JA-markanvändning för Stockholms län 2030

(1)

Analys & Strategi RAPPORT

JA-markanvändning för Stockholms län 2030

2013-09-11, reviderad 2014-05-07

(2)

Analys & Strategi Titel: JA-markanvändning

Redaktör:

WSP Sverige AB Arenavägen 7

121 88 Stockholm-Globen Tel: 010-722 50 00 E-post: info@wspgroup.se Org nr: 556057-4880 Styrelsens säte: Stockholm www.wspgroup.se/analys

Konsulter inom samhällsutveckling

WSP Analys & Strategi är en konsultverksamhet inom samhällsut- veckling. Vi arbetar på uppdrag av myndigheter, företag och organisat- ioner för att bidra till ett samhälle anpassat för samtiden såväl som framtiden. Vi förstår de utmaningar som våra uppdragsgivare ställs in- för, och bistår med kunskap som hjälper dem hantera det komplexa förhållandet mellan människor, natur och byggd miljö.

(3)

Analys & Strategi

Innehåll

1 INLEDNING ... 5

2 FÖRDELNINGSPRINCIP ... 8

3 SKATTADE MODELLPARAMETRAR ... 10

3.1 Villa ... 10

3.2 Flerfamiljshus ... 12

3.3 Arbetsplatser ... 14

3.4 Sammanfattning av nyttofunktioner ... 20

4 KÄNSLIGHETSANALYS FÖRBIFART STOCKHOLM ... 22

4.1 Tidigare analyser ... 22

4.2 Nuvarande analys ... 23

5 RESULTAT AV JA OCH UA MARKANVÄNDNING ... 24

5.1 Fördelning på regioncentrum, inre och yttre förort ... 24

5.2 Fördelning per kommun ... 25

5.3 Fördelning per trafikzon ... 27

6 SAMMANFATTNING ... 31

BILAGA 1 – SKILLNAD MELLAN UA OCH JA LOKALISERING AV VARJE MARKANVÄNDNING ... 33

(4)

Analys & Strategi

(5)

Analys & Strategi 5

1 Inledning

Den markanvändning¹ som togs fram inför Åtgärdsplaneringen 2012 (ÅP2012) innebar för Stockholmsregionen en framtida markanvändning enligt samma fördelning (men inte samma nivå) som i den regionala utvecklingsplanen för Stockholmsregionen – RUFS 2010 (Alternativ Hög). Denna markanvändning har tagits fram i en omfattande process som bland annat inkluderar underlag från modellbaserade analyser av samspelet mellan transportsystem och markanvändning. De investeringar i transportinfrastrukturen som har förutsatts i RUFS 2010 inkluderar dock ett flertal objekt som inte (ännu) återfinns i de nationella planerna, t ex en utbyggnad av tunnelbanan till Nacka till år 2030. Eftersom denna markanvändning (här kallad UA-markanvändning, UtredningsAlternativ) utgår från även ej beslutade åtgärder i transportsystemet, finns det behov av att ta fram en justerad markanvändning som motsvarar de förutsättningar som ska gälla ett JämförelseAlter- nativ (JA).

Metoden för att ta fram en JA-markanvändning utgår från de fem punkterna nedan, däref- ter följer en beskrivning av modeller och förutsättningar.

1. Utgångspunkten är att TRV:s planering kan och bör samordnas med övrig fysisk samhällsplanering, exempelvis RUFS markanvändning i Stockholms län.

2. Samtidigt måste gälla för markanvändning JA att den inte förutsätter sådana åt- gärder i transportssystemet som inte är beslutade, dvs. markanvändning JA ska utgå från transportsystem JA².

3. Uppgiften blir därför att för Stockholms län åstadkomma en markanvändning JA som så långt som möjligt behåller RUFS och samtidigt justerar denna markan- vändning med avseende på effekter av åtgärder i transportssystemet som inte är beslutade. Dessa effekter är resultat av förändrad tillgänglighet.

4. För att uppskatta dessa effekter kan LuSIM användas (på länsnivå). Med givna totaler för länets befolkning och sysselsättning genereras en markanvändning (fördelning av befolkning och sysselsättning på SAMS-områden) med trafiknät JA respektive trafiknät UA. Differensen mellan markanvändning JA och UA ger information om, exempelvis, SAMS-områdets befolkning ska uppjusteras eller nedjusteras för att åstadkomma en RUFS-anpassad markanvändning JA.

5. De restriktioner som införs för modellberäknad markanvändning (tex grönområ- den, exploateringstak) är de samma (dvs neutrala) i de båda markanvändningsal- ternativen.

1 Med markanvändning avses i denna text den geografiska fördelningen av befolkning och arbetsplatser.

2 I detta fall officiellt beslutade Transportplaner för åren 2011-2021.

(6)

6 Analys & Strategi

För att genomföra uppdraget³ behövs två modellverktyg, ett som beskriver tillgänglighet- en med respektive trafiksystem och ett som lokaliserar bostäder och arbetsplatser givet respektive trafiksystem. Trafiksystemdata tar vi fram med modellen LuTRANS (Land Use TRANSport model) som är en förenklad version av Sampers. LuTRANS använder liksom Sampers EMME-systemet och samma trafiknät. LuTRANS beräknar nyttor från trafiksystemet i form av tillgänglighet (Log-summor) till arbetskraft respektive arbetsplatser⁴. Dessa tillgänglighetsvariabler utgör den centrala drivkraften för lokalisering i LuSIM (Land Use SImulation Model)⁵.

Tillgängligheten som antas driva lokaliseringen/markanvändningen 2030 i JA borde i detta fall komma från ett JA-nät som innehåller beslutade objekt enligt nationella och regionala Transportplaner för 2011-2021. Ett sådant korrekt JA-nät för 2030 skiljer sig på flera punkter från det RUFS2010-nät som använts av Stockholms-regionen för den mar- kanvändning för 2030 som nu föreligger. Ett trafiknät som ligger nära att uppfylla kriteri- erna för ett korrekt JA-nät, är JA-nätet som användes av TRV i analyserna för ÅP 2012.

(Åtgärdsplanering 2014-2025). En justering, jämfört med TRV:s 2030 ÅP2012 JA-nät, har gjorts i det som nedan kallas JA-nät, nämligen att förlängning av tvärbanan till Sickla Station lagts in. Som 2030 UA-nät har ett uppdaterat 2030 RUFS 2010-nät använts. Ne- dan visas ett urval av större infrastrukturobjekt som inkluderats i 2030 UA- respektive JA-nätet som sedan används för att ta fram justerad markanvändning.

Tabell 1 Urval av större infrastrukturobjekt som inkluderas i UA- respektive JA-nätet⁶

JA UA

Tunnelbana till Nacka x

Tunnelbana till Barkarby x

Tunnelbana till Karolinska Institutet x

Spårväg Sickla Udde – Sickla station x x

Spårväg Solna och Kista x x

Spårväg city och koppling till Lidingöbanan x x

Citybanan x x

Ny pendeltågsstation i Vega x x

Roslagsbanan etapp 1+2 x x

3 Metodutvecklingen som WSP presenterar i detta dokument har finansierats av Trafikverket. För- fattarna av dokumentet står för innehåll och slutsatser. Om/hur dessa resultat av metodutveckling i framtiden kommer att användas av Trafikverket, beslutas vid behov av Trafikverket.

4 ”LUTRANS V2.4, Dokumentation”, rapport version 2013-06-11, WSP (på uppdrag av TMR)

5 ”LUSIM, Dokumentation”, rapport version 2010-11-01, WSP (på uppdrag av TMR)

6 En kapacitetsstark kollektivtrafik till nordost ingick också i trafiknätet i RUFS 2010. Och skulle även gjort så här men föll tyvärr bort. Dock påverkas inte slutsatserna av studien av detta faktum.

(7)

Ny Bussterminal vid Slussen x x

Förbifart Stockholm x x

Skurubron x x

Förbifart Norrtälje x x

Södertörnsleden x x

Huvudstaleden x

Östlig förbindelse x

LuSIM har utvecklats på uppdrag av TMR (enhet vid Stockholms läns landsting) för att användas i RUFS2010 för att skapa en markanvändning på trafikzonsnivå⁷. Som start- värde tar LuSIM dagens markanvändning och en exogent given prognos för tillkommande eller minskande befolkning och arbetsplatser. Modellen stegar sig fram i 5-årssteg till prognosens slutår där modellen fördelar ut tillskottet av befolkning med hänsyn till planeringsrestriktioner och trafiksystemets tillgänglighet.

I verkligheten och i modellen flyttar befolkning och arbetsplatser⁸ med en viss frekvens, så att även en oförändrad befolkning (i antal) får en något annorlunda lokalisering. Has- tigheten på denna förändring är satt efter uppmätta frekvenser för flyttning respektive om- lokalisering. Tillvägagångssättet säkerställer en rimlig förändringshastighet över tid så att utvecklingen till prognosens slutår inte överskattas. LuSIM skiljer på tre typer av arbetsplatser (kontor, ytkrävande och befolkningsanknutna) och två typer av bostäder (småhus, flerfamiljshus). Volymen för respektive kategori ges som indata till modellen och är de samma i alla beräknade alternativ. Det är viktigt att poängtera att LuSIM fördelar en given mängd invånare och arbetsplatser per län eller annan enhet. LuSIM gör en trolig för- delning inom länet givet tillgänglighet till arbetskraft, arbetsplatser, täthet och ledig mark.

LuSIM kan aldrig på ett meningsfullt sätt hantera nedläggning av ett enskilt företag, så- dant måste ges exogent.

Avsikten med det planerade arbetet är att skapa två alternativ JA och UA för 2030 som är lika i alla avseenden utom när det gäller trafiksystemet samt lokalisering av tillkommande befolkning och sysselsatta. Det innebär att ekonomisk utveckling, branschutveckling, natt- och dagbefolkning, förvärvsarbetande natt- och dagbefolkning på länsnivå för 2030 etc. kommer att vara den samma och att dessa förutsättningar är desamma som i den planering som TRV ska använda markanvändningen i (dvs de antaganden om länsvis befolkning (inkl förvärvsarbetande nattbefolkning) som görs av TRV i motsvarande nationella bastrafikprognos)

7 Se vidare s 26 för mera information om dessa trafikzoner.

8 Med befolkning avses här total nattbefolkning och med arbetsplatser förvärvsarbetande dagbefolkning, dvs en arbetsplats = en sysselsatt och ej ett helt kontor.

(8)

2 Fördelningsprincip

För detta uppdrag har LuSIM för första gången använts med skatta parametrar i nyttofunktionen. Skattningen har gjorts på tillkommande bebyggelse under perioden 2005- 2010.⁹ IMREL och LandScapes är två markanvändningsmodeller som kännetecknas av att vara logitmodeller estimerade på tvärsnitt¹⁰ av nuvarande (observerad) markanvänd- ning (MA). Att skatta på den totala markanvändningen kan övervägas. Alternativ är att skatta på tillskottet de senaste åren, vilket föredrogs här¹¹. I den äldre modellen IMREL finns ingen uppdelning av befolkning eller arbetsplatser efter typ medan sysselsättningen i LandScapes är uppdelad i 8 SNI kategorier. I de markanvändningsmodeller som använts i regionplaneringen i Stockholm har indelningen varit funktionell med avseende på läge och ytåtgång. Den relativt enkla indelningen har varit ytkrävande verksamheter (handel, industri…), befolkningsanknutna (service, skola, vård etc) och kontor med krav på centralitet. Denna funktionella indelning har använts även här. Nedan beskrivs indelning- ens koppling till SNI 2002.

