Modeller af boligmarkedet- hvorfor virker system dynamics

bvc.dk

Modeller af boligmarkedet- hvorfor virker system dynamics

MODELLER AF BOLIGMARKEDET – HVORFOR VIRKER SYSTEM DYNAMICS?

Af Knud Erik Wichmann, Johan Kjeldgaard-Petersen, Martin Mckinnon Edwards

INTRODUKTION

Mange aktører – ejendomsmæglere, økonomer, journalister, professorer osv. på det

danske boligmarked giver ofte deres bud på fremtiden for boligmarkedet. Pressen

vrimlede således med historier om fortsat vækst eller måske en ”blød landing”, da

priserne toppede i 2006. De kendte store, offentligt finansierede modeller af dansk

økonomi – Danmarks Statistiks ADAM, vismændenes SMEC og Nationalbankens MONA

– havde på dette tidspunkt i flere år skudt helt forbi den voldsomme stigning i

boligpriserne. Men netop i 2006 udviklede PA Consulting Group en såkaldt System

Dynamics-model af det københavnske boligmarked, som både kunne forklare de store

stigninger og forudsige det følgende voldsomme prisfald. Prognosen holder faktisk stadig i

dag på snart fjerde år.

Figur fra 2006

Figuren fra dengang viser de faktiske priser som en rød, stiplet linie. Den blå linie er

resultatet fra modellen, som splittes op i tre fremtidsscenarier: Den øverste kurve er et

”best case” scenarie, den midterste et ”base case” scenarie og den nederste et ”worst

case” scenarie. Fælles for både det meget positive og det meget negative scenarie er, at

markedet stod over for en brat nedgang i perioden 2007-2009 – nøjagtig hvad der skete.

HVAD STYRER VORES FORVENTNINGER TIL BOLIGMARKEDETS UDVIKLING

Det er velkendt, at boligmarkedet er afhængigt af størrelser så som

• Rente

• Lønudvikling

• Arbejdsløshed

• Skat og fradragsret

• Boligudbud

• Byggepriser

• Demografisk udvikling

En meget stor fordel ved ovenstående liste er, at alle elementerne er målbare og derfor

kan registreres i databaser og analyseres ved hjælp af avanceret matematik og statistik.


Spørgsmålet er så, om dette er nok til at forstå boligmarkedet? Det er jo også klart, at

mindre målbare, ”bløde” faktorer som psykologi og forventninger til den fremtidige

prisudvikling har stor indflydelse på, hvad købere tør give og sælgere forlange.

Når priserne stiger, vurderer både almindelige mennesker og professionelle investorer, at

risikoen ved at købe er lav – så længe forventningen til yderligere stigninger er intakt.

Samme mekanisme ses også med omvendt fortegn i et faldende marked. Hvad nu hvis

disse ”bløde” faktorer i sig selv påvirker markedet mere – og måske i den anden retning –

end de målbare parametre peger på? I så fald er det bydende nødvendigt at afspejle dette

i de modeller, som anvendes til at lave prognoser om boligmarkedet. Men hvordan gør

man det?

1 Årsag og følgende virkning...

2 ... med forsinkelse...

3

...og ikke-lineær reaktion...

Nybyggeri

Pris

Pris

Nybyggeri

Feedback er et grundprincip i System Dynamics

4

Pris

...skaber feedback loops

Pris

Udbud

Nybyggeri

Nybyggeri

DYNAMIKKEN I BOLIGMARKED KORTLAGT – HVORDAN …?

System Dynamics er en metode til at kortlægge og simulere ”dynamiske systemer”.

Boligmarkedet er ét eksempel på et dynamisk system på linie med andre markeder,

organisationers sociale interaktion, biologiske organismer, anlægsprojekter, m.v.

Alle disse systemer kan beskrives som et edderkoppespind af faktorer, der både kan

være årsager og virkninger på samme tid, og som påvirker hinanden i et komplekst og

dynamisk samspil, der ikke kan reduceres til simple matematiske former. System

Dynamics er oprindeligt grundlagt af Jay Forrester i 1950’erne og 1960’erne ved MIT.

ÅRSAGS-VIRKNINGSKÆDER PÅ BOLIGMARKEDET

Boligmarkedet kan beskrives konkret ved hjælp af forbundne årsag-virknings-kæder

indeholdende flere ”feedback loops”. Overordnet set er der tre dominerende loops, som er

afgørende for hhv. oplevelse af købekraft, byggeaktivitet og efterspørgsel efter boliger.

Oplevet Købekraft:

Denne selvforstærkende cirkel (loop) var den mest dominerende under boligboblen 2004-

2006. Da priserne steg og steg, forventede mange boligkøbere yderligere prisstigninger,

hvilket øgede deres risikovillighed. Med øget risikovillighed forøges det beløb, som

køberne synes, de har råd til og er villige til at betale, fordi de i højere grad tør finansiere

med flex- og/eller afdragsfrie lån og ”sætte sig hårdt i starten”. Dette var i høj grad

betinget af de konkrete historiske forudsætninger.10 år med uafbrudte prisstigninger tilført

skattestop og afdragsfrihed viste sig at være en særligt forventningsskabende ”cocktail”


Oplevet Købekraft

Vægt af boligbudget

Rente

Risikovillighed

Forventet

prisudvikling

R

Boligbudget

Løn

Opfattet

rådighedsbehov

Pris

Inflation

Byggeri:

Det andet loop beskriver de væsentlige faktorer i byggeriet. Når priserne stiger til langt

over byggeomkostningerne, stiger byggeaktiviteten. Det samlede udbud af boliger stiger

derfor, men med en vis forsinkelse. Det går ofte sådan, at priserne topper lige præcis på

det tidspunkt, hvor der er allerflest byggekraner i gang. Det giver tomme projektlejligheder,

lavere priser og i sidste ende nedgang i byggeriet – præcis som i København i de senere

år.

Byggeriet

Pris

Byggeri

påbegyndt

B

Boligudbud

Byggeomkostninger

Byggeri

afsluttet

Begrænsninger

ved byggeri

Offentlige investeringer

I boliger

Sammenlægning

og nedrivning af boliger

Efterspørgsel:

Groft sagt indvandrer folk til København, når de er i 20’erne, og udvandrer, når de er i

30’erne. Da der er flere danskere i 20’erne end i 30’erne, hviler der derfor et konstant

migrationspres på storbyen. Det påvirker efterspørgslen og priserne, ikke mindst via

forældrekøb. Høje boligpriser gør København mindre attraktiv for potentielle tilflyttere, og


kan derfor holde tilflytningen og efterspørgslen lidt i ave. Hvis boligpriserne er lave, ser

man til gengæld, at flere familier i 30’erne (ofte med børn) bliver boende i byen, da det

bliver for dyrt at flytte.

Efterspørgsel

Vægt af boligbudget

Rente

Risikovillighed

Relativ

tiltrækning af

København

Forventet

prisudvikling

R

Relativ

tiltrækning af

livet i byen

Boligbudget

B

B

Løn

Opfattet

rådighedsbehov

Pris

Efterspørgsel

Pris

Pris

Efterspørgsel

Immigration

B

Emigration

Migration

Inflation

B

Boligudbud

Befolkning

Byggeri

påbegyndt

Befolkning

Byggeomkostninger

B

Byggeri

afsluttet

R

Fødsler

Dødsfald

B

R

Begrænsninger

ved byggeri

Offentlige investeringer

I boliger

Sammenlægning

og nedrivning af boliger

Fødsler

Dødsfald

Befolkning

B

R

Forklaring

Dynamisk påvirkning

(oftest ikke-lineær), der

beskrives med partielle

differentialligninger

Dynamisk variabel, der

ændrer sig over tid og

ofte er segmenteret (i

f.eks. aldersgrupper)

Balancerende

loop, der dæmper

sig selv med

forsinkelse

Selvforstærkende

loop: kan være

både ’god cirkel’

og ’ond cirkel’

Samlet kausalitetsdiagram

TEKST TIL BILLEDE: Når de tre loops er forbundet, får man det samlede overblik. Hver især

er disse loops ikke nok til at beskrive markedet. Kun ved at se på helheden hen over tid kan

prisudviklingen forudsiges. Vi har her kun beskrevet de allervæsentligste faktorer i markedet.

I modellen tager vi også hensyn til bl.a. lånemuligheder, skattepolitik, rente og inflation.

DET DYNAMISKE BOLIGMARKED SIMULERET – HVORDAN …?

Med en samlet forståelse af dynamikken i markedet er næste skridt at formulere denne

matematisk. Dette kræver en del ekspertise og erfaring. Vi har her kunnet trække på


matematiske del-modeller, som er udviklet og afprøvet af PA og MIT i Boston gennem de

sidste 30 år. Princippet er at simulere markedet ved hjælp af den dynamiske model.

Det kræver naturligvis adgang til historiske data. Vi har anvendt 30 års data for

prisudvikling og andre parametre på boligmarkedet i København. Data anvendes til at

kalibrere den matematiske model: det betyder, at den justeres til at kunne simulere den

historiske udvikling på markedet. Modellens output – f.eks. udviklingen i boligpriser eller

igangsat byggeri – sammenlignes med det faktiske historiske forløb.

At modellen kan simulere et længere historisk forløb, er en god indikation af, at den også

kan bruges til at analysere scenarier i både fortid og fremtid. Man kan altså spørge hvad

nu hvis en væsentlig forudsætning skulle ændre sig – hvad ville f.eks. løbende

rentestigninger de næste tre år betyde for boligpriserne?

EKSEMPEL PÅ ANALYSE

En analyse her i efteråret 2009 har givet en række interessante resultater. I grafen

herunder angiver den røde (stiplede) linie de historiske tal og de blå output fra

simuleringen. Man kan se, at modellens resultat matcher det faktiske forløb fra 1980 frem

til i dag, og at boligpriserne i København ifølge modellen flader ud hen over de næste 4-5

år og i øvrigt ikke kommer tilbage til 2006-priser inden 2020.

Modellen har en række ”håndtag” at skrue på – såkaldte eksogene parametre. Med disse

”håndtag” kan man afspejle forskellige antagelser om renteudvikling, arbejdsløshed m.v.

og derved skabe forskellige scenarier. I denne analyse har vi søgt at forstå den effekt,

som afdragsfrie lån samt skattestoppet har haft på prisudviklingen.

I et alternativt scenarie (blå stiplet linie) har vi derfor ”fjernet” skattestoppet og

afdragsfrihed ved at justere en række af de eksogene parametre. Resultatet viser os,

hvad udviklingen havde været, hvis der ikke havde været skattestop og afdragsfri lån. I

dette scenarie ser man, at prisudviklingen ville have været væsentlig mere moderat, men

overordnet set have fulgt samme ”mønster”, dvs. stigning indtil 2006 med efterfølgende

fald. Som man kan se, har de politiske beslutninger om skattestop og indførelse af

afdragsfri lån haft en endog meget betydelig effekt, idet den ”alternative” pristop ligger

næsten 30% under det faktiske højdepunkt på kurven.


System Dynamics-modeller

• Kvalitativ kortlægning af årsager og

virkninger baseret på ekspertindsigt

• Simulerer systemet set over lang tid.

Ligevægtstilstande er sjældne

• Både ’hårde’ parametre understøttet af

data og ’bløde’ parametre, der ikke kan

måles og vejes – f.eks. psykologiske

forventninger til fremtidig prisudvikling

• Drevet af kvalitative, ofte ikke-lineære

sammenhænge, ikke drevet af data –

men kalibreret i forhold til historiske data.

• Anvendes til prognoser og scenariebaserede

analyser.

Økonometriske modeller

• Antagelser om f.eks. rationelle agenters

optimering af nytteværdi, perfekt

information og ligevægts-tilstande

• Afhængig af tilgængeligheden af gode

tidsseriedata

• Drevet af statistisk validerede, ofte

lineære eller log-lineære sammenhænge

– baseret på økonomisk teori - men

ingen indbygget kausalitet omkring bl.a.

psykologi

• Estimerer som regel kun effekter af en

type, som allerede er blevet observeret

• Anvendes primært som økonomiske

forklaringsmodeller til observeret

historisk forløb

Hvad er forskellen?

TEKST TIL BOKS: System Dynamics har på nogle områder ligheder med traditionelle

økonometriske modeller og kan i vid udstrækning modellere de samme principper. På

andre områder er der store forskelle, som det fremgår af faktaboksen.

SYSTEM DYNAMICS BØR ANVENDES MERE I DANMARK

System Dynamics er en metode, der hidtil ikke er blevet anvendt meget i Danmark. Vi tror,

at det beror på manglende tradition herfor – en tradition som tager udgangspunkt i, hvad

der undervises på universiteter og læreanstalter. Vi er overbeviste om, at metoden har et

stort potentiale – i analyser af boligmarkedet såvel som andre steder - til at skabe bedre

og mere robuste, kvantitative fremtids-scenarier.

Vi foreslår ikke, at System Dynamics skal bruges af alle til alt, eller at SD-modeller skal

erstatte de store makro-økonomiske modeller af dansk og global økonomi. Til gengæld er

vi overbeviste om, at System Dynamics kunne udgøre et stærkt supplement til de øvrige

økonomiske modelprincipper, som anvendes i Danmark i dag.

More magazines by this user
Similar magazines