AKADEMIN FÖR TEKNIK OCH MILJÖ
Avdelningen för datavetenskap och samhällsbyggnadBostadsplanering i en mindre kommun
Lokalisering baserad på GIS-analys och Multikriterieanalys
Erik Thyr
2020
Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik
Lantmätarprogrammet, teknisk inriktning
Förord
Detta är mitt examensarbete på 15 hp som avslutar mina studier på
Lantmätarprogrammet Teknisk inriktning vid Högskolan i Gävle. De har varit lärorika och givande år, som har inneburit både utökad kunskap och vänner för livet.
Jag skulle vilja tacka min handledare Nancy Joy Lim för gott vägledande och tålamod. Jag skulle för övrigt vilja tacka Nordanstigs kommun för att ha varit tillmötesgående med såväl data som information. Jag vill även tacka de två respondenterna som intervjuades och för väl genomförda enkäter och intervjuer. Slutligen vill jag tacka min fru Emma för hennes stöd och hennes förståelse.
Erik Thyr
Sammanfattning
I en värld där befolkningen ökar kraftigt och är i ständig förändring, där ställs samhället och dess beslutsfattare inför stora utmaningar. En av dessa
utmaningar är att planera samhällen på ett effektivt och optimerat sätt, som även innefattar hållbara lösningar. Med en strävan att på bästa sätt använda marken i staden, samhället och landet så kan en lämplighetsanalys användas. En lämplighetsanalys är en kombination av att använda Geografisk
informationssystem (GIS) och multikriterieanalys (MKA) för att få fram den mest lämpliga platsen som för exempel ett bostadsområde. Både GIS och MKA är var för sig viktiga delar i samhället som även kan användas i kombination.
Studiens syfte är att jämföra två kommuner, Nordanstig och Sundsvalls
kommun, och deras olika viktning av samhällsfunktioner vid bostadsplanering. Det andra syftet är att jämföra hur två olika MKA metoder påverkar de slutliga resultaten. De två olika metoderna är Analytisk hierarkisk process (AHP) och Fuzzy AHP. Med hjälp av enkät och intervjuer av representanterna från kommunerna så tas vikter fram. De tillfrågade var tjänstemän från de två kommunerna, en från vardera kommunen. Målet med studien är att få fram områden där bostadsområden kan byggas, med hjälp av en multikriterieanalys. En bostadsplanering som tar in hållbarhets aspekter tidigt strävar mot att bidra till ett miljövänligare samhälle, aspekter som busshållplatser och park och fritid.
Resultatet visar att de olika tjänstemännen rangordnar kriterierna olika på vad som är viktigast när det kommer till samhällsfunktioner i ett nytt
bostadsområde. Representanten från Sundsvall rangordnar Kollektivtrafiken högst och representanten från Nordanstig rangordnar Större väg/järnväg högst. Slutresultatet visar att placering av bostadsområdet hamnar vid AHP metoden ungefär vid samma orter som vid Fuzzy AHP metoden. Det som skiljer är storleken på de olika områden och deras mer exakta utbredning. Det största området blir enligt Sundsvall viktning till FAHP och beläget i tätorten Gnarp, ytan blir då ca 118,5 ha stor. För att kontrollera om resultatet kan anses vara lämpligt har en känslighetsanalys gjorts, genom inverterade vikter tagna från enkäten och intervjuerna.
Abstract
In an ever-changing world as ours, the population increases rapidly. There will be great challenges for urban planning when it comes to finding effective, optimized and sustainable solutions. The city planners must find the most optimal way of land usage and one way of reaching this can be obtained through a land-suitability analysis. Land-suitability analysis can be described as a combination of both Geographic information system (GIS) and Multi-criteria analysis (MCA) and is used to obtain the most optimal position for a specific land usage, e.g. residential areas. GIS and MCA can both be used separately but can also be used as described in a combination.
The aim of this study is to compare two different municipalities, Nordanstig and Sundsvall, and how the weighting of social functions in planning housing projects differs in them. Another purpose is to compare two different MCA weighting methods and how they affect the final results. The methods used were Analytical Hierarchical Process (AHP) and Fuzzy AHP (FAHP). Using the output of the poll and the interviews from the representatives of the two municipalities weights were computed. The purpose of the study is to find suitable locations where residential areas can be built.
The result of the study shows that the officials ranked the weights of the social functions in a new residential area differently. The respondent from Sundsvall ranks public transportation as the most important factor, while the respondent from Nordanstig ranks larger road/railway the highest. The final results end up in the same urban areas in both AHP and Fuzzy AHP methods. The main differences between them are the sizes of the areas and their exact extents. The biggest area was achieved through Sundsvall’s FAHP weighting and was located in the urban area of Gnarp. The area was about 118.5 hectare in size. To check whether the results can be considered appropriate a sensitivity analysis has been performed, using inverted weights taken from the poll and the interviews.
Innehållsförteckning
Förord ... i Sammanfattning ... iii Abstract ... v Innehållsförteckning ... vi 1 Introduktion ... 1 1.1 Bakgrund ... 11.2 Syfte, mål och avgränsning ... 2
1.3 Nordanstigs kommun ... 3 1.4 Sundsvalls kommun ... 4 2 Teori ... 5 2.1 MKA ... 5 2.1.1 Bakgrund ... 5 2.1.2 AHP ... 6 2.1.3 Fuzzy AHP ... 8
2.2 GIS och lämplighetsanalys ... 9
2.2.1 Lämplighetsanalys ... 9
2.3 Bostadsområdets placering ... 9
2.3.1 Närhet till Skola ... 9
2.3.2 Närhet till större väg/järnväg ... 10
2.3.3 Närhet till kollektivtrafik ... 10
2.3.4 Närhet till centrum ... 11
2.3.5 Närhet till Parkytor och fritidsliv ... 11
2.3.6 Jordart ... 11
2.3.7 Närhet till service ... 11
2.3.8 Närhet till återvinningsstationer ... 12
2.3.9 Närhet till vård och omsorg ... 12
2.3.10 Lutning ... 12
3 Metod ... 13
3.1 Kriteriekartor ... 13
3.1.1 Restriktionskartor ... 13
3.1.2 Faktorkartor ... 15
3.2 Enkäten och intervjun ... 18
4.1 Enkät och intervjuer ... 27
4.1.1 Respondent 1 (Nordanstigs kommun) ... 27
4.1.2 Respondent 2 (Sundsvalls kommun) ... 28
4.2 Resultat från Multikriterieanalysen ... 28
4.3 Känslighetsanalys ... 36
5 Diskussion ... 40
5.1 Kriterier ... 40
5.2 Enkäter och Intervju ... 41
5.3 MKA ... 42
5.4 Känslighetsanalys ... 42
6 Etiska och hållbara aspekter ... 45
6.1 Etiska aspekter ... 45 6.2 Hållbarhet ... 45 7 Slutsats ... 46 7.1 Frågeställning ... 43 7.2 Framtida arbete ... 46 Referenser ... 47 Appendix A ... 1 Appendix B ... 1
1 Introduktion
1.1 Bakgrund
Vår värld förändras ständigt och i takt med att världens befolkning ökar så sätts samhällsplaneringen på sin spets när det gäller att finna effektiva, optimerade men även hållbara lösningar. Planeringen och placeringen av bostadsområden i staden eller samhället kan bidra till ett mer hållbart samhälle. Detta med tanke på att samhällsfunktioner bör ligga inom ett satt avstånd, lämpligtvis inom gångavstånd. För att på ett bra sätt kunna reglera och styra hur marken används, krävs det att det finns olika typer av planer. Dessa regleras enligt Boverket (2019) av planer som t.ex. detaljplan, översiktsplan och regionplan. Detta är lagstadgat och regleras i Plan- och bygglagen (PBL, SFS 2010:900). Samhällsplaneringen ska då hållas inom ramarna för dessa lagar och bestämmelser.
De senaste åren har tillämpning av Geografiska Informationssystem (GIS) och Multikriterieanalys (MKA) blivit populär och fortsätter att bli mer och mer populär. MKA används inom många olika områden och sektorer i samhället och
samhällsplanering är inget undantag. Med hjälp av MKA kan en lämplighetsanalys göras som Hopkins (1977) utvecklade och Malczewski (2004) vidare beskriver. Detta kan appliceras till exempel på bostadsplanering i en stad, tätort eller mindre kommun. Det lämplighetsanalysen gör är att olika kriterier ställs mot varandra för att få fram ett resultat var det lämpligaste platsen är trolig att vara, baserat på de kriterier som ställs.
Kriterier inom MKA består ofta av faktorer och begränsningar. Det går inte att bygga huset i vattnet, men det är möjligt att bygga på öppen mark i närheten av bebyggelse. En annan begränsning kan vara att undvika bebyggelse i närheten av riskzoner som kärnkraftverk, stora vägar, högspänningsledningar med mera. En metod som utvecklades på 1980-talet som under senare år har anpassats till MKA är Analytisk hierarkiprocess eller AHP baserat på Saatys (1980) studier. Denna metod viktar olika faktorer parvis och jämför dessa. Baserad på AHP har även Fuzzy AHP utvecklats (FAHP).
Enligt Sveriges Kommuner och Landsting (SKL, 2017) är målet för samtliga kommuner i grund och botten att nå ekonomisk tillväxt. Med en trend av att de mindre kommunerna tappar invånare och de större kommunerna, stadskommuner och universitetskommuner ökar. Det gör att många mindre kommuner får
lokaler och kan leda till att kommunen får svårare att ge ordentlig service. Det kan till och med behöva rivas byggnader eller förändra för stora vägar. SKL (2017) föreslår att mindre kommuner bör begränsa sig och satsa på de saker som gör dem speciella. Det är kommunen som ansvarar för att det ska finnas tillgång till bostäder och ansvarar för bostadsplaneringen enligt Lag (2000:1383) om kommunernas bostadsförsörjningsansvar. Det betyder att kommunen ska se till att det finns
riktlinjer som ger alla möjlighet till att bo på ett drägligt sätt, goda bostäder tas upp i denna lag. Dessa riktlinjer ska kunna appliceras till PBL (SFS 2010:900, kap. 2). i planeringsskedet. För att kunna säga att en bostad anses som god eller inte finns olika definitioner och kan tillhandahållas på olika sätt.
Hållbarhetsprincipen måste tas med tidigt i planeringen Boverket (u.å). Möjliggöra för kollektivtrafik och naturliga träffpunkter. Ekonomisk, ekologisk- och social hållbarhet. En planering för ett bostadsområde bör ta varje del av hållbarheten i aktning, där bör de olika delarna vägas likvärdigt.
1.2 Syfte, mål och avgränsning
Syftet med denna studie är att undersöka de skillnader som finns mellan en stadskommun och mindre kommun när det kommer till viktning av
samhällsfunktioner vid bostadsplanering. Detta ska genomföras med en enkät och intervju för inhämtning av input till viktsättning. Sedan kommer information att inhämtas dels från Nordanstigs kommun och dels via Lantmäteriet. Med hjälp av att använda sig av två olika viktningsmetoder kommer dessa viktningar läggas in i en MKA, där särskilda kriterier ställs mot varandra. Målet är att få fram områden där enligt ställda kriterier är den plats som är mest lämplig att bygga bostadsområden på. Behovet av samverkan och samarbete mellan kommuner är viktigt, helst i de mindre kommunerna med ansträngd ekonomi. Med hjälp av en mall eller riktlinjer i hur olika kriterier vid bostadsbyggande anpassas till en mindre kommun så kan fler kommuner gå ihop och använda samma typ av tillvägagångssätt.
Studiens forskningsfrågor är:
- Hur skiljer sig rangordningen av kriterier åt i jämförelse mellan representanterna i de olika kommunerna?
- Var kommer dessa bostadsområden att placeras baserat på de olika representanternas rangordning av kriterier?
- Hur förändras resultatet vid användning av olika viktnings metoder? AHP metoden gentemot Fuzzy AHP?
dessa två kommuners representanters val av kriterier vid multikriterieanalys kommer att genomföras. Fokus kommer hamna på viktsättning av dessa kriterier och dess påverkan på resultatet. Detta för att visualisera var dessa bostadsområden kommer placeras. För att få fram en vetenskaplig förankring på vilka kriterier som bör finnas med, så kommer expertis inom området att kontaktas och intervjuas. En annan begränsning är att välja ut endast två metoder till viktsättning av kriterier, där det finns många fler att välja bland. En annan avgränsning är att politiska intressen inte kommer att beaktas. Valet av rangordning ska tas ifrån de roller de har i arbetet och kommer därför anses vara försumbart påverkad av deras politiska åsikter.
1.3 Nordanstigs kommun
Nordanstigs kommun ligger i norra Hälsingland i Gävleborgs län och är en kommun belägen mellan Sundsvalls kommun i norr och Hudiksvalls kommun i söder. Figur 1 visar kommunens utsträckning. Kommunen angränsar till Ånge kommun i nordväst och Ljusdals kommun i sydväst Nordanstigs kommun (2020). Nordanstig har 9 477 invånare (SCB, 2019) och tillhör de mindre kommunerna i närområdet.
Befolkningsmängden har under de senaste 30 åren minskat, det fanns som mest ca 11 500 invånare i kommunen, i början av 1990 talet (SCB, 1990). Kommunen är präglad av dess natur och dess skog, där skogsbruket och skogsindustrin varit betydande genom alla tider. Nordanstig har även en kustremsa där fiskenäring och turism är två viktiga faktorer. Nordanstig har ingen stad men flera mindre tätorter. De tätorterna är Bergsjö, Gnarp, Harmånger, Hassela, Ilsbo, Jättendal, Stocka och Strömsbruk. Historiskt sett så var flera av dessa egna kommuner, men slogs ihop under kommunreformen 1974 (Nordanstigs kommun, 2020). Bergsjö är
Figur 1. Översiktskarta över Nordanstig kommun. ©Lantmäteriet. 1.4 Sundsvalls kommun
Sundsvalls kommun ligger i Medelpad och utgör en stor del av landskapets yta, ytan är 3180 km2 (SCB, 2015). Kommunen tillhör Västernorrlands län och angränsar till
Härnösands kommun, Sollefteå kommun och Timrå kommun i norr. I nordväst angränsar Sundsvall med Ragunda, Bräcke och i väst Ånge kommun. Söder om Sundsvall ligger Nordanstigs kommun. Sundsvalls kommun har en befolkning på ca 99 449 invånare (SCB, 2019). Sundsvalls kommun har varit med om olika
kommunreformer och mindre kommundelar har till slut slagits ihop med Sundsvall stad för att bli just Sundsvalls kommun. (Sundsvalls Kommun, 2020)
2 Teori
2.1 MKA
2.1.1 Bakgrund
Människan har under sin tid här på jorden varit tvungen till att göra olika val, fatta beslut som i sin tur påverkar både sig själv och sin omgivning. Dessa val kunde vara skillnaden mellan liv och död. Dessa val blev mer och mer avancerade när
människan slogs sig ner för att bosätta sig i byar som sedan växte sig till städer. Aristoteles var en grekisk filosof och lärd man för sin tid. Han anses vara den första att koppla ihop mänsklig önskan eller preferenser med rationellt beslutsfattande (Köksalan, Wallenius och Zionts, 2013). Benjamin Franklin (1706 – 1790) är ett av de tidigaste nedskrivna exemplen på en simpel form av MKA. Franklin skrev olika argument på ett papper, på ena sidan skrevs fördelar och på andra skrevs nackdelar. Sedan ströks de alternativ som låg närmast varandra och endast de med störst
betydelse blev kvar, en slags viktning (Köksalan, Wallenius och Zionts, 2011). MKA kan ses som ett medel för att på ett mer objektivt sätt fatta beslut, med hjälp av matematiska beräkningar (Köksalan et al., 2011).
Vilfredo Pareto (1848–1923) var en nationalekonom och studerade konceptet med sammanläggning av kriterier som står i konflikt med varandra till ett och samma index (Köksalan et al., 2011). Pareto anses ha skapat grundkonceptet inom MKA och vara grundaren av konceptet Paretooptimalitet. Köksalan et al., (2011) beskriver att paretooptimalitetens huvuduppgift är att skapa ekonomisk effektivitet och att den är en av de viktigaste delarna i ekonomi och modern MKA. Det innebär att
tillgängliga resurser inte kan fördelas så att någon får det bättre utan att minst en person får det sämre. Det finns flera olika viktnings metoder som exempelvis outranking, linear weighting, Ideal point. Outranking är en metod som används som verktyg vid beslutsfattande skapar en hierarki av kriterier och jämför dem med direkt nedstigande prioritet, en slags preferensrelation skapas mellan kriterierna och dess attribut (Bouyssou,2001). Weighted linear combination (WLC) är en av de mest använda sammanläggning metoderna, detta för att den är användarvänlig och mest enkel av de olika alternativen (Malczewski, 2004). Ideal point är en metod som tar fram hur långt i från den ideala punkten de ligger. Metoden tar fram en av många möjliga punkter och antar att den punkt som har den kortaste sträckan är den mest ideala punkten men även så långt ifrån den minst ideala punkt som möjligt
(Jankowski, 1995).
Bragge, Korhonen, Wallenius och Wallenius (2010) undersöker antalet
uttydas att MKA föddes på 1970-talet, förbättrades och utvecklades under 80-talet och har sedan 90-talet ökat kraftigt från år till år. Det betyder att behovet av MKA är stort och dess utveckling fortsätter att öka. Enligt Malczewski (2004) så kan det finnas problem med osäkerheter vid applikation mellan GIS och MKA.
Genom att behovet ökar och MKA ständigt utvecklas så tillämpas MKA till allt fler områden. När MKA appliceras till GIS så kan olika analyser av geografiska data utföras. En sådan applikation är lämplighetsanalys som kommer beskrivas tydligare i senare del av denna teoridel.
2.1.2 AHP
Analytisk Hierarkisk Process (Saaty, 1980) eller AHP är en metod framtagen för att ge struktur och sammanställa information och för att rangordna givna kriterier i en hierarkisk ordning. AHP är skapad av Thomas L. Saaty och används ofta vid
beslutsfattande. I (Saaty, 2008) definieras AHP som en teori av mätningar som genom parvis jämförelse använder sig och förlitar sig på experters bedömning för att ta fram prioritetsskalor, metoden kan beskrivas genom fyra steg. Det första steget är en undersökning om vad problemet är och vilken kunskap som behövs för att kunna utföra uppgiften. Det andra steget handlar om att dela upp problemet i flera mindre delar och skapa en hierarki med det övergripande målet som den översta delen, sedan kommer målen, kriterier och sist alternativen. I det tredje steget skapas det parvisa jämförelse matriser för varje nivå i hierarkin, för att kunna ranka de olika kriterierna. Vid steg fyra, som är det sista steget så kombineras prioriteterna från översta nivån och neråt för att slutligen få de slutgiltiga prioriteterna. AHP metoden förlitar sig enligt (Saaty, 2008) på skalan för den grundläggande parvisa jämförelsen, se tabell 1.
Tabell 1. Skalan för parvis jämförelse av kriterier. Källa: Chen et.al (2010)
Tabell 2. Exempel på en jämförelsematris där A är två gånger viktigare än B. B är två gånger viktigare än C. A är tre gånger viktigare än C.
Vid jämförelse av två kriterier så används prioritetsskalan (Tabell 1) för att se vilket kriterium som är viktigast men även hur många gånger viktigare det är än det dominerade kriteriet. För att visa relationen mellan de två kriterierna så skapas det inverser av det mer viktiga kriteriet och tilldelas det mindre viktiga kriteriet och genom matrisberäkning kan då vikterna beräknas fram. Om jämförelse matrisen är konsekvent ges vikterna på en gång. Skulle matrisen vara inkonsekvent behöver vikterna beräknas genom egenvärdes metoden. Det finns ett gränsvärde för hur inkonsekvent en matris får vara och det är acceptabelt så länge Consistency ratio CR <0,1. Consistency ratio eller konsekvensförhållande beräknas på följande vis
CI är ett konsekvensindex för matrisen och beräknas genom
Detta för n antal kriterier. Ri är ett konsekvensindex baserat på en slumpmässigt
framtagen jämförelsematris och värdet hämtas från Tabell 3.
Tabell 3. Slumpmässigt inkonsekvensindex där n =1,…..,9 framtagen av Saaty (1980)
Betydelse Beskrivning
1 Jämlik
3 Måttlig
5 Stark eller grundläggande betydelse
7 Mycket stark eller demonstrerande betydelse
9 Extrem betydelse
2,4,6,8 Mellanliggande värden
Inverterade Värden vid inverterade jämförelser
A B C
A 1 2 3
B 0.5 1 2
2.1.3 Fuzzy AHP
Fuzzy set theory (Zadeh, 1965) är ett sätt att beskriva hur ett objekt vars klass kan ha
en kontinuerlig grad av tillhörighet. Ett sådant set eller uppsättning har en funktion som tilldelar varje objekt en klass av tillhörighet som går från noll till ett. Det kan även beskrivas som en uppsättning med oprecisa gränslinjer. Fuzzy logic kan enligt Klir och Yuan (1995) beskrivas dels som en förlängning av traditionell två värdes logik och dels som en ren tillämpning av Fuzzy set teorin. Fuzzy set theory och fuzzy
logic är ett försök att hantera osäkerhet på ett sätt som mer överensstämmer med
verkligheten, där det ofta handlar om gradvisa övergångar mellan olika alternativ och inte alltid skarpa övergångar (Klir och Yuan,1995).
Saaty kom fram till att tillämpa denna metod till AHP och skapade därmed och Fuzzy
AHP eller FAHP (Saaty, 1982). Även Van Laarhoven och Pedrycz (1983) lade fram
ett förslag till ett Fuzzy AHP. Metoden är till för att användas där gränser mellan olika kriterier inte alltid är så skarpa, där värdet skulle kunna vara 2,5 eller 3,5 istället för 2 och 3 eller 4. Värden som fås genom denna metod får ett
minimumvärde, maximumvärde och ett medelvärde. Fuzzy AHP har flera likheter med AHP metoden och följer till viss del samma steg som AHP. Den första
skillnaden är vid skapandet av jämförelsematrisen, där behöver original matrisen konverteras till Fuzzy värden. I tabell 3 visas dessa värden som tilldelas ett minimum, medel och maximum.
Tabell 4 Skalan för parvis jämförelse med tillägg för fuzzy versionen av skalan, baserad på tabell 1.
Tabell 5. Exempel på Fuzzy AHP matris.
Betydelse Fuzzy Beskrivning
1 (1,1,1) Jämlik
3 (2,3,4) Måttlig
5 (4,5,6) Stark eller grundläggande betydelse 7 (6,7,8)
Mycket stark eller demonstrerande betydelse 9 (9,9,9) Extrem betydelse 2,4,6,8 (1,2,3), (3,4,5), (5,6,7), (7,8,9) Mellanliggande värden Inverterade Värden vid inverterade jämförelser
A B C
A (1, 1, 1) (1,2,3) (2,3,4) B (1/3,1/2,1/1) (1, 1, 1) (1,2,3) C (1/4,1/3,1/2) (1/3,1/2,1/1) (1, 1, 1)
2.2 GIS och lämplighetsanalys
I Hopkins (1977) beskrivs tidiga rasteroperationer, de togs fram för att kunna förenkla markanvändnings processen. Detta för att kunna göra
markanvändningsanalyser, genom att ta fram linjära och olinjära samband. Det krävdes mer kunskap för att göra analyser på den tiden. Både kunskap inom det matematiska och om markanvändningen eller översiktsplanering. Den stora svårigheten med sådana analyser är att det alltid behöver generaliseras och därav begränsas undersökningen, i princip omöjligt att ta hänsyn till alla aspekter som finns i ett samhälle som ett exempel.
Det stora genombrottet inom datortekniken möjliggjorde att dessa teorier kunde börja användas på ett helt nytt sätt. Detta med hjälp av datorer och deras ständigt ökande kapacitet dels i hastighet dels i lagringsförmåga. Denna teknik kom att kallas Geografisk informationsteknik (GIT) och används just för att behandla Geografisk information. Malczewski (2004) beskriver att GIS används för planering och markanvändningsanalyser. Datorernas ökade kapacitet bidrog också till att Kartografin och produktionen av kartor förenklades avsevärt vilket också låg till fördel för GIS.
2.2.1 Lämplighetsanalys
När samhällen och städer planeras så finns det en strävan efter att nå den mest optimala användningen av marken i staden, samhället och landet (Hopkins, 1977). För att få fram den mest lämpliga platsen, baserat på olika kriterier så brukar det ofta göras en lämplighetsanalys. En lämplighetsanalys fungerar på det sättet att platser som inte anses vara lämpliga utesluts med hjälp av kriterier och olika matematiska operationer. Det finns många exempel på hur städer växer fram och hur det går att på ett bra sätt beräkna var ett bostadsområde skulle kunna ligga som i Criado, Martínez-Graña, Santos-Francés, Veleda och Zazo (2017). På så vis kan det förutses ungefär hur en stad kommer kunna se ut om några år framåt. Svårigheten är att hitta det optimala stället. Kriterier bör kunna grundas i undersökning och
jämföras mot liknande studier. Varje område har sina förutsättningar och det bör betänkas när studien startar. Vilka styrkor och svagheter finns det i området. I GIS-program som ESRI ArcGIS så har olika verktyg skapats i syfte till att vara helt anpassat till stadsplanering ett exempel på detta finns i Burian, Stachova och Vondrakova (2018), verktyget heter Urban Planner.
2.3 Bostadsområdets placering 2.3.1 Närhet till Skola
närmaste skola. Dessa delas även upp i grundskolenivå, högstadienivå och
gymnasienivå. Stockholm stad (u.å) sätter nivån så att det inte vara mer än 4000 m till närmaste skola om det är på Högstadienivå. Även Nordanstig (u.å) säger detta hämtat från deras hemsida. Det är även så att efter ett visst avstånd så behövs det ofta skolskjuts istället för att eleven i fråga kan ta sig på egen hand eller med hjälp av förälder. Planerings supportsystem (PSS) är ett slags system som mer övergripligt använder sig av lämplighetsanalys och visar markanvändning, det går dock inte in på detaljer och förändras när det görs ändringar i modellen. (Arentze, Borgers, Ma, Timmermans, 2009). Enligt Rodriguez-López, Salas-Farina Villa-González, Borges-Cosic, Herrador-Colmenero, Medina-Cassubón, Ortega och Chillión (2017) så finns det en maximal gräns för hur långt ett skolbarn/ungdom är villig att gå från hem till skola. Så en strävan om att barn ska kunna gå till skolan är att föredra, detta kan ses både med säkerhetshänsyn och som hälsoaspekt. Madurika och Hemakumara (2017) använder sig av fem kriterier i deras studie varav en kriterier är tillgängliga
anläggningar som innebär både sjukhus, skola och annan service.
2.3.2 Närhet till större väg/järnväg
Det är viktigt för ett nytt bostadsområde att ha god infrastruktur och god möjlighet att rent logistiskt ta sig från ett ställe till ett annat. Med större väg menas det i denna studie att vara E4 som går genom större delen av landet. Enligt Trafikverket (2020) bör det finnas ett säkerhetsavstånd på ca 30 meter från större vägar. Järnvägar och järnvägsstationer kan möjliggöra för till och med större avståndspendling på kortare tid. Nordman och Ädling (2018) beskriver att det är viktigt med tillgång till
allmänna vägar i det fallet för planeringen vid en skola, men det omfattar även bostadsområden. Tillgången till en större väg gör det möjligt att på ett snabbare sätt ta sig från en plats till en annan. Det gör det även möjligt för företagare att placera sina företag i anslutning till sådana för att på så vis ha möjlighet att locka fler till att konsumera hos just dom.
2.3.3 Närhet till kollektivtrafik
I den värld vi befinner oss i så behöver miljö och hållbarhetsfrågan ta i beaktning redan från starten. Därför är det viktigt att god möjlighet till kollektivtrafik och belägga områden med bostäder i tät anslutning till redan befintlig kollektivtrafik och i synnerhet busshållplatser och järnvägsstationer eller hållplatser. Enligt Trafikverket (2009) så bör det vara ungefär 300 - 400 meter som längst från befintlig
busshållplats inom tätort. Tillgången till kollektivtrafiken är viktig, men även
och buss än med bil mellan samtliga sträckor. Det tar 31 minuter mellan Gnarp-Sundsvall och 36 minuter mellan Gnarp-Hudiksvall genom att köra bil. Det tar 29– 32 minuter mellan Gnarp-Sundsvall och 27–31 minuter mellan Gnarp-Hudiksvall med att åka tåg. Det är viktigt när det gäller arbetspendlingsavståndet och i hållbarhetstänket.
2.3.4 Närhet till centrum
God tillgång till utbyte både i social bemärkelse men även affärsmässigt kan vara en viktig faktor i ett samhälle. I Burian et al. (2018) används kriteriet markanvändning och en underkategori där kallas offentlig service sådan service som kan finnas i ett centrum. Ett centrum kan variera i sin definition, men är något som byn eller samhället ofta är uppbyggd runt. Där främst torg möjlighet och möte med andra människor möjliggörs. Det kan även vara en träffpunkt som till exempel ett bibliotek eller annan plats.
2.3.5 Närhet till Parkytor och fritidsliv
I ett bostadsområde så krävs det att många olika faktorer uppfylls, men en viktig faktor kan vara att ha tillgång till skog och mark men även andra parkytor och fritidsliv. Burian, et al. (2018) har som underkriterier reakreationsytor eller parkytor. Det är viktigt att detta finns i anslutning till nya områden just för att det ska gå att promenera en kortare sträcka för att kunna ta del av detta. Är detta avstånd längre ökar risken för att det behöver vara en transport. Transport riskerar att vara bil eller något annat fossilberoende och begränsar de boende samt har en negativ inverkan på miljön och kan då inte anses vara hållbar.
2.3.6 Jordart
Ett bostadsområde är något som är tänkt att vara stadigvarande och ska kunna finnas en längre tid. Därför bör det tas i åtanke på vad marken som detta område ska stå på. Det bör vara stabil mark som inte påverkas allt för stort av större mängder vatten eller annan påverkan. Sveriges mest representerade jordart är moränen och ungefär 75 % av marken består av morän (SGU, 2020), som till stor del består av sten och grovsand. Detta material kan både vara bra och dåligt för bobyggnad. Materialet kan variera i storlek och påverkas rätt kraftigt i vissa fall av tjälen i marken. Så kallad tjälskjutning.
2.3.7 Närhet till service
För att ett samhälle ska fungera på ett bra sätt så måste en viss grad av service finnas. När nya bostäder planeras bör dessa placeras i förhållande till nu rådande
menas affärer, dagvaruhandel och bibliotek. Burian, et al. (2018) använder sig av kriteriet offentlig service som passar in även i denna faktor. Ju närmare till detta desto mer positiv inverkan kommer det ha på området i överlag. Med ett avstånd på maximalt 2000 meter så innebär detta att en mindre promenad kommer kunna få en invånare i detta bostadsområde att med fördel kunna ta del av denna service.
2.3.8 Närhet till återvinningsstationer
För att människor ska med lätthet kunna återvinna sitt material så bör det finnas möjlighet, tillgång och närhet till återvinningsstationer. Detta så länge det inte finns hushållsnära återvinning. Detta är viktigt i miljöaspekt att kunna återvinna på ett bra sätt.
2.3.9 Närhet till vård och omsorg
För att ett bostadsområde ska tillgodose människors behov både nu och i framtiden så bör även vård och omsorg vägas in. I Madurika och Hemkumara (2017) så används kriteriet i en tillgänglighetsfaktor där specificerad som sjukhus, i detta fall finns det inga sjukhus inom kommunen, dock finns det vårdcentraler. För
sannolikheten att någon väljer att bosätta sig på en plats bör öka om denne kan vara trygg i att ej behöva flytta en längre sträcka när denne når en ålder eller mående som gör att denne ej kan bo hemma längre. Det är också viktigt att ha tillgång till sådant som vårdcentraler och apotek. Avståndet 3000 m gör att det inte blir allt för lång till sådan möjlighet.
2.3.10 Lutning
Vid placering av bostadsområden så kan processen förenklas om det undviks att bygga på allt för lutande mark. Ju mer det lutar desto mer påverkan blir det på själva anläggningsprocessen. Med en lutning på max 7 % så tillgodoses de
3 Metod
I denna studie så genomfördes en fallstudie om planering av bostadsområden i mindre kommuner och multikriterieanalysens användning vid bestämning av deras läge. Kriterierna togs fram genom en undersökning av tidigare studier samt en undersökning Nordanstigs kommuns översiktsplan. Det undersöktes även hur andra kommuner ställer kriterier i sin bostadsplanering. Enkäten och intervjuerna gjordes mot personer som jobbar med planeringsfrågor i Nordanstigs och Sundsvalls
kommun. Framtagandet av material för analysen togs fram dels via kartmaterial från kommunen dels material skapat från och baserat på kartmaterialet. Kommunen bistod med materialet men själva data kom till stor del från Lantmäteriets öppna data (https://www.lantmateriet.se/sv/Kartor-och-geografisk-information/oppna-data/).
QGIS har använts för att skapande av faktor och restriktionskartor, samt MKA analyser och känslighetsanalys. AHP v2 (Brandt 2003) användes för att parvis jämföra faktorerna i analysen.
3.1 Kriteriekartor
Kartinformationen som användes för att tas fram dessa kriterierna tillhanda gavs av Nordanstigs kommun medan höjdmodellen (med 50 m upplösning) importerades från Lantmäteriet. Denna data delades då upp i data som skulle användas till restriktionskartor och till faktorkartor. Innan kartorna skapades så gjordes en re-sampling för att få pixelstorleken på samtliga kartor att vara 20x20 m, den cellstorleken användes för att studieområdet täckte hela kommunen.
3.1.1 Restriktionskartor
Restriktionskartor är kartor som skapas för att visa var det är olämpligt att använda marken till ett visst syfte. I studien så gjordes dessa restriktionskartor för att visa var det inte går att uppföra bostadsområden. I Tabell 4 listas de olika
Tabell 6. Restriktionskartor och dess anmärkningar
Figur 3. Restriktionskarta bebyggelse. Figur 4. Restriktionskarta höjd.
Figur 5. Restriktionskarta industriområde Figur 6. Restriktionskarta kultur.
Restriktion Anmärkning
Ej bebyggelse på lägre än +2,40 m, RH2000.
Kan ej bebyggas, översvämningsrisk. Ej belägen för nära eller på vägar, Större
vägar och järnväg.
Kan ej bebyggas, samhällsviktig,
säkerhetsrisk. Ej belägen utanför tätort. Kan ej bebyggas, enligt
översiktsplan. Ej belägen i sjöar och vattendrag. Kan ej bebyggas. Ej belägen för nära industrier. 100 m. Kan ej bebyggas, säkerhetsrisk. Ej belägen på kulturintressanta områden. Kan ej bebyggas.
Figur 7. Restriktionskarta Naturreservat. Figur 8. Restriktionskarta Odling.
Figur 9. Restriktionskarta Riksintresse. Figur 10. Restriktionskarta Tätort.
Figur 11. Restriktionskarta Vatten. Figur 12. Restriktionskarta väg.
3.1.2 Faktorkartor
Vid skapandet av faktorkartor utfördes mer hantering och modifiering av data. Där skapades punktlager, linje lager och ytlager för att tillgodose de kriterier som ställts. För punktlager så skapades det buffertzoner runtom med olika distanser från
centrum av punkten. Exempel på sådana lager är Kollektivtrafik lagret, där busshållplatser och järnvägsstationen är markerade som punkter. Buffertzoner gjordes även för lagret större väg/järnväg, där zonen innebar säkerhetsavståndet ifrån själva vägen och järnvägen. Ett exempel på hanteringen var skapandet av faktorlager med lutning, allt över 7 % anses olämpligt.
Efter den hanteringen så skapades det en analys för Euklidiskt avstånd. Euklidiskt avstånd är när avståndet mäts från centrum av huvudcellen till centrum av alla celler omkring denna. Ett raster skapas där celler med värden nära 0 är faktorn och ju längre avstånd ifrån faktorn desto bättre eller högre värde får cellerna. Denna metod genomfördes för varje faktor och gick till i tre steg:
1. Euklidiskt avstånd från varje faktor beräknades och bildar ett raster som visar ett avstånd från faktorn givet i meter. Pixlarna som ligger närmast faktorn får då avståndet 20 meter.
2. Efter denna omvandling så får faktorlagren flera olika högsta värden. För att underlätta uträkningen så normaliseras detta genom att sträcka faktorerna mellan 0 och 255. Ekvationen för normalisering görs genom Ekv. 1.
Pn = (PA – Pmin) x (Nmax – Nmin / Pmax – Pmin) Ekv.1
Pn = det omvandladevärdet, PA = nuvarande värde, Nmax = det nyahögsta
värdet (255), Nmin = det nya lägsta värdet (0), Pmax = det nuvarande högsta
värdet och slutligen Pmin = det nuvarande lägsta värdet.
3. Det tredje steget gjordes för de lager som behöver att ju närmare desto bättre. Till exempel skolor och de bör inverteras. Värden nära faktorn ska vara höga och lägre ju längre ifrån. Detta genom Ekv. 2, där Ni = det nya
pixelvärdet, Nmax = 255 samt Pn = det normaliserade värdet.
Ni = Nmax - Pn Ekv.2
Tabell 7. Faktorkartor (ju närmare desto bättre).
Fig. 13. Faktorkarta centrum Fig. 14. Faktorkarta kollektivtrafik
Figur 15. Faktorkarta jordarter Figur 16. Faktorkarta lutning.
Figur 17. Faktorkarta park och fritidsliv. Figur 18. Faktorkarta service.
Närhet till skola Inom 4000 m.
Närhet till större väg/järnväg 30 m säkerhetsavstånd. Närhet till kollektivtrafik Inom 400 m.
Närhet till centrum, Inom 2000 m.
Närhet till Parkytor/fritidsliv Inom 1000 m. Jordart
Morän, Berg, Isälvssediment (grus) och Isälvssediment (sand)
Tillgång till service Inom 2000 m.
Närhet till Återvinningsstationer. Inom 500 m. Närhet till vård och omsorg Inom 3000 m.
Figur 19, Faktorkarta Skola. Figur 20. Faktorkarta Större väg/järnväg.
Figur 21. Faktorkarta vård. Figur 22. Faktorkarta återvinning. 3.2 Enkäten och intervjun
För att styrka studien så gjordes en enkät följt av en intervju av samhällsplanerare på kommunerna. På Nordanstigs kommun valdes respondent 1 som är Stadsarkitekt, hen valdes för att dennes kunskap inom detaljplanering inom detaljplanering. Respondent 2 valdes från Sundsvalls kommun och hen är planeringsarkitekt, anledningen till att hen valdes var just för dennes roll och kunskaper i den rollen. Enkäten utformades enligt bilaga B där dessa ombads att rangordna de kriterier som läggs fram i enkäten. För att komplettera dessa enkäter så gjordes en intervju där vidare motivering av svaren gjordes. Enkäter genomfördes via mejl och intervjuerna gjordes via telefon vid intervjun av respondent 2 och intervjun med respondent 1 gjordes via Skype. En bidragande faktor till att dessa skedde på distans var det rådande läget med restriktioner kring resande och fysiskt möte. Formuläret med lista över kriterierna bifogades, med några punkter att fundera på inför intervjun. Se Bilaga B. I intervjun ställdes dessa frågor:
• motivera varför du valde just den faktorn som den viktigaste? • motivera även den näst viktigaste?
• finns det någon faktor du anser vara mer viktig än de som är listade?
Resultaten från de två enkäterna jämfördes med varandra och användes senare för att vikta de olika faktorer som tagits fram.
3.3 Viktning
3.3.1 AHP
I detta avsnitt visas tabeller på de olika kriterierna för att förtydliga hur själva AHP metoden gick till. Undersökningen och delningen av problemet har gjorts genom skapandet av kriteriekartor och genom enkät och intervju. Därav startar denna del på steg 3. I steg 3 skapas en jämförelsematris som visas i Tabell 8–10. I tabell 11 visas resultatet av jämförelsematriserna och de slutgiltiga vikterna för respektive respondent.
Tabell 8. AHP Jämförelsematris med 10 kriterier från respondent 1 viktsättning.
Tabell 9. AHP Jämförelsematris med 10 kriterier från respondent 2 viktsättning.
Större väg Service Kollektiv Skola Jordarter Parkytor Vård Lutning Åter Centrum
Större väg 1 2 3 4 5 6 7 8 9 9 Service 0.5 1 2 3 4 5 6 7 8 8 Kollektiv 0,333333 0.5 1 2 3 4 5 6 7 7 Skola 0.25 0,333333 0.5 1 2 3 4 5 6 6 Jordarter 0.2 0.25 0,333333 0.5 1 2 3 4 5 5 Parkytor 0,166667 0.2 0.25 0,333333 0.5 1 2 3 4 4 Vård 0,142857 0,166667 0.2 0.25 0,333333 0.5 1 2 3 3 Lutning 0,125 0,142857 0,166667 0.2 0.25 0,333333 0.5 1 2 2 Åter 0,111111 0,125 0,142857 0,166667 0.2 0.25 0,333333 0.5 1 1 Centrum 0,111111 0,125 0,142857 0,166667 0.2 0.25 0,333333 0.5 1 1
Kollektiv Service Parkytor Skola Större väg Centrum Jordarter Lutning Vård Åter
Tabell 10. Jämförelsematrisen med kolumnernas totala summa.
Tabell 11. De relativa vikterna från AHP metoden från båda respondenterna.
Consistency Ratio (CR) respondent 1 = 0,0618009186719182 Consistency Ratio (CR) respondent 2 = 0,0618009186719182
3.3.2 Fuzzy AHP
För att genomföra en Fuzzy AHP måste nedanstående steg göras:
Steg 1. Först så utförs en fuzzy parvis jämförelsematris (tabell 12), enligt Ekv.3.
Ekv 3.
Feature Större väg Service Kollektivtrafik Skola Jordarter Parkytor Vård Lutning Åter Centrum
Tabell 12. Fuzzy AHP matris med 10 kriterier.
Tabell 13. FAHP matris med studiens kriterier baserat på respondent 1 viktning.
Tabell 14. FAHP-matris med studiens kriterier i ordning efter respondent 2 viktning.
Steg 2. Sedan så beräknas det geometriska medeltalet (Ekv. 6) för att definiera det
fuzzy geometriska medelvärdet för varje kriterium (tabell 15 och 16). ri är det fuzzy
geometriska medelvärdet och dij är beslutfattarens preferens över kriterium n:e.
Större
Ekv. 6
Tabell 15. Fuzzy-geometriskt medelvärde (respondent 1)
Tabell 16. Fuzzy-geometriskt medelvärde (respondent 2)
Steg 3: Bestäm den suddiga (fuzzy) vikten av kriteriet (Ekv. 7, tabell 17 och 18), där
wi är den suddiga vikten.
Tabell 17. Fuzzy vikter (respondent 1).
Tabell 18. Fuzzy vikter (respondent 2).
Steg 4: Beräkna medelvärdet och den normaliserade vikten för kriteriet (Ekv. 8). Mi
är medelvärdet och Ni är den normaliserade vikten. Den slutliga fuzzy AHP vikter
från respondenterna visas i tabell 15.
Tabell 19. Medelvärdet för Fuzzy vikter från respondenternas svar.
3.4 Multikriterieanalys
När samtliga restriktionskartor var skapade så multiplicerades de ihop till en
slutgiltig fil (figur 23). Sammanläggning av restriktionskartorna gjordes genom Ekv. 9 (R = totalt värde för varje cell och ri = restriktionsvärde för kriterium i).
Figur 23. Sammanlagd Restriktionskarta. Figur 24. Sammanlagd Faktorkarta för respondent 1 vid AHP metoden.
Ekv. 9 Samtliga faktorkartor var skapade genom att använda de vikter som skapats av respondenternas rangordning (figur 24.) Både AHP (Saaty,1980) och FAHP användes till detta genom att multiplicera den relativa vikten som skapats av rangordningen, till de olika faktorerna och sedan addera ihop dessa. Ekvation 10 användes för att få faktorkartorna att integreras med varandra där F = Faktorvärde för varje cell, fi = faktorvärde för kriterium i och vi = vikt för kriterium i. Denna
slutgiltiga faktorkarta ska sedan multipliceras med den slutgiltiga faktorkartan, enligt Ekv.11.
Ekv. 10
S = R x F Ekv. 11 För att tydligt visa den mest lämpliga platsen så används en mindre del av resultatet. Resultatet hanteras i rasterkalkylatorn där den ställs inför operationen S >254, vilket innebär att endast värden som är högre 254 accepteras och blir lagd som alternativ placering. För att ytterligare begränsa studien så ställs lagret inför
operationen S >254,5 och det motsvarar då den mest lämpliga platsen för studien. Vidare för att få fram storleken på ytorna som skapats av denna analys görs en omvandling från raster till vektor genom vektorisering. Som vektor lager läggs det in area i attributen.
3.5 Känslighetsanalys
4 Resultat
Nedan kommer en sammanställning av enkäten och intervjuerna samt hur dessa gav den rangordningen i hierarkin i studien. Resultatet av dessa viktningar kommer även visas med kartor över kommunen och vilka platser som resultatet visar. I tabell 20 och 21 visas de olika faktorerna i rangordning från viktigast till minst viktig.
4.1 Enkät och intervjuer
4.1.1 Respondent 1 (Nordanstigs kommun)
Närhet till större väg/järnväg rankades som högst (tabell 20) med motiveringen att det är viktigt att ha tillgång till bra infrastruktur. Det är dock bra med
säkerhetsavstånd för till exempel farligt gods. Som näst viktigaste rankades närhet till service motiveringen där var att det snarare handlar om service i kommunen, när inget tydligt centrum finns. När det kommer till om det saknas några faktorer enligt tillfrågad så tas verksamhetsområde för VA, närhet till redan befintlig bebyggelse och olika riskfaktorer upp. Motivering till dessa är att med redan befintlig bebyggelse och verksamhetsområde för VA så kan det effektiviseras och göra det bättre i ett samhällsekonomiskt perspektiv. Även här tas översvämningsrisk och havsnivåhöjning upp. Den tillfrågade diskuterar även att det är svårare att rangordna baserat på en så generell nivå, det hade varit lättare om det funnits en specifik inriktning som tex barnfamiljeområde då hade nog skola och förskola rankats högre.
Tabell 20. Faktorerna i rangordning från 1–10 från respondent 1.
Faktorer Rangordning
4.1.2 Respondent 2 (Sundsvalls kommun)
Närhet till kollektivtrafik rankades som den högsta i denna rangordning (tabell 21). Motiveringen till detta var att det är viktigt att ha kollektivtrafik nära, för ju närmare det är till en hållplats desto större är chansen att den används. Detta tas med i
planeringen av bostadsområden i Sundsvall. Här nämns även att det är viktigt att planera i närheten av redan befintlig bebyggelse. Som näst viktigast valdes Närhet till service och det motiverades med att om det planeras i närheten till befintlig service och teknisk försörjning så både underlättas processen men kan även leda till lägre kostnader. Närhet till återvinningsstationer rankades lägst och motiveras med att inom en snar framtid så kommer de inte att behövas i samma utsträckning.
Hushållsnära återvinning skall införas 2021. När förfrågan om det fanns någon faktor som saknades togs några exempel upp. Säkerhetsfaktorer som närhet till industrier, bensinstationer, ljus, ljudstörningar med flera barriäreffekter, översvämningsrisker, attraktivitet är några fler exempel. Slutligen så nämndes att säkerhetsfaktorer är viktiga att ha med. Men att det absolut viktigaste var tillgång och närhet till kollektivtrafik men även närheten till service.
Tabell 21. Faktorerna i rangordning från 1–10 från respondent 2.
4.2 Resultat från Multikriterieanalysen
I figur 25 till 30 så visas resultaten från Nordanstig i både AHP och Fuzzy AHP. Där är värden lika med eller över 254 eller 0,4 % bästa cellvärden. Dessa områden ligger kring och i tätorterna Gnarp och Harmånger. De värden som var mest lämpliga
Faktorer Rangordning
hamnade i områden som ligger i närheten av E4 och järnvägen. Det kan förklaras med att det finns flertalet samhällsfunktioner just i närheten till E4. I tabell 22 kan de olika ytornas storlek utläsas utifrån mest lämplig yta och alternativ placerings yta. Den alternativa placerings ytan är den yta som är något mindre lämplig men bör ändå finnas med. Från dessa kan det ses att det största området blir enligt
respondent 2 viktning till FAHP och beläget i tätorten Gnarp, ytan blir då ca 118,5 ha stor. Den mest lämpliga ytan vid respondent 2 AHP viktning blir ca 76,04 ha stor, detta även i Gnarp. Vid respondent 1 viktning av AHP blir ytan ca 54,88 ha, till skillnad från FAHP som blir 47,92 ha. Den andra tätorten Harmånger fick vid respondent 1 AHP ytan 2,6 ha och vid FAHP 0,72 ha. Respondent 2 resultat från Harmånger blev vid AHP 85,6 ha och vid FAHP 77,8 ha. Den totala ytan av båda orternas utbredning vid de lämpligaste ytorna blev för respondent 1 vid AHP 57,48 ha och vid FAHP 48,64 ha. För respondent 2 viktning blev det vid AHP 193,88 ha och vid FAHP 196,28 ha. Ytornas mer exakta utbredning visas i figur 27 till 30. Resultatet gav även alternativa placeringar som inte var tillräckligt lämpliga men ändå tas med i resultatet. Dessa ytor är i regel större och belägna till stor del i samma utsträckning bortsätt från några enstaka undantag som också ligger till grund för den större ytan.
Tabell 22. Resultaten för de ytor som gavs genom AHP och FAHP med respondenternas vikter.
I tabellen kan skillnaden mellan orterna utläsas men även skillnaderna mellan de olika MKA metoderna AHP och FAHP. Av skillnaderna kan det utläsas att det skiljer ca 6,96 ha mellan mest lämplig ytorna i Gnarp vid AHP-FAHP vid respondent 1 viktning, där AHP är 6,96 ha större än FAHP. Till skillnad från respondent 2 viktning där det skiljer 0,64 ha mellan AHP och FAHP där FAHP är störst. I
Respondent 1 Respondent 2
AHP FAHP AHP FAHP
Harmånger finns också skillnader mellan de olika metoderna och de olika respondenterna. För respondent 1 så skiljer det sig ca 1,88 ha mellan AHP och FAHP och för respondent 2 så skiljer det sig 1,76 ha i tätorten Harmånger.
I figur 25 visas en översiktskarta över AHP resultatet från respondent 1 viktning och i figur 26 visas en översiktskarta med FAHP resultatet. Det mest lämpliga området visas i grönt och de alternativa placeringarna visas med blått. I figur 27 till 30 så visas resultaten i mer detalj genom småskaliga kartor över de två tätorterna som
resultaten hamnade i. I figur 27 och 28 visas respondentens viktningar för AHP över först Gnarp sedan Harmånger. I figur 29 och 30 visas densammes viktningar för FAHP för samma tätorter.
Figur 26. Översiktskarta över MKA resultat från Nordanstig, AHP metoden. © Lantmäteriet
Figur 28. Resultat Nordanstig AHP karta över Harmångers tätort © Lantmäteriet
Figur 30. Resultat Nordanstig FAHP karta över Harmångers tätort © Lantmäteriet
Från figur 31 till 36 så är det resultaten av respondent 2 viktningar. Först kommer två översiktliga kartor i figur 31 och 32, och sedan mer småskaliga kartor över tätorterna Gnarp och Harmånger från figur 33 till 36.
Figur 32. Översiktskarta över MKA resultat från Sundsvall, FAHP metoden. © Lantmäteriet
Figur 34. Resultat Sundsvall AHP, Harmångers tätort © Lantmäteriet.
Figur 36. Resultat Sundsvall FAHP, Harmångers tätort © Lantmäteriet. 4.3 Känslighetsanalys
Tabell 23. Känslighetsanalysens ytor i tre olika tätorter Bergsjö, Gnarp och Harmånger.
I figur 37 till 40 visas översiktskartor med de olika känslighetsanalyserna, två kartor per kommun. I dessa syns det tydligt att det finns en skillnad mellan de olika viktsättningarna. En tätort som ligger ett par mil bort från de andra tätorterna som varit tidigare i studien.
Figur 37. Översiktskarta resultat Nordanstig AHP Känslighetsanalys, © Lantmäteriet.
Respondent 1 Respondent 2
AHP FAHP AHP FAHP
Ort Mest lämplig (ha)
Mest lämplig (ha)
Figur 38. Översiktskarta resultat Nordanstig FAHP Känslighetsanalys, © Lantmäteriet. .
5 Diskussion
5.1 Kriterier
Kriterierna har valts baserad på information från boverket och hur andra studier har använt sina kriterier. Nordman och Ädling (2018) använder sig av flera kriterier och några av dessa har även kunnat tillämpas till bostadsbyggande. Så som jordarter och lutning. Restriktionskartan för höjd utformades på det sätt att endast höjder på +2,41 m ansågs vara lämpliga. Det valdes för att enligt Nordanstigs Kommun (2018) får inte bebyggelse ske på lägre höjd än detta i närområde till havet, detta på grund av översvämningsrisk. Restriktionskartan för odling skapades för att skydda värdefull odlingsmark och samtidigt använda den marken som inte nödvändigtvis används som odlingsmark. Kartan för restriktion av Riksintresse skapades för att undvika att bebygga på mark avsedd för just riksintresse. Där ingår järnvägen i nuvarande utsträckning men också en alternativ sträckning som är under utredning. Trafikverket (2019) Det är viktigt att vara delaktig i långsiktiga planeringar när det gäller analyser som denna. Det riskerar annars att bli bebyggelse på mark som redan är planerad för annat syfte. Därför är det viktigt att hålla sig uppdaterad med
aktuella planer såväl detaljplaner som översiktsplaner. De restriktionskriterier som användes i denna studie kan anses vara tillräckliga, de skulle dock kunna optimeras genom att skapa buffertzoner kring tex vägar, så kallades säkerhetszoner. Även buffertzoner runt kulturpunkterna hade kunnat göra dessa kriterier mer restriktiva och eventuellt mer exakta. Fler säkerhetsrestriktionskartor hade kunnat tillämpats till studien som bullersäkerhetsavstånd och säkerhetszoner för
högspänningsledningar.
Faktorkriterierna som användes i denna studie skulle kunna optimerats och en del skulle kunna bytas ut för att få ett bättre resultat. Återvinningsstationerna som faktor är helt utbytbar i och med de nya lagstadgarna om hushållsnära återvinning som kommer införas 2021. En annan hantering av faktorer och kriterier som
Madurika och Hemakumara (2017) gjort är att samla flera faktorer till en överfaktor för att gruppera kriterierna. Faktorer som använts i denna studie skulle tex service, centrum och vård och omsorg skulle kunna grupperas istället till en faktor och sedan viktas mot varandra i den grupperingen.
Nordanstigs kommun har sina förutsättningar och detta har försökt tas i beaktning. I andra studier som studerats under detta arbete så har Gång och cykelväg ofta
5.2 Enkäter och Intervju
Enkäterna och intervjuerna gjordes för att utesluta missförstånd. Genom dessa fick de tillfrågade chansen att motivera och förklara varför de rangordnade på det sättet som de gjorde. Om fler tillfrågats hade det förmodligen blivit en mer statistiskt stabil studie. Med få tillfrågade så påverkas resultatet mer för var faktor än om det hade varit låt oss säga fyra från varje kommun då hade ett medelvärde kunnat bildas. Det skapades dock en viss förvirring kring några av faktorerna så som större
väg/järnväg. I den ena intervjun tolkades den som en säkerhetszon och i den andra att det var bättre att vara nära den större vägen. I övrigt verkade de tillfrågade nöjd med enkäten och tyckte att den var förståelig. Det fanns dock åsikter som att frågan var för övergriplig, en önskan om mer precisering fanns hos en av de tillfrågade. En av respondenterna berättade att hen hade helst sett den mer specifik som
bostadsområde för barnfamiljer eller för äldre. Rangordningen av de olika tillfrågade skiljde sig från varandra på flera punkter. Till exempel den högst rankade i
Sundsvalls svar var kollektivtrafiken och i Nordanstig var det större väg/järnväg. I Nordanstig rangordnades centrum lägst och i Sundsvall så rangordnades
återvinningsstationer lägst. Det fanns dock likheter så som att återvinningsstationer rangordnades både lågt och att Lutning rangordnades från både som nummer 7, tredje minst viktig. En annan skillnad var att närhet till centrum viktas lågt från Nordanstigs kommun medan det viktas högre från Sundsvalls kommun. Det skulle kunna hänga ihop med att de är olika typer kommuner med olika syner och förutsättningar. Så som att Sundsvall har en etablerad stadskärna och ett tydligt centrum. Det är inte lika tydligt och finns inte på samma sätt i Nordanstig, som dels inte har en stad men heller ingen tydlig mötesplats.
Endast en representant tillfrågades och det kan anses vara för lite för att dra några övergripande slutsatser för vad hela kommunen tycker. Däremot kan dessa ses som representanter för kommunen, där deras roll inom den kommunala verksamheten ger deras åsikt en stor betydelse för kommunens och dess invånare. Deras åsikter kan vara bidragande till hur kommunen och dess planering utvecklas. Där får det särskiljas att deras personliga åsikter och deras professionella åsikter eventuellt inte alltid går hand i hand, men i detta fallet är fokuset på deras professionella åsikter och utifrån deras roll i arbetet som står i fokus.
Om fler hade tillfrågats från olika delar av kommunen så hade ett mer representativt resultat kunnat ges. Frågan skulle kunna ställas till flera arbetare på
5.3 MKA
Metoderna som användes i denna studie AHP och FAHP har sina begränsningar, det finns klara likheter mellan dem på grund av att FAHP bygger på just AHP. Det finns också en viss fara i att resultatet från AHP kan ses som bättre än vad det egentligen är. Saaty och Tran (2007) menar att det finns en risk med att använda sig av FAHP och Fuzzy-logik, helst när det används för att hantera osäkerheter på ett annat sätt. Fortsatt menar författarna att AHP i sig är tillräckligt suddig och när den omvandlas eller görs mer suddig så riskerar värdet att bli för vridet. Det finns såklart fördelar också med dessa MKA metoder. Metoderna kan inte anses vara helt opartiskt i och med att beslutaren ofta tar fram faktorer och sedan finner sätt att rangordna dem, så viss eller stor påverkan ligger ändå hos beslutsfattaren. I denna studie så användes den av-suddade versionen av FAHP, det är förmodligen en bidragande faktor till resultatet.
Det finns tydliga likheter i de olika resultaten mellan AHP och FAHP men även mellan de olika enkäternas svar. Storleken på områdenas yta skiljer sig åt i de flesta fallen. Likheter som finns mellan de båda kommunerna är att de största ytorna hamnar i tätorten Gnarp. Detta är inte överraskande när det finns både
järnvägsstation och olika typer av service som affärer och bank i just den orten. Det finns både förskolor och grundskolor där samt att E4an går genom orten. Vidare finns det mycket öppen mark som i nuläget brukas som åkermark, men som i en framtid skulle kunna vara en potentiell byggbar yta. Det som skulle kunna anses vara förvånande är att kommunens centralort Bergsjö inte blir mest lämplig vid någon av metoderna. Detta kan dock förklaras med att faktorn Större väg/järnväg viktas så högt i båda kommunernas rangordning. En trolig orsak till att resultaten blir så lik varandra kan vara att metoden använts på ett inte helt korrekt sätt, istället för att ange hur många gånger viktigare än det andra kriterier det är vid parvis jämförelse så har det istället blivit en rangordning.
Den främsta anledningen till att sådan liten del av faktorn valdes var för att få ut ett specifikare område. Hade 5 % använts så skulle nästan varje tätort varit möjlig, i och med denna begränsning så blir resultatet mer tydligt var det är mest lämpligt att placera nya bostadsområden.
5.4 Känslighetsanalys
45 ha mindre vid AHP för tätorten Gnarp och ca 63 ha mindre vid FAHP vid samma ort.
I känslighetsanalyserna från Nordanstig så finns det en stor skillnad jämfört med både tidigare resultat av de olika metoderna men även skillnad från Sundsvalls
känslighetsanalys, där ett helt nytt område kommer in i tätorten och central orten Bergsjö. På grund av detta så blir storleken på den totala lämpliga ytan betydligt större än tidigare, ca 270 ha vid AHP som är ungefär 90 ha större än Sundsvalls känslighetsanalys och ca 234 ha som är ungefär 66 ha större vid FAHP. I studien så användes AHP för att ta fram faktorvikter, detta trots att representanterna gav input genom att rangordna kriterierna och kan anses vara kontroversiellt. Detta bör inte ha påverkat jämförelsen mellan AHP och FAHP på något negativt sätt, men rimligtvis går det att anta att de vikter som tagits fram hade sett annorlunda ut om representanterna hade utfört de parvisa jämförelserna som överensstämmer med AHP-principer. Det innebär att det är sannolikt att även känslighetsanalysen skulle fått ett annorlunda resultat.
En annan anledning till att resultaten blir så lika skulle kunna vara att de kriterier som ställts i sig begränsar områden till den grad att det är troligt att vid korrekt utförande ändå skulle hamna i inom av dessa två tätorter. Detta främst för att stor vikt hamnade på infrastrukturen och just kriteriet Större väg och Järnväg.
5.5 Frågeställning
I introduktionen till denna studie ställdes det några forskningsfrågor. Dessa besvaras och diskuteras i detta avsnitt.
Hur skiljer sig rangordningen av kriterierna åt i jämförelse mellan representanterna i de olika kommunerna?
Mer fokus på kollektivtrafiken och centrumverksamhet från Sundsvalls kommuns representant. Även högre fokus på Park och fritidsområden i Sundsvalls kommun jämför med Nordanstig. Nordanstigs kommuns representant fokuserar mer på infrastrukturen, alltså tillgången till E4 och järnvägen (Ostkustbanan) samt service. Slutsatsen av detta kan vara att som en mindre kommun som Nordanstig så har infrastrukturen och dess utveckling stor betydelse för att kommunen ska kunna öka både i attraktivitet och i befolkning. Sundsvall rankar inte Större väg och järnväg lika högt och det kan bero på att de redan har en välutvecklad infrastruktur med järnväg från både nord-syd och västlig riktning och två större vägar som går in och delvis igenom staden, E4 och E14. Sundsvall har även ca 20 minuter till närmaste flygplats och har på det viset ett ännu större pendlingsområde.
Inom tätorterna Gnarp och Harmånger, något olika utbredning i de olika resultaten. I Gnarp mellan nuvarande järnväg och den större vägen E4. I Harmånger i
anslutning till just E4. Detta med största sannolikhet på grund av den höga viktningen av Större väg och Järnväg men även felaktigheten i själva metodutförandet.
Hur förändras resultatet vid användning av de olika viktnings metoderna? AHP metoden gentemot Fuzzy AHP?
6 Etiska och hållbara aspekter
6.1 Etiska aspekter
I denna studie togs det hänsyn till olika etiska aspekter. Ingen information om de boende i de orter som analyserats har tagits med eller publicerats. Vid
enkäterna/intervjuerna så tillfrågades de berörda om de ville vara anonyma eller inte och vid tillfrågan sade dom att det spelade ingen roll om de var anonyma eller inte, de fick då vara anonyma.
6.2 Hållbarhet
Enligt United nations sustainable devolopment action (u.å) delmål nummer 11, bör bostäder och infrastruktur planeras på ett hållbart sätt. Delmålet kallas för hållbara städer och samhällen. Genom att planera bostadsområden utefter detta delmål och sträva efter att placera bostadsområdet inom gångavstånd och cykelavstånd från nödvändig service och arbeten, så kan detta bidra till ett mer hållbart samhälle. Hållbarhet handlar inte bara om ekologiskhållbarhet det handlar lika mycket om social hållbarhet och ekonomisk hållbarhet. Människor som bor i bostadsområdet ska känna sig trygga och inte vara segregerade från övriga delar av samhället. Det ska också vara ekonomiskt hållbart att bebygga dessa platser men även så litet ingrepp som möjligt för den ekologiska hållbarhetens skull.
7 Slutsats
Denna studie har visat på de skillnader i rangordning mellan representanter från två kommuner och det fanns tydliga skillnader mellan dessa representanters åsikter. Vidare har två olika MKA metoder jämförts och kan konstateras få liknande resultat. Viktningens betydelse i en studie som denna kan ha stor betydelse mot resultatet. Resultatet visar på två områden som är lämplig för nya bostadsområden.
7.1 Framtida arbete
Referenser
Arentze, T.A, Borgers, A.W.J, Ma, L, Timmermans, H.J.P. (2009) An agent-based heuristic method for generating land-use plans in urban planning. Environment and
Planning B: Planning and Design 2010, 37 (3), 463–482.
https:/doi.org/10.1068/b35050
Blekou, A. (2018) Assessing the walking access to bus stops in Umeå urban area and the relationship with the socio-economic characteristics. [Magisterexamen, Umeå universitet]. DiVA.
http://umu.diva-portal.org/smash/get/diva2:1216595/FULLTEXT01.pdf
Bouyssou, D. (2001) Outranking methods. In F.A. Christodoulos & P.M. Panos (Eds.), Encyclopedia of Optimization, Volym 1(pp. 249-255)
Boverket (2018). Översiktsplanen. Hämtad den: 2020-01-12 från:
https:/www.boverket.se/sv/PBL-kunskapsbanken/planering/oversiktsplan/oversiktsplanen/.
Burian, J., Stachova, M., & Vondrakova, A. (2018). Land suitability assessment of the Olomouc region: an application of an Urban Planner model. Journal of Maps,14 (1). https:/doi.org/10.1080/17445647.2018.1493407.
Chen, Y., Yu, J., & Khan, S. (2010) Spatial sensitivity analysis of multi-criteria weights in GIS-based land suitability evaluation. Environmental Modelling and Software, 25(12), 1582–1591. https:/doi.org/10.1016/j.envsoft.2010.06.001
Criado, M., Martinez-Grana, A., Santos-Francés, F., Veleda, S., Zazo, C. (2017). Multicriteria Analyses of Urban Planning for City Expansion: A Case Study of Zamora, Spain Sustainability: 2017, 9(10), 1850;
https:/doi.org/10.3390/su9101850.
Forman, E.H, och Gass, S.I (2001) The Analytic Hierarchy Process—An Exposition. Operations Research.49(4)
https:/doi.org/10.1287/opre.49.4.469.11231
Hopkins, L.D. (1977) Methods for Generating Land Suitablilty Maps: A
Comparative Evaluation. Journal of the American Institute of Planners. 43(4), 386–400. https:/doi.org/10.1080/01944367708977903.
Jankowski, P. (1995) Integrating geographical information systems and multiple criteria decision-making methods. International Journal of Geographical
Information Systems, 9(3), 251-273.
Klir, G.J, och Yuan, B. (1995) Fuzzy sets and fuzzy logic: Theory and Applications. Prentice Hall PTR.
Köksalan, M., Wallenius, J., Zionts, S. (2011) Muliple Criteria Decision Making: from early history to the 21th century. World Scientific Publishing Co. Pte.Ltd. Köksalan, M., Wallenius, J., Zionts, S. (2013) An early history of multiple criteria decision making. Journal of Multi-Criteria Decision Analysis: Optimization, Learning and
Decision Support. 20(1-2), 87-94. https:/doi.org/10.1002/mcda.1481
Madurika, H.K.G.M., och Hemakumara, G.P.T.S. (2017) Gis Based Analysis for Suitability Location Finding in The Residential Development Areas of Greater Matara Region. International Journal of Scientific & Technology Research, 6(02), 96-105.
Malczewski, J. (2004) GIS-based land-use suitability analysis: a critical overview.
Progress in Planning. 62(1), 3–65. https:/doi.org/10.1016/j.progress.2003.09.002.
Nordanstigs Kommun (2018) Översiktsplan 2035.Hämtad den: 2020-01-20 från: https://nordanstig.se/download/18.127bc08f1656a9ce11a4d802/153536926934 1/Samradsforsl ag-Oversiktsplan-2035.pdf.
Nordanstig Kommun (u.å) Skolskjuts. Hämtad 2020-04-04 från:
https://nordanstig.se/startsida/sidor/barn-och-utbildning/skolskjuts.html Nordman, S & Ädling, M. (2018) Lokalisering av en högstadieskola i en småstad.
[Examensarbete, Högskolan i Gävle]. DiVA. http://hig.diva-portal.org/smash/get/diva2:1239321/FULLTEXT01.pdf Plan- och bygglag (SFS 2010:900)
Finansdepartementet.https://www.riksdagen.se/sv/dokument- lagar/dokument/svensk-forfattningssamling/plan-ochbygglag-2010900_sfs-2010-900.
Rodriguez-López, C., Salas-Fariña, Z.M., Villa-González, E., Borges-Cosic, M., Herrador-Colmenero, M., Medina-Cassaubón, J., Ortega, F.B., och Chillón, P. (2017) The threshold distance associated with walking from home to school. Health
Education & Behavior, Society for Public Health Education. 44(6), 1–10.
https:/doi.org/ 10.1177/1090198116688429
Ruan, Z., Li, C., och Wu, A. (2019) A New Risk Assessment Model for
Underground Mine Water Inrush Based on AHP and D–S Evidence Theory. Mine
Water Environ 38, 488–496 (2019). https:/doi.org/10.1007/s10230-018-00575-0