Tabell 2 Branschgrupper enligt SNI 2002 och indelning i tre branscher

Branschgrupp SNI 2002 Indelning efter yt- och

lägesegenskaper

2 Tillverkningsindustri 20-30, 40-41, 90 YK

3 Lokala tjänster 50, 52, 92, 93 BE

4 Kunskapstjänster, finansiella 65-67 KC

5 Kunskapstjänster, övriga 70-74, 91 KC

6 Övriga regionala/nationella tjänster 51, 55 YK

7 Kommunikationsföretag 60-64 YK

8 Offentlig förvaltning 75 KC

9 Utbildning 80 BE

10 Vård och omsorg 85 BE

Ambitionen är att använda en så enkel fördelningsprincip som möjligt för att i tillämp- ningen låta planeringsrestriktioner begränsa utbudet av tillgänglig mark. Modellerna har tre typer av variabler: tillgänglighet, täthet¹² vid utgångsåret och storleksvariabler. Det

9 Tillgång till lämpliga SAMS-databaser grunden för vald tidsperiod.

10 Med tvärsnitt menas i detta sammanhang att data för ett enskilt år använts för estimeringen.

11 Eftersom tillskotten är det som förändrats i markanvändningen, dvs det som reagerat på hur till- gängligheten ser ut.

12 Täthet beräknas som befolkning och arbetsplatser (sysselsatt dagbefolkning) per km2.

(9)

tillgänglighetmått som används är logsumma. Destinationsvariabeln (som det beräknas tillgänglighet till) i logsumman är befolkning respektive arbetsplatser¹³. Logsumman är beräknad med LuTRANS version 2.4 utifrån 2010 år befolkning och sysselsättning samt 2030 års trafiknät (UA-nät respektive JA-nät).¹⁴

Storleksvariablerna beskriver antalet elementaralternativ i en logitmodell. När exempelvis ett hushåll väljer lokalisering är elementaralternativen lediga fastigheter eller lediga lä- genheter. Ett genuint problem är att kunskapen om lediga fastigheter vid en given valsitu- ation är obefintlig. Modellen opererar som regel på zoner som är aggregat av fastigheter och därför behövs en variabel som beskriver möjligheterna att lokalisera i destinationen.

Idealt skulle storleksvariabeln vara antalet tillgängliga alternativ vid valtillfället (om det går att definiera) men man brukar få nöja sig med en approximation som exempelvis antal fastigheter (som kan antas proportionellt mot antalet lediga fastigheter). Även sådana ap- proximationer medför problem i en lokaliseringsmodell. Vi vill inte att modellen endast ska kunna lokalisera till befintligt fastighetsbestånd (vilket hade gett en modell med god förklaringsgrad till dagens lokaliseringsmönster) utan även till ledig yta i lägen som upp- fattas som goda. Över lång tid kan det tänkas att exploateringstak¹⁵ och utbud (summerat över lång tid) är detsamma vilket ger en öppen modell. Om man når exploateringstaket får man noll sannolikhet att lokalisera till zonen. En viktig egenskap hos storleksvariabeln är att den är oberoende av aggregering dvs. att storleken på tillskotten i lokaliseringen inte påverkas av zonindelningen.

Modellen som använts är på enklast möjliga form: ( ), dvs. bara till- gänglighet, täthetsvariabeln (områdets karaktär tex i form av antal dag- och nattbefolk- ning) och en storleksvariabel (xj)). Notera att och är vektorer där innehåller skattade modellparametrar och innehåller variablerna tillgänglighet och täthet.

13 Med arbetsplatser avses genomgående i denna rapport sysselsatt dagbefolkning.

14 Befolkning och sysselsättning för 2010 är detsamma som i Sampers SAMS-databas. Trafiknät 2030 är UA- resp JA-nät enligt tabell 1 i denna rapport.

15 Exploateringstaket anger maximalt exploateringstal per zon, dvs hur mycket bebyggelse som bedöms få plats i zonen. Hur högt exploateringstaket sätts beror på vilka antaganden om förtätning av befintlig bebyggelse och karaktär på ny bebyggelse som görs.

(10)

3 Skattade modellparametrar

Data som använts för modellskattningen är hur tillkommande boende och sysselsatta har lokaliserat sig under perioden 2005-2010. Modellestimering har gjorts med A-logit för de 5 olika markanvändningssyftena (befolkning i villa respektive flerfamiljshus samt syssel- sättning i branschaggregaten KC, BE och YK).

3.1 Villa

I figuren nedan visas tillkommande befolkning i villa för perioden 2005-2010.

Tillkommande befolkning i villa är koncentrerat till det halvcentrala bandet i regionen med en viss övervikt mot den södra regionhalvan. Det finns ingen tydlig koppling mellan lokaliseringsmönstret och regionens spårsystem.

Tabell 3 Parametervärden för villa

Täthet Total logsumma LogSizeM

Estimate -9.20E-05 2.584 0.3694

Std. Error 9.83E-07 1.87E-02 2.41E-03

T-Ratio -93.6 138.4 153.1

Den skattade modellen ger att total logsumma (och inte med enbart kollektivtrafik eller bil) bäst förklarar lokaliseringsmönstret. Övriga variabler är täthet (antal boende + antal arbetsplatser per km2) och storleksmåttet tillgänglig yta i km². Storleksmåttet kommer in med en skattad parameter, δ, (log size multiplier) vilket inte är det bästa om man vill ha en enkel modell men nödvändigt här.

( )

Täthet kommer in med negativt tecken för villor vilket är rimligt. Logsumman har en stor parameter men variabeln är i liten skala jämfört med logsumma koll som används för flerfamiljshus. Tillsammans säger variablerna att småhus lokaliseras i inte för täta områden (utanför stationslägen och inte centralt) med god total tillgänglighet, ungefär de områden som dyker upp på kartan.

(11)

Figur 1: Tillkommande befolkning i villa mellan 2005 och 2010

%

% %

%

%^%

%

^%^%^%^%

%

%%

%

%^%

%

%%

%

%%

%

% %_%

%

%%^%^%

%

%% ^%

%

% ^%

%

%%%

%%

%

%%

%% ^%

%

%^%^%

%^%%

%%_%

%%

%

%%

%%^% ^%^%^%%^%%^%^%

%

% %

%

% %

%

%%%%

%

%%

% %%

%

%%%

%

%_%%

%

%^%

%%%%^%

% ^%

% %

%

% %

%

^%_% %

% %

%%

%

% %

%

%^%^%

%

^% %

%

%%

%

% %

%

%%%

%

%%^%^%%_%

% %

%

%^%%

% %

%%

%

%%

%^%^%

%

%^%^%^%^% ^%^%^%^%^%^% ^% %

% %

%%%^%%%^%

%

^%

%

^%^%_%%%

%

% ^%

%

%^%

%

%^% ^%

%%

%%%^%

%

%%

%

%%

%

%%

%^% ^%%% %

%

%%^% ^%

%

^%^% ^% % ^%^%

%

% ^%%%% ^%

%%

%

%%%

%%

%%%

%%%%

%%

%^%

%

%%

%

%%

%^%%

%

%%

%

%%

%^%^%^%

%%

%_%

%

%%

%

%%

%^%^%

%

%% %

%^%

%% %

%%

%

%%

%

%%

%^%

%^%^%

%

% %%

%

% %%

%%%^%^%^%^%

%

%^%

%%

%

%%

%

%%

%

%%

%%%

%

%%

%^%^%^%

%

%_%

%%^%

%

%%

%

^%^%^%

%%

%

%%

%

% %

%%

%

%%

%

%%

% %%%

%% %%%%%

%

^%%^%

%

%%%

%%

%^%

%

^%^%^%^%^%

%

%%

%%%

%

%%

%

%%

%

%%

%

%%

%^%

% %

%%%%

%%

%

%%%

%%

%%^%

%%%

%%

%

%%%

%%^%

%

%%

%^%

%

%%

%

%%

%

%%

%

% %

%

%^%

%

%%%%

%%

%

% %

%%%

%

%% %

%

%%%

%%

%

%%

%%%%

%%

%

%%%

%%

%%%%%%%%

%%

%%%

%%

%%%

%%

%

%%

%%%%%

%%

%

%%%

%%%%%%

%%

%

%^%

%

%%

%

%%%^%

%

%^%^%

%

^%^%^%^%^%%^%

%

%%

%

%%^%^%^%

%%

%

%%%^%%

%%

%

%%

%%%

%

%%

%

%%%

%

%%

%%^%^%

%%^% ^%

%^%

%

%%

%

%^%%

%

%%^%^%^%

%

%%

%%^%%% %

%

% %%%

%%

%%%%

%

%%

%

%%

%

%%^%%^%%

%

%%

%%%

%

%^%

%

%^%

%%

% %%%% %

%%

%% %%

%

%^%%

%

%^%

%%

%

%%

%

%^%

%

%%

%%%

%

%^%%%^%

%

%%

%

% %

%

%^%%

%

%%^%

%

%%

%

%%

%%^%%^%

%

%%^%

%

%^%

%

%%

%

% ^%%

%

%^%

%

0 10 20 30

Kilometers

Tillkommande befolkning i villa

%

⁵⁰⁰⁰

^%

²⁵⁰⁰

^%

¹²⁵⁰

(12)

3.2 Flerfamiljshus

Tillkommande befolkning i flerfamiljshus åren 2005-2010 är i första hand koncentrerad centralt i regionen och i anslutning till spårbunden kollektivtrafik.

Tabell 4 Parametervärden för flerfamiljshus

log(täthet) Logsumma koll LogSizeM

Estimate 2.717 0.5196 1.154

Std. Error 1.05E-02 8.82E-03 4.49E-03

T-Ratio 259.1 58.9 257.3

Täthet vid startåret har en stark positiv inverkan på lokaliseringen av flerfamiljshus.¹⁶ Olika tillgänglighetsvariabler testades men tillgänglighet med kollektivtrafik hade störst inverkan på lokalisering av flerfamiljshus. Storleksvariabeln är kraftigare än för småhus vilket kan kännas ologiskt men ska sättas i perspektiv med att täthetsvariabeln är kraftigt positiv. Tillsammans säger variablerna att flerfamiljshus lokaliseras helst i täta områden med god kollektivtrafik där det finns yta. Observera dock att utfallet till viss del beror av den tidsperiod som använts för skattningen. Om en period när det var vanligt att ta oex- ploaterad mark i anspråk för att bygga flerfamiljshus, hade inverkan av täthet troligen fått ett helt annat parametervärde. Under de senaste åren har ju förtätning, in-fill och omvand- ling av industriområden varit vanligt för ny flerfamiljsbebyggelse.

16 Täthet beskriver till stor del en lokal tillgänglighet som inte fångas upp av tillgänglighet med koll. I täta miljöer finns det lokala målpunkter och service som kan nås tex till fots.

(13)

Figur 2: Tillkommande befolkning i flerfamiljshus mellan 2005 och 2010

(14)

3.3 Arbetsplatser

Kontor med krav på centralitet

För kontor med krav på centralitet observeras för 2005-2010 en minskning i periferin och en ökning centralt, särskilt i tunnelbaneområdet.

Tabell 5 Parametervärden för kontor med krav på centralitet

Log(täthet) Logsumma koll

Estimate 0.5973 0.9175

std. Error 7.68E-03 1.29E-02

T-Ratio 77.7 71.1

Logsumma koll gav bättre förklaring än total logsumma och täthet fick också positivt pa- rametervärde. Tillgänglig yta hade ingen inverkan på lokaliseringen. Det kan möjligen förklaras med att det finns fler sätt att klämma in centrala arbetsplatser än att använda ny yta, exempelvis att använda befintlig yta effektivare. Sammantaget säger modellen att kontorsverksamhet lokaliseras i goda kollektivtrafiklägen i täta miljöer och att det i stort sett alltid går att klämma in fler anställda i ett område.

(15)

Figur 3: Skillnad kontor/central verksamhet mellan 2010 data och modellberäkning för KC arbetsplatser

0 5 10 15

Kilometers

Skillnad kontor/central verksamhet -23 and below

-22 to -5 -4 to -1 0 to 7 8 to 18 19 to 61 62 to 849 850 and above Other

(16)

Befolkningsanknutna verksamheter.

På kartan är utvecklingen 2005-2010 mycket likt den för kontorsverksamheterna men modellskattningen blev olik på ett förväntat sätt. Täthet är svagare, liksom logsumma koll till detta blev storleksvariabeln (tillgänglig yta) signifikant och med rätt tecken.

Tabell 6 Parametervärden för befolkningsanknutna verksamheter

Log(täthet) Logsumma koll LogSizeM

Estimate 0.3156 0.6777 0.1525

std. Error 1.13E-02 1.14E-02 5.36E-03

T-Ratio 28 59.5 28.4

Skattningsresultaten sägen att befolkningsanknutna verksamheter lokaliseras utanför de tätaste miljöerna, i goda kollektivtrafiklägen och att det finns en viss känslighet för till- gänglig yta. En tolkning kan vara att befolkningsanknutna verksamheter här sämre betal- ningsförmåga än kontorsverksamhet.

(17)

Figur 4: Skillnad mellan 2010 data och modell beräkning för B arbetsplatser

0 5 10 15

Kilometers

Skillnad Befolkningsanknutna verksamheter -31 and below

-30 to -8 -7 to -1 0 to 11 12 to 32 33 to 75 76 to 569 570 and above Other

(18)

Ytkrävande verksamheter

För ytkrävande verksamheter är skillnaderna små mellan 2005 och 2010, det totala tillskottet över femårsperioden var ca 5000 arbetsplatser i länet.

Tabell 7 Parametervärden för ytkrävande verksamheter

Log(täthet) Logsumma total

Estimate 0.2326 0.2922

std. Error 8.64E-03 1.01E-02

T-Ratio 26.9 28.9

För ytkrävande verksamheter gav tillgänglighet mätt med total logsumma bäst förklaring.

Båda parametrarna (för tillgänglighet och täthet) är svagare än för övriga verksamheter.

Lokalisering av ytkrävande verksamheter är den mest osäkra av modellerna. Ytkrävande verksamheter har lägst känslighet för täthet och lägst känslighet för tillgänglighet, vidare är kollektivtrafik som förväntat inte lika viktigt som för övriga verksamheter.

För lokaliseringen av arbetsplatser sammantaget är relationen mellan parametrarna den förväntade.

(19)

Figur 5: Skillnad mellan 2010 data och modell beräkning för YK arbetsplatser

0 10 20 30

Kilometers Skillnad ytkrävande

-83 and below -82 to -16 -15 to -4 -3 to -1 0 to 7 8 to 18 19 to 58 59 and above Other

(20)

3.4 Sammanfattning av nyttofunktioner

Markanvändningsmodellen LuSIM använder sig av nyttofunktioner för att beräkna sannolikhet att lokalisera varje arbetsplats och invånare i en logitmodell. Nyttofunktionerna innehåller täthet (invånare och arbetsplatser per km²), tillgänglighet och tillgänglig yta (km²). En sammanfattning av dessa nyttofunktioner som beräknats i kap 3.1-3.3 är enligt följande:

( ) ( ) ( ) ( )

( ) ( ) ( )

Modellen används med femårssteg till och med 2030. I första iteration (20102015) är det enbart tillgängligheten som skiljer mellan UA och JA i nyttofunktionerna. Figur 6 visar ett oviktat genomsnitt¹⁷ för de olika variablernas andel av total nytta per markan- vändningstyp. Till exempel är tillgänglighetens andel för flerfamiljshus 38 procent i Stockholms län totalt och 39 procent utanför Stockholms kommun. Det betyder att en 1,75-procentig tillgänglighetsförbättring¹⁸ (som är fallet i Barkarby med UA- jämfört med JA-nät) bara ger en 0,67-procentig förändring av nyttan för lokalisering av flerfamiljshus i området. Hur sannolikheten för att en person boende i flerfamiljshus väljer området för- ändras är dock inte lika enkelt att beräkna eftersom logitmodellen inte är konstatelastisk¹⁹ i sin natur. Sannolikheten för lokalisering i zonen beror dessutom på hur nyttan ser ut i andra relevanta alternativ.

17 Oviktat eftersom varje zon ges samma vikt.

18 1,75% resultat från Lutrans-körning med UA- resp JA-nät.

19 Logit-modeller har den egenskapen att elasticiteten är olika beroende på förutsättningarna. Ofta följer elasticiteten en s-kurva. Tänk valet mellan bil och koll i en trafikmodell. När bil har avsevärt högre nytta är elasticiteten låg för kollförbättringar. Dvs man måste göra stora förbättringar för att få folk att välja koll istället för bil. När nyttorna är mer lika räcker det med mindre förbättringar för att få samma överflyttning. När koll har klart högre nytta är elasticiteten liten igen.

(21)

Figur 6: De olika variablernas vikt i nyttofunktionen per markanvändningstyp

För de andra markanvändningstyperna är tillgänglighetens andel klart större, mellan 72 och 87 procent i Stockholms län som helhet och mellan 82 och 88 procent utanför Stock- holms kommun.

I påföljande steg (2015202020252030) är tätheten inte lika i UA och JA beroende på att tidigare stegs lokalisering skiljer sig åt. Därmed ändras också andelen av nyttan som förklaras av tillgänglighet olika i de två fallen.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Flerfamiljhus Villa Kontor Verksamhet

Befolkning verksamhet

Ytkrävande

Stockholms län _Täthet Tillgänglighet Storlek

(22)

4 Känslighetsanalys Förbifart Stockholm

En känslighetsanalys har genomförts för att undersöka hur resultat framtagna med de nya skattade lokaliseringsparametrarna förhåller sig till tidigare analyser gjorda med LuSIM, då med ansatta parametrar, och andra verktyg. I analysen har en väl avgränsad förändring gjorts i trafiknätet, vilket ger en väldefinierad tillgänglighetsskillnad mellan UA och JA.

Därefter används LuSIM för perioden 2010-2030 för att beräknad inducerade skillnader i lokalisering på grund av tillgänglighetsskillnaden.

