Modellutveckling 2017: Regressionsmodellen för inrikes inflyttning - kommunnivå

Transkript

1 Demografisk rapport 2017:01 Modellutveckling 2017: Regressionsmodellen för inrikes inflyttning - kommunnivå Befolkningsprognos /50

2 2(62) Modellutveckling 2017: Regressionsmodellen för inrikes inflyttning Demografisk rapport 2017:01, Befolkningsprognos /50 Arbetet med projektet Befolkningsprognos för Stockholms län och delområden utförs som ett samarbete mellan Stockholms läns landsting, Tillväxt- och regionplaneförvaltningen och SCB samt adjungerade forskare och konsulter. Förfrågningar: Michael Franzén, SCB, , Ulla Moberg, SLL/TRF, , Projektledare: Ulla Moberg Stockholm läns landsting/trf Box 22550, Stockholm Besök: Norra Stationsgatan 69 Tfn: TRN

3 3(62) 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 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

4 4(62) 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 2016 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). Inrikes inflyttning = β 0 + β 1 nya lgh i flerbostadshus + β 2 nya lgh i småhus +β 3 utflyttning + β 4 döda + β 5 födda + β 6 immigration +β 7 9 nya lgh i flerbostadshus 1 3 år sedan +β nya lgh i småhus 1 3 år sedan (1) Inrikes inflyttning = β 0 + β 1 nya lgh totalt + β 2 utflyttning + β 3 döda +β 4 födda + β 5 immigration + β 6 8 nya lgh totalt 1 3 år sedan (2) 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 komponenter ned för att få mer rimliga värden i prognosen. Detta förfarande anses därför inte helt tillförlitligt vilket gör att vi valde att inte använda några fördröjningskomponenter i 2016 års modeller. Modeller använda 2016 och i årets prognos är därför av typen (3) och (4). Inrikes inflyttning = β 0 + β 1 nya lgh i flerbostadshus + β 2 nya lgh i småhus + β 3 utflyttning + β 4 döda + β 5 födda + β 6 immigration (3) Inrikes inflyttning = β 0 + β 1 nya lgh totalt + β 2 utflyttning + β 3 döda + β 4 födda + β 5 immigration (4)

5 5(62) β-parametrarna i årets prognos 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. Utvalda modeller i prognosen 2016 kan studeras i tabell 1. Tabell1.Regressionskoefficienter för utvalda modeller i prognosen 2016, data 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% Haninge¹ 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% 1) För Haninge användes en annan typ av modell för den inrikes inflyttningen

6 6(62) Analys och resultat Beskrivning av data Data som ligger till grund för analysen är befolkningsdata inklusive årlig nybyggnation av lägenheter. Regressionsmodellerna baseras därför på 42 observationer. Data för Nykvarn är tillgänglig från 1999, och modellen baseras då på 18 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 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 2. 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 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 (2017:02) 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. 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. 2 I Vaxholm och Upplands-Bro har variabler med sannolikheten 16 procent godkänts. Se tabell 2.

7 7(62) Jämfört med modellerna i 2016 års prognos har det skett några förändringar. För Nacka är byggkomponenten borttagen då den inte längre är statistiskt signifikant i modellen. Komponenten för immigration har tagits bort i modellen för Värmdö, medan komponenten har lagts till i modellerna för Sigtuna och Österåker. För Haninge kommun används en modell som baseras på data från och med 1995, istället för den speciella modell som användes föregående år. Övriga kommuner har samma modell som vid analysen 2016, men med något förändrade koefficienter då ett års observationer har lagts till i data. 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 316,9 1,22 1,48 0,82-1,79 1,45 87% Järfälla -1139,1 1,09 1,90 0,77 3,57 91% Ekerö 77,9 0,76 1,09 0,88 83% Huddinge 740,1 0,57 0,62 0,89 2,49-1,71 91% Nacka -1770,7 0,76 2,66 1,50 96% Tyresö -675,5 1,01 2,39 0,88 2,89 78% Täby 882,2 1,10 2,14 0,62 3,30-2,08 77% Stockholm 70604,5 0,27-5,42 92% Södertälje -308,8 0,72 3,84-1,87 83% Vaxholm -27,4 1,00 0,87¹ 0,77 1,50 79% Nynäshamn 92,7 0,95 86% 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 243,6 0,78 0,71 3,76-1,14 85% Österåker 132,5 1,30 0,93-2,44 1,42 72% Värmdö -135,8 0,41 0,31 3,47 2,08 88% Botkyrka 2439,4 2,09 0,58-2,28 0,71 76% Salem -535,7 0,80 0,88 4,03 1,96-0,98 70% Haninge² 711,0 0,95 0,74 85% Upplands-Bro 995,6 1,35 0,40-1,70¹ -2,41 3,29 71% Nykvarn 365,5 1,50 2,78 57% Danderyd 521,9 1,16 0,44 0,84 57% Sollentuna 275,9 0,38 0,70 0,95 85% Sundbyberg -219,7 1,14 0,97 91% Solna -4238,8 0,56 0,77 7,33 0,96 97% Lidingö -604,1 1,04 0,84 1,77 73% Norrtälje -335,7 0,48 0,44 2,38 0,73 81% Sigtuna 23,7 0,26 0,34 3,12 1,38 93% 1) I Vaxholm och Upplands-Bro har variabler med sannolikheten 16 procent godkänts 2) Baserad på data från och med 1995

8 8(62) Utvärdering av tidigare regressionsmodeller Två alternativa modeller har tagits fram för att jämföra med de regressionsmodeller som använts för respektive kommun och årgång ( ). Tillsammans med ordinarie inflyttning i prognoserna jämförs dessa modeller med observerad inflyttning. Syftet är att se vilken modell som verkar prediktera inflyttningen bäst. Samtliga modeller kan studeras i bilaga 2. Första prognosåret har justeras i samtliga modeller på samma sätt som i de ordinarie prognoserna, där regressionsmodellerna använts. Detta för att jämförelserna inte ska bli missvisande. Alternativa modeller Byggplansmodell: I använd modell (5) 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. Inrikes inflyttning = Medel inrikes inflyttning exkl inflyttning pga byggnation senaste 6 åren + in fb nya lgh i flerbostadshus + in sh nya lgh i småhus där in fb = inflyttning från andra kommuner per lgh i flerbostadshus och in sh = inflyttning från andra kommuner per lgh i småhus Inflyttning exkl inflyttning pga byggnation räknas ut som inrikes inflyttning inrikes inflyttning pga byggnation där inrikes inflyttning pga byggnation = in fb nya lgh i flerbostadshus + in sh nya lgh i småhus Tanken är alltså att skatta inflyttningen till det befintliga bostadsbeståndet och sedan addera den inflyttning som antas bero på nybyggnation. Modellerna benämns byggplanmedel i bilaga 2. Tidseriemodell: Tidseriemodeller liknar de linjära regressionsmodellerna beskrivna i rapporten med undantaget att tid är den enda förklarande variabeln. Modellen som använts här är en linjär trendmodell och kan uttryckas som 100 Inrikes inflyttning år t = i=0 β i0 + β i1 år t + ε it (6) där ε it är den slumpmässiga feltermen för ålder i och år t. Prediktionsmodellen (6) är en summa över samtliga åldrars (0-100 år) enskilda linjära trendmodeller. Den benämns forecast i diagrammen i bilaga 2. (5)

9 9(62) Analys av utvärderingen Som kan ses i diagrammen i bilaga 2 varierar det mellan kommunerna hur väl de olika modellerna predikterar utvecklingen. I vissa fall (t ex Solna och Tyresö) fungerar ordinarie regressionsmodell bäst, medan i andra fall fungerar byggplansmodellen (t ex Upplands-Bro) eller tidseriemodellen (t ex Botkyrka och Sigtuna) bäst. Det är dock tydligt att i vissa kommuner predikterar ingen av modellerna inflyttningen särskilt bra under perioden. Diskussion Då modellerna används för prediktