transmission mellan prisindex - diva...

Jonas Ingman

Magisteruppsats i nationalekonomi, 15 ECTS

Vårterminen 2014

Handledare: Karl-Gustaf Löfgren

Transmission mellan prisindex

Kan KPI prognostiseras med ITPI?

Jonas Ingman

2

Sammanfattning

Med två välanvända ekonomiska mått för prisförändringar undersöker denna uppsats om de kan användas för

prognostisering av prisutvecklingen. Med utgångspunkt i teorier om prisöverföring undersöks om ITPI som

mått på producenternas och importörernas prisutveckling kan användas för att förutsäga utvecklingen av

konsumenternas priser med KPI. Även det omvända sambandet testas då det visats att konsumentpriser

föranleder producentpriser i tidigare utländska studier. Sambanden testas för såväl totala index som snävare

indelningar bestående av livsmedel, el och bränsle, hushållsvaror och inventarier samt transportprodukter.

Tidsserierna anpassas för en VAR-modell och en impulsrespons funktion används för att studera resultaten.

Sammantaget visar studien att prisöverföring sker från producent och importör till konsument. Om

prisöverföringen är signifikant och hur lång tid den tar varierar beroende på produktgrupp.

Nyckelord: PPI, ITPI, KPI, tidsserier, VAR, pristransmission.

3

Innehållsförteckning Sammanfattning ..................................................................................................... 2 1. Inledning ............................................................................................................ 4

1.1 Bakgrund .............................................................................................. 4 1.2 Syfte och frågeställningar .................................................................... 5 1.3 Avgränsningar ...................................................................................... 6 1.4 Definitioner .......................................................................................... 6

2. Tidigare studier och teori ................................................................................... 7 2.1 Tidigare studier .................................................................................... 7 2.2 Teori ..................................................................................................... 8

2.2.1 Prisindex i producent- och importled .................................... 8 2.2.2 Konsumentprisindex ............................................................. 8 2.2.3 Skillnader mellan KPI och PPI ............................................. 9 2.2.4 Pristransmission .................................................................... 10

3. Metod ................................................................................................................. 11 3.1 VAR ..................................................................................................... 11 3.2 Impulsrespons-funktion ....................................................................... 12 3.3 Bestämma antal laggar till modellen.................................................... 12 3.4 Stationäritet och enhetsrot ................................................................... 13

3.4.1 Differentiering av en icke-stationär tidsserie ........................ 13 4. Data ................................................................................................................... 14

4.1 Datainsamling ...................................................................................... 14 4.2 Anpassning av data .............................................................................. 15 4.3 Beskrivning av data ............................................................................. 16

4.3.1 Totala KPI-KS och ITPI ....................................................... 16 4.3.2 Livsmedel .............................................................................. 16 4.3.3 El och bränsle ........................................................................ 17 4.3.4 Inventarier och hushållsvaror ................................................ 18 4.3.5 Transportprodukter ................................................................ 19

4.4 Test av serierna .................................................................................... 19 5. Resultat .............................................................................................................. 20

5.1 Totala KPI-KS och ITPI ...................................................................... 21 5.2 Livsmedel ............................................................................................ 22 5.3 El och bränsle ...................................................................................... 23 5.4 Inventarier och hushållsvaror ............................................................... 24 5.5 Transportprodukter .............................................................................. 25

6. Slutsats ............................................................................................................... 25 6.1 Sammanfattande slutsats ...................................................................... 25 6.2 Förslag till vidare studier ..................................................................... 27

7. Referenser .......................................................................................................... 28 Appendix A: nyckel mellan COICOP och SPIN2007 ........................................... 30 Appendix B: månadsförändringar ......................................................................... 31 Appendix C: fullständiga resultat .......................................................................... 33 Appendix D: impulsrespons funktioner (IRF) ....................................................... 36

4

1. Inledning

I kapitlet beskrivs studiens bakgrund, syfte och problemformuleringar, avgränsningar samt definitioner.

1.1 Bakgrund

Prisutvecklingen av varor och tjänster i Sverige har en stor betydelse för utövandet av finans-, valuta- och

penningpolitik. Därför är prisutvecklingen av intresse för diverse analytiker på företag och myndigheter. I

Sverige finns flertalet statistiska mått som avser att mäta priser och dess utveckling inom olika varu- och

tjänstekategorier. Prisutvecklingen mäts även i olika led där varorna och tjänsterna förädlas eller konsumeras.

De två bredaste och sannolikt mest använda måtten för att följa utvecklingen är prisindex i producent- och

importled (PPI) och konsumentprisindex (KPI).

Oväntade förändringar av KPI får effekt på hela ekonomin då penningpolitiken bland annat bedrivs efter

inflationsmålet på två procent. Nedan följer ett citat från Dagens industri 10/4 2014, efter att KPI publicerats.

”Inflationen var i mars minus 0,6 procent. Det var klart lägre än väntat. Kronan tappar

kraftigt och räntorna sjunker på beskedet, som ökar sannolikheten för en räntesänkning i

juli…. Utfallet var klart lägre än väntat. Enligt SME Direkts enkät räknade analytikerkåren

med att KPI skulle ha sjunkit med 0,3 procent i årstakt. Riksbankens en dag gamla prognos

löd också på en nedgång med 0,3 procent.”

KPI syftar till att mäta den generella prisutvecklingen för de varor och tjänster som hushållen konsumerar.

Måttet har en rad användningsområden då det bland annat används som målvariabel för penningpolitiken, för

beräkning av prisbasbelopp, beräkning av brytpunkt i inkomstskatteskalan och i många avtal för

prisjusteringar.

Prisindex i producent- och importled är ett ekonomiskt mått som avser att följa den genomsnittliga

prisutvecklingen för producenter och importörer av varor. Priserna mäts i det första distributionsledet då

varorna levereras från producenten respektive första inköpsledet då varorna kommer in i Sverige. Prisindexet

används bland annat för fastprisberäkning av bruttonationalprodukt och handel med utlandet samt vid

prisreglering i avtalssammanhang. Även då KPI och PPI har olika syften och därmed är metodologiskt

utformade på olika sätt tros, i varje fall delar av PPI, innehålla information om framtida utveckling av KPI.

Enligt grundläggande ekonomisk teori kan man vänta sig ett positivt samband mellan producent- och

importpriser och konsumentpriser. Den mest etablerade teorin tar sin utgångspunkt i utbudssidan och att

prisförändringar i producerade och importerade varor förs vidare via produktionskedjan till konsumenten, så

kallad vertikal pristransmission. Det innebär att producent- och importpriserna leder utvecklingen av

konsumentpriserna. Teorin är dock inte entydig då det finns förespråkare som menar att sambandet kan vara

det omvända.

5

Användningen av KPI och PPI för att reda ut sambandet har ifrågasatts då det i flera tidigare studier visats sig

vara obefintligt eller svagt. Dessa har ofta fokuserat på att undersöka breda aggregat inom prisindexen såsom

totala PPI och KPI, som inkluderar alla producerade varor och konsumerade varor och tjänster. Relativt få har

även tagit med importpriser utan fokuserat på de varor som produceras i landet till försäljning på

hemmamarknaden och för export. Att sambandet på de totala aggregaten visats sig vara svaga är föga

förvånande, då sammanvägningar av den typen är heterogena sinsemellan. Totala producentprisindex kan även

väntas innehålla en betänklig mängd dubbelräkningar då indexet mäter produkter som ingår i flera steg av

produktionskedjan. Det är därför av särskilt intresse att se om det finns ett samband på mer anpassade

indelningar för ändamålet.

Denna studie fokuserar enbart på de varor i PPI som säljs i och importeras till Sverige, det vill säga prisindex

för inhemsk tillgång (ITPI). Sambandet mellan ITPI och KPI undersöks på såväl breda aggregat som finare

indelningar av produktgrupper. För att studera sambandet en viss tidpunkt används enbart historiska värden av

de båda indexen som förklarande variabler för att se vilket index som föranleder det andra. Då prisindexen

använder olika klassifikationer för indelning av produkter skapas en klassifikationsnyckel för att kunna göra

en mer relevant jämförelse mellan indexen.

Denna studie tar således ett nytt grepp då den till skillnad från tidigare studier undersöker huruvida KPI kan

påverkas av ITPI för snävare produktgrupper. Även användandet av VAR-modellen för framtida utveckling

tycks inte tidigare använts på svenska prisindex. Ett eventuellt påverkanssamband mellan ITPI och KPI skulle

underlätta för att prognostisera KPI. Då dess utveckling får en indirekt ekonomisk påverkan på de flesta

människor i Sverige, då såväl räntor och valutor som skatter och bidrag påverkas av förändringar i indexet.

Om sambandet visar sig vara det omvända kan det framförallt tänkas ge vägledning i granskningsarbete vid

framtagande av prisindex på Statistiska centralbyrån.

1.2 Syfte och frågeställningar

Det huvudsakliga syftet med denna uppsats är att med kvantitativa metoder undersöka hur historiska index av

ITPI och KPI förklarar deras framtida utveckling. Frågeställningar som behandlas i denna studie är:

Föranleder totala ITPI utvecklingen av totala KPI med konstant skatt för åren 1990-2013?

Föranleder ITPI utvecklingen av KPI för snävare indelningar, utvalda produktgrupper, för åren 1990-

2013?

Är sambandet det omvända det vill säga att KPI föranleder ITPI för åren 1990-2013?

6

1.3 Avgränsningar

Studien skrivs på uppdrag av Statistiska centralbyrån och är en empirisk undersökning som avser utröna om

den historiska utvecklingen av prisindex i producent- och importled kan användas för att förklara utvecklingen

av konsumentprisindex och vice versa. Studien omfattar svenska prisindex och begränsas till åren 1990-2013.

Fokus ligger på att försöka besvara frågeställningar under avsnitt 1.2. Studien är empirisk och utveckling av

teorier på området lämnas därhän. I viss mån diskuteras möjliga bakomliggande faktorer, men ingen djupare

analys av varför sambanden ser ut som de gör ges.

1.4 Definitioner

PPI: prisindex i producent- och importled, är ett samlingsbegrepp för producenternas och importörenas priser.

I producenternas priser ingår produkter som exporteras och säljs på hemmamarknaden. Se avsnitt 2.2.1 för

ytterligare beskrivning.

ITPI: är en delmängd av PPI och ett prisindex för inhemsk tillgång. Indexet är en sammanvägning av

producentpriser för produkter på hemmamarknaden och importpriser för produkter som används i Sverige. Se

avsnitt 2.2.1 för ytterligare beskrivning.

SPIN 2007: är en statistisk standard för klassificering av produkter. Produkterna länkas till aktiviteter som

definieras i SNI (standarden för svensk näringsgrensindelning) som i sin tur bygger på EU:s standard NACE.

PPI publicerar index på olika produkter indelat efter SPIN 2007 grupp 1-38.

KPI: konsumentprisindex, mäter den genomsnittliga utvecklingen av priser för den privata inhemska

konsumtionen. KPI mäter vad konsumenten faktiskt betalar och varuskatter och moms ingår. Från 2014

beräknas förutom KPI ett konsumentprisindex med konstant skatt, KPI-KS. Konstant skatt innebär att effekten

från förändringar av skatter och subventioner, utom lönerelaterade, exkluderas. Se avsnitt 2.2.2 för ytterligare

beskrivning.

COICOP: Classification of individual consumption according to purpose, är en internationell klassificering för

att utifrån användningsområde klassificera individers konsumtion. KPI använder klassificeringens

huvudgrupper 1-12.

7

2. Tidigare studier och teori

Kapitlet börjar med att beskriva tidigare relevanta studier. Vidare behandlas teorin bakom de index som

används och skillnader mellan dem. Kapitlet avslutas med att beskriva varför det kan tänkas finnas ett

samband mellan serierna.

2.1 Tidigare studier

Det finns flera internationella studier som undersöker sambandet mellan producentpris- och eller importpris-

och konsumentprisindex för olika länder och tidsperioder. Sambandet på den svenska marknaden har bland

annat undersökts av Riksbanken (Dellmo 1996) för perioden 1980 till 1996. Studien använde sig av ITPI

vilket jämfördes med KPI. I studien delades ITPI-data in efter varornas användningsområde i tre index:

konsumtionsvaror, insatsvaror och investeringsvaror. Dessa indelningar samt totala ITPI jämfördes med totala

KPI genom en regressionsmodell. Modellen använde förutom prisindexen även förklarande variabler för

arbetskraftskostnad, efterfrågeläget i ekonomin och en dummyvariabel för en skattereform i början av 1990-

talet. De fann att konsumtionsvaror påverkar KPI mest, medan sambandet på totalerna var svagt.

En annan av få studier som bland annat använder svenska data är Selçuk AKÇAY (2011). Författaren

undersöker sambandet för fem europeiska länder med låg inflation. Säsongsjusterad månadsdata från 1995 till

2007 används för totala KPI och producentprisindex. Syftet med studien är att undersöka kausaliteten mellan

prisindexen. För att undersöka i vilken riktning kausaliteten går används Toda och Yamamotos kausalitetstest.

För två av de undersökta länderna går sambandet från PPI till KPI medan det för ett av länderna går åt båda

håll, det vill säga att även konsumentpriset påverkar producentens pris. Författaren finner inget stöd i någon

riktning för ett samband mellan PPI och KPI i Sverige.

Clark (1995) har undersökt prisöverföring från den första delen av produktionskedjan till konsumenten för

olika tidsperioder mellan 1958 och 1995 i USA. I studien användes en VAR-modell (vector autoregression).

Resultatet visar att producentprisindex inte systematiskt tjänar som en god predikator av KPI. Sambandet

tycks ha avtagit med tiden. Även Weinhagen (2002) använde en VAR-modell när han studerade prisöverföring

mellan varor som ingår i producentprisindex i USA. Detta genom att dela in varorna efter hur processade de

är, från råmaterial till färdiga produkter. Resultatet indikerar att prisöverföring mellan mindre och mer

processade varor inom producentprisindex förekommer, således sker en dubbelräkning av prisförändringar när

producentpriser aggregeras till ett totalindex.

Prisöverföring har även studerats för specifika varor. Olika typer av livsmedel utmärker sig som de produkter

som är mest genomlysta. Peltzman (2000) tar dock ett brett grepp och använder ett urval av 77 olika

konsumentprodukter och 165 producentprodukter för att undersöka asymmetrisk prisöverföring, det vill säga

om prisöverföringen ser olika ut beroende på om priserna stiger eller sjunker. Med hjälp av en VAR modell

visar studien att konsumentpriserna reagerar snabbare på ökningar än sänkningar av producentpriser för två

tredjedelar av alla produkter.

8

2.2 Teori

2.2.1 Prisindex i producent- och importled

Producentprisindex mäter förändringen av priser på produkter sålda av producenter verksamma i Sverige.

Indexet ska spegla en genomsnittlig förändring av producenternas priser på alla transaktioner som sker i

landet. Av praktiska skäl är indexet baserat på en urvalsundersökning. Urvalet utgörs av drygt 1500 företag

som rapporterar priset på cirka 1700 produkter som säljs inom Sverige och cirka 1600 produkter som

exporteras. Produkterna i undersökningen representerar på så vis ett större antal produkter. Produkterna

tilldelas vikter efter hur stort värde varutypen generarer hos företaget och totalt i landet. Produkterna vägs

samman till index på olika varugruppsnivåer och till ett totalaggregat som representerar allt som produceras i

landet. De ingående företagen i undersökningen rapporterar priset på samma produkt månadsvis. Indexet

publiceras en gång i månaden och redovisas, dels på olika marknader såsom hemma- och exportmarknad, dels

på olika varugrupper enligt klassificeringen SPIN 2007.

Importprisindex är uppbyggt på samma vis som producentprisindex och ska spegla en genomsnittlig

förändring av priserna på importerade varor som används i Sverige. Priserna mäts i första inköpsledet då

varorna kommer in i Sverige. Undersökningen består av cirka 1800 produkter fördelade på knappt 1000

företag. Redovisningen av importprisindex sker samtidigt och enligt samma klassifikation som

producentprisindex. Importprisindex sammanvägt med prisindex för hemmamarknaden bildar prisindex för

inhemsk tillgång, ITPI. Genom ITPI återges således den samlade utvecklingen för varor som säljs vidare i

Sverige.

Alla prisindex för producent- och importled redovisas med basår 2005 som är lika med 100. De har beräknats

enligt nuvarande utformning sedan 1963 då en systematiserad internationell branschnomenklatur infördes. Det

primära syftet med indexen är att beräkna nominella belopp till belopp i fasta priser inom främst

nationalräkenskaperna. Statistiken används även som underlag till ekonomisk analys och för att prisreglera

avtal. (SCBDOK 3.1, 2013 s.3-7)

2.2.2 Konsumentprisindex

KPI ska mäta den genomsnittliga utvecklingen av priser för hela den privata inhemska konsumtionen.

Målpopulationen utgörs av alla produkter och tjänster som erbjuds till privata konsumenter i alla

försäljningsställen. Priserna ska avse vad konsumenterna faktiskt betalar för varorna och tjänsterna. Indexet

baseras på ett urval av produkter och försäljningsställen som uppdateras årligen. Vägningstalen för de

ingående produkterna och tjänsterna tar hänsyn till den privata konsumtionens sammansättning. Insamlingen

av priser sker månadsvis genom butiksbesök, telefonintervjuer, internet och genom att ta del av butikers

kassaregister. Varje månad publiceras ett totalindex samt index uppdelat på produktgrupper enligt

klassifikationen COICOP. Indextalen redovisas med basår 1980 som är lika med 100. (SCBDOK 3.2, 2013

9

s.2-13) Sedan februari 2014 beräknas även ett index med konstant skatt benämnt KPI-KS. För indexet finns

även historiska siffror. Direkta effekter av skatter i försäljningsledet till konsumenter räknas bort. Indexet

beräknas enbart för det högsta aggregatet av KPI, det vill säga totala KPI. (SCB KPI-KS 2014 s.1-3)

Indextal för KPI finns att tillgå från 1830. En av huvudanvändare av indexet är Riksbanken då KPI är den

explicita målvariabeln för penningpolitiken. Då indexet är det gängse måttet av inflation har det ett stort

användningsområde bland annat för ekonomiska beslutsfattare och reglering av diverse skatter, bidrag och lån.

KPI används även, liksom PPI, för fastprisberäkning av nationalräkenskaperna. (SCBDOK 3.2, 2013 s.2-13).

2.2.3 Skillnader mellan KPI och PPI

Även då KPI och PPI i mångt och mycket är uppbyggda på liknande vis och syftar till att följa

prisutvecklingen finns skillnader som sannolikt minskar jämförbarheten mellan indexen. Skillnaderna grundar

sig till stor del på indexens olika primära användningsområden. PPI används främst för att fastprisberäkna

transaktionsflöden mellan företag och ämnar därför mäta priser för alla varor som produceras och importeras

till Sverige. Det innebär att såväl varor som köps av andra producenter som varor som köps av konsumenter,

direkt eller indirekt via detaljhandlare, ingår i indexet. Medan KPI mäter förändringar av privatpersoners

levnadskostnader och därför ingår enbart varor och tjänster för privat konsumtion. Det innebär att

kompositionen av produkter som ingår, såväl som vikter, i KPI och PPI skiljer sig. PPI omfattar även enbart

varor medan både varor och tjänster ingår i KPI (Central Statistics Office 2013). Sett till vikter utgör tjänster

cirka hälften av totala KPI.

Ytterligare ett potentiellt problem vid jämförelse av indexen blir speciellt tydligt då totala PPI och KPI

används. Detta då PPI omfattas av en relativt stor andel som inte kommer konsumenten tillgodo. Till exempel

järnmalm som framställs och säljs vidare till ett betydande värde. Järnmalmet bearbetas och blir diverse

produkter som i sin tur används av andra producenter. Således kan en prisförändring observeras i flera

produktgrupper i PPI och en form av dubbelräkning sker då producenternas priser i alla led mäts. (Clark 1995

s. 25-28)

Även skatter, till exempel moms och varuskatter, behandlas olika då dessa inkluderas i KPI men inte i PPI.

Således kan en förändring av en skattesats få effekter på KPI men inte observeras i PPI. Vid jämförelse av

totalerna kan skillnaden undvikas genom att använda KPI-KS. En beräkningsmässig skillnad finns då

sammanvägningen från enskilda produkter till olika aggregat av produktkategorier sker på något olika vis. I

PPI används enbart viktade aritmetiska medelvärden medan KPI använder en blandning av geometriska och

aritmetiska medelvärden. Den geometriska beräkningen kan sägas ta hänsyn till substitutionseffekter då höjda

priser får ett mindre genomslag på aggregaten. (Bureau of Labor Statistics 2014)

10

2.2.4 Pristransmission

Hur prisförändringar i ett tidig led av utbudskedjan påverkar ett senare led kallas för vertikal pristransmission.

Hur pristransmissionen ser ut brukar beskrivas med tre olika egenskaper: magnituden, hastigheten och typen

av förändring. Magnituden syftar till att beskriva storleken på prisförändringen som slår igenom i senare led,

om den överhuvudtaget slår igenom. Hastigheten med vilken den eventuella prisförändringen slår igenom

bestäms av marknadens aktörer i de olika stegen till exempel grossister, distributörer och återförsäljare. Det

kan förekomma betydande fördröjningar mellan leden beroende på exempelvis konkurrenssituation på

marknaden, antal mellanhänder och vilka kostnader som är förenade med att justera priserna. Även då det

råder en stor konkurrens på marknaden kan små prisförändringar medföra så stora kostnader att det inte är

lönsamt att justera priserna i ett senare led. (Vavra et al. 2005, s.5-9)

Med vilken hastighet prisförändringen slår igenom inverkar till stor del på denna studie. Eftersom både KPI

och PPI publiceras månadsvis med föregående månads indextal går det inte att ta hänsyn till de fall där

prisförändringarna slår igenom snabbt i båda led. Det är till exempel troligt att grönsaker importeras och

konsumeras under samma månad. För den typen av varor kan vi inte avgöra i vilket led förändringen inträffade

först i och därmed inte vilket index som föranleder det andra.

Tidigare studier har visat att det kan finnas skillnader av hur transmissionen sker mellan prisuppgångar och -

nedgångar för vissa typer av varor. Den vanligaste asymmetrin är att prisuppgångar får ett större och snabbare

genomslag i senare led än då priset sjunker. Det innebär att pristransmissionen har ett tydligare samband vid

kostnadsökningar än kostnadssänkningar. Asymmetrin kan vara ett tecken på bristande konkurrens i senare

led. (Peltzman 2000, s. 466).

Det är sannolikt att styrkan i sambandet varierar bland annat beroende på vilka produkter som avses och hur

marknadsmakten ser ut på den aktuella marknaden. Om och hur mycket av prisförändringarna som slår

igenom i ett senare led av produktionskedjan bör även bero på hur stor andel av den totala kostnaden som

insatsvaran utgör. Insatsvaror som avser färdigtillverkade produkter utgör en större del av kostnaden än till

exempel råmaterial som kräver mycket bearbetning innan det blir en färdig produkt för konsumenten. Förutom

priset på insatsvaran finns övriga kostnader som kan bestå av löner, transporter och energi (Konkurrensverket

2011, s.15). På så vis kan prisförändringar för oprocessade produkter, i PPI, tänkas få ett mindre genomslag i

KPI än produkter som är färdiga att användas av konsumenten.

Ekonomisk teori inom vertikal pristransmission är inte entydig i vilken riktning producent- och importpriser

samt konsumentpriser påverkar varandra. En något mindre intuitiv teori är att kausaliteten i sambandet är det

motsatta, det vill säga att konsumentpriserna påverkar utvecklingen av producent- och importpriserna.

Förespråkare av detta synsätt menar att sambandet tar sin utgångspunkt i efterfrågesidan. Kostnaden för

produktionen reflekterar alternativkostnaden av insatsvaror, som i sin tur reflekterar efterfrågan på

11

konsumentvaror. På så vis påverkas insatsvarans pris av efterfrågan och förväntningar på framtida efterfrågan,

vilket reflekteras av konsumentpriset. (Guglielmo et al. 2002, s.703-711)

3. Metod

Detta kapitel beskriver den empiriska metoden samt anpassningar och test av modellen.

3.1 VAR

Liksom flera tidigare studier om sambandet mellan prisindex i olika led används även här en VAR(vector

autoregression)-modell. Modellen tycks dock inte tidigare använts på svenska prisindex.

VAR-modellen utvecklades av Christopher Sims på 80-talet för att beskriva finansiella och ekonomiska

tidsserier. Modellen är flexibel och lätt att använda då den inte kräver underbyggda teoretiska antaganden om

den kausala påverkan mellan variablerna. Till skillnad mot strukturella modeller där en variabel antingen är

endogen eller exogen så är variablerna i VAR endogena. Därmed bestäms dynamiken i modellen utifrån

datamaterialet.

VAR-modellen är en multivariat autoregressiv modell för tidsseriedata. Att den är multivariat och

autoregressiv innebär att analysen inte sker på en tidsserie isolerat som i en univariat modell. Utan kan istället

ses som ett system där varje variabel uttrycks som en linjär kombination av variabelns och alla andra

variablers historiska värden. En förändring av en variabel kan således få effekt på de andra. Definitionen av en

VAR med en variabel är väldigt lik en univariat autoregressiv och kan skrivas som:

(1)

Ovan modell beskriver en linjär VAR av order P, VAR(P), som är antal tidslaggar som inkluderas. är den

undersökta variabeln i tidsperiod t, C en konstant och feltermen. , C, och är vektorer av storleken k*1,

där k är antal observationer. Koefficienterna utgör en k*k matris.

En modell i matrisform med två variabler, bivariat, med P=1 kan beskrivas som:

(2)

där ~(0, ) och cov( . Variansen av feltermerna är oberoende av tiden.

(Zivot et al. 2003, s.383-385)

12

3.2 Impulsrespons-funktion

En VAR-modells koefficienter kan vara svårtolkade då modellen innehåller flera variabler med ett antal

historiska värden som påverkar varandra. För att kunna tolka en variabel isolerat kan en impulsrespons-

funktion användas. Systemet simulerar en chock på till exempel en standard avvikelse på feltermen medan

övriga feltermer sätts till 0. Funktionen använder nedan samband för att kunna uttyda hur en variabel påverkar

de andra och sig själv framåt i tiden.

En enkel modell där C=0 kan skrivas som:

eller genom att substituera med , som: och för k

tidsperioder:

Om |B|<1, vilket gäller under stationäritet se avsnitt 3.3, så att vilket innebär att kan

uttryckas som en funktion av residualerna: .

Utsätter vi systemet i formel 2 s.11, anta att konstanten är lika med noll, för en chock på en standardavvikelse

enbart på vid t=0, får vi:

och i tidsperiod 1 att

På så vis framgår att en chock i påverkar sig själv en period framåt med x och en period framåt med q.

(Cochrane 2005, s.37-38)

3.3 Bestämma antal laggar till modellen

En central del av en VAR är att ta med ett lämpligt antal historiska värden av variablerna. Intuitivt kan det vara

lockande att ta med många tidslaggar i modellen då det kan tänkas att dessa i någon mån ökar

förklaringsgraden. För många laggar reducerar dock antalet frihetsgrader utan att göra modellen mer passande.

Medan för få leder dock till en misspecifikation av modellen.

Med Akaikes informations kriterium (AIC) kan optimalt antal laggar väljas. AIC straffar modellen som har

med onödiga parametrar då små värden på AIC anses som en bra modell.

13

där P är antal parametrar och T antal perioder. Därmed kan testet sägas göra en avvägning mellan att få mindre

värden på summan av residualerna i kvadrat mot att inkludera ytterligare parametrar. (Montogomery et al.

2008, s.59)

3.4 Stationäritet och enhetsrot

Det är vanligt att ekonomiska tidsserier uppvisar tecken på icke-stationäritet. Tidsserier är strikt stationära om

medelvärdet, variansen och kovariansen av serierna inte är beroende av tiden och är ändliga. Om villkoret för

stationäritet inte uppfylls kan estimering med en VAR leda till att signifikanstester av modellen inte är

pålitliga och därmed kan resultatet visa på samband mellan variabler som inte är korrelerade, det vill säga

resultaten är inte väntesvärdesriktiga. (Weinhagen 2005, s.43)

En modell av typen:

är inte stationär om β=1. Detta kan visas då vi tar variansen av båda sidor:

Vilket inte har någon lösning som uppfylls under antagandet om stationäritet, förutom då , vilket ger

oändligt många lösningar. Processen är autoregressiv med en enhetsrot. Det kan visas att alla absolutvärden av

β som är större än 1 beskriver en icke-stationär process.

Ett test för icke-stationäritet görs lämpligen med ett Dickey-Fuller-test (DF). Testets nollhypotes är att β=1,

med en enhetsrot, och alternativhypotesen att | β |< 1 enligt . Testet kan utvidgas för att

testa en modell med fler än en laggar till en ADF. (Verbeek och Marno 2004, s.269)

3.4.1 Differentiering av en icke-stationär tidsserie

En icke-stationär serie kan differentieras för att bli stationär. Differentieringen innebär att vi skapar nya

tidsserier från de gamla exempelvis genom att subtrahera . På så vis får vi förändringen mot

föregående period istället för värdet på y och serien sägs vara integrerad av ordningen 1 (I(1)). Om det är

nödvändigt kan serien differentieras, d, i flera steg tills den är stationär (I(d)). (Montogomery et al. 2008,

s.36,39)

14

4. Data

I detta kapitel beskrivs datamaterialet som används, hur det anpassas för jämförelse och modeller. Vidare

görs en visuell analys av tidsserierna samt att de testas för att kunna ta fram en optimal modell.

4.1 Datainsamling

Datamaterialet i denna studie består av månadsvisa tidsserier av prisindexen ITPI och KPI från januari 1990

till december 2013. Tidsserierna har hämtats från prisenhetens databaser på SCB. De flesta av serierna som

använts är offentliga och finns publicerade på myndighetens hemsida. Indexen finns tillgängliga utifrån olika

produktgrupper som baseras på dess klassifikationer; COICOP för KPI och SPIN2007 för ITPI (se avsnitt 1.4).

Klassifikationen och därmed aggregeringar av produkter och tjänster i KPI tar sin utgångspunkt i 12

huvudgrupper som beskriver olika användningsområden, se tabell 1. Under varje huvudgrupp finns ett antal

undergrupper som mer detaljerat beskriver vad som ingår i huvudgruppen. I tabell 1 redogörs för de

undergrupper som ingår i studien. I grupp 07 används en sammanvägning av undergrupperna 071, 0721 och

0722. Att just dessa undergrupper valts ut beror på att hela 07 består av en betydande andel tjänster, såsom

transporttjänster och reparationer. En jämförelse av hela 07 med lämpliga index av ITPI blir därmed vansklig

då ITPI främst1 beskriver prisutvecklingen på produkter.

Tabell 1 Indelning KPI, efter COICOP huvudgrupper och vägningstal (SCB 2013, SM1302)

Huvudgrupper Undergrupper, som används i studien

Vägningstal 2013

01 Livsmedel och alkoholfria drycker 134

02 Alkoholhaltiga drycker och tobak 38

03 Kläder och skor 53

04 Boende 262

045 El och bränsle 50,46

05 Inventarier och hushållsvaror 54

06 Hälso- och sjukvård 35

07 Transport 141

071 Inköp av fordon 38,19

0721 Reservdelar och tillbehör 7,31

0722 Drivmedel 38,41

08 Post och telekommunikationer 36

09 Rekreation och kultur 120

10 Utbildning 4

11 Restauranger och logi 62

12 Diverse varor och tjänster 61

KPI total 1000

1 ITPI innehåller en mindre del tjänster av typen el, vatten och industriella tjänster.

15

Vägningstalen i tabell 1 beskriver den privata konsumtionens sammansättning och användes för beräkningar

av KPI under 2013. Till exempel spenderar den genomsnittliga konsumenten 14,1 procent av total konsumtion

på huvudgrupp 07 transport. Inköp av fordon, reservdelar och tillbehör samt drivmedel står för cirka 60

procent2 av konsumtionen under 07. Vägningstalen uppdateras årligen.

Denna studie fokuserar på att undersöka sambandet mellan ITPI och KPI för ett axplock av grupperna samt de

totala indexen. De rena grupper som undersöks är 01 livsmedel och alkoholfria drycker, 045 el och bränsle, 05

inventarier och hushållsvaror. En sammanvägning av 071 inköp av fordon, 0721 reservdelar och tillbehör och

0722 drivmedel görs till en grupp som hädanefter benämns som 071_2 eller transportprodukter. Dessa har

relativt höga vägningstal och innehåller i huvudsak produkter.

Till skillnad mot KPI:s klassifikation som tar sin utgångspunkt i användningsområde så utgår ITPI:s

klassifikation SPIN2007 från näringsgren. ITPI omfattar de flesta produktgrupper från 1-38. Även SPIN2007

har undergrupper till varje produktgrupp som snävare specificerar vilka produkter som ingår.

4.2 Anpassning av data

Utgångspunkten i arbetet har varit att behålla data såsom det publicerats med hänseende till

produktgruppsindelningar och vikter. Sammanvägningar till ”nya” produktgrupper har dock varit nödvändigt,

framförallt av ITPI-serier för att anpassas till COICOP.

Att prisindexen använder olika klassifikationer innebär att det inte alltid finns en direkt koppling mellan

produktgrupperna i ITPI och indelningen i KPI. Exempelvis kan ITPI:s undergrupp 22.22 Förpackningar av

plast tänkas vara insatsvaror i flera av KPI:s huvudgrupper. De flesta produktgrupper har dock ett godtagbart

1:1-förhållande, som KPI:s 071 mot ITPI:s 29.10 motorfordon sammanvägt med 30.91 motorcyklar och 30.92

cyklar. (SCB 2007)

För att matcha ihop vilka produktgrupper i ITPI som ska sorteras under de grupper i KPI som undersöks

används en nyckel från Eurostat, Correspondence table COICOP 1999-CPA 2008. Nyckeln används dock

med viss reservation då den inte är utformad efter svenska förhållanden och en del produktgrupper uppenbart

inte ingår i KPI:s motsvarighet. Till exempel tas inte levande hästar med i ITPI för att jämföras med KPI:s

inköp av fordon. Avstegen är dock få och den reviderade nyckeln som används presenteras i appendix A.

(Eurostat 2014)

Sammanvägningen av ITPI:s produktgrupper sker med de vikter som används vid beräkning av indexet. Valet

av vikter kan ifrågasättas då de egentligen visar till hur stort värde en produkt produceras eller importeras inte

2 (38,19+7,31+38,41)/141

16

hur mycket produkten motsvarar av den privata konsumtionen. Dock blir beräkningen väsentligt mycket mer

hanterbar än om vikterna anpassas efter KPI. Sammanvägningarna sker med ett viktat aritmetiskt medelvärde

på månadsförändringarna. För deskriptiv jämförelse i nästa avsnitt räknas indexen om till bas jan 1990=100.

Innan tidsserierna testas för stationäritet etc. logaritmeras de för att förebygga om sambandet inte är linjärt.

Bearbetning och analys av data har skett med programmen Microsoft SQL Server 2008, Microsoft Office Excel

2010 och SAS 9.3.

4.3 Beskrivning av data

4.3.1 Totala KPI-KS och ITPI

Vid jämförelse av totala KPI-KS med totala ITPI framkommer att båda indexen har en stigande trend som

varit avtagande sen finanskrisen inträffade under senare delen av 2008, se figur 1. KPI-KS har från 1990 till

2013 stigit med i snitt 2,3 procent per år, medan motsvarande förändringen av ITPI varit 2,5 procent. I figuren

framkommer även att under den tidigare finanskrisen i början av 90-talet sjunker ITPI medan KPI-KS inte

tycks påverkas på samma sätt. Även om indexen tycks följa varandra är det visuellt svårt att avgöra om det ena

föranleder det andra.

Figur 1 Utveckling av totala ITPI och KPI-KS, jan 1990=100

4.3.2 Livsmedel

För grupp 01, livsmedel, liknar utvecklingen i stort den för de totala indexen (se figur 2). Skillnaden mellan

indextalen i slutet av tidsserierna är dock större för livsmedel. Mycket på grund av en hastig ökning av import-

och producentpriserna under slutet av 2007 och början 2008. KPI för gruppen innehåller skatteförändringar.

Dessa är svåra att uttyda från nedan bild, men framkommer tydligt då månadsförändringar studeras. I appendix

B presenteras förändringarna mot föregående månad, där framgår de momsförändringar som genomförts under

80

90

100

110

120

130

140

150

160

170

180

19

90

01

19

91

01

19

92

01

19

93

01

19

94

01

19

95

01

19

96

01

19

97

01

19

98

01

19

99

01

20

00

01

20

01

01

20

02

01

20

03

01

20

04

01

20

05

01

20

06

01

20

07

01

20

08

01

20

09

01

20

10

01

20

11

01

20

12

01

20

13

01

KPI-KS

ITPI

17

90-talskrisen. Den allmänna momsen höjdes till 25 procent vid halvårsskiftet 1990 för att sedan sänkas till 18

procent på livsmedel från 1992. Under 1993 höjdes den åter igen till 21 procent för slutligen sänkas till

dagens nivå på 12 procent i utgången av 1996 (Lewin 2009, s.3-19). Prisförändringarna som följer av de

förändrade skatterna är inte relevanta vid jämförelse av ITPI. Dessa hanteras med en dummyvariabel som

antar värdet 1 då skatten infördes.

Figur 2 Utveckling av ITPI och KPI grupp 01, jan 1990=100

4.3.3 El och bränsle

Utvecklingen av grupp 045 har varit dramatisk då konsumentpriserna stigit med nästan 250 procent och

import- och producentpriserna med drygt 150 procent. Priserna följer varandra relativt väl, vilket kunde

förväntas då produkten i indexen i mångt och mycket är densamma det vill säga elektricitet och bränsle för

uppvärmning. Priserna på denna typ av varor i båda leden påverkas till stor del av samma faktorer såsom väder

och globala oljepriser. På förhand är det inte troligt att det ena indexet skulle föranleda det andra då

förändringar sannolikt sker i samma period. Sammanvägningen av ITPI innehåller dock en hel del obearbetade

bränslen som inte väntas få omedelbart genomslag i konsumentpriserna. Av samma anledning som för

livsmedel skapas en dummyvariabel för skatteförändringar.

80

90

100

110

120

130

140

150

160

170

19

90

01

19

91

01

19

92

01

19

93

01

19

94

01

19

95

01

19

96

01

19

97

01

19

98

01

19

99

01

20

00

01

20

01

01

20

02

01

20

03

01

20

04

01

20

05

01

20

06

01

20

07

01

20

08

01

20

09

01

20

10

01

20

11

01

20

12

01

20

13

01

KPI01

ITPI01

18


4.3.4 Inventarier och hushållsvaror

Grupp 05 innehåller en minst sagt spretig sammansättning av varor. För att täcka KPI-gruppen används inte

mindre än 30 undergrupper i ITPI. Av ITPI:s sammanvägning utgör metaller och trä en stor andel. Dessa

varutyper steg kraftigt fram till början av finanskrisen under 2008 i ITPI. Utvecklingen tycks dock inte ha

överförts i speciellt hög grad till konsumentpriserna då utvecklingen i KPI i stort varit horisontell från 1996

och framåt. En dummyvariabel har skapats för momsförändringar.


0

50

100

150

200

250

300

350

400

19

90

01

19

90

12

19

91

11

19

92

10

1

99

30

9

19

94

08

19

95

07

19

96

06

19

97

05

19

98

04

19

99

03

20

00

02

20

01

01

20

01

12

20

02

11

20

03

10

20

04

09

20

05

08

20

06

07

20

07

06

20

08

05

20

09

04

20

10

03

20

11

02

20

12

01

20

12

12

20

13

11

KPI045

ITPI045

60

80

100

120

140

160

180

200

19

90

01

19

90

12

19

91

11

19

92

10

19

93

09

19

94

08

19

95

07

19

96

06

19

97

05

19

98

04

19

99

03

20

00

02

20

01

01

20

01

12

20

02

11

20

03

10

20

04

09

20

05

08

20

06

07

20

07

06

20

08

05

20

09

04

20

10

03

20

11

02

20

12

01

20

12

12

20

13

11

KPI05

ITPI05

19

4.3.5 Transportprodukter

Gruppen 071_2 som innehåller fordon, drivmedel och tillbehör till fordon har en liknande utveckling i de olika

leden. Till skillnad mot de andra undersökta grupperna tycks dock KPI här ha större prisförändringar än ITPI.

Till stor del kan skillnaden i indexen förklaras av förändrade skatter på bensin, vilka har höjts kraftigt under

perioden. Särskilt tydligt framgår höjningarna i mars 1990 och januari 1993 se figur 14 i appendix B. Även

under den gröna skatteväxlingen mellan 2001-2006 höjdes skatterna kraftigt på bränsle och fordon (Lewin

2009, s.3-19). En dummyvariabel antar vid skatteförändringarna värdet ett.

Figur 5 Utveckling av ITPI och KPI grupp 071_2, jan 1990=100

4.4 Test av serierna

Nästa steg är att ta fram den bäst lämpade VAR-modellen för respektive tidsserie. Huvudspåret inom

transmissionsteorin och denna studie är att ITPI leder utvecklingen av KPI. Givet detta torde ITPI vara en

oberoende variabel, men det är ändå intressant att se om sambandet kan vara det omvända. Därför anges båda

variablerna som endogena, det vill säga de kan vara beroende av varandra. Dummyvariabeln för

skatteeffekterna är dock exogen till KPI-serierna.

Redan innan testet för stationäritet genomförs framgår det visuellt, i ovan figurer, att villkoret inte uppfylls. Då

samtliga serier innehar en trend differentieras de till att motsvara månadsförändringar istället för att jämföras

med jan 1990. Ingreppet på datat väntas inte skapa några analytisk problem då det är just förändringarna som

är intressanta att jämföra.

Innan tester görs måste antal laggar specificeras till respektive modell. Vid ett första test ger AIC vid handen

att 12 är det optimala antalet. Få av laggarna är dock signifikanta, ett undantag är den tolfte vilket uppvisar

80

100

120

140

160

180

200

19

90

01

19

91

01

19

92

01

19

93

01

19

94

01

19

95

01

19

96

01

19

97

01

19

98

01

19

99

01

20

00

01

20

01

01

20

02

01

20

03

01

20

04

01

20

05

01

20

06

01

20

07

01

20

08

01

20

09

01

20

10

01

20

11

01

20

12

01

20

13

01

KPI071_2

ITPI071_2

20

tillräckligt höga t-värden för samtliga serier. Samtidigt visas tecken på autokoorrelation på flera av de laggade

värdenas residualerna med Portmanteau test.

Uppenbart kan en hel del av sambandet härledas till säsong, vilket inte uppfyller kravet om stationäritet. Detta

hanteras på liknande sätt som trenden då förändringen divideras med motsvarande förändring föregående år.

De ännu en gång omarbetade serierna får således tolkas som säsongsjusterade månadsförändringar. Åtgärden

förkortar tidsserierna med ett år till att omfatta februari 1991 till december 2013, totalt 275 observationer.

Efter bearbetning föreslås fortfarande 12 laggar för flera av serierna. Då det är få som uppvisar signifikanta

värden från de första laggarna till den tolfte frångås Akaikes optimala antal laggar och det näst bästa enligt

testet premieras. I nedan tabell framgår det valda antalet till respektive grupp.

Grupp 01 045 05 071_2 Total

Antal lag-

gar till

modellen

2

3

3

2

1

Då stationäritet är en förutsättning för att kunna göra korrekta tolkningar av estimaten från VAR-modellen

testas det med Dickey Fullers ADF-test. Med höga värden på test-statistikan för samtliga serier kan

nollhypotesen om att de inte är stationära förkastas.

5. Resultat

Med utgångspunkt i föregående kapitels modell presenteras och analyseras här resultaten.

För lejonparten av de testade grupperna kan slutsatsen dras att den totala modellen är statistiskt signifikant på

5- procents-nivån. I tabell 2 under kolumnen modellens signifikans presenteras resultatet från Walds test där

nollhypotesen är att den sammanlagda signifikansen av de förklarande variablerna är lika med noll.

Nollhypotesen förkastas för båda de totala indexen (KPI-KS- och ITPI-total) vilket således innebär att laggade

värden av båda variablerna förklarar variationen vid en given tidpunkt. Nollhypotesen för både ITPI och KPI

förkastas även på modellerna för el och bränsle samt inventarier. Medan ej signifikanta värden uppvisas för

KPI livsmedel och KPI transportprodukter. I appendix C presenteras de fullständiga resultaten för modellerna.

Den generella slutsatsen när förklaringsgraden, , studeras är att den historiska utvecklingen förklarar relativt

lite av utvecklingen i period t. Totala KPI-KS och ITPI i period t-1 förklarar enbart 3,3 procent av KPI-KS i

period t. Sannolikt då KPI-KS har andra förklarande variabler som försummats i modellen.

21

Tabell 2 Sammanfattande resultat för VAR-modellen till respektive grupp med index för KPI och ITPI som beroende variabler

Beroende variabel

Antal laggar

Modellens signifikans

Totaler av index

KPI-KS-Total 1 0,0333 0,0101

ITPI-Total 1 0,0269 0,0247

Grupp 01, livsmedel

KPI 2 0,0215 0,3223

ITPI 2 0,1058 <0,001

Grupp 045, el och bränsle

KPI045 3 0,1587 <0,0001

ITPI045 3 0,1361 <0,0001

Grupp 05, inventarier och hushållsvaror

KPI 3 0,1333 <0,0001

ITPI 3 0,0817 0,0019

Grupp 071_2, transportprodukter

KPI 2 0,0353 0,0858

ITPI 2 0,1252 <0,0001

5.1 Totala KPI-KS och ITPI

För att tydliggöra hur en förändring av den ena variabeln påverkar den andra framåt i tiden används

impulsrespons-funktioner (IRF). För varje figur där IRF visas beskriver den horisontella axeln månader efter

chocken, på två standardavvikelser, inträffat och den vertikala axeln förändringen i procent på den svarande

variabeln. Estimaten omgärdas av 95-procentiga konfidensband och då båda banden är över eller under noll på

den vertikala axeln är påverkan signifikant. I appendix D visas hur en chock i variabeln påverkar sig själv

framåt i tiden.

Även då förklaringsgraden är väldigt låg för både ITPI och KPI-KS indikeras att laggen av ITPI påverkar

utvecklingen av båda indexen, se appendix C. IRF, figur 6, visar att KPI påverkas en period framåt efter

chocken i ITPI. Chocken på två standardavvikelser motsvarar cirka 1,7 procents förändring av ITPI, vilket

leder till att KPI väntas stiga med cirka 0,08 procent nästa månad. Två månader efter chocken har effekten

nästintill försvunnit. ITPI:s respons på en chock i KPI är inte signifikant men en tendens till ett positivt

samband finns.

22

Figur 6 Totaler av index

KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI

5.2 Livsmedel

Lite förvånande är det då modellen för KPI livsmedel inte är signifikant medan ITPI livsmedel till viss del

förklaras med modellens historiska värden. I appendix C framgår att i modellen för ITPI livsmedel är båda

laggarna av ITPI signifikanta. Ingen av de historiska värdena för KPI är signifikanta då varken KPI eller ITPI

ska förklaras i period t.

För att hitta en förklaring till sambanden måste vidare analys göras. Utifrån teorierna om pristransmission

skulle en förklaring till att priserna inte tycks föras vidare vara bristande konkurrens. Det är dock troligt att

många av prisförändringarna i båda indexen sker i samma period, då en stor andel består av färskvaror. Vilket

innebär att vi inte kan reda ut om ITPI leder KPI eller tvärtom. Det kan även tänkas att det är kostsamt att

ständigt ändra priserna efter hur priserna på insatsvaror fluktuerar. Till exempel beror priset på spannmål till

stor del av ett börshandlat världsmarknadspris. Det kan då tänkas att det krävs en längre tid av upp- eller

nedgång innan detaljhandeln ändrar priset. IRF, figur 7, indikerar dock att så inte är fallet då en chock av ITPI

avtar relativt snabbt, men är aldrig signifikant.

Inte heller den alternativa teorin, om att priset på insatsvaror påverkas av priset i konsumentled, tycks gälla för

livsmedel. Då ITPI:s respons på en chock i KPI är obefintlig.

23

Figur 7 Livsmedel


5.3 El och bränsle

Prisindexen för el och bränsle tycks ha ett tydligt men lite märkligt samband. Påverkan på KPI blir som störst

tre perioder efter chocken inträffat i ITPI. Däremot leder en chock i KPI till en signifikant negativ respons av

ITPI. Det är svårt att hitta en förklaring till detta då indexen till stor del innehåller produkter som tillverkas

eller importeras och säljs momentant såsom elektricitet och fjärrvärme.

Figur 8 El och bränsle


Även då serierna är stationära kan det tänkas att ytterligare säsongsrensning behöver göras. Detta då till

exempel elektricitet tenderar att öka i pris under den kalla årstiden. Att differentiera mot föregående år som

gjordes innan modellen kördes räcker nog inte då prishöjningarna inte nödvändigtvis inträffar i samma månad

24

som året innan. Ett glidande medelvärde av flera månader kan möjligtvis vara mer lämpligt att differentiera

mot.

Det finns ytterligare en besvärande omständighet vad avser sammansättningen av varor i de olika indexen.

Nyckeln mellan klassifikationerna ger att hela gruppen 19.2, raffinerade petroleumprodukter, i ITPI ska

inkluderas, vilket bland annat innehåller eldningsolja och bensin. Bensin finns dock inte med i KPI 045 då det

är en undergrupp till huvudgruppen 04 vilket avser boendekostnader. Det kan även tänkas att bränslen får en

stor vikt i ITPI då till exempel eldningsolja används mer frekvent av industrin än av privatpersoner.

Sammantaget bidrar det till att bränslen gentemot elektricitet blir överviktade i ITPI jämfört med KPI. Således

visar IRF till höger, något förenklat, att stigande priser på el i KPI leder till lägre priser på bränsle i ITPI. Det

är dock svårt att med motsvarande argument förklara varför stigande priser av bränsle leder till stigande priser

på el, vilket indikeras då ITPI chockas. Slutsatsen blir att gruppen behöver definieras snävare; en uppdelning

av elektricitet och bränsle skulle underlätta analysen.

5.4 Inventarier och hushållsvaror

Ett intressant mönster för inventarier och hushållsvaror kan urskiljas i KPI då ITPI utsätts för en chock. IRF

visar att påverkan är minimal efter en period för att sedan bli signifikant mellan andra och fjärde perioden. Det

tycks således som att det tar lite tid för konsumentpriserna att påverkas av de höjda priserna på insatsvarorna.

Vilket stämmer väl överens med sammansättningen av produkter i ITPI som består av en hel del relativt

oprocessade insatsvaror såsom metaller och trä. Då KPI istället chockas blir påverkan av ITPI inte signifikant.

Figur 9 Inventarier och hushållsvaror


25

5.5 Transportprodukter

Utav de undersökta grupperna är denna den enda där tecken visas på att producenternas och importörernas pris

skulle kunna vara efterfrågestyrt. Då ITPI visar på en svag signifikant respons då KPI chockas. Sambandet är

dock inte entydigt eftersom även KPI påverkas, betydligt starkare, när ITPI istället chockas.

Figur 10 Transportprodukter


Även för denna produktgrupp som innehåller drivmedel, fordon och delar till fordon är överviktning av ITPI

tydlig. Till exempel tillverkas en hel del delar till fordon av producenter som är underleverantörer till företag

där kompletta fordon sammanställs. Fordonsdelar kan visserligen även köpas av privata konsumenter men sker

sannolikt i en väsentligt mindre utsträckning än producenternas inköp.

6. Slutsats

Resultaten från föregående kapitel sammanfattas och kopplas med uppsatsen syfte och problemformulering.

Vad framkom egentligen med studien och hur kan forskningen i ämnet gå vidare?

6.1 Sammanfattande slutsats

Uppsatsen syfte var att se om historiska index av ITPI och KPI förklarar deras framtida utveckling.

Framförallt om ITPI föranleder utvecklingen av KPI på totala aggregatet och för snävare indelningar. Därmed

skulle ITPI kunna användas vid prognostisering av KPI. Detta samband har stark förankring i teorin om

pristransmission. Studien skulle även svara på om sambandet är det omvända det vill säga att prisutvecklingen

i tidigare led drivs av utvecklingen i konsumentpriserna. Det omvända sambandet har visat sig vara en realitet

i somliga tidigare studier med utländska prisindex.

26

Utgångspunkten var att totalerna av indexen var allt för heterogena då de per definition innehåller alla möjliga

produkter. Det totala aggregatet av KPI innehåller även en betydande del tjänster vilka inte har någon

motsvarighet i ITPI och därför bör skalas bort. Likaså innehåller ITPI en hel del dubbelräkningar då alla

producenter inkluderas i det totala aggregatet, vilket inte heller torde vara optimalt vid jämförelse. Ett första

steg var att göra KPI och ITPI mer jämförbara genom att dela in indexen i snävare indelningar för vissa

produktgrupper i tron att dessa skulle ha ett tydligare samband än totalerna. Indelningen gjordes även för att se

om sambandet ser olika ut beroende på varutypen.

VAR-modellerna som användes får anses som väl lämpad för sitt syfte och genom IRF tydliggörs indexens

historiska påverkan på varandra. Tidsserierna behövde dock anpassas en del för att kunna använda modellen.

De differentierades två gånger för att representera årsjusterade månadsförändringar. Rent generellt ska det

påpekas att de historiska värdena inte förklarar en speciellt stor del av den framtida utvecklingen även då flera

av modellerna var signifikanta. Denna slutsats var inte speciellt oväntad då det finns flertalet variabler som kan

väntas ha inverkan på indexens utveckling och medvetet försummades i modellen.

Sammantaget visade modellerna att det är ITPI som leder KPI och inte tvärtom. Förhållandet tycks råda på

samtliga undersökta grupper och även för totalerna. Transportprodukterna visade visserligen en tendens till att

även KPI kan leda ITPI om än i mindre omfattning. För livsmedel var inte ITPI:s utveckling signifikant för att

prognostisera KPI. Detta tros bero på att denna typ av produkter har en snabb omsättningshastighet, varorna

säljs till konsumenter kort efter att det har importerats eller producerats. För dessa produkter skulle möjligtvis

veckodata behövas för att tydligare fastställa sambandet. Hur lång tid det tar innan KPI responderar på en

chock av ITPI varierar något beroende på produktgruppen. För hushållsvaror och inventarier samt el och

bränsle är responsen som störst efter två respektive tre månader, påverkan dröjer även kvar i fyra månader

innan den inte längre är signifikant. Medan de totala indexen och transportprodukter enbart är signifikanta den

första månaden efter chocken. El och bränsle uppvisade ett märkligt samband då ITPI:s respons är negativ på

positiva prisförändringar i KPI. Det märkliga sambandet tros snarare kunna hänföras till att säsongsmönster

fortfarande finns kvar i residualerna snarare än en faktisk påverkan.

Såväl de totala indexen som vissa snävare indelningar kan användas för prognostisering av KPI. Skillnaderna

mellan estimeringarna torde stödja att jämförelser görs efter anpassade indelningar. Författarens slutsats är att

indelningarna bör göras på än mer homogena produkter än underlaget till denna studie. Denna studie använde

de faktiska vikterna som används i ITPI. För att ytterligare bättra på sammanvägningarna skulle även ITPI:s

vikter kunna anpassas efter KPI på en finare nivå. De beskrivna förbättringarna skulle sannolikt leda till bättre

underlag för prognostisering, men skulle samtidigt var svårt med offentlig data. Trots detta kan denna studie

vara ett kunskapsunderlag som bidrar till att underlätta för prognostisering av framtida förändringar i KPI. Då

studien lyfter fram hur snävare produktindelningar kan användas samt att VAR-modellen tycks lämplig för

ändamålet.

27

6.2 Förslag till vidare studier

Denna studie har fokuserat på att se om ITPI och KPI är lämpliga att använda för prognostisering av varandra.

De bakomliggande teorierna om varför det skulle finnas ett samband har behandlats i utkanten. Det skulle

vara intressant att se om konkurrenssituationen påverkar prisöverföringen för en viss typ av produkter. För den

analysen skulle exempelvis ett mått på koncentrationsgrad, antal aktörer och storleken på dessa, kunna

inkluderas i modellen. Samt ett annat förfaringssätt med modellen för att studera skillnader vid upp- och

nedgångar av priserna. Snävare indelningar skulle vara nödvändiga för att studera såväl konkurrens som

förbättra jämförelsen av indexen. En optimal klassifikationsnyckel för att möjliggöra det skulle vara från

COICOP:s lägsta undergrupper till ITPI på KN-nivå, det vill säga tullnummer.

För att styrka det samband som uppvisats skulle det vara intressant om samma tidsserier användes med en

annan modell än VAR eller ett annat angrepssätt. Framtida studier bör sannolikt arbeta mer med att undersöka

och ta om hand om säsongsmönster genom mer sofistikerade metoder. Det skulle även vara intressant att dela

upp längre tidsserier för att se om sambandet ändrats över tid, vilket visats med amerikanska prisindex.

28

7. Referenser

AKÇAY, Selçuk (2011) ”The Casual Relationship between Producer Price Index and Consumer Price

Index: Empirical Evidence from Selected European Countries”. International Journal of Economics and

Finance. Vol. 3, No. 6, 2011. Sid. 227-232.

Clark, Todd E. (1995) “Do Producer Prices Lead Consumer Prices?”. Economic Review. Third quarter,

1995. Sid. 25-39.

Central Statistics Office (2013). How does the Producer Price Index differ from the Consumer Price

Index?

http://www.cso.ie/en/media/csoie/surveysandmethodologies/surveys/prices/documents/PPI_differ_CPI1.p

df. (Hämtad 2014-03-21)

Cochrane, John H. ( 2005). Time Series for Macroeconomics and Finance. Graduate School of Business.

University of Chicago.

Dagens Industri (2014). http://www.di.se/#!/artiklar/2014/4/10/kommentar-pressen-runt-ingves-okar/

(Hämtad 2014-04-10).

Dellmo, Hans (1996) ”Producent- och importpriser och KPI – svagt samband på aggregerad nivå”.

Penning- och valutapolitik. 2/1996. Sid. 18-30.

Eurostat (2014). Index of correspondence tables.

http://ec.europa.eu/eurostat/ramon/relations/index.cfm?TargetUrl=LST_REL&StrLanguageCode=EN&Int

CurrentPage=3 (Hämtad 2014-01-30)

Guglielmo, Maria Caporale; Katsimi, Margarita och Pittis, Nikitas (2002) “Causality links between

consumer and producer prices: some empirical evidence”. Southern Economic Journal. 68 (3). 2002. Sid.

703-711.

Konkurrensverket (2011). Pristransmission inom den svenska livsmedelskedjan.

http://www.kkv.se/upload/Filer/Trycksaker/Rapporter/rapport_2011-3_pristransmission_livsmedel.pdf

(Hämtad 2014-03-01)

Lewin, Bengt (2009). Efter skattereformen - En genomgång av svensk skattepolitik 1992-2009

Underlagsrapport till Riksrevisionen.

http://www.riksrevisionen.se/PageFiles/1979/RiR_2010_11_bilaga_1.pdf (Hämtad 2014-05-17)

Montgomery, Douglas C., Jennings, Cheryl L. och Kulahci, Murat (2008) Introduction to Time Series

Analysis and Forecasting. Hoboken, New Jersey. ISBN 978-0-471-65397-4.

Peltzman, Sam (2000) “Prices Rise Faster than They Fall”. Journal of Political Economy. Vol. 108, No. 3,

June 2000, Sid. 466-502.

SCB (2014). KPI-KS (KPI med konstant skatt) och KPIF-KS (KPI med fast ränta och konstant skatt)

http://www.scb.se/Statistik/PR/PR0101/2014M01/KPI-KS_och_KPIF-KS_PM_2014-02-17.pdf (Hämtad

2014-04-01).

SCB (2013). Konsumentprisindex för januari 2013.

http://www.scb.se/Statistik/PR/PR0101/2013M01/PR0101_2013M01_SM_PR14SM1302.pdf. (Hämtad

2014-05-09)

29

SCB (2013). SCBDOK 3.1. Prisindex i producent- och importled PPI. 2013.

http://www.scb.se/Statistik/PR/PR0301/PR0301_DO_2013.pdf (Hämtad 2014-02-12)

SCB (2013). SCBDOK 3.2. Konsumentprisindex. 2013.

http://www.scb.se/Statistik/PR/PR0101/_dokument/PR0101_DO_%202013.pdf (Hämtad 2014-02-12)

SCB, MIS 2007:2, SNI 2007. Standard för svensk näringsgrensindelning. 2007.

United States Department of Labor, Bureau of Labor Statistics (2014). Comparing the Producer Price

Index for Personal Consumption with the U.S. All Items CPI for All Urban Consumers.

http://www.bls.gov/ppi/ppicpippi.htm (Hämtad 2014-03-01)

Vavra, Pavel och Goodwin, Barry K. (2005) "Analysis of Price Transmission Along the Food Chain".

OECD Food, Agriculture and Fisheries Working Papers. No. 3. OECD

Publishing. doi:10.1787/752335872456

Verbeek, Marno (2004) A Guide to Modern Econometrics. 2:a upplagan. Erasmus University Rotterdam

Weinhagen, Jonathan (2005) “Price transmission within the PPI for intermediate goods”. Monthly Labor

Review. Maj, 2005. Sid. 41-49.

Weinhagen, Jonathan (2002) “An empirical analysis of price transmission by stage of processing”.

Monthly Labor Review. November, 2002. Sid. 3-11.

Zivot, Eric och Wang, Jiahui (2003). Modeling Financial Time Series with S-PLUS

30

Appendix A: nyckel mellan COICOP och SPIN2007

COICOP SPIN2007 COICOP SPIN2007

01 1 05 25.71 01 3 05 25.72 01 10 05 25.73 01 1107 05 25.9

045 5 05 26.51 045 8.92 05 27.1 045 19.1 05 27.2 045 19.2 05 27.3 045 20.14 05 27.4 045 25.29 05 27.5 045 35 05 27.9 045 38.11 05 28.13 05 13.92 05 28.14 05 13.93 05 28.24 05 13.94 05 28.25 05 13.96 05 28.29 05 15.11 05 28.3 05 15.12 05 28.49 05 16.24 05 28.94 05 16.29 05 31 05 17.21 05 32.12 05 17.29 05 32.9 05 20.13 071_2 19.2 05 20.14 071_2 20.41 05 20.15 071_2 20.59 05 20.2 071_2 22.11 05 20.41 071_2 22.19 05 20.51 071_2 23.12 05 20.52 071_2 25.93 05 20.53 071_2 26.3 05 22.19 071_2 26.60 05 22.21 071_2 27.2 05 22.22 071_2 27.4 05 22.23 071_2 28.13 05 22.29 071_2 28.15 05 23.12 071_2 28.22 05 23.13 071_2 28.29 05 23.19 071_2 29.1 05 23.41 071_2 29.2 05 23.49 071_2 29.31 05 23.69 071_2 29.32 05 24.42 071_2 30.9

071_2 38.11

31

Appendix B: månadsförändringar Figur 11 månadsförändringar grupp 01 livsmedel

Figur 12 månadsförändringar grupp 045 El och bränsle

0,92

0,94

0,96

0,98

1

1,02

1,04

19

90

02

19

91

02

19

92

02

19

93

02

19

94

02

19

95

02

19

96

02

19

97

02

19

98

02

19

99

02

20

00

02

20

01

02

20

02

02

20

03

02

20

04

02

20

05

02

20

06

02

20

07

02

20

08

02

20

09

02

20

10

02

20

11

02

20

12

02

20

13

02

G_KPI01

G_ITPI01

0,9

0,95

1

1,05

1,1

1,15

1,2

19

90

02

19

91

02

19

92

02

19

93

02

19

94

02

19

95

02

19

96

02

19

97

02

19

98

02

19

99

02

20

00

02

20

01

02

20

02

02

20

03

02

20

04

02

20

05

02

20

06

02

20

07

02

20

08

02

20

09

02

20

10

02

20

11

02

20

12

02

20

13

02

G_KPI045

G_ITPI045

32

Figur 13 månadsförändringar grupp 05 Inventarier Inventarier och hushållsvaror

Figur 14 månadsförändringar grupp 071_2 Transportprodukter

0,95

0,96

0,97

0,98

0,99

1

1,01

1,02

1,03

19

90

02

19

91

02

19

92

02

19

93

02

19

94

02

19

95

02

19

96

02

19

97

02

19

98

02

19

99

02

20

00

02

20

01

02

20

02

02

20

03

02

20

04

02

20

05

02

20

06

02

20

07

02

20

08

02

20

09

02

20

10

02

20

11

02

20

12

02

20

13

02

G_KPI05

G_ITPI05

0,92

0,97

1,02

1,07

1,12

19

90

02

19

91

02

19

92

02

19

93

02

19

94

02

19

95

02

19

96

02

19

97

02

19

98

02

19

99

02

20

00

02

20

01

02

20

02

02

20

03

02

20

04

02

20

05

02

20

06

02

20

07

02

20

08

02

20

09

02

20

10

02

20

11

02

20

12

02

20

13

02

G_KPI071_2

G_ITPI071_2

33

Appendix C: fullständiga resultat

Model Parameter Estimates

Equation Parameter Estimate Standard

Error

t Value Pr > |t| Variable

Gar_kpi_kstotln CONST1 -0.00032 0.00025 -1.31 0.1928 1

AR1_1_1 -0.02801 0.05810 -0.48 0.6302 Gar_kpi_kstotln(t-1)

AR1_1_2 0.08003 0.02636 3.04 0.0026 Gar_itpi_totln(t-1)

Gar_itpi_totln CONST2 -0.00010 0.00058 -0.17 0.8660 1

AR1_2_1 0.07018 0.13711 0.51 0.6092 Gar_kpi_kstotln(t-1)

AR1_2_2 0.15258 0.06221 2.45 0.0148 Gar_itpi_totln(t-1)



Error


Gar_KPI01ln CONST1 0.00014 0.00065 0.22 0.8296 1

XL0_1_1 0.00166 0.00411 0.40 0.6873 Dummy(t)

AR1_1_1 -0.01390 0.06540 -0.21 0.8319 Gar_KPI01ln(t-1)

AR1_1_2 0.12664 0.08002 1.58 0.1147 Gar_ITPI01ln(t-1)

AR2_1_1 -0.09696 0.06546 -1.48 0.1398 Gar_KPI01ln(t-2)

AR2_1_2 0.07084 0.08060 0.88 0.3803 Gar_ITPI01ln(t-2)

Gar_ITPI01ln CONST2 0.00012 0.00051 0.24 0.8140 1

AR1_2_1 -0.00328 0.05207 -0.06 0.9499 Gar_KPI01ln(t-1)

AR1_2_2 0.18104 0.06375 2.84 0.0049 Gar_ITPI01ln(t-1)

AR2_2_1 -0.00044 0.05209 -0.01 0.9932 Gar_KPI01ln(t-2)

AR2_2_2 0.23310 0.06422 3.63 0.0003 Gar_ITPI01ln(t-2)



Error


Gar_KPI045ln CONST1 -0.00022 0.00128 -0.17 0.8637 1

XL0_1_1 -0.00564 0.00726 -0.78 0.4377 Dummy(t)

AR1_1_1 0.17811 0.07739 2.30 0.0222 Gar_KPI045ln(t-1)

AR1_1_2 0.06685 0.05416 1.23 0.2182 Gar_ITPI045ln(t-1)

AR2_1_1 -0.14126 0.06865 -2.06 0.0406 Gar_KPI045ln(t-2)

34



Error


AR2_1_2 0.13279 0.05174 2.57 0.0108 Gar_ITPI045ln(t-2)

AR3_1_1 0.04777 0.06670 0.72 0.4745 Gar_KPI045ln(t-3)

AR3_1_2 0.13041 0.05070 2.57 0.0107 Gar_ITPI045ln(t-3)

Gar_ITPI045ln CONST2 -0.00066 0.00183 -0.36 0.7186 1

AR1_2_1 -0.29974 0.11106 -2.70 0.0074 Gar_KPI045ln(t-1)

AR1_2_2 0.28146 0.07767 3.62 0.0003 Gar_ITPI045ln(t-1)

AR2_2_1 -0.22596 0.09851 -2.29 0.0226 Gar_KPI045ln(t-2)

AR2_2_2 0.09147 0.07425 1.23 0.2191 Gar_ITPI045ln(t-2)

AR3_2_1 -0.19905 0.09572 -2.08 0.0385 Gar_KPI045ln(t-3)

AR3_2_2 0.21456 0.07276 2.95 0.0035 Gar_ITPI045ln(t-3)



Error


Gar_KPI05ln CONST1 -0.00019 0.00030 -0.63 0.5314 1

XL0_1_1 -0.01605 0.00492 -3.26 0.0012 Dummy(t)

AR1_1_1 -0.12538 0.05951 -2.11 0.0361 Gar_KPI05ln(t-1)

AR1_1_2 -0.02459 0.03242 -0.76 0.4489 Gar_ITPI05ln(t-1)

AR2_1_1 0.15592 0.05739 2.72 0.0070 Gar_KPI05ln(t-2)

AR2_1_2 0.09743 0.03217 3.03 0.0027 Gar_ITPI05ln(t-2)

AR3_1_1 0.03865 0.05841 0.66 0.5087 Gar_KPI05ln(t-3)

AR3_1_2 0.08589 0.03330 2.58 0.0105 Gar_ITPI05ln(t-3)

Gar_ITPI05ln CONST2 -0.00014 0.00056 -0.26 0.7972 1

AR1_2_1 0.09448 0.11281 0.84 0.4031 Gar_KPI05ln(t-1)

AR1_2_2 0.17061 0.06154 2.77 0.0060 Gar_ITPI05ln(t-1)

AR2_2_1 0.02371 0.10895 0.22 0.8279 Gar_KPI05ln(t-2)

AR2_2_2 0.19470 0.06105 3.19 0.0016 Gar_ITPI05ln(t-2)

AR3_2_1 -0.13887 0.10971 -1.27 0.2067 Gar_KPI05ln(t-3)

AR3_2_2 -0.03336 0.06323 -0.53 0.5982 Gar_ITPI05ln(t-3)

35



Error


Gar_KPI071_2ln CONST1 -0.00018 0.00115 -0.16 0.8728 1

XL0_1_1 -0.00414 0.01023 -0.40 0.6862 Dummy(t)

AR1_1_1 -0.04895 0.07644 -0.64 0.5224 Gar_KPI071_2ln(t-1)

AR1_1_2 0.31495 0.11811 2.67 0.0081 Gar_ITPI071_2ln(t-1)

AR2_1_1 -0.07624 0.07670 -0.99 0.3211 Gar_KPI071_2ln(t-2)

AR2_1_2 -0.06901 0.11417 -0.60 0.5461 Gar_ITPI071_2ln(t-2)

Gar_ITPI071_2ln CONST2 -0.00011 0.00076 -0.14 0.8888 1

AR1_2_1 0.09287 0.05055 1.84 0.0673 Gar_KPI071_2ln(t-1)

AR1_2_2 0.23614 0.07805 3.03 0.0027 Gar_ITPI071_2ln(t-1)

AR2_2_1 0.10258 0.05070 2.02 0.0441 Gar_KPI071_2ln(t-2)

AR2_2_2 -0.18168 0.07542 -2.41 0.0167 Gar_ITPI071_2ln(t-2)

36

Appendix D: impulsrespons funktioner (IRF)

Figur 15 Totaler av index

ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI

37

Figur 16 Livsmedel


Figur 17 El och bränsle


38

Figur 18 Inventarier och hushållsvaror


Figur 19 Transportprodukter


transmission mellan prisindex - diva...

Documents