Förbifart Stockholm valdes ut för känslighetsanalysen eftersom det är ett objekt som ana- lyserats i olika sammanhang och därmed ett objekt för vilket lokaliseringsresultat kan jämföras. Analysen utgick från JA-nätet från vilket Förbifart Stockholm togs bort i ett scenario. Känslighetsanalysen går därmed ut på att undersöka lokaliseringseffekter av den tillgänglighet som Förbifart Stockholm genererar. Förbifart Stockholm ska bland annat bidra till att knyta samman de norra och södra delarna av Stockholms län samt förbättra möjligheterna för en gemensam arbets- och bostadsmarknad för hela regionen. De största effekterna på lokalisering av att ta bort Förbifart Stockholm förväntas uppstå i Ekerö kommun följt av övriga kommuner i den västra delen av Stockholms län. Eftersom läns- totalen för befolkning och sysselsättning lämnas oförändrad torde de östra kommunerna få ökad folkmängd.

4.1 Tidigare analyser

Vägverket genomförde år 2009 en känslighetsanalys på 20 års sikt med Samlok²⁰. Enligt den analysen medför ett framtidsscenario utan Förbifart Stockholm störst lokaliseringseffekter för Ekerö. I Ekerö kommun beräknas folkmängden för ålderklasserna 20-64 år minska med 530 personer, d.v.s. totalt cirka 1000 personer och antal arbetsplatser med 240 anställda.

Analyser av lokaliseringseffekter med hjälp av LuSIM av den tillgänglighet som Förbifart Stockholm skapar har också gjorts inom ett CTS-forskningsprojekt²¹. I detta projekt an- vändes LuSIM för att skapa tre olika framtida bebyggelsestrukturer för Stockholms län.

Strukturerna byggdes upp genom att variera lokaliseringsparametrarna i LuSIM och var:

 Central (78 procent av tillkommande invånare bor i flerfamiljshus, hög tolerans för täthet)

 Trend (58 procent av tillkommande invånare bor i flerfamiljshus, medelhög tolerans för täthet)

 Perifer (27 procent av tillkommande invånare bor i flerfamiljshus, låg tolerans för täthet)

20 Samlok, Förbifart Stockholm, 2009, WSP

21 De ekonomiska förutsättningarnas betydelse för den relativa samhällsekonomiska lönsamheten av investeringar, Centrum för Transportstudier (CTS), Stockholm, 2012

(23)

För Ekerö kommun blev i dessa analyser befolkningsförändringen utan Förbifart Stock- holm 550, 1380 och respektive 3370 personer för strukturerna Central, Trend och respektive Perifer struktur. Av dessa tre strukturer är det Trend som mest liknar de lokalise- ringsprinciper som använts i förestående analys.

4.2 Nuvarande analys

I Tabell 8 visas befolkningsförändring per kommun i Stockholms län mellan de två scena- rierna i känslighetsanalysen. Om Förbifart Stockholm plockas bort ur JA-nätet blir enligt beräkningarna befolkningsförändringen negativ i länets västra kommuner (främst Ekerö, Botkyrka, Järfälla) och positiv i de östra kommunerna (Norrtälje, Nacka, Lidingö).

Ekerö kommun beräknas få störst tillgänglighetseffekt tack vare Förbifart Stockholm.

Total tillgänglighet (dvs över alla färdmedel) till arbetskraft ökar med mellan 1 och 3,3 procent för de olika delarna av kommunen och biltillgänglighet till arbetsplatser med mellan 1,6 och 7 procent. Ekerö beräknas få 1490 ytterligare invånare och 520 ytterligare arbetsplatser till följd av förbifartens tillgänglighetseffekt.

Den beräknade lokaliseringseffekten på grund av den tillgänglighet som Förbifart Stock- holm medför är med andra ord något större än vad som tidigare beräknats med hjälp av SAMLOK och mycket nära Trend-scenariot i forskningsprojektet. Därmed är de lokaliseringseffekter som beräknas med den nyskattade LuSIM i linje med tidigare resultat.

Tabell 8 Beräknad befolkningsförändring på grund av den tillgängligheteffekt som upp- står om Förbifart Stockholm plockas bort ur JA-nätet

Kommun Befolknings-

förändring

Kommun Befolknings- förändring

Ekerö -1490 Sundbyberg 60

Botkyrka -270 Vallentuna 70

Järfälla -130 Österåker 80

Huddinge -110 Danderyd 90

Upplands-Bro -80 Solna 110

Vaxholm -70 Tyresö 120

Upplands Väsby -50 Täby 140

Nykvarn -10 Stockholm 150

Salem 0 Haninge 160

Nynäshamn 20 Värmdö 160

Södertälje 30 Lidingö 180

Sigtuna 50 Nacka 330

Sollentuna 50 Norrtälje 440

(24)

5 Resultat av JA och UA markanvändning

I analyserna är det totala antalet nya invånare per bostadstyp och arbetsplatser per bransch i Stockholms län lika i UA och JA.²² LuSIM används för att fördela denna givna mängd invånare och arbetsplatser och gör en trolig fördelning inom länet givet tillgänglighet till arbetskraft, arbetsplatser, täthet och ledig mark enligt de parametervärden som estimerats.

Nedan följer en beskrivning av resultaten i UA och JA samt skillnader mellan dessa två.

5.1 Fördelning på regioncentrum, inre och yttre förort

Följande tabeller visar fördelningen av nya arbetsplatser och boende uppdelat på 3 områ- den i Stockholms län:

 Regioncentrum (Stockholm, Solna och Sundbyberg),

 Kommuner i inre förort (Nacka, Järfälla, Sollentuna, Danderyd, Täby, Huddinge, Tyresö och Lidingö),

 Kommuner i yttre förort (Botkyrka, Ekerö, Haninge, Norrtälje, Nynäshamn, Ny- kvarn, Salem, Sigtuna, Södertälje, Upplands Bro, Upplands Väsby, Vallentuna, Vaxholm, Värmdö, Österåker)

JA-markanvändning

I Tabell 9 nedan visas tillskottens fördelning på regiondelar för JA-markanvändningen.

