Diss. Umeå : Umeå universitet, 2006.

This thesis aims to explore the time variation of liquidity and transaction prices in the Swedishcommercial real estate market. The purpose is to contribute with insights about price dynamics and liquidity on the Swedish commercial real estate transaction market. A price index was therefore estimated based on the output of a hedonic regression model. The model controls for different locations, segments and years and further includes variables controlling for size, portfolio transactions and investor nationality. The regression model is based on transaction data provided by Cushman & Wakefield which consists of 10 194 observations over a 20-year period between the years 2003-2023. Further the relationship between transaction prices and liquidity was investigated. The liquidity measure used is turnover rate which was calculated for each year based on data from Statistics Sweden (SCB). Granger causality tests were conducted for different geographic aggregation levels to explore if liquidity can predict transaction prices and vice versa. The results show that market liquidity in terms of turnover rate in city and regional locations can be used to forecast the development of transaction prices and therefore“leads” the price development. The test results, in combination with a correlation analysis that showed strong correlation between prices and previous year’s turnover rates, suggests evidence of a sequential relationship between the variables. For the nation as a whole and for the rural location, the results of the causality tests were insignificant and the hypothesis that there does not exist a Granger causality between price and turnover could not be rejected. It was also concluded that since liquidity leads prices, information about turnover rates can be used to help forecast property cycles in the short term. / Detta examensarbete syftar till att undersöka sambandet mellan likviditet och transaktionspriser på den svenska kommersiella fastighetsmarknaden. Syftet är att bidra med insikter om prisdynamik och likviditet på den svenska kommersiella fastighetstransaktionsmarknaden. Ett prisindex estimerades baserat på en hedonisk regressionsmodell. Modellen estimerar transaktionspriser för olika geografiska delmarknader, segment och år och inkluderar vidare variabler som kontrollerar för storlek, portföljtransaktioner och investerarnationalitet. Regressionsmodellen är baserad på transaktionsdata från Cushman & Wakefield som består av 10 194 observationer under en 20-årsperiod mellan åren 2003 och 2023. Vidare undersöktes sambandet mellan transaktionspriser och likviditet. Likviditetsmåttet som används är omsättningsandel som beräknats för respektive år baserat på data från SCB. Test av Grangerkausalitet genomfördes för olika geografiska delmarknader för att undersöka om likviditet kanprediktera transaktionspriser och vice versa. Resultaten visar att marknadslikviditet i form avomsättningsandel i storstäder och regioner kan användas för att prognostisera utvecklingen avtransaktionspriser och därmed "leder" prisutvecklingen. Testresultaten, i kombination med enkorrelationsanalys som visade på en stark korrelation mellan priser och föregående årsomsättningsandelar, tyder på att det finns ett sekventiellt samband mellan variablerna. För landet som helhet och för landsbygden gav kausalitetstesterna inget signifikant resultat och hypotesen att inget kausalitetssamband existerar mellan likviditet och priser kunde därmed inte förkastas. En annan slutsats som drogs var att eftersom likviditet leder priserna kan information om omsättningsförändring användas för att prognostisera fastighetscykler på kort sikt.

Companies in the spare part industry can implement a variety of different pricing techniques, which have traditionally been done through personnel know-how and industry conventions. One such technique is the use of price indices to track sales performance. This thesis investigates if machine learning or time series analysis can predict revenue using price and price indices in a data-driven manner which can potentially validate current pricing strategies or serve as a basis for sales teams pricing decisions. Price indices used were the Fisher Index and the Törnqvist Index. The data came from a spare parts supplier and consisted of daily transactions. Two target variables were tested: revenue as a continuous and categorical variable. The continuous target variable represented revenue the following day, while the categorical variable represented either an increase or decrease the following day. Models tested were OLS, XGBoost, ARIMAX and LSTM for the continuous case and Logistic Regression and XGBoost in the categorical case on several different feature sets. In the continuous case, ARIMAX outperformed the other models, but the best model was produced by the feature set not containing any indices. In the categorical case on a feature set containing price indices, XGBoost yielded an accuracy of 68% in classifying revenue increases or decreases. This study suggest that price indices contain some information about whether a revenue movement is going to happen, but not the magnitude of it. / Företag som säljer reservdelar kan implementera olika prissättningsstrategier. Dessa har traditionellt baserats på personalkunnande och branschkonventioner. En strategi som tillämpas är prisindex för att följa upp försäljning. Detta examensarbete undersöker om maskininlärning eller tidsserier kan prediktera omsättning med hjälp av pris- och prisindex på ett datadrivet sätt som kan potentiellt validera nuvarande strategier eller agera underlag för prissättningsbeslut. Prisindex som användes var Fisherindex och Törnqvistindex. Datan kom från en reservdelsleverantör och bestod av dagliga transaktioner. Två beroende variabler testades: omsättning som en kontinuerlig och omsättning som kategorisk variabel. Den kontinuerliga variabeln representerade omsättning nästa dag, medan den kategoriska variabeln representerade utfallet ökning eller minskning av omsättning nästa dag. Modellerna som tränades var OLS, XGBoost, ARIMAX och LSTM i det kontinuerliga fallet och Logistisk Regression och XGBoost i det kategoriska fallet. De tränades på flera uppsättningar av oberoende variabler. I det kontinuerliga fallet presterade ARIMAX bäst, men den bästa modellen tränades på en uppsättning oberoende variabler som inte innehöll några index. I det kategoriska fallet gav XGBoost en noggrannhet på 68% vid klassificering av omsättningsökningar eller minskningar. Detta på en uppsättning oberoende variabler som innehöll prisindex. Resultaten antyder att prisindex innehåller viss information om huruvida en omsättningsrörelse kommer att ske, men inte storleken på den.