Modellutveckling 2016: Regressionsmodellen för inrikes inflyttning

Transkript

1 Demografisk rapport 2016:01 Modellutveckling 2016: Regressionsmodellen för inrikes inflyttning Befolkningsprognos /50

2 2(38)

3 3(38) Regressionsmodellen för inrikes inflyttning i befolkningsprognosen Inledning Nybyggnationen är en viktig komponent för kommuners befolkningsutveckling då den möjliggör en utökning av antalet bostäder. En ny bostad drar till sig personer som flyttar in. I befolkningsprognosen för Stockholms läns kommuner ingår det planerade bostadsbyggandet därför som en komponent för att skatta den framtida inflyttningen. Inflyttningsmodellen på kommunnivå baseras på en linjär regressionsmodell där variabler för befolkningsflöden och nybyggnation ingår. Storleken på inflyttningen till de nybyggda bostäderna varierar mellan kommunerna. En nybyggd lägenhet i en kommun fyller alltså inte samma behov på bostadsmarknaden i alla kommuner. Detta dokument beskriver en uppdatering av de kommunanpassade regressionsmodeller för inflyttningen som tagits fram för användning i framskrivningen av prognosen. I de flesta fall kommer modellerna vara desamma men med förändrade koefficienter, men i några fall kan modellen komma att ändras. Detta gäller främst kommuner som tidigare hade modeller med fördröjningseffekter (lag) för byggandet, då vi valt att inte använda sådana komponenter i årets uppdatering. Se vidare nedan. Inför prognosen 2015 gjordes en större översyn av modellerna för inflyttningen, se Demografisk rapport 2015:6 Modellutveckling 2015: Regressionsmodellen för inrikes inflyttning i befolkningsprognosen Linjär regression Med linjär regression kan man statistiskt analysera det linjära sambandet mellan en beroende variabel (Y) och en eller flera förklarande variabler (X 1-X n). Sambandet beskrivs som en modell enligt Y β0 β1 X1 β2 X2... βn Xn där X 1-X n är sinsemellan oberoende och ε är en stokastiskt normalfördelad term som beskriver den återstående slumpmässiga variationen mellan Y- och X- variablerna. Vid modelleringen testas de förklarande variablerna med ett t-test. Testet går ut på att se om variabeln har någon effekt i modellen jämfört med nollhypotesen där

4 4(38) den inte har det. Ett t-värde klart skilt från noll tyder på att variabeln tillför något d v s att den är statistiskt signifikant i modellen. Huruvida det överhuvudtaget finns något statistiskt samband mellan Y och X-variablerna testas med ett F-test, där den uppställda modellen testas mot nollhypotesen att eventuella samband endast är slumpmässiga. Höga F-värden tyder på att det finns ett grundläggande samband. Ofta redovisas sannolikheten för att värdena ska uppkomma under nollhypotesens statistiska fördelning (t eller F-fördelningen). Ett högt värde ger en låg sannolikhet vilket tyder på ett statistiskt samband. I tabellerna i bilaga 1 betecknas dessa värden med Pr < t och Pr > F. T-värdena har en osäkerhet, ett medelfel, som betecknas S.E. (standard error). Förklaringsgraden R 2 beskriver hur mycket av variationen i data som modellen förklarar. Eftersom fler variabler i modellen i allmänhet ökar förklaringsgraden även om de inte är statistiskt signifikanta, används en justerad variant R 2 -Adj som tar hänsyn till detta. Den senare redovisas i tabellerna. Generellt kan man säga att låga förklaringsgrader i våra modeller tyder på svagt samband mellan inflyttning och nybyggnation samt övriga demografiska variabler. I avsnittet Strategi för analysen beskrivs hur de linjära regressionsmodellerna tagits fram specifikt för den här analysen. Beskrivning av regressionsmodeller Modell använd 2015 Storleken på den inrikes inflyttningen till respektive kommun bestäms genom en regressionsmodell som använder sig av data om planerad nyproduktion av bostäder, utflyttning (inklusive utvandring), döda och födda. I och med översynen 2015 introducerades en s k utvidgad modell innehållande även immigration och fördröjningseffekter (lag) för byggnationen upp till tre år, enligt (1) och (2). (1) I modellerna ingår alltså enskilda komponenter för byggnationen 1, 2 eller 3 år sedan, för flerbostadshus, småhus eller den totala byggnationen. En fördröjd effekt av byggandet kan tänkas bero på förseningar i rapporteringen av nybyggen. Speciellt om det är flerbostadshus- eller gruppbebyggelseområden. Fördröjningskomponenterna för byggandet gav en förhöjd effekt på inflyttningen för de kommuner som hade dessa komponenter. Som en följd av det vägdes dessa (2)