För flerfamiljshus lokaliseras den största andelen till regioncentrum medan den största andelen villor lokaliseras till kommunerna i yttre förort. Arbetsplatser lokaliseras i första hand i regioncentrum, i synnerhet gäller det kontorsverksamheter.²³

Tabell 9 JA-markanvändning: tillskottens fördelning inom 3 områden i Stockholms län

JA FF V Arbetsplatser YK B KC

Regioncentrum 55.8% 18.5% 42.7% 31.8% 40.4% 47.4%

Inre Förort 27.2% 26.1% 31.0% 34.2% 31.1% 30.3%

Yttre Förort 17.0% 55.3% 26.3% 34.1% 28.4% 22.2%

UA-markanvändning

I Tabell 10 nedan visas tillskottens fördelning på regiondelar i UA och skillnad mot JA.

Generellt sett är skillnaderna mellan UA och JA små. För regioncentrum visar inte beräk- ningarna på några märkbara skillnader. Kommunerna i regioncentrum har med JA-nätet

22 Detta antagande innebär att vi inte tror att tillgänglighetsskillnaden mellan UA och JA påverkar flyttnetto, fruktsamhet eller dödlighet.

23 Effekt av dyra hyror beaktas inte, dock bedöms resultaten av fördelningarna av tillskotten vara rimliga trots detta.

(25)

en mycket god tillgänglighet och de flesta ytterligare investeringarna i UA-nätet påverkar i första hand tillgängligheten utanför regioncentrum. Här bör dock nämnas att LuTRANS i nuvarande implementation inte kan beräkna upplevda tillgänglighetsförbättringar på grund av ökad kapacitet i kollektivtrafiken, dvs att det är mer sannolikt att resenärer får sittplats på fordonen eller slipper vänta på nästa avgång eftersom den första var full.

Dessutom når många zoner i regioncentrum sitt maximala exploateringstal i JA, vilket innebär att en bättre tillgänglighet för dessa zoner ändå inte medför att fler bostäder eller arbetsplatser lokaliseras dit.

De skillnader som kan observeras är en viss överflyttning från yttre till inre förort²⁴. Många av investeringarna i UA-trafiknätet ger tillgänglighetsförbättringar för kommunerna i inre förort som till exempel tunnelbana till Nacka och Barkarby. Dock är det inga stora skillnader det handlar om.

Tabell 10 UA-markanvändning: tillskottets fördelning inom 3 områden i Stockholms län

UA FF V Arbetsplatser YK B KC

Regioncentrum 55.9%

(+0.1)

18.4%

(-0.1)

42.6%

(-0.1)

31.7%

(-0.1)

40.3%

(-0.1)

47.3%

(-0.1) Inre Förort 27.7%

(+0.5)

29.8%

(+3.7)

32.5%

(+1.5)

36.3%

(+2.1)

32.8%

(+1.7)

31.4%

(+1.1) Yttre Förort 16.4%

(-0.6)

51.7%

(-3.6)

24.9%

(-1.4)

31.9%

(-2.2)

26.8%

(-1.6)

21.2%

(-1.0)

5.2 Fördelning per kommun

Den tillgänglighetsförbättring som kommer av UA-nätet medför tillgänglighetsförbätt- ringar på ett antal geografiskt spridda platser i Stockholms län. Därför är det ingen kommun som får någon större skillnad i folkmängd och antal arbetsplatser i UA jämfört med JA. De områden som främst får förbättrad tillgänglighet och därmed ökad befolkning är Nacka i och med den nya tunnelbanan och Östlig förbindelse, Barkarby i och med för- längning av tunnelbanan, längs gröna linjen till följd av ökad turtäthet, samt Lidingö i och med ökad turtäthet på Lidingöbanan.

I sammanhanget är det också viktigt att poängtera att exempelvis tunnelbana till Nacka främst är en kapacitetshöjande investering. Eftersom LuTRANS i sin nuvarande imple- mentering inte kan ta hänsyn till kapaciteten i kollektivtrafiken kan inte tillgänglighetsef- fekter av kapacitethöjande åtgärder av detta slag beräknas fullt ut. Det finns inte någon

24 Den högre kostnaden beaktas inte. Dock avgörs ju kostnaden för mark av betalningsviljan. Med högre tillgänglighet centralt ökar betalningsviljan där och då kan mark som tidigare var olönsam exploateras.

(26)

kapacitetsrestriktion utan alla som önskar kan resa med en buss eller tunnelbana, utan störningar i tidtabellen. En effekt som därmed inte kan hanteras är tex hur resenärerna upplever att tillgängligheten förbättras när trängseln på fordonen minskar eller tillgäng- lighetsvinster när resenärer slipper vänta på nästa avgång på grund av överfulla fordon.

Det är bara ”rena” restidseffekter som inkluderas i tillgänglighetseffekten. Runt de nya tunnelbaneuppehållen får restidsförbättringar men annars är effekten begränsad. Från till exempel Värmdö och Orminge är direktbussarna till Slussen fortfarande att föredra.

Nacka kommun är den kommun som får störst ökning i UA jämfört med JA med 250 fler boende i tack vare förbättrat kollektivtrafikutbud samt 350 fler boende i villa tack vare en generell tillgänglighetsförbättring i och med tunnelbanan och Östlig förbindelse. Efter Nacka kommer Värmdö, Nynäshamn och Stockholm med störst befolkningsökningar i UA jämfört med JA. Den största befolkningsminskningen fås för Norrtälje kommun. Se Figur 7 för samtliga kommuner ordnade efter skillnad i folkmängd mellan UA och JA.

Figur 7 Skillnad i antal boende per kommun mellan UA och JA

För arbetsplatser är bilden liknande den för befolkning med störst ökningar i Nynäshamn, Lidingö och Nacka. Dock får Stockholm något färre arbetsplatser i UA än i JA. Skillna- derna är liksom för befolkningen genomgående små.

(27)

Figur 8: Skillnad i antal arbetsplatser per kommun mellan UA och JA

5.3 Fördelning per trafikzon

Nästa nivå för att analysera skillnaden i lokalisering mellan UA och JA är trafikzonsni- vån. Det finns 1240 trafikzoner i Stockholms län, varav ungefär en tredjedel i Stockholms kommun. Det är på trafikzoner, alternativ SAMS-områden, som LuSIM gör fördelningen av tillkommande befolkning och arbetsplatser.²⁵

Jämförelse mellan JA och 2010

De två följande figurerna visar fördelade tillskott av ny befolkning och respektive nya arbetsplatser i JA. Resultaten visas som förändring i befolknings- respektive arbetsplats- täthet. De skuggade områdena visar var de regionala kärnorna återfinns: Centrala region- kärnan, Märsta-Arlanda, Kista-Sollentuna-Häggvik, Kungens Kurva-Skärholmen, Söder- tälje, Barkarby-Jakobsberg, Täby C-Arninge, Flemingsberg, Haninge C.

