Felles for de fleste land er en typisk utvikling hvor boligprisene enten stiger eller faller. De siste årene har boligprisene økt mye i mange land, som Sverige, Australia, Sveits og her i Norge. I Norge økte de ytterligere i årets første to måneder etter et kortvarig fall i fjor.

Boliger har mange funksjoner i et samfunn. De gir befolkningen et sted å bo, og er samtidig den største delen av sparebøssen for de fleste. Dermed spiller boligmarkedet i det store og hele en nøkkelrolle i den økonomiske utviklingen. Mange forskere og økonomer har derfor brukt mye tid og innsats på å forsøke å forklare prisveksten.

Nye og gamle metoder

I disse dager ser vi et oppsving av nye metoder som bruker maskinlæring eller kunstig intelligens for å svare på spørsmålet om morgendagens boligprisvekst. Det leder oss til spørsmålet:

Hvem treffer best – menneske eller maskin?

Australske forskere har forsøkt å svare på dette og sammenligner ikke mindre enn 47 ulike metoder for å beregne boligprisveksten, herunder klassiske økonomiske modeller og maskin-baserte prognoser som bruker algoritmer (regler) eller «deep learning», en metode som lærer maskiner å gjøre det som faller naturlig for mennesker: Å lære ved å se mange eksempler. Metoden brukes eksempelvis i teknologien bak førerløse biler.

Men la oss ta et skritt tilbake og forsøke å sette de nye metodene i sammenheng med de gamle. Statistisk Sentralbyrå (SSB) er kanskje landets fremste prognosemakere og lager prognoser for boligmarkedet basert på modeller som tar for seg å forklare hvordan norsk økonomi og boligmarked henger sammen.

Slike metoder er ikke inkludert i sammenligningen her. Mange forskere og økonomer lener seg på klassiske modeller for deler av økonomien og boligmarkedet. Atter andre gjetter eller bruker enkle regler for å lage anslag. Det er slike metoder som sammenlignes med maskin-prognosene.

Basis i økonomisk teori og kontroverser

Tilhengerne av klassiske modeller vil si at maskinmetodene er vanskelige å forstå og mangler forankring i økonomisk teori. Et viktig bidrag fra den teoretiske forskningen som underbygger mange av de menneskeskapte boligmodellene er ideen om at de skal koste like mye på marginen (for siste krone) å sitte på bolig som andre varer vi kan kjøpe.

Andre lener seg på alternativet til å eie, og viser til en viktig sammenheng mellom hvor mye det koster å leie versus å eie som bestemmende for boligprisene.

Adferdspsykologi er viktig, påpeker også teoretikere, og kan vise til et godt samsvar mellom modeller som bygger på forventninger som hele tiden endrer seg i takt med markedsutviklingen og faktisk kjøpeadferd.

For økonomien som helhet vil klassiske metoder ofte bygge på teorien om en likevektspris, og flere av de mest populære metodene måler avvik fra likevekt som en viktig driver av fremtidig prisvekst.

Ideen om økonomien forstått som en likevekt og bevegelser i priser - og kjøp som responser på et avvik fra denne - var en del av budskapet i nobelprisvinner Trygve Haavelmo’s berømte bidrag fra 1944.

Maskinmetodene blir derimot ofte kalt «black box» fordi det gjennomgående er vanskelig å tolke hva som skjer og koble mekanismer og resultater til denne teorien.

Tilhengerne av maskinlæring og tilhørende datadrevne metoder vil igjen si at listen over drivere av boligprisene er så lang og sammenhengene så kompliserte at det er bedre å utnytte så mye som mulig av datagrunnlaget som nå finnes og la maskinene gjøre jobben. Det er duket for kontroverser.

Alt henger sammen med alt

Maskinentusiastene har absolutt mye krutt bak sin kritikk. Listen over drivere som bestemmer boligprisene, og som igjen blir bestemt av boligprisene, er lang. Blant de viktigste driverne finner vi boliglånsrenta, som utgjør prisen på å sitte på boliglånet.

Renta blir igjen bestemt av prisøkningen på varer og tjenester i økonomien og hvor godt det går i norsk økonomi, hvor sterk vekst i spesielt den generelle prisøkningen gir en bratt økning i rentene i disse dager. Samtidig blir renta igjen også påvirket av nettopp boligprisene.

Tilgangen til lån er også viktig for boligprisene og blir igjen bestemt av de gjeldende boliglånsreglene, øvrige forhold som hvor sterk konkurranse det er mellom bankene og igjen boligprisene.

Spesielt tilbudssiden blir også sterkt påvirket av boligprisene da mange vegrer seg for å kjøpe nye boliger når prisene faller eller ventes å falle. Et nyboligkjøp er stort sett en opsjon på en bolig fremover i tid, og få ønsker å kjøpe noe i dag som vil være billigere i morgen. Få salg gir igjen lavere tilbudsside (figur). Vi kan derfor med rette si at «alt henger sammen med alt» i boligmarkedet.

Enda flere vanskeligheter

Vi stopper ikke her, for listen over vanskeligheter er mye lenger. For det første er det store regionale forskjeller i hvordan boligprisene endrer seg når renta stiger eller synker. Et rentekutt i Bergen kan gi en effekt i Oslo og en helt annen i Bergen eller Stavanger blant annet fordi andelen investorer er forskjellig.

Utviklingen i det lokale arbeidslivet er også forskjellig, og gode prognosemodeller bør ta innover seg dette. Det er altså ikke en «one size fits all» i regionale prognoser.

For det andre er det vanskelig å vurdere om et avvik fra likevekt skyldes at boligmarkedet er i en boble eller om det er viktige endringer i økonomien, adferden eller forventningsdannelsen som ikke modellen fanger opp.

I det første tilfellet - en boble - så skal boligprisen ned. I det siste tilfellet så bør en justere modellen. Eksempelvis økte mange sine boligkjøp under pandemien, mest sannsynlig mye på grunn av et høyere ønske i befolkningen om å bo fint siden mange var mye hjemme.

Videre bidrar dynamikken i budrundene, at det ofte enten er veldig mange eller veldig få som byr, til ubalanser mellom boligprisdrivere som renter og arbeidsmarked og den faktiske boligprisveksten. Og en generell aversjon mot å tape penger gjør at boligprisene har mye lettere for å stige når de er under likevekt enn synke når de er over likevekt.

Til sist er det ofte vanskelig å lage gode prognoser basert på klassiske modeller når tallene modellene bygger på utvikler seg veldig atypisk, som dagens høye inflasjonstall eller den høye arbeidsledigheten under pandemien. Så gode prognosemetoder bør ta innover seg alt dette.

Tidshorisonten er viktig

Men skal vi sammenligne prognoser på kort eller lang sikt? Jeg har gjennom noen år laget prognoser for boligprisene basert på både maskindrevne og klassiske metoder til ulike oppdragsgivere, bruk i foredrag og lignende.

Figuren under viser resultatene fra en klassisk modell som bygger på teorien om likevektspris og at avvik fra denne påvirker boligprisveksten fremover. Per mars 2021 så det dårligst ut for prognosen, men per september samme år var boligprisene tilbake i ventet leie.

Det viste seg at boligprisveksten vi hadde sett ikke var bærekraftig og markedet snudde. Hvorvidt prognosene vurderes som gode eller dårlige avhenger derfor veldig av når vi spør og vi kan si at modellen gjorde det betydelig bedre på mellomlang (1 år) enn kort sikt (1-2 kvartaler).

Hvem lager best prognoser – menneske eller maskin?

Først kan vi spørre om det er noe å vinne på å utvikle metoder for boligprisprognoser i det hele tatt. Et hovedfunn fra den australske studien er at på kort og mellomlang sikt (et kvartal– ett år frem) gjør de fleste metodene det bedre enn dersom en kun gjetter basert på dagens utvikling. Det er gode nyheter for oss som jobber med prognoser.

På lang sikt (ett til to år) sliter derimot de fleste av metodene sammenlignet med gjette-metoden, men prognoser basert på maskiner gjør det bedre. Så kan vi spørre hvem som gjør det best.

Alt i alt tyder det på at maskinene vinner, i hvert fall i denne studien. På tvers av alle tidshorisonter kommer 6 av de 8 beste prognosene fra en maskin, og de to øvrige baserer seg på et gjennomsnitt av prognosene til mange ulike metoder. Menneskeskapte modeller gjør det kun veldig bra ett kvartal frem.

Det kan bety at det vanskelig å lage gode prognoser basert på klassiske metoder selv om de mest avanserte modellene som eksempelvis SSB bruker ikke er med i kampen. Maskinene er nok kommet for å bli.

LES OGSÅ:

Høyere renter kan være det førstegangskjøpere trenger