EUROOPA LIIDU RIIKIDE KINNISVARATURU TSÜKLITE JA SELLEGA SEOTUD MAKROTEGURITE NING LAENUTURU TEGURITE AEGRIDADE MUSTRID AASTATEL 2005-2013 (0)

 
TARTU ÜLIKOOL 
Majandusteaduskond  
Ettevõttemajanduse instituut 
 
 
 
Kerli Matvere  
 
EUROOPA LIIDU RIIKIDE KINNISVARATURU 
TSÜKLITE JA SELLEGA SEOTUD MAKROTEGURITE 
NING LAENUTURU TEGURITE AEGRIDADE  MUSTRID  
AASTATEL 2005-2013 
 
Magistritöö sotsiaalteaduse magistri kraadi taotlemiseks majandusteaduses 
 
 
 
 
Juhendajad: Kaia Kask , Uku Varblane  
 
 
 
 
Tartu 2014 
0 
 
 
Soovitan suunata kaitsmisele ....................................................................... 
( juhendaja allkiri ) 
 
 
 
Kaitsmisele lubatud  „ 
„ ................... 2014. a. 
...........................õppetooli juhataja .................................................................. 
(õppetooli juhataja nimi ja allkiri) 
 
 
 
 
 
 
 
Olen koostanud töö iseseisvalt. Kõik töö koostamisel kasutatud teiste autorite tööd, 
põhimõttelised seisukohad, kirjandusallikatest ja mujalt pärinevad andmed on viidatud . 
........................................ 
 
(töö autori allkiri) 
 
 
1 
 
 
 
 
 
 
SISUKORD  
 
SISSEJUHATUS .............................................................................................................. 3 
1. 
KINNISVARATURU 
TSÜKLITE 
JA 
NENDE 
MÕJUTEGURITE 
TEOREETILINE KÄSITLUS .......................................................................................... 6 
1.1. Kinnisvaraturu tsükli mõiste ja tsükli faaside kirjeldus ......................................... 6 
1.2. Kinnisvaraturu tsükleid mõjutavad tegurid .......................................................... 16 
2 
KINNISVARATURU TSÜKLITE JA NENDE MÕJUTEGURITE  EMPIIRILINE  
ANALÜÜS ...................................................................................................................... 31 
2.1. Metoodika riikidevaheliste mustrite hindamiseks ................................................ 31 
2.2. Mustrite avastamine Euroopa Liidu riikide kinnisvaraturgude dünaamikas........ 33 
KOKKUVÕTE ................................................................................................................ 48 
LISAD ............................................................................................................................. 52 
VIIDATUD ALLIKAD .................................................................................................. 61 
SUMMARY .................................................................................................................... 68 
 
 
 
 
 
2 
 
 
 
 
 
 
SISSEJUHATUS 
Kinnisvara  täidab  majanduslikust   seisukohast   väga  olulist  rolli,  olles  nii  riigi 
majanduskasvu üheks indikaatoriks kui rikkuse mõõtmise allikaks. Kinnisvara on olnud 
läbi  aegade  üheks  kindlamaks  ja  pikaajalisemaks  rahapaigutamise  võimaluseks.  Mida 
enam  kasvab  inimeste   jõukus ,  seda  rohkem  suureneb  huvi  kinnisvarainvesteeringute 
vastu, seda nii pangapoolse finantseeringu abil kui ka sissetulekute kasvust  tingituna .  
Kinnisvaraturg   on  muutunud  efektiivsemaks  tänu  mitmetele  finantsinstrumentidele, 
kapitali  kättesaadavuse  paranemisele  ning  investeerimisvõimaluste  kasvule.  Seoses 
sellega kasvab vajadus  kinnisvaraga  seotud riskide hindamise, analüüsimise ja juhtimise 
järele,  mis  on  viinud  paljude   teadlaste   tähelepanu  antud  sektori  uurimisele  ning 
kinnisvara- ja finantssektori koosmõjude analüüsimisele. 
Kinnisvarahinna tõusud ja langused on ajas korduvad ning hinna suur  volatiilsus  võib 
tähendada  laastavat  mõju  nii  majapidamistele,  kinnisvarasektorile,  üldisele 
majanduskeskkonnale  ja  halvimal  juhul  kogu  pangandussüsteemile  (Renaud  1995:  1). 
Kinnisvara peetakse küll turvaliseks ja jätkusuutlikuks investeeringuks (Ruff 2007: 30, 
Idzorek  et  al.  2007:  39,   Hastings   ja  Nordby  2007:  54),  kuid  globaliseerumise  ja 
kapitaliturgude integratsiooni  tõttu  on loodud  järjest  keerulisemaid  finantsinstrumente, 
mistõttu  on  muutunud  aktuaalseks  kinnisvaraturu  pidev  jälgimine  ning  protsesside 
mõistmine.  Suured   finantsettevõtted   saavad  endale  kõrgemat  riskitaset  lubada  ja 
suudavad kanda sellest tingitud kahjumeid, probleem panga laenuraha kasutanud kliendi 
jaoks on mõnevõrra  tõsisem . Näiteks võib tuua Eestis aset leidnud kinnisvarabuumi, mil 
inimesed,  kes  ennast  liigselt  pangalaenudega  sidusid,  kandsid  kahjusid  tulenevalt 
kinnisvarahindade   ulatuslikust   langusest  ning  mõnel  juhtul  kaotasid  oma  kodu. 
Tegemist oli olukorraga, kus kõrge kasumi lootuses võeti mõtlematuid riske ning turu 
edasise arengu suhtes oldi liiga optimistlikud.  
3 
 
 
Kriisile järgnenud aastatel on kinnisvaraturg näidanud mõningase stabiliseerumise jälgi, 
mida  iseloomustavad  aeglaselt  tõusvad  hinnad  ja  turu  aktiivsemaks  muutumine. 
Vaatamata  makromajanduses   ilmnenud   positiivsetele  märkidele  ettevõtete  ja 
majapidamiste  maksevõime   paranemise   kohta  ollakse  endiselt  ettevaatlikud  uute 
laenude  väljastamisel.  Ülemaailmse  auditi-,  maksu-  ja  nõustamisteenuseid  pakkuvate 
ettevõtete   võrgustiku   KPMG  poolt  läbiviidud  uuringust1  selgub,  et  kinnisvara  on 
pankade  jaoks  viimastel  aastatel  üks  mitteatraktiivsematest  sektoritest,  kuhu   laene  
väljastada.  Eelkõige  on  põhjuseks   kommertspankade   jätkuvad  probleemid  eraisikute 
laenuportfellis. 
Kinnisvaraturg  on  sõltuv  globaalsest  majanduskeskkonnast,  finantssüsteemide 
stabiilsusest  ning  pangandussektori  efektiivsest  toimimisest,  mistõttu  on  üha  olulisem 
analüüsida  antud  sektorite  vahelisi   seoseid .  Käesoleva  magistritöö  eesmärgiks  on 
tuvastada  mustrid  Euroopa  Liidu  riikide  kinnisvaraturu  tsüklite,  majandustsüklite  ning 
laenuturu tsüklite vahel ning selgitada teguritevahelisi seoseid. 
Eesmärgi täitmiseks on püstitatud järgmised uurimisülesanded: 
●  selgitada kinnisvaraturu tsükli mõistet ning tsükli faase; 
●  määratleda kinnisvaraturu tsükliga seotud makro- ja finantstegurid; 
●  selgitada seoseid kinnisvaraturu tsüklite ja neid mõjutavate näitajate vahel; 
●  selgitada EL riikide kinnisvaraturu dünaamikat perioodil 2005-2013; 
●  tuvastada ühiste tunnuste alusel sarnased riikide grupid; 
●  selgitada riikide gruppidevaheliste erinevuste põhjuseid. 
Uurimisülesannete täitmiseks on töö esimeses osas  käsitletud  kinnisvaratsüklite olemust 
ja  tekkepõhjuseid  ning  kirjandusest  tulenevaid  seoseid  makromajanduslike  tegurite  ja 
finantssektoriga.  Kinnisvaraturu  tsüklite  määratlemiseks  on  empiirilistes  uuringutes 
kõige  sagedamini  kasutatud  kinnisvarahinna  indeksit.  Kinnisvaraturu  tsüklite 
tekkepõhjuste   uurimisel   on  leitud  seoseid  makromajanduslike  teguritega  ning 
finantssektorist tulenevate näitajatega. Kinnisvara hindade ja tsüklite kujunemisel ei ole 
vähemolulised  ka  käitumuslikud  aspektid,  mistõttu  on  kinnisvara  hindade  kujunemise 
                                                 
1 KPMG (2012) „CEE Property Lending Barometer 2012“ A  survey  of  banks  on the prospects 
for  real   estate   sector  lending in CEE. Kpmg.com/cee 
4 
 
 
selgitamiseks  kasutatud  samuti  käitumisökonoomikast  tulenevat  lähenemist,  mis 
sisaldab  psühholoogia  elemente.  Käitumisökonoomika  aitab  mõista,  kuidas  langetavad 
inimesed  majanduslikke  otsuseid.  Käitumisökonoomika  selgitab  hästi  mullide  teket, 
mille  parimaks  mõõdikuks  on  kinnisvara  ostu-müügitehingute  hüppeline  kasv.  Kui 
majandusteaduse  seisukohalt  lähtub  inimene  ainult  ratsionaalsest  loogikast,  siis 
käitumisökonoomika   arvestab   otsuste  langetamisel  kallutatust,  eelarvamusi  ning 
emotsioone.  Antud  teooria  käsitlemine  kinnisvaraturu  tsüklite  kujunemise  kontekstis 
aitab paremini mõista turul esinevaid anomaaliaid.  
Magistritöö  teises  osas  on  antud  ülevaade  Euroopa  Liidu  riikide  kinnisvaraturgude 
dünaamikast  ning  analüüsitud  seoseid  kinnisvaraturu  tsüklite,  olulisemate 
majandusnäitajate ja finantssektorist tulenevate näitajate vahel. Tulenevalt teoreetilisest 
kirjandusest  on  makromajanduslikeks  näitajateks  valitud  SKP  kasv  ja   tööhõive   määr. 
Finantsnäitajana  on  kasutatud  majapidamiste  maksehäirete  esinemist.  Antud 
magistritöös  otsitakse   muuhulgas   vastuseid  küsimustele:  kas  kinnisvaraturg  on 
protsükliline  majandustsükliga?  Kas  kinnisvara  tsüklilisus  on  rohkem  seotud 
reaalmajanduse  või  finantssektoriga  ning  kas  kinnisvaraturu  tsüklit  on  võimalik 
kirjeldada  üksikute  makronäitajatega?  Töö  koostamisel  on  kasutatud  inglise  keelseid 
erialaseid 
originaaltekste, 
teadusartikleid 
ja 
empiirilisi 
uurimusi 
mitmetest 
rahvusvahelistest majandus- ning teadusajakirjadest.  
Töö  empiirilises  osas  selgitatakse  Euroopa  Liidu  riikide  kinnisvaraturu  ja  töö 
teoreetilises peatükis määratletud makro- ja finantstegurite dünaamikat perioodil 2005-
2013.  Vaadeldava  perioodi  valiku  põhjuseks  on  asjaolu,  et  see  kätkeb  endas  nii 
kinnisvaraturu kiiret tõusufaasi kui ka  finantskriisi  teket ja kinnisvaramullide lõhkemist 
koos  kinnisvaraturu  järsu  langusega.  Seega  hõlmab  vaadeldav  periood  kinnisvaraturu 
tsükli  erinevaid  faase.  Empiirilises  osas  kasutatavad  andmed  pärinevad  põhiliselt 
Eurostati  andmebaasist.  Analüüsimeetoditena  on  töös  kasutatud  võrdlevanalüüsi, 
klasteranalüüsi  ning  korrelatsioonanalüüsi.  Peatüki  lõpus  on  esitatud  peamised 
empiirilise  analüüsi  raamest  tehtud  järeldused  ning  kõrvutatud  neid  töö  teoreetilises 
osas  toodud  valdkonna  kirjanduse   enamlevinud   seisukohtadega.  Olulisemad  kasutatud 
kirjandusallikad  käsitlevad  kinnisvara-,  krediidi-  ja  majandustsüklite  omavahelisi 
seoseid ning  meetodeid nende seoste  analüüsimiseks . 
5 
 
 
 
 
 
 
1.  KINNISVARATURU 
TSÜKLITE 
JA 
NENDE 
MÕJUTEGURITE TEOREETILINE KÄSITLUS  
1.1. Kinnisvaraturu tsükli mõiste ja tsükli faaside kirjeldus 
Majandusaktiivsuse perioodiline muutumine on läbi ajaloo olnud teadlastele üheks enim 
huvipakkuvaks teemaks. Majandustsüklite uurimisega tehti algust juba 18. sajandi lõpul 
ja  19.  sajandi  esimesel  poolel,  mil  majandusteaduse  klassikalise  koolkonna  esindajad 
pöörasid  põhitähelepanu  kapitalistliku  majandussüsteemi  võimele  iseeneslikult 
saavutada  nõudluse  ja  pakkumise  tasakaal  ning  seda  säilitada.  Majandusteadlased  on 
uurinud nii tsüklite kordumist ajas, nende kestvust, tsüklite põhjuseid ja tagajärgi ning 
majanduspoliitika  mõjusid . (Tamla 2003: 1) 
Majandustsükliks  ehk  äritsükliks  nimetatakse  oluliste  makromajanduslike  näitajate 
sünkroonseid,  kuid  ajutisi  kõrvalekaldeid  nende  trendist.  Tsükli  muster  koosneb 
majandusaktiivsuse 
tipust, 
majanduslanguse 
perioodist, 
sellele 
järgnevast 
majandusaktiivsuse  põhjast  ning  majandusõitsengu  perioodist  (Reijer  2006:  3). 
Majandustsüklile  on  iseloomulik  paljude  majandusnäitajate  koosliikumine  (Sorensen, 
Whitta–Jacobsen  2010:  358),  mil  aktiivsuse  kasv  avaldub  üheaegselt  mitmetes 
majandusvaldkondades,  millele  järgneb  kokkutõmbumise  periood.   Tsüklid   on  ajas 
korduvad, kuid  avalduvad erinevatel  aegadel  ja erinevates riikides isemoodi. Ometi on 
neil mitmeid ühiseid tunnuseid ja sarnasusi . 
Üksiku   riigi  majanduse   buum   ja  langus  ei  sõltu  enam  kaugeltki  riigist  endast  vaid 
suuresti  protsessidest  maailmas.  Seoses 
maailmamajanduse  järjest  suurema 
lõimumisega  (kaubandus-  ja  finantssidemete  tihenemisega  riikide  vahel)  pööratakse 
järjest  enam  tähelepanu  majandustsüklite  ülekandumisele  erinevate  riikide  ja 
majanduspiirkondade  vahel  (Tamla  2003:  13-14).  Üks  esimesi  teadlasi,  kes  pikaajalisi 
tsükleid uuris, oli Vene majandusteadlane Nikolai Kondratjev. Tema järgi nime saanud 
tsüklid  iseloomustavad  lainete  taolisi  hindade,  intressimäärade  ja  teiste 
6 
 
 
majandusnäitajate  muutusi  50-60   aastaste   intervallidena  ( Alexander   2002:  15). 
Kirjanduses  on   eristatud   majandustsüklina   klassikalist   tsüklit  ja  kasvutsüklit 
Klassikalise  tsükli  puhul  on  tsükli  faaside  määratlemine  suuresti  hinnanguline,  kuna 
erinevad  majandusaktiivsuse  näitajad  ei  ole  sünkroonsed  ning  tõlgendamine  jääb 
uurijate   otsustada.  Kasvutsükli  defineerimiseks  on  aluseks  võetud  majanduse  põhi, 
millele järgneb vähemalt kaks kvartalit kestev  majandustõus . Kogu tsükli kestvuseks ei 
tohiks olla vähem kui viis kvartalit (Sorensen, Whitta–Jacobsen 2010: 364). Klassikalist 
tsüklit  ja  kasvutsüklit  eristades  on  esimesele  omane  pikem  majandustõusu  ja  lühem 
majanduslanguse  periood,  kasvutsükli  tõusu-  ja  langusperioodi  kestused  on  omavahel 
võrdsemad. 
Majandustsüklitega kaasaskäivaid kinnisvaraturu tsükleid on uuritud juba varastel 1930-
ndatel  ning  see   valdkond   on  muutunud  üha  populaarsemaks.  Enim  on  uuritud 
kinnisvaraturge USA ja  Suurbritannia  näitel, seda eelkõige andmete hea kättesaadavuse 
tõttu.  (Wernecke  et  al.  2004:  3)  Nüüdisajal  on  majandustsüklite  analüüs  enim 
keskendunud  lühiajaliste  tsüklite  uurimisele  ning  konkreetse  riigi,  piirkonna  või  kogu 
maailma majandusaktiivsuse määratlemisele vastavalt tsükli faasile.  
Kinnisvaraturg  on  eripärane   turg ,  millele  on   omased   pikk  müügiperiood,  kõrged 
tehingukulud   ning  pikk  planeerimisprotsess  kinnisvaraarenduste  ja  uusehitiste 
püstitamisel.  Alati  pole  võimalik  otseselt  hinnata  kõiki  kinnisvaraturuga  seostuvaid 
tegureid  ja  nende  tegurite  kausaalseid  seoseid,  kuid  kinnisvaraturu  dünaamikas  on 
täheldatud teatud  seaduspärasuste  avaldumist , mille põhjal on võimalik kinnisvaraturu 
liikumist  hinnata.  Kinnisvaratsükli  moodustavad  ajas  korduvad  perioodilised 
hinnakõikumised  ning  tsükli  kestvuseks  on   ajavahemik ,  mille  jooksul  kinnisvaraturg 
läbib  tõusu-  ja  langusfaasi  (Wheaton  1999:  218).  Kinnisvaratsüklid  kujunevad 
majanduslike,  demograafiliste  ja/või  poliitiliste   muudatuste   tagajärjel  (Chandrasekar, 
Sanghvi  1999:  1).  Kinnisvaratsüklit  mõõdetakse  ajalise   kestvuse   ja  amplituudi  ehk 
ulatuse   järgi.  Tsükli  faasid  sisaldavad  endas  trende  (nähtuse  kvantitatiivse  tunnuse 
pikaajalise  muutumise  põhisuund)  ning  selleks,  et  kinnisvaraturu  tsüklitega  oma 
tegevuses  arvestada,  on  tarvis  hinnata  trendi  karakteristikuid  nagu  suund  ja  ulatus. 
Mitmed tegurid, nagu globaliseerumine, kinnisvaraga seotud laenutoodete areng ning ka 
rahandusalaste  teadmiste  kasv,  omavad  nii  tsüklilisust  pehmendavaid  kui  tugevdavaid 
7 
 
 
omadusi, kuid ajalise nihke tõttu on nende mõju raskem kindlaks teha (Wernecke et al. 
2004: 15).  
Kinnisvaratsüklid  on  aluseks  kinnisvarainvesteeringute  edukusele  ning  just  tsüklid 
määravad  investeeringute  rentaabluse,  mõjutades  tulusid,  riske  ja  investeeringute 
väärtust  (Pyhrr  et  al.  1999:  7).  Investorite  jaoks  on  kõige  olulisem  investeeringu 
ajastatus,  et  tehing  oleks  võimalikult  tulus.  Kinnisvara  hind  kujuneb  eelneva  perioodi 
informatsiooni  põhjal  ja  kinnisvaraturg  järgib  aegridade  mudelit,  mistõttu  on  oluline 
valida  kinnisvara  ostmiseks  sobiv  aeg,  eesmärgiga  maksimeerida  investeerimisega 
seotud 
kasumit 
(Pollakowski, 
Ray 
1997: 
108-110). 
Investorite 
kinnisvarainvesteeringud,  mis  on tehtud  lühiajaliste  hinna-  ja  vakantsimuutuste  põhjal, 
vastavad  küll  lühiajalisele   nõudlusele ,  kuid  pikemas  perspektiivis  aitavad  kaasa  tsükli 
tekkimisele (Wernecke et al. 2004: 4). 
Kinnisvaraturu  tsüklite  uurimiseks  on  kasutusel  mitmeid  teooriad,  millega  üritatakse 
kirjeldada  ja  ette  ennustada  kinnisvaraturu  muutuseid  ning   seostada   neid  teiste 
majanduslike,   geograafiliste   ja  demograafiliste   nähtustega .  Wernecke  et  al.  (2004) 
eristasid  kolme  põhilist  vaatepunkti:  makroökonoomiline,  mikroökonoomiline  ja 
finantsiline. 
Makroökonoomiline   lähenemine   tõlgendab  kinnisvaratsüklit  kui  äritsükli  osa  ja  uurib 
kinnisvara  tsüklilisuse  seoseid  teiste  majandusharudega.  Makroökonoomilisel  tasandil 
uuritakse  riikidevahelisi  erinevusi  ja  sarnasusi,  kasutades  selleks  peamiselt  erinevaid 
suhtarve,  et  riigid  oleksid  omavahel  võrreldavad.  Makroökonoomilisel  tasandil 
arvestatakse  tavaliselt  riiklikke  koondnäitajaid  ning  analüüsimiseks  kasutatakse 
aegridade  mudeleid .  
Ferrara ja Koopman (2010: 6) on kasutanud ühemõõtmelist vaatlemata  komponentidega  
mudelit  nelja  eurotsooni  riigi  –  Saksamaa,  Prantsusmaa,  Itaalia  ning   Hispaania  
eluasemeturu tsükli seoste leidmiseks makroökonoomiliste teguritega, kaasates analüüsi 
riikide  SKP  ning  reaalsed  kinnisvarahinnad.  Ferrara,  Koopman  ning   Alvarez   et  al. 
(2010)  kasutavad  andmeid  riikide  keskpankade  poolt  koostatud  andmebaasidest. 
Mõlemad   aegread   on  esitatud  kvartaalselt  alates  1981  kuni  2008,  seega  on  analüüsi 
kaasatud  ka  teise  ringi  laenud  ning  hiljutine  finantskriis,  mis  viis  antud  riigid  2008 
8 
 
