Over the past decade, the Swedish pension funds AP1, AP2, AP3, and AP4 have significantly increased their capital allocation towards unlisted real estate. This study explores the investment strategies of these AP funds, examining the methods used in asset class investments, risk mitigation measures, responses to macroeconomic threats, and investment returns. Employing a mixed-methods approach, the research integrates semi-structured interviews with fund representatives and statistical analysis of data from annual reports.  Findings indicate that the AP funds have capitalized on post-financial crisis real estate market dynamics, particularly evident in investments initiated in the years after the crisis. Notably, AP1, AP3, and AP4 have gained good returns through sector diversification, contrasting with AP2’s less successful geographic diversification. Investments are primarily direct or joint ventures in unlisted real estate firms, avoiding PERE-funds due to their shorter holding periods and high costs. Risk is mitigated through extended holding periods, strategic partner selection, board involvement, and analysis of megatrends. The low risk-free rate environment that has been in Sweden for the last decade has significantly supported the unrealized returns from the investments. Future capital allocation should focus on non-competing sectors, reinvestments in existing assets, and identification of new trends to enhance sector investability. / Under det senaste decenniet har de svenska pensionsfonderna AP1, AP2, AP3 och AP4 ökat sin tillgångsallokering avsevärt i onoterade fastigheter. Denna studie utforskar investeringsstrategierna för dessa AP-fonder och granskar de metoder som används i investeringarna i tillgångsklassen, vilka åtgärder som görs för riskminimering samt hur makroekonomiska hot minimeras och vilka avkastningarna investeringarna gett. Genom att använda en blandad metod använder studien semistrukturerade intervjuer med fondrepresentanter och statistisk analys av data från årsredovisningar. Resultaten visar att AP-fonderna har kapitaliserat på dynamiken på fastighetsmarknaden efter finanskrisen, särskilt tydligt i investeringar som initierades åren efter krisen. Noterbart är att AP1, AP3 och AP4 har uppnått betydande avkastningar genom sektordiversifiering, i kontrast till AP2:s mindre framgångsrika geografiska diversifiering. Investeringarna sker främst direkt eller via klubbstrukturer i onoterade fastighetsföretag, där PERE-fonder undviks på grund av deras kortare hållperioder och oproportionerliga kostnader. Riskminimering uppnås genom långa investeringshorisonter, strategiskt partnerurval, styrelseengagemang och analys av megatrender. Den låga riskfria räntemiljön som varit i Sverige det senaste decenniet har avsevärt stöttat de orealiserade avkastningarna från investeringarna. Framtida kapitalallokeringar bör fokusera på icke-konkurrerande sektorer, återinvesteringar i befintliga bolag och identifiering av nya trender för att hitta sektorer som blivit investerbara.

Det har varit möjligt att paketera tillgångar i bolag sedan reglerna om näringsbetingade andelar infördes år 2003. Att paketera en tillgång i ett bolag innebär att det bolag som äger tillgången placerar denna i ett helägt dotterbolag, exempelvis genom en underprisöverlåtelse, för att sedan avyttra andelarna i dotterbolaget istället för att sälja tillgången direkt. Genom att paketera tillgångar på detta vis kan moderbolaget avyttra tillgångar utan att försäljningsvinsten ska näringsbeskattas. I och med att det blir andelar i ett helägt dotterbolag som moderbolaget säljer kan dessa andelar ses som näringsbetingade andelar. En vinst på näringsbetingade andelar ska inte tas upp till beskattning. Lagstiftaren förutsåg att detta skulle bli en följd av införandet av reglerna om näringsbetingade andelar, men förfarandet har ansetts vara alldeles för komplicerat att lagstifta emot. Det vanligaste paketeringsförfarandet är att fastigheter paketeras i dotterbolag. Fastigheter är den tillgång som generellt har högst värde, vilket gör det mycket lönsamt att sälja dem genom ett paketeringsbolag. Paketeringsförfarandet har under åren utvecklats till att bolagen använder oäkta bostadsrättsföreningar i vilka de paketera bostadsrätter. Det har inte varit helt klart hur andelarna i de oäkta bostadsrättsföreningarna skattemässigt ska klassificeras, vilket har lett till en omfattande rättspraxis som fram till år 2019 saknade prejudikat. Det avgörande för om det ska vara lönsamt för bolag att paketera tillgångar är om andelarna i paketeringsbolaget ska klassas som lagertillgångar eller som kapitaltillgångar. Om andelarna ska klassas som lagertillgångar ska andelsförsäljningen tas upp till beskattning, men om de ska klassas som kapitaltillgångar kan de ses som näringsbetingade andelar, vilka är undantagna från beskattning. En stor del av klassificering av andelar baseras på tidigare rättspraxis för när en verksamhet ska ses som en byggnadsrörelse, när handel med fastigheter ska anses föreligga samt paketering av fastigheter. Syftet med denna uppsats har varit att klargöra vilka kriterier den skattemässiga klassificeringen av andelarna i oäkta bostadsrättsföreningar baseras på och alltså när andelarna ska ses som lagertillgång respektive kapitaltillgång. Genom att analysera ett flertal rättsfall på området är slutsatsen att detta görs genom samma bedömning som för byggnadsrörelse, handel med fastigheter och paketering av fastigheter. Det som avgör om andelarna ska ses som lagertillgångar eller kapitaltillgångar är om bolaget kan anses bedriva yrkesmässig handel med bostadsrätter. Det avgörs i sin tur genom att beakta antal sålda bostadsrätter, försäljningsfrekvensen, innehavstiden och bolagets syfte med förvärvet av bostadsrätterna. Prejudikatet HFD 2019 ref 47 klargjorde att en bostadsrätt inte kan jämställas med ett värdepapper samt att vägledning i andelsklassificeringen kan hämtas från rättspraxis rörande handel med fastigheter.

This thesis has explored the development and potential effects of an intelligent decision support system (IDSS) to predict potential buyers for commercial real estate property. The overarching need for an IDSS of this type has been identified exists due to information overload, which the IDSS aims to reduce. By shortening the time needed to process data, time can be allocated to make sense of the environment with colleagues. The system architecture explored consisted of clustering commercial real estate buyers into groups based on their characteristics, and training a prediction model on historical transaction data from the Swedish market from the cadastral and land registration authority. The prediction model was trained to predict which out of the cluster groups most likely will buy a given property. For the clustering, three different clustering algorithms were used and evaluated, one density based, one centroid based and one hierarchical based. The best performing clustering model was the centroid based (K-means). For the predictions, three supervised Machine learning algorithms were used and evaluated. The different algorithms used were Naive Bayes, Random Forests and Support Vector Machines. The model based on Random Forests performed the best, with an accuracy of 99.9%. / Denna uppsats har undersökt utvecklingen av och potentiella effekter med ett intelligent beslutsstödssystem (IDSS) för att prediktera potentiella köpare av kommersiella fastigheter. Det övergripande behovet av ett sådant system har identifierats existerar på grund av informtaionsöverflöd, vilket systemet avser att reducera. Genom att förkorta bearbetningstiden av data kan tid allokeras till att skapa förståelse av omvärlden med kollegor. Systemarkitekturen som undersöktes bestod av att gruppera köpare av kommersiella fastigheter i kluster baserat på deras köparegenskaper, och sedan träna en prediktionsmodell på historiska transkationsdata från den svenska fastighetsmarknaden från Lantmäteriet. Prediktionsmodellen tränades på att prediktera vilken av grupperna som mest sannolikt kommer köpa en given fastighet. Tre olika klusteralgoritmer användes och utvärderades för grupperingen, en densitetsbaserad, en centroidbaserad och en hierarkiskt baserad. Den som presterade bäst var var den centroidbaserade (K-means). Tre övervakade maskininlärningsalgoritmer användes och utvärderades för prediktionerna. Dessa var Naive Bayes, Random Forests och Support Vector Machines. Modellen baserad p ̊a Random Forests presterade bäst, med en noggrannhet om 99,9%.

Using the optimal capital structure results in the lowest financing cost, the previous research literature of the subject is comprehensive. Trade-off, pecking order and market timing are the dominating theoretical models to find the optimal leverage ratio. In real estate firms, there are multiple types of equity and debt instruments. Hybrids can be classified differently by the different actors on the market. As the record-breaking low interest rates started to rise at a rarely seen pace, problems arose for real estate firms. The three theories could not explain what the optimal strategy would be during the years following the COVID-19 pandemic, making new studies necessary. The purpose of this study is to understand how Swedish real estate companies deal with their capital structure, and which strategies are used during different economic times, particularly when the macro economy is tightening. Additionally, the study aims to investigate how real estate firms adapt to and prepare themselves to come out stronger after an economic downturn. The aim is to identify the methods usable for real estate companies to maximize the risk adjusted return to shareholders, regardless of high interest and general slow-down of the economy. The work is divided into two parts. One quantitative part, based on regression analysis, and qualitative part, based on interviews with some of the most prominent people in different roles of the Swedish real estate industry. The result of the regression analyses should be interpreted with great caution as the amount of data is small and significant events affected the macroeconomy, leading to both quantitative easing and tightening, demanding more complex non-linear models. The qualitative result show that the symbiosis between different actors on the market has a huge impact on the performance of both the industry and individual companies. The Swedish culture with dedicated owners, finding solutions to most challenges and rarely defaulting makes personal relations and trust to the people significantly important in corporate analyses. Many companies avoid bankruptcy, even when it would be rational for the owners to declare bankruptcy and let creditors take a loss to save their own capital, which often is the case in many other countries. The Swedish model reduces risk for credit investors. / En optimal kapitalstruktur ger lägsta finansieringskostnad och det finns en omfattande forskningslitteratur om optimal kapitalstruktur. Trade-off, pecking order och market timing är de ledande teoretiska modellerna för att hitta den optimala hävstången. I fastighetsbolag finns flera typer av eget kapital och skuldinstrument. Hybrider klassificeras olika av aktörerna på marknaden. När de rekordlåga räntorna började höjas i en sällan skådad hastighet började fastighetsbolagen få stora problem. De tre teorierna misslyckas med att förklara vad som är en optimal strategi under den ekonomiska period som följt åren efter COVID-19-pandemin, vilket gör att nya studier krävs. Syftet med studien är att förstå hur svenska fastighetsbolag hanterar sin kapitalstruktur och vilka strategier de använder under olika ekonomiska tider, särskilt när makroekonomin är åtstramande. Studien syftar även till att utforska hur fastighetsbolag anpassar sig till, och förbereder sig för att komma ut starkare efter en ekonomisk nedgång. Målet är att identifiera de metoder fastighetsbolag kan använda sig av för att optimera riskjusterad avkastning till sina aktieägare, trots utmaningar som höga räntor och en allmän nedgång i ekonomin. Arbetet är uppdelat i två delar. En kvantitativ del som bygger på regressionsanalyser, samt en kvalitativ del som utgörs av en intervjustudie med några av de mest framstående personerna i olika roller i den svenska fastighetsbranschen. Resultaten från regressionsanalysen ska tolkas med stor försiktighet på grund av en liten datamängd och stora makroekonomiska händelser, såväl lättnader som åtstramningar, där det krävs mer komplicerade icke-linjära modeller. Det kvalitativa resultatet visar att symbiosen mellan marknadens aktörer har stor påverkan på hur såväl branschen som enskilda bolag presterar. Den svenska kulturen med hängivna ägare som hittar lösningar på de flesta utmaningarna och sällan drabbas av inställda betalningar gör att personliga relationer och förtroende för människorna utmärker sig som egenskap när bolagsanalyser genomförs. Många bolag undviker konkurs även när det hade varit rationellt för ägarna att begära konkurs för att låta fordringsägare ta en förlust och rädda sitt eget kapital, vilket ofta är fallet i andra länder. Den svenska modellen minskar riskerna för kreditinvesterare.

Artificial intelligence is one of the long-term trends in the twenty-first century. Historically, the real estate industry has been slow to adopt new technology, but generative AI introduces a range of innovative applications that traditional AI has not addressed. Creating a unique opportunity for the real estate industry to evolve and position itself at the forefront of technological advancements. Despite the promising potential of large language models, research applying the technology on real world problems within real estate sector is almost non-existent. Only a limited number of studies currently exist exploring the area. No applied studies of the technology have yet to be made in Europe to the authors knowledge. The purpose of this study was thus to contribute with an applied study of the technology within the context of facility management. Exploring how generative AI can increase efficiency within facility management by utilizing large language models to analyse tenant matters. Execution consisted of partnering with a real estate company, developing propritary frameworks, technology, and testing these on real world data. A design based researched method was adjusted to fit this study. In total 822 tenant matters where analyzed by a large language model (LLM). The findings show that a large language model can be utilized to analyze tenant matters. Furthermore, that model outputs can be trusted and utilized to improve services for tenants. This study highlights the importance of original data quality, data selection, understanding data inputs and contextualizing instructions for the large language model to achieve successfull automated information extraction. Concluding that analysing tenant matters with generative AI makes it possible to identify and quantify how a real estate company functions, performs, and meets tenants’ needs as a whole —not just from a facility management perspective. / Artificiell intelligens är en av de långsiktiga trenderna under tjugoförsta århundradet. Historiskt har fastighetsbranschen varit långsam med att anamma ny teknik, men generativ AI introducerar en rad innovativa tillämpningar som traditionell AI inte har adresserat. Detta skapar en unik möjlighet för fastighetsbranschen att utvecklas och positionera sig i framkanten av tekniska framsteg. Trots den lovande potentialen hos stora språkmodeller är forskning som tillämpar tekniken, på verkliga problem inom branschen, nästan obefintlig. Endast ett begränsat antal studier existerar för närvarande som utforskar området. Ingen tillämpad studie av tekniken har ännu gjorts i Europa, enligt författarens kännedom. Syftet med denna studie var således att bidra med en tillämpad studie av tekniken inom ramen för fastighetsförvaltning. Utforska hur generativ AI kan öka effektiviteten inom fastighetsförvaltning genom att använda stora språkmodeller för att analysera hyresgäst- ärenden. Genomförandet bestod av att samarbeta med ett fastighetsbolag, utveckling av proprietära ramverk, teknik och testa dessa på verkliga data. En designbaserad forskningsmetod justerades för att passa studien. Totalt analyserades 822 hyresgästärenden av en stor språkmodell (LLM). Resultaten visar att en stor språkmodell kan användas för att analysera hyresgästärenden. Vidare att modellens svar går att lita på och kan användas för att förbättra tjänster mot hyresgäster. Studien framhäver vikten av originaldatakvalitet, val av data, förståelse för datainmatning samt kontextualisering av instruktioner för att den stora språkmodellen ska uppnå framgångsrik automatisk informationsutvinning. Slutsatsen är att AI-analys av hyresgästärenden gör det möjligt att identifiera och kvantifiera hur ett fastighetsbolag som helhet fungerar, presterar och möter hyresgästernas behov—inte bara ur ett fastighetsförvaltningsperspektiv.