De största tillskotten återfinns i regioncentrum samt längs tunnelbane- och järnvägsstrå- ken.

25 Lutrans har, liksom nuvarande version av Sampers, 1240 prognosområden i Stockholms län.

(28)

28 Analys & Strategi Figur 9: Befolkningstäthet, förändring mellan 2010 och 2030 i JA. De skuggade områ-

dena är de regionala stadskärnorna.

(29)

Figur 10: Arbetsplatstäthet (dagbefolkning), förändring mellan 2010 och 2030 i JA

Jämförelse mellan UA och JA

Den maximala skillnaden mellan UA och JA för en enskild trafikzon är runt 100 boende/arbetsplatser. De zoner som får störst skillnad återfinns främst i kommunerna Nacka och Nynäshamn. Som bilaga återfinns kartor som visas skillnad mellan UA och JA med hjälp av punkter. Varje grön punkt motsvarar att det lokaliserats 1 fler boende eller arbetsplats (=sysselsatt dagbefolkning) till zonen i JA och en rödpunkt att det är 1 fler i UA.

Antal boende och arbetsplatser i länet totalt är lika i både alternativ så det är lika många gröna och röda punkter i alla kartorna.

(30)

Figuren nedan visar skillnad i täthet (antal personer och arbetsplatser per km²) per trafikzon mellan UA och JA. De största positiva skillnaderna i UA syns i Nacka, längs gröna tunnelbanelinjen, vid pendeltågsstationer vid Barkarby dit blå linjen förlängts. Observera att även områden med röd markering i de flesta fall innebär relativt små skillnader mellan UA och JA. Som jämförelse har Stockholm kommun som helhet en befolkningstäthet på 3600 invånare per km².

Figur 11: Total täthet avvikelse mellan UA och JA lokalisering

(31)

6 Sammanfattning

Den markanvändning som togs fram inför Åtgärdsplaneringen 2012 (ÅP2012) baserades för Stockholmsregionen på tillgänglighet genererad av ett framtida trafiknät som inkluderar ett flertal objekt som inte (ännu) återfinns i de nationella planerna, t ex en utbyggnad av tunnelbanan till Nacka till år 2030. Eftersom denna markanvändning utgår från även ej beslutade åtgärder i transportsystemet har markanvändningsmodellen LuSIM använts för att uppskatta vilka effekter det får på lokaliseringen om markanvändningen istället base- ras på tillgängligheten från ett trafiknät som enbart innehåller beslutade åtgärder.

Som ett första led i analysen har lokaliseringsparametrarna i LuSIM, som avgör nyttan med att lokalisera sig i en viss trafikzon, estimerats baserat på tillkommande befolkning och arbetsplatser i Stockholms län 2005-2010.

En känslighetsanalys har genomförts i vilken lokaliseringseffekterna av den tillgänglighet som genereras av Förbifart Stockholm undersökts. Syftet med känslighetsanalysen är att ställa effekterna beräknade med LuSIM i relation med effekter beräknade på andra håll med till exempel SAMLOK. Resultatet av analysen är att effekterna beräknade med LuSIM är något större men i linje med effekterna beräknade med SAMLOK.

De ännu ej beslutade investeringarna är geografiskt sett föredelade i Stockholms län. Ex- empel på investeringar är Tunnelbana till Nacka och spårinvesteringar till Barkarby och Nya Karolinska/Hagastaden. Till det kommer en högre turtäthet i tunnelbana och pendel- tåg. Det gör att lokaliseringseffekterna av de samlade tillgänglighetseffekterna på grund av det mer utbyggda nätet jämfört med ett nät med bara beslutade objekt blir spridda i länet. Därmed blir också lokaliseringseffekterna små och geografiskt spridda. Störst be- räknas de bli i Nacka kommun där skillnaden är ungefär 600 boende och 400 arbetsplatser.

Eftersom skillnaden mellan JA- och UA-markanvändningarna är så pass begränsade ser WSP inget behov av att ta fram en särskild SAMS-databas för ett JA-scenario utifrån den markanvändning som tog fram inför ÅP 2012. Det finns således heller inget behov av att utifrån en modifierad markanvändning genomföra några objektsanalyser.

I sammanhanget är det också viktigt att poängtera att exempelvis tunnelbana till Nacka främst är en kapacitetshöjande investering. Eftersom LuTRANS i sin nuvarande imple- mentering inte kan ta hänsyn till kapaciteten i kollektivtrafiken kan inte tillgänglighetsef- fekter av kapacitethöjande åtgärder av detta slag beräknas full ut.²⁶ Det finns inte någon kapacitetsrestriktion utan alla som önskar kan resa med en buss eller tunnelbana, utan störningar i tidtabellen. En effekt som därmed inte kan hanteras är tex hur resenärerna

26 Ett exempel är tunnelbana till Nacka, en åtgärd som inte ger någon större tillgänglighetseffekt i trafikmodellen. I verkligheten skulle dock troligen resenärer få se överfulla bussar åka förbi håll- platserna om ingen tunnelbana byggs. Åtminstone vid en stor bostadsexploatering i Nacka. Där- med skulle väntetiderna öka i verkligheten men inte i modellen. Denna effekt medför att samhälls- nyttan av tex tunnelbana underskattas i trafikmodellen.

(32)

upplever att tillgängligheten förbättras när trängseln på fordonen minskar eller tillgäng- lighetsvinster när resenärer slipper vänta på nästa avgång på grund av överfulla fordon.

Det är därmed bara ”rena” restidseffekter som inkluderas i tillgänglighetseffekten. Detta är ett område där förbättringar av modellerna är önskvärda.