 
aastal  majanduslangusesse.   Igat   kõnealust  riiki  on  analüüsitud  eraldi,  et  võtta  arvesse 
riigi  isepärasusi  ning  leida  riikidevahelisi  seoseid.  Majandustsüklite  uurimise  mudel 
tuvastab andmetes lühiajalise dünaamika,  pakkudes  valitud riikide SKP tsükli pikkuseks 
5  või  vähem  aastat  ( Ibid .:  14).   Erandiks   on  Saksamaa,  mille  puhul  on  hinnatud  SKP 
tsükli  perioodiks  13,5  aastat.  SKP  ja  eluasemeturu  vaheliste  seoste  tugevus  antud 
riikides  jääb  vahemikku  0,06  (Itaalia)  ning  0,76  (Hispaania).  Suhteliselt  tugev 
korrelatsioon  Hispaania  puhul   viitab  kinnisvarasektori  suurele  osatähtsusele Hispaania 
majanduses. Prantsusmaa ja Saksamaa puhul on seose tugevuseks 0,5. Riikidevahelised 
SKP  näitajad  on  omavahel  tugevalt  korreleerunud,  varieerudes  vahemikust  0,52  kuni 
0,89. Tugevamad seosed esinevad Prantsusmaa, Itaalia ja Hispaania vahel, pisut nõrgem 
seos  on  antud  riikide  ja  Saksamaa  vahel,  kuid  siiski  kõrgem  kui  0,5.  Alvarez  et  al. 
(2010)   leidsid ,  et  Saksamaa  SKP  reageerib  teiste   euroala   riikide  majandustsüklile 
väikese  hilinemisega,  mistõttu  on  põhjendatud  madalam  korrelatsioonikordaja  väärtus 
riikidevahelise 
SKP 
kordaja 
vahel. 
Eluasemetsüklite 
seotust 
näitava 
korrelatsioonikordaja väärtused jäävad vahemikku 0,42 ja 0,94. Suurimad sarnasused on 
Hispaania  ja  Prantsusmaa  ning  Saksamaa  ja  Itaalia  vahel.  Riikidevahelised  SKP  ja 
eluasemetsüklite  sarnasused  on  madalad,  kui  võtta  arvesse  ühe  riigi  SKP-d  ning  teise 
riigi  kinnisvaraturgu.  Seosed  peaaegu  puuduvad    Prantsusmaa  SKP  ja  Saksamaa  ning 
Itaalia  kinnisvaraturu  vahel  (korrelatsioonikordaja  vastavalt  0,23  ja  0,15)  ning  Itaalia 
SKP ja Saksamaa kinnisvaraturu vahel (korrelatsioonikordaja 0,08). Tugev seos esineb 
Hispaania kinnisvarahindade ja Prantsusmaa ning Itaalia SKP vahel (mõlemate väärtus 
on suurem kui 0,6).  
Ferrara  ja  Koopman  (2010:  16)  leiavad,  et   majandustsükli   pikkuseks  on  1,5  kuni  8 
aastat  ning   hindavad   oma  uurimustöös  lühikese  tsükli  pikkuseks  5  ning  pikaajalise 
tsükli  pikkuseks  12  aastat  tulenevalt  arvutatud  näitajatest.  Euroala  riikides  asetleidvad 
majandustsüklid   on  omavahel  seotud,  kuid  tugev  seos  eluasemetsüklite  vahel  puudub 
(Ibid.: 27). Selle tingib riikide eripära ning erinevad regulatsioonid, mis avaldavad suurt 
mõju  riigi  kinnisvaraturu  arengule.   Nendest   neljast  riigist  avaldus  eluasemeturu  mõju 
pikaajalisse majanduskasvu Hispaanias ja Saksamaal.  
Mikroökonoomilisel  tasandil  eristatakse  kinnisvaraturul  nelja  erinevat  osa:  pinnaturg, 
varaturg,  uusehitiste  turg  ja  maaturg.  Nende  hindamiseks  uuritakse  rendimäärade, 
9 
 
 
vakantsuse,  hindade  ning  ootuste  muutusi.  (Wernecke  et  al.  2004:  1)    Suurenenud 
rendimäär  tähendab,  et  kinnisvara  muutub  investorite  jaoks  atraktiivseks  ning 
kinnisvaraarendajad  saavad  investorite  finantseeringute  toel  ehitada  ja  pakkuda  uusi 
ruume pinnaturul. Finantseerimine jätkub senikaua, kuni kinnisvara väärtus ületab selle 
ehitusliku  hinna  ning  arendusest  on  võimalik  tulu  teenida.  Sarnasel  moel  on 
kinnisvaraturu dünaamikat selgitanud ka Geltner ja  Miller (2001) (vt joonis 1). 
põhjuslikud seosed 
PINNATURG 
informatsiooni korjamine 
( space   market ) 
ja kasutamine 
Lisandub 
Pakkumine 
Nõudmine 
Kohalik & 
uus 
(maaomanikud) 
(rentnikud) 
rahvuslik 
majandus 
Üürimine   
& 
pindade hõivamine  
Eelarvestamine 
Arendustööstus 
( development  
industry) 
VARATURG 
Kui jah, 
( asset  market) 
siis... 
Kas arendus-
Rahavoog 
Pakkumine 
tegevus on 
(omanike poolne 
kasumlik ? 
müük) 
Nõutav turu-
Kapitali-
Kinnisvara 
kapitalisatsiooni-
turud 
Ehituskulud  koos 
määr 
 
turuväärtus  
Nõudmine 
kulutustega maa 
(investorite 
soetamiseks 
poolne  ostmine ) 
 
Joonis  1.  Kinnisvarasüsteem: pinnaturu,  varaturu ja arendustööstuse omavaheline seos 
(Geltner et al. 2000: 25) 
Üheks   eelduseks   kinnisvaraturu  analüüsimisel  on  asjaolu,  et  kinnisvara  hinnad 
kujunevad kapitaliturul, kus kinnisvara finantseerijateks on investorid , seevastu rendi- ja 
vakantsimäärad  kujunevad  pinnaturul,  kus  nõudluse  tekitajateks  on  kinnisvara 
kasutajad.  Kuna  nii  kapitali-  kui  renditurg  on  omavahel  tihedalt  seotud,  on  oluline 
kinnisvaraturu  analüüsimisel  selgitada  mõlemate  tegurite  mõju.  Pinnaturu  ja  varaturu 
eristamiseks eeldatakse, et varaturul tegutsevad investorid, kes omavad kinnisvara välja 
üürimise eesmärgil ning ei kasuta kinnisvara oma tarbeks (DiPasquale, Wheaton 1992: 
181). 
10 
 
 
Finantsiline  vaatepunkt  põhineb  kaasaegsel  portfelliteoorial,  mille  puhul  hinnangud 
kujunevad  sarnaselt  finantsvarade  ja  reaaloptsioonide  hindamise  mudelitega.  Üheks 
tuntumaks  ja  enimkasutatavaks  mudeliks  kinnisvara-  ja  finantsturu  vaheliste 
vastasmõjude  kirjeldamisel  on  FDW  mudel  (konstrueeritud   Fisheri   (1992)  ning  Di 
Pasquale  ja  Wheatoni  (1992)  poolt),  mis  kujutab  kinnisvaraturu  (tööhõive  ja   nõudlus  
eluasemete järgi) ja finantsturu (nt laenukapitali  hulk) vahelisi seoseid. 
Schulte ja Schäfers (2000) on lisanud loetelusse veel  neljanda kategooria, mida ei  ole 
väga palju uuritud: juhtmise aspekti (vt joonis 2). Selline vaatepunkt uurib, kas ja kuidas 
saab kinnisvaraturu tsükleid integreerida äriprotsesside juhtimisse. 
 
Joonis 2. Juhtimise aspektist lähtuv kinnisvaraökonoomika. Allikas: Schulte ja Schäfers 
(2000), viidatud Wernecke et al. (2004) kaudu, autori tõlge. 
Juhtimislikest  aspektidest  lähtudes  eristatakse  strateegia-,  funktsiooni-  ja  faasipõhiseid 
aspekte.  Faasipõhised  aspektid  selgitavad  kinnisvaraturu  tsükli  ajutisi   determinante . 
Funktsioonispetsiifiline  lähenemine  keskendub  seostele  ärijuhtimise  funktsioonidega. 
Strateegiaga  seotud  aspektid  on  seotud  investorite,  ettevõtete  ja  avaliku  sektori 
kinnisvara  portfelli  juhtimisega.  (Wernecke  et  al.  2004:  1)  Kinnisvaratsükli  juhtimist 
11 
 
 
saab  kasutada  portfelli  haldamisel,   turunduses   ning  kinnisvaraturu  analüüsis.  Avaliku 
kinnisvara  juhtimisel  ning  ehitusturul  ei  oma  tsüklilisus  suurt  mõju,  rohkem  tuleks 
arvestada  sellega  kinnisvara  finantseerimisel  ja  projektide  arendusel.  Kui  investorid 
lähtuvad  spekulatiivsetest  aspektidest  ega  arvesta  ajalisest  nihkest  tingitud  mõjudega, 
aitavad nad kaasa protsüklilisuse tekkimisele. Selleks, et  hinnata juhtimisotsuste mõju 
kinnisvaraturu arengule, on tarvis mõista erinevate osapoolte käitumist tsükli erinevates 
faasides . 
Tsükkel   koosneb  enamasti  kahest  etapist  –  tõusust  ja  langusest,  mida  eraldavad  
teineteisest  tsükli  hari  ja  põhi.  Iga  tsükkel  algab  tõusuperioodiga  ja  lõpeb 
langusperioodiga  (vt  joonis  3).  Kuna  nõudlustsükkel  käib  pakkumistsüklist  alati 
eespool,  on  arvukad  kinnisvaraturu  uuringud  keskendunud  just  nõudlust  kujundavate 
tegurite analüüsimisele.  
 
Joonis  3.  Kinnisvaraturu  tasakaal:  nõudmise  ja  pakkumise   omavahelised   seosed 
kinnisvaratsükli erinevates faasides. Allikas: Pyhrr et al. 1999: 32.  
Kinnisvaraturu  tsüklites  on  täheldatud  teatud  seaduspärasusi:  tsüklite  kestvusaeg  on 
muutunud  võrreldes  varasematega  lühemaks  ja  laiema  amplituudiga  tõusuperioodile 
järgneb pikem taastusperiood. Pikaajalist ja sügavat langust nimetatakse depressiooniks, 
mille  klassikaliseks  näiteks  on  olukord  maailmamajanduses  1930.  aastate  alguses,  mil 
12 
 
 
USA  majanduses  langes  aastatel  1929-1933  reaalne  SKP  kolmandiku  võrra  ning 
nominaalne SKP ligi 50%, tuues kaasa tööpuuduse tõusu 20%-ni. Euroopas oli langus 
pisut  vähem  drastiline.  Enamik  riikidest  väljus  sellest  nn  Suurest  Depressioonist 
lõplikult alles 1941. aasta paiku.  
Iga  tsükli  puhul  avaldub  sarnane  muster,  milles  võib  täheldada  teatud  seaduspärasusi 
ning  mille  igat  etappi  iseloomustavad  sarnased   käitumismallid   ja  omadused.  Minsky 
klassikalise kriisi käsitluse (vt tabel 1) saab edukalt üle kanda ka kinnisvaraturu tsükleid 
kujundavate   kriiside   kirjeldamiseks.  Klassikalise  kriisi  puhul  leiab  laienemise  faasis 
aset  ulatuslik   finantsvõimenduse   kasutamine.  Kinnisvara  muutub   likviidseks   ning 
avaneb võimalus tehingutelt kasu lõigata, kuna turul käib aktiivne kauplemine.  
Eufooriale järgneb  stress , kus tajutakse ebakindlust varade hinna suhtes ning osavamad 
märkavad   turult   lahkuda.  Tülgastuse  etapis  tuleb  ilmsiks  varade  hinna  ülepaisutatus 
ning  informatsioon  esimeste  turult  lahkujate  kohta.  Järgneb   massiline   müümine,  kuna 
varade hinnad on langenud ja kõik loodavad turult kasumlikult lahkuda. Ühe valdkonna 
kriisi tagajärjed võivad üle kanduda ka teistesse sektoritesse ning mida suurem on kriisi 
mõju, seda laiaulatuslikumalt ta levib. 
Tabel 1.  Minsky mudel klassikalise kriisi etappide kirjeldamiseks 
Etapp 
Kirjeldus 
Muutus 
Ootused tulevastele rahavoogudele muutuvad väliste 
(Displacement) 
šokkide mõjul 
Laienemine 
Ulatuslik finantsvõimenduse kasutamine, varade 
(Expansion) 
likviidsuse kasv, finantsinnovatsioonide teke 
Kinnisvaratehinguid tehakse eeldusel , et vara 
Eufooria 
õnnestub kallimalt maha müüa, mitte arvestades 
( Euphoria ) 
fundamentaalseid väärtusi 
Tajutakse turu haprust ja varade likviidsuse kasvu 
Stress ( Distress ) 
pidurdumist, ebakindlus tehingute ajastamisel 
Uue informatsiooni või sündmuse tagajärjel 
Tülgastus 
tegutsevad esimesed turult lahkujad, ootused ei vasta 
(Revulsion) 
tegelikule turuarengule 
13 
 
 
Etapp 
Kirjeldus 
Hindade kokkuvarisemine, paanika , kõik üritavad  
Kriis ( Crisis ) 
kiiresti ja kallilt müüa 
Ülekandumine 
Mitmete finantsinstrumentide tõttu muutub kriis väga 
(Contagion) 
laiaulatuslikuks, ülemaailmseks 
Allikas: Kindleberger ja Aliber 2011: 27-33, autori koostatud. 
Kinnisvarahindade  languse  korral  on  esimeseks  kannatajagrupiks  laenuvõtjad,  kandes 
otseselt  hinnalangusest  põhjustatud  kahjusid.  Kui   laenuvõtja   suudab  laenu  edasi 
teenindada, ei tekita see probleeme, kuid kui tekivad maksehäired, kandub laenuvõtjate 
risk üle ka laenuandjatele, mis võib põhjustada laiaulatuslikke probleeme nii riigisiseselt 
kui  ka  riikidevaheliselt,  mõjutades  üldist  finantsstabiilsust.   Finantssüsteemi   stabiilsust 
ohustavaks   teguriks   ning  finantskriisi  eelindikaatoriks  peetakse  muuhulgas  kõrget 
võlataset,  kuna   intresside   maksmisega  kaasnevad  kulud  eeldavad  püsivat 
majanduskasvu  ning  majanduslanguse  perioodil  muutub  võla  teenindamine  kulukaks. 
Laenu  kasvanud  tagasimaksed  võivad  veelgi  süvendada  majandusraskust  ning 
võimendada  makromajanduslikke  probleeme.  (Siibak  2011:  57)  Varade  hinna  kiire 
kasvu  asemel  on  kasutatud  kriiside  prognoosimise  indikaatorina  mingi  kindla  grupi 
laenukoormuse  kasvu  ( Davis ,  Karim  2008:  4;  Kindleberger,  Aliber  2011:  8).  Eelneva 
põhjal võib  järeldada,  et finantsturgude kriis on  otseselt seotud  üldise laenukoormuse, 
sh füüsiliste isikute laenukoormuse kasvuga. 
Kinnisvaraturu  ja  panga  stabiilsuse  seoseid  on  uurinud  järgmised  autorid  (vt  tabel  2). 
Peamised  muutujad, 
mida  mudelites 
kasutatakse  on  kinnisvaralaenude  ja 
hüpoteeklaenude  maht  ning  laenude  allahindlused.  Nii  Arsenault  et  al.  (2011)  kui 
Fitzpatrick  ja  McQuinn  (2007)  kinnitavad  oma  uurimustes  kinnisvara-  ja  laenuturu 
vahelist  protsüklilisust.  Cho,  Hwang  ja  Satchell  (2012)  leidsid  olevat  positiivse  seose 
laenude  allahindluse  ja  kinnisvara  hindade  vahel  ning  negatiivse  seose  laenude 
allahindluse  ja  tulevaste  kinnisvarahindade  vahel.  Nad  leidsid,  et  maksehäirete 
tekkimisest  tingitud  laenude  allahindluste  maht  suureneb  enne  kinnisvarahindade 
langust, mida põhjendatakse pikema müügiperioodi pikkusega. Fitzpatrick ja McQuinn 
(2007:  99-100)  tõid  erinevalt  teistest  uurimustest  välja  kinnisvarahindade  ja  krediidi 
14 
 
 
kättesaadavuse  vahelise  spiraalse  mudeli,  mille  järgi  pikaajaliselt  on  kinnisvara  ja 
laenukrediidi hinnad kahepoolse mõjuga.  
Tabel 2. Kinnisvaraturu tsükleid mõjutavad tegurid erinevate autorite käsitluste põhjal 
Makroökonoomilised 
tegurid 
Seos on olemas 
Seost ei ole 
Ferrara, 
SKP kasv  Chandrasekar, Sanghvi (1999) 
Koopman 
(2010); 
Chandrasekar, Sanghvi (1999);  
Rahvastiku kasv 
 
Coleman et al.(2008);  
Chandrasekar, Sanghvi (1999); 
Tööhõive määr  Coleman et al.(2008); Koetter, 
 
Poghosyan (2010) 
Chandrasekar, Sanghvi (1999); 
Sissetuleku tase  Coleman et al.(2008); Koetter, 
 
Poghosyan (2010); Deaton 1992 
Finantsturu tegurid 
 
 
Laenumahtude kasv   Foster , Magdoff (2009); 
 
Laenude allahindlused  Cho et al. (2010) 
 
Koetter, Poghosyan (2010); Arsenault 
Laenude/hoiuste suhe  et al. (2011); Mazure (2012); 
 
Fitzpatrick, McQuinn (2007) 
Allikas: Erinevate autorite uurimused, autori koostatud. 
Tulenevalt nõudluse ja pakkumise teooriast tekib müüjaid juurde sinna, kus kauba või 
teenuse  järgi  on  vajadus,  ehk   teisisõnu   nõudlus  ennetab  alati  pakkumist  ja  mitte 
vastupidi.  Nõudluse  suurenemisele  kinnisvaraturul  järgneb  pakkumiste  kasv,  mis 
tavapäraselt  tähendab  kinnisvara  juurdeehitamist.  Liigse  ehitamise  tagajärjena  tõuseb 
uute pindade pakkumine ja vakantsuse määr ning turul jäävad domineerima kinnisvara 
pakkujad .  Nõudlus  pindade  järele  väheneb  ning  selle  tagajärjel  langevad  üürihinnad. 
Kuna turul ei leidu piisavalt  ostjaid , siis pakkumine väheneb ja uusi pindasid juurde ei 
ehitata.  Hindade  jätkuv   langemine   annab  märku  turu  kohandumisest  ning  turg  on 
stabiliseerunud, kui nõudlus on taas võrdne pakkumisega.  
15 
 
 
1.2. Kinnisvaraturu tsükleid mõjutavad tegurid 
Kinnisvaraturu  analüüsimiseks  on  oluline  mõista  kinnisvarahinna  kujunemist 
mõjutavaid  tegureid,  milleks  on  elanikkonna  ostuvõime,   intressimäärad   ja  ka  tarbijate 
ootused  ja  eeldused  turu  suhtes.  Esimesena   mainitud   tegurid  on   ratsionaalsed   ning 
põhinevad  faktidel,  tarbijate  ootused  ja  eeldused  põhinevad  pigem  turuosaliste 
emotsioonidel.  Määravaks  teguriks  väärtuse  leidmisel  on  eelkõige  kinnisvara  asukoht, 
kuna  kinnisvaraturg  on  üsnagi  lokaalse   iseloomuga .  Mida  atraktiivsem  ja  suurema 
arengupotentsiaaliga  asukoht,  seda  kõrgem  on  kinnisvara  hind.  Olenevalt   piirkonnast  
võib  esineda  sarnastel   ehitistel   väga  suuri  hinnaerinevusi,  kuna  suurema  rahvastiku 
tihedusega  piirkondades  on  kinnisvara   likviidsus   suurem  ning  nõudlus  ja  pakkumine 
aktiivsem.  Kinnisvarale  hinna  määramisel  on  oluline  ka  kasutusotstarve.  Kui  tegu  on 
väga  spetsiifilise  ehitisega  ( haruldane   arhitektuuriline  lahendus,  eriotstarbeline  ehitis, 
spetsiaalne  tootmishoone ), võivad eri investorid väärtustada seda objekti erinevalt ning 
seega on konkreetsele kinnisvarale keerulisem õiglast hinda leida. Mida  homogeensem  
on ehitis, seda lihtsam on määrata kinnisvarale ühtset hinnataset. (Kask 2000: 251) 
Majandusteadlased  on  ühisel  seisukohal,  et  krediidi  tsükkel  toimib  paralleelselt 
majandusaktiivsuse  taseme  ja  kinnisvara  tsükliga.  Iacoviello  ja  Neri  (2010)  tuvastasid 
USA  andmete  põhjal  tugeva  seose  majandusaktiivsuse  ja  eluasemeturu  vahel.  Kui 
kinnisvara  on  suures   mahus   finantseeritud  pangalaenude  toel,  võib  majanduslanguses 
kinnisvarahindade  langemine  põhjustada  pankadele  likviidsusriske,  mis  muudab 
majanduse  ja  finantssüsteemi  ebastabiilseks  (Cocconcelli,  Medda  2013:  392).  Selles 
kohta  on  olemas  laiaulatuslik  kirjandus  ning   empiirilised   uurimused,  mis  käsitlevad 
antud kolme sektori omavaheliste seoste kirjeldamist. 
Kinnisvarasektori  käitumismustrite  ja  tsüklilisuse  parimaks  hindamiseks  on  arvutatud 
kinnisvara  hinnamuutusi  iseloomustav  indeks.  Kinnisvara   hinnaindeks   on  üheks 
indikaatoriks indiviidide rikkuse mõõtmisel ning näitab üldist riigi  finantsrikkust . Mida 
suurem  on  riikide finantsrikkus,  seda elavam  on  majandus  ning  riskid   on kõrgemad ja 
tagajärjed karmimad. (Bianconi, Yoshino 2011: 12) Kinnisvara hinnaindeksi arvutamise 
aluseks on eelkõige usaldusväärsed andmed hinnastatistika kohta.  
16 
 
 
Kinnisvarariski hindamise mudelis (property risk scoring model) on Adair ja Hutchison 
(2005: 262) jaganud vara koguriski neljaks alamkategooriaks: 
●  turu läbipaistvuse  risk; 
●  investeeringu kvaliteedi risk; 
●  juriidiline ( lepinguline ) risk; 
●  amortisatsiooni ja kulumi risk. 
 
Kapitali  hindamise  adekvaatsust  ja  sealhulgas  kinnisvarahindamise  mudelite 
parendamist  reguleerib   Basel   komitee  (Basel   Committee   on   Banking   Supervision) 
riskide hindamise süsteemi  väljatöötamise  ja juurutamisega mitmete Euroopa pankade 
jaoks.  
Kinnisvarasektorile on enamasti iseloomulik tugev  finantsvõimendus . Kui usutakse, et 
sissetuleku  suurus  tulevikus  kasvab,  suurendatakse  tarbimist  kas  säästude  kulutamise 
või  laenamise  abil  (Deaton  1992:  134).  See  tähendab,  et  mida  kiiremini  ja  kõrgemale 
tõusevad kinnisvarahinnad, seda rohkem saab kinnisvara tagatisel laenu võtta ja saadud 
raha  kasutada  investeerimiseks  või  täiendavaks  tarbimiseks.  Kui  suureneb  kinnisvara 
väärtus, suureneb ka kinnisvaraomaniku tajutav rikkus. Kinnisvarahindade muutustel on 
seega  tarbimisele  otsene mõju, olgu see siis omavahendite arvelt või finantsvõimenduse 
kaudu.  Majapidamiste  elatustaseme  tõus  ja  tõusvad  sissetulekud  on  peamiseks 
põhjuseks 
pangandusturu 
arenguks, 
millele 
pangad  
omaltpoolt 
vastavad 
hüpoteeklaenude  pakkumise  suurendamisega.  Majapidamistel  on  võimalik  kasutada 
finantsvõimendust  lisaks  säästudele  ja  sissetulekutele  ning  laenuraha  kulutada  kas 
tarbimisele või investeerida.  
Tihe  konkurents  pankade vahel ja turuosa säilitamise soov on muutnud paljud pankade 
teenused  tarbijatele  kättesaadavamaks.  Pakutakse  mitmeid  erinevaid  tooteid  nii 
ettevõtluse  arenemiseks  kui  ka  eratarbimise  soodustamiseks.  Lisaks  madalama 
riskitasemega eluasemelaenudele pakutakse ka väiksemaid tarbimislaene, mille  eeliseks  
panga jaoks on kõrgem  tootlikkus .  Ludwig  ja  Slok  on toonud välja järgmised kinnisvara 
hinnamuutustest tingitud efektid, mis avaldavad mõju tarbimisele (2007: 7-8): 
17 
 
 
1.  Teadlik  rikkuse  efekt  (realized   wealth    effect )  –  kinnisvarahindade  kasv 
suurendab  inimeste rikkust, seega on võimalik teenida kinnisvara müügist kasu 
või suurendada olemasoleva kinnisvara tagatisel laenukoormust. 
2.  Alateadlik rikkuse efekt (unrealized wealth effect) – kinnisvara väärtuse tõustes 
ei pruugi inimesed enam säästa, vaid eelistavad kulutada vaba raha. 
3.  Eelarvepiirangu  efekt  (budget  constraint  effect)  –  üürnikel  annab  kinnisvara 
hindade  tõus  tunda  üürihinna  tõusuna,  mis  tähendab  eluasemekulude 
suurenemist , mille tõttu säästmine väheneb. 
4.  Likviidsuspiirangu efekt ( liquidity constraint effect) – kui kinnisvara omanikul ei 
ole võimalik laenu saada, siis ei pruugi hindade muutus suurt mõju avaldada. 
5.   Asendusefekt   (substitution  effect)  –  kõrgem  üürihind  mõjutab  positiivselt 
laenunõudlust kinnisvara soetamise eesmärgil. 
Tarbimisele  mõjuvad  positiivselt  teadlik  ja  alateadlik  rikkuse  efekt,  mis  võimaldavad 
inimestel  oma  tarbimist ja  kulutamist  suurendada.  Eelarve-  ja  likviidsuspiirangu  puhul 
on  kinnisvara  hindade  kasvu  mõju  tarbimisele  negatiivne,  kuna  suurenevad  kodu 
ülalpidamiskulud.  Siin  mängib  olulist  rolli  ka  asjaolu,  kas  kinnisvara  omatakse  või 
üüritakse.   Omades   kinnisvara  suureneb  omaniku  rikkus  vara  hindade  tõustes,  kuid 
hinnatõus  vara  mitteomavatele  isikutele  tähendab   suuremaid   kulutusi  eluasemele 
tõusvate üürihindade tõttu. Kõrgete kinnisvarahindade tõttu tajutav rikkuse suurenemine 
võib  kaasa  tuua  ka  säästmise  vähenemise,  kuna  selle  asemel  suurendatakse  tarbimist 
ning  ei  arvestata  võimalike  hinnalangustega.  Kui  tarbimine  leiab  aset 
finantsvõimenduse   kasutamisel   ning  tuleviku  suhtes  on  kõrged  ootused  hindade 
jätkuvale kasvule, pole tekkinud olukord pikaajaliselt jätkusuutlik.  
Eluaseme   hindade  mõju  tarbimisele  kujuneb  suuresti  läbi  krediidi  kättesaadavuse,  mis 
paneb  piirangud  sissemaksete  suurusele  ja  raha  hulgale,  mida  on  võimalik  kinnisvara 
tagatisel  kasutada.  Majapidamiste  säästmiskäitumine  avaldab  mõju  üldisele 
finantsstabiilsusele  ning  on  tundlik  sissetuleku-,  intressimäärade-  ja  finantsšokkide 
suhtes (Kulikov et al. 2007: 5). Eluasemelaenud ning tarbimislaenud on seega oluliseks 
mõjuriks  majanduse  arengule,  võimaldades  parandada  praegust  elukvaliteeti  tulevaste 
sissetulekute arvelt. Kinnisvara hinnatõusust tuleneval rikkusel on võrreldes aktsiaturul 
tekkinud rikkusega suurem efekt tarbimisele, ulatudes kohati lausa kahekordseks. Seega 
18 
 
 
on  kinnisvaraturu  muutused  oluliseks  indikaatoriks  tarbijakäitumise  prognoosimisel. 
Hüpoteeklaenude  mahu  tõus  ja  kinnisvara  väärtuse  vähenemine  näitavad  suurt 
spekulatiivsust kinnisvaraturul. Intressimäära ja vara hindade tõustes on suur tõenäosus, 
et kinnisvaralaenude mull lõhkeb. (Foster, Magdoff 2009: 36) See omakorda võib viia 
majanduse  ebastabiilsesse  seisundisse,  kus  ringluses  on  vähe  raha  ning   tööpuudus  
kasvab.  Sellist  majanduslikku   seisundit   nimetatakse  stagflatsiooniks.  Stagflatsioon 
viitab sellisele majanduslikule seisundile, kus koos inflatsiooniga kaasneb stagnatsioon 
ehk kogutoodangu vähenemine ja  tööpuuduse kasv (Saltzman 2004:  21). Tegemist  on 
keerulise  olukorraga,  kuna   stagnatsiooni   saab  parandada  täiendava  rahahulga 
ringlusesse  lisamisega,  mis  aga  suurendab  veelgi  inflatsiooni  ning  inflatsiooni  saab 
vähendada raha vähendamisega, kuid see omakorda suurendab majandusseisakut.  
Kommertspangad ning ülejäänud  finantsasutused  on riskidele avatud tulenevalt rahaliste 
vahendite tähtaja, mahu ja valuutast tulenevate erinevuste tõttu (Schinasi 2004: 10). Kui 
risk viitab konkreetsele  sündmusele ja selle esinemise tõenäosusele, siis  riskile  avatus  
on  riski  võtmisest  tingitud  võimalike  tagajärgede  ulatus  (Adcock  2002:  3). 
Finantsasutused  on  kinnisvaratururiskile  avatud  läbi  antud  sektorisse  laenude 
väljastamise.  Kui  majanduskasvu  ajal  väljastatakse  suures  mahus  laene,  siis 
majanduslanguse  perioodile  on  iseloomulik  rangemate  laenupiirangute  kehtestamine. 
Pank peab kandma suuremaid riske ning seega vähendab laenude pakkumist.  
Kasvuperioodil  leiab  aset  kinnisvarahindade  tõus,  mis  paneb  nii  laenuvõtjad  kui 
laenuandjad  madalamalt   hindama   võimalikke  riske.  Turu  edasise  arengu  suhtes  ja 
kinnisvara  hindade  jätkuva  kasvu   ootuses   hinnatakse  riskid  ning  riskile  avatus 
madalaks,  kuna  kasvuperioodil  on   varad   likviidsed  ning  nõudlus  tulutoova  kinnisvara 
suhtes on suurem kui pakkumine. Risk ja riskile avatus on madal, kuna laenu tagatiseks 
oleva kinnisvara väärtus on suurem laenu enda väärtusest ning maksehäirete tekkimine 
on ebatõenäoline. Riskide alahindamine ei tähenda aga, et riskidest ei oldud teadlikud. 
Ajalugu  näitab,  et  eluasemelaenude  väljastamisel  oldi  teadlik  kergekäelise  laenamise 
suurtest  riskidest,  kuid  riskide  esinemise  tõenäosust  hinnati  madalaks  (Gerardi  et  al. 
2008:  69).  Seega  on  üpriski  keeruline  vahet  teha  turu  loomulikul  arengul  ning 
spekulatiivsusest  tingitud   mulli   tekkel.  Kinnisvaraturu  langusperioodil  avalduvad 
riskantsete  laenude  väljastamise  tagajärjed  maksehäirete  esinemise  tõenäosuse 
19 
 
 
suurenemisega. Mida enam täieneb maksehäirete register, seda suurema  osakaalu  panga 
laenuportfellist  moodustab  halbade  laenude  maht,  näidates  panga  avatust 
kinnisvaraturust  tulenevatele  riskidele.  Järgnevalt  on  vaadatud  kinnisvarale   omaseid  
riske andmaks ülevaadet just seda varaklassi mõjutavate riskide tunnustest. 
Kinnisvaraga  seonduvad  riskid  võib  jagada  oma  olemuse  põhjal  süstemaatilisteks  ja 
mittesüstemaatilisteks. Süstemaatiline risk on juhusliku iseloomuga ning ei ole täielikult 
mõõdetav ja kontrollitav. Üsnagi  suure tõenäosusega toob  staatiline risk  peaaegu alati 
kaasa  rahalise  või   varalise   kahju.  Süstemaatiliseks  riskiks  loetakse  näiteks 
looduskahjustused 
ning  sellist  riskitüüpi  on  võimalik  maandada  mitmete 
kindlustustoodete  abil.  Mittesüstemaatiline  risk  on  raskemini  ette  ennustatav  ja  riski 
maandamiseks kasutatavad meetmed ei ole nii  standardiseeritud  kui süstemaatilise riski 
puhul. Mittesüstemaatiline risk on spekulatiivse iseloomuga, see võib tuua nii kasu kui 
kahju,  kuna on seotud  üldise  ärikeskkonna  ja kinnisvaraturu  muutustega ,  nagu näiteks 
nõudluse  ja  pakkumise  tase,  kinnisvara  vanus  ja  kvaliteet,  maksustamine  ja  muud 
majanduslikud  ja  ärilised  aspektid.  Selliseid  riske  ei  ole  võimalik  täpselt  mõõta  ning 
seega ka täielikult ära hoida. Mittesüstemaatilise riski esinemisel on efekt kinnisvarale 
suurem võrreldes näiteks aktsiaturgudega (Hauss 2004: 8). 
Lisaks eeltoodule on võimalik riske liigitada pidevateks  ning spetsiifilisteks. Pidev risk 
tekib  riskiallikast,  mis  saab  muutuda  pidevalt,  näiteks  intressimäärad  ja 
inflatsioonimäär,  ning  esineb  seega  pigem  makroökonoomilisel  tasandil.  Sündmuse 
riski  korral  tekivad  kahjud,  kui  leiab  aset  mingi  konkreetne  sündmus,  nagu  näiteks 
üleujutus,  torm , tulekahju. Antud liigitus on oluline riskide paremaks  juhtimiseks , kuna 
kasutatavad meetmed on kummalgi juhul erinevad. Näiteks pideva riski maandamiseks 
sobivad  mitmesugused   tuletisinstrumendid ,  nagu   futuurid ,  forwardid,  swapid  ja 
optsioonid,  samas  kui  kindlustustooted  on  tavaliselt  efektiivsemad  sündmuse  riski 
maandamiseks.  Sündmuse  riski  loetakse  üldiselt   suuremaks ,  kuna  selle  mõju  avaldub 
kiiremini. (Masso 2002: 28) 
Kinnisvarariske võib  liigitada ka üldisest  majanduskeskkonnast  tulenevateks, kohaliku 
piirkonna  iseärasustest  tulenevateks  ning  kinnisvarast  endast  tulenevateks  riskideks. 
Üldisest  majanduskeskkonnast  tulenevad  riskid  on  makroturu  riskid  ning  kohalikust 
piirkonnast  tulenevad  riskid  on  mikroturu  riskid.  Mikroriski  tekke  allikateks  peetakse 
20 
 
 
renditingimusi,  finantsvõimendust,  kinnisvara  asukohta  ning  kinnisvara  arendamisega 
seotud riske. Makroriski allikateks on kinnisvara madal likviidsuse tase, mitmesugused 
maksud   ja  riigi   seadusandlus ,  konkreetsed  konkurentsitingimused,  nii  kohalik  kui 
globaalne kinnisvaratsükkel, tööhõive määr,  inflatsioon  ja intressimäärad. (Kask 2000: 
249-251)  Mikroriskid  on  seega  tugevalt  seotud  kinnisvara  asukohaga,  kuna  see  on 
peamine tingimus, mis määrab kinnisvara rendi- ning müügihinna taseme. Mikrotasandi 
riskid  on  indiviidi  tasandil  mõjutatavad,  kuna  näiteks  rendihindade  määramisel  sõltub 
hind  rendileandja  ja  rendilevõtja  omavahelisest  kokkuleppest.  Makrotasandi  riskid  on 
laiaulatuslikumad  ning  kinnisvaraomanikel  ei  ole  nende  eest  kaitset,  kuna  mõju  on 
suunatud  üldisest  globaalsest  keskkonnast  üksikule  ning  hõlmab  suuremat  osa 
kinnisvaraga seotud tegevustest. 
Kinnisvaraturg  on  oma   olemuselt   väga   mitmekesine ,  kuna  turul  olevad 
kinnisvaraobjektid  pole  alati  üheselt  võrreldavad.  Erinevalt  finantsvaradest  on 
kinnisvaraturg vähem likviidsem, mistõttu võib vara müügiperiood kujuneda pikemaks. 
Põhjuseks, miks kinnisvaraturg on võrreldes finantsvaradega kõrgema likviidsusriskiga, 
on  madalam  tehingute  tase,  suuremad  tehingukulud  ning  väiksem  turuosaliste  arv. 
Seega  esineb  likviidsusrisk  eelkõige  tingimusel,  et  turuaktiivsus  on  madal  ning 
sagedaste  tehingute   teostamine   ei  ole  võimalik.  Sellest  tulenevalt  eksisteerib  turul 
informatsiooni  asümmeetria  ning hinna määramiseks piisava võrdlusmäära puudumisel 
on eelisseisus ostja. 
Eluasemeteenuste  turul  on  tavaliselt  seos  kinnisvara  likviidsuse  taseme,  kinnisvara 
hinna  ja  müügisageduse  vahel:  aktiivses  turuolukorras  on  antud  näitajad  kõrged, 
passiivses  olukorras  madalad.  (Krainer  2001:  32)  Tururiski  ei  ole  võimalik  üksikul 
kinnisvaraomanikul elimineerida, kuna see tuleneb kinnisvaraturul toimuvatest üldistest 
hinnamuutustest (Lausberg 2001: 3). 
Likviidsusriski  on  võimalik  liigitada  veel  kaheks:  turust  sõltuv  likviidsus  näitab  seda, 
kui lihtsalt ja kiirelt on võimalik turult väljuda ning investorite finantsvarade likviidsus 
näitab seda, kui kiiresti suudavad osalised leida vajaminevad rahalised vahendid tehingu 
teostamiseks  (Brunnermeier  ja  Pedersen  2009:   2201 ).  Pangad  muudab  likviidsusriski 
21 
 
 
altiks  asjaolu,  et  lühiajalised   hoiused   muudetakse  ümber  pikaajalisteks  laenudeks.2 
Likviidsusrisk  seisneb  võimaluses,  et  pank  ei  suuda  mingil  ajahetkel  kohustusi 
realiseerida,  ehk  teisisõnu  ei  suuda  pank  vajadusel  vara  kiiresti,  odavalt  ja  ilma 
märkimisväärseid  kahjusid  kandmata  sularahaks   konverteerida   ( Pastor ,  Stambaugh 
2001:1).  Lee ja  Jang  (2012:  695)  käsitlesid  kinnisvarariskile  avatust sellega, kui  palju 
on  ettevõtted  seotud  kinnisvaraga.  Uurimistulemustest  selgub,  et  mida  suurem  on 
kinnisvara  osakaal  koguvarades,  seda  rohkem  on  ettevõtted  avatud  kinnisvarast 
tulenevatele  riskidele.  Mikhed  ja  Zemcik  (2009)  testisid  kiiresti  tõusvate  kinnisvara 
hindade  seost  fundamentaalsete  näitajatega  ning  jõudsid  järeldusele,  et  tasakaalu 
jõudmine on pikaajaline ning võib aega võtta kümnendeid. 
Panga  stabiilsus  ja  jätkusuutlikkus  tähendab  piisavat  hoiuste  mahtu  ja 
finantsinstrumentide  müüki,  millega  on  võimalik   katta   esile  kerkida  võivad 
maksehäiretest tingitud likviidsusriskid. Roy (2008: 133-135) on uurinud tegureid, mis 
on  olulised  laenuturu  jätkusuutlikuks  arenguks  Kesk-  ja  Ida-Euroopa  riikides. 
Stabiilsuse  tagamiseks  olulised  tegurid  jagunevad  kolme  kategooriasse,  minnes 
üldisemalt  
spetsiifilisemaks. 
Üldisemad 
tegurid 
mõjutavad 
finantssektori 
jätkusuutlikkust ning on jagatud neljaks tähtsamaks osaks (Ibid.: 133-135): 
1.  Makroökonoomiline  stabiilsus  –  on  oluliseks  teguriks  kinnisvararahanduse 
jätkusuutliku arengu tagamiseks. Enamasti on makroökonoomiline stabiilsus  
seotud inflatsioonimääraga, olles viimase peamiseks mõjutajaks. 
2.  Seadusandlik keskkond – sisaldab endas protseduurireeglistikku, toimingute 
registreerimise  standardeid  ning  mitmesuguseid  kontrolli-  ja   järelevalve  
mehhanisme. 
3.  Ühtne  raamistik  -  krediidisüsteemi  usaldusväärsus  ning  vara  hindamise 
ühtsed    standardid   on  väga  olulised  tegurid  laenuturu  ning  finantssüsteemi 
kui terviku jätkusuutlikuks arenguks. 
4.  Efektiivne  eluasemepoliitika  eluasemelaenu  turu  arenguks  -  see   kriteerium  
sisaldab  endas  kahte  aspekti,  milleks  on  seadusandlik  raamistik  ja  valitsuse 
sekkumine eluasemelaenude pakkumisse. 
                                                 
2  Basel  Committee  on  Banking  Supervision  (2008)  „Principles  for   Sound   Liquidity  Risk 
Management  and Supervision - final  document “ (18.03.2013) 
22 
 
 
Eelpool   loetletud  tegurid  moodustuvad  ühtse  raamistiku  finantssüsteemi 
jätkusuutlikkuse  tagamiseks,  mistõttu  on  oluline  kehtestada  ühtsed  reeglid  ning 
standardid kõigile krediidiasutustele, kellel on otsene mõju majandussüsteemile.  
Pidevalt arenev keskkond nõuab üha uusi meetodeid süsteemi stabiilsuse hindamiseks 
ning  järjepidevuse  tagamiseks.  Laenuturu  efektiivset  toimimist   toetavad   järgmised 
tegurid (Roy 2008: 136): 
1.  Standardid  –  miinimumnõuded,  mis  on  kehtestatud  kvaliteetsete 
eluasemelaenude väljastamiseks. 
2.  Kindlustusteenused  –  üldjuhul  nõuavad  laenuandjad  koos  eluasemelaenuga 
lisaks ka veel vara- ja elukindlustust. 
3.  Toote  innovatsioonid  -  uute  toodete   innovatsiooni   eesmärk  on  suurendada 
turuosa  pakkudes  erinevatele  klientidele  erinevaid  tooteid.  Nii  on  näiteks 
madalama  sissetulekuga  kliendigrupile  välja  mõeldud  just  neile   sobivate  
tingimustega tooted. Tihti on näiteks laenud ja kindlustustooted ühendatud. 
4.  Pikaajalise  finantseerimise  kättesaadavus  –  alternatiivid  laenuandjatele, 
arvestades erinevaid tingimusi, maksumust ja jätkusuutlikkust. Alternatiivid 
võivad  olla  deposiidid,  teiste  pankade   krediit ,  rahvusvahelised 
finantsinstitutsioonid, võlakirjad jne. 
Kõige  kitsam  ja  spetsiifilisem  kategooria,  hüpoteeklaenude  rahastamine  ja  laenude 
edasimüük,  hõlmab  endas   instrumente   nagu  hüpoteekidega  kaetud  võlakirjad  ja 
väärtpaberid.  Nende  instrumentide  olemasolu  sõltub  järgmistest  teguritest  (Roy  2008: 
136): 
1.  Seadusandlus,  millega  on  määratud  raamatupidamislikud  juhised  ning 
laenude garantiidele esitatavad nõuded. 
2.  Varade  maht  -  laenuandjatel  peab  olema  piisaval  hulgal  varasid,  et  tagada 
kindlustustoodete  stabiilsus.  Kindlustustoodete  hind  peaks  peegeldama 
õiglaselt tootest saadavaid eeliseid . 
3.  Valmisolek laenutoote väljastamiseks - kindlustustoodete väljastajad peavad 
olema  suutelised  tagama  toodete  teenindamise  ja  informatsiooni  juhtimise 
protsessid ning tagama kõik vajalikud seadusandlusest tulenevad nõuded. 
23 
 
 
4.  Investorite jaoks sõltub hüpoteegiga tagatud väärtpaberite nõudlus mitmetest 
asjaoludest,  nagu  näiteks  eluasemelaenude  tulemuslikkus,  likviidsus, 
võrreldavus   teiste  toodetega,  riskitase  ning  muude  investeerimisvõimaluste 
olemasolu.  
Kuna   tagatisvara   õiglane  väärtus  põhineb  enamasti  muutuval  turuväärtusel,  siis  on 
turuolukorra muutudes tarvilik hinnata ümber varade õiglane väärtus raamatupidamises. 
Kui varade väärtus on kukkunud, on pank sunnitud maksehäirete vastu kindlustamiseks 
otsima   kas  lisatagatisi  või   väljastama   uusi  finantsinstrumente.  Seega  mõjutab  varade 
turg ning eriti varade väärtuse muutused oluliselt pangandussüsteemi funktsioneerimist. 
(Hellwig  2009:  133)  Varade  väärtuse  tõusu  puhul  võib  laenuvõtja,  kui  tema   tagatise   
väärtus  on  tõusnud,  esitada  taotluse  täiendava  laenu  kohta.  Panga  põhieesmärgiks  on 
hinnata  varade  tegelikku  väärtust  ning  vältida  kergekäeliselt  laenu  andmist,  vastasel 
juhul võib tagajärjeks olla turu tasakaalust välja  viimine . 
Elamumajanduse   finantsturg   ehk  hüpoteegiturg  on  võtnud  üle  mõned  kaubaturu 
karakteristikud,  mille  puhul   laenajad   saavad  tagatise  olemasolul  kergesti  laenu  võtta 
( Case  et al. 2000: 132). Ka mitte nii heade väljavaadetega laenutaotlejad on laenuturul 
esindatud :  laenumarginaalide  ja  eluasemelaenude  maht  on  oluliselt  kasvanud. 
Intressimäära  tõus  vähendab  kohustuse  väärtust  laenajale,   langeva   intressimäära 
tagajärgedeks  on  refinantseerimine  ja   ettemaksed .   Krediidirisk   on  tänu  viivistele  ja 
muudele riskimaandamise teguritele üsna madal. Krediidiriskide hindamise mudelid on 
olnud efektiivsed, kuna sisaldavad mitmeid nüansse ning riskid on  viidud  miinimumini. 
(Ibid.: 132) Pankade eesmärgiks on optimeerida laenuportfelle nii, et krediidirisk oleks 
madal  ja  laenutulu  võimalikult  kõrge,  mistõttu  on  oluline  nende  näitajate  vaheline 
optimaalne  tasakaal.  Üldiseid  riskide  hinnanguid  pankade  tasemel  mõjutavad  enim 
intressimäär  ning kinnisvaraturu  seisukord  (Mei, Saunders 1995: 199). Kinnisvaraturul 
ja majanduses toimuvate tõusuperioodide ajal on pankade tulemuslikuks majandamiseks 
oluline  vähendada  krediidiriski  tekkimise  tõenäosust.  Enamasti  on  panga  klientideks 
inimesed,  kes  vajavad  krediiti  ning  kuuluvad  seega  süsteemset  tagasimakse  riski 
omavasse  kliendigruppi. 
Efektiivseks  krediidiriski  juhtimiseks  ning  kliendi 
laenukõlblikkuse  hindamiseks  on  pangas  kasutusel  mitmesugused  mudeled,  mis 
24 
 
 
hindavad  potentsiaalse  laenukliendi  maksevõimet  ning  prognoosivad  maksekäitumist, 
võimaldades seeläbi maksehäiretest tulenevaid riske paremini maandada ja juhtida.  
Hüpoteegiturg  on  investorite  ja  pankade  jaoks  kujunenud  atraktiivseks  nii  oma  pika 
tähtaja  kui  mitmekesise  finantstuletisinstrumentide  valiku  poolest.  Hüpoteegirisk  on 
maandatud  läbi  hüpoteekide  kindlustuste,  hüpoteegiga  tagatud  väärtpaberite  ning 
efektiivse  portfelli  haldamise  (Case  et  al.  2000:  144).  Hüpoteeklaenude  arengut 
peetakse  globaalse  finantskriisi  kontekstis  heaks  indikaatoriks  majanduse  seisundi 
kirjeldamisel (Mazure 2012: 205).  
Kinnisvaraturu  hindamiseks  enimlevinud  meetodid  on   kasumlikkuse   ja  taskukohasuse 
taseme  määratlemine.  Kasumlikkust  mõõdetakse  kinnisvara  omamiseks   kuluva   raha 
hulga ja üürimisel kulutatava rahasumma suhtarvuna. Kui kinnisvara omamine kujuneb 
odavamaks  kui  üürimine,  siis  on  eluaseme  ostmine  põhjendatud  otsus  ja  suurendab 
kasulikkust. Kui kinnisvara rendid on madalad ning ostmine kujuneb kulukaks, siis on 
kasulikum  eluaset  üürida.  Taskukohasust  mõõdetakse  kinnisvara  hinna  suhtena 
sissetulekusse.  Kui  eluaseme  ostja  sissetuleku  tase  ei  võimalda  kinnisvara  omanikuks 
saada  kasutatakse  enamasti  pankade  abi  laenukapitali  kaasamiseks.  Levinud 
põhimõtteks  taskukohasuse  määratlemisel  on  kujunenud  seisukoht,  mille  puhul 
igakuised  kodukulud  (koos  laenumaksetega)  ei  tohiks  ületada  40%   sissetulekust . 
Kinnisvara  omamise  kasulikkuse ja taskukohasuse taseme määratlemiseks on kasutatud 
pikaajaliste andmete põhjal arvutatud keskmist. Kui kinnisvara hinna ja rendi suhe ning 
kinnisvara hinna ja sissetuleku suhe on pikaajalise keskmisega võrreldes suuremad, on 
kinnisvaraturul   märke   hindade  ülepaisutatusest.  Kui   suhtarvud   jäävad  alla  pikaajalist 
keskmist on kinnisvaraturg madalseisus, teiste sõnadega on kinnisvara väärtus tegelikult 
kõrgem, kui seda kajastavad tehingute ostu- müügihinnad . 
Kinnisvaraturu  olukorrast,  kus  hinnad  ei  ole  taskukohased,  võib  välja  kasvada  nn 
kinnisvarabuum,  mis  tähendab   finants -  või  kinnisvara  hindade  põhjendamatut 
ülespaisutamist  ning  varade  hinna  tõusmist  kõrgemale  nende  fundamentaalväärtustest. 
Mullide olemasolu  majandusteoorias  peetakse üldtuntud faktiks, kuid nende olemasolu 
tõestamine  mingil  kindlal  ajahetkel  ning  mulli  lõhkemiseks  vajalike  tingimuste 
olemasolu tuvastamine  on keeruline kui mitte võimatu.  
25 
 
 
Kinnisvaramull   võib  tekkida  ilma  panganduskriisita  ning  finantskriisidega  ei  pea 
ilmtingimata  kaasneva  kinnisvara  suuri  hinnakõikumisi,  kuid  need  kaks  nähtust  on 
omavahel  siiski  tugevas  korrelatsioonis.  Sektoritevaheline  seos  sõltub  eelkõige  sellest, 
kui palju on riigi finantssüsteem sõltuvuses pankadest. ( Herring , Wachter 2002: 3) 
Mulli kindlakstegemine ei ole lihtne ning tihtipeale on põhjuseks andmete puudulikkus. 
Kinnisvaramulli  kindlakstegemiseks  peaks  analüüsima,  millest  on  tingitud 
kinnisvarahindade kiire tõus, ehk kas tegu on fundamentaalsete nõudluse ja pakkumise 
tingimuste muutustega või on põhjused  milleski  muus. Siegel (2003: 12) seletab mulli 
kui olukorda, kus kõrged ja kiiresti kasvavad hinnad ei ole õigustatud, ehk ei ole seotud 
sissetulekute  tasemega,  ning  mulli  hinnatõusu  provotseerivad  investorid,  kes  ostavad 
kinnisvara kiire edasimüügi eesmärgil, et saada kõrgemat hinda. Vara hinnaliikumised 
ei ole kooskõlas varade fundamentaalse väärtusega (Garber 1990: 38). 
Mull  tekib  suurte  ja  püsivate  hinnaerinevuste  tõttu  finants-  ja  reaalvarades.  Iga 
hinnakõikumine  ei  tähenda  aga  mulli.  Kinnisvaramullile   iseloomulikeks    teguriteks   on 
plahvatuslik  hinnatõus,  mille  põhjuseks  on  spekulantide  soov  müügist  kiiret  tulu 
teenida.  Mullide  teooria  ning  mullide  olemuse  uurimine  on  majanduse  seisukohast 
tähtis,  kuna  kõrge  tootlus  varade  müügist  mõjutab  laenuraha  pakkumist,  tööjõuturgu, 
ning  võib  viia  turu  tasakaalust  välja,  kuna  uute  hoonete  ehitus  suureneb.  Selle  tõttu 
suureneb  kinnisvara  turuväärtus  võrreldes  reaalse  väärtusega.  (Brunnermeier,  Oehmke 
2012:  12)  Kuigi  iga  mull  ja  sellele  järgnev  kriis  on  erinevad  ning  ei  ole  alati  üheselt 
mõõdetavad, esineb siiski kõigis sarnane muster.  
Mulle  saab  olemuselt  jagada  kaheks:  ratsionaalsed  ja   spekulatiivsed   mullid. 
Ratsionaalse   mulliga  on  tegu  juhul,  kui  investorid  ostavad  ja  hoiavad  kinnisvara  vara 
väärtuse  kasvu  ootuses.  Eeldatakse,  et  vara  väärtus  jätkab  kasvavat  tendentsi  ning 
tulevikus  realiseeritava  vara  väärtus  ületab  alginvesteeringut.  See  tähendab,  et  vara 
hetkehind on tuleviku hinna diskonteeritud väärtus ning sellele lisatud dividendimaksed. 
Varade väärtus ei saa siiski kasvada lõputult, kui see muutub liiga kalliks, asendatakse 
see millegi muuga või hakkab turuväärtus langema. (Brunnermeier, Oehmke 2012: 14) 
Ratsionaalsete  mudelite  eelduseks  on,  et   agendid   teavad  tekkiva  mulli  suurust  ja 
suudavad varade väärtuse muutusi prognoosida (Lansing 2010: 1150). Kinnisvara liigse 
hinnatõusu  tagajärjel  jääb   vähemaks   ostjaid  ning  kinnisvara  hakkab  kaotama  oma 
26 
 
 
väärtuses.  Kinnisvarahinnad  põhinevad  inertsil  ja  nii  müüjad  kui   ostjad   teevad  oma 
otsused motiveerituna  tulevasest hinnaootusest (Case et al.  2000: 129).  
Spekulatiivne  mull  eksisteerib, kui  hind  erineb vara fundamentaalsest  väärtusest  mingi 
perioodi  jooksul  ning  hinnaerinevus  ei  ole  tekkinud  juhuslikult  asetleidnud  sündmuse 
tagajärjel.  Seega  on  spekulatiivse  mulli  põhjustajaks  inimeste  liigne  optimistlikkus 
kinnisvara  tootlikkuse  suhtes  ning  hindade  tõus  kestab  nii  kaua,  kuni  turul  leidub 
piisavalt ostjaid.   
Dobberstein  (2000)  kirjeldas  inimeste  käitumist  mustritena,  mille  jagas  kolmeks 
tüübiks:  
1)  Nn  kullakaevaja   mentaliteet   –   arendajad   ja  investorid,  kes  soovivad  kopeerida 
edukate  kinnisvaraturul  tegutsejate  käitumist,  ning  kelle  tegevus  on  ajendatud 
tsüklilisusest. Aitavad kaasa kinnisvaramulli tekkimisele; 
2)  Mänguri mentaliteet – uskumus, et  arendaja  või  investor  suudab olla eelmistest 
edukam ; 
3)  Liigse   enesekindluse   mentaliteet  –  iga  investor  või  arendaja  usub  oma  projekti 
suuremasse edusse, vaatamata turult tulevate negatiivsete signaalide poole. 
Kui turul ei oleks spekulante ning tarbijate otsused põhineksid ratsionaalsetel ootustel, 
siis  sellises  turu  tasakaalus  mulle  ei  tekiks  (Tirole  1985:  1513- 1516 ).  Sellest  võib 
järeldada,  et  kinnisvara  hinnamull  tekib  informatsiooni  asümmeetria  tingimustes,  kus 
turuosalised  ei oma piisavas koguses ja hea kvaliteediga infot. Mulli kindlakstegemine 
on aga küllaltki keeruline, kuna andmed võivad olla erinevates andmebaasides erinevad 
ning  sageli  ka  ebapiisavad  või  ebatäpsed,  vastupidiselt  aktsiatele  ja  väärtpaberitele. 
Selle  tõttu  tekib  ratsionaalsete  ootuste  tingimustes  nn  karjaefekt,  mis  põhjustab 
erinevusi  turuhinna  ja  vara  fundamentaalse  väärtuse  vahel.  Karjaefekti  tingimustes 
rajavad turuosalised oma otsused teiste varem tehtud otsustele.  
Brunnermeier ja Oehmke (2012: 29) leiavad oma uurimuses, et turul kaubeldakse väga 
jõuliselt  ning  varade  väärtus  võib  tõusta  isegi  tingimusel,  et  varade  turuväärtus  on 
fundamentaalsest  oluliselt  erinev.  Selline  trend  näitab  selgelt  mulli  olemasolu,  millele 
järgneb  hindade  järsk  langus,  kuna  varad  on  ületanud  oluliselt  oma  reaalset  väärtust. 
Selline käitumine on spekulatiivne, kuna olles teadlik mulli olemasolust loodetakse vara 
27 
 
 
realiseerida ostjale, kes on müüjast vähem ratsionaalsem (Ibid.: 30) Siit võib järeldada, 
et  mullide  tekkimisel  on  oluliseks  teguriks  informatsiooni  asümmeetria,  kuna  kõik 
turuosalised  ei  oma  sarnaseid  teadmisi  ja  informatsiooni.  Seega  sõltub  kinnisvaraturul 
otsuste tegemise  tõhusus  informatsiooni kättesaadavusest ning selle kvaliteedist. 
Informatsiooni kättesaadavusel mängib olulist rolli näiteks meedia ning nendes esinevad 
arvamusliidrid, kes mõjutavad inimeste arvamuse kujunemist ning seega annavad tõuke 
turu  arenguks.  Positiivselt  meelestatud  uudised  ja  väljaütlemised  mõjuvad  inimese 
psühholoogiale  stimuleerivalt  ning  soodustavad  vastavat  käitumist,  ehk  siis  kui 
ennustatakse  näiteks  kinnisvarahindade  tõusu,  teevad  paljud  oma  otsuseid  hinnatõusu 
ootuses. Shiller  (2003: 84-84) on leidnud, et kinnisvara hinna kujunemise mängib olulist 
rolli inimeste käitumine ning ostjad ja müüjad teevad tihti oma otsuseid liigsete ootuste 
najal, mille puhul otsustatakse pigem tunnetuslikest aspektidest lähtuvalt kui arvestades 
ratsionaalset  analüüsi.  Seega  on  emotsioonidel  üpris  suur  roll  otsuste  tegemisel  ning  
vara  väärtuste  fundamentaalne  analüüs  ei  aita  alati  ette  ennustada  hinnatasemeid 
mulliturgudel (Ibid.: 83-84). 
Kinnisvarasektoris  põhjustab  hinnamull  ehitusbuumi,  kus  loodetakse  varade   kõrgele  
tootlikkusele ning spekuleeritakse ostjate ootustega. Tarbijate emotsioonid on kallutatud 
nii  ekspertide  ja  analüütikute  kui  ka  meedia  poolt,  kes  prognoosivad  turu  arenguid  ja 
mõjutavad seeläbi inimeste emotsioone ja ootusi. 
Herring,  Wachter  (2002:  3)  ja  Stoken  (1993:  83-84)  toovad  oma  uurimuses  välja,  et 
hinnatsükleid  põhjustab  inimeste  liigne  optimistlikkus.  Eeldatakse,  et  varem  juhtunu 
toimub  ka  tulevikus  ning  see  muudab  inimesed  riskialtimateks  ning  kui  liiga  palju 
inimesi  võtab  suures  koguses  riske,  tekib  soodne  olukord  mulli  tekkeks.  Viimase 
lõhkemisel muutub olukord vastupidiseks: valitsevaks saab pessimistlik suhtumine ning 
turul  arvatakse  olevat  rohkem  riske,  kui  tegelikult  eksisteerib.  See  tingib  pika 
majanduse pidurdumise. (Stoken 1993: 83-84) 
Optimistid,  isegi  kui  nad  on  teadlikud,  et  varade  fundamentaalne  väärtus  jääb  alla 
turuhinnale,  jätkavad   kauplemist   niikaua,  kuni  jätkub  ostjaid.  Kui  neil  jääb  puudu 
omafinantseeringust  ning  ostetava  vara  väärtus  ületab  sissetulekul  põhinevaid 
ostuvõimalusi,  on  sellised  turuosalised  aktiivsed  nii  kaua  kuni  ostetav  vara  on 
28 
 
 
aktsepteeritav tagatisena. Vara väärtus tuleneb kõrgeimast  pakkumisest,  mille ostja on 
valmis tegema. (Herring, Wachter 2002: 4)  
Kinnisvaraturul  toimuvad  muudatused  on  ootustel  ja  ratsionaalsetel  alustel  põhinevad. 
Ootustel põhinevad hinnamuutused ja investeerimisstrateegiad viivad enamasti mullide 
tekkeni,  samas  kui  ratsionaalsetel  alustel  põhinevad  muutused  on  selgitatavad  varade 
fundamentaalse  väärtuse  muutusega.  Nii  kaua,  kuni  turul  on  osalisi,  kes  ei  tee  oma 
otsuseid ratsionaalselt, on võimalused mulli tekkeks ja kasvamiseks olemas. 
Kinnisvaramulli olemasolu Eestis on empiiriliselt testinud Cocconcelli ja Medda (2013: 
392-393). Spekulatiivse mulli tekke põhjusteks on üldiselt finantsvabaduse suurenemine 
või  keskpanga  poolne  intressimäära  vähendamine,  mis  soodustab  laenamist. 
Majandustsükli  algusfaasis  ehk   tõusufaasis   ilmnevateks  nähtusteks  on  krediidimahu 
suurenemine ning varade hinna tõus, mis otseselt avaldub ka kinnisvara hindade tõusus. 
Kuna  mulli   tipus   on  nõudlus  varade  järele  suurenenud,  on  turg  väga   likviidne   ning 
meelitab  ligi  mitmeid  investoreid,  kes  kiire  kasumi  lootuses  osalevad  aktiivselt  turul. 
Kasvufaasile järgneb krahh, mis seisneb kinnisvaramulli kokkukukkumises ning varade 
hinna  languses.  Langusfaasis  põhjustab  varade  väärtuse  langus  turuosalistele  palju 
ebameeldivusi,  alates  maksehäirete  tekkimisest  ning  lõpetades  ulatuslike  kahjude 
kandmisega.  Maksehäired  võivad  tekkida,  kui  laenutagatise  väärtus  on  oluliselt 
langenud ning pank nõuab laenaja käest lisatagatisi.  
Cocconcelli  ja  Medda  analüüsivad  spekulatiivse  kinnisvaramulli  olemasolu  Eestis 
Statistikaameti andmete põhjal aastatel 1995-2009. Andmed on viidud standardiseeritud 
kujule ,  millest  on  eraldatud  trendi  ja  kasvu   komponent   ning  tsüklilisuse  komponent. 
Aastatel  1994-2010  toimus  Eesti  majanduses  mitmeid  väiksemaid  ja  suuremaid  šokke 
ning  lähemalt  on  uuritud  kõige  hilisemat,  kus  kiirele  majanduskasvule  alates  aastast 
2005  järgnes  2007  aastal  kinnisvara-  ja  finantsturu  langus.  Kinnisvaraturu  mõju  ja 
tähtsust panganduses näitab kinnisvaralaenude kõrge osakaal panga laenuportfellis ning 
suhe koguvaradesse. Kinnisvaratagatisel väljastatud laenude maht on kasvanud kiiresti 
just  tiheda  konkurentsi  pärast,  kus  turuosa  võitmiseks  otsustati  raha  laenata  liiga 
kergekäeliselt,  vaatamata  madalatele  intressimääradele  ning  kõrgetele  riskidele. 
Madalad intressimäärad suurendasid  nõudlust  kinnisvara suhtes, mis tähendas hindade 
tõusu  ning  suurendas  vajadust  laenukapitali  kaasamiseks.  Tekkis  olukord,  kus  võetud 
29 
 
 
laenu tagatiseks oli seesama kinnisvaraobjekt, mille väljaostmiseks  laenutaotlus  esitati, 
ning  mida  kiiremini  kasvasid  kinnisvarahinnad,  seda  kõrgemale  ulatusid  ka 
laenumarginaalid.  Kinnisvarahindade  tõus  tõstis  varade  väärtust  ning  seega  suurendas 
vähemalt  ajutiselt  inimeste rikkust, mis lubas kas suurendada laenukrediiti või tarbimist. 
(Ibid.: 393) 
Mullide teket mõjutavad tegurid on seega tingitud nii psühholoogilistest, majanduslikest 
kui  finantsilistest  teguritest.  Tulevikus  toimuvaid   sündmuseid   ei  suuda  keegi  ette 
ennustada,  kuid  ometi  on  investeerimisotsuste  tegemisel  seda  vajalik  teha.  Selleks 
luuakse   teooriaid   ja  mudeleid,  et  tulevikus  ilmnevaid  protsesse  oleks  võimalik  üha 
täpsemini hinnata ning ette ennustada.   
Magistritöö  järgnevas  peatükis  vaadeldakse,  milliste  andmete  ja  mudelitega  on 
analüüsitud  kinnisvara  tsüklilisust  ning  millised  on  seosed  kinnisvaraturu  tsüklite 
kujunemise ja makroökonoomiliste tegurite vahel. 
 
30 
 
 
 
 
 
 
2  KINNISVARATURU 
TSÜKLITE 
JA 
NENDE 
MÕJUTEGURITE EMPIIRILINE ANALÜÜS 
 
2.1. Metoodika riikidevaheliste mustrite hindamiseks 
Käesolevas magistritöös on riikidevaheliste mustrite analüüsimiseks kasutatud andmeid 
20  Euroopa  Liidu  riigi  kinnisvaraturu,  SKP  ning  laenuturu  näitajate  kohta. 
Kinnisvaraturu  dünaamika  hindamiseks  on  kasutatud  kinnisvara  hinnaindeksit,  mis 
võtab  arvesse  riikidesiseseid  muudatusi  kinnisvaraturu  dünaamikas  ning  võimaldab 
kinnisvaraturu  liikumisi  omavahel  võrrelda.  SKP   muutuja   on  võetud   jooksevhindades  
ning seejärel indekseeritud kasvu järgi. Laenuturgu iseloomustavaks teguriks on valitud 
majapidamiste  võla  suhe  sissetulekusse.  Selleks  on  kasutatud  majapidamistele 
väljastatud  laenude  mahtusid  ning  majapidamiste  sissetulekut,  mille  põhjal  on  leitud 
suhtarv .  Antud  suhtarv  näitab  iga  riigi  kohta  finantsvõimenduse  kasutamist. 
Riikidevaheliste  sarnasuste  ja  erinevuste  selgitamiseks  on  kasutatud  maksehäirete 
dünaamikat.  Kui  teatud  riikides  esines  kinnisvaraturul  anomaaliaid,  siis  eeldatakse,  et 
riigis oli ka kõrgem laenukasv ning kriisijärgsel perioodil suurenes rahvastiku osa, kes 
koges maksehäireid laenude tagasimaksmisel.  
Riikidevaheliste  mustrite  hindamiseks  on  antud  magistritöös  parimaks  rakendatavaks 
meetodiks  mitmemõõtmelise  statistika  üks  alammeetod  –   klasteranalüüs .  Antud 
meetodit  kasutatakse  nii  objektide  kui  tunnuste  grupeerimiseks  nende  omavahelise 
sarnasuse  alusel  ning  meetodi  eesmärgiks  on  leida  teatud  tunnuste  alusel  sarnaselt 
käituvad  objektide  grupid  ehk  klastrid.  Klasteranalüüs  on   uurimuslik   andmeanalüüsi 
meetod, mille eesmärgiks on sorteerida erinevad objektid  gruppidesse  sellisel moel, et 
ühte gruppi kuuludes on kahe objekti vahel maksimaalselt tugev seos ning vastupidisel 
juhul  minimaalne  seos.  Seega  saab  klasteranalüüsi  kasutada  selleks,  et  andmeid 
struktureerida. 
31 
 
 
Klasteranalüüsi  puhul  on  mitmeid  erinevaid  meetodeid,  mille  alusel  objektidevahelisi 
sarnasusi  hinnata.  Nendeks  on  hierarhiline  klasteranalüüs  ja  k-keskmiste  meetod. 
Hierarhiline  klasteranalüüs  toimib  hästi  väikese  arvu  objektide  vahel  ning  eeldusel,  et 
objektid  on  üksteisest  hästi  eristatavad.  Sarnased  objektid  pannakse  omavahel  kokku 
samm-sammu  haaval,  kõige  viimasena  ühendatakse  üksteisest  kõige  rohkem  erinevad 
objektid.  Klasteranalüüsi  tulemusena  joonistatakse  dendrogramm,  mis  esitab  grupid 
graafiliselt. K-keskmiste meetod eeldab klastrite arvu  eelnevat  määratlemist ning ei ole 
aegridade  analüüsimiseks  sobilik,  seetõttu  on  antud  magistritöös  kasutatud  hierarhilist 
klasteranalüüsi.  Kuna  klasteranalüüs  ei  selgita  sisulisi  sarnasuste  ja  erinevuste 
põhjuseid,  on  tarvis  tulemuste  tõlgendamiseks  kasutata  teisi  meetodeid  või  selgitada 
klastrite  moodustumist,  tuginedes  teoreetilistele  aspektidele  ja  mudelitele.  Klastrite 
kujunemise selgitamiseks  on kasutatud  teooriast tulenevaid  enimkasutatavaid  suhtarve, 
mille  põhjal  on  võimalik  teha  järeldusi  valitud  riikide  vaheliste  mustrite  kujunemise 
põhjuste kohta. (Košmelj ja Žabkar, 2009) Aegridade analüüs klastermeetodiga on laialt 
levinud.  Seda  on  kasutatud  mustrite  tuvastamiseks  ja  anomaaliate  uurimiseks  (Yairi  et 
al.  2001).  Meetodi  relevantsuse  määrab  laiaulatuslik  kasutamine  ning  ulatuslik 
uurimuste maht, mille kohta annavad hea ülevaate Keogh ja Lin (2005). 
Košmelj ja Žabkar (2009)  uurisid  klasteranalüüsi meetodiga 28 Euroopa riigi aegridade 
mustreid   aastatel  1994-2004,  võttes  aluseks  reklaamikulutuste  osakaalu  SKP-st. 
Uurimuse eesmärgiks oli riikidevaheliste mustrite tuvastamine. Eelpoolmainitud autorid 
testisid  aegridade  trendi  uurimisel  mitmeid  erinevaid  meetodeid  ning  parima  tulemuse 
andis  Wardi  meetod,  mille  põhjal  arvutatud  objekti  väärtuste  läheduste   maatriks   oli 
tulemuste  tõlgendamiseks  kõige  sobilikum.   Standardne   erinevuste  mõõtmine  ei  ole 
aegridade  jaoks  sobilik,  kuna  ei  arvesta  aja  dimensiooniga.  Parima  tulemuse  kauguste 
hindamisel  andis  Euclidean’i  ruutdistants,  mis arvestab erinevust  aegrea  ning väärtuse 
vahel kindlal ajahetkel (Ibid.: 162).  
Käesolevas magistritöös on riikidevaheliste mustrite identifitseerimiseks leitud klastrid 
iga  uuritava  näitaja  kohta  eraldi  ning  analüüsitud  näitajatevahelisi  klastrite  struktuuri. 
Lisaks klasteranalüüsile on kasutatud ka korrelatsioonanalüüsi tunnustevaheliste seoste 
uurimiseks.  Analüüsi  käigus  selgitatakse,  kas  ühe  tunnuse  poolest  sarnased  riigid  on 
sarnased  ka  teiste  valitud  tunnuste  poolest.  Mustrite  ja  anomaaliate  tuvastamiseks  on 
32 
 
 
arvutatud  aegridade  keskmised  ja   standardhälbed ,  mille  alusel  on  võimalik  selgitada 
riikide 
klastritesse 
jaotumist. 
Korrelatsioonanalüüsi  tulemusena  selgitatakse 
riikidevahelisi  seoseid  täpsemalt,  kuna  korrelatsioon  näitab  seose  tugevust  iga  riigi 
kohta  eraldi,  mida  klasteranalüüs  ei  võimalda.  Järgnevas  magistritöö  osas  on  esitatud 
peamised tulemused ning analüüsitud mustreid riikide valitud tegurite aegridades. 
2.2.  Mustrite  avastamine  Euroopa  Liidu  riikide  kinnisvaraturgude 
dünaamikas 
Käesoleva töö empiirilises osas on analüüsitud kinnisvaraturu tsükleid Euroopa riikides 
ning uuritud makroökonoomiliste ja laenuturust tulenevate tegurite seost kinnisvaraturu 
tsüklitega.  Makroökonoomilisteks  teguriteks  on  SKP  ja  tööhõive  määr,  laenturust 
tulenevaks  teguriks  on  valitud  maksehäirete  esinemine  eluasemelaenude 
tagasimaksmisel riikide elanikkonna seas. 
Toodud näitajate analüüsimiseks on antud magistritöösse valitud 20 Euroopa Liidu riigi 
andmed,  mis  on  pärit   Eurostat   andmebaasist  ning  mille  hulgast  hiljem  on 
klasteranalüüsi tulemusena valitud 8 riiki riikidevahelise analüüsi läbiviimiseks (vt Lisa 
1).  Tulenevalt  andmete  kättesaadavusest  esineb  mõningaid  varieeruvusi  tulemuste 
interpreteerimisel, kuna kõigi riikide kohta ei olnud andmed üheselt kättesaadavad ning 
esines  puudulikke  andmeid  andmebaasides.  Magistritöö  empiirilises  osas  on  selgitatud 
üldisi trende Euroopa Liidu riikide kinnisvaraturgudel, nende omavahelisi sarnasusi ja 
erinevusi ning mustreid reaalmajanduse ja laenuturu dünaamikaga. 
Kinnisvarahindade mõõtmiseks on kasutusel erinevaid meetodeid. Käsitledes kinnisvara 
tarbekaubana  on  võimalik   ehitisi   liigitada  füüsiliste  omaduste  järgi:  ruumide  arv, 
asukoht,  hoone  seisukord.  Käsitledes  kinnisvara  kui  alternatiivset  investeeringut,  on 
hindamine  mõnevõrra  keerulisem  –  kinnisvaratehingute  hind  kujuneb  läbirääkimiste 
tulemusena. (Bracke 2013: 215) Kinnisvara ostu- ja  müügiprotsess  on pikaajaline ning 
reeglina kinnisvaratehinguid ühe objektiga ei tehta väga tihedalt, mistõttu on keeruline 
hinnata õiglast väärtust igal ajahetkel. Võrdluseks võib tuua USA kinnisvaraturu näite, 
kus  keskmiselt  6%  kinnisvaraomanikest  aastas  müüb  oma  kinnisvara,  samas  kui 
börsitehinguid tehakse keskmiselt 120% vara väärtusest (Piazzesi ja Schneider, 2009). 
33 
 
 
Enamik  kinnisvaraturgude  analüüsimiseks  kasutatavaid  ökonomeetrilisi  mudeleid 
põhineb  graafilisel  analüüsil  kinnisvarahindade  maksimum-  ja  miinimumpunkte 
arvestades  (Ferrara  ja  Koopman  2010;  Bracke  2013).  Tõusuperiood  jääb  indeksi 
minimaalse  ja  maksimaalse  väärtuse  vahele  ning  langusperioodiks  on  vahemik 
maksimaalsest indeksi väärtusest minimaalseni.  
Tulemuseks  on  binaarsete  numbrite  jada,  kus  tõusuperioodid  on  tähistatud  arvuga  “1” 
ning  langusperioodid  arvuga  “0”.  Algselt  leidis  antud  meetod  kasutamist  äritsüklite 
analüüsimisel,  hiljem  leidis  laialdast  kasutamist  ka  varade  analüüsimisel.  Borio  ja 
McGuire  (2004)  kasutasid  sarnast   algoritmi   analüüsimaks  kas  kõrgseis  aktsiaturul 
suudab  ette  ennustada  kõrgseisu  eluasemeturul.  Käesolevas  magistritöös  on  kasutatud 
sama  metoodikat  tõusu-  ja  languseperioodide  tuvastamiseks,  arvutused  on  läbiviidud 
kasutades  statistikapaketti  MS  Excel.  Antud  meetodi  eesmärgiks  on  määrata  nende 
riikide arv, kelle kinnisvaraturu tsüklid  konkreetsetel ajahetkedel  olid kas tõusnud või 
langenud.  
Järgnev  joonis  (vt  joonis  4)  näitab  nende  riikide  arvu,  kelle  kinnisvaraturg  antud 
perioodil  kasvas  (kinnisvarahinna  indeksi  väärtus  oli  suurem  võrreldes  eelmise 
perioodiga).  Aastatel  2006-2009  toimus  üldine  jahenemine  kinnisvarasektoris,  järjest 
enam  riike kogesid  kinnisvaraturu langust.  Saksamaa kinnisvaraturg  jõudis  madalseisu 
aastal 2007, pärast seda on indeksi väärtus ühtlaselt tõusnud. 2009 aasta algusest alates 
hakkasid  tõusma  Soome,  Rootsi,  Norra,  Suurbritannia  ja  Prantsusmaa  kinnisvara 
hinnaindeksid, samal ajal kui teistes riikides  jätkus  langus. Eesti kinnisvaraturg hakkas 
tõusma  2010  aastast  ning  sama  aasta  lõpul  oli  suurenenud  aktiivsust  märgata  ka  juba 
Läti ja Leedu kinnisvaraturgudel. 
34 
 
 
 
Joonis 4. Kinnisvaraturu dünaamika Euroopa Liidu riikides aastatel 2006-2013. 
Graafilise analüüsi tulemusena on tuvastatud 2005 kuni 2009 kestev langusperiood, mis 
jõudis  aastal  2009  olukorda,  kus  16  riigi  kinnisvaraturu  indeksi  väärtus  langes.  Seda 
aastat võib pidada kinnisvaratsükli nö põhjaks. Alates aastast 2009 on kasvanud nende 
riikide  arv,  kelle  kinnisvarahinnaindeks  tõuseb,  kuid  siiski  ei  ole  jõutud  tagasi  2005 
aasta   tasemele ,  kui  kinnisvaraturu  indeks  kasvas  20-s  riigis.  Libiseva  keskmise  järgi 
hinnates on aastal 2013 üle poolte riikide kinnisvaraturg taas tõusuteel. 
Riigid,  mille  kinnisvaraturg  oli  miinimumpunktis  vaatlusaluse  perioodi  alguses,  on 
Belgia, Taani, Eesti, Prantsusmaa,  Küpros , Leedu,  Luksemburg , Malta, Soome, Rootsi, 
Suurbritannia,  Island  ja Norra. Perioodi keskel (2007-2009) olid vaid Saksamaa ja Läti 
kinnisvaraturg suhtelises miinimumpunktis, samas kui Taani, Eesti,  Iirimaa , Hispaania, 
Horvaatia ,  Küprose,  Läti,  Leedu,  Ungari,  Malta,   Holland   ja  Suurbritannia 
kinnisvaraturg  oli  saavutanud  kõrgseisu,  ehk  kinnisvarahinna  indeks  oli 
maksimumväärtuses.  Aastal  2013  oli  kinnisvarahinna  indeks  perioodi  madalaim 
Iirimaal ,  Hispaanias,  Horvaatias,  Ungaris  ja  Hollandis,  samas  kui  Belgia,  Saksamaa, 
Prantsusmaa,  Luksemburgi,  Soome,  Rootsi,  Islandi  ja  Norra  kinnisvaraturu  indeks  oli 
jõudnud perioodi kõrgeimasse punkti.Seega viitab kinnisvarahinnaindeksi liikumine, et 
riikide lõikes on muutused ja hindade liikumised kinnisvaraturul olnud selgelt erinevad. 
Riikide grupeerimiseks on lähtutud  kinnisvaraturu tsüklite sarnasusest ning analüüs  on 
teostatud  kasutades  klasteranalüüsi  meetodit.  Klasteranalüüsi  tulemusena  formuleerus 
35 
 
 
kinnisvara hinnaindeksi põhjal kaks riikide gruppi, mille siseselt kinnisvaraturu indeksi 
muutused on üksteisele kõige sarnasemad (vt joonis 5).  
 
Joonis  5.  Riikide  grupeerumine  kinnisvaraindeksi  järgi  perioodil  2005-2013.  Allikas: 
autori koostatud statistikaprogrammis SPSS . 
Esimese  grupi  moodustavad  Eesti,  Iirimaa,  Leedu  ja  Läti.  Antud  nelja  riigi  puhul 
avaldub klasteranalüüsi tulemusena suurim sarnasus Eesti ja Iirimaa vahel, järgmisena 
liitub Leedu ning viimasena lisandub gruppi Läti. Korrelatsioonanalüüsi tulemusena on 
Eesti  ja  Iirimaa  korrelatsioonikoefitsient  0,61,  Eesti  ja  Leedu  korrelatsioonikoefitsient 
0,85 ning Eesti ja Läti korrelatsioonikoefitsiendi väärtuseks on 0,93 (vt Lisa 3). Sellised 
korrelatsioonid    viitavad ,  et  riikide  kinnisvaraturu  muutuste  vahel  on  oluline  sarnasus. 
Teine  suurem  klaster   moodustus   ülejäänud  riikidest.  Eristuvad  vaid   Slovakkia   ning 
Taani,  mille  kinnisvaraturu  dünaamika  on  teistest  riikidest  mõnevõrra  erinev,  mida  on 
näha ka klastrite moodustumist illustreerival dendrogrammil. Teise klastrisse on valitud 
näidetena Saksamaa, Prantsusmaa, suurbritannia ja Soome. Nende riikide kinnisvaraturu 
dünaamika oli stabiilsem võrreldes esimese  klastri  riikidega. 
 
 
36 
 
 
Järgnevalt on esitatud klasteranalüüsi tulemuste illustreerimiseks joonis kinnisvarahinna 
indeksi (House  Price  Index, HPI) amplituudi kohta perioodil 2005-2013. Jooniselt 6 on 
selgelt näha, et Läti, Eesti, Iirimaa ning Leedu eristuvad teistest riikidest HPI suurema 
ulatuse  poolest.  Antud  riikide  kinnisvaraturu  tsüklid  on  valitud  perioodil  olnud  kõige 
suurema  amplituudiga,  jättes  suure  lõhe  kinnisvarahinna  indeksi  miinimum-  ja 
maksimumpunkti vahele. Vaadeldaval perioodil on kinnisvarahindade vähima muutuse 
teinud  läbi  Euroopa  vanimad  arenenud  kinnisvaraturuga  riigid  –  Saksamaa, 
Prantsusmaa, Suurbritannia. 
 
Joonis  6.  Kinnisvarahinna  indeksi  amplituud  perioodil  2005-2013.  Allikas:  EuroStat, 
autori koostatud. 
Kõige suurem  standardhälve  on olnud Läti kinnisvara hinnaindeksil, mille väärtus antud 
perioodi  lõikes  kõikus  keskväärtusest  30,4  indeksipunkti  ulatuses  (vt  Lisa  2).  Eesti  ja 
Iirimaa kinnisvara hinnaindeksi standardhälve oli vastavalt 27,3 ning 26,6, samas grupis 
oleva  Leedu  indeksi  standardhälve  oli  19,4.  Teise  gruppi  kuuluvate  riikide  indeksite 
standardhälbed olid Soomes 8,2, Suurbritannias 5,6, Prantsusmaal 4,8 ning kõige vähem 
muutusi oli Saksamaa kinnisvaraturul, mille standardhälve oli  vaid 3,3. Esimese grupi 
riikides on seega selgesti tuvastatav kinnisvaraturu  anomaalia , mida näitab hindade väga 
37 
 
 
suur  kõikumine.  Vastavalt  teooria  osa  peatükis  1.2  käsitletud  mulliteooriale  ning 
Cocconcelli  ja  Medda  empiirilisele  uurimusele  Eesti  kohta,  võib  eeldada 
kinnisvaramulli olemasolu kõigis esimesse klastrisse kuuluvates riikides. 
Antud  töö  eesmärgi  täitmiseks  analüüsitakse  järgnevalt  tegureid,  mis  on  seotud 
kinnisvaraturu  dünaamikaga  ning  tuvastatakse  võimalike  mustrite  olemasolu  nende 
tegurite  lühiajalises  dünaamikas.  Uurides  Euroopa  riikide  majandustsükli  dünaamikat, 
leiti  korrelatsioonanalüüsi  tulemusena,  et  riigid  jagunevad  SKP  alusel  mitmesse 
väiksemasse klastrisse. Jooniselt 7 nähtub, et Eesti asub ühes klastris Läti ja Leeduga. 
Iirimaa, mille kinnisvaraturu dünaamika oli antud perioodil sarnane Balti riikidega, on 
SKP  dünaamika  järgi  ühes  klastris  Suurbritannia  ning  Luksemburgiga.  Tulemused  on 
loogilised ,  kuna  tegemist  on  peaaegu  naaberriikidega,  kes  on  juba  ajalooliselt  olnud 
omavahel  tihedalt  seotud  ning  seetõttu  omavahel  ka  sarnased.  Ûheks  kinnisvaraturu 
kiire  arengu  põhjuseks  Iirimaal  võib  tuua  ka  mitmete  Eurotoetuste  andmist,  mis 
soodustasid antud sektori arengut. 
Väga  hea  kirjeldatavusega  klastri  moodustavad  SKP  alusel  Saksamaa,  Prantsusmaa, 
Soome, Belgia, Hispaania ja Holland. Rootsi, Norra ja Ungari kuulavad ühte klastrisse 
ning on sarnased Luksemburgi,  Britannia  ja Iirimaaga. Järgmisel tasandil liituvad Balti 
riigid.  Tugeva  majandusega  riigid  (Saksamaa,  Prantsusmaa,  Soome,  Belgia,  Hispaania 
ja Holland) on sarnasemad lõunamaa riikidega (Küpros, Malta, Horvaatia, lisaks Taani). 
Ka  kirjeldava  statistika  järgi  on  antud  riigid  sarnased,  neid  on  võimalik  keskmiste 
muutuste alustel eristada (vt Lisa 4). 
Kui  vaadata  valitud  riikide  sarnasusi  SKP  järgi  perioodil  2005-2013 
korrelatsioonanalüüsi  tulemusena,  siis  Eesti  SKP  dünaamika  on  tugevalt  sarnane  Läti, 
Prantsusmaa,  Leedu  ning  Soome  majandustsükliga,  mida  näitab  korrelatsioonikordaja 
kõrge väärtus (vt Lisa 5). 
38 
 
 
 
Joonis 7. Riikide grupeerumine SKP järgi perioodil 2005-2013. Allikas: Eurostat, autori 
koostatud statistikaprogrammis SPSS. 
Läti puhul on korrelatsioonikordaja 0,9,  Prantsusmaaga  0,8 ning Leedu ja Soomega 0,7. 
Väiksem  on  seos  Eesti  ja  Suurbritannia  (0,5)  ning  Iirimaa  vahel  (0,3).  Seega,  kuigi 
kinnisvara hinnaindeksi  muutuste alusel on Eesti ja  Iirimaa dünaamika olnud sarnane, 
siis  SKP  muutused  ei  ole  olnud  väga  tihedalt  korreleeritud.  Iirimaa  SKP  tsükkel  on 
vaatlusalusel 
perioodil 
kõige 
sarnasem 
Suurbritannia 
majandustsükliga, 
korrelatsioonikordaja  väärtuseks  on  0,8.  Keskmine  seos  esineb  Prantsusmaa  ja 
Soomega.  Korrelatsioonikordaja  on  negatiivne  Iirimaa  ja  Leedu  vahel.  Ka  Saksamaa 
puhul  ilmneb  negatiivne  nõrk  seos  Iirimaa  ja  Suurbritanniaga.  Korreltasioonanalüüsi 
kohaselt  on  Saksamaa   majandustsükkel   tugevalt  seotud  Leedu  majandustsükliga, 
korrelatsioonikordaja väärtuseks on 0,9. Keskmine seos on Saksamaa ja Eesti ning Läti 
vahel, korrelatsioonikordaja väärtuseks on 0,6. 
Võrreldes  klastreid  kinnisvarahinna  indeksi  ja  SKP  dünaamika  järgi,  on  tuvastatud 
selgesti  eristuvad  mustrid  riikide  vahel.  Esimese  klastri  riigid  Eesti,  Iirimaa,  Läti  ja 
Leedu kinnisvaraturu dünaamika on antud perioodil omavahel sarnane ning sarnane on 
ka SKP dünaamika (vt joonis 8).  
39 
 
 
 
Joonis  8.  Läti,  Leedu,  Iirimaa  ja  Eesti  kinnisvarahinna  indeksi  ja  reaalse  SKP 
dünaamika. Allikas: Eurostat, autori arvutused. 
Balti riigid on omavahel sarnasemad võrreldes Iirimaaga, mille kinnisvaraturu trend on 
jätkuvalt langev, samas kui Balti riikides on näha taastumise jälgi. SKP kasv on Balti 
riikides  võrreldes  Iirimaaga  samuti  alates  aastast  2009  kasvavas  trendis.  Saksamaa, 
Prantsusmaa, Suurbritannia ja Soome kinnisvaraturu ning SKP dünaamika on omavahel 
homogeensemad (vt joonis 9). Erinevused kahe aegrea vahel on väiksemad, kui esimese 
klastri riikide puhul. Teise klastri riigid on olnud antud perioodi lõikes stabiilsemad.  
40 
 
 
 
Joonis  9.  Saksamaa,  Prantsusmaa,  Suurbritannia  ja  Soome  kinnisvarahinna  indeksi  ja 
reaalse SKP dünaamika. Allikas: Eurostat, autori arvutused. 
Järgnevalt  on  viidud  läbi  klasteranalüüs  maksehäirete  näitajate  alusel  (vt  joonis  10). 
Maksehäired  näitavad  nende  inimeste  osakaalu  kogu  rahvastikust,  kellel  on   esinenud  
probleeme  laenude  tagasimaksetega.  Vastavalt  eeldusele,  et  kinnisvaramulli  üks 
põhjustest on finantsvõimenduse kasutamine ning kinnisvaramulli lõhkemisele järgneb 
maksehäirete  suurenemine,   testitakse   klastrite  moodustumist  ja  eelnevalt  leitud  seoste 
kehtivust ka antud näitaja korral. Analüüsi eelduseks on teooria, mille kohaselt suurem 
muutus probleeme kogenud eluasemelaenude tagasimaksjate osakaalus on indikaatoriks 
finantsvõimenduse  kasutamisele,  kuna  sissetulekutest  ei  suudeta  katta  laenumakseid 
ning  eelnevatel   perioodidel   võetud  kohustused  ei  ole  vastavuses  fundamentaalsete 
näitajatega, st kinnisvara soetamine ei ole olnud taskukohane. 
41 
 
 
 
Joonis  10.  Riikide  grupeerumine  maksehäirete  alusel  aastatel  2005-2013.  Allikas: 
Eurostat, autori koostatud statistikaprogrammis SPSS. 
Maksehäirete näitaja alusel formuleerub kaks suuremat klastrit, mille siseselt on riigid 
homogeensed.  Kuna  antud  näitaja  puhul  on  kasutatud  aastaseid  andmeid,  siis  on 
loogiline klastritesisene  suurem  sarnasus.  Riikidevaheliste kauguste järgi on omavahel 
sarnaseimad  Eesti,  Malta,  Luksemburg  ja  Leedu,  järgmisel  tasandil  liituvad  Belgia, 
Holland,  Taani,  Saksamaa  ja  Rootsi.  Teistest  eristuvad  rohkem  Iirimaa  ja  Saksamaa. 
Seega  on  ka  maksehäirete  alusel  moodustatud  riikide  klastrid  mõnevõrra  erinevad 
kinnisvara hinnaindeksi dünaamika alusel moodustatud klastritest. 
Maksehäirete puhul  on  vaadatud  alla 65  aastaste inimeste osakaalu  kogu rahvastikust, 
kellel  on  esinenud  probleeme  hüpoteeklaenu  tagasimaksetega  või  rendi  maksetega. 
Kõige  suurem  maksehäireid  kogenud  inimeste  osakaal  rahvastikust  oli  Iirimaal  (enam 
kui  7%),  Islandil  (alla  6%),  Ungaris  (4,5%)  ja  Lätis  (veidi  alla  5%)  (vt  joonis  11). 
Maksehäireid  kogenud  majapidamiste  osakaal  moodustas  rahvastikust  kõige  väiksema 
osa Saksamaal, Soomes, Leedus, Luksemburgis ja Prantsusmaal, jäädes 1% piiresse.  
42 
 
 
Iirimaa 
Island 
Ungari 
Läti 
Hispaania 
Rootsi 
Suurbritannia 
Taani 
Eesti 
Norra 
Holland 
Malta 
Belgia 
Prantsusmaa 
Luksemburg 
Leedu 
Soome 
Saksamaa 
0,0 
1,0 
2,0 
3,0 
4,0 
5,0 
6,0 
7,0 
8,0 
% 
 
Joonis  11.  Osakaal  rahvastikust,  kes  on  kogenud  maksehäireid  eluasemelaenude 
tagasimaksmisel 
perioodil 
2005-2013. 
Allikas: 
Eurostat, 
autori 
koostatud 
statistikaprogrammis SPSS. 
Saksamaa,  Suurbritannia  ja  Soome  majapidamiste  maksehäirete  osakaal  kogu 
rahvastikust  on  sarnase  dünaamikaga.  Suurbritannias  antud  näitaja  langes  aastal  2009 
2%  tasemele,  samas  kui  teistes  riikides  maksehäirete  osakaal  oluliselt  ei  muutunud. 
Võrreldes Läti, Leedu, Iirimaa ja Eesti vastavat näitajat, ilmnes, et kõige rohkem esines 
maksehäireid Iirimaal, kus näitaja väärtus kasvas perioodi jooksul 5%-lt 11%-ni (vt Lisa 
6).  Lätis  langes  maksehäirete osakaal  2005-2007  6%-lt 2%-ni  ning aastatel  2007-2011 
tõusis  7%-ni.  Eestis  on  aastatel  2005-2012  rahvastiku  osakaal,  kellel  esineb 
maksehäireid,  jäänud  sarnaselt  Leeduga  2%  piirimaile.  Seega  on  maksehäirete  näitaja 
volatiilsus  Eestis  ja  Leedus  võrreldes  Läti  ja  Iirimaaga  oluliselt  väiksem. 
Korrelatsioonikordaja väärtus oli Eesti ja Saksamaa ning Eesti ja Leedu vahel 0,6, mis 
on  ka  korrelatsioonitabeli  järgi  suurim  (vt  Lisa  7).  Teiste  riikide  vahel  esines  nõrk 
korrelatsioon,  seega  maksehäirete  järgi  on  riikide  lõikes  olulisi  erinevusi  ning  ühtset 
mustrit tuvastata on keeruline. 
43 
 
 
Järgnev  joonis  (joonis  12)  illustreerib  riikide  elanikkonna  tööhõive  muutust  perioodil 
2005  kuni  2012.  Teise  klastri  riikide  puhul  (Saksamaa,  Prantsusmaa,  Suurbritannia  ja 
Soome)  on  näha  stabiilsemat  tööhõive  stabiilsust  võrreldes  esimese  klastri  riikidega 
(Läti,  Leedu,  Iirimaa  ja  Eesti).  Iirimaal  ning  Balti  riikides  toimus  aastatel  2007-2009 
tööhõive järsk langus, jäädes 7-14% vahele. Teise klastri riikides jäid muutused tööturul 
6% piiridesse .  
 
Joonis 12. Tööhõive protsentuaalne muutus. Allikas: Eurostat, autori arvutused 
Kinnisvarahinnad 
erinevad 
Euroopa 
Liidu 
riikides 
märkimisväärselt, 
nii 
fundamentaalsete  näitajate  kui  turu  stabiilsuse  alusel.  Eelnevalt  analüüsisime 
makrotegurite ja laenuturu tegurite seoseid ja tuvastasime kõigi tegurite lõikes sarnaseid 
riikide  gruppe.  Järgnevalt  vaatame  üldistuste  tegemiseks  riikide  sarnasusi  teooria  osas 
väljatoodud  kasumlikkuse  ja  taskukohasuse  näitajate  järgi.  Kahjuks  puuduvad  Balti 
riikide kohta usaldusväärsed võrreldavad andmed. Eesti, Läti ja Leedu puhul puuduvad 
andmed  rendituru  kohta,  mis  on  vajalikud  kinnisvara  omamise  kasumlikkuse 
leidmiseks.  Kasumlikkuse  ja  taskukohasuse  näitajate  alusel  tulevad  mõnevõrra 
teistsugused  tulemused  riikide  paiknemisel.  Prantsusmaa,  Suurbritannia  ja  Soome  on 
sarnased  eluaseme  omamise  kasumlikkuse  poolest,  kõigi  kolme  riigi  suhtarv  jääb  30 
lähedale (vt joonis 13). Antud riikides on  OECD  andmete põhjal tunnuseid kinnisvara 
väärtuse ülehindamisest, mida näitab kõrge suhtarvu väärtus. Kui Prantsusmaa ja Rootsi 
on  omavahel  sarnased  ka  kinnisvara  hinna  ja  sissetuleku  taseme  vahel,  siis  Soome 
vastav  näitaja  on  oluliselt  erinev.  Kinnisvara  hind  jääb  madalamaks  sissetulekute 
tasemest,  mis  näitab  kinnisvarahindade  langust.  Antud  näitajate  põhjal  on  kinnisvara 
44 
 
 
alahinnatud  Iirimaal  ja  Saksamaal.  Antud  muutujate  kasutamisel  on  riikidevahelised 
mustrid kinnisvaraturu ja sellega seotud näitajate vahel mõnevõrra erinevad, kui eelpool 
läbiviidud klasteranalüüs valitud tegurite lõikes.  
80 
ülehinnatud 
60 
40 
20 
alahinnatud 
0 
 
 
 
 
 
 
a 
 
 
 
 
i
a 
si
a 
e 
a 
a i
g
a i
a 
s t
a i
a 
al
g
aa
ni
k
aa
aa
and
l
rt
and
ei
k
hhi
ni
el
orr
m
l
ani
aa
bur
ee
ug
m
m
N
oot
anni
aa
i
t
T
t
slI
r
Šv
ak
še
ee
r
-20 
B
sus
R
i
Soom
ol
I
m
T
i
sa
H
spa
Aus
K
I
nt
i
se
Port
H
Slov
Slov
Sak
Pra
Suurbr
Luk
-40 
Hinna suhe renti 
Hinna suhe sissetulekusse 
 
Joonis  13.  OECD  poolt  väljastatud  indeksid  kinnisvara  omamise  kasumlikkuse  ja 
taskukohasuse kohta 2013 aastal. Allikas: OECD, autori koostatud. 
Saksamaa  ja  Iirimaa  vastavad  näitajad  jäävad  pikaajalisest  keskmisest  madalamale 
tasemele, indeksi väärtus on vahemikus 10-20, eristudes selgesti eelneva analüüsi põhjal 
teise  klastrisse  kuuluvatest  riikidest  (vt  Lisa  8).  Klasteranalüüsi  tulemusena  selgitatud 
riikide grupid vähemalt osaliselt ei kehti arvestades kinnisvara omamise kasumlikkust ja 
taskukohasust.  
Antud  töö  kontekstis  on  klasteranalüüsi  metoodika  sobilik  aegridade  dünaamika 
mustrite leidmiseks ja riikidevaheliste gruppide moodustamiseks. Sarnast lähenemist on 
kasutatud  ka  varasemalt  kinnisvaraturu  dünaamika  ja  erinevate  tegurite  seoste 
selgitamiseks ( Lily  et al. 2011; Goetzmann, Wachter 1995) 
Magistritöö käigus tuvastati kaks riikide gruppi, mis olid grupisiseselt valitud näitajate 
lõikes  sarnased  ning  gruppe  oli  võimalik  valitud  näitajate  lõikes  hästi  eristada. 
45 
 
 
Kinnisvaraturu  tsüklite  analüüsimisel  tuvastati  Euroopa  Liidu  riikide  põhjal  kaks 
gruppi, mida iseloomustavad järgmised tegurid: 
Esimesse 
klastrisse 
kuuluvate 
riikide 
kinnisvaraturul 
esines 
anomaalia. 
Kinnisvarahindade  kõikumine  oli  Euroopa  Liidu  riikide  lõikes  suurim.  Aastatel  2005-
2007  kinnisvara  indeksi  väärtus  muutus  peaaegu  kaks  korda.  Aastal  2007  olid 
kinnisvarahinnad  tipus,  misjärel  toimus  järsk  langus.  Esimesse  klastrisse  kuuluvad 
Eesti, Läti, Leedu ning Iirimaa olid sarnased ka SKP dünaamika järgi. Tööhõive muutus 
oli samuti antud riikide vahel sarnane, langedes kuni aastani 2009 ning seejärel näitas 
taas tõusutrendi. 
Teise  klastrisse  grupeerus  valitud  näitajate  lõikes  rohkem  kui  4  riiki,  autori  valiku 
tagajärjel kaasati edasisse analüüsi Saksamaa, Prantsusmaa, Soome ja Inglismaa. Valiku 
põhjuseks  on  antud  riikide  suurim  erinevus  esimese  klastri  riikidest  ning  samuti  on 
antud  riikide  kohta  tehtud  eelnevalt  uuringuid.  Teise  klastri  riikide  kinnisvaraturud  on 
stabiilsed ning ei ole tõendeid kinnisvaramulli olemasolu kohta. 
Töö olulisemateks järeldusteks on: 
-  Riikidevahelised SKP näitajad on omavahel  tugevalt korreleerunud, HPI järgi  eristus 
kaks  riikide  gruppi.  Eluasemetsüklitevahelised  korrelatsioonid  on  väiksemad,  kuna 
eluasemeturg  sõltub  riikide  eripäradest  ja  regulatsioonidest,  mis  avaldavad  mõju 
kinnisvaraturu arengule. 
- Balti riigid ja Iirimaa on kinnisvaraturu dünaamika, SKP dünaamika ja tööhõive määra 
järgi sarnase mustriga; 
-  Saksamaa,  Prantsusmaa,  Soome  ja  Suurbritannia  on  omavahel  kinnisvaraturu 
dünaamika, SKP  dünaamika ja tööhõive määra  järgi  sarnase mustriga, kuid  Saksamaa 
puhul  esines  negatiivne  korrelatsioon  teiste  riikidega.  Põhjuseks  võib  olla  aegridade 
puhul  viitaegade  esinemine,  kuna  Saksamaa  kinnisvaraturg  on  aastatel  2005-2013 
stabiilselt kasvanud, samas kui teised riigid on  suuremal  või vähemal määral kogenud 
ebastabiilsust ja hindade langusi. 
- Saksamaa puhul on tulemused kooskõlas Alvarez et al. (2010) tulemustega, kes leidsid 
oma  uurimuses,  et  Saksamaa  SKP  reageerib  teiste  euroala  riikide  majandustsüklile 
46 
 
 
väikese  hilinemisega,  mistõttu  on  põhjendatud  madalam  korrelatsioonikordaja  väärtus 
riikidevahelise SKP kordaja vahel.   
- Maksehäirete näitaja puhul olid riikidevahelised mustrid erinevad võrreldes kinnisvara 
ja SKP  dünaamikaga.  Siinkohal  tuleb arvestada riikide põhiseid  karakteristikuid,  nagu 
laenupoliitika  ning  meetmed  finantskriisiga  toimetulekuks.  Balti  riigid,  mis  olid 
sarnased kinnisvaraturu dünaamika poolest, ei olnud sarnased maksehäirete dünaamika 
poolest.  Eesti  puhul  võib  üheks  põhjuseks  olla  pankade  väga  range  poliitika,  mistõttu 
otsiti  lahendusi  laenude  ümberstruktureerimiseks  ning  hoiti  maksehäirete  maht  madal. 
Kuna antud töös ei ole arvestatud kõikide riikide siseseid tegureid, vajaks teema edasist 
uurimist . 
 
 
 
 
 
47 
 
 
 
 
 
 
KOKKUVÕTE 
Kinnisvarahinna tõusud ja langused on ajas korduvad ning hinna suur volatiilsus võib 
tähendada  laastavat  mõju  nii  majapidamistele,  kinnisvarasektorile,  üldisele 
majanduskeskkonnale  ja  halvimal  juhul  kogu  pangandussüsteemile.  Majandustsükliks 
ehk  äritsükliks  nimetatakse  oluliste  makromajanduslike  näitajate  sünkroonseid,  kuid 
ajutisi  kõrvalekaldeid  nende  trendist  ning  majandusaktiivsuse  perioodiline  muutumine 
on  läbi  ajaloo  olnud  teadlastele  üheks  enim  huvipakkuvaks  teemaks.  Üksiku  riigi 
majanduse  buum  ja  langus  ei  sõltu  enam  kaugeltki  riigist  endast  vaid  suuresti 
protsessidest  maailmas.  Seoses  maailmamajanduse  järjest  suurema  lõimumisega 
(kaubandus-  ja  finantssidemete  tihenemisega  riikide  vahel)  pööratakse  järjest  enam 
tähelepanu  majandustsüklite  ülekandumisele  erinevate  riikide  ja  majanduspiirkondade 
vahel.  Majandusteadlased  on  ühisel  seisukohal,  et  krediidi  tsükkel  toimib  paralleelselt 
majandusaktiivsuse taseme ja kinnisvara tsükliga. 
Kinnisvaraturg  on  eripärane  turg,  millele  on  omased  pikk  müügiperiood,  kõrged 
tehingukulud  ning  pikk  planeerimisprotsess.  Kinnisvaraturu  tsüklites  on  täheldatud 
teatud  seaduspärasusi:  tsüklite  kestvusaeg  on  muutunud  võrreldes  varasematega 
lühemaks  ja  laiema  amplituudiga  tõusuperioodile  järgneb  pikem  taastusperiood.  Iga 
tsükli puhul avaldub sarnane muster, milles võib täheldada teatud seaduspärasusi ning 
mille igat etappi iseloomustavad sarnased käitumismallid ja omadused 
Kinnisvaraturg  on  sõltuv  globaalsest  majanduskeskkonnast,  finantssüsteemide 
stabiilsusest  ning  pangandussektori  efektiivsest  toimimisest,  mistõttu  on  üha  olulisem 
analüüsida  antud  sektorite  vahelisi  seoseid.  Töö  autor  selgitab,  kas  teoreetilises  osas 
kirjeldatud seosed ja seoste suunad kehtivad ka valitud perioodil ja valitud riikide vahel. 
Selgitatakse, kas riigid, mille kinnisvaraturu tsüklid on sarnased, on sarnased ka teiste 
valitud tegurite lõikes. Tulemustena esitatakse riikide grupid, kes on omavahel valitud 
näitajate  lõikes  sarnased  ning  kirjeldatakse  teooriast  tulenevaid  makro-  ja 
finantsnäitajate  seoseid  kinnisvaraturu  dünaamikaga.  Valitud  teguriteks  olid  SKP, 
48 
 
 
tööhõive  määr,  eluasemelaenu  tagasimaksmisel  probleeme  kogevate  inimeste  arv 
rahvastikust.  Vaadeldava perioodi  valiku põhjuseks on asjaolu,  et  see kätkeb endas  nii 
kinnisvaraturu kiiret tõusufaasi kui ka finantskriisi teket ja kinnisvaramullide lõhkemist 
koos kinnisvaraturu järsu langusega 
Uurimisülesannete täitmiseks on töö esimeses osas käsitletud kinnisvaratsüklite olemust 
ja  tekkepõhjuseid  ning  kirjandusest  tulenevaid  seoseid  makromajanduslike  tegurite  ja 
finantssektoriga.  Kinnisvaraturu  tsüklite  määratlemiseks  on  empiirilistes  uuringutes 
kõige  sagedamini  kasutatud  kinnisvarahinna  indeksit.  Kinnisvaraturu  tsüklite 
tekkepõhjuste  uurimisel  on  leitud  seoseid  makromajanduslike  teguritega  ning 
finantssektorist tulenevate näitajatega. 
Kinnisvaraturg  on  oma  olemuselt  väga  mitmekesine,  kuna  turul  olevad 
kinnisvaraobjektid  pole  alati  üheselt  võrreldavad.  Erinevalt  finantsvaradest  on 
kinnisvaraturg vähem likviidsem, mistõttu võib vara müügiperiood kujuneda pikemaks. 
Kinnisvaraturu  olukorrast,  kus  hinnad  ei  ole  taskukohased,  võib  välja  kasvada  nn 
kinnisvarabuum,  mis  tähendab  finants-  või  kinnisvara  hindade  põhjendamatut 
ülespaisutamist  ning  varade  hinna  tõusmist  kõrgemale  nende  fundamentaalväärtustest. 
Mullide olemasolu majandusteoorias peetakse üldtuntud faktiks, kuid nende olemasolu 
tõestamine  mingil  kindlal  ajahetkel  ning  mulli  lõhkemiseks  vajalike  tingimuste 
olemasolu tuvastamine on keeruline kui mitte võimatu 
Mulli kindlakstegemine ei ole lihtne ning tihtipeale on põhjuseks andmete puudulikkus. 
Kinnisvaramulli  kindlakstegemiseks  peaks  analüüsima,  millest  on  tingitud 
kinnisvarahindade kiire tõus, ehk kas tegu on fundamentaalsete nõudluse ja pakkumise 
tingimuste muutustega või on põhjused milleski muus 
Riikidevaheliste  mustrite  hindamiseks  on  antud  magistritöös  parimaks  rakendatavaks 
meetodiks  mitmemõõtmelise  statistika  üks  alammeetod  –  klasteranalüüs.  Antud 
meetodit  kasutatakse  nii  objektide  kui  tunnuste  grupeerimiseks  nende  omavahelise 
sarnasuse  alusel  ning  meetodi  eesmärgiks  on  leida  teatud  tunnuste  alusel  sarnaselt 
käituvad  objektide  grupid  ehk  klastrid.  Klasteranalüüs  on  uurimuslik  andmeanalüüsi 
meetod, mille eesmärgiks on sorteerida erinevad objektid gruppidesse sellisel moel, et 
ühte gruppi kuuludes on kahe objekti vahel maksimaalselt tugev seos ning vastupidisel 
49 
 
 
juhul  minimaalne  seos.  Seega  saab  klasteranalüüsi  kasutada  selleks,  et  andmeid 
struktureerida. 
Võrreldes  klastreid  kinnisvarahinna  indeksi  ja  SKP  dünaamika  järgi,  on  tuvastatud 
selgesti  eristuvad  mustrid  riikide  vahel.  Esimese  klastri  riigid  Eesti,  Iirimaa,  Läti  ja 
Leedu kinnisvaraturu dünaamika on antud perioodil omavahel sarnane ning sarnane on 
ka SKP dünaamika. 
Balti riigid on omavahel sarnasemad võrreldes Iirimaaga, mille kinnisvaraturu trend on 
jätkuvalt langev, samas kui Balti riikides on näha taastumise jälgi. SKP kasv on Balti 
riikides  võrreldes  Iirimaaga  samuti  alates  aastast  2009  kasvavas  trendis.  Saksamaa, 
Prantsusmaa, Suurbritannia ja Soome kinnisvaraturu ning SKP dünaamika on omavahel 
homogeensemad.  Erinevused  kahe  aegrea  vahel  on  väiksemad,  kui  esimese  klastri 
riikide puhul. Teise klastri riigid on olnud antud perioodi lõikes stabiilsemad.  
Esimesse 
klastrisse 
kuuluvate 
riikide 
kinnisvaraturul 
esines 
anomaalia. 
Kinnisvarahindade  kõikumine  oli  Euroopa  Liidu  riikide  lõikes  suurim.  Aastatel  2005 
kuni  2007  kinnisvara  indeksi  väärtus  muutus  peaaegu  kaks  korda.  Aastal  2007  olid 
kinnisvarahinnad  tipus,  misjärel  toimus  järsk  langus.  Esimesse  klastrisse  kuuluvad 
Eesti, Läti, Leedu ning Iirimaa olid sarnased ka SKP dünaamika järgi. Tööhõive muutus 
oli samuti antud riikide vahel sarnane, langedes kuni aastani 2009 ning seejärel näitas 
taas tõusutrendi.  Teise klastrisse  grupeerus valitud  näitajate lõikes rohkem  kui  4 riiki, 
autori  valiku  tagajärjel  kaasati  edasisse  analüüsi  Saksamaa,  Prantsusmaa,  Soome  ja 
Inglismaa. Valiku põhjuseks on antud  riikide suurim  erinevus esimese klastri riikidest 
ning  samuti  on  antud  riikide  kohta  tehtud  eelnevalt  uuringuid.  Teise  klastri  riikide 
kinnisvaraturud on stabiilsed ning ei ole tõendeid kinnisvaramulli olemasolu kohta. 
Eeltoodud  kokkuvõtteks  võib  öelda,  et   teoreetilised   lineaarsed  mudelid  on  olulised 
statistiliste  seoste  leidmiseks,  kuid  lühiajaliste  arengutendentside  hindamiseks  liialt 
robustsed. Kriisiolukorras on vajalik hinnata kinnisvaraturu reaalset arengut, analüüsida 
ja võrrelda seda teiste riikide kogemusega ning kujundada üldiseid hoiakuid muutmaks 
süsteemsete riskide mõju minimaalseks.  
Töö edasiarendusena on võimalik kasutada analüüsiks lisaks käesolevas töös käsitletud 
muutujatele  teistsuguseid  muutujaid,  samuti  koostada  riikidevahelisi  indekseid  ja 
50 
 
 
meetodeid suhtarvude leidmiseks. Käesolevas töös analüüsitud perioodi võib pikendada, 
võttes arvesse ka kaugemas minevikus toimunud muutuseid ning ühe tsükli asemel võtta 
arvesse  mitmeid  tsükleid.  Samuti  on  võimalik  analüüsida  tsükleid  kestvuse   järg ,  kas 
tõusuperioodile  järgneb  pikem  langusperiood  ning  kas  esineb  seaduspärasusi  sellise 
lähenemise alusel erinevates riikides. Mustrite tuvastamisel võib ka võrrelda erinevaid 
ajaperioode, sh pikemaid ja lühemaid tsükleid omavahel võrreldes. 
 
 
 
51 
 
 
 
 
 
 
LISAD 
Lisa 1. Kvartaalne kinnisvara hinnaindeks riikide lõikes perioodil 2005-2013 
Saksa-
Prantsus -
  
Belgia 
Taani 
maa 
Eesti 
Iirimaa 
Hispaania  maa 
Horvaatia 
2005Q1 
75,81 
83,27  100,40 
79,17 
116,91 
88,46 
91,31 
80,88 
2005Q2 
77,51 
87,64 
98,60 
89,31 
119,58 
89,97 
91,68 
82,01 
2005Q3 
80,27 
94,37  100,70 
94,29 
124,58 
90,56 
92,32 
82,98 
2005Q4 
81,86  100,58 
97,80  106,64 
129,58 
91,94 
92,77 
85,24 
2006Q1 
83,44  107,74 
99,20  120,55 
131,44 
95,36 
93,2 
95,24 
2006Q2 
85,72  114,32 
99,60  132,74 
138,29 
99,44 
93,72 
92,98 
2006Q3 
88,20  116,55 
98,20  142,04 
145,38 
102,69 
96,67 
100,52 
2006Q4 
88,88  115,36 
99,00  156,92 
147,94 
105,34 
97,47 
101,07 
2007Q1 
90,98  115,83 
95,40  162,02 
150,96 
107,87 
98,20 
108,31 
2007Q2 
92,78  117,37 
97,50  172,40 
151,31 
110,95 
99,92 
108,86 
2007Q3 
94,55  117,56 
97,30  167,44 
151,66 
112,15 
102,20 
108,51 
2007Q4 
94,91  115,35 
97,30  165,03 
150,49 
111,35 
102,86 
111,17 
2008Q1 
95,84  113,88 
98,80  159,97 
147,12 
110,94 
102,22 
113,62 
2008Q2 
97,20  114,23 
99,10  155,20 
143,40 
110,65 
102,51 
112,57 
2008Q3 
98,59  111,31 
97,30  154,99 
139,57 
108,89 
102,82 
112,63 
2008Q4 
98,05  102,63 
97,60  132,61 
131,90 
105,53 
99,33 
113,26 
2009Q1 
96,77 
96,12 
97,60  104,09 
122,72 
102,71 
95,60 
109,74 
2009Q2 
95,84 
97,27 
99,10 
96,77 
115,28 
102,25 
94,25 
109,43 
2009Q3 
98,08 
98,04 
98,90 
89,59 
110,98 
101,32 
95,77 
107,51 
2009Q4 
97,15 
97,67  100,40 
88,06 
107,38 
100,91 
96,04 
108,38 
2010Q1 
98,22 
98,30 
99,00 
98,35 
104,24 
99,65 
96,81 
104,05 
2010Q2 
99,13  100,38  100,50 
99,25 
100,99 
101,27 
98,79 
101,12 
2010Q3 
101,02  101,19  100,60  103,01 
98,66 
99,59 
101,59 
96,13 
2010Q4 
101,63  100,14 
99,90 
99,40 
96,11 
99,49 
102,80 
98,70 
2011Q1 
102,34 
99,17  102,60  104,90 
91,81 
96,10 
103,44 
96,36 
2011Q2 
103,28  101,41  103,90  107,95 
87,97 
94,95 
105,47 
96,28 
2011Q3 
105,32 
98,06  103,40  110,01 
84,60 
91,56 
107,68 
95,76 
2011Q4 
105,14 
94,57  104,10  111,09 
80,07 
86,81 
106,63 
97,16 
2012Q1 
105,90 
94,58  104,90  112,54 
76,82 
82,48 
105,23 
101,15 
2012Q2 
105,99 
95,96  106,30  116,24 
75,31 
79,80 
105,30 
99,74 
2012Q3 
107,18 
96,25  107,80  119,19 
76,47 
76,82 
105,98 
95,61 
2012Q4 
106,32 
95,80  109,30  117,58 
76,47 
75,74 
104,45 
92,88 
2013Q1 
106,37 
96,32    
121,21 
74,50 
71,90 
103,37 
85,70 
2013Q2 
106,41 
99,31    
125,67 
76,20 
71,33 
104,09 
80,14 
 
52 
 
 
Lisa 1. Jätk 
  
Küpros 
Läti 
Leedu 
Luxemburg   Ungari 
Malta 
Holland 
Soome 
2005Q1 
82,74 
107,71 
97,06 
86,41 
96,41 
62,23 
93,62 
78,42 
2005Q2 
84,48 
109,83 
98,74 
85,12 
95,12 
62,04 
94,70 
80,68 
2005Q3 
87,50 
110,06 
100,69 
86,33 
96,33 
67,19 
95,97 
81,99 
2005Q4 
89,14 
111,87 
101,67 
87,01 
97,01 
65,28 
96,43 
83,80 
2006Q1 
91,27 
111,95 
102,85 
88,21 
98,21 
68,48 
97,50 
84,80 
2006Q2 
94,28 
123,48 
103,80 
88,98 
98,98 
76,17 
98,78 
86,71 
2006Q3 
98,00 
136,32 
114,26 
89,35 
99,35 
78,64 
99,91 
87,32 
2006Q4 
101,12 
148,34 
126,81 
90,23 
100,23 
84,45 
100,78 
88,66 
2007Q1 
103,11 
167,51 
132,13 
90,67 
101,51 
88,85 
102,13 
90,63 
2007Q2 
106,03 
172,47 
137,60 
91,29 
103,99 
93,10 
103,02 
92,21 
2007Q3 
109,88 
186,09 
146,57 
95,00 
108,07 
94,73 
105,04 
92,48 
2007Q4 
110,82 
182,67 
149,25 
94,48 
108,98 
95,68 
106,01 
92,68 
2008Q1 
114,78 
195,45 
154,27 
94,05 
107,37 
103,70 
105,92 
93,61 
2008Q2 
115,52 
191,90 
159,72 
96,77 
108,81 
99,45 
106,17 
94,43 
2008Q3 
113,99 
179,00 
156,87 
96,42 
109,23 
105,94 
107,54 
93,22 
2008Q4 
109,80 
150,23 
145,52 
96,61 
107,09 
104,56 
105,33 
89,68 
2009Q1 
108,42 
123,18 
116,35 
94,31 
106,44 
100,77 
103,99 
91,79 
2009Q2 
107,33 
110,82 
110,20 
94,90 
103,20 
98,61 
101,23 
93,23 
2009Q3 
105,57 
109,02 
105,13 
94,04 
101,49 
99,82 
100,46 
94,65 
2009Q4 
102,99 
106,21 
100,24 
96,19 
98,68 
96,56 
100,49 
96,62 
2010Q1 
100,94 
97,72 
98,28 
99,94 
101,09 
101,15 
100,14 
98,65 
2010Q2 
101,34 
98,07 
100,44 
98,56 
100,59 
98,92 
100,05 
99,72 
2010Q3 
99,98 
100,60 
99,68 
100,08 
100,10 
102,82 
100,17 
100,71 
2010Q4 
97,74 
103,61 
101,60 
101,42 
98,22 
97,12 
99,64 
100,91 
2011Q1 
95,51 
108,25 
105,93 
100,99 
97,96 
97,61 
99,92 
102,13 
2011Q2 
94,47 
110,15 
106,74 
103,41 
97,15 
99,65 
98,32 
103,86 
2011Q3 
94,10 
113,70 
106,49 
103,41 
95,85 
99,84 
97,97 
103,70 
2011Q4 
89,58 
107,30 
107,25 
106,90 
95,41 
97,41 
96,22 
102,78 
2012Q1 
90,32 
109,93 
106,88 
105,56 
96,28 
99,13 
94,19 
104,56 
2012Q2 
95,20 
111,49 
105,75 
107,63 
92,98 
100,27 
92,79 
105,70 
2012Q3 
93,98 
113,84 
106,81 
107,92 
92,19 
100,55 
89,29 
105,89 
2012Q4 
94,46 
115,25 
105,99 
111,01 
90,37 
102,70 
90,02 
105,93 
2013Q1 
89,93 
115,38 
106,72 
110,05 
89,60 
103,00 
87,57 
106,71 
2013Q2 
86,83 
121,25 
108,31 
113,15 
88,76 
104,20 
85,86 
107,23 
 
 
 
 
53 
 
 
Lisa 1. Jätk 
  
Rootsi 
UK 
Island 
Norra 
2005Q1 
66,25 
85,28 
74,43 
69,80 
2005Q2 
68,64 
86,08 
82,35 
71,74 
2005Q3 
71,53 
87,73 
88,04 
72,38 
2005Q4 
73,33 
87,33 
91,74 
72,45 
2006Q1 
75,85 
88,30 
94,96 
76,96 
2006Q2 
78,23 
90,70 
98,35 
80,76 
2006Q3 
80,30 
93,95 
99,96 
83,41 
2006Q4 
80,70 
95,26 
99,91 
84,41 
2007Q1 
83,81 
98,17 
100,45 
89,71 
2007Q2 
89,07 
100,91 
105,27 
93,07 
2007Q3 
92,52 
104,71 
110,26 
92,93 
2007Q4 
89,92 
104,62 
114,13 
90,85 
2008Q1 
90,07 
104,56 
115,46 
93,00 
2008Q2 
91,87 
103,66 
115,01 
94,15 
2008Q3 
91,22 
100,85 
114,48 
90,93 
2008Q4 
86,27 
95,51 
111,91 
84,55 
2009Q1 
88,24 
91,54 
107,59 
88,06 
2009Q2 
91,22 
90,90 
102,35 
92,72 
2009Q3 
93,90 
94,71 
100,12 
94,36 
2009Q4 
96,16 
95,83 
102,45 
94,36 
2010Q1 
97,86 
98,59 
99,35 
97,58 
2010Q2 
99,27 
100,11 
99,74 
101,16 
2010Q3 
100,61 
101,77 
99,97 
100,66 
2010Q4 
102,26 
99,53 
100,94 
100,59 
2011Q1 
102,54 
98,65 
100,54 
105,75 
2011Q2 
103,16 
98,28 
103,81 
108,68 
2011Q3 
102,94 
100,17 
106,01 
109,04 
2011Q4 
100,48 
99,06 
108,18 
108,61 
2012Q1 
101,93 
99,08 
109,39 
112,40 
2012Q2 
103,07 
100,20 
111,70 
116,70 
2012Q3 
103,78 
102,05 
113,10 
118,18 
2012Q4 
104,30 
101,36 
113,26 
117,67 
2013Q1 
106,10 
101,30 
114,02 
121,07 
2013Q2 
107,85 
103,10 
117,12 
123,49 
Allikas: EuroStat 
 
 
 
54 
 
 
Lisa 2. Kinnisvarahinna indeksi kirjeldav statistika perioodil 2005-2013. 
Descriptive Statistics 
 
N 
Minimum 
Maximum  
Mean  
Std.  Deviation  
Belgia 
34 
76 
107 
96,08 
8,893 
Eesti 
34 
79 
172 
121,07 
26,653 
Hispaania 
34 
71 
112 
96,38 
11,749 
Holland 
34 
86 
108 
98,74 
5,448 
Horvaatia 
34 
80 
114 
99,58 
10,084 
Iirimaa 
34 
75 
152 
114,02 
27,353 
Island 
34 
74 
117 
103,72 
9,746 
Küpros 
34 
83 
116 
98,86 
9,078 
Leedu 
34 
97 
160 
115,49 
19,475 
Luxemburg 
34 
85 
113 
97,25 
7,772 
Läti 
34 
98 
195 
128,25 
30,418 
Malta 
34 
62 
106 
92,67 
13,427 
Norra 
34 
70 
123 
95,65 
14,877 
Prantsusmaa 
34 
91 
108 
99,78 
4,878 
Rootsi 
34 
66 
108 
91,63 
11,671 
Saksamaa 
32 
95 
109 
100,38 
3,293 
Soome 
34 
78 
107 
95,18 
8,227 
Taani 
34 
83 
118 
102,60 
9,209 
UK 
34 
85 
105 
97,17 
5,678 
Ungari 
34 
89 
109 
99,50 
5,638 
Valid  N (listwise) 
32   
 
 
 
Allikas: Eurostat, autori koostatud statistikaprogrammis SPSS. 
 
 
 
 
 
 
 
 
 
 
 
55 
 
 
Lisa 3. Korrelatsioon klastervalimisse kuuluvate riikide kinnisvarahinna indeksite vahel 
perioodil 2005-2013. 
Correlations 
 
Saksa-
Prantsus
Soom
Suur-
Eesti 
Iirimaa 
Läti 
Leedu 
maa 
maa 
e 
britannia 
Pearson  
1 
,552** 
,687** 
,219 
-,355*  -,859**  -,487** 
-,448* 
Correlation 
Saksamaa  Sig. (2- tailed )   
,001 
,000 
,229 
,046 
,000 
,005 
,010 
N 
32 
32 
32 
32 
32 
32 
32 
32 
Pearson 
,552** 
1 
,851** 
,850** 
,291  -,496** 
,162 
,243 
Prantsus-
Correlation 
maa 
Sig. (2-tailed) 
,001   
,000 
,000 
,095 
,003 
,361 
,167 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
,687** 
,851** 
1 
,730** 
-,063  -,764** 
-,228 
-,138 
Correlation 
Soome 
Sig. (2-tailed) 
,000 
,000   
,000 
,722 
,000 
,194 
,435 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
,219 
,850** 
,730** 
1 
,518** 
-,182 
,431* 
,476** 
Correlation 
UK 
Sig. (2-tailed) 
,229 
,000 
,000   
,002 
,304 
,011 
,004 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
-,355* 
,291 
-,063 
,518** 
1 
,610** 
,903** 
,846** 
Correlation 
Eesti 
Sig. (2-tailed) 
,046 
,095 
,722 
,002   
,000 
,000 
,000 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
-,859** 
-,496**  -,764** 
-,182 
,610** 
1 
,723** 
,644** 
Correlation 
Iirimaa 
Sig. (2-tailed) 
,000 
,003 
,000 
,304 
,000   
,000 
,000 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
-,487** 
,162 
-,228 
,431* 
,903** 
,723** 
1 
,966** 
Correlation 
Läti 
Sig. (2-tailed) 
,005 
,361 
,194 
,011 
,000 
,000   
,000 
N 
32 
34 
34 
34 
34 
34 
34 
34 
Pearson 
-,448* 
,243 
-,138 
,476** 
,846** 
,644** 
,966** 
1 
Correlation 
Leedu 
Sig. (2-tailed) 
,010 
,167 
,435 
,004 
,000 
,000 
,000   
N 
32 
34 
34 
34 
34 
34 
34 
34 
**. Correlation is significant at the 0.01 level (2-tailed). 
*. Correlation is significant at the 0.05 level (2-tailed). 
Allikas: Eurostat, autori koostatud statistikaprogrammis SPSS. 
56 
 
 
 
Lisa 4. Riikide SKP kirjeldav statistika perioodil 2005-2013. 
Descriptive Statistics 
 
N 
Minimum 
Maximum 
Mean 
Std. Deviation 
Belgia 
33 
98 
102 
100,75 
,878 
Eesti 
33 
94 
106 
101,76 
3,041 
Hispaania 
33 
98 
102 
100,45 
1,134 
Holland 
33 
97 
102 
100,55 
,970 
Horvaatia 
33 
92 
105 
100,77 
2,173 
Iirimaa 
33 
95 
107 
100,18 
2,943 
Island 
33 
52 
154 
100,68 
14,071 
Küpros 
33 
97 
103 
100,72 
1,534 
Leedu 
33 
88 
107 
101,79 
3,633 
Luxemburg 
33 
95 
106 
101,40 
2,306 
Läti 
33 
92 
111 
102,16 
4,264 
Malta 
33 
97 
105 
101,31 
1,648 
Norra 
33 
87 
107 
101,76 
3,936 
Prantsusmaa 
33 
98 
102 
100,59 
,753 
Rootsi 
33 
91 
107 
101,11 
3,459 
Saksamaa 
33 
96 
102 
100,67 
1,101 
Soome 
33 
95 
103 
100,67 
1,499 
Taani 
33 
96 
104 
100,67 
1,573 
UK 
33 
90 
105 
100,22 
3,469 
Ungari 
33 
87 
106 
100,50 
4,100 
Valid N (listwise) 
33   
 
 
 
Allikas: Eurostat, autori koostatud statistikaprogrammis SPSS. 
 
 
 
 
 
 
 
 
 
 
 
 
57 
 
 
Lisa  5.  Korrelatsioon  klastervalimisse  kuuluvate  riikide  SKP  vahel  perioodil  2005-
2013. 
Correlations 
 
Saksa-
Prantsus-
Eesti 
Läti 
Leedu  Iirimaa 
Soome 
Suur-
maa 
maa 
britannia 
Pearson 
1 
,833** 
,645** 
,459** 
,637** 
,363* 
,804** 
,654** 
Correlation 
Saksamaa  Sig. (2-tailed)   
,000 
,000 
,007 
,000 
,038 
,000 
,000 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,833** 
1 
,796** 
,744** 
,737** 
,397* 
,819** 
,535** 
Prantsus-
Correlation 
maa 
Sig. (2-tailed) 
,000   
,000 
,000 
,000 
,022 
,000 
,001 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,645** 
,796** 
1 
,856** 
,778** 
,576** 
,784** 
,508** 
Correlation 
Eesti 
Sig. (2-tailed) 
,000 
,000   
,000 
,000 
,000 
,000 
,003 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,459** 
,744** 
,856** 
1 
,811** 
,474** 
,656** 
,287 
Correlation 
Läti 
Sig. (2-tailed) 
,007 
,000 
,000   
,000 
,005 
,000 
,105 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,637** 
,737** 
,778** 
,811** 
1 
,498** 
,750** 
,407* 
Correlation 
Leedu 
Sig. (2-tailed) 
,000 
,000 
,000 
,000   
,003 
,000 
,019 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,363* 
,397* 
,576** 
,474** 
,498** 
1 
,446** 
,478** 
Correlation 
Iirimaa 
Sig. (2-tailed) 
,038 
,022 
,000 
,005 
,003   
,009 
,005 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,804** 
,819** 
,784** 
,656** 
,750** 
,446** 
1 
,465** 
Correlation 
Soome 
Sig. (2-tailed) 
,000 
,000 
,000 
,000 
,000 
,009   
,006 
N 
33 
33 
33 
33 
33 
33 
33 
33 
Pearson 
,654** 
,535** 
,508** 
,287 
,407* 
,478** 
,465** 
1 
Suurbritan Correlation 
nia 
Sig. (2-tailed) 
,000 
,001 
,003 
,105 
,019 
,005 
,006   
N 
33 
33 
33 
33 
33 
33 
33 
33 
**. Correlation is significant at the 0.01 level (2-tailed). 
*. Correlation is significant at the 0.05 level (2-tailed). 
Allikas: Eurostat, autori koostatud statistikaprogrammis SPSS. 
58 
 
 
Lisa 6. Kirjeldav statistika maksehäirete esinemise kohta (% kogurahvastikust) 
perioodil 2005-2013. 
Descriptive Statistics 
 
N 
Minimum 
Maximum 
Mean 
Std. Deviation 
Norra 
8 
4 
6 
5,11 
,567 
Belgia 
8 
3 
4 
3,20 
,518 
Taani 
8 
1 
3 
2,28 
,703 
Saksamaa 
8 
2 
3 
2,30 
,220 
Eesti 
8 
1 
3 
1,76 
,760 
Iirimaa 
7 
4 
12 
6,57 
2,549 
Hispaania 
8 
3 
7 
4,68 
1,438 
Prantsusmaa 
8 
6 
7 
5,96 
,358 
Küpros 
8 
3 
8 
6,09 
1,652 
Läti 
8 
2 
7 
4,58 
1,450 
Leedu 
8 
1 
2 
1,08 
,446 
Luxemburg 
8 
1 
2 
1,56 
,381 
Ungari 
8 
2 
7 
4,36 
1,671 
Malta 
8 
1 
2 
1,44 
,414 
Holland 
8 
2 
4 
3,00 
,438 
Soome 
8 
4 
5 
4,48 
,345 
Rootsi 
8 
2 
5 
2,86 
1,091 
UK 
8 
2 
5 
4,09 
,976 
Island 
8 
6 
11 
8,44 
2,383 
Valid N (listwise) 
7   
 
 
 
Allikas: Eurostat, autori koostatud statistikaprogrammis SPSS. 
 
 
Lisa 7. Korrelatsioon maksehäireid kogenud rahvastiku osakaalu kohta. 
Saksa-
Prantsus-
Suur-
  
maa 
maa 
Soome  britannia 
Eesti 
Iirimaa 
Läti 
Leedu 
Saksa-
maa 
1 
Prantsus-
 
 
 
 
 
 
 
maa 
0,2623 
1 
Soome 
-0,3172 
0,2216   
1   
 
 
 
 
Suur-
 
 
 
 
 
britannia 
-0,2232 
0,0263  -0,3396 
1 
Eesti 
0,6817 
0,3557  -0,5341 
0,2896   
1   
 
 
Iirimaa 
-0,1108 
-0, 4354   0,4202 
0,1326 
0,0275   
1   
 
Läti 
-0,1153 
-0,3921  0,4292 
-0,3417  -0,0506  0,8544   
1   
 
Leedu 
0,5834 
0,1043  -0,7543 
0,4104 
0, 6422   -0,3488  -0,4694 
1 
 
Andmed  on  täiskasvanute  kohta,  kes  on   nooremad   kui  65  aastat.  Allikas:  EuroStat, 
autori koostatud. 
59 
 
 
Lisa 8. Kinnisvara omamise  kasumlikkus  ja taskukohasus riikide lõikes. 
Hinna suhe  Hinna suhe 
renti 
sissetulekusse 
 Belgia 
63 
49 
Norra 
71 
27 
Prantsusmaa 
35 
33 
Rootsi 
32 
23 
Suurbritannia 
31 
22 
Soome 
36 
-1 
Holland 
11 
23 
Hispaania 
8 
15 
Taani 
12 
10 
Itaalia 
-1 
12 
Luksemburg 
6 
4 
Austria 
2 
5 
Island 
-5 
Kreeka 
-18   
8 
Šveits  
-2 
-9 
Slovakkia 
-4 
-12 
Tšehhi  
-9 
-7 
Sloveenia 
-11 
-8 
Portugal  
-13 
-7 
Iirimaa 
-12 
-15 
Saksamaa 
-15 
-21 
Allikas: OECD 
 
 
 
 
 
60 
 
 
 
 
 
 
VIIDATUD ALLIKAD 
1.  Adcock,  S.  Managing  Risks  in  Property  Exposure  via  Valuations/Appraisal 
Assessment . – FIG XXII International  Congress : New Directions in Valuations 
Methodologies I, 2002, pp. 14 p. 
2.  Alexander,  M.  A.  The  Kondratiev   Cycle :  A  generational  interpretation, 
iUniverse 2002 
3.   Allen ,  M.  T.,  Madura,  J.,  Wiant,  K.  J.  Commercial   Bank   Exposure  and 
Sensitivity  to the Real Estate Market. –  Journal  Of Real Estate Research, 1995, 
Vol. 10, No. 2, pp. 129-140. 
4.  Alvarez,  L.  J.,  Bulligan,  G.,  Cabrero,  A.,  Ferrara,  L.,  Stahl,  H.   Housing  
cycles in the  major  Euro area countries. – Banco de Espana, 2010, No. 1001, p. 
39. 
5.  Arsenault,  M.,   Clayton ,  J.,  Peng,  L.  Mortgage  Fund  Flows,  Capital 
Appreciation, and Real Estate Cycles. – The Journal of Real Estate  Finance  and 
Economics , 2011, pp. 1-23. 
6.  Bianconi,  M.,  Yoshino,  J.  A.  House  Price  Indexes  and  Cyclical  Behavior.  – 
( Working    Paper ,  2011)  Available  at  [SSRN:   http://ssrn.com/abstract=1768028] 
(01.04.2014) 
7.  Borio,  C.,  McGuire,  P.  Twin  peaks  in  equity  and  housing  prices?  –  BIS 
Quarterly Review, 2004, pp. 79-93. 
8.  Bracke, P. How long do housing cycles last? A duration  analysis  for 19 OECD 
countries. – Journal of Housing Economics, 2013, Vol. 22, pp.213–230. 
9.  Brunnermeier, M.K., Oehmke, M.  Bubbles , financial crises, and systemic risk. 
– Nber working paper series. National bureau of  economic  research.  Cambridge , 
2012. pp 
61 
 
 
10. Brunnermeier, M. K., Pedersen, L. H. Market liquidity and funding liquidity. 
– Review of Financial  studies , 2009, Vol. 22, No. 6, pp. 2201-2238. 
11. Case, K. E., Glaeser, E. L.,  Parker , J. A. Real Estate and the Macroeconomy – 
Brookings Papers on Economic  Activity , Vol. 2000, No. 2, pp. 119-162. 
12. Cho, Y., Hwang, S., Satchell, S. The Optimal Mortgage  Loan   Portfolio  in UK 
Regional  Residential  Real  Estate.  –  The  Journal  of  Real  Estate  Finance  and 
Economics, 2012, Vol. 45, No. 3, pp. 645-677. 
13. Clayton,  J.,  Gordon,  J.,  Fabozzi,  F.,  Giliberto,  S.,   Liang ,  Y.,  &  Hudson-
Wilson ,  S.  Real  Estate  Comes  of  Age.  –  Journal  of  Portfolio  Management, 
2007, Special Real Estate Issue, Vol. 33, pp. 15-26. 
14. Cocconcelli, L., Medda, F. R.  Boom  and  bust  in the Estonian real estate market 
and the  role  of land tax as a  buffer . – Land Use  Policy , 2013, Vol. 30, No. 1, pp. 
392- 400. 
15. Coleman,  M.,  LaCour- Little ,  M.,  Vandell,  K.  D.  Subprime  lending  and  the 
housing   bubble :   Tail   wags  dog?  –  Journal  of  Housing  Economics,  2008,  Vol. 
17, No. 4, pp. 272-290 
16. Davis, E. P., Karim, D.  Could  early warning systems have helped to  predict  the 
sub- prime  crisis?. – National Institute Economic Review, 2008, Vol. 206, No. 1, 
pp. 35-47. 
17. DiPasquale,  D.,  Wheaton,  W.  C.    The   Markets   for  Real  Estate   Assets   and 
Space:  A  Conceptual   Framework ”.  –  Journal  of  American  Real  Estate  and 
Urban Economics Association , 1992, Vol. 20, No. 1, pp. 181-197 
18. Deaton, A. Understanding  consumption . Oxford  University  Press, 1992. 
19. Dobberstein, M. The pro-cyclical behavior of participants in the office market – 
interests,  constraints  and  possible  alternatives.  –  Working  papers  for  trade 
planning , University of  Dortmund, Faculty of Urban Planning, Working Paper. 
No. 2, 2000, 34p. 
20. Ferrara,  L.,  Koopman,  S.  J.  Common  business  and  housing  market  cycles  in 
the  Euro  Area  from  a  multivariate  decomposition.  –  Banque  de   France ,  2010, 
33p. 
62 
 
 
21.  Fisher , J. D. Integrating Research on markets for Space and Capital”. – Journal 
of  American  Real  Estate  and  Urban  Economics  Association,  1992,  Vol.  20, 
No.1, pp. 161-180. 
22. Fitzpatrick,  T.,  McQuinn,  K.  House  Prices  and  Mortgage   Credit :  Empirical 
Evidence   for   Ireland .  –  The   Manchester   School,  2007,  Vol.  75,  No.  1,  pp.  82-
103. 
23. Foster,  J.  B.,  Magdoff,  F.  The  Household  Debt  Bubble.  New   York :  Monthly 
Review Press, 2009, 160p. 
24. Garber,  P.  Famous   First   Bubbles.  –  The  Journal  of  Economic   Perspectives , 
1990, Vol. 4, No. 2, pp. 35-54. 
25. Geltner,  D.  M.,    Miller, N.  G.  Commercial  Real  Estate  Analysis  and 
Investments. South- Western Publishing; 1st ed., 2000, p. 898. 
26. Gerardi,  K.,  Lehnert,  A.,  Sherlund,  S.  M.,  Willen,  P.   Making   sense  of  the 
Subprime Crisis. – Brooking Papers on Economic Avtivity, 2008, pp. 69-145. 
27. Goetzmann,  W.  N.,  Wachter,  S.  M.  Clustering  methods  for  real  estate 
portfolios. - Real Estate Economics, 1995, Vol. 23, No. 3, pp. 271-310. 
28. Hastings,  A.,  Nordby,  H.  Benefits  of   Global   Diversification  on  a  Real  Estate 
Portfolio.  –  Journal  of  Portfolio  Management,  2007,  Special  Real  Estate  Issue, 
Vol. 33, pp. 53-62. 
29. Hauss,  H.  The  role  of  international  property  investments  in  the  global  asset 
allocation process. –Australasian Business Intelligence, 2004, pp. 21. 
30. Hellwig,  M.  F.  Systemic  risk  in  the  financial  sector:  an  analysis  of  the 
subprimemortgage financial crisis.  –  De Economist, 2009, Vol. 157, No. 2, pp. 
129-207. 
31. Herring,  R.  J.,  Wachter,  S.  Real  Estate  Booms  and  Banking  Busts:  An 
International  Perspective.  –   Tokyo :  Japan  Management  Studies   Center ,  2002, 
108 p. 
32. Iacoviello, M., Neri, S. Housing market spillovers : evidence from an estimated 
DSGE  model.  –  American  economic  journal  :  a  journal  of  the  American 
Economic Association, 2010, Vol. 2, No. 2, pp. 125-164. 
63 
 
 
33. Idzorek, T. M., Barad, M.,  Meier , S. L. Global Commercial Real Estate. – The 
Journal of Portfolio Management 2007, Vol. 33, No. 5: pp. 37-52 
34. Kask,  K.  Kinnisvaraga  seotud  riskid.  Riskid  Eesti  majanduses.  Vastutav 
toimetaja T. Paas. Tartu: Tartu Ülikooli Kirjastus, 2000, 300 lk. 
35. Keogh,  E.,  Lin  J.  Clustering  of  Time  Series  Subsequences  is  Meaningless:  
Implications  for   Previous   and  Future  Research  –   Knowledge   and  Information 
Systems, 2005, Vol 8, No 2 , pp 154-177. 
36. Kindleberger,  C.  P.,  Aliber,  R.  Z.  Manias,  Panics  and  Crashes:  A  History  of 
Financial Crises, 2011, Sixth Edition , Palgrave Macmillan, 356 p. 
37. Košmelj,  K.,  &  Žabkar,  V.  Identifying  Time   Trends   in  Advertising 
Expenditure  Components:  A   Simple   Regression   Approach   on  Data  for  17 
European  Countries  in  1994  to  2007.  –  Advances  In  Methodology  &  Statistics, 
2008, Vol. 5, No. 2, pp. 161-171. 
38. Krainer, J. A Theory of Liquidity in Residential Real Estate Markets. – Journal 
of Urban Economics, 2001, Vol 49, No. 1, pp. 32-53. 
39. Kulikov, D., Paabut, A., Staehr, K. A microeconometric analysis of household 
saving  in Estonia: income , wealth and financial exposure. Eesti Pank, 2007. 
40. Lansing, K. J.  Rational  and  Near -Rational Bubbles Without  Drift . – Economic 
Journal, 2010, Vol. 120, No. 549, pp. 1149-1174. 
41. Lausberg,  C.  The  Real  Estate  Market  Risk  of  Banks  –  Evidence  of  its 
Importance   and   Consequences   for  Managing  Risk  in  Real  Estate  Lending.  – 
Paper  60  Submitted  to  the  2001  Annual   Meeting   of  the  European  Financial 
Management Association, 2001, 13 p. 
42. Lee,  S.  K.,  Jang,  S.  The  real  estate  risk  of   hospitality    firms :   Examining  
stockreturn sensitivity to property  values .  –  International  Journal  of Hospitality 
Management, 2012, Vol. 31, No. 3, pp. 695-702. 
43. Lily, C., Tiong, N. H., Ramchand, R. A  cluster  analysis approach to examining 
Singapore's  property  market.  BIS  Papers,  2011,  No.  64,  pp.  43-53. 
[ http://www.bis.org/publ/bppdf/bispap64h.pdf] 
64 
 
 
44. Ludwig, A., Slok, T. The Impact of  Changes  in  Stock  Prices and House Prices 
on  Consumption  in  OECD  countries.  –  International  Monetary  Fund  Working 
Paper Series, WP/02/1, 2002, 37 p. 
45. Mazure,  G.  Mortgage  Lending  Market  Development  Tendencies   Within   the 
Context  of Global Financial Crisis. – Economic Science for  Rural  Development, 
2012, No. 28, 7p. 
46. Masso, J. Ettevõtte riskikeskkond, riskide hindamine ja riskiturud. Juhkam, A.; 
Masso,  J.;  Paas,  T.  (Toim.).  Riskid  Eesti  ettevõtetes  ja   riskijuhtimine .  Tartu: 
Ülikooli Kirjastus, 2002, lk 23-55. 
47. Mei, J., Saunders, A. Bank Risk and Real Estate: An Asset Pricing Perspective. 
– Journal of Real Estate Finance and Economics, 1995, Vol. 10, No. 3, pp. 199-
224. 
48. Mikhed, V., Zemcik,  P.  Testing  for bubbles in  housing markets:  A panel  data 
approach. – The Journal of Real Estate Finance and Economics, 2009,  Vol. 38, 
pp. 366-386. 
49. Pastor,  L.,  Stambaugh,  R.  F.  Liquidity  Risk  and   Expected   Stock   Returns .  – 
Cambridge, MA: National Bureau of Economic Research, 2001, 36p. 
50. Piazzesi,  M.,  Schneider. M.   Momentum  traders in  the housing market: survey 
evidence and a search model. – NBER Working Paper, 2009, No. 14669, 18p. 
51. Pollakowski,  H.  O.,  Ray,  T.  S.  Housing  price   diffusion    patterns   at   different  
aggregation  levels:  an  examination  of  housing  market  efficiency.  –  Journal  of 
Housing Research, 1997, No. 8, pp. 107-124. 
52. Pyhrr, S. A., Roulac, S. E., Born, W. L. Real Estate Cycles and Their Strategic 
Implications  for  Investors  and  Portfolio  Managers  in  the  Global  Economy.  – 
Journal of Real Estate Research, 1999, Vol. 18, No. 1, pp. 7-68. 
53. Reijer, A. D. The  Dutch  business cycle: which indicators should we  monitor ? – 
DNB  Working  Paper,   Netherlands   Central  Bank,  Research   Department ,  2006, 
No. 10, p. 35. 
65 
 
 
54. Renaud,  B.  The  1985-94  Global  Real  Estate  Cycle.  Its   Causes   and 
Consequenses.  –  The  World  Bank.  Financial  Sector  Development  Department, 
1995, 44p. 
55. Roy,  F.  Mortgage  markets  in  central  and   eastern   Europe  –  A  review  of  past 
experiences   and  future  perspectives.  –  European  Journal  of  Housing  Policy, 
2008, Vol. 8, No. 2, pp. 133-160. 
56. Ruff, J. Commercial Real Estate: New  Paradigm  or Old Story? – The Journal of 
Portfolio Management, 2007, Vol. 33, No. 5, pp. 27-36. 
57. Saltzman,  C.  Stagflation:  That  Ugly  Word  Again?  –  Journal  Of  Financial 
Service  Professionals, 2004, Vol. 28, No. 6, pp. 21-2 
58. Schinasi,  G.  J.  Defining  Financial  Stability.  –  International  Monetary  Fund, 
IMF Working Paper No 187, 2004, 19p. 
59. Schulte,  K.-W.,  Schäfers,  W.  Immobilienökonomie  als  wissenschaftliche 
Disziplin. – Immobilieniökonomie, 2000, Vol. 1, pp. 99-115. 
60. Shiller, R. J. From efficient markets theory to behavioral finance. – The Journal 
of Economic Perspectives, 2003, Vol. 17, No. 1, pp. 83-104. 
61. Siegel,  J.  J.  What  Is  an  Asset  Price  Bubble?  An  Operational   Definition .  – 
European Financial Management, 2003, Vol. 9, No. 1, pp. 11-24. 
62. Siibak,  K.  Pangandussüsteemi  usaldusväärsuse  tagamine  ja  teabekohustuste 
määratlemine finantsteenuste lepingutes. – Doktoritöö. Tartu Ülikooli Kirjastus, 
2011. 
63. Sorensen, 
P. 
B., 
Whitta-Jacobsen, 
H. 
J. 
Introducing 
advanced 
macroeconomics:  growth  and  business  cycles.  Berkshire,  UK:  McGraw- Hill  
Companies, 2010. 
64. Stoken, D. The Great Cycle: Predicting and Profiting from Crowd Behavior, the 
Kondratieff Wave, and Long-Term Cycles. – Revised Edition, Chicago, Probus 
Professional Publishing, 1993, 212p. 
65. Tamla,  K.  Majandustsüklid  ja  nende  olemus  siirderiikides.  –  Kroon  ja 
majandus, 2003, No. 2, p. 85 
66 
 
 
66. Tirole,  J.  Asset  Bubbles  and  Overlapping  Generations.  –  Econometrica,  1985, 
Vol. 53, No. 6, pp. 1499 -1528. 
67. Wernecke, M., Rottke, N., Holzmann, C. Incorporating the Real Estate Cycle 
into Management Decisions - Evidence from  Germany . – Journal of Real Estate 
Portfolio Management, 2004, Vol. 10, No 3. pp. 171-186. 
68. Wheaton,  W.  C.  The  Cyclic  Behavior  of  The  National  Office  Market.  – 
AREUEA Journal, 1987, Vol. 15, No. 4, pp. 281-299. 
69. Wheaton,  W.  C.  „Real  Estate  "Cycles":  Some  Fundamentals.“  Real  Estate 
Economics, 1999: pp. 209-230. 
70. Yairi,  Y.,  Kato,  Y.,   Hori ,  K.  Fault  Detection  by  Mining  Association  Rules  in 
House-Keeping  Data.  –  Proc.  of  International  Symposium  on   Artificial  
Intelligence, Robotics and Automation in Space, 2001, Vol. 3. No. 9, 7p. 
 
 
 
 
 
 
 
67 
 
 
 
 
 
 
SUMMARY 
„PATTERNS  IN  EUROPEAN  UNION  COUNTRIES  REAL  ESTATE  MARKETS 
AND   LINK    BETWEEN   MACROECONOMICAL  AND  FINANCIAL  FACTORS 
DURING  2005-2013“  
Periodic changes in economic activity has historically been one of the most  interesting  
topic for researchers. Single- country  economic boom and the  recession  is not caused by 
factors  within  one  country  but   rather   depend  largely  on  the   processes   in  the  world.  In 
connection  with  the   growing   integration  of  the  world  economy  (trade  and  financial 
linkages  between  countries)  more  attention  is   focused   to  economic  cycles  and  the 
spillovers from different countries and economic regions. 
The  real  estate  market  is  dependent  on  the  global  economic  environment,  financial 
system stability and effective functioning of the banking sector, which means that it is 
important   to  analyze  the   links   between   these   sectors.  Situation  in  real  estate  market 
where prices are not affordable may  lead  to the so-called real estate boom, which means 
that the financial or real  estate prices   rise  above their fundamental  values. Presence of 
bubbles are well-known  fact  in economic theory, but in demonstration of their existence 
at  a  particular  point  in  time  and  the   conditions   for  bubble  detection  is  difficult,  if 
sometimes not possible at all. 
The  aim  of  this  thesis  is  to  analyze  patterns  between  European  Union  countries 
regarding to real estate market cycles and links between macroeconomical and financial 
factors.  The  time  periood   considered   is  from  2005  to  2013,  where  in  many  countries 
real  estate  bubble  occured.  This  periood  is  also  interesting  because  of   failure   in  bank 
stability  and  the  case  of  lobal  credit  crises.  To  accomplish  this  thesis  purpose  many 
research  questions  were rised: how to  define  real estate cycles and how to  find  patterns 
between different countries. Author explained the links between housing cycle, business 
cycle and credit cycle in  order  to understand  dynamics  and co-movements within these 
68 
 
 
time  series.  Cluster  analyze  and  correlation  analyze  methods  were  used  to  identify  if 
patterns  in  real  estate  markets  between  countries  have  the   same   pattern  when   other  
variables are taken into account . Then conclusions were explained. 
In first chapter literature review was revised and main findings from previous researches 
were  presented.  Real  estate  market   characteristics   are  mainly  price  and   volume   of 
transactions. This kind of data is integrated into house price index, which is best way to 
compare   real  estate  cycles  in  national  level.  According  to  researchers  in   field   of  real 
estate  markets,  most  important  factors  affecting  real  estate  are  level  of  income, 
population  and  workforce,  which  is   share   of  employed  people  from   total   population. 
One  important  factor  is  financial  leverage,  what  means  borrowing  money  to  finance 
house purchases.  The more house prices rise, the more households are tempted to  buy 
and banks are willing to lend more money. If  there  is a high level of financial leverage 
in real estate market, possibility of bubble to  burst  is relatively high while  drop  in real 
estate prices are followed by rapid rise in previous periods.  
In second chapter  overall  real estate cycle in European Union countries were described. 
Overall tendency showed that real estate prices rised from 2005 to 2007 and then more 
and more countries  experienced  downturn in real estate market. Considering house price 
index, on 2009 there were 4 to 5 countries whose real estate market was rising. All other 
countries  were  experiencing  recession.  The  first  cluster  of  countries  experienced  an 
anomaly  in  real  estate  market.  Countries  identified  to  have   similar   real  estate  market 
patterns were Estonia, Latvia, Lithuania and Ireland. Housing cycle dynamics in  Baltic  
countries  were  similar  and  correlated  within  this  cluster,  where  also  Ireland  belonged. 
Between  2005  and  2007,  the  property  became   almost   twice  the   value   of  the  index.  In 
2007, real estate prices were at the  peak , after which there was a  sharp  decline. Whilst 
Baltic countries were similar with GDP dynamics as well, correlation with Ireland GDP 
was  somewhat  lower.  Considering  housing  cycle  in  second  cluster,  common  group  of 
Germany,  France,  Finland  and  Great  Britain  was  also  identified.  Second  cluster  had 
similar characteristics and was not correlated to first cluster, and that explains the  reason  
for   differences   between  these  groups.  Germany  was  in  same  cluster  but  negatively 
correlated with other countries. It may be due to the fact that  German  real estate market 
69 
 
 
has  grown  steadily from 2005-2013, while other countries have a greater or lesser extent 
of instability in chances of prices. 
Regarding  to  arrears  in  mortgage   payments   the  pattern  of  structure  were  different 
between  countries.  It  can  be  explained  with  a  fact,  that  it  is  important  to  take  into 
account  the  country-based  characteristics  such  as  loan  policies  and   measures   to  cope 
with the financial crisis. The Baltic states, which were similar in  terms  of the dynamics 
of  the  real  estate  market,  was  not  similar  by  dynamics  in  terms  of   payment   defaults. 
Estonia is one example where banks tend to have very strict policys regarding payment 
defaults  and   therefore   many  most  banks  looked  for   solutions   to  restructure  the  loans, 
keep the payment defaults and volume low.  Since  this  work  does not take into account 
all  the  factors  within  each  country,  the  credit  market  cycle  patterns  need  further 
investigation. 
In conclusion the theoretical linear statistical models are important for  finding  trends in 
market  and  cyclical  fluctuations,  but  for  short-term  analyzis  this  approach  can  be  too 
robust .  In  a  crisis,  it  is   necessary   to  assess  the  actual  development  of  the  property 
market,  analyze  and  compare  it  to  the   experience   of  other  countries  and  to   develop  
general attitudes to make the impact of systemic risks to a minimum. 
 
 
70 
 
 
Lihtlitsents   lõputöö  reprodutseerimiseks  ja  lõputöö  üldsusele  kättesaadavaks 
tegemiseks  
Mina, Kerli Matvere 
1.  annan  Tartu  Ülikoolile  tasuta  loa  (lihtlitsentsi)  enda  loodud  teose  "Euroopa  Liidu 
riikide kinnisvaraturu tsüklite ja sellega seotud makrotegurite ning laenuturu tegurite 
aegridade mustrid aastatel 2005-2013" 
mille juhendajad on Kaia Kask ja Uku Varblane 
1.1. reprodutseerimiseks  säilitamise  ja  üldsusele  kättesaadavaks  tegemise  eesmärgil, 
sealhulgas  digitaalarhiivi   DSpace -is  lisamise  eesmärgil kuni  autoriõiguse  kehtivuse 
tähtaja lõppemiseni;  
1.2. üldsusele  kättesaadavaks  tegemiseks  Tartu  Ülikooli  veebikeskkonna  kaudu, 
sealhulgas  digitaalarhiivi  DSpace´i  kaudu  kuni  autoriõiguse  kehtivuse  tähtaja 
lõppemiseni. 
 
2.  olen teadlik, et punktis 1 nimetatud õigused jäävad alles ka autorile. 
3.  kinnitan,  et  lihtlitsentsi  andmisega  ei  rikuta  teiste  isikute  intellektuaalomandi  ega 
isikuandmete kaitse seadusest tulenevaid õigusi.  
 
Tartus 20.05.2014 
 
 
71