5 5(38) komponenter ned för att få mer rimliga värden i prognosen. Detta förfarande anses därför inte helt tillförlitligt vilket gör att vi valt att inte använda några fördröjningskomponenter i 2016 års modeller. Modeller använda i årets prognos är därför av typen (3) och (4). (3) β-parametrarna bestäms efter observerade data Variablerna påverkar därmed inflyttningen till de olika kommunerna olika mycket och garanterar inte att ett stort planerat byggande i en kommun ger ett stort antal inflyttare. Modellen kan tolkas som att det finns ett antal lediga boplatser i kommunen. Om ingen flyttar ut, föds eller dör krävs nybyggnation för att inflyttning ska ske. Eventuell utglesning eller förtätning sker då parametrarna för födda, döda och utflyttning är skilda från 1. För vidare information se även rapporten Demografisk rapport 2014:10. Prognosmetoder och modeller. Regressionsanalys och Rapport 2010:11. Bostadsbyggande och befolkningstillväxt i Stockholms län Regressionsanalys. Befolkningsprognos och Demografisk rapport 2015:6 Modellutveckling 2015: Regressionsmodellen för inrikes inflyttning i befolkningsprognosen De utvalda modellerna i prognosen 2015 kan studeras i tabell 1. (4)

6 6(38) Tabell1.Regressionskoefficienter för utvalda modeller i prognosen 2015, data Modell: Inrikes inflyttning=β0+β1*nya lgh i flerbostadshus+β2*nya lgh i smahus + β3*utflyttning + β4*döda + β5*födda + β6*immigration +β(7-9)*nya lgh i flerbostadshus 1-3 år sedan+β(10-12)*nya lgh i småhus 1-3 år sedan Nya lgh i Flerbostadshus Småhus Kommun β0 1 år sen 1 år sen Utflyttning Döda Födda Immigration R2-Adj Ekerö 9,36 0,89 1,17 0,67 2,57 82% Haninge 3849,55 0,35-2,79 1,96 78% Huddinge 694,32 0,70 0,66 0,60 0,94 2,90-2,27 90% Järfälla -909,65 0,75 1,99 0,69 3,85 84% Nynäshamn -15,78 0,76 1,59 84% Stockholm 72361,26 0,26-5,55 90% Södertälje -153,56 0,70 3,73-1,86 77% Tyresö -633,45 0,97 2,36 0,86 2,84 69% Täby 1005,34 1,39 2,07 0,64 2,92-2,18 70% Upplands Väsby 450,61 1,12 1,50 0,78-1,80 1,39 76% Vaxholm -50,22 0,88 1,14 0,96 0,85 1,09 85% Modell: Inrikes inflyttning=β0+β1*nya lgh tot + β2*utflyttning + β3*döda + β4*födda + β5*immigration +β(6-8)*nya lgh tot 1-3 år sedan Nya lgh totalt Kommun β0 1 år sen 2 år sen Utflyttning Döda Födda Immigration R2-Adj Botkyrka -775,71 1,12 0,90 70% Danderyd 591,71 1,16 0,41 0,84 52% Lidingö -370,93 0,98 0,70 2,07 63% Nacka -1832,79 0,32¹ 0,78 2,91 1,21 95% Norrtälje 420,71 0,73 0,84 73% Nykvarn 458,44 1,63 30% Salem -127,81 0,70 1,38 1,41 0,69 4,01-0,66 72% Sigtuna -484,82 0,47 0,80 3,08 85% Sollentuna -272,02 0,45 0,98 75% Solna -3820,69 1,01 0,73 6,75 0,97 97% Sundbyberg -215,36 1,19 0,96 87% Upplands-Bro 1220,45 1,41-1,39 2,67 61% Vallentuna 175,53 0,64 0,66 0,77 3,71-1,31 85% Värmdö -137,18 0,51 1,44 1,15 0,59 4,28 90% Österåker 80,78 1,24 1,06-1,92 65% 1) Pr>t=0,16 Analys och resultat Beskrivning av data Data som ligger till grund för analysen är befolkningsdata inklusive årlig nybyggnation av lägenheter. Regressionsmodellerna baseras därför på 41 observationer. Data för Nykvarn är tillgänglig från 1999, och modellen baseras då på 17 observationer. Strategi för analysen Ett antal olika regressionsmodeller för varje kommun testades enligt vissa principer. Målet var att hitta modeller med byggkoefficienter större än 0, för användning i befolkningsprognosen. I första steget testades de fullständiga modellerna med uppdelade byggvariabler för flerbostadshus och småhus. Icke

7 7(38) statistiskt signifikanta variabler plockades bort från modellen om deras t-värde var absolut lågt (nära noll) och dess sannolikhet under nollhypotesen var högre än 15 procent 1. Med andra ord: om sannolikheten att variabeln inte har någon effekt i modellen är över 15 procent tas den inte med i modellen. Om någon av byggkomponenterna för flerbostadshus eller småhus var icke-signifikanta enligt denna princip eller var negativa, testades motsvarande modeller med sammanslagen byggkomponent. I tredje hand används modeller utan byggkomponent. Föregående års modeller har behållits om inte en ny modell givit en klart högre förklaringsgrad, bland annat för att undvika överanpassning av modellen. I vissa fall har även en bedömning utifrån predikterade värden jämfört med observerade värden gjorts vid val av modell. Användning i prognosen De utvalda regressionsmodellerna används för att prediktera kommunens inrikes inflyttning för alla kommuner utom Haninge, där prediktionen inte ansågs vara bra. Läs vidare avsnittet Diskussion. Den via regressionsmodellen predikterade inrikes inflyttningen delas upp i inflyttning från övriga länet respektive inflyttning från annat län efter de genomsnittliga andelarna av den totala inrikes inflyttningen de tio senaste åren. Inflyttarna fördelas per kön och åldersgrupp efter de senaste årens observerade fördelning i varje kommun. Se vidare Demografisk rapport (2016:02) Befolkningsprognos /50 - Stockholms län huvudrapport. Utvalda modeller i prognosen I tabell 2 visas de utvalda modellerna som används för inflyttningsantagandet i prognosen och i bilaga 1 redovisas de mer utförligt i detalj. Diagrammen i bilagan visar den observerade inflyttningen jämfört med den med modellen predikterade inflyttningen. På så sätt går det att visuellt beskriva hur väl modellen kan återskapa den faktiska inflyttningen. Jämfört med modellerna i 2015 års prognos har det skett en del förändringar. Huddinge, Salem, Vallentuna, Vaxholm och Värmdö kommuner har bytt modell då deras föregående innehöll fördröjningskomponenter för byggandet. Botkyrka, Norrtälje, Nykvarn, Sollentuna och Upplands-Bro kommuner har fått utökade modeller med fler variabler än föregående år. För Ekerö och Nynäshamns kommuner togs komponenten döda bort då denna inte längre var statistiskt signifikant i modellen. Övriga 14 kommuner har samma modell som vid analysen 2015, men med något förändrade koefficienter då ett års observationer har lagts till i data. 1 Signifikansnivån 5 procent används ofta vid signifikanstester men här har vi valt en högre nivå för att tillåta fler variabler i modellerna. Skulle t ex nivån 25 procent valts skulle ännu fler variabler komma med i modellerna.

8 8(38) Tabell2. Utvalda modeller per kommun Modell: Inrikes inflyttning=β0+β1*nya lgh i flerbostadshus+β2*nya lgh i smahus + β3*utflyttning + β4*döda + β5*födda + β6*immigration Nya lgh i Flerbostadshus Småhus Kommun β0 Utflyttning Döda Födda Immigration R2-Adj Upplands Väsby 384,9 1,15 1,51 0,81-1,80 1,38 82% Järfälla -1004,2 0,90 1,96 0,72 3,76 88% Ekerö 87,3 0,78 1,05 0,88 83% Huddinge 767,1 0,51 0,63 0,88 2,40-1,63 89% Haninge 3429,6 0,44-2,71 1,93 80% Tyresö -665,6 1,00 2,38 0,87 2,88 74% Täby 770,4 1,38 2,19 0,68 3,16-2,15 74% Stockholm 70332,6 0,28-5,40 91% Södertälje -175,6 0,70 3,73-1,86 81% Vaxholm -21,0 0,90 0,94 0,74 1,58 79% Nynäshamn 84,1 0,96 85% Modell: Inrikes inflyttning=β0+β1*nya lgh tot + β2*utflyttning + β3*döda + β4*födda + β5*immigration Nya lgh totalt Kommun β0 Utflyttning Döda Födda Immigration R2-Adj Vallentuna 250,78 0,76 0,69 3,92-1,12 83% Österåker -5,75 1,35 1,07-1,60 70% Värmdö -117,13 0,39 0,41 3,74 1,91-0,98 89% Botkyrka 2490,42 2,18 0,59-2,44 0,76 75% Salem -541,83 0,80 0,88 4,08 1,96-0,99 68% Upplands-Bro 1115,84 1,30 0,35-1,94-2,31 3,07 66% Nykvarn 366,46 1,50 2,76 51% Danderyd 576,77 1,15 0,42 0,84 55% Sollentuna 215,50 0,36 0,72 0,95 82% Nacka -1846,36 0,36 0,81 2,89 1,08 96% Sundbyberg -325,41 1,23 0,99 89% Solna -3941,26 0,83 0,77 6,68 1,01 97% Lidingö -537,17 1,06 0,79 1,91 68% Norrtälje -483,35 0,49 0,40 2,72 0,88 79% Sigtuna -375,28 0,46 0,74 3,13 87% Diskussion Då modellerna används för prediktion, det vill säga att uppskatta framtida inflyttning i prognosen, är det viktigt att de demografiska förutsättningar som modellerna bygger på kan antas gälla även i framtiden. Med detta i bakhuvudet ligger inflyttningsnivåerna i nuläget högre än på många år; det observerade antalet åren är ovanligt högt. Det gäller i princip alla kommuner. Detta kan vara en anledning till att vissa kommuners modeller ändrats sedan förra året. Det är också en anledning till att prediktionen skiljer sig åt från den observerade inflyttningen, speciellt för de senaste åren (se Bilaga 1). I Haninges fall är

9 9(38) modellen inte tillräcklig för att göra en bra prediktion av inflyttningen, varför en annan typ av modell använts. I använd modell beräknas ett medelvärde för inflyttning genom att exkludera all inrikes inflyttning som sker på grund av nybyggnation. Sedan görs ett antagande om hur många personer från andra kommuner som kommer att flytta in i planerad nybyggnation. Det finns några andra kommuner där prediktionen inte heller träffar den observerade inflyttningen så bra de senaste åren, t ex Lidingö och Täby. I dessa kommuner har vi dock valt att använda regressionsmodellen. Som föreslagits i Regressionsmodellen för inrikes inflyttning i befolkningsprognosen 2015 vore det rimligt att (i vissa fall) använda inrikes inflyttning från övriga länet för respektive kommun i stället för inflyttning totalt som beroende variabel. I dessa fall skulle medelnivån de senaste sex åren användas för inflyttning från annat län och den predikterade nivån för inflyttning från övriga länet. Det har dock inte funnits möjlighet att använda den här typen av modeller då de inte implementerats i prognossystemet. Byggplanerna är osäkra och kan skilja sig markant från den observerade nybyggnationen som modellerna är baserade på. Därför kan det vara vanskligt att använda planerna för att prediktera framtida inflyttning. I allmänhet bygger lämpligheten att använda modellerna till prediktion på att samma eller liknade förhållanden gäller även i framtiden.

10 10(38) Bilaga 1. Utvalda modeller per kommun Botkyrka Tabell 3. Anpassad modell för inrikes inflyttning för Botkyrka kommun β0 2490, ,42 2,13 0,04 Nya lgh totalt 2,18 0,53 4,10 0,00 Födda -2,44 0,95-2,58 0,01 Utflyttning 0,59 0,14 4,09 0,00 Immigration 0,76 0,30 2,56 0,01 R2-Adj % 75% Modellens F-värde 31,42 Pr > F <.0001 Diagram 1. Predikterade vs. observerade värden inrikes inflyttning för Botkyrka kommun

11 11(38) Danderyd Tabell 4. Anpassad modell för inrikes inflyttning för Danderyds kommun β0 576,77 300,53 1,92 0,06 Nya lgh totalt 1,15 0,43 2,68 0,01 Utflyttning 0,42 0,17 2,39 0,02 Immigration 0,84 0,35 2,37 0,02 R2-Adj % 55% Modellens F-värde 17,39 Pr > F <.0001 Diagram 2. Predikterade vs. observerade värden inrikes inflyttning för Danderyds kommun

12 12(38) Ekerö Tabell 5. Anpassad modell för inrikes inflyttning för Ekerö kommun β0 87,29 84,92 1,03 0,31 Nya lgh i flerbostadshus 0,78 0,47 1,64 0,11 Nya lgh i småhus 1,05 0,37 2,88 0,01 Utflyttning 0,88 0,06 13,79 <,0001 R2-Adj % 83% Modellens F-värde 64,24 Pr > F <.0001 Diagram 3. Predikterade vs. observerade värden inrikes inflyttning för Ekerö kommun

13 13(38) Haninge Tabell 6. Anpassad modell för inrikes inflyttning för Haninge kommun β0 3429,59 687,14 4,99 <,0001 Födda -2,71 0,64-4,21 0,00 Utflyttning 0,44 0,12 3,76 0,00 Immigration 1,93 0,31 6,25 <,0001 R2-Adj % 80% Modellens F-värde 54,40 Pr > F <.0001 Diagram 4. Predikterade vs. observerade värden inrikes inflyttning för Haninge kommun Observera att denna modell inte är använd för Haninge i prognosen.

14 14(38) Huddinge Tabell 7. Anpassad modell för inrikes inflyttning för Huddinge kommun β0 767,12 644,98 1,19 0,24 Nya lgh i flerbostadshus 0,51 0,29 1,72 0,09 Nya lgh i småhus 0,63 0,39 1,59 0,12 Döda 2,40 1,06 2,27 0,03 Födda -1,63 0,69-2,36 0,02 Utflyttning 0,88 0,06 14,16 <,0001 R2-Adj % 89% Modellens F-värde 67,28 Pr > F <.0001 Diagram 5. Predikterade vs. observerade värden inrikes inflyttning för Huddinge kommun

15 15(38) Järfälla Tabell 8. Anpassad modell för inrikes inflyttning för Järfälla kommun β0-1004,19 269,67-3,72 0,00 Nya lgh i flerbostadshus 0,90 0,26 3,43 0,00 Nya lgh i småhus 1,96 0,49 4,03 0,00 Döda 3,76 0,73 5,18 <,0001 Utflyttning 0,72 0,09 8,09 <,0001 R2-Adj % 88% Modellens F-värde 77,01 Pr > F <.0001 Diagram 6. Predikterade vs. observerade värden inrikes inflyttning för Järfälla kommun

16 16(38) Lidingö Tabell 9. Anpassad modell för inrikes inflyttning för Lidingö kommun β0-537,17 302,32-1,78 0,08 Nya lgh totalt 1,06 0,34 3,08 0,00 Döda 1,91 0,89 2,14 0,04 Utflyttning 0,79 0,14 5,59 <,0001 R2-Adj % 68% Modellens F-värde 29,43 Pr > F <.0001 Diagram 7. Predikterade vs. observerade värden inrikes inflyttning för Lidingö kommun

17 17(38) Nacka Tabell 10. Anpassad modell för inrikes inflyttning för Nacka kommun β0-1846,36 308,73-5,98 <,0001 Nya lgh totalt 0,36 0,22 1,65 0,11 Döda 2,89 1,09 2,65 0,01 Födda 1,08 0,60 1,79 0,08 Utflyttning 0,81 0,07 11,50 <,0001 R2-Adj % 96% Modellens F-värde 223,80 Pr > F <.0001 Diagram 8. Predikterade vs. observerade värden inrikes inflyttning för Nacka kommun

18 18(38) Norrtälje Tabell 11. Anpassad modell för inrikes inflyttning för Norrtälje kommun β0-483,35 439,91-1,10 0,28 Nya lgh totalt 0,49 0,29 1,68 0,10 Döda 2,72 1,04 2,62 0,01 Utflyttning 0,40 0,19 2,13 0,04 Immigration 0,88 0,46 1,93 0,06 R2-Adj % 79% Modellens F-värde 39,14 Pr > F <.0001 Diagram 9. Predikterade vs. observerade värden inrikes inflyttning för Norrtälje kommun

19 19(38) Nykvarn Tabell 12. Anpassad modell för inrikes inflyttning för Nykvarns kommun β0 366,46 51,91 7,06 <,0001 Nya lgh totalt 1,50 0,61 2,46 0,03 Immigration 2,76 1,40 1,97 0,07 R2-Adj % 51% Modellens F-värde 9,37 Pr > F 0,00 Diagram 10. Predikterade vs. observerade värden inrikes inflyttning för Nykvarns kommun

20 20(38) Nynäshamn Tabell 13. Anpassad modell för inrikes inflyttning för Nynäshamns kommun β0 84,12 74,85 1,12 0,27 Utflyttning 0,96 0,06 15,27 <,0001 R2-Adj % 85% Modellens F-värde 233,03 Pr > F <.0001 Diagram 11. Predikterade vs. observerade värden inrikes inflyttning för Nynäshamns kommun

21 21(38) Salem Tabell 14. Anpassad modell för inrikes inflyttning för Salems kommun β0-541,83 170,47-3,18 0,00 Nya lgh totalt 0,80 0,36 2,25 0,03 Födda 1,96 0,84 2,32 0,03 Döda 4,08 0,97 4,20 0,00 Utflyttning 0,88 0,11 7,82 <,0001 Immigration -0,99 0,24-4,10 0,00 R2-Adj % 68% Modellens F-värde 18,39 Pr > F <.0001 Diagram 12. Predikterade vs. observerade värden inrikes inflyttning för Salems kommun

22 22(38) Sigtuna Tabell 15. Anpassad modell för inrikes inflyttning för Sigtuna kommun β0-375,28 152,64-2,46 0,02 Nya lgh totalt 0,46 0,19 2,37 0,02 Döda 3,13 0,97 3,22 0,00 Utflyttning 0,74 0,09 8,60 <,0001 R2-Adj % 87% Modellens F-värde 90,52 Pr > F <.0001 Diagram 13. Predikterade vs. observerade värden inrikes inflyttning för Sigtuna kommun

23 23(38) Sollentuna Tabell 16. Anpassad modell för inrikes inflyttning för Sollentuna kommun β0 215,50 315,05 0,68 0,50 Nya lgh totalt 0,36 0,21 1,71 0,09 Utflyttning 0,72 0,13 5,69 <,0001 Immigration 0,95 0,42 2,28 0,03 R2-Adj % 82% Modellens F-värde 62,74 Pr > F <.0001 Diagram 14. Predikterade vs. observerade värden inrikes inflyttning för Sollentuna kommun

24 24(38) Solna Tabell 17. Anpassad modell för inrikes inflyttning för Solna kommun β0-3941,26 651,34-6,05 <,0001 Nya lgh totalt 0,83 0,26 3,20 0,00 Döda 6,68 1,13 5,92 <,0001 Utflyttning 0,77 0,07 10,54 <,0001 Immigration 1,01 0,35 2,84 0,01 R2-Adj % 97% Modellens F-värde 359,76 Pr > F <.0001 Diagram 15. Predikterade vs. observerade värden inrikes inflyttning för Solna kommun

