Aktuell analyse

Effekter av landbasert vindkraft på boligpriser i Norge^{#Basert på masteroppgaven «Vindkraftverks påvirkning på boligprisene for nærliggende boliger – En Hedonisk Prisstudie i Norge» (Andersen, 2023). Del av NFR-prosjektene «LandValUse – Integrated welfare assessment of climate and biodiversity impacts of land use: From promise to policy solutions» (nr 319917), «WINDLAND: Spatial assessment of environment-economy trade-offs to reduce wind power conflicts» (nr 267909) og «EnergyWise: Integrated modelling of efficient and acceptable expansion of renewable energy in times of nature and climate crises» (nr 344 392). Takk til Geir Asheim (Universitetet i Oslo), Toke Panduro (Aarhus Universitet), Terje Skjerpen (SSB), fagfelle og redaktør for gode innspill og Erik Engelien (SSB) for tilrettelegging av geodata.}

Landbasert vindkraft har vært gjenstand for omfattende debatt i Norge de siste årene, og er av noen trukket frem som løsningen på det grønne skiftet, høye strømpriser og fremtidig kraftunderskudd. På den andre siden står de som frykter videre nedbygging av norsk natur og andre negative virkninger av utbyggingen lokalt. Kunnskapsgrunnlaget for å gjøre gode avveininger mellom energi, klima og miljø er relativt tynt og har blant annet manglet en kvantitativ analyse av boligeiernes preferanser for (å unngå) å bo i nærheten av et vindkraftverk. Denne artikkelen analyserer, for første gang i Norge, effekter av nærhet til vindkraftverk på boligpriser ved bruk av en hedonisk prismodell for å estimere boligeieres implisitte marginale betalingsvillighet for (å unngå) å bo i nærheten av et vindkraftverk. Lokalbefolkningens avslørte preferanser viser at de har en negativ marginal betalingsvillighet på rundt 15 prosent av prisen på en gjennomsnittsbolig for å bo under 1 km fra et vindkraftverk, og at denne effekten konvergerer mot null i en avstand på 5 til 7 km fra kraftverket. Den negative priseffekten er statistisk signifikant ut til en avstand på 4 til 6 km fra vindkraftverket. Vi finner også en mindre, men ikke signifikant priseffekt som inntreffer under byggefasen til vindkraftverkene, men at boligprisene i hovedsak påvirkes etter driftsstart. Analysen viser også at boliger i nærheten av vindkraftverk med mange vindturbiner opplever en større prisreduksjon. Vi gjennomfører også en placebotest av modellen.

Markus Lund Andersen

Analytiker i Menon Economics

Kristine Grimsrud

Seniorforsker i Statistisk Sentralbyrå

Henrik Lindhjem

Seniorforsker i Menon Senter for Miljø- og Ressursøkonomi (MERE)

1. Innledning

Landbasert vindkraft har gått fra å være en nærmest ubetydelig energikilde tidlig på 2000-tallet, til å bli Norges nest største, bare slått av vannkraft. I dag leverer vindkraft en middelproduksjon på 14,8 TWh, noe som tilsvarer strømforbruket til over 770 000 husstander (NVE, 2022a). Om man ønsker mer fornybar kraftproduksjon for å bidra til det grønne skiftet, dekke eventuelt fremtidig kraftunderskudd i 2040 og redusere strømprisene (Ueland mfl., 2021), så er landbasert vindkraft den teknologien som har lavest produksjonskostnader per kWh og raskest realiseringstid (NOU 2023: 3; NVE, 2021).

Selv om landbasert vindkraft fremstår som den gunstigste løsningen på dagens og fremtidens kraftutfordringer, grunnet betydelige uutnyttede vindressurser, så har vindkraftutbyggingen i Norge vært utsatt for massiv debatt grunnet lokale virkninger og tap av naturverdier som følge av tap og forringelse av økosystemtjenester som naturområder leverer (Lindhjem mfl., 2022). Det er et klassisk eksempel på at klima- og miljøhensyn kan komme i konflikt med hverandre. I tillegg er utbyggingen preget av NIMBY-effekter^{#«Not in my backyard».} hvor lokalbefolkningen typisk motsetter seg utbygging i sine nærområder (Dugstad mfl., 2020).

Vindturbiner kan påføre befolkningen som er bosatt i umiddelbar nærhet av kraftverket negative eksternaliteter gjennom støy, iskast, visuell forurensning og skyggekast fra roterende rotorblader som kan være både uønsket og belastende (Hoen mfl., 2015; Jensen mfl., 2014; Zerrahn, 2017; Aasvang og Krog, 2022). Gjennomsnittstøy over et døgn på 45 dB kan opptre på avstander på opptil 800 meter fra vindturbinen (NVE, 2022b). Støy fra vindturbiner på over 40 dB er assosiert med støyplage (WHO, 2019), som er definert som helsetap som burde forebygges. Samtidig kan sjenerende skyggekast nå mottakeren opptil 2 km fra vindturbinen (Norconsult, 2022), og store vindturbiner vil dominere landskapet i avstander på under en kilometer fra vindturbinen og kan ha en betydelig effekt på den visuelle oppfatningen av landskapet ut til 15–20 km fra vindturbinen (Norconsult, 2017; Zimmer mfl., 2018). Dette er høyst relevante virkninger av samfunnsøkonomisk betydning.

Som påpekt av Lindhjem mfl. (2022) er kunnskapsgrunnlaget for samfunnsøkonomisk betydning (verdi) av ikke-prissatte virkninger av landbasert vindkraft på natur og lokalbefolkning og omgivelsene ellers, fortsatt tynt. NVE har selv foreslått mer utredning og forskning på dette området,^{#https://www.nve.no/nytt-fra-nve/nyheter-konsesjon/nve-foreslaar-nye-krav-i-konsesjonsbehandlingen-av-vindkraft/.} i tråd med blant annet Meld St. 28 (2019–2020): «Om vindkraft på land». Det er i den senere tid kommet noe mer kunnskap basert på spørreundersøkelser om det som i miljøøkonomi betegnes som folks oppgitte (uttrykte) preferanser^{#«Stated preferences».} for å unngå en del av de negative effektene ved landbasert vindkraft i Norge (se for eksempel Dugstad mfl., 2023; Lindhjem mfl., 2019, 2022) og hvordan en bedre kan ta slike hensyn med i energisystemmodellering og lokalisering av anlegg (Grimsrud mfl., 2021, 2024). Imidlertid er det relativt få studier som bruker såkalte avslørte preferansemetoder^{#«Revealed preferences».}, slik som reisekostnadsmetoden^{#«Travel cost method».} eller den hedoniske prismetoden (HPM)^{#«Hedonic price method».}, for å anslå det velferdsmessige tapet av vindkraftverk.^{#Unntak er Lohaugen mfl. (2017) og Kipperberg mfl. (2019) som undersøker hvordan utbygging av vindkraft kan komme til å påvirke rekreasjonsatferd og -kostnader, og konsumentoverskudd, i Rogaland, ved bruk av kombinert reisekostnadsmetode og betinget atferdsmetode («contingent behaviour»).} Det er generelt svært få anvendelser av den hedoniske prismetoden, uansett tema, i Norge. Fem tidligere studier vi kjenner til er Navrud og Strand (2011) og Grue mfl. (1997) om effekter av veier og Strand og Vaagnes (2001) om effekter jernbane, alle tre fra Oslo, Traaholt (2014), om betydning av grøntområder og rekreasjonsmuligheter i samme by, og Folkvord (2019) om effekter av blå-grønne strukturer i Kristiansand. De to siste er masteroppgaver. Det finnes, så vidt vi er kjent med, ingen norske studier som undersøker effekter av vindkraftverk ved bruk av den hedoniske prismetoden.^{#Magnussen mfl. (2016) gjør en analyse av litteraturen om eiendomspriseffekter av kraftledninger, men gjennomfører ikke en hedonisk analyse.} Internasjonalt, er det en voksende litteratur om boligpriseffekter av vindkraftverk, særlig fra USA og Europa. Parsons og Heintzelman (2022) sin gjennomgang av litteraturen de siste 10 årene identifiserer 10 studier fra Europa og 8 fra Nord-Amerika.

I tillegg til å være den første hedoniske analysen av denne problemstillingen i Norge, så skiller denne studien seg fra tidligere internasjonal litteratur blant annet ved at alle landbaserte vindkraftverk nasjonalt er studert samtidig for å estimere gjennomsnittseffekten på salgsprisen for berørte boliger i landet som helhet. Dette er i motsetning til tidligere studier som ofte ser på ett enkelt kraftverk eller et fåtall i et begrenset område. I Norge er det også få boliger i nærheten av hvert landbaserte vindkraftverk, i motsetning til de fleste områder som er studert internasjonalt. Parsons og Heintzelman (2022) foreslår at fremtidige studier i større grad bør undersøke annonserings- og forventningseffekter, noe vi undersøker i denne artikkelen ved å se på robusthet i forhold til tidsdimensjonen (ulike faser av vindkraftprosjektet).

I denne analysen anvendes en hedonisk prismodell for å undersøke hvorvidt vi observerer lavere boligpriser i nærheten av vindkraftverk, for å estimere den implisitte marginale betalingsvilligheten for å (unngå å) bo i nærheten av et vindkraftverk.^{#Vi ser ikke på fritidsboliger eller annen eiendom enn boliger.} På denne måten kan vi avdekke eventuelle markedseksternaliteter av vindkraftutbygging overfor boligeiere i nærheten av kraftverket.

2. Hedonisk prismodell

Teorien som ligger til grunn for en hedonisk prismodell (HPM) stammer fra Rosen (1974), og går ut på at markedslikevekten i et boligmarked med fullkommen konkurranse er styrt av de implisitte prisene av de forskjellige attributtene ved en bolig. I praksis argumenterer Rosen for at en bolig kan sees på som et sammensatt gode, eller summen av forskjellige positive og negative attributter. Ved et boligkjøp betaler du dermed for ulike strukturelle attributter som størrelse, antall soverom, hage osv. som boligen innehar, i tillegg til faktorer som nærhet til kollektivtransport, lokale sosioøkonomisk forhold, geografisk beliggenhet og alle andre tenkelige forhold som kan påvirke boligens verdi. Faktorer som god utsikt og i hvilken grad boligen er eksponert for støy eller skyggekast vil trolig påvirke boligprisen, og relaterer direkte til beliggenhet i nærheten av vindkraftverk.

2.1. Teoretisk grunnlag

Vi antar at boligkjøpere ønsker å maksimere egen nytte ved å betale så lite som mulig for en bolig og dens tilhørende attributter, samtidig som boligselgere ønsker å selge boligen til høyest mulig pris for å maksimere egen avkastning. I likevekt vil det da dannes en prisfunksjon for boliger basert på tangeringspunktet mellom bud- og salgsfunksjonene til kjøpere og selgere.

Prisen for bolig $i$ kan her defineres som $P_{i} = P (z_{i})$ , hvor $z_{i}$ er en vektor med ulike attributter ved bolig $i$ . Boligkjøpere ønsker å maksimere egen nytte $U$ gitt sin budsjettbetingelse:

${M a x}_{x, z} U (x, z_{i}) g i t t y \geq x + P$

hvor $x$ er definert som et sammensatt gode som representerer konsum av alle andre goder enn bolig, med pris normalisert til 1. Videre er $y$ disponibel inntekt, $P$ er salgsprisen på boligen og $z_{i}^{j}$ er nivået på et spesifikt attributt $j$ i vektoren $z_{i} = (z_{i}^{1}, \dots, z_{i}^{n})$ der $n$ er antall mulige attributter. Maksimeringsproblemet resulterer i følgende Lagrange-funksjon med førsteordensbetingelser:

$L = U (x, z_{i}) - λ (x + P - y)$

$\frac{\partial U}{\partial z^{j}} = λ \frac{\partial P}{\partial z^{j}}$ (1)

$\frac{\partial U}{\partial x} = λ$ (2)

$y = x + P$ (3)

Ved å sette inn for $λ$ fra (2) i (1) kan man utlede funksjonen som spesifiserer optimal ressursallokering for boligkjøperen:

$\frac{\partial U / \partial z^{j}}{\partial U / \partial x} = \frac{\partial P}{\partial z^{j}} = {M W T P}^{j}$ (4)

Uttrykket viser at det er optimalt for boligkjøperen å kjøpe en bolig hvor den marginale substitusjonsraten mellom hvert attributt $z^{j}$ og det sammensatte godet $x$ er identisk med den marginale implisitte prisen av $z^{j}$ . Dette er lik den marginale betalingsvilligheten (MWTP)^{#«Marginal willingness to pay».} for det spesifikke attributtet (Champ mfl., 2017). Ved bruk av HPM så estimeres nettopp den implisitte MWTP for ulike attributter ved boliger.

2.2. Estimering av HPM

Det er mulig å spesifisere hvordan ulike kombinasjoner av attributter definerer den totale boligprisen. Dette gjøres ved å estimere den hedoniske prisfunksjonen og tilhørende marginale verdier av underliggende attributter (Palmquist, 2005).

Siden nærhet til vindkraftverk kan anses som et attributt ved en bolig, så er det mulig å anvende HPM til å estimere marginal betalingsvillighet for å bo i nærheten av et vindkraftverk. Denne størrelsen er forventet å være negativ om dette ikke er foretrukket.

I denne analysen er det brukt semilog som funksjonssammenheng mellom boligprisen og tilhørende attributter, med enkelte forklaringsvariabler i log.^{#Se Andersen (2023) for grundig begrunnelse for valg av funksjonsform, i tillegg til styrker og svakheter.} Semilog som funksjonsform ved anvendelse av HPM er dominerende i litteraturen, på bakgrunn av Cropper mfl. (1988) sin analyse av hvilken form som er best egnet til å estimere marginale verdier ved mulig tilstedeværelse av utelatt variabelskjevhet (OVB).^{#«Omitted variable bias».} Den HP-funksjonen til bolig $i$ kan utrykkes som:

${\ln (P}_{i}) = α + β z_{i} + ε_{i}$ (5)

hvor $β$ er en vektor over ukjente koeffisienter tilhørende ulike attributter i $z_{i}$ ved bolig $i$ . $ε_{i}$ er restleddet til boligen og $α$ er konstantleddet. HP-funksjonen estimeres med bruk av minste kvadraters metode (OLS).

3. Datagrunnlag

I denne analysen benyttes data fra Finn.no for over 230 000 boligtransaksjoner for boliger som er under 30 km fra et konsesjonspliktig landbasert vindkraftverk.^{#Fritidsboliger er ikke med i analysen.} Dataene omfatter boliger over hele Norge som ble solgt i perioden 2010 til 2022. Boligtransaksjoner i store byer som Oslo og Bergen er ikke med, da områdene er over 30 km fra nærmeste vindkraftverk. Datagrunnlaget inneholder nøyaktige koordinater på boligene, i tillegg til en rekke strukturelle attributter som areal, antall rom, byggeår, garasjeplass, boligtype osv. som kan brukes til å definere en HP-funksjon.

Boligdataene er kombinert med data fra NVE over de 61 konsesjonspliktige vindkraftverkene i Norge, se Figur 1 med oversikt over alle vindkraftverkene i Norge. I NVE-dataene inngår koordinater på alle vindkraftverk slik at det er mulig å regne ut den korteste avstanden fra hver bolig i en boligtransaksjon til nærmeste vindkraftverk. Koordinatene på vindkraftverkene er ikke koordinater på hver enkelt vindturbin, men koordinater på grensen til planarealet til vindkraftverket som strekker seg rundt alle vindturbinene. Se Figur 2, hvor den grønne linjen er grensen rundt et vindkraftanlegg som avstanden til boligene er basert på. En umiddelbar utfordring med denne analysen er at det trolig er få boliger veldig nære vindkraftverk, da de ofte bygges i usentrale omgivelser. Ved å bruke alle vindkraftverk i Norge er det derimot mulig å øke antallet berørte boliger, samtidig som det estimeres gjennomsnittseffekter på tvers av landet.

*Figur 1:* *Oversikt over alle vindkraftverk i Norge.*

Sirkelstørrelse indikerer størrelsen på kraftverket, mørk grønn sirkel angir kraftverk som er ferdig utbygd, de andre er under bygging og er markert med lys grønt. (Det er kun to under utbygging: Lillesand vindkraftverk i Lillesand kommune og Gravdal vindkraftverk i Bjerkrheim kommune.)

Hentet fra NVEs kart over vindkraftverk.

*Figur 2:* *Vindkraftverket på Lista, hvor grønn linje er vindkraftgrensen rundt vindturbinene.*

Hentet fra NVEs kart over vindkraftverk.

3.1. Forklaringsvariabler

Forklaringsvariablene som er benyttet i analysen og som inngår i $z_{i}$ er beskrevet i Tabell 1 sammen med forventet effekt (+/-) på boligprisen basert på teori og tidligere studier. Det er gjort en grundig analyse av tilgjengelige variabler og hvordan valg og sammensetning fører til best mulig spesifisering av HP-funksjonen.^{#Se Andersen (2023) for begrunnelser og avveininger for valg av forklaringsvariabler, samt deres modellering og sammensetning.}

Tabell 1: Oversikt over strukturelle forklaringsvariabler som inngår i HP-funksjonen.
Variabel	Beskrivelse	Forventet effekt
Log(Areal)	Naturlige logaritmen av P-rom i m²	+
Antall_soverom	Antall soverom i boligen	+
Etasje	Hvilken etasje boligen er lokalisert i	+
Kjellerbolig	Dummy = 1 hvis etasje er under 1	-
Båtplass	Dummy = 1 hvis boligen har båtplass	+
Spredt_Bebyggelse	Dummy = 1 hvis boligen ligger i spredt bebyggelse	-
Peis	Dummy = 1 hvis boligen har peis	+
Parkeringsplass	Dummy = 1 hvis boligen har parkeringsplass	+
Fellesvaskeri	Dummy = 1 hvis boligen har fellesvaskeri	+
Heis	Dummy = 1 hvis boligen har heis	+
Blokkleilighet	Dummy = 1 hvis boligen er en blokkleilighet	?
Småhus	Dummy = 1 hvis boligen er et småhus	?
Rekkehus	Dummy = 1 hvis boligen er et rekkehus	?
Tomannsbolig	Dummy = 1 hvis boligen er en tomannsbolig	?
Modernisert_2013_2022	Dummy = 1 hvis boligen er modernisert en gang fra 2013 til og med 2022	+
Modernisert_2003_2012	Dummy = 1 hvis boligen er modernisert en gang fra 2003 til og med 2012	+
Byggeår	En rekke dummyvariabler for tidsintervaller for byggeår¹	-

1. Se regresjonstabeller i vedlegg for oversikt over tidsintervallene for byggeår.

Boliger bygget etter 2007 er referanse for byggeår-dummyene, og eneboliger fungerer som referanse for boligtype. Variabelen Spredt_Bebyggelse er av spesiell interesse og fortjener nærmere forklaring. Den sier noe om hvorvidt en bolig ligger i et område med tett eller spredt bebyggelse. Variabelen er ikke verdifull i å fastslå sentralitet på en større skala (bygd vs. by), men sier noe om boligen ligger sentralt på en mindre skala, om den er plassert alene eller i en form for husklynge. Selv om dette trolig er korrelert med sentralitet på et høyere nivå, f.eks. er det trolig få boliger i sentrum av en by som faller under spredt bebyggelse. Denne variabelen er utarbeidet av SSB som definerer en boligs posisjon som i tett bebyggelse dersom boligen ligger i en hussamling i et tettsted hvor det bor minst 200 personer og avstanden mellom husene normalt ikke overstiger 50 meter (Thomassen og Melby, 2019).

3.2. Boligobservasjoner nær vindkraftverk og fjerning av ekstremverdier

Det er gjennomført en ekstremverdianalyse med mål om å rense datasettet for ekstremverdier og observasjoner av uvanlige boligtransaksjoner. Dette innebærer å fjerne fra datasettet boligobservasjoner med veldig høy eller lav pris og usannsynlige observasjoner som trolig er feilrapporteringer, i tillegg til boligobservasjoner med enkelte uvanlige verdier. Dette reduserer datasettet til 226 431 observasjoner av boligtransaksjoner. Siden antall observasjoner av boliger i nærheten av vindkraftverket er sentral for analysen så har vi i Tabell 2 lagt ved en oversikt over antall observasjoner i avstandsintervaller ut til 10 km.

Tabell 2: Antall boligobservasjoner i ulike kilometerintervaller fra nærmeste vindkraftverk, som er i drift eller som kommer i drift i fremtiden.
Avstandsintervall	Antall observasjoner	Avstandsintervall	Antall observasjoner
0–1 km	215	5–6 km	6 486
1–2 km	1 114	6–7 km	5 951
2–3 km	3 472	7–8 km	5 399
3–4 km	4 882	8–9 km	6 314
4–5 km	6 800	9–10 km	8 249

4. Økonometriske utfordringer

HPM byr på flere økonometriske utfordringer, som at funksjonens form og innhold må gjenspeile hvordan boligmarkedet fungerer. Blant annet må alle variabler som er relevante for boligprisen inkluderes i funksjonen for å minimere sannsynligheten for utelatt variabelskjevhet. Samtidig kan det å inkludere for mange forklaringsvariabler som er korrelert med hverandre føre til multikollinearitetsproblemer, siden dette gir større standardfeil og mer usikre estimater.^{#En grundig analyse av de ulike problemstillingene, og valg av forklaringsvariabler er omtalt i masteroppgaven (Andersen, 2023).} En av de større økonometriske utfordringene i denne analysen er imidlertid de romlige.

4.1. Romlige utfordringer

Romlig autokorrelasjon^{#«Spatial autocorrelation».} er en utfordring som oppstår når restledd fra ulike observasjoner av boligtransaksjoner er korrelert med hverandre på bakgrunn av uobserverte faktorer som påvirker boliger i et avgrenset geografisk område. Det vil si OVB som oppstår på bakgrunn geografiske faktorer og som ofte er nabolagskarakteristikker som er uobserverte og ikke inkludert i HP-funksjonen (Champ mfl., 2017). Et eksempel kan være at personer med like sosioøkonomiske trekk klynger seg sammen, eller at en god skole driver opp boligprisene i et spesifikt område. Romlig autokorrelasjon vil påvirke estimater på priseffekten av nærhet til vindkraftverk ved at valg av beliggenhet for vindkraftverk trolig er sterkt negativt korrelert med sentralitet, som er en uobservert variabel som høyest sannsynlig er sterkt korrelert med boligprisen. Om sentralitet er utelatt fra HP-funksjonen vil den negative effekten av vindkraftverk på boligprisen overestimeres, og de estimerte implisitte prisene vil være lite troverdige.

Romlig autoregresjon^{#«Spatial autoregression».} er en annen romlig utfordring som oppstår på grunn av informasjonseffekter i boligmarkedet som er geografisk betinget. Dette forekommer eksempelvis når kjøpere og/eller selgere observerer priser på nærliggende boliger i markedet, for så å la denne prisinformasjonen påvirke hva de er villig til å betale for en bolig, eller selge den for (Freeman III mfl., 2014; Palmquist, 2005).

4.2. Fast effekt-modeller

For å kontrollere for romlige faktorer og unngå estimering av forventningsskjeve implisitte priser, så utvides HP-funksjonen med geografisk faste effekter (FE).^{#«Fixed effects».} Ved bruk av geografisk FE inkluderes dummy-variabler for alle geografiske områder (eksklusivt et område som er referanse) i HP-funksjonen, slik vil uobserverte faktorer som er geografisk betinget kontrolleres for. Funksjonen vil da ved riktig spesifisering være i stand til å fange opp uobserverte sosioøkonomiske faktorer, geografisk betingede informasjonseffekter og permanente prisforskjeller mellom sentrale og usentrale områder, forutsatt at graden av sentralitet er homogen innad i de definerte områdene.

En av hovedutfordringene med en slik modell er at område-dummyene vil fange opp alle faktorer som er geografisk betinget, blant annet nærhet til vindkraftverk. Det er derfor mulig at en FE modell vil underestimere den negative effekten av vindkraftverk på boligprisen, om område-dummyene kanaliserer denne effekten. Det er derfor optimalt å definere de geografiske områdene slik at grad av sentralitet er homogen innad i de ulike områdene, samtidig som det finnes tilstrekkelig med variasjon av boliger med beliggenhet i nærheten av et vindkraftverk, og boliger hvor det ikke er tilfellet. For små områder vil fullstendig kanalisere effekten av vindkraftverk og for store områder vil ha en grad av heterogenitet i sentralitet som er for stor.

FE-modellene som er estimert bruker kommunene som område-dummyer (det brukes kommunestrukturen før kommunesammenslåingene) eller nærmeste vindkraftverk. Kommunegrensene har ofte en naturlig geografisk plassering og kan derfor benyttes til å kontrollere for sentralitet, samtidig som de trolig er store nok til å ha boliger med diversifisert grad av påvirkning fra vindkraftverk. Ved bruk av nærmeste vindkraftverk defineres 61 områder (et område for alle vindkraftverk), hvor hver bolig er tilegnet det vindkraftverket som boligen ligger nærmest. Fordelen med å spesifisere disse områdene er at vi får geografiske områder som er sett i sammenheng med hvert vindkraftverk, og hvor boligene er delt inn i områder etter hvilket kraftverk de ligger i nærheten av. På den andre siden blir det relativt få og store områder når vi benytter faste kraftverkseffekter, og vi har derfor avgrenset utvalget til boliger under 20 km fra et vindkraftverk (dette reduserer observasjoner av antall boligtransaksjoner til 168 003). Vi får dermed fjernet de mest sentrale boligene. Estimerte modeller har dermed en vektor med FE-dummyer ved bruk av navnet på kommunene eller navnet vindkraftverkene. Videre i analysen er de referert til som faste kommuneeffekter eller faste kraftverkseffekter.

4.3. Håndtering av dynamiske markedsprosesser

HPM er i utgangspunktet en statisk modell som i denne sammenhengen benyttes til å estimere priseffekten av nærhet til vindkraftverk, relativt til boliger som ikke ligger i nærheten av vindkraftverk. En begrensning med de økonometriske modellene som presenteres i neste kapittel er at de forutsetter at priseffekten inntreffer i det vindkraftverket starter driften, selv om effekten kan inntreffe delvis eller fullstendig allerede under byggefasen eller planleggingsfasen. I kapittelet «Forventningseffekter» undersøker vi derfor priseffekten i periodene før vindkraftverkene starter driften, for å avdekke eventuelle prematur behandlingseffekt.

5. Økonometriske modeller

For å estimere effekten av nærhet til vindkraftverk på boligprisen ved ulike avstander, så er formel (5) utvidet med dummyvariabler for km-intervaller ut til 10 km, som indikerer avstanden til nærmeste vindkraftverk i drift. Modellen er inspirert av lignende modeller brukt i andre land for å estimere effekten av vindkraftverk på boligpriser (Heintzelman og Tuttle, 2012; Sunak og Madlener, 2012), og ser slik ut:

$l n (P_{i}) = α + \sum_{x \in X} ω^{x} {a v s t . x k m . d r i f t}_{i}$

$+ β z_{i} + {μ^{m} (å r}_{i} * {o m r å d e}_{i}) + μ^{t} {å r}_{i}$

$+ μ^{o} {o m r å d e}_{i} + {μ^{v} v i n t e r}_{i} + ε_{i}$ (6)

Her er ${a v s t . x k m . d r i f t}_{i}$ dummyvariabler for hvert km-intervall $x$ fra og med 0 til 1 km til og med 9 til 10 km ( $x \in X = {0 - 1, 1 - 2, \dots, 9 - 10}$ ) som er lik 1 om boligen er i km-intervallet $x$ fra nærmeste vindkraftverk, samt at kraftverket hadde driftsstart før salget. De tilhørende ukjente koeffisienter av interesse er $ω^{x}$ . Videre er ${o m r å d e}_{i}$ en vektor med dummyer over alle spesifiserte områder (unntatt ett som er referanse), enten kommune eller nærmeste vindkraftverk, som er lik 1 om boligen befinner seg i dette området. Vektoren ${å r}_{i}$ angir år i analyseperioden (unntatt ett år som er referanse) og er lik 1 om boligtransaksjonen fant sted dette året. Dummyen ${v i n t e r}_{i}$ er lik 1 om boligtransaksjonen fant sted på vinteren. $μ^{v}$ er en ukjent skala-koeffisient og $β$ , $μ^{m}$ , $μ^{t}$ og $μ^{o}$ er vektorer av ukjente koeffisienter. Modellen kontrollerer for prisutvikling og sesongforskjeller i boligprisene gjennom ${å r}_{i}$ og ${v i n t e r}_{i}$ , i tillegg til prisvariasjon mellom områder ved interaksjonsleddet ${(å r}_{i} * {o m r å d e}_{i})$ . Alle modeller med FE på området estimeres med klyngerobuste standardfeil^{#«Clustered standard errors».} på enten kommune eller kraftverk, med hensikt å kontrollere for heteroskedastisitet.

Modell (6) vil estimeres to ganger: 1) med faste kommuneeffekter ( ${o m r å d e}_{i} = {k o m m u n e}_{i}$ ) og klyngerobuste standardfeil på kommune, samt med all tilgjengelig data, det vil si observasjoner av boligtransaksjoner under 30 km fra nærmeste vindkraftverk, og 2) med faste kraftverkseffekter ( ${o m r å d e}_{i} = {k r a f t v e r k}_{i}$ ) og tilhørende klyngerobuste standardfeil på kraftverk, samt at datagrunnlaget her begrenses til observasjoner av boligtransaksjoner under 20 km til nærmeste vindkraftverk.

5.1. Differanse i forskjeller

For ytterligere å isolere effekten av vindkraftverk på boligprisene så kan FE modellen utvides med differanse i forskjeller (DiD).^{#«Difference in difference».} Dette er spesielt interessant om de spesifiserte områdene i FE-modellen er for store, slik at det fortsatt er endogenitet i behandling innad i de geografiske områdene forårsaket av for stor heterogenitet i sentralitet innad i områdene. I hvilken grad FE-modellene overkommer romlige prosesser og sentralitetsfaktorer er vanskelig å fastslå. Men det kan uansett være verdifullt å anvende DiD med faste kraftverkseffekter (anvendes da disse FE-områdene er større enn faste kommuneeffekter). En slik modell vil sammenligne prisforskjellen mellom boliger som har et vindkraftverk i nærheten før og etter etableringen av vindkraftverket med prisforskjellen mellom boliger som ikke ligger nær et vindkraftverk, før og etter etableringen av kraftverket. Samtidig kontrolleres det for kraftverksspesifikke og områdespesifikke faktorer gjennom faste kraftverkseffekter. DiD kombinert med FE er en metode som er mye brukt for å løse endogenitetsproblemer forårsaket av uobserverte romlige faktorer som er korrelert med boligprisen i lignende studier i andre land (for eksempel Dröes og Koster, 2016; Gibbons, 2015; Hoen mfl., 2015). Spesifiseringen av den estimerte regresjonsmodellen er:

$l n (P_{i}) = α + ω^{d r i f t} {d r i f t}_{i}$

$+ \sum_{x \in X} (ω^{x k m} {a v s t . x k m}_{i} + ω^{D i D . x k m} {a v s t . x k m . d r i f t}_{i})$

$+ β z_{i} + {μ^{m} (å r}_{i} * {o m r å d e}_{i}) + μ^{t} {å r}_{i} + μ^{o} {o m r å d e}_{i}$

$+ {μ^{v} v i n t e r}_{i} + ε_{i}$ (7)

her er ${a v s t . x k m}_{i}$ en dummy lik 1 om boligen er innenfor avstandsintervallet $x$ til nærmeste vindkraftverk ( $x \in X = {0 - 1, 1 - 2, \dots, 9 - 10}$ ). ${d r i f t}_{i}$ er en dummy lik 1 om det nærmeste vindkraftverket var i drift når boligen ble solgt. Denne modellen estimeres bare med ${o m r å d e}_{i}$ som en vektor med dummyer med kraftverksnavn på nærmeste vindkraftverk og ikke med kommuner. $ω^{d r i f t}$ , $ω^{x k m}$ og $ω^{D i D . x k m}$ er de ukjente koeffisientene, hvorav $ω^{D i D . x k m}$ er DiD- koeffisienten av interesse som reflekterer priseffekten av avstand til et vindkraftverk i drift innenfor et visst avstandsintervall.

6. Regresjonsresultater

Alle estimerte koeffisienter for avstandsintervaller i analysen er konvertert til prosent av boligprisen, alle standardfeil og konfidensintervaller benytter klyngerobuste standardfeil på områdene som er benyttet som geografisk FE, enten navnet på kraftverkene eller kommunene. Se vedlegg for komplette regresjonstabeller for de estimerte modellene i dette kapitlet.

6.1. Effekten av avstanden til vindkraftverket ved faste kommuneeffekter

Figur 3 viser regresjonsresultatene fra modellen som bruker modell (6) med faste kommuneeffekter. I figuren er estimatet på koeffisientene til avstandsintervallene grafisk fremstilt, der det røde (blå) området viser 99 (95) prosent konfidensintervall for det tilhørende estimatet.

Figur 3 viser sterk negativ estimert priseffekt i prosent av boligprisen for å ha et vindkraftverk i drift i nærheten av boligen på -16,1 prosent, og at denne effekten konvergerer mot null i en avstand på rundt 5 til 6 km fra vindkraftverket. Estimatene for km-intervallene fra 0 til 3 km er statistisk signifikante på 1 prosent nivå, og estimatet på 3 til 4 km er signifikant på 5 prosent nivå. Modellen har en forklaringsevne på justert R² på 0,796.

*Figur 3:* *Viser regresjonsresultater fra modell (6) med faste kommuneeffekter.*

Punkter er estimert MWTP i prosent av boligprisen for å ha et vindkraftverk i drift i det oppgitte avstandsintervallet fra boligen. Det røde området er 99 prosent konfidensintervall og blått område er 95 prosent konfidensintervall for tilhørende estimat.

6.2. Effekten av avstanden til vindkraftverket ved faste kraftverkseffekter

Modell (6) er også estimert med faste kraftverkseffekter, illustrert under i Figur 4, med samme fortolkning av rød og blå farge som Figur 3. Her er mønsteret til estimatene lignende som med faste kommuneeffekter, men divergerer i større grad fra null over hele området og har større konfidensintervaller. Dette kan komme av at faste kraftverkseffekter bruker større geografiske områder og derfor i mindre grad lykkes med å inkorporere effekten av sentralitet, noe som kan overestimere de negative effektene.

Om de faste kraftverkseffektene ikke klarer å fullstendig kontrollere for de romlige prosessene, kan standardfeilen øke noe som vil gi større konfidensintervall. I modellen med faste kraftverkseffekter er estimatene for koeffisientene til km-intervallene fra 0 til 3 og 7 til 8 km statistisk signifikant på 1 prosent nivå, og intervallene fra 3 til 4 og 6 til 10 er signifikant på 5 prosent nivå. Modellen med faste kraftverkseffekter har justert R² på 0,759 som er mindre enn med faste kommuneeffekter.

*Figur 4:* *Viser regresjonsresultater fra modell (6) med faste kraftverkseffekter.*

Punkter er estimert MWTP i prosent av boligprisen for å ha et vindkraftverk i drift i det gitte avstandsintervallet fra boligen. Det røde området er 99 prosent konfidensintervall og blått område er 95 prosent konfidensintervall for tilhørende estimat.

6.3. Effekten av avstanden til vindkraftverket med DiD og faste kraftverkseffekter

Under i Figur 5 er resultatene av de estimerte koeffisientene til avstandsintervallene fra DiD-modell (7) med faste kraftverkseffekter grafisk fremstilt. DiD-estimatene reflekterer gjennomsnittlig behandlingseffekt på de behandlede boligene (ATT),^{#«Average treatment effect on the treated».} som ligger innenfor hver spesifikke avstandsradius fra et vindkraftverk i drift. I Figur 5 er også 99 (95) prosent konfidensintervall illustrert for hvert estimat som rødt (blått) område.

Estimatene for effekten av nærhet til vindkraftverk på boligprisen starter i denne modellen som sterkt negative på -9,2 prosent av boligprisen for intervallet fra 0 til 1 km og -13,9 prosent for 1 til 2 km-intervallet. Den negative priseffekten konvergerer mot null mellom 7 og 8 km fra vindkraftverket. Estimatet for 0 til 1 km-intervallet skiller seg noe fra dette mønsteret, men har til gjengjeld relativt stort konfidensintervall. Dette kommer trolig av få observasjoner av boliger som er under 1 km fra et vindkraftverk, med for lav grad i variasjon og antall observasjoner av boligtransaksjoner både før og etter nærmeste vindkraftverk hadde driftsstart. Km-intervaller fra 1 til 3 km og 4 til 6 km er her statistisk signifikant på 1 prosent nivå, mens 3 til 4 km intervallet signifikant på 5 prosent nivå.

*Figur 5:* *Viser regresjonsresultater fra DiD-modell (7) med faste kraftverkseffekter.*

Punkter er estimert MWTP i prosent av boligprisen for å ha et vindkraftverk i drift i det gitte avstandsintervallet fra boligen for berørte boliger. Det røde området er 99 prosent konfidensintervall og blått område er 95 prosent konfidensintervall for tilhørende estimat.

7. Forventningseffekter

En velbegrunnet innvending mot tidligere modeller og tilhørende resultater er at markedstilpasningen til aktørene og en eventuell prisendring ved oppføring av vindkraftverk kan inntreffe før driftsstart for kraftverket. Aktørene i boligmarkedet kan internalisere eksternalitetene i boligprisen allerede før vindkraftverket er i drift. Byggeprosessen burde gi aktørene informasjon om de forestående ulempene ved et fremtidig vindkraftverk. Det kan også tenkes at aktørene er bevisst på fremtidig utbygging og forestående anlegg allerede før byggestart gjennom nyheter forbundet med planleggingsfasen og konsesjonssøknaden. For å undersøke om deler av pristilpasningen finner sted før driftsstart, så er det estimert en modell som undersøker markedstilpasningen over tid.

Det er ingen informasjon om byggestart i datasettet, men ifølge Enova (2014), Riise mfl. (2016) og THEMA (2019) er byggetiden til vindkraftverk gjennomgående to år. Informasjonen om antatt byggetid er anvendt til å definere byggestart til to år før driftsstart, i tillegg er det definert en tidsperiode på to år før byggestart og frem til byggestart for å se om det forekommer pristilpasning i planleggingsfasen. I følgende modell er det for enkelhets skyld bare sett på effekten for beliggenhet under 3 km fra vindkraftverket, da dette var området med signifikant effekt på 1 prosentnivå i de estimerte FE modellene. Modellen som brukes er inspirert av Hoen mfl. (2015):

$l n (P_{i}) = α + ω^{F B} {a v s t . 3 k m . F B}_{i}$

$+ ω^{E B F D} {a v s t . 3 k m . E B F D}_{i}$

$+ ω^{D} {a v s t . 3 k m . d r i f t}_{i}$

$+ β z_{i} + {μ^{m} (å r}_{i} * {o m r å d e}_{i}) + μ^{t} {å r}_{i}$

$+ μ^{o} {o m r å d e}_{i} + {μ^{v} v i n t e r}_{i} + ε_{i}$ (8)

hvor ${a v s t . 3 k m . d r i f t}_{i}$ er en dummyvariabel lik 1 om boligen ligger under 3 km fra nærmeste vindkraftverk, gitt at boligtransaksjonen fant sted etter kraftverket hadde driftsstart. Dummyen ${a v s t . 3 k m . E B F D}_{i}$ er lik 1 om boligen ligger under 3 km fra nærmeste vindkraftverk, men gitt at boligtransaksjonen fant sted 1 eller 2 år før driften av kraftverket startet (EBFD står for Etter Byggestart Før Drift). Til slutt er ${a v s t . 3 k m . F B}_{i}$ en dummyvariabel som er lik 1 om boligen ligger under 3 km fra nærmeste vindkraftverk, gitt at boligtransaksjonen fant sted 3 eller 4 år før driften av kraftverket (FB står for Før Byggestart). De ukjente koeffisientene av interesse $ω^{F B}$ , $ω^{E B F D}$ og $ω^{D}$ for estimeringen viser priseffekten på boligen av å ligge under 3 km fra et vindkraftverk før byggestart (FB), under byggingen (EBFD) og etter driftsstart (D). Modellen er estimert med både faste kraftverkseffekter og faste kommuneeffekter. De estimerte koeffisientene av interesse i estimeringen er fremstilt i Figur 6.

Resultatene viser en negativ effekt av nærhet til et vindkraftverk i drift på -9,1 prosent av boligprisen for modellen med faste kommuneeffekter, som er signifikant på 1 prosentnivå. Tilsvarende estimat er -7,4 prosent i modellen med faste kraftverkseffekter, som er signifikant på 5 prosentnivå. Derimot er priseffekten som inntreffer under byggeprosessen (EBFD) relativt liten og ikke signifikant (-5,7 prosent ved faste kommuneeffekter og -3,2 prosent ved faste kraftverkseffekter).

Effekten før byggestart (FB) er tilnærmet lik null og ikke signifikant (-2,4 prosent ved faste kommuneeffekter og -0,6 prosent ved faste kraftverkseffekter). Markedsaktørenes tilpasning til vindkraftverket ser dermed ut til å hovedsakelig inntreffe etter at vindkraftverket har startet driften.

*Figur 6:* Effekten på boligprisen av avstand under 3 km til et vindkraftverk som ennå ikke har startet bygging (FB), under 3 km til et vindkraftverk under bygging (EBFD) og under 3 km til et vindkraftverk i drift.

Modell (8) med faste kommuneeffekter til venstre og faste kraftverkeffekter til høyre. Det røde området er 99 prosent konfidensintervall og blått område er 95 prosent konfidensintervall for tilhørende estimat.

Noe av pristilpasningen ser ut til å forekomme allerede under byggingen av kraftverket, men denne effekten er ikke stor nok til å være signifikant. Vi ser derfor lite tegn til prematur behandlingseffekt. Modellen er utprøvd med flere forskjellige tidsintervaller for perioder før drift, uten at dette endrer resultatet.

7.1. Placebo

Estimatene for priseffekten av avstand under 3 km til et vindkraftverk før kraftverket hadde byggestart (FB) som er presentert i Figur 6, kan benyttes som et placebo på behandling. Årsaken til dette er at boligene i denne gruppen er identiske i gjennomsnitt med tilsvarende boliger som ligger under 3 km fra et vindkraftverk i drift, angående sentralitet og geografi. Disse boligene får oppført et vindkraftverk under 3 km fra boligens plassering i fremtiden, men er ikke påvirket av denne utbyggingen ennå. Priseffekten for denne gruppen er tilnærmet lik null og ikke signifikant, og styrker dermed FE-modellenes troverdighet i å overkomme romlige utfordringer som sentralitet. Om koeffisienten for nærhet til vindkraftverk kanaliserte effekten av sentralitet, så ville disse estimatene vært signifikant negative uavhengig av tidspunktet for markedets pristilpasning. Dette tyder på at forutsetningen om felles trend mellom behandlingsgruppen og kontrollgruppen ved fravær av behandling holder i modellene.

8. Betydning av vindkraftverkets størrelse

Får å få en bedre forståelse av hva som driver den negative priseffekten av nærhet til vindkraftverk har vi gjennomført heterogenitetsanalyser basert på vindkraftverkets størrelse, herunder antall vindturbiner. Uavhengig av antallet turbiner ved nærmeste vindkraftverk, finner vi negative priseffekter som er signifikante på 5 prosentnivå for boliger som ligger nærmere enn 3 km fra vindkraftverket. Størrelsen på denne effekten varierer derimot med antall turbiner, og vi finner en større negativ priseffekt på boliger som ligger i nærheten av vindkraftverk med mange turbiner, relativt til boliger som ligger i nærheten av kraftverk med færre turbiner. Se vedlegg for regresjonsresultater for analysene av betydningen av antall vindturbiner på boligpriseffekten.

9. Diskusjon og konklusjon

Denne analysen har tatt sikte på å estimere marginal betalingsvillighet for å (unngå å) bo i nærheten av et vindkraftverk, og fastslå eventuelle kostnader for lokale boligeiere. En slik analyse har så vidt oss bekjent aldri tidligere vært gjort i Norge. Ved anvendelse av en hedonisk prismodell i kombinasjon med faste geografiske effekter og differanse i forskjeller, har denne analysen utnyttet et større boligdatasett til å avdekke empirisk støtte for forventningen om at også i Norge vil boligprisene være signifikant lavere i nærheten av et vindkraftverk i drift. Selv om de forskjellige modellene med ulike tilhørende forutsetninger har tidvis ulike estimater, er det et konsistent og robust resultat at boligprisene er lavere i nærheten av vindkraftverk i drift. Jevnt over modellene estimeres det en negativ marginal implisitt betalingsvillighet (MWTP) på rundt 15 prosent av prisen på en gjennomsnittsbolig for boliger som ligger under 1 km fra et vindkraftverk i drift. Denne effekten avtar med avstanden til kraftverket og konvergerer mot null i de fleste modeller omkring 5 til 7 km fra vindkraftverket. For en gjennomsnittsbolig vil en prisreduksjon på 15 prosent tilsvare omtrent 450 000 kroner, basert på gjennomsnittsprisen på alle boligene i datasettet over hele analyseperioden.

Det er gjort en rekke lignende analyser av problemstillingen i andre land, og våre resultater er i det øverste sjiktet av størrelsen på negative estimater. Parsons og Heintzelman (2022) sin litteraturstudie av 18 sammenlignbare studier de siste 10 årene, viser at 13 av studiene hadde negative estimater som var statistisk signifikante. Den gjennomsnittlige priseffekten over alle studiene for boliger under 1 km fra nærmeste vindkraftverk i drift var -5 prosent. De fleste av studiene hadde en priseffekt som konvergerte mot null på rundt 5 km avstand. En nylig publisert meta-regresjonsanalyse av hedoniske studier av vindkraftverk finner en gjennomsnittlig negativ priseffekt på 0,68 prosent for boliger i en avstand på ca. 3 km, som faller til null for en avstand på ca. 4,5 km (Schütt, 2023).

Interessant nok, er disse avstandene sammenlignbare med enkelte studier som undersøker hvordan vindkraftverk påvirker folks livskvalitet eller betalingsvillighet for å unngå virkninger, som målt ved oppgitte preferanser. Krekel og Zerrahn (2017), for eksempel, viser ved bruk av livskvalitetsdata over mange år i Tyskland at de negative virkningene av vindkraftverkene i hovedsak gjør seg gjeldende innenfor 4 km avstand (og dessuten avtar over en femårsperiode).

De mest interessante studiene i forhold til våre resultater er de hedoniske prisstudiene som er gjort i sammenlignbare områder med lik topografi og inntektsnivå som Norge. I Sverige finner Westlund og Wilhelmsson (2021) en signifikant negativ priseffekt for boliger plassert i nærheten av et vindkraftverk i drift, hvor plassering under 2 km fra kraftverket gir en prisreduksjon på 14 prosent. Denne effekten konvergerer mot null ved en avstand på 8 km. Jensen mfl. (2014) studerer effekten av vindkraftverk på boligpriser i Danmark, og finner opp til 3 prosent reduksjon i boligpriser assosiert med visuell forurensning og 3 til 7 prosent reduksjon assosiert med støyforurensning. At Norge og til dels andre skandinaviske land har estimater som er over gjennomsnittlig negative i en internasjonal sammenheng kan skyldes forskjeller i preferanser, for eksempel at nordmenn er noe mer sensitive i forhold til infrastrukturinngrep i våre nærområder. Dette kan igjen ha sammenheng med at det er færre slike inngrep i norsk natur, at folk er opptatt av både naturvern og naturbasert rekreasjon og det kan ha med hvor vi velger å bygge kraftverkene relativt til andre land. von Detten mfl. (2023) finner, for eksempel, at mindre befolkede områder opplever høyere depresiering av eiendomsverdier ved nærhet til vindkraftverk, relativt til områder som er tettere befolket. Dette er interessant ettersom vi ofte bygger vindkraftverk i mindre befolkede områder i Norge. Lindhjem mfl. (2022), finner også, ved å sammenligne resultater med en internasjonal studie om akseptabel avstand til energianlegg (Harold mfl., 2021), tegn på at nordmenn er enda mindre lystne på å bo nært vindkraftanlegg enn folk i andre land. Norge har også en spesiell topografi med mer kupert terreng med høytliggende åser og fjellområder som ofte blir benyttet til vindkraftanlegg. Det er derfor mulig at kraftverkene i større grad er synlige på lang avstand enn i andre land.

De negative virkningene for boligeiere har tidligere ikke blitt tilstrekkelig hensyntatt ved konsesjonsbehandlingen av vindkraftverk og er vektet lavt. Regjeringen fastslo i 2020 at virkninger for naboer i større grad skal vektlegges framover (Meld. St. 28 (2019–2020)). Her fremkommer det at samfunnsøkonomisk lønnsomhet også i større grad skal vurderes, som setter krav til verdsetting av eksternaliteter og totale samfunnsvirkninger. Denne analysen kan bidra på dette området ved å belyse mulige tap i boligverdier ved videre utbygging.

Deler av kostnadene ved utbyggingen av landbasert vindkraft bæres av lokale boligeiere og lokalbefolkningen. Kraftverkseieren betaler i dag dermed ikke for de fulle samfunnsøkonomiske kostnadene ved utbyggingen (Lindhjem mfl., 2019, 2022; Handberg mfl., 2020). Det kan derfor argumenteres for at lokalbefolkningen i praksis subsidierer vindkraftverket ved å dekke deler av de samfunnsøkonomiske kostnadene.

En avgift på produksjon, som vanligvis benyttes for å korrigere markedssvikt ved negative eksternaliteter, kan i dette tilfellet falle inn under en naturavgift. Dette er en avgift for bruk av naturen som stiller utbygger ovenfor de fulle samfunnsøkonomiske kostnadene ved naturinngrep. En slik avgift er foreslått av Grønn skattekommisjon (NOU 2015: 15), senere støttet av Ekspertutvalget for klimavennlige investeringer (Nærings- og fiskeridepartementet, 2022) og Skatteutvalget (NOU 2022: 20). En naturavgift er ikke innført eller ferdig utformet, men kan ifølge Skatteutvalget utformes som en avgiftsats per arealenhet som bygges ned, som varierer med naturtypen som forsvinner eller blir påvirket. Se også Lindhjem og Magnussen (2015) for vurdering av grunnlaget for en naturavgift for Grønn Skattekommisjon.

I fremtiden vil det bli flere boligtransaksjoner i nærheten av vindkraftverk, og flere av de nærliggende boligene vil bli solgt flere ganger. Dette vil gi bedre datagrunnlag for analyser med bruk av gjentakende salg i fremtidig forskning. Denne metoden vil være en naturlig utvidelse av denne analysen og et godt supplement til geografisk faste effekter og alternativ til DiD, for å kontrollere for uobserverte faktorer og preeksisterende prisforskjeller. Anvendelse av andre metoder for å overkomme romlige utfordringer som «spatial error model» (SEM) og «spatial autoregressive with additional autoregressive error structure» (SARAR) kan være gode alternativer til faste effekter (tidligere benyttet av blant annet Jensen mfl. (2014) og Hoen mfl. (2015)).

Andre studier har også forsøkt å skille effekten av de ulike eksternalitetene som støy og visuell forurensning fra hverandre (Jensen mfl., 2014). Vi har forsøkt å isolere effekten av synlighet^{#Ved bruk av GIS lagde vi en kartbasert variabel over vindkraftverkenes «viewscapes».} fra avstanden i denne analysen uten tilfredsstillende resultat. Årsaken til dette er at synlighet trolig er korrelert med god utsikt, uten at vi har lykkes i å kontrollere for den positive priseffekten av utsikten, som fører til skjeve positive estimater for priseffekten av synlighet.^{#Heintzelman mfl. (2017) møtte også denne utfordringen da boligene som hadde utsikt til vindkraftverk i deres studieområde var høyt korrelert med de som hadde utsikt over den lokale innsjøen.} Disse resultatene er utelatt av plasshensyn. I videre forskning kan dette derimot være interessant om denne utfordringen overkommes.

I denne analysen har vi gjort begrensede undersøkelser av hvordan antallet vindturbiner påvirker priseffekten. En naturlig utvidelse av analysen ville vært å undersøke effekten av kraftverkets størrelse med mer fleksible modeller, i tillegg til turbinenes høyde eller andre faktorer ved kraftverket som kan tenkes å påvirke priseffekten. HP-funksjonen vår benytter også et begrenset antall forklaringsvariabler, og setter dermed begrensninger på HP-funksjonens treffsikkerhet. Flere variabler av relevans, spesielt ikke-strukturelle, som avstand til kollektivtransport, nærmeste skole, annen infrastruktur osv. ville styrket HP-funksjonens evne til å forklare boligprisen. Fritidsboliger er også trolig påvirket av vindkraftutbygging og er ikke inkludert i denne analysen. I fremtiden er det også mulig med større utbygginger av vindkraft til havs. Hvorvidt disse kraftverkene blir synlige fra land og deres effekt på boligprisene er foreløpig mindre studert.^{#Dong og Lang (2022) finner ingen effekt av vindkraftverk til havs på boligprisene i Rhode Island, USA. Jensen mfl. (2018) finner heller ingen priseffekt på boliger av synlige vindkraftverk til havs.}

10. Referanser

Andersen, M. L. (2023). Vindkraftverks påvirkning på boligprisene for nærliggende boliger – En Hedonisk Prisstudie i Norge. Masteroppgave, Universitetet i Oslo.

Champ, P. A., K. J. Boyle og T. C. Brown (2017). A primer on nonmarket valuation (Bd. 13). Springer Netherlands.

Cropper, M. L., L. B. Deck og K. E. McConnell (1988). On the choice of functional form for hedonic price functions. The Review of Economics and Statistics 96, 121–141.

Dong, L. og C. Lang (2022). Do views of offshore wind energy detract? A hedonic price analysis of the Block Island wind farm in Rhode Island. Energy Policy 167, 113060.

Dröes, M. I., og H. R. A. Koster (2016). Renewable energy and negative externalities: The effect of wind turbines on house prices. Journal of Urban Economics 96, 121–141.

Dugstad, A., K. Grimsrud, G. Kipperberg, H. Lindhjem og S. Navrud (2020). Acceptance of wind power development and exposure – Not-in-anybody’s-backyard. Energy Policy 147, 111780.

Dugstad, A., K. Grimsrud, H. Lindhjem og S. Navrud (2023). Place attachment and preferences for wind energy – A value-based approach. Energy Research & Social Science 100.

Enova (2014). Etablering av vindkraft i Norge. Enovarapport 2014:5.

Folkvord, M. S. (2019). Verdien av blå og grønne strukturer i nye Kristiansand kommune – en hedonisk pris studie. Masteroppgave, Norges miljø- og biovitenskapelige universitet, Handelshøyskolen.

Freeman III, A. M., J. A. Herriges og C. L. Kling (2014). The measurement of environmental and resource values: Theory and methods (3. utg.). Routledge.

Gibbons, S. (2015). Gone with the wind: Valuing the visual impacts of wind turbines through house prices. Journal of Environmental Economics and Management 72, 177–196.

Grimsrud, K., C. Hagem, K. Haaskjold, H. Lindhjem og M. Nowell (2024). Spatial trade-offs in national land-based wind power deployment in times of biodiversity and climate crises. Environmental and Resource Economics 87, 401–436.

Grimsrud, K., C. Hagem, A. Lind og H. Lindhjem (2021). Efficient spatial distribution of wind power plants given environmental externalities due to turbines and grids. Energy Economics 102.

Grue, B., J. L. Langeland og O. I. Larsen (1997). Boligpriser – effekter av veitrafikkbelastning og lokalisering. TØI rapport 351/1997, Transportøkonomisk Institutt / Stiftelsen Norsk Senter for Samferdselsforskning.

Handberg, Ø. N., H. Lindhjem, S. Navrud og O. I. Vistad (2020). Lokale virkninger av vindkraft. Menon-publikasjon nr. 87/2020.

Harold, J., V. Bertsch, T. Lawrence og M. Hall (2021). Drivers of people’s preferences for spatial proximity to energy infrastructure technologies: A cross-country analysis. The Energy Journal 42 (4), 47–90.

Heintzelman, M. D. og C. M. Tuttle (2012). Values in the wind: A hedonic analysis of wind power facilities. Land Economics 88 (3), 571–588.

Heintzelman, M. D., R. J. Vyn og S. Guth (2017). Understanding the amenity impacts of wind development on an international border. Ecological Economics 137, 195–206.

Hoen, B., J. P. Brown, T. Jackson, M. A. Thayer, R. Wiser og P. Cappers (2015). Spatial hedonic analysis of the effects of US wind energy facilities on surrounding property values. The Journal of Real Estate Finance and Economics 51(1), 22–51.

Jensen, C. U., T. E. Panduro og T. H. Lundhede (2014). The vindication of Don Quixote: The impact of noise and visual pollution from wind turbines. Land Economics 90 (4), 668–682.

Jensen, C. U., T. E. Panduro, T. H. Lundhede, A. S. E. Nielsen, M. Dalsgaard og B. J. Thorsen (2018). The impact of on-shore and off-shore wind turbine farms on property prices. Energy Policy 116, 50–59.

Kipperberg, G., Y. Onozaka, L. T. Bui, M. Lohaugen, G. Refsdal og S. Sæland (2019). The impact of wind turbines on local recreation: Evidence from two travel cost method – contingent behavior studies. Journal of Outdoor Recreation and Tourism 25, 66–75.

Krekel, C. og Zerrahn, A. (2017). Does the presence of wind turbines have negative externalities for people in their surroundings? Evidence from well-being data. Journal of Environmental Economics and Management 82, 221–238.

Lindhjem, H. og K. Magnussen (2015) Grunnlag for en nærmere utredning av naturavgift. Vista-rapport 2015/20.

Lindhjem, H., A. Dugstad, K. Grimsrud, Ø. N. Handberg, G. Kipperberg, E. Kløw og S. Navrud (2019). Vindkraft i motvind – Miljøkostnadene er ikke til å blåse av. Samfunnsøkonomen 133 (4), 6–17.

Lindhjem, H., A. Dugstad, K. Grimsrud, G. Kipperberg og S. Navrud (2022). Medvind for landbasert vindkraft eller stille før ny storm? Samfunnsøkonomen 136 (5), 48–61.

Lohaugen, M., G. Refsdal, G. Kipperberg og Y. Onozaka (2017). En reisekostnadsstudie av Dalsnuten-området i Sandnes, Rogaland. Samfunnsøkonomen 131 (4), 51–66.

Magnussen, K., H. Lindhjem, O. Haavardsholm og F. Hanssen (2016). Prissetting av lokale miljøvirkninger av nettiltak i samfunnsøkonomiske analyser. VISTA-rapport nr. 9.

Meld. St. 28 (2019–2020). Vindkraft på land – Endringer i konsesjonsbehandlingen.

Navrud, S. og J. Strand (2011). Using Hedonic Pricing for Estimating Compensation Payments for Noise and Other Externalities from New Roads, i Bennett, J. (red) The International Handbook on Non-Market Environmental Valuation. Edward Elgar Publishing.

Norconsult (2017). Visuelle virkninger av vindkraft. Rapport på oppdrag fra Norges vassdrags- og energidirektorat.

Norconsult (2022). Vurdering av kunnskapsgrunnlag for skyggekast. NVE Ekstern rapport nr. 4/2022.

NOU (2015: 15). Sett pris på miljøet.

NOU (2022: 20). Et helhetlig skattesystem.

NOU (2023: 3). Mer av alt – Raskere.

NVE (2021). Kostnader for kraftproduksjon. Tilgjengelig fra: https://www.nve.no/energi/analyser-og-statistikk/kostnader-for-kraftproduksjon/

NVE (2022a). Produksjonsrapporter, kostnader og vindressurser. Tilgjengelig fra: https://www.nve.no/energi/energisystem/vindkraft/produksjonsrapporter-kostnader-og-vindressurser/

NVE (2022b). Kunnskapsgrunnlag om virkninger av vindkraft på land. Tilgjengelig fra: https://www.nve.no/energi/energisystem/vindkraft/kunnskapsgrunnlag-om-virkninger-av-vindkraft-paa-land/

Nærings- og fiskeridepartementet (2022). Rapport fra Ekspertutvalget for klimavennlige investeringer.

Palmquist, R. B. (2005). Property Value Models, i Vincent, J. R. og K.-G. Mäler (red.) Handbook of environmental economics, bd. 2, s. 763–819.

Parsons, G. og M. D. Heintzelman (2022). The effect of wind power projects on property values: A decade (2011–2021) of hedonic price analysis. International Review of Environmental and Resource Economics 16 (1), 93–170.

Riise, E., G. K. E. Førde, E. Holmelin og G. Klavenes (2016). Samfunnsmessige virkninger av vindkraftverk. Norconsult.

Rosen, S. (1974). Hedonic prices and implicit markets: Product differentiation in pure competition. Journal of Political Economy 82 (1), 34–55.

Schütt, M. (2023). Wind turbines and property values: A meta‑regression analysis. Environmental and Resource Economics 87, 1–43.

Strand, J. og M. Vågnes (2001). The relationship between property values and railroad proximity: a study based on hedonic prices and real estate brokers’ appraisals. Transportation 28 (2), 137–156.

Sunak, Y. og R. Madlener (2012). The impact of wind farms on property values: A geographically weighted hedonic pricing model. SSRN Scholarly paper 2114216.

THEMA (2019). Kostnader ved vannkraft og vindkraft under ulike skattemodeller. Kort memo. Tilgjengelig fra: https://www.regjeringen.no/contentassets/f20e27cf39ec49b7b6c486dd688d02c3/33fkostnader-vannkraft-vindkraft-ulike-skattemodeller.pdf

Thomassen, A. og I. Melby (2019). Beregninger av boligformue. Notater nr. 53, Statistisk sentralbyrå.

Traaholt, N. V. (2014). Valuing urban recreational ecosystem services in Oslo – A hedonic pricing study. Masteroppgave, University of Copenhagen.

Ueland, I., I. E. Haukeli, H. Birkelund, F. Arnesen, J. Hole, D. Spilde, S. Jelsness og F. H Aulie (2021). Langsiktig kraftmarkedsanalyse 2021 – 2040. NVE Rapport nr. 29/2021, Norges vassdrags- og energidirektorat.

von Detten, J., J.V. Seebaß, J.C. Schlüter og F. Hackelberg (2023). Influence of onshore wind turbines on land values. Zeitschrift für Immobilienökonomie 9, 63–80.

Westlund, H. og M. Wilhelmsson (2021). The socio-economic cost of wind turbines: A Swedish case study. Sustainability 13 (12), 6892.

WHO (2019). Environmental noise guidelines for the European Region. World Health Organization.

Zerrahn, A. (2017). Wind power and externalities. Ecological Economics 141, 245–260.

Zimmer, M. L. D., H. Lindhjem og Ø. N. Handberg (2018). Hvordan påvirker vindkraft landskapet, og hvordan vurderes virkningene av folk som berøres? Menon-Publikasjon 56.

Aasvang, G. M. og N. H. Krog (2022). Støy fra vindturbiner og virkninger på helse. Folkehelseinstituttet. Tilgjengelig fra: https://www.fhi.no/kl/stoy/stoy--fra-vindturbiner-helseskadelig/

11. Vedlegg: regresjonstabeller

Tabell A: Modell (6), faste geografiske effekter.
	Avhengig variabel: ln(pris)
	(6)		(6)
	Estimat	Standardfeil	Estimat	Standardfeil
avst.0_1km.drift	-0,175***	0,039	-0,197***	0,037
avst.1_2km.drift	-0,162**	0,057	-0,176**	0,060
avst.2_3km.drift	-0,128**	0,041	-0,123**	0,039
avst.3_4km.drift	-0,082*	0,036	-0,088*	0,042
avst.4_5km.drift	-0,050	0,039	-0,078	0,041
avst.5_6km.drift	-0,032	0,037	-0,068	0,037
avst.6_7km.drift	-0,044	0,035	-0,089*	0,038
avst.7_8km.drift	-0,056	0,031	-0,134**	0,051
avst.8_9km.drift	-0,022	0,019	-0,100*	0,044
avst.9_10km.drift	-0,020	0,017	-0,088*	0,036
Log_areal	0,621***	0,017	0,618***	0,026
Ant_soverom	0,006**	0,002	0,005	0,003
Etasje	0,011***	0,001	0,012***	0,001
Kjellerbolig	-0,011	0,014	-0,010	0,021
Spredt_bebyggelse	-0,110***	0,010	-0,151***	0,028
Båtplass	0,211***	0,017	0,231***	0,028
Parkeringsplass	0,019***	0,003	0,018***	0,004
Peis	0,021***	0,006	0,029***	0,006
Fellesvask	0,006	0,006	0,005	0,011
Heis	0,021***	0,006	0,031***	0,009
Småhus	-0,058***	0,011	-0,036**	0,013
Tomannsbolig	-0,054***	0,012	-0,032	0,020
Rekkehus	-0,072***	0,016	-0,050***	0,012
Blokkleilighet	-0,039*	0,017	-0,010	0,021
Modernisert_2013_2022	0,054***	0,012	0,058***	0,009
Modernisert_2003_2012	0,043***	0,007	0,049***	0,010
Byggeår_1993_2007	-0,071***	0,006	-0,059***	0,010
Byggeår_1978_1992	-0,202***	0,007	-0,181***	0,011
Byggeår_1958_1977	-0,232***	0,014	-0,198***	0,024
Byggeår_1938_1957	-0,230***	0,031	-0,179***	0,048
Byggeår_1913_1937	-0,189***	0,034	-0,124*	0,053
Byggeår_1888_1912	-0,159***	0,035	-0,094*	0,045
Byggeår_1863_1887	-0,145***	0,029	-0,084*	0,038
Byggeår_1838_1862	-0,125***	0,030	-0,063	0,035
Vinter	-0,018***	0,002	-0,018***	0,002
Konstant	10,267***	0,055	11,619***	0,128
Faste tidseffekter	Ja		Ja
Faste kommuneeffekter	Ja		Nei
Faste Kraftverkseffekter	Nei		Ja
Boligenes maksimale avstand til nærmeste vindkraftverk	30 km		20 km
Antall observasjoner	226 431		168 003
Justert R²	0,796		0,759

Tabell A: Oversikt over de estimerte implisitte marginale priser i HP-funksjonen med avstandsintervaller ut til 10 km gitt ved modell (6). Merk at: *p<0,05; **p<0,01; ***p<0,001.

Tabell B: Modell (6) med faste kommune-effekter og begrenset data på boliger basert på antall turbiner ved nærmeste vindkraftverk.
	Avhengig variabel: ln(pris)
	Bare kraftverk med få turbiner (turbiner < 10)		Bare kraftverk med mange turbiner (turbiner ≥ 10)
	Estimat	Standardfeil	Estimat	Standard feil
avst.0_1km.drift	-0,172***	0,048	-0,395***	0,093
avst.1_2km.drift	-0,161*	0,069	-0,256***	0,074
avst.2_3km.drift	-0,129*	0,059	-0,169**	0,065
avst.3_4km.drift	-0,091	0,055	-0,066	0,050
avst.4_5km.drift	-0,076	0,055	-0,060	0,044
avst.5_6km.drift	-0,041	0,049	-0,052	0,054
avst.6_7km.drift	-0,047	0,049	-0,070	0,045
avst.7_8km.drift	-0,068	0,040	-0,044	0,041
avst.8_9km.drift	-0,029	0,023	-0,022	0,045
avst.9_10km.drift	-0,023	0,021	-0,027	0,047
Faste tidseffekter	Ja		Ja
Faste kommuneeffekter	Ja		Ja
Boligenes maksimale avstand til nærmeste vindkraftverk	30 km		30 km
Begrenset data til hvor nærmeste vindkraftverk har spesifiserte antall turbiner	Færre enn 10 vindturbiner		Flere eller lik 10 vindturbiner
Antall observasjoner	170 611		55 820
Justert R²	0,800		0,785

Tabell B: Oversikt over de estimerte implisitte marginale priser i HP-funksjonen med avstandsintervaller ut til 10 km gitt ved modell (6) og faste kommuneeffekter. Merk at: *p<0,05; **p<0,01; ***p<0,001.

Tabell B viser regresjonsresultatene fra heterogenitetsanalysen som undersøker forskjeller i priseffekter mellom boliger som ligger nærme vindkraftverk med mange eller få vindturbiner. Her er modell (6) med faste kommuneeffekter benyttet, men i de ulike regresjonene er det bare benyttet data på boliger hvor nærmeste vindkraftverk har et spesifikt antall vindturbiner.

Vi har satt en grense på 10 vindturbiner for å skille mellom små og store vindkraftverk, basert på at gjennomsnittsboligen i datasettet ligger nær et kraftverk med 11,6 turbiner, mens medianboligen er nær et kraftverk med 7 turbiner. Resultatene fra Tabell B viser at boligprisene påvirkes mer av nærhet til store vindkraftverk i drift. Det er interessant å observere at blant boligene som er påvirket av utbygging, eksempelvis de innenfor en radius på 3 km fra et vindkraftverk i drift – ligger flertallet nær mindre vindkraftverk. Av totalt 2 360 boliger i denne kategorien, er hele 1 953 (eller 83 prosent) nærme et vindkraftverk i drift med 5 eller færre turbiner, mens 5 boliger ligger nær et kraftverk mellom 5 og 10 turbiner. Kun 402 boliger er innenfor 3 km fra et vindkraftverk i drift med 10 eller flere turbiner, og 304 ligger innenfor samme avstand fra et kraftverk i drift med 20 eller flere turbiner. Dette indikerer at vindkraftverk som etableres nær boliger typisk har et mindre antall turbiner. Mangelen på data om boliger påvirket av større vindkraftverk begrenser også muligheten for mer detaljerte heterogenitetsanalyser av effekten til vindkraftverkets størrelse, ved eksempelvis å benytte smalere intervaller for antall turbiner.

1. Innledning

2. Hedonisk pris­modell

2.1. Teoretisk grunnlag

2.2. Estimering av HPM

3. Data­grunn­lag

3.1. Forklarings­variabler

3.2. Bolig­observasjoner nær vind­kraft­verk og fjerning av ekstrem­verdier