget op af en række data i form af temakort med tilhørende
tabeller og metodebeskrivelse for anvendelse af databaser og digitale kort.
Hoveddatasættet i AIS er et arealanvendelseskort, der opdeler Danmark i
208

Tabel
A5.1
ca. 2.000.000 polygoner og ca. 30 arealanvendelseskategorier. Kortet er et
topologisk kort i målestoksforholdet 1:25.000.
Arealanvendelseskortet danner et sammenhængende kort over terrestriske
naturtyper, skove, vandløb, søer, kyster samt landbrugsområder og
byer. Disse suppleres med topografiske kort dækkende land- og vandarealer.
De supplerende kort omfatter vegetationskort, bebyggede områder,
jordartskort, kort over havbundstyper og kyst- og landegrænser. Arealanvendelsen
i byer er angivet som bebyggelsestyper for arealer på 100x100
meter i områder, hvor mere end 2% af arealet er bebygget.
Desuden indgår en række administrative data fordelt på 5 temaer:
• Planlægning (byzoner, byudviklingszoner, sommerhusområder, landzoner)
• Beskyttede områder (fredningsgrænser, EF-fuglebeskyttelsesområder,
EF-habitatområder, Ramsar-områder)
• Ressourcer (drikkevandsområder, råstofområder)
• Tekniske anlæg og forurenede arealer (vindmøller, affaldsdepoter)
• Turisme (campingpladser, vandrehjem, hoteller)
I tabel A5.1 ses en oversigt over data i AIS:
Oversigt over data i Areal Informations Systemet
1. Arealanvendelseskort • Arealanvendelseskortet
2. Andre basiskort • Satellitbilledarkivet
• Land Cover Map
• Land Cover Plus
• Klassifikation af bebyggede områder
• Danmarks jordarter 1:25.000
• Danmarks jordarter 1:200.000
• Havbundstyper
• Dybdemodel for indre danske farvande
• Kyst- og Landegrænse I
• Kyst- og Landegrænse II
• Kyst- og Landegrænse III
• Havet omkring Danmark
3. Hydrologi • Vandløb
• Søer
• Små søer
• Aktuelle vådområder
• Oplandsgrænser
• Målestationer
4. Planlægning • Kommuneplanlagte bygrænser
• Byzoner
• Landsbyafgrænsninger
209

1. Arealanvendelseskort • Arealanvendelseskortet
210
• Landzonelokalplaner
• Sommerhusområder
• Sommerhusaftaleområder
5. Natur- og kulturbeskyttelse • Beskyttede naturtyper (§3)
• Natur- og vildtreservater
• EF-Habitatområder
• EF-Fuglebeskyttelsesområder
• Ramsar-områder
• Arealfredninger
• Linjefredninger
• Punktfredninger
6. Ressourcer • Drikkevandsinteresser
• Råstofområder på havbunden
7. Forurenede arealer og tekniske anlæg • Affaldsdepoter
• Vindmølleområder
8. Turisme • Campingpladser
• Vandrehjem
• Hoteller
Data i AIS stammer fra 1996-99, og der er et løbende behov for opdatering,
hvilket selvfølgelig bør tages med i overvejelserne inden brug. Data
er i langt højere grad end tidligere offentligt tilgængeligt, og der bliver løbende
arbejdet på at udvide adgangen. Nedenstående regler for anvendelse
af data i AIS er gældende pr. 1. juli 2000:
• Der er fri adgang til alle data i AIS med undtagelse af GEUS´ geologiske
temaer, Satellitbilledarkivet og temaet Kommuneplanlagte bygrænser.
• Udgifter i forbindelse med levering af data betales af modtageren. Institutioner,
der har leveret data til projektet, betaler ikke leveringsomkostninger.
• Data i AIS må ikke anvendes kommercielt uden skriftlig aftale med den
dataproducerende part.
• Ved anvendelse af data fra AIS skal datakilden citeres.
Kilde: Nielsen et al. (2000).

Appendiks 6
Generelt LandbrugsRegister (GLR) og Centralt
HusdyrbrugsRegister (CHR)
Generelt LandbrugsRegister/Centralt HusdyrbrugsRegister (GLR/CHR)
varetages af Ministeriet for Fødevarer, Landbrug og Fiskeri. Opbygningen
af registersystemet blev påbegyndt af det daværende Landbrugsministerium
i 1992. Formålet var at etablere et integreret IT-system til forvaltning
og kontrol af forskellige EF-støtteordninger, til identifikation af marker,
samt til identifikation og registrering af dyr.
Indholdet i GLR/CHR ses i figur A6.1.
211

Figur
A6.1
Indholdet i GLR/CHR (Ministeriet for Fødevarer, Landbrug og Fiskeri
1998)
212
Markplaner Markblokke
Hektarstøtteansøgninger
Ejendomme
Adresser
Sted
Virksomheder
Nøgletal
(Gødnings- og
Sædskifteplaner)
CHR-nr./Besætn.
Veterinære
oplysninger
Zoonose
oplysninger
Grundoplysninger Opgaverelaterede oplysn.
Sammenhænge (relationer)
Grundoplysningerne i registret består af oplysninger vedrørende virksomheder,
ejendomme, adresser, blokregistret og CHR-numre/besætninger.
Virksomhedsregistret består af en registrering af samtlige danske landbrugsvirksomheder
med SE-nr. og/eller ejerens/brugerens CPR-nr. som
identifikation. Registret indeholder virksomhedsoplysninger som postadresse,
telefonnummer og branche. Virksomhedsregistret udgør det centrale
element i sammenkædningen af informationer vedr. den enkelte bedrift.
Grundoplysninger vedrørende ejendomme består af registrering af beliggenhed
(adresse), ejerskabsforhold, landbrugsnotering, matrikelenheder
samt arealet af disse. Registreringerne vedr. ejendomme baseres på oplys-

ninger fra Det Fælleskommunale Ejendomsstamregister (ESR) og Kort- og
Matrikelstyrelsens matrikelregister.
Adresseregistret knytter de registrerede adresser til et sted. En adresse
er enten en beliggenhedsadresse eller en adressat. Beliggenhedsadressen
består af et vejnavn, husnummer, evt. bynavn samt postnummer/-distrikt.
Adressaten består af et personnavn eller et virksomhedsnavn kombineret
med en beliggenhedsadresse. Sted er defineret ved kommunenummer, vejkode
og husnummer. Stedregistret indeholder desuden adressekoordinater,
så alle adresserelaterede oplysninger i databasen kan knyttes til et digitalt
kort.
Blokregistret kaldes også markregistret. Dette register anvendes i forbindelse
med den administrative kontrol af hektarstøtteordningerne. I denne
del af registret findes oplysninger om bloknumre og arealer mv.
CHR-numre/besætninger indeholder en registrering af samtlige kendte
danske kvæg-, svine-, fåre-, og gedebesætninger. Desuden findes en registrering
af de besætninger med hjortedyr og ræve, der er anmeldt over for
Veterinær- og Direktoratet, samt registrering af kommercielle fjerkræsbesætninger.
De opgaverelaterede oplysninger indeholder bl.a. veterinære oplysninger
som import af dyr og mistanke/udbrud af sygdomme. Der forefindes
hektarstøtteoplysninger som bedriftens areal, fordelingen af arealet på afgrødetyper,
markplaner og markernes geografiske placering. Desuden findes
et zoonoseregister, som er et centralt led i bekæmpelsen af salmonella i
danske svinebesætninger. Nøgletalsoplysninger indgår også i registret.
Nøgletalsoplysninger er en række oplysninger fra gødningsregnskaber fra
ca. 30.000 af Plantedirektoratet udvalgte bedrifter.
Data fra CHR er offentligt tilgængelig på nettet, mens udlevering af
eventuelt personfølsomme data fra GLR skal godkendes i Datatilsynet, der
ofte stiller betingelser om, at data fx ikke må videregives, skal slettes efter
brug e.l. (Svarer 2002).
Aktuelle data kan rekvireres fra Fødevareministeriets driftsleverandør
(LEC) mod betaling af omkostningerne. Dette kan være relativt dyrt, hvorfor
en anden løsning kan være at kontakte Danmarks Jordbrugsforskning,
der ligger inde med udtræk fra registrene. Disse udtræk er et par år gamle
213

(1998, 1999, 2000), men kan også købes en del billigere (de yder endog
studierabat).
Kilde: Ministeriet for Fødevarer, Landbrug og Fiskeri (1998).
214

Tabel
A7.1
Appendiks 7
Definitionen på en dyreenhed (DE)
Ifølge BEK nr. 604 af 15/07/2002 bilag 1 er en dyreenhed (DE) fastsat ud
fra 100 kg N ab lager per DE i det staldsystem med mindst kvælstoftab.
Ved beregning af dyreenheder anvendes omregningsfaktorer præsenteret i
tabel A7.1 bestemt ud fra normtal 2000 udarbejdet af Danmarks Jordbrugsforskning:
Omregningsfaktor til beregning af DE
Svin
Husdyrart Enhed Antal enheder til 1 DE
Søer med grise til fravending
(4 uger ~ 7,2 kg)
1 årsso 4,3
Smågrise fra 7,2 til 30 kg 1 produceret dyr 175
Slagtesvin fra 30 til 100 kg 1 produceret dyr 36
Der bemærkes endvidere:
1. Normalt opdræt af polte til erstatning af udsatte avlsdyr er indeholdt i
»søer«, dvs. polte tæller som søer fra 1. løbning. Indtil 100 kg beregnes
polte som slagtesvin.
2. Ved afvigende vægtgrænser for smågrise og slagtesvin skal korrigeres
på følgende måde:
a. Fra 7,2-40 kg: 4000 kg tilvækst beregnes som 1 DE
b. Fra 40-87 kg: 2500 kg tilvækst beregnes som 1 DE
c. Fra vægte over 87 kg: 2000 kg tilvækst beregnes som 1 DE
215

3. Ved en højere fravænningsvægt end 7,2 kg ændres omregningsfaktoren
for søer med grise til fravænning på samme måde som nævnt under
punkt 2. Ændringen beregnes ud fra det aktuelle antal pattegrise.
Kilde: BEK nr. 604 af 15/07/2002.
216

Tabel
A8.1
Appendiks 8
Indledende modelestimation af landsmodellen
baseret på det oprindelige datasæt
Det oprindelige datasæt inden opdelingen i tre amtslige datasæt bestod af
1339 huse solgt i 1990 eller senere.
I tabel A8.1 præsenteres de fire husprisfunktioners parameterestimater
for svinetryksfunktionen og dens variabler på baggrund af det samlede datasæt
for de tre amter.
Parameterestimater for svinetryksfunktionen i det samlede datasæt
for de tre amter
Lineær Semilogaritmisk Dobbeltlogaritmisk Invers semilog
Adj. R 2 = 0,4887 Adj. R 2 = 0,4738 Adj. R 2 = 0,5203 Adj. R 2 = 0,5299
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Svinetryksfunkt.
-60142,5

Tabel
A8.2
Modelestimationen fortsætter i proc reg, hvor de første regressioner af
de fire husprisfunktioner resulterer i tabel A8.2’s parameterestimater og
signifikansniveauer for variablerne. I tabellen er de insignifikante variabler
farvet lysegrå. De resterende variabler er signifikant forskellige fra nul på
95%-niveau.
Parameterestimater og signifikansniveauer i de fire funktioner
218
Lineær Semilogaritmisk Dobbeltlogaritmisk
Invers semilog
Adj. R 2 = 0,4866 Adj. R 2 = 0,4706 Adj. R 2 = 0,5165 Adj. R 2 = 0,5273
Variabel Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀ Estimat Pr>׀t׀
Intercept 1522377

Tabel
A8.3
I første omgang smides de variabler ud, der er insignifikante i alle fire
funktioner. Dernæst forbedres de fire funktioner yderligere enkeltvis ved at
smide resterende insignifikante variabler ud. De endelige husprisfunktioner
indeholder de tiloversblevne umarkerede variabler fra tabellen, der således
er signifikant forskellige fra nul i de funktioner, hvori de indgår. I tabel
A8.3 ses de endelige parameterestimater for de fire husprisfunktioner for
det samlede datasæt.
Parameterestimater og signifikansniveauer for de fire endelige husprisfunktioner
for det samlede datasæt for de tre amter
Lineær Semilogaritmisk Dobbeltlogaritmisk Invers semilog
Adj. R 2 = 0,4871 Adj. R 2 = 0,4743 Adj. R 2 = 0,5193 Adj. R 2 Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
= 0,5283
Variabel Estimat Estimat Estimat Estimat
Intercept 1392884

amtsdummyer er ens, og det udelukkes derfor, at der er tale om et samlet
marked bestående af datasættet fra Vestsjællands Amt og Århus Amt.
Hermed har test altså vist, at de tre amtsdatasæt ikke kan siges at udgøre et
samlet husmarked, og datasættene behandles derfor hver for sig i selve
værdisætningsundersøgelsen.
220

Tabel
A9.1
Appendiks 9
Loglikelihood for Vestsjællands Amt
Den Box-Cox-ækvivalente metode til valg af funktionel form udføres på
de fire funktioner inden den endelige udsmidning af variabler. Funktionerne
indeholder derfor stadig nøjagtig de samme variabler. Metoden anvendes
her på datasættet for Vestsjællands Amt.
Udvalgte λ-værdier og de tilhørende (-2*loglikelihood)-værdier)
λ -2*loglikelihood
0 14441,91
0,35 14412,65
0,37 14412,10
0,39 14411,67
0,41 14411,36
0,43 14411,16
0,45 14411,08*
0,47 14411,12
0,49 14411,27
0,51 14411,54
0,53 14411,92
0,55 14412,42
1 14453,05
I tabel A9.1 ses, at minimumsværdien af (-2*loglikelihood) svarer til λ =
0,45 for de utransformerede forklarende variabler. Minimum af funktionen
(-2*loglikelihood) svarer til maksimum i loglikelihood-funktionen. I ne-
221

Figur
A9.1
denstående figur A9.1 er λ og de dertil hørende (-2*loglikelihood)-værdier
illustreret.
Plot af (-2*loglikelihood) mod λ, for utransformerede forklarende
variabler
222
T
W
O
L
O
G
L
14450
14440
14430
14420
0. 0 0. 3 0. 6
LAM
0. 9

Tabel
A10.1
Appendiks 10
Århus Amt
I tabel A10.1 præsenteres de fire husprisfunktioners parameterestimater for
svinetryksfunktionen og dens variabler på baggrund af datasættet for Århus
Amt.
Parameterestimater for svinetryksfunktionen i husprisfunktionerne for
datasættet fra Århus Amt
Lineær Semilogaritmisk Dobbeltlogaritmisk
Invers semilog
Adj. R 2 = 0,5519 Adj. R 2 = 0,5162 Adj. R 2 = - Adj. R 2 = 0,5633
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
0,8932
Svinetryksfunkt.
-37377,4 0,0927 -
0,00114
0,1765 konvergerer
ikke -
2455,93
Ring 2 1,41183 0,7080 1,03E11 0,9929 - - 3,24E10 0,9957
Ring 3 2,071574 0,7073 2,92E38 0,9882 - - 6,98E13 0,9967
Ring 4 22,55207 0,7478 2,60E70 - - - 4,56E25 0,9982
Ring 5 4,426433 0,7006 3,71E47 0,9834 - - 6,99E16 0,9972
Ring 6 1,342977 0,6805 3,23E21 0,9907 - - 1026941 0,9927
Ring 7 1,448153 0,6815 8,60E21 0,9904 - - 1466479 0,9929
Den dobbeltlogaritmiske funktion konvergerer ikke, men da de øvrige parameterestimater
for variablerne i svinetryksfunktionerne er insignifikante
(farvet lysegrå), behandles svinetryksfunktionen i den dobbeltlogaritmiske
funktion som de øvrige funktioner, og med samme begrundelse og test som
i selve opgaven lægges de syv ringe i hver af de fire funktioner derfor
sammen til én ring. Denne ring betegnes svinetryksvariablen (RING17) og
beskriver det samlede antal DE inden for 500 meter af det enkelte hus.
223

De første regressioner af de fire husprisfunktioner resulterer i tabel
A10.2’s parameterestimater og signifikansniveauer for variablerne. I tabellen
er de insignifikante variabler farvet lysegrå. De resterende variabler er
signifikant forskellige fra nul på 95%-niveau. Der er enkelte parameterestimater
i tabellen, der er farvet lysegrå uden at være insignifikante. Dette
er tilfældet for parameterestimater, der bliver insignifikante ved udsmidning
af allerede insignifikante parametre. Parametre, der bliver insignifikante
undervejs, smides også ud af modellen, derfor den grå farve.
224

Tabel
A10.2
Parameterestimater for de fire husprisfunktioner for datasættet fra
Århus Amt
Lineær Semilogaritmisk Dobbeltlogaritmisk Invers semilog
Adj. R 2 = 0,5508 Adj. R 2 = 0,5136 Adj. R 2 = 0,5244 Adj. R 2 Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
= 0,5573
Variabel Estimat Estimat Estimat Estimat
Intercept 2648329

Figur
A10.1
for den semilogaritmiske funktion. Det ses, at der ifølge Cooks-Distanceplottet
ikke er tegn på outliers, hvorimod der i plottet over standardiserede
residualer ses, at fire observationer falder udenfor. Disse fire observationer
falder dog ikke ud som outliers i de tre andre funktioner og bliver derfor i
datasættet
Plot af Cooks Distance og de standardiserede residualer mod de
prædikterede huspriser
Undersøgelse af multikollinaritetsproblemer foretages ved hjælp af scatterplot
for datasættet fra Århus Amt, figur A10.2. Der ses tendens til en
voksende sammenhæng mellem det vægtede areal og antallet af værelser,
men det formodes ikke, at denne kollinaritet vil påvirke parameterestimatet
for svinetryksvariablen.
226

Figur
A10.2
Scatterplot for sammenhænge mellem udvalgte variabler
423. 20
V_AREAL
47. 80
K_ALDER
1
269
GRUNDST
193
18943
VAERELS
1
9
RING17
57
514
AFSTAND
6
21
227

Tabel
A11.1
Appendiks 11
Loglikelihood for Århus Amt
Denne Box-Cox-ækvivalente metode til valg af funktionel form udføres på
de fire funktioner inden den endelige udsmidning af variabler. Funktionerne
indeholder derfor stadig nøjagtig de samme variabler. Metoden anvendes
her på datasættet for Århus Amt.
Udvalgte λ-værdier og de tilhørende (-2*loglikelihood)-værdier
228
λ -2*loglikelihood
0 12598,82
0,60 12545,58
0,62 12545,27
0,64 12545,05
0,66 12544,92
0,68 12544,89
0,70 12544,95
0,72 12545,10
0,74 12545,34
0,76 12545,67
0,78 12546,10
0,80 12546,62
1 12556,79
I tabel A11.1 ses, at minimumsværdien af (-2*loglikelihood) svarer til λ =
0,68 for de utransformerede forklarende variabler. Minimum af funktionen
(-2*loglikelihood) svarer til maksimum i loglikelihood-funktionen. I ne-

Figur
A11.1
denstående figurer A11.1 er λ og de dertil hørende (-2*loglikelihood)værdier
illustreret.
Plot af (-2*loglikelihood) mod λ for utransformerede forklarende
variabler)
T
W
O
L
O
G
L
12590
12580
12570
12560
12550
0. 0 0. 3 0. 6
LAM
0. 9
229

Tabel
A12.1
Appendiks 12
Fyns Amt
I tabel A12.1 præsenteres de fire husprisfunktioners parameterestimater for
svinetryksfunktionen og dens variabler på baggrund af datasættet for Fyns
Amt.
Parameterestimater for svinetryksfunktionerne i husprisfunktionerne
for datasættet fra Fyns Amt
230
Lineær Semilogaritmisk Dobbeltlogaritmisk Invers semilog
Adj. R 2 = 0,5223 Adj. R 2 = 0,5209 Adj. R 2 = 0,5849 Adj. R 2 = 0,5889
Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
Variabel Estimat Estimat Estimat Estimat
Svinetryksfunkt.
37308,14 0,1665 0,056668 0,1626 0,059055 0,1158 42231,61 0,0865
Ring 2 0,276058 0,7348 0,42336 0,7409 0,4818 0,7121 0,2999 0,6760
Ring 3 2,811747 0,7032 3,191851 0,7251 2,8875 0,6936 2,1618 0,6315
Ring 4 0,162549 0,7362 0,188467 0,7450 0,2688 0,7073 0,2362 0,6614
Ring 5 0,563472 0,6785 0,921717 0,6957 1,0556 0,6648 0,5933 0,6069
Ring 6 0,69105 0,6782 0,835786 0,6993 0,9261 0,6674 0,6864 0,6074
Ring 7 1,127926 0,6766 2,10035 0,7053 2,0315 0,6735 0,9561 0,6047
Alle parameterestimater for variablerne i svinetryksfunktionerne er insignifikante
(farvet lysegrå), og med samme begrundelse og test som i selve opgaven
lægges de syv ringe derfor sammen til én ring. Denne ring betegnes
svinetryksvariablen (RING17) og beskriver det samlede antal DE inden for
500 meter af det enkelte hus.
De første regressioner af de fire husprisfunktioner resulterer i tabel
A12.2’s parameterestimater og signifikansniveauer for variablerne. I tabel-

Tabel
A12.2
len er de insignifikante variable farvet lysegrå. De resterende variabler er
signifikant forskellige fra nul på 95%-niveau.
Parameterestimater for de fire husprisfunktioner for datasættet fra
Fyns Amt
Lineær Semilogaritmisk Dobbeltlogaritmisk Invers semilog
Adj. R 2 = 0,5229 Adj. R 2 = 0,5206 Adj. R 2 = 0,5861 Adj. R 2 Pr>׀t׀ Pr>׀t׀ Pr>׀t׀ Pr>׀t׀
= 0,5908
Variabel Estimat Estimat Estimat Estimat
Intercept -2210651 0,1149 8,48948

Figur
A12.1
Efter udsmidning af insignifikante parametre undersøges datasættet for
eventuelle outliers. Til dette formål ses på plot af Cooks Distance og de
standardiserede residualer. I figur A12.1 vises som eksempel plot af Cooks
Distance og de standardiserede residualer mod de prædikterede huspriser
for den semilogaritmiske funktion. Det ses, at der ifølge Cooks Distanceplottet
ikke er tegn på outliers, hvorimod der i plottet over standardiserede
residualer ses, at tre observationer falder udenfor. Disse tre observationer
falder dog ikke ud som outliers i de tre andre funktioner og bliver derfor i
datasættet.
Plot af Cooks Distance og de standardiserede residualer mod de
prædikterede huspriser
Undersøgelse af multikollinaritetsproblemer foretages ved hjælp af scatterplot
for datasættet fra Fyns Amt, figur A12.2. Der ses tendens til en voksende
sammenhæng mellem det vægtede areal og antallet af værelser, men
det formodes ikke, at denne kollinaritet vil påvirke parameterestimatet for
svinetryksvariablen.
232

Figur
A12.2
Scatterplot for sammenhænge mellem udvalgte variabler
V_AREAL
62.00
420.00
K_ALDER
1
326
GRUNDST
172
35070
VAERELS
1
9
RING17
55
428
AFSTAND
6
25
233

Tabel
A13.1
Appendiks 13
Loglikelihood for Fyns Amt
Denne Box-Cox-ækvivalente metode til valg af funktionel form udføres på
de fire funktioner inden den endelige udsmidning af variabler. Funktionerne
indeholder derfor stadig nøjagtig de samme variabler. Metoden anvendes
her på datasættet for Fyns Amt.
Udvalgte λ-værdier og de tilhørende (-2*loglikelihood)-værdier
234
λ -2*loglikelihood
0 8084,54
0,45 8061,42
0,47 8061,19
0,49 8061,03
0,51 8060,94
0,53 8060,91*
0,55 8060,95
0,57 8061,05
0,59 8061,22
0,61 8061,46
0,63 8061,76
0,65 8062,12
1 8078,86

Figur
A13.1
I tabel A13.1 ses, at minimumsværdien af (-2*loglikelihood) svarer til λ =
0,53 for de utransformerede forklarende variabler. Minimum af funktionen
(-2*loglikelihood) svarer til maksimum i loglikelihood-funktionen. I nedenstående
figur A13.1 er λ og de dertil hørende (-2*loglikelihood)værdier
illustreret.
Plot af (-2*loglikelihood) mod λ for utransformerede forklarende
variabler
T
W
O
L
O
G
L
8080
8075
8070
8065
0. 0 0. 3 0. 6
LAM
0. 9
235

Tabel
A14.1
Appendiks 14
Ejendomsmæglerinterviewundersøgelsen
I forbindelse med værdisætningsundersøgelsen af gener forbundet med at
bo i nærheden af en svinebedrift er der foretaget en telefonisk interviewundersøgelse
blandt ejendomsmæglere opererende i de udvalgte lokalområder.
Formålet med ejendomsmæglerundersøgelsen har været at skaffe et
sammenligningsgrundlag for de estimerede husprispåvirkninger samt et
grundlag til at vurdere rimeligheden af de gjorte antagelser.
De medvirkende ejendomsmæglere er listet i tabel A14.1. Der indgår 7
mæglere fra Vestsjællands Amt, 3 fra Fyns Amt og 3 fra Århus Amt.
Medvirkende ejendomsmæglere
Nr. Ejendomsmægler Telefonnummer
1 Thomas Christensen, EDC Ringsted 57671999
2 Jan Jensen, Bolig Sjælland 57676768
3 Jens Christensen, EDC Sorø 57861100
4 Home (Store Merløse) 57674600
5 Danbolig (Vallekilde) 59628404
6 Home Holbæk (Gislinge) 59435959
7 Lars Olesen, Danbolig (Gislinge) 59441112
8 Karl Åge Hansen, EDC (Randers/Mariager) (Øster
Tørslev)
98541288
9 Leo Jensen, Real (Mejlby) 86423999
10 Erling Christensen, Nybolig Grenå (Lyngby) 86322422
11 Kasper Vorre, Nybolig Assens 64714300
12 Channe Broholm, Bolig Fyn, Ringe 63622120
13 Hans Sylvest, Nybolig Fåborg 62611616
236

De medvirkende mæglere blev stillet følgende spørgsmål:
a. Har De/du erfaring med salg af enfamilies parcelhuse på landet?
b. Har det betydning for husprisen for enfamilies parcelhuse på landet, at
der ligger en større husdyrbedrift i nærheden?
c. Er huskøberne opmærksomme på, om der ligger husdyrbedrifter i nærheden?
d. Er der forskel på betydningen af svin og kvæg?
e. Har bedriftens størrelse nogen betydning for huspriseffekten?
f. Hvor langt fra bedriften kan der ses en påvirkning i huspriserne?
g. Har den herskende vindretning nogen effekt på husprisen?
h. Hvor stor en effekt ses i huspriserne (i procent)?
i. Hvilke gener forbinder huskøberne med nærhed til svinebedrifter?
j. Er der andre faktorer i området, der påvirker huspriserne (positivt/negativt)?
k. Hvad er middelhusprisen i jeres område?
l. Er der noget mønster i, hvor huskøberne kommer fra?
Af de 15 medvirkende mæglere kunne kun to svare nej til spørgsmål b). De
to mæglere (nr. 4 og 5) indgår derfor ikke i tabel A14.2, der lister de øvrige
mægleres svar på udvalgte spørgsmål. Spørgsmålene besvaret i tabel
A14.2, er udvalgt, da mæglerne på disse spørgsmål ikke giver enslydende
svar. Ud over tabel A14.2’s spørgsmål og svar er der yderligere et par bemærkninger:
• Spørgsmål b): af 13 bekræftende mæglere bemærker mægler nr. 1, at
større husdyrbedrifter i nærheden af et hus ikke kun kan mærkes på prisen,
men også på omsætteligheden af huset, idet der er færre købere til
et sådan hus.
• Spørgsmål d): alle 13 mæglere svarer, at det er en del værre at bo i nærheden
af en svinebedrift end en kvægbedrift.
• Spørgsmål e): 12 af de 13 mæglere svarer, at større svinebedrifter er
værre end mindre. Mægler nr. 13 mener dog ikke, at det drejer sig om
bedriftens størrelse, men derimod om gyllebeholderens størrelse.
• Spørgsmål g): her svarer 12 af 13, at den herskende vindretning har en
tydelig effekt på husprispåvirkningen. Mægler nr. 3 mener dog ikke, at
køberne tager specielt hensyn til vindretningen. Huskøberne frygter, at
237

Tabel
A14.2
238
der også er sandsynlighed for lugtgener i de øvrige retninger, da vinden
jo ikke altid blæser fra den herskende vindretning.
Ejendomsmæglernes svar på spørgsmål b, f, h, i, j, k og l
Nr. b) Huskøbereopmærksomme
på
husdyrbedrifter
i nærheden
f) Maksimal
afstand for
husprispåvirkning
af
nærhed til
svinebedrift
h) Husprispåvirkn.
i pct.
i) Gener forbundet
med
svinebedrifter
j) Andre påvirkninger
på
husprisen
1 Ja Synsfeltet Svært at sige Lugt Industri, støj,
tog, større
veje
2 Ja Inden for
synsvidde
ca. 1 km
I vindretningen
og inden
for synsvidde:
op til 20
%
3 Ja ca. 500 m 0-300 m: 15-
25 %, 300-
500 m:
stærkt aftangende
6 Ja, især i
den senere
tid pga. medieomtale
7 Ikke altid 3-500 m, afhængig
af
om bedrift/gyllebeholder
kan
ses fra huset
8 Hvis de er
inden for
synsvidde
Fluer og lugt.
Fluer er
værst.
Lugt, nærhed
til gylletanke
er værst. Det
er dog generelt
folks fordomme
og
ikke facts,
der spiller en
rolle.
1 km. 10-15 % Især lugt og
larm fra stalde
Inden for
synsvidde
9 Ja Ca. 300 m,
men der er
mange faktorer,
der spiller
ind
10 Ikke altid Gylletank inden
for synsvidde,
ca.
500 m
ca. 10 % Lugt og fluer
er værst,
men også
larm ved fodring
Meget forskelligt
Gyllelugt og
fluer, nærhed
til gylletank
Naturskønt
område og
god afstand
til Kbh.
Pendling muligt
til Kbh.
Naturskønt
Elledninger,
større veje,
jernbaner,
større afstand
til alting
Langt til alting,manglendeindkøbsmuligheder,pasningsmuligh.
osv.
Stor afstand
til alting, tung
trafik
10-15 % Lugt Store afstande
10-15 % Lugt Nærhed til
vand (sø og
hav)
k) Middelhuspris
ca.
1.000.000
l) Mønster i
hvor køberne
kommer fra
Hovedsagelig
folk fra
Roskilde og
København,
men også lokale
folk
1.300.000 Ca. 70 pct.
fra Roskilde
og Kbh.
Tendens til
at det er folk,
der realiserer
drømmen om
huset på
landet.
800-
1.300.000
? ?
Ca. 30-40%
fra Kbh.
1-1.200.000 Flest fra byerne,
især
Kbh.området
600.000 Især fra
Randers og
lokalt, men
ellers fra hele
landet
ca. 800.000 ca. 80% fra
landet
600-
1.000.000
Meget byfolk,
der realiserer
drømmen om
huset på
landet

Nr. b) Huskøbereopmærksomme
på
husdyrbedrifter
i nærheden
f) Maksimal
afstand for
husprispåvirkning
af
nærhed til
svinebedrift
11 Ja Inden for
synsvidde,
5-800 m
12 Ja, både
opmærksomme
på
stalde og gylletanke
13 Ja i stigende
grad
h) Husprispåvirkn.
i pct.
i) Gener forbundet
med
svinebedrifter
10-12% Lugt og fluer
fra stalde og
gyllebeholdere
? ? Lugt og gyllespredning
j) Andre påvirkninger
på
husprisen
Trafik, langt
fra alting
Planlagt motorvej,
støj
fra større veje
Synsfeltet 15-20% Lugt Mangel på
forretninger
og skole,
større afstande
til alting
k) Middelhuspris
l) Mønster i
hvor køberne
kommer fra
ca. 650.000 Primært lokale
ca. 750.000 Tendens til
byboere
ca. 750.000 Mest lokale
Ud fra ejendomsmæglernes svar synes en række af værdisætningsundersøgelsens
antagelser bekræftet. Det ses blandt andet, at huspriserne for huse
på landet påvirkes af husenes beliggenhed i nærheden af husdyrbedrifter.
Påvirkningen er klart tydeligst i nærheden af større svinebedrifter, hvor det
især er lugtgener, der er ansvarlig for husprispåvirkningen. Antagelsen om
at generne ved at bo i nærheden af en svinebedrift indgår i overvejelserne
omkring huskøb bekræftes, i og med at huskøberne er opmærksomme på
husets beliggenhed i forhold til husdyrbedrifter.
239

Appendiks 15
Oversigt over antallet og fordelingen af dyreenheder
(DE) på de bedrifter, der indgår i analysen
240
Vestsjællands Amt
DE i alt Andre
Kvæg
Svin
DE
DE
DE
76 76
114 114
86 86
57 57
48 48
71 71
19 19
315 73.7 241
49 49
60 60
167 167
60 60
54 54
43 43
71 71
176 129.98 46
63 63
27 27
81 8.78 73
97 97
63 63
54 54
45 45
67 67
24 24
83 83
97 97
103 103
95 95
54 54
296 296
55 55
83 83

Århus Amt
Andre Kvæg Svin
DE i alt DE DE DE
134 134
113 113
16 16
137 137
27 27
25 25
90 90
90 90
99 99
190 190
186 186
48 48
161 161
84 84
101 101
107 107
145 97 48
64 64
88 88
120 99.92 20
84 48.14 36
60 60
60 60
97 97
89 4.91 84
66 66
346 346
23 23
103 103
120 120
12 12
72 72
83 83
180 180
57 57
88 88
26 26
198 198
80 80
30 30
92 92
135 135
31 31
41 3.21 38
241

242
Fyns Amt
Andre Kvæg Svin
DE i alt DE DE DE
119 119
26 26
146 0.99 145
60 60
79 79
69 69
112 112
337 337
143 143
132 132
73 73
16 16
72 18.46 54
65 65
37 37
94 94
190 190
143 143
110 1.51 109
55 55
65 65
119 119
50 50
143 143

12 Litteraturliste
Anthon, S. & B.J. Thorsen (2002): Værdisætning af statslig skovrejsning –
en husprisanalyse. Skov og Landskab (FSL).
Batemann, I.J. (1992): The Economic Evaluation of Environmental Goods
and Services. Integrated Environmental Management. Vol. 14, pp. 11-14.
BEK nr. 604 af 15/07/2002: Bekendtgørelse om erhvervsmæssigt dyrehold,
husdyrgødning, ensilage mv.
http://www.retsinfo.dk/DELFIN/HTLM/B2002/0060405.htm
Bockstael, N.E. & K.E. McConnel (1998): The Behavioral of Non-market
Valuation. I: Herriges and Kling (eds): Valuing Recreation and the Environment:
Revealed Preference Method in Theory and Practice. New Horizons
in Environmental Economics Series. Edward Elgar Publishing Company.
Box, G.E.P. & D.R. Cox (1964): An Analysis of Transformation. Journal
of the Royal Statistical Society, Series B, Vol. 26:2, pp. 211-252.
Cassel, E. & R. Mendelsohn (1985): The choice of Functional Forms for
Hedonic Price Equations: Comment. Journal of Urban Economics, Vol. 18,
pp. 135-142.
243

Chattopadhyay, S. (1999): Estimating the Demand for Air Quality: New
Evidence Based on the Chicago Housing Market. Land Economics, 75:1,
pp. 22-38.
Cropper, L.; L.B. Deck & K.E. McConnell (1988): On the Choice of Functional
Form for Hedonic Price Equations. The Review of Economics and
Statistics, Vol. 70, pp. 668-675.
Damgaard, C.K. & Erichsen, E.H. (2000): Sæt pris på naturen –
Værdisætning af bynære skove og søer ved brug af husprismetoden. Speciale
på Forstkandidat- og Miljø- og Naturressourceøkonomiuddannelsen.
Den Kongelige Veterinær- og Landbohøjskole. Institut for Økonomi, Skov
og Landskab.
Danmarks Statistik (2002): Statistikbanken, www.dst.dk
Danmarks Statistik (2003): Statistikbanken, www.dst.dk
Freeman, A.M. III (1979): Hedonic Prices, Property Values and Measuring
Environmental Benefits: A Survey of the Issues. The Scandinavian Journal
of Economics.
Freeman, A.M. III (1993): The Measurement of Environmental and Resource
Values – Theory and Methods. Resources for the Future, Washington,
D.C.
Garrod, G.D. & K.G. Willis (1992): »Valuing Goods« Characteristics: An
Application of the Hedonic Price Method to Environmental Attributes.
Journal of Environmental Management, Vol. 34, pp. 59-76.
Garrod, G. & K.G. Willis (1999): Economic Valuation of the Environment
– Methods and Case Studies. Edward Elgar, Cheltenham, UK or
Northhampton, MA, USA.
244

Gawande, K. & H. Jenkins-Smith (2001): Nuclear Waste Transport and
Residential Property Values: Estimating the Effects of Percieved Risks.
Journal of Environmental Economics and Management, Vol. 42, pp. 207-
233.
GeoForum Danmark (1995): Administrativ Information.
http://www.geoforum.dk/format/pdf/afs_ba.pdf
Geoghegan, J.; L.A. Wainger & N.E. Bockstael (1997): Spatial Landscape
Indices in a Hedonic Framework: An Ecological Economics Analysis Using
GIS. Ecological Economics, Vol. 23, pp. 251-264.
Gilley, O.W. & R.K. Pace (1995): Improving Hedonic Estimation with an
Inequality Restricted Estimator. Review of Economics and Statistics, Vol.
77:4, pp. 609-621.
Goodman, A.C. (1978): Hedonic Prices, Price Indices and Housing Markets.
Journal of Urban Economics, Vol. 5, pp. 471-484.
Goodman, A.C. (1998): Andrew Court and the Invention of Hedonoc Price
Analysis. Journal of Urban Economics, Vol. 44, pp. 291-298.
Gravelle, H. & R. Reese (1992): Microeconomics. Second Edition, Longman,
London and New York.
Gyntelberg, F. (2000): Gyllespredning – en arbejds- og miljømediciners
synspunkt. Miljø og sundhed, nr. 15.
Haab, T.C. & K.E. McConnell (2002): Valuing Environmental and Natural
Resources: The Econometrics of Non-Market Valuation. New Horizons in
Environmental Economics Series. Edward Elgar Publishing Company.
Hage, J. (2002): Tegning til artiklen »Deodorant til grine« af Elisabeth
Lumby. Berlingske Tidende, 1. sektion, tirsdag d. 19. februar.
245

Halvorson, R. & H.O. Pollakowski (1981): Choice of Functional Form for
Hedonic price Equations. Journal of Urban Economics, Vol. 10, pp. 37-49.
Halvorson, R. & R.B. Palmquist (1980): The Interpretation of Dummy
Variables in Semilogarithmic Equations. American Economic Review, Vol.
70:3, pp. 474-475.
Hanley, N.; J.F. Shogren & B. White (1997): Environmental Economics –
in Theory and Practice. Macmillan Press Ltd., London, Great Britain.
Hanley, N. & C.L. Spash (1993): Cost-benefit Analysis and the Environment.
Edward Elgar, Cheltenham, UK or Northhampton, MA, USA.
Hasler, B.; C.K. Damgaard, E.H. Erichsen, J.J. Jørgensen & H.E. Kristoffersen
(2002): De rekreative værdier af skov, sø og naturgenopretning –
værdisætning af naturgoder med husprismetoden. AKF Forlaget, København.
Hofstätter, m (2002a): Lugten er et kæmpe-problem. Artikel i Landsbladet
af 29. august 2002 med temaet »mange måder at mindske lugten«, pp. 20.
Hofstätter, m (2002b): Ozon kan fjerne lugt, støv og mikroorganismer. Artikel
i Landsbladet af 29. august 2002 med temaet »mange måder at mindske
lugten«, pp. 29.
Hofstätter, m (2002c): Mindre ammoniak giver mindre lugt. Artikel i
Landsbladet af 29. august 2002 med temaet »mange måder at mindske lugten«,
pp. 27.
Hughes, W.T. Jr. & C.F. Sirmans (1992): Traffic Externalities and Single-
Family House Prices. Journal of Regional Science, Vol. 32:4, pp. 487-500.
Indenrigs- og sundhedsministeriet (2002): Kommunernes økonomi og service
– Indenrigs- og Sundhedsministeriets kommunale nøgletal 2002 samt
amtskommunale nøgletal.
246

Jensen, J.C. & N.H. Nørgaard (2002): Miljømæssige muligheder for svine-
og mælkeproducenter. Materiale udarbejdet i forbindelse med konferencedag
»Reduceret ammoniakfordampning og kemisk fældning med forsuret
gylle«, tirsdag d. 5. november 2002, i samarbejde med Staring Maskinfabrik,
Landsudvalget for Svin, Kemira Miljø og LandboNord.
Jensen, J.D. (2002): Personlig meddelelse. Fødevareøkonomisk Institut,
Ministeriet for Fødevarer, Landbrug og Fiskeri, Afdeling for Jordbrugspolitik,
Rolighedsvej 25, Frederiksberg C., Telefon 35286859.
Kahneman, D. & A. Tversky (1984): Choices, Values, and Frames. American
Psychologist, 39:4, pp. 341-350.
Kask, S.B. & S.A. Maani (1992): Uncertainty, Information and Hedonic
Pricing. Land Economics, Vol. 68:2, pp. 170-184.
Kort & Matrikelstyrelsen, 2000: Det Levende Danmarkskort 2000, cd-rom.
Lake, I.R.; A.A. Lovett, I.J. Bateman & B. Day (2000): Using GIS and
large-scale digital data to implement hedonic pricing studies. International
Journal of Geographical Information Science, Vol. 14:6, pp. 521-541.
Lancaster, K. (1966): A New Approach to Consumer Theory. Journal of
Political Economy, Vol. 74, pp. 132-57.
Lankford, R.H. (1988): Measuring Welfare Changes in Settings with Imposed
Quantities. Journal of Environmental Economics and Management,
Vol. 15, pp. 45-63.
Legget, C.G. & N.E. Bockstael (2000): Evidence of the Effects of Water
Quality on Residential Land Prices. Journal of Environmental Economics
and Management, Vol. 39, pp. 121-144.
Miljø- og Energiministeriet (2000): Pressemeddelelse af 15. december
2000. http://www.mem.dk/nyheder/presse/Dep/svinefarme.htm
247

Milon, J.; J. Gressel & D. Mulkey (1984): Hedonic Amenity Valuation and
Functional Form Specification. Land Economics, Vol. 60:4, pp. 378-387.
Ministeriet for Fødevarer, Landbrug og Fiskeri (1998): Introduktion til
GLR/CHR. Generelt LandbrugsRegister/Centralt HusdyrbrugsRegister. +
Appendiks: Struktur og dataindhold.
Nielsen, K.; m Stjernholm, B.Ø. Olsen, D-I. Müller-Wohlfeil, I.-L. Madsen,
A. Kjeldgaard, G.Groom, H.S. Hansen, A.M. Rolev, B. Hermansen,
H. Skov-Petersen, V.K. Johannsen, m Hvidberg, J.E. Jensen, V. Bacher &
H. Larsen (2000): Areal Informations Systemet. Miljø- og Energiministeriet
og Danmarks Miljøundersøgelser.
Otto, L. (1998a): Beslutningsteori, forbrugsteori og dualitet. Institut for
Økonomi, Skov og Landskab, Den kgl. Veterinær og Landbohøjskole, Frederiksberg.
Noter udleveret i forbindelse med kurset økonomisk teori.
Otto, L. (1998b): Forelæsningsnoter til Økonometri for jordbrugsøkonomer,
hæfte 2. Institut for Økonomi, Skov og Landskab, Den kgl. Veterinær
og Landbohøjskole, Frederiksberg.
Palmquist, R.B. (1991): Hedonic Methods. I: J.B. Braden and C.D. Kolstad
(eds): Measuring the Demand for Environmental Quality, kapitel 4, pp. 77-
120, North-Holland.
Palmquist, R.B. (1992): Valuing Localized Externalities. Journal of Urban
Economics, Vol. 31, pp. 59-68.
Palmquist, R.B. (1999): Hedonic Models. I: Handbook of Environmental
Economics, kapitel 53, pp. 765-776.
Palmquist, R.B.; F.M. Roka, & T. Vukina (1997): Hog Operations, Environmental
Effects, and Residential Property Values. Land Economics,
73:1, pp. 114-124.
248

Palmquist, R.B. & L.E. Danielson (1989): A Hedonic Study of the Effects
of Erosion Control and Drainage on Farmland Values. American Journal
of Agricultural Economics, Vol. 71:1, pp. 55-62.
Pedersen, C.L. (2000): Udtalelse til Ritzau d. 15.12.2000 under overskriften
»Producenter om forbud: Fuldstændigt uacceptabelt«.
Rao, P. & R.L. Miller (1971): Applied Econometrics. Belmont, Wadsworth.
Ridker, R.G. & J.A. Henning (1967): The determinants of residential property
values with special reference to air pollution. Review of Economics
and Statistics, Vol. 49, pp. 246-257.
Rosen, S. (1974): Hedonic Prices and Implicit Markets: Product Differentiation
in Pure Competition. Journal of Political Economy, Vol. 82:1, pp.
34-55.
Rygnestad, H. (2000): Integrating environmental economics and policy
analysis in a geographical information system. SJFI, Working Paper no. 4
Strand, J. & m Vågnes (2001): The Relationsship between property values
and railroad proximity: a study based on hedonic prices and real estate
broker’s appraisals. Transportation, Vol. 28, pp. 137-156.
Svarer, m (2002): Personlig meddelelse. Fuldmægtig. Ministeriet for Fødevarer,
Landbrug og Fiskeri, Informatikkontoret, 3. kontor, Holbergsgade
2, 1057 København K. Telefon: 33922038.
Tellerup, H.J. (2002): Personlig meddelelse. Researcher, cand.agro. Landsforeningen
af Danske Svineproducenter, Kartemagervej 9, 7000 Fredericia,
Telefon: 70258070.
Thing, A.B. (2002): Miljømæssige muligheder for svine- og mælkeproducenter.
Materiale udarbejdet i forbindelse med konferencedag »Reduceret
249

ammoniakfordampning og kemisk fældning med forsuret gylle«, tirsdag d.
5. november 2002, i samarbejde med Staring Maskinfabrik, Landsudvalget
for Svin, Kemira Miljø og LandboNord.
Thomas, R.L. (1993): Introductory Econometrics: Theory and Applications.
Second Edition, Longman, London and New York.
Told- & Skattestyrelsen (2001): Ejendomssalg 2. halvår 2000. Skatteministeriet.
Tyrvaïnen, L. & A. Miettinen (2000): Property Prices and Urban Forest
Amenities. Journal of Environmental Economics and Management, Vol.
39, pp. 205-223.
Undervisningsnoter fra kurset Introduktion til GIS.
Wing, S. & S. Wolf (2000): Intensive Livestock Operations, Health, and
Quality of Life among Eastern North Carolina Residents. Environmental
Health Perspectives, 180:3, pp. 233-238.
Zhu, J. & X. Li (2000): A field study on downwind odor transport from
swine facilities. Journal of Environmental Science and Health – Part B,
Vol. 35:2, pp. 245-258.
250

Summary
The Value of the nuisance related to hog operations by people
living nearby – using the hedonic valuation method
by Vibeke Hansen and Charlotte Juel Petersen, April 2003
The purpose of this paper is to carry out a hedonic valuation study of the
nuisance from hog operations on neighbouring households. Danish hog
operations are currently getting quite a lot of attention because of the ongoing
development towards fewer and larger farms. The attention is particularly
focused on the conflicts arising when a hog producer wishes to expand
production, and the neighbours try to oppose the expansion out of
concern for the increasing nuisance related to the expanded production and
the decrease in the value of their houses.
A lot of resources are invested in an attempt to reduce the nuisance
connected with hog operations. These investments will not be efficient for
society if the costs of reducing the nuisance are higher than the benefits
achieved. An economic analysis of an initiative to reduce hog production
related nuisance will therefore have to involve both the value of achieved
benefits and the costs of achieving them. For the most part the value of the
achieved benefits is unknown and will have to be estimated by using an
environmental valuation method such as the hedonic valuation method.
In relation to the nuisance related to hog operations, this paper assumes
that the most of the nuisance is experienced by people living nearby
the operations. It is also assumed that a change in the experienced nuisance
can be detected in house price changes.
251

The hedonic valuation method is used to estimate a value of the nuisance
related to living nearby a hog operation. That is the value a house
owner ascribes to the consequences of proximity to a hog operation. The
hedonic valuation method assumes that differences in house prices can be
explained by different house characteristics, i.e. structural characteristics of
the house and environmental qualities. In this paper the environmental
quality is affected by nuisances from hog operations. The paper describes
the aggregated nuisances from hog operations experienced by house owners
in a swine index. The swine index expresses the cumulative effect of all
hog operations, defined by number of animal units (DE), within 500 metres
of each house, weighted by distance.
By defining the quantity of swine in animal units (DE), it is possible to
sum all swine in the area, without regard to the size of each individual
swine. According to the definition of DE, 1 DE is equal to 175 pigs from
7.2-30 kg or 36 pigs from 30-100 kg.
Most of the data for Danish hedonic valuation studies is available in a
register. This paper has used data for a number of selected single family
houses traded within the period 1990-2002. The houses are chosen on the
basis of the criterion that at least one larger than average hog operation
must be located within 500 metres of the house. The total dataset consists
of 1339 usable observations from 3 separate counties.
Results
The project estimates a value of nuisance related to proximity to a hog operation.
The results of the hedonic valuation method show that an average
house in the chosen areas, all things being equal, is traded at a lower price
if the number of DE within 500 metres of the house is high. In two of the
three counties it is found that proximity to a hog operation causes statistically
significant declines in house prices. House prices decline by 0.05%
and 0.13% when the number of DE increases by 1%. No statistically significant
effect could be detected in the last county. A heavy intensification
of the number of DE from 50 DE to 450 DE causes house prices to decline
by up to 16% and 24% in the two counties, respectively. This means a decline
in price of a mean house of up to 125,000 DKK and 200,000 DKK,
respectively.
252

It must be noted that the estimated values only cover the direct use
values, i.e. the value a house owner ascribes to the consequences of proximity
to a hog operation. This is not an estimate of the total economic value
of nuisances related to hog operations.
Realtors operating in the chosen areas were interviewed, and they confirm
the assumptions and estimated differences in house prices from the
valuation study. 11 of 13 interviewed realtors confirm that house prices are
affected by proximity to a hog operation. They confirm that the size of the
hog operation and the distance to the house are important factors in explaining
differences in house prices. Furthermore, the realtors confirm that
odour is by far the most serious nuisance related to living nearby a hog operation.
The hog producing industry is investing a lot of resources in order to
develop plants to reduce the nuisance from hog operations. In the paper an
example of such a plant, a manure acidifying system, is examined from an
economic point of view. The costs related to installing and running a manure
acidifying system are compared to the estimated value of benefits
achieved by the reduction in nuisance as a result of installing the system. It
is shown that in a worst case scenario, the system will be profitable for society
if at least 55 single family houses within 500 metres in the first
county and at least 110 single family houses within 500 metres in the second
county experience the expected nuisance reduction.
253

Noter
1. Se appendiks 3 for en beskrivelse af BBR.
2. Miljøkvaliteten i nærværende undersøgelse består af flere faktorer i én, herunder lugt,
fluer, vandkvalitet m.m.
3. Da udbuddet af karakteristika for eksisterende huse er forudbestemt og forholdsvis dyrt
at ændre, betragtes udbudsfunktionen for karakteristika som uelastisk.
4. Lokale eksternaliteter påvirker kun mennesker i umiddelbar nærhed af kilden til forurening.
Der ses derimod ingen påvirkning af markedsligevægten.
5. Størrelsen R 2 (adj.) er den justerede R 2 . R 2 angiver, hvor stor en andel af variationen i
den afhængige variabel der forklares i modellen. Størrelsen af R 2 afhænger af antallet af
forklarende variable og antallet af observationer i modellen. For at kunne sammenligne
forskellige funktioners R 2 uden at skulle tage hensyn hertil, anbefales at anvende adj.
R 2 , der korrigerer R 2 for disse forhold (Thomas, 1993). Efterfølgende vil betegnelsen R 2
stå for adj. R 2 .
6. Principal komponent-metoden tester de enkelte variabler for korrelation og samler
eventuelt korrelerede variable i fælles variabler, der så bestemmer flere forhold på en
gang.
7. Definitionen på 1 DE ses i appendiks 7.
8. Det anvendte husprisindeks er hentet i Told- og Skattestyrelsens publikation Ejendomssalg
2. halvår 2000, hvorfra de kommunegruppe-inddelte husprisinddeks er anvendt.
9. At en ejendom er kondemneret, betyder, at den er erklæret uegnet til beboelse, og sandsynligvis
hverken har tilsluttet vand, el eller varme.
10. Købesummen fra ESR opgives som hovedejers andel af købesummen, hvorfor det er
nødvendigt at beregne hovedejers ejerandel heraf. Den samlede købesum beregnes herefter
ved at dividere den registrerede købesum med hovedejers ejerandel.
11. I Danmark er det almindelig praksis, at gyllebeholderen er placeret i nærheden af staldbygningerne.
12. Det kunne have været interessant med en samlet oversigt over antal og art af dyr på andre
bedrifter i nærområdet, men det rekvirerede datasæt fra CHR giver ikke mulighed
herfor, da det ikke indeholder oplysninger om de gårde, der ikke har svin tilknyttet bedriften.
En oversigt over det samlede antal DE og fordelingen af disse mellem svin,
kvæg og andet på de bedrifter, der indgår i analysen, er dog givet i appendiks 15.
254

13. Serviceniveauet er defineret som »Kommunernes budgetterede nettodriftsudgifter, korrigeret
for regionale lønvariationer pr. indbygger, divideret med kommunernes udgiftsbehov
(landsudligningen) pr. indbygger 1. jan. 2002« (Indenrigs- og Sundhedsministeriet
2002).
14. En ikke-lineær funktion forstås som en funktion, hvor forholdet mellem variablerne ikke
er lineært, men fx logaritmisk. Benævnelsen »lineær funktionel form« er således en
smule misvisende, men den beskriver en funktion, hvor alle andre variabler end svinetrykket
indgår utransformerede.
15. Denne form for test kan dog ikke give et præcist bud på, hvor en skillelinje mellem
markederne bør være.
16. Antagelsen om uændrede bedriftsstørrelser i forhold til bedriftsstørrelsen i 1999 betyder,
at den enkelte bedrift reelt kan have haft et andet antal DE på salgstidspunktet.
17. Likelihoodratio=2*(LogL(λopt) - LogL(λtest.)). Likelihoodratioværdien sammenlignes
med χ 2 -fordelingen på 5%-niveau med 2 frihedsgrader =5,99.
18. Muligheden for at udtale sig om den mindst dårlige funktion til beskrivelse af data er
anvendt i Tyrväinen & Miettinen (2000).
19. Muligheden for at udtale sig om den mindst dårlige funktion til beskrivelse af data er
anvendt i Tyrväinen & Miettinen (2000).
20. Muligheden for at udtale sig om den mindst dårlige funktion til beskrivelse af data er
anvendt i Tyrväinen & Miettinen (2000).
21. Proceduren for bestilling af data har gjort, at det var lettere at bestille data for hele veje
og efterfølgende, vha. GIS, udvælge huse, der opfyldte afstandskravet. De »overskydende«
huse fordeler sig således ikke jævnt i området som resten af datasættet, da de
afhænger af længden på de enkelte veje.
255