25 25(38) Stockholm Tabell 18. Anpassad modell för inrikes inflyttning för Stockholms kommun β , ,00 5,16 <,0001 Döda -5,40 1,12-4,84 <,0001 Utflyttning 0,28 0,11 2,50 0,02 R2-Adj % 91% Modellens F-värde 212,65 Pr > F <.0001 Diagram 16. Predikterade vs. observerade värden inrikes inflyttning för Stockholms kommun

26 26(38) Sundbyberg Tabell 19. Anpassad modell för inrikes inflyttning för Sundbybergs kommun β0-325,41 211,13-1,54 0,13 Nya lgh totalt 1,23 0,20 6,20 <,0001 Utflyttning 0,99 0,06 16,32 <,0001 R2-Adj % 89% Modellens F-värde 170,72 Pr > F <.0001 Diagram 17. Predikterade vs. observerade värden inrikes inflyttning för Sundbybergs kommun

27 27(38) Södertälje Tabell 20. Anpassad modell för inrikes inflyttning för Södertälje kommun β0-175,62 671,91-0,26 0,80 Döda 3,73 0,80 4,65 <,0001 Födda -1,86 0,40-4,61 <,0001 Utflyttning 0,70 0,06 11,21 <,0001 R2-Adj % 81% Modellens F-värde 56,19 Pr > F <.0001 Diagram 18. Predikterade vs. observerade värden inrikes inflyttning för Södertälje kommun

28 28(38) Tyresö Tabell 21. Anpassad modell för inrikes inflyttning för Tyresö kommun β0-665,61 312,10-2,13 0,04 Nya lgh i flerbostadshus 1,00 0,37 2,72 0,01 Nya lgh i småhus 2,38 0,63 3,76 0,00 Döda 2,88 0,80 3,62 0,00 Utflyttning 0,87 0,16 5,34 <,0001 R2-Adj % 74% Modellens F-värde 30,06 Pr > F <.0001 Diagram 19. Predikterade vs. observerade värden inrikes inflyttning för Tyresö kommun

29 29(38) Täby Tabell 22. Anpassad modell för inrikes inflyttning för Täby kommun β0 770,38 939,54 0,82 0,42 Nya lgh i flerbostadshus 1,38 0,53 2,60 0,01 Nya lgh i småhus 2,19 0,47 4,64 <,0001 Döda 3,16 1,22 2,59 0,01 Födda -2,15 0,92-2,33 0,03 Utflyttning 0,68 0,15 4,66 <,0001 R2-Adj % 74% Modellens F-värde 23,63 Pr > F <.0001 Diagram 20. Predikterade vs. observerade värden inrikes inflyttning för Täby kommun

30 30(38) Upplands-Bro Tabell 23. Anpassad modell för inrikes inflyttning för Upplands-Bro kommun β0 1115,84 257,97 4,33 0,00 Nya lgh totalt 1,30 0,29 4,44 <,0001 Födda -2,31 1,00-2,32 0,03 Döda -1,94 1,15-1,69 0,10 Utflyttning 0,35 0,21 1,61 0,12 Immigration 3,07 0,56 5,47 <,0001 R2-Adj % 66% Modellens F-värde 16,62 Pr > F <.0001 Diagram 21. Predikterade vs. observerade värden inrikes inflyttning för Upplands-Bro kommun

31 31(38) Upplands Väsby Tabell 24. Anpassad modell för inrikes inflyttning för Upplands Väsby kommun β0 384,89 351,68 1,09 0,28 Nya lgh i flerbostadshus 1,15 0,26 4,48 <,0001 Nya lgh i småhus 1,51 0,37 4,13 0,00 Födda -1,80 0,54-3,34 0,00 Utflyttning 0,81 0,13 6,28 <,0001 Immigration 1,38 0,41 3,40 0,00 R2-Adj % 82% Modellens F-värde 37,87 Pr > F <.0001 Diagram 22. Predikterade vs. observerade värden inrikes inflyttning för Upplands Väsby kommun

32 32(38) Vallentuna Tabell 25. Anpassad modell för inrikes inflyttning för Vallentuna kommun β0 250,78 119,37 2,10 0,04 Nya lgh totalt 0,76 0,26 2,94 0,01 Döda 3,92 1,45 2,70 0,01 Födda -1,12 0,46-2,45 0,02 Utflyttning 0,69 0,15 4,52 <,0001 R2-Adj % 83% Modellens F-värde 51,45 Pr > F <.0001 Diagram 23. Predikterade vs. observerade värden inrikes inflyttning för Vallentuna kommun

33 33(38) Vaxholm Tabell 26. Anpassad modell för inrikes inflyttning för Vaxholms kommun β0-21,01 46,86-0,45 0,66 Nya lgh i flerbostadshus 0,90 0,34 2,68 0,01 Nya lgh i småhus 0,94 0,62 1,53 0,13 Födda 1,58 0,80 1,97 0,06 Utflyttning 0,74 0,14 5,21 <,0001 R2-Adj % 79% Modellens F-värde 37,64 Pr > F <.0001 Diagram 24. Predikterade vs. observerade värden inrikes inflyttning för Vaxholms kommun

34 34(38) Värmdö Tabell 27. Anpassad modell för inrikes inflyttning för Värmdö kommun β0-117,13 126,17-0,93 0,36 Nya lgh totalt 0,39 0,27 1,47 0,15 Döda 3,74 1,81 2,07 0,05 Födda 1,91 0,51 3,75 0,00 Utflyttning 0,41 0,17 2,36 0,02 Immigration -0,98 0,62-1,57 0,12 R2-Adj % 89% Modellens F-värde 62,90 Pr > F <.0001 Diagram 25. Predikterade vs. observerade värden inrikes inflyttning för Värmdö kommun

35 35(38) Österåker Tabell 28. Anpassad modell för inrikes inflyttning för Österåkers kommun β0-5,75 208,53-0,03 0,98 Nya lgh totalt 1,35 0,24 5,68 <,0001 Döda -1,60 0,95-1,69 0,10 Utflyttning 1,07 0,18 5,92 <,0001 R2-Adj % 70% Modellens F-värde 31,97 Pr > F <.0001 Diagram 26. Predikterade vs. observerade värden inrikes inflyttning för Österåkers kommun

36 36(38)

37 37(38)

38 38(38) Andra rapporter i samma serie: Stockholmsregionens återflyttningsutbyte med övriga Sverige 2010:05 Pensionspuckeln, 55+ flyttningar 2011:02 Vart tar invandrarna vägen? 2011:04 Födda efter mödrarnas födelseländer 2012:04 Hushåll och familjer i förändring 2012:05 Varför flyttar svenska barnfamiljer? 2012:10 Barnfamiljers flyttningar kring sekelskiftet :04 Barn och barnfamiljer i tillväxtregion 2013:05 Alternativa byggplaner 2014:01 Demografiska försörjningskvoter för planområden 2014:03 In- och utflyttningsfält i Stockholmsregionen 2014:08 Segregation i Stockholmsregionen 2014:09 Befolkningstätheter i Stockholms län 2013 och prognoser för :01 Demografiska prognoser för Stockholms län , kommunnivå 2015:02 Mångfaldsindex och utrikesföddas Stockholmsorientering 2015:04 Hushåll och hushållsutveckling i ett långsiktigt perspektiv 2015:05 Permanentning av fritidhus med mera; bilaga 2015:08 Modellutveckling 2016: Regressionsmodellen för inrikes inflyttning 2016:01 Befolkningsprognos /50 Stockholms län-huvudrapport 2016:02 Bostadbyggnadsplaner till prognoserna /30/ :03 Kommunprognoser , sammanfattning, bilaga 2016:04 Fruktsamhet och mortalitet :05 Barnhushållens flyttningar och unga vuxnas flytt från föräldrarna 2016:06 Befolkningsprognos och kommunprognoser / :07