Samgodsresultatet för 2030 har disaggregerats för väg och järnväg och sedan använts i kalkylverktygen EVA, Sampers/Samkalk samt Bansek. I samband med detta har trafiktillväxttal och branschutvecklingstal från modellen använts i kombination med detaljerade trafik- och volymuppgifter som avser basåret i kalkylverktygen.
Kalkylverktygen har för närvarande basår 2010, till skillnad från Samgodsmodellen som har basår 2006. Därför har trafiktillväxt- och branschutvecklingstalen från Samgodsmodellen omräknats till att avse perioden 2010-2030.
6.1 Järnväg
För järnväg har Samgodsmodellens resultat disaggregerats till en mer detaljerad nivå i syfte att kunna användas i Trafikverkets kalkylverktyg Bansek, i samband med framtagning av samhällsekonomiska kalkyler för järnvägsinvesteringar och på så vis underlätta en likvärdig hantering av olika investeringsobjekt.
Eftersom Samgodsmodellen framförallt är kalibrerad på en övergripande trafikslags- och branschnivå bör modellresultaten tolkas med försiktighet på enskilda länkar.
För att ta fram ett så tillförlitligt kalkylunderlag som möjligt för järnväg, så har därför valts att bara använda branschutvecklingstal från Samgodsmodellen, istället för resultat på en mer detaljerad nivå.
Branschutvecklingstalen har sedan kombinerats med mer detaljerade uppgifter för år 2010 om tågtrafikering och godsvolymer på bandelsnivå, för att ta fram en prognos för år 2030. Metoden finns dokumenterad i en PM, tillsammans med resultaten som lagts in i Bansek.33
Det framtagna underlaget omfattar alla sträckor i järnvägsnätet som trafikeras av godståg, c:a 260 stycken, och är uppdelat på fem tågtyper och 12 varugrupper.
De tågtyper som används är fjärrvagnslasttåg, som går i trafik mellan de större bangårdarna; lokala vagnslasttåg; kombitåg, som transporterar lösa lastbärare (trailrar, växelflak och containrar); systemtåg, som transporterar gods åt enskilda kunder i fasta relationer; och malmtåg.
Varugrupperna är de så kallade STAN-varugrupperna, som resultaten i denna rapport redovisas på och som är aggregat av Samgods varugruppsindelning.
Nedan följer en beskrivning av trafik och volym år 2010 samt utvecklingen till 2030.
Transportarbetet per varugrupp för järnväg beräknas öka enligt nedanstående sammanställning, baserat på det s.k. Svaveldirektivscenariot i Samgodsanalyserna:34
Varugrupp Utveckling 2010-2030
Tabell 6.1 Branschutvecklingstal 2010-2030, exklusive höjda banavgifter för järnväg.
Branschutvecklingen har sedan räknats ned med den kombinerade modellberäknade effekten av en höjning av banavgifter för järnväg och införande av Svaveldirektivet för sjöfart i Huvudscenariot enligt nedan:
Transporttyp Andel
System 100%
Kombi 93%
Vagnslast 88%
Tabell 6.2 Andel av ursprungligt transportarbete vid en höjning av avståndsberoende kostnad för järnväg, samt höjning av kostnaden för fartygsbränsle enligt IMO, uppdelat på transporttyp.
Nettominskningen av transportarbetet till följd av en banavgiftshöjning och införande av Svaveldirektivet beräknas alltså bara beröra vagnslast- och kombitrafiken.
Systemtransporterna är mindre känsliga för konkurrens från andra transportupplägg och volymerna beräknas därför i stort sett kunna bibehållas, trots kostnadsökningarna.
Transportarbetet för järnväg beräknas öka från 23.6 miljarder tonkilometer år 2010 till
34 Se kap. 5.5, samt ”Disaggregering av godsprognos 2030 till Bansek, EVA, Sampers/Samkalk och TEN tec – Trafikverkets basprognos 2015”; TRV 2015:052
31.99 miljarder tonkilometer år 203035 totalt sett i Sverige. Mer än hälften av ökningen består av nya transportbehov till följd en utökad gruvbrytning i norra Sverige. Om malmökningen exkluderas, beräknas antalet tonkilometer öka till totalt 26.6 miljarder år 2030. Tillväxten för godstransporter på järnväg i övriga Sverige är alltså måttlig enligt prognosen. I figur 6.1 nedan visas godsvolym per år och delsträcka i järnvägsnätet år 2010 och i figur 6.2 visas förändringen under perioden 2010-2030.
Figur 6.1 Godsvolymer per sträcka år 2010 (miljoner nettoton36 per år).
35 Resultatet för 2030 ligger något högre än Samgodsresultatet, vilket bland annat beror på att
De största godsstråken är Malmbanan, Stambanan genom övre Norrland, Norra stambanan, Godsstråket genom Bergslagen, Västra stambanan och Södra stambanan.37 Skillnaden i volym mellan åren 2010-2030 beräknas bli relativt liten på de flesta banor, med undantag av Malmbanan och Botniabanan-Ostkustbanan. På Malmbanan ökar godsvolymerna kraftigt på grund av att gruvbrytningen utökas i Kiruna och Pajala.
Figur 6.2 Förändrad godsvolym per sträcka 2010-2030 (miljoner nettoton per år).
Stråket Botniabanan-Ostkustbanan antas få överflyttad trafik på grund av att spårupprustningar och kapacitetsinvesteringar genomförs här enligt planförslaget 2014-2025. Överflyttningen sker från Norra stambanan och Stambanan genom övre Norrland.
Volymerna på Stambanan genom övre Norrland samt Norra stambanan minskar totalt
37 En översikt av banornas benämningar återfinns i bilaga 3.
sett till följd av detta. Övriga banor med minskade godsvolymer är bland annat Markarydsbanan i Halland/Skåne, där godstrafiken till Malmö flyttas till Västkustbanan när tunneln genom Hallandsås färdigställs, samt Södra stambanan mellan Åby-Järna, där godstrafiken antas gå över Katrineholm istället. Skillnaderna 2030 jämfört med tidigare underlag är små, se figur 6.3 nedan.
Figur 6.3 Förändrad godsvolym per sträcka 2030 i nuvarande prognos jfr 2014 års version (1000-tals ton per år).
När det gäller relationen Åby-Järna, så skulle godstågen kunna fortsätta att gå på den gamla Nyköpingsbanan (även om det inte antagits i denna prognos). Nyköpingsbanan
.
6.2 Väg
Samgodsmodellens resultat har även sammanställts för väg, i syfte att kunna användas i Trafikverkets kalkylverktyg EVA och Sampers/Samkalk.
EVA (”Effekter vid väganalyser”) används för att beräkna effekter och samhällsekonomisk lönsamhet för enskilda objekt eller trafiksystem inom vägtransportsystemet.
Sampers är ett nationellt modellsystem för trafikslagsövergripande analyser och prognoser av persontransporter.
Samkalk är en delmodell i Sampers, som används för att göra samhällsekonomiska beräkningar utifrån de resultat som Sampers genererar. Även vissa effekter för lastbilar beräknas här.
Till dessa bägge verktyg har tillväxttal per län tagits fram för perioderna 2010-2030 samt 2010-2050, utifrån Samgodsresultatet. Framtagandet finns dokumenterat i en underlagsrapport.38
Figur 6.3 Årliga vägtrafiktillväxter per län 2010-2030 (% per år) i nuvarande prognos för 2030 (U2015) jämfört med motsvarande från förra året (U2014).
38 Se ”Disaggregering av godsprognos 2030 till Bansek, EVA, Sampers/Samkalk och TEN tec–
Trafikverkets basprognos 2015”; TRV 2015:052
Skillnaden i de reviderade trafiktillväxterna för väg jämfört med det tidigare underlaget beror till stor del på att ett tidigare antagande om ökande medellastvikter under prognosperioden (+10%) nu tagits bort.
Nedan visas trafiktillväxttal per län till EVA. I underlaget till EVA görs en uppdelning på Europavägar och övriga vägar, eftersom denna modell opererar på länknivå. Europavägar har ofta höga ökningstakter, medan övriga vägar har lägre ökningstakter i snitt, enligt Trafikverkets mätningar.
Tabell 6.3 Trafiktillväxttal per län till EVA (procentuell förändring av fordonskm per år)
I underlaget till Sampers/Samkalk görs en uppdelning på lastbilar med och utan släp, eftersom denna modell arbetar på matrisnivå. Statistik från Trafikanalys visar att lastbilar utan släp har legat konstant på ungefär samma nivå vad gäller utfört trafikarbete under 2000-talet. Trafikarbetet för lastbilar med släp har däremot ökat.
Län E 2010-2030 Ö 2010-2030 Totalt 2010-2030 E 2010-2050 Ö 2010-2050 Totalt 2010-2050
Stockholm 1,64 0,48 1,28 1,44 0,42 1,12
Uppsala 1,45 1,96 1,71 1,27 1,72 1,50
Södermanland 2,01 0,96 1,52 1,76 0,84 1,33
Östergötland 2,20 1,57 1,96 1,92 1,38 1,71
Jönköping 2,54 1,50 1,98 2,22 1,31 1,73
Kronoberg 2,59 1,85 2,15 2,26 1,62 1,88
Kalmar 2,32 1,63 1,86 2,03 1,43 1,62
Gotland 0,00 0,85 0,85 0,00 0,74 0,74
Blekinge 1,61 2,59 2,16 1,41 2,26 1,89
Skåne 2,76 1,76 2,26 2,41 1,54 1,98
Halland 2,77 1,49 2,34 2,42 1,31 2,05
Västra Götaland 1,96 1,40 1,67 1,72 1,22 1,46
Värmland 1,49 1,61 1,56 1,30 1,41 1,36
Örebro 2,22 1,67 1,96 1,94 1,46 1,71
Västmanland 2,35 1,96 2,13 2,05 1,71 1,86
Dalarna 1,77 1,08 1,18 1,55 0,94 1,03
Gävleborg 2,08 1,40 1,77 1,82 1,22 1,54
Västernorrland 2,00 0,68 1,65 1,75 0,60 1,44
Jämtland 0,76 0,50 0,65 0,67 0,44 0,57
Västerbotten 2,09 0,90 1,74 1,83 0,78 1,52
Norrbotten 3,40 3,22 3,34 2,97 2,81 2,93
Norrbotten utan malm 2,78 0,68 2,26 2,43 0,60 1,98
Sverige 2,22 1,51 1,94 1,32
Figur 6.4 Fordonskilometer per år för svenska lastbilar (Trafikanalys)
Om utländska lastbilar, som oftast har släp, tas med blir ökningen ännu tydligare. Noteras bör dock att statistiken baseras på en sammanställning av uppgifter från EU-länder samt frivilliga länder i Europa om varutransporter på väg, inrapporterade under den EU-förordning som reglerar ländernas statistikinsamling. Uppgifterna grundar sig på urvalsundersökningar av lastbilar och dragfordon med minst 3,5 tons maxlastvikt eller 6 tons totalvikt för det enskilda fordonet. Statistiken omfattar inte lastbilar som är registrerade i länder utanför EU som t.ex. Ryssland och sannolikt ingår inte heller trafik som utförs av utländska lastbilar utan tillstånd. Underlagets kvalité beror till stor del på hur väl respektive lands urvalsundersökning genomförts. De länder som ingår i sammanställningen har dessutom varierat något över åren.
Figur 6.5 Fordonkilometer per år för utländska lastbilar (Trafikanalys)
Nedan visas trafiktillväxttal för väg till Sampers/Samkalk, uppdelad på lastbilar med och utan släp.
0 500 000 1000 000 1500 000 2000 000 2500 000 3000 000
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 without trailer
Lbu
with trailerLbs
All vehiclesTotalt
Tabell 6.4 Trafiktillväxttal till Sampers/Samkalk (procentuell förändring av fordonskm per år)
6.3 Sjöfart
Resultatet för sjöfart redovisas dels som totalt transportarbete, dels som lastade och lossade volymer per hamnområde, vilka är 12 stycken till antalet. Både lastfartyg, roro och färjetrafik ingår i prognosen. Enligt hamnstatistiken för år 2005 var den totala volymen 178 miljoner ton och för år 2006 180.5 miljoner ton. Modellen underskattar i hamnarna för basåret 2006 jämfört med statistiken, räknat i ton. Kalibreringen av modellen har dock generellt höjt sjöfartsflödena till sammanlagt 156 miljoner ton. Följderna för tillväxttakten per hamnområde i prognosen bedöms dock inte bli så stora med anledning av detta.
Statistik för år 201039 i kombination med tillväxttal för perioden 2010-2030 från Samgodsmodellen ger att Göteborgs hamn kommer att hantera mellan 50 och 60 miljoner ton år 2030 och vara Sveriges största hamn, liksom idag.
Oljetransporter, som utgör en stor del av volymerna i Göteborgs hamn, antas i Långtidsutredningen i kombination med Varuvärdesprognosen resultera i en minskning i antalet ton av råolja och oljeprodukter till 2030. Antalet ton i Göteborgsområdet ökar med 1.6% per år fram till 2030 enligt Samgodsprognosen. Om råolja och oljeprodukter exkluderas, blir ökningen dock 2.02% per år.
Län LBS 2010-2030 LBU 2010-2030 Totalt 2010-2030 LBS 2010-2050 LBU 2010-2050 Totalt 2010-2050
Stockholm 1,44 0,86 1,28 1,26 0,75 1,12
Uppsala 1,89 1,20 1,71 1,65 1,05 1,50
Södermanland 1,60 1,30 1,52 1,40 1,14 1,33
Östergötland 2,01 1,82 1,96 1,76 1,59 1,71
Jönköping 2,06 1,76 1,98 1,81 1,54 1,73
Kronoberg 2,24 1,95 2,15 1,96 1,70 1,88
Kalmar 1,97 1,55 1,86 1,72 1,35 1,62
Gotland 0,87 0,05 0,85 0,76 0,04 0,74
Blekinge 2,34 1,74 2,16 2,05 1,52 1,89
Skåne 2,42 1,92 2,26 2,12 1,68 1,98
Halland 2,58 1,70 2,34 2,26 1,49 2,05
Västra Götaland 1,95 0,85 1,67 1,71 0,75 1,46
Värmland 1,62 1,38 1,56 1,42 1,20 1,36
Örebro 2,12 1,49 1,96 1,85 1,31 1,71
Västmanland 2,39 1,39 2,13 2,09 1,21 1,86
Dalarna 1,26 0,94 1,18 1,10 0,82 1,03
Gävleborg 1,81 1,58 1,77 1,58 1,38 1,54
Västernorrland 1,64 1,69 1,65 1,44 1,47 1,44
Jämtland 0,57 0,85 0,65 0,50 0,74 0,57
Västerbotten 1,81 1,41 1,74 1,58 1,23 1,52
Norrbotten 3,58 2,34 3,34 3,13 2,05 2,93
Norrbotten utan malmökn. 2,29 2,14 2,26 2,01 1,87 1,98
Sverige 2,03 1,47 1,88 1,77 1,29 1,65
Figur 6.6 Lastade och lossade volymer per hamnområde (ton per år) 2010 och 2030 i nuvarande prognos (U2015) jämfört med motsvarande från förra året (U2014).
I tidigare prognos gick alltför stora volymer igenom Kielkanalen i modellen jämfört med farleden norr om Jylland. Modellen har nu kalibrerats så att fördelningen mellan Kielkanalen i modellen jämfört med farleden norr om Jylland stämmer med statistik om avgående och ankommande fartyg mellan svenska hamnar och utrikes hamnar i Öresundsområdet, Östersjöområdet och övriga hamnar.40
Tabell 6.5 Svenska sjöfartsvolymer mellan hamnregioner
Enligt statistikunderlaget som använts i kalibreringen, så utgör volymerna genom Kielkanalen c:a 20% av de totala volymerna (d.v.s. summan av volymerna genom Kiel + norr om Jylland).
40 Underlag från Christopher Påhlsson, Maritime Insight AB 2013.
0
HamnRegion Hamnstadsgrupp Sydnorge Vänern Västkusten NÖ Danmark SÖ Danmark Övriga världen Baltic
42 127 033 261 817 20 306 2 924 757 1 612 156 646 849 38 874 659 86 467 577 non-Baltic
non-Baltic Vänern 541 986 80 790 388 869 155 172 110 727 20 269 789 051 2 086 864
non-Baltic Västkusten 17 084 053 3 381 322 190 070 4 283 256 4 816 676 2 785 671 38 833 745 71 374 793
non-Baltic Öresund 2 679 318 158 358 31 267 1 191 024 1 052 813 491 564 10 950 134 16 554 478
Totalsumma 62 432 390 3 882 287 630 512 8 554 209 7 592 372 3 944 353 89 447 589 176 483 712 non-Baltic
Fig. 6.8 Lastade och lossade volymer per hamnområde år 2030 (miljoner ton per år).
När det gäller Vänersjöfarten är trenden fallande enligt statistiken. I Samgodsprognosen sker däremot en viss ökning fram till 2030. Problematiken med Trollhätte kanal och Vänersjöfarten är komplex. Därför är det möjligt att modellen överskattar utvecklingen här.
Samgodsmodellen hanterar direktanlöp till hamnar respektive ”indirekta anlöp” i form av feedertrafik ganska översiktligt. Det är fallet även när det gäller den transoceana trafiken.
Denna hanteras i modellen genom att det finns ett kostnadspåslag för transoceana transporter till svenska hamnar, utom för bl.a. Göteborg och Brofjorden.
Tidsplanen har inte medgivit någon modellutveckling i detta avseende. Statistik saknas dessutom i nuläget för att stämma av modellresultaten - det är visserligen väl känt att den transoceana trafiken i huvudsak direktanlöper Göteborg, men inte hur mycket av den som sedan fortsätter som feedertrafik till övriga hamnar.
Det finns ett behov av att ta fram prognosresultat på en mer detaljerad nivå än de 12 hamnområdena. Inom EU-kommissionen genomförs för närvarande en revidering av de så kallade transeuropeiska transportnätverken, TEN T. I samband med detta utvecklar kommissionen en databas, som innehåller tekniska och ekonomiska uppgifter för de
moduler för elektroniska ansökningar av bidrag, samt uppföljning av TEN. Trafikverket levererar årligen in statistik till denna databas för samtliga trafikslag. För sjöfart omfattar statistiken 24 stycken utpekade hamnar i Sverige.
Tabell 6.6 Lastade och lossade volymer per TEN-T hamn
Trafikverket har nu utvecklat en metod för att disaggregera prognosresultaten för de 12 hamnområdena till de 24 TEN-hamnarna. Metoden går ut på att skatta en signifikant trendframskrivning per hamn, baserat på den statistik som finns tillgänglig. Den trendframskrivna nivån för lastade och lossade volymer per år och hamn i prognosåret, används för att fördela volymerna per hamnområde från Samgodsmodellen till TEN-hamnarna i hamnområdet. Metoden finns beskriven i en separat underlagsrapport.41 Resultatet av disaggregeringen av prognosen per hamnområde till TEN-T hamnar visas i ovanstående tabell 6.6.
6.4 Diskussion om resultat
Kalkylverktygen Bansek, Sampers/Samkalk och EVA fordrar indata i form av prognosresultat på en mer detaljerad nivå än vad Samgodsmodellen kan leverera med acceptabel kvalitet. Exempelvis så stämmer inte modellens transportarbete för väg helt överens med officiell statistik och antalet lastbilar per länk skiljer mot de vägmätningar som görs. Även om transportarbetet för järnväg i modellen stämmer någorlunda mot
41 ”Framtagning av godsvolymer genom TEN-T hamnar i Sverige – Metodrapport”; Ramböll 2015.
officiell statistik på totalnivå, så finns skillnader i trafikering och volymer på enskilda bandelar.
Därför har det varit nödvändigt att kombinera statistik med resultat från Samgodsmodellen på en mer eller mindre aggregerad nivå både för väg och järnväg för att ta fram underlag till kalkylverktygen. Detta för emellertid med sig vissa nackdelar.
Användningen av statistik innebär bland annat att nuvarande transportmönster konserveras i högre grad i prognosen än om Samgodsresultaten hade kunnat användas rakt av. Användningen av aggregerade Samgodsresultat – trafiktillväxter per län för väg, nationella branschutvecklingstal för järnväg - innebär att de framtida transportförändringarna både kan underskattas och överskattas på enskilda väg- och järnvägslänkar.
På sikt är det önskvärt att Samgodsmodellen förbättras väsentligt så att den ger rimliga resultat på den detaljerade nivå som kalkylverktygen kräver. Alternativt borde kalkylverktygen anpassas efter den lägsta acceptabla aggregeringsnivån (vad gäller kvalitet) för resultaten från Samgodsmodellen.
Litteraturförteckning
Anderstig, C. (200X). rAps – en beskrivning. Stockholm: WSP.
Anderstig, C., & Sundberg, M. (2009). Regional utveckling i Sverige Flerregional
integration mellan modellerna STRAGO och rAps. Östersund: ITPS A2009:005.de Jong, G., Ben Akiva, M., & Baak, J. (2010). Method Report - Logistics Model in the
Swedish National Freight Model System (Version 2) deliverable 6b for the Samgods group; Significance. Trafikverket.Edwards, H. (2011a). The Logistics Model in the Swedish National Freight Transport
Model – A Discussion of Unresolved Issues. Solna: Vectura.Edwards, H. (2011b). Varuvärden godsprognos 2030 och 2050. Solna: Vectura.
Edwards, H. (2011c). Godsprognos 2030 och 2050. Solna: Vectura.
Edwards, H. (2011d). Kortsiktiga förbättringar av logistikmodellen - SLM, RCM och
kalibrering. Solna: Vectura.Edwards, H., Bates, J., & Swahn, H. (2008). Swedish base matrices report; Estimates for
2004, estimation methodology, data and procedures. Trafikverket.Finansdepartementet. (2008a). Långtidsutredningen 2008; SOU 2008:105. Stockholm:
Regeringskansliet.
Finansdepartementet. (2008b). Sveriges ekonomi scenarier på lång sikt; Bilaga 1 till
Långtidsutredningen 2008; SOU 2008:108. Stockholm: Regeringskansliet.ITPS. (2009:004). Regional utveckling i Sverige. Tillväxtanalys.
ITPS. (2010). Introduktion av rAps - Regionalt analys- och prognossystem. Östersund:
Tillväxtanalys.
Jernbaneverket. (2014). Handlingsprogram 2014-2023. Jernbaneverket Näringsdepartementet. (den 10 03 2011a). Uppdrag för ökad kapacitet i
järnvägssystemet; N2011/1933/TE. Stockholm: Regeringskansliet.
Näringsdepartementet. (den 08 09 2011b). Utvidgning av uppdrag för ökad kapacitet i
järnvägssystemet; N2011/5221/TE. Stockholm: Regeringskansliet.Näringsdepartementet. (SOU 2009:74). Höghastighetsbanor - ett hållbart
samhällsbygge för stärkt utveckling och konkurrenskraft;. Stockholm:Näringsdepartementet.
SCB. (2011). Industriproduktionen i Sverige 1913-2010;
NV0402_2010A01_DI_01_SV_ar.xls. SCB.
SCB. (2014). Varuexport och varuimport 2005-2012. SCB.
SIKA. (2007:13). Utrikes och inrikes trafik med fartyg 2006. Trafikanalys.
SIKA. (2008:2). Bantrafik 2006. Trafikanalys.
Sundberg, M. (2009). Essays on Spatial Economies and Organization. Stockholm: KTH (doktorsavhandling).
Tillväxtanalys. (2010:05). Malmfälten under förändring – En rapport om
arbetskraftsförsörjning och utvecklingsmöjligheter i Gällivare, Kiruna och Pajala. Tillväxtanalys.
Trafikanalys. (2010:1). Indata till de nationella svenska person- och godsmodellerna
Sampers och Samgods för prognosår 2030. Stockholm: Trafikanalys.Trafikanalys. (2011:24). Bantrafik 2010. Trafikanalys.
Trafikanalys. (2011:6). Luftfart 2010;.
Trafikanalys. (2011:a). Transportarbete 1970-2010.xls. Trafikanalys.
Trafikanalys. (2013:10). Konsekvenser av skärpta krav för svavelhalten i marint bränsle.
Trafikanalys.
Trafikverket. (2009:97). Förslag till Nationell plan för transportsystemet 2010-2021.
Trafikverket.
Trafikverket. (2010b). Trafikverkets årsredovisning 2010. Trafikverket.
Trafikverket. (2011:067). Nationell plan för transportsystemet 2010-2021. Trafikverket.
Trafikverket. (2011a). Indata till de nationella svenska person- och
godstrafikmodellerna Sampers och Samgods för prognosår 2050 inom ramen för Kapacitetsuppdraget; TRV 2011/29243 A; Trafikverket 2011-11-14.
Trafikverket.
Trafikverket. (2011b). 0-alternativ och Basalternativ; Förutsättningar infrastruktur och
trafik. Trafikverket.Trafikverket. (2011c). Järnvägsnätsbeskrivning 2013, del 1, bilaga 4.2:
”Prioriteringskriterier” utgåva 2011-12-09. Trafikverket.
Trafikverket. (2012). Kapacitetsutnyttjande och kapacitetsbegränsningar hösten 2011.
Trafikverket.
Trafikverket. (2013). Förslag till nationell plan för transportsystemet 2014-2025 –
Remissversion 2013-06-14. Trafikverket.Trafikverket. (2013). Prognoser för arbetet med nationell transportplan 2014-2025 –
Trafikverket. (2013:106). Underlagsrapport Malmtransporter i Bergslagen. Trafikverket.
Trafikverket. (2014:067). Disaggregering av godsprognos 2030 till Bansek, EVA och
Sampers/Samkalk; Trafikverket.Trafikverket/Exportrådet. (2011). Långtidsbedömning av världsekonomin. Trafikverket.
Trafikverket/Vectura. (2011). Varuvärden godsprognos 2030 och 2050. Trafikverket.
Transportindustriförbundet. (2008). Godstransporterna, näringslivet och samhället.
Transportindustriförbundet.
Transportstyrelsen. (2014). Trafikstatistik svenska flygplatser 2013. Transportstyrelsen.
WSP. (2009:20). Samhällsekonomisk bedömning av höghastighetsbanor i Sverige. WSP.
Väg- och transportforskningsinstitutet VTI. (2004). Prognostisering av varuvärden; PM
10 mars 2004; J R Eriksson & U Björketun. Väg- ochtransportforskningsinstitutet VTI.
Vägverket. (2006:109). Godstransporter genom Skåne och Blekinge. Vägverket.
Östlund, B., & Wärnfeldt, Y. (2006). Analys av godstrafiken genom Skåne och Blekinge.
TFK.
Bilaga 1. rAps-STRAGO
Översiktligt sett kan modellen sägas bestå av en demografimodell från Umeå universitet och en input/output-modell (IO-modell) för hantering av regional ekonomi från Inregia (numera WSP) och SCB. Utförligare beskrivningar erhålls via till exempel (Anderstig &
Sundberg, Regional utveckling i Sverige Flerregional integration mellan modellerna STRAGO och rAps, 2009) och (ITPS, 2010). För att bryta ner aktiviteterna från STRAGO till en finare indelning, kommuner, används rAps-modellen (Regionalt analys- och prognossystem) som modellerar en efterfrågedriven ekonomisk utveckling utan priser.
Disaggregeringsgraden är betydligt högre i rAps än i STRAGO, till exempel arbetar rAps med 49 branscher och 72 regioner. En övergripande beskrivning ges i flödesschemat i figur A3.1.
Den flerregionala modellen kopplar på medellång sikt samman regionala modeller för de 72 funktionella analysregionerna, FA-regionerna, med avseende på två typer av mellanregionala flöden: export och import av varor och tjänster, samt inrikes in- och utflyttning. Den flerregionala modellen ser till att mellanregional export från alla regioner är lika stor som mellanregional import till alla regioner, och att regionernas inflyttning är lika stor som utflyttningen. I en flerregional modell beräknas idealt export, import, in- och utflyttning för alla par av regioner, det vill säga riktad handel och flyttning. Detta gör inte rAps. I den flerregionala modellen hanteras de mellanregionala flödena genom en extraregion, en ”pool”, som förmedlar all mellanregional handel och alla mellanregionala flyttningar.
Den regionala modellen för respektive FA-region arbetar med detaljerade data;
befolkningen är indelad efter ålder (100), kön (2), födelseland (3) och utbildning (12).
Produktionen är uppdelad på 49 i produktionssystemet inbördes beroende branscher med arbetskraftsefterfrågan specificerad efter utbildning. Efterfrågan på arbetskraft bestäms i proportion till bruttoproduktionen i respektive bransch.
Modellen drivs av exogen efterfrågan riktad mot den aktuella regionens produktion i olika branscher. Denna exogena efterfrågan består av export (från regionen), bruttoinvesteringar och offentlig konsumtion. Hur dessa efterfrågekomponenter förändras över tiden bestäms av vilka tillväxttakter som antas. Tillväxttakterna baseras till exempel på nationella antaganden enligt långtidsutredningens bedömningar.
Modellen är uppbyggd från samband både på kommunal och regional nivå, och består av fem delmodeller. Med start i befolkningsutvecklingsmodellen nås via stegvisa beräkningsprocedurer ett scenarioresultat. De olika delmodellerna beskrivs mycket kortfattat nedan. Beroendet mellan modellernas variabler kräver en iterativ procedur för identifiering av en jämvikt.
Befolkning: Här beräknas antalet födda, döda, åldrande och utbildade för aktuellt år.
Till detta adderas nettoflyttningen till regionen som bestäms av skillnaden mellan regionens in- och utflyttning. Föregående års utveckling på en interkommunal arbets- och bostadsmarknad bidrar till resultatet.
Arbetsmarknad. Här beräknas preliminära värden för arbetskraftens storlek samt regionens in- och utpendling. Värdena baseras bland annat på arbetsmarknadens utveckling föregående år.
Regional ekonomi: Beräkningar av bruttoproduktion, inkomster och
arbetskrafts-så kallade nya aktiviteter. Nya aktiviteter definieras av användaren och kan till exempel vara tillägg av ett större investeringsprojekt till befintlig exogen efterfrågan, eller reducerad offentlig konsumtion.
Bostadsmarknad: En del av investeringsefterfrågan beräknas här med utgångspunkt i föregående års bostadsbyggande som indata för årets bostadsinvesteringar. Delmodellen beräknar i ett senare skede även småhuspriser, antal nya hushåll i regionen samt bostadsbyggande i den aktuella regionens kommuner.
Eftermodell kommun: Här beräknas sysselsatt nattbefolkning, sysselsatt dagbefolkning, pendling mellan kommuner i regionen, samt kommunernas inkomster och utgifter. Beräkningen av sysselsatt nattbefolkning baseras på antagandet att förvärvsgraden förändras på samma sätt som i regionen för samma befolkningskategorier. Den sysselsatta dagbefolkningen beräknas genom en nedbrytning av regionens dagbefolkning, där förändringen av antalet sysselsatta i kommunal sektor styrs av den kommunala konsumtionens förändring i regionens olika kommuner.
Kommunernas sysselsatta natt- och dagbefolkning blir därefter indata till beräkningen av pendlingsmatrisen mellan kommuner.
Innan delmodell 5 kan köras måste gapet på arbetsmarknaden slutas, d v s arbetskraften plus nettopendlingen måste överensstämma med summan av sysselsatta och arbetslösa.
I en iterativ procedur mellan delmodellerna (2) och (3) justeras dessa variabler tills balansvillkoret är uppfyllt.
Figur A3.1 Aggregerat flödes för rAps-modellen. Källa: Nutek och SCB.
In- och utdata lista samt generella samband/operationer: