Samfundsøkonomisk analyse og relationen til bredere økonomiske effekter V/Lars Olsen Trafikdage 2015
Formål og praksis Formålet med den samfundsøkonomiske analyse er at skabe en systematisk vurdering af samfundets fordele og ulemper ved tiltag og løsningsforslag på transportområdet. Samfundsøkonomi giver et kvalificeret skøn af konsekvenserne for privatpersoner, virksomheder og den offentlige sektor I praksis: Cost-benefit analyse, hvor fordele og ulemper for samfundet måles i kroner og øre. Projektscenariet sammenlignes med en situation, hvor tiltaget ikke var iværksat (basisscenariet). Transport- og Bygningsministeriet Side 2
Inkluderede effekter Brugergevinster Omkostninger ved anlæg Driftsøkonomi Eksterne effekter Effekter på statens nettoudgifter Arbejdsudbudseffekt Direkte omkostninger Tidsomkostninger Øvrige omkostninger Anlægsomkostninger Restværdi Gener i anlægsfasen Infrastrukturforvalteren Operatøren Luftforurening Klima Støj Uheld Afgiftskonsekvenser Øvrige effekter for statens nettoudgifter Arbejdsudbudsforvridning Arbejdsudbudsgevinst Transport- og Bygningsministeriet Side 3
Tankegang Udgangspunktet er velfærden for den enkelte borger, dvs. - Skatteyder - Bruger af transportsystemet - Generet af støj og møg Analysen bør belyse samtlige fordele og ulemper, men undtagelser: Begrænsninger i metode- og datagrundlag samt usikkerheder Fordelingsmæssige hensyn (geografi og befolkningsgrupper) Konjunktureffekter National afgrænsning Transport- og Bygningsministeriet Side 4
Størrelsesforhold i samfundsøkonomien Væsentligste effekter i en samfundsøkonomisk analyse: Anlægs- og driftsomkostninger Rejsetidsbesparelser Typisk 70-80 pct. af omkostninger og gevinster.. Størrelsen på bredere økonomiske effekter: Copenhagen Economics -> 20 pct. oveni i bedste projekter Ex-post af Storebæltsforbindelsen -> intern rente fra 14 pct. til 15 pct. 16-18 pct. af samlede gevinster Vigtig: Bredere økonomiske effekter kan gå begge veje.. Transport- og Bygningsministeriet Side 5
Direkte vs. indirekte effekter Direkte effekter kan aflæses på markedet for transport, f.eks.: Rejsetidsbesparelser Anlægs- og driftsomkostninger Indirekte effekter kan aflæses på andre markeder, f.eks.: Boligmarkedet Arbejdsmarked Vare- og servicemarkeder mv. Fuldkommen konkurrence -> Direkte effekter = alle effekter Transport- og Bygningsministeriet Side 6
Fuldkommen konkurrence Fuldkommen konkurrence: Pris = marginal omkostninger -> ingen overnormal profit Aktører medregner effekter på omgivelser -> ingen eksternaliteter ikke realistisk nødvendig simplificering To undtagelser fra fuldkommen konkurrence: Effekter på arbejdsmarkedet Eksternaliteter som luftforurening, klimapåvirkning, støj og uheld Transport- og Bygningsministeriet Side 7
Typer af bredere økonomiske effekter Effekter på vare- og servicemarkedet: Pris-omkostningseffekt Konkurrenceeffekt Effekter på arbejdsmarkedet: Deltagelseseffekt Timeeffekt Produktivitetseffekt Effekt på statens provenu fra skatter og afgifter Effekter ved agglomeration Omlokalisering Samlokalisering Fokus Transport- og Bygningsministeriet Side 8
Hvad er ikke bredere økonomiske effekter? Værdistigninger på boligmarkedet kan f.eks. henføres til: Omflytning af efterspørgsel mellem områder Kapitalisering (veksling) af rejsetidsbesparelser til gevinst ved salg Direkte produktivitetsgevinster medregnes gennem: Rejsetidsbesparelser for erhvervsrejsende (personbil) og vare- og lastbiler Sparede kørselsomkostninger til benzin, drift- og vedligehold, slid mv. Sparede tidsafhængige omkostninger til løn, administration, afskrivninger mv. Lokale erhvervseffekter, hvis de skyldes: Omflytning af økonomisk aktivitet inden for Danmarks grænser Omflytning af arbejdspladser inden for Danmarks grænser Transport- og Bygningsministeriet Side 9
Afsluttende refleksioner Transport- og Bygningsministeriet Side 10
Agglomerationsgevinster Ninette Pilegaard Trafikdage, August 2015
Indhold Hvad er agglomerationsfordele? Hvorfor er det interessant i forbindelse med transportprojekter og bredere økonomiske effekter? Hvilke mekanismer ligger bag agglomerationsfordele? Agglomerationsfordele vs lokaliseringseffekter Hvordan måler man det? Hvilken rolle spiller transport? Tilgængelighed hvad er det og hvilken rolle spiller det? Forskningen: hvad har man gjort, og hvad kan man gøre? 2 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvad er agglomerationseffekter? Når individers produktivitet stiger når denne er tæt på andre individer ->Koncentration af økonomisk aktivitet i et givent område. Når virksomheder og arbejdskraft er lokaliseret i nærheden af hinanden, opstår der agglomerationseffekter, idet virksomhederne og arbejderne opnår produktivitetsfordele ved at være tæt lokaliseret Disse produktionsfordele kan opstå af flere årsager det vil vi se nærmere på i det følgende Hvorfor er det vigtigt at kende de bagvedliggende årsager? medfører forskellige effekter af politiktiltag har betydning for politikvurderingen 3 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvorfor er agglomeration interessant? Emnet få stor opmærksomhed fordi: i store dele af verden kan man observere en øget koncentration af jobs og virksomheder i store byer man kan observere højere lønninger og vækst i byerne dette er en tendens, der ser ud til at fortsætte 4 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Antallet af arbejdspladser pr. kvadratkilometer Note: Antallet af arbejdspladser er baseret på hovedbeskæftigede personer i 2010, egne beregninger på data fra DST 5 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Gennemsnitlig årlig nettoløn (1000 kr), bopælskommune Note: Gennemstilig årlig nettoløn baseret på bopælskommune, år 2010 for hovedbeskæftigede, Egne beregninger på data fra DST 6 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Kvadratmeterpriser fordelt på kommuner, 2008 Kilde: Realkreditrådet 7 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Forholdet mellem boligudgifter og lønninger Note: Egne beregninger på data fra DST og Realkreditrådet (præsenteret i forrige figurer) 8 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvorfor er agglomeration interessant? - fortsat Billedet er det samme i Danmark Hvorfor sker dette? Kan man påvirke dette? Særligt fokus på transportpolitik og projekter Er det en bredere økonomisk effekt? Kræver forståelse af mekanismerne bag! Hvad er kausaliteten: vækst pga agglomeration eller agglomeration pga vækst? 9 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvilke mekanismer leder til økonomisk koncentration og agglomerationsfordele? Kan virke internt i markedet sparede produktionsomkostninger internaliseret Naturlige fordele F.eks. Adgangen til infrastruktur (havn, jernbane,..) eller adgang til ressourcer (energi (kul, vand), råvarer,..) Kan være eksternaliteter potentielt bredere effekter Agglomerationsøkonomier (eksternaliteter): Kan opdele efter markeder: arbejdsmarkedet, inputmarkedet, outputmarkedet Kan opdele efter mekanismer: sharing, matching, learning Vigtigt at adskille sorteringseffekten 10 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Illustrationer W=10 W=10 W=10 W=10 W=20 W=20 W=20 W=20 Område 1: Samlet produktion: 60 Gennemsnitsløn: 15 Område 2: Samlet produktion: 60 Gennemsnitsløn: 15 11 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Illustrationer W=10 W=10 W=10 W=10 W=20 W=20 W=20 W=20 W=20 Område 1: Samlet produktion: 40 Gennemsnitsløn: 13,3 Område 2: Samlet produktion: 80 Gennemsnitsløn: 16 12 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Illustrationer - højere boligpriser, sortering W=10 W=10 W=10 W=10 W=10 W=20 W=20 W=20 W=20 Område 1: Samlet produktion: 50 Gennemsnitsløn: 12,5 Område 2: Samlet produktion: 70 Gennemsnitsløn: 17,5 13 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Illustrationer - agglomeration, en bredere økonomisk effekt W=10 W=10 W=11 W=11 W=20 W=21 W=21 W=21 Område 1: Samlet produktion: 40 Gennemsnitsløn: 13,3 Område 2: Samlet produktion: 85 Gennemsnitsløn: 17 14 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvad er agglomerationsgevinsten? Produktivitetseffekt Produktionsfunktionen Løn Beskæftigelse Afkast på kapital (jord, maskiner, ) Profit 15 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Konsekvenser af mekanismerne Økonomisk koncentration Øget produktivitet Øget specialisering Højere løn Højere grund- og boligpriser Lokaliseringseffekter: Sortering/selektion Pendling 16 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvad kan vi observere? Forskellige mekanismer leder til samme observerbare effekter Mekanismerne kan derfor være svære at skelne Svært at forudsige effekter af projekter hvad gør man så? Mere detaljerede effekter kan bedre afsløre mekanismerne lønkurve, brancheforskelle, input i produktionen,. Søger at besvare mindre spørgsmål hver for sig Skridt for skridt nærmere det fulde billede Adskille effekterne Fastslå kausalitet 17 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Transport og agglomeration Transport spiller en vigtig rolle i forbindelse med agglomeration Alle modeller for lokalisering, byudvikling, byøkonomi eller aglomeration indeholder transport i en eller anden form Transport og infrastruktur kan påvirke på to måder Effektivitet i byen (reduktion af trængsel) Tæthed/tilgængelighed Udvidelse af byer (forbindelse af flere områder) effektivitet tæthed/effektiv tilgængelighed Pendling binder transport- og arbejdsmarkedet sammen Interessant at observere pendling 18 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Korrelation mellem pendlingsafstand og løn (netto), 2010 løn 1000 kr. 200 250 300 350 400 0 10 20 30 40 50 pendl. (km) polyn. smooth tendenslinie Note: Egne beregninger på data fra DST korteste vejafstand mellem bopæl og arbejdsstedsadresse, hovedbeskæftigede 19 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Korrelation mellem pendling og løn (netto) År korrelationskoefficient 2001 0,1217 2002 0,1216 2003 0,1295 2004 0,1284 2005 0,1268 2006 0,1244 2007 0,1233 2008 0,1538 2009 0,1496 2010 0,1213 Note: Egne beregninger på data fra DST korteste vejafstand mellem bopæl og arbejdsstedsadresse, hovedbeskæftigede 20 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Pendlingsafstande og arbejdsmarkedsmobilitet km 16 18 20 22 24 job->job km 16 18 20 22 24 led->job 2002 2004 2006 2008 2010 år 2002 2004 2006 2008 2010 år Note: Egne beregninger på data fra DST korteste vejafstand mellem bopæl og arbejdsstedsadresse, hovedbeskæftigede 21 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Tilgængelighed For transportprojekter er man interesserede i effekten på tilgængelighed Direkte og effektiv Et almindeligt standard mål er jobtilgængeligheden: EA i J j exp di, j j Hvor EA er tilgængeligheden, J er antal jobs, d er afstand og δ er en vægtningsparameter Tilgængelighed kan defineres til andre aktiviteter og på forskellige afstandsmål Transport kan påvirke d (direkte) og J (gennem omlokaliseringer) 22 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Tilgængeligheden til jobs i Danmark Afstand målt som rejsetid, δ=0,03 Agglomerationseffekt? Korrelation mellem tilgængelighed og årsindkomst: Effekt =0,106 Elasticitet=0,093 23 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Hvad betyder tilgængelighedsmålet for effekten Aktivitet kan defineres forskelligt: jobs, personer, amenities, Afstand kan defineres forskelligt Kilometer, tid, penge, Afstand kan vægtes forskelligt Afstand decay δ 0 10 25 45 100 0,005 1 0,951 0,882 0,799 0,607 0,03 1 0,741 0,472 0,259 0,050 0,07 1 0,497 0,174 0,043 0,001 24 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Undersøgelser af forskellige afstandsmål alle er signifikante på 5% niveau Afstand decay, δ estimat forklaringsgrelasticitet (R2) kilometer 0,005 0,073 0,094 0,277 Tilgængelighed 0,03 0,093 0,153 0,073 til jobs 0,07 0,104 0,084 0,034 rejsetid 0,005 0,060 0,086 0,271 0,03 0,106 0,162 0,093 0,07 0,141 0,101 0,043 GRO 0,005 0,098 0,178 0,178 0,03 0,134 0,088 0,037 0,07 0,182 0,024 0,015 tilgængelighed kilometer 0,005 0,070 0,090 0,270 til personer 0,03 0,102 0,158 0,077 0,07 0,121 0,091 0,037 rejsetid 0,005 0,059 0,084 0,267 0,03 0,113 0,165 0,097 0,07 0,162 0,108 0,046 GRO 0,005 0,099 0,177 0,180 0,03 0,157 0,096 0,040 0,07 0,239 0,030 0,018 25 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Eksempler afstand 25 100 δ 1000 jobs 500.000 jobs 1000 jobs 500.000 jobs Rejsetid 0,03 50kr 25.000 kr 5 kr 2640 kr (min) 0,07 24 kr 12.200 kr 0 kr 64 kr Afstand 0,03 29 kr 14.300 kr 1 kr 335 kr (kilometer) 0,07 18 kr 9.000 kr 0 kr 47 kr 26 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Litteraturen - estimationer Tæthed og produktivitet: Rosenthal & Strange (2004): Dobbelt bystørrelse => 3-8% ekstra produktivitet (elasticitet: 0,05-0,11) Melo et al. (2009): (mere kontrol) Elasticitet = 0,03 Infrastruktur og produktivitet: Melo et al. (2013): 10% stigning i offentlige infrastruktur investeringer => 0,5% stigning i output Meget stor variation kontrolvariable, lande, branche, studie-design,. Svært at overføre og generalisere 27 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Konklusioner Effekt er til stede både af agglomeration (tæthed) og infrastruktur Størrelsen er der stadig usikkerhed om og empiriske udfordringer Mekanismerne vanskelige at skille ad Vigtigt for at kunne estimere Vigtigt for at kunne kende effekt af politiktiltag Vigtigt for at kunne velfærdsevaluere Kausalitet er svær at håndtere Hvordan skal tilgængelighed og tæthed defineres? Hvad skal vi så gøre? 28 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Videre arbejde Forskning: meget aktivitet og mange fremskridt Teori en del veludviklet men også fokus på mere avancerede modeller (slækker på mange af de forsimplende antagelser) Empiri: Naturlige eksperimenter: kan afdække vigtige kausale sammenhænge, kan teste mange grundlæggende antagelser og kan bruges til at skelne mekanismer fra hinanden Sorting-modeller: kan inddrage generelle ligevægtseffekter i estimater og dermed give bedre vurderinger af betalingsvilligheder mv og kan give vigtig viden om eksempelvis lokaliseringseffekter af politiktiltag 29 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Forskning Isolere effekter og afklare Små skridt hjælper på det store billede Eksempler DTU Transport: Effekt af pendlingsafstand på løn Effekt af indkomst på pendlingsafstand Pendling og vaner Betydning af pendlingsafstand for virksomhedernes jobomsætning Estimering af lokaliseringsvalg residential sorting modeller 30 DTU Transport, Danmarks Tekniske Universitet Trafikdage 24.08.2015
Introduction Theoretical framework Empirical analyses Conclusion Public transport and car ownership: evidence from the Copenhagen metropolitan area Ismir Mulalic Technical University of Denmark August 2015 I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion Motivation I Public and private transport are substitutes, households make a choice which type of transport to use. I The attractiveness of owning a car is related to the residential location. I According to economic theory, local wages, housing costs, and the cost of commuting (accessibility to employment) represent the three most important economic determinants of the household s location decisions. I The presence of many amenities at walking distance decreases the value of owning a car: the share of car-owners is lower in urban than in rural areas (Dargay (TRPE, 2002)). I We study car ownership in relation to the availability of public transport. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion Literature I The interaction between car ownership and public transport seems to have been neglected in recent decades. I It has been addressed in an older literature, e.g. Goodwin (TRANSP, 1993): I road congestion and pollution by cars, I cities as green places (Kahn (2006)), I geographic literature on the impact of urban form and urban amenities on car ownership, I literature in economics looking at car ownership. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion Objectives I The choices of residential location and car ownership are most likely interrelated: I car ownership in cities is lower than in rural areas, I choice of a rural area implies in many cases the necessity to own a car, I living in or close to city centers implies cruising for parking and parking fees, while accessibility of public transport is often much better. I The main objective of this study is to look at the choice of car ownership and the residential location as a simultaneous decision. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Preliminaries I Our model can be regarded as a horizontal residential sorting model (see Kumino et al. (JEL, 2013)). I The methodology we use is based on Berry et al. (Econometrica, 1995) and Bayer et al. (JPE, 2007). I The choice alternatives we consider are combinations of residential areas and car ownership. I The model explains car ownership while paying special attention to its relationship with residential area characteristics. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Adiscretechoicemodelanditsimplicationsforcar ownership I A household considers living in a residential area with and without having a car and chooses the alternative that o ers the highest utility. I We consider households who derive utility from housing, owning a car, local amenities and a composite that represents all other consumption goods. I Car ownership is included as a simple indicator that takes on the dichotomous values of 0 and 1 ) we ignore the heterogeneity of cars in the interest of focusing on the interaction between the availability of public transport and car ownership. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Housing services I Housing services are available at a given price per unit that is specific for the residential area. I The number of units consumed is determined by choosing from the stock or adjusting an existing house (Muth (1969), Epple and Platt (JUE, 1998)). I This allows the researchers to abstract from heterogeneity in the housing stock. I The neglect of the durable aspects of housing may be problematic if quality di erences are substantial ) we distinguish between single and multifamily housing. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings The choice alternatives I Choice alternatives are defined by three variables: area (a = 1...A), house type (h = s, m), and car ownership (c = 0, 1). I The utility of a choice alternative for household i u i a,h,c = v i a,h,c + # i a,h,c I The multinomial logit model (MNL) p i a,h,c = e v i a,h,c  a 0  h 0  c 0 e v i a 0,h 0,c 0 I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Residential sorting model I We estimate a residential sorting model of the type proposed by Bayer and Timmins (EJ, 2007) and Kuminof et. al. (JEL, 2013), basically a logit model of the BLP type (Berry et al. (ECONOMETRICA, 1995)). I We take into account unobserved heterogeneity among the neighborhoods and estimate the model in two steps: 1. the first step is the estimation of a conventional logit model that includes alternative-specific constants (the utilities attached to the choice alternatives by the average household) and cross terms of housing and household characteristics. 2. in the second estimation step, these average utilities are further analyzed, while taking into account the probable correlation between the unobserved heterogeneity term and the housing price in the neighbourhood. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings The model specification The deterministic part (for single earner households) of the utility of a choice alternative is v i a,h,c = a i 1opt a + a i 2amt a + a i 3d c + b i 1 d h + b i 2 P h,a + b i 3 X a +! g i 1 opt a + g i 2 amt a + g i 3 d h + g i 4 X " a dc + x a,h,c where X a is the value of the a-th characteristic of alternative a, the a, b, g are coe cients, and the x reflects unobserved (by the researcher) characteristic of the alternative. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Coe cients are related to household characteristics The coe cients a, b and g are individual-specific: a i j = ea 0 j + ea 1 j y i + L Â ea l+1 j l=1! Zil Z l " where Z il is the value of the l-th characteristic of household i, Z l the population mean of characteristic l, and the a s are coe cients. We have and analogous expressions for the bs and gs. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings The MNL model has two important shortcomings 1. The restrictive IIA property: 1.1 by allowing for interaction between household and location characteristics the IIA assumption is to some extent relaxed, 1.2 on the aggregate level the IIA property does not hold. 2. In its standard form, the MNL model has di culties in dealing with unobserved characteristics of alternatives. 2.1 ignoring the unobserved characteristics of the alternatives (x) will not a ect the model if it is uncorrelated with the amenities, 2.2 the solution Berry et al. (Econometrica, 1995) proposed was to estimate the model in two steps. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion The model The econometric model Shortcomings Estimation The solution Berry et al. (1995 Econometrica) proposed was to estimate the model in two steps: 1. Estimate the alternative specific constants (asc s) and household-specific parameters in the MNL model, 2. Use mean utility estimates from Step 1 and estimate mean household preference parameters in regression model. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation The Greater Copenhagen Area (GCA) I Copenhagen (the capital city of Denmark) is the centre of the GCA. I The GCA is the political, administrative, and educational centre of Denmark. I The GCA accounts for more than 40% of Denmark s GDP, 1.6 mio. people (app. one third of Danish population), and 1 million workplaces. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation The Greater Copenhagen Area (GCA) I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation The annual register data I We use a 20% sample of the GCA population living in owner-occupied housing. I The estimation of the equilibrium sorting model is based on the data derived from the administrative register data for owner-occupiers with residence in the GCA for the year 2008 spread over 166 zones (designed for the purpose of detailed tra c modelling). I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Selection of sample I We distinguish between living in a house or an apartment in the GCA. I We also distinguish between being a car owner or not in both housing situations. I We estimate two models: I one referring to the single earner households (66, 012 households and 538 alternatives), and I one referring to the dual earners households (87, 330 households and 636 alternatives). I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation The socioeconomic variables 1. Age and age squared, 2. Three dummy variables indicating highest education obtained, 3. Number of children in household, 4. Households income. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Local amenities 1. Standardized house/apartment price (from the two separated hedonic models, i.e. one for the houses and one for the apartments), 2. Employment access (using the number of the full time job equivalents for each zone and the travel time by public transport), 3. Proximity to the nearest metro station (km), 4. Number of conserved/protected buildings per sq.km., 5. Distance to the CBD, 6. Share of higher educated population, 7. Share of social housing, and 8. Parking charging. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Car ownership (share) I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Std. house/apartment price (1000 DKK) I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Higher educated (share) I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Households income (dev. from the average income) I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Decomp. of the mean utilities I Coe cients associated with accessibility of jobs through public transport and accessibility of the metro network are all positive and significant. I Coe cients of the housing price index and the share of higher educated are significantly negative and positive, respectively. I The coe cients associated with indicators for cultural amenities are all as expected significant and positive. I The average household prefers to live in a house and do not care about the distance to the CBD. I Car ownership has significant e ect on the average households valuation of the considered amenities. I Dealing with the endogeneity makes a huge di erence for the estimation results. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Interaction parameter estimates I The estimated coe cients indicate how di erent households value considered amenities. I The estimated coe cients reveal a great amount of heterogeneity between observed households: I households with more children and wealthier households are less sensitive to higher house prices compared to the average household in our sample, I wealthier households, households with children and older individuals prefer residence further away from the CDB, while the higher educated prefer residence closer to the CDB, I accessibility to the employment access for dual earners households is more appreciated among households with children and higher educated, I the proximity to the high quality public transport (metro) is less appreciated by wealthier households and households with more children but more by the higher educated. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation The metro system extension in 2019 I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Results Infinitely elastic housing supply I Extension of the metro system will attract both types of households, i.e. both single earner households and dual earners households will tend to relocate closer to the CBD. I The number of car owners will be reduced by 2.93% as a result of the metro extension. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing supply Households will tend to relocate closer to the CBD I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing supply Change in car ownership in the GCA caused by the metro extension I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing supply Change in mean household income caused by the metro extension I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Results Infinitely elastic housing price I Extension of the metro system implies a lot of sorting. I The number of car owners will increase by 7.14% as a result of the metro extension. I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing price Change in average housing price I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing price More sorting!!! I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing price Change in car ownership in the GCA caused by the metro extension I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion GCA Data Empirical results Simulation Infinitely elastic housing price Change in mean household income caused by the metro extension I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership
Introduction Theoretical framework Empirical analyses Conclusion Conclusion I We show that dealing with the endogeneity makes a huge di erence for the estimation results: I we find a much larger (in absolute value) price coe cient, and I we find a much larger the coe cient for share of higher educated ) this suggests that in the GCA the higher educated tend to concentrate in particular areas. I We confirm that the demographic composition of location is as much the result of choice behavior as it is one of its determinants. I The impact of the extension of the metro-network interacts significantly with the location choices of high income households, who often own (two) car(s). I. Mulalic, N. Pilegaard and J. Rouwendal Public transport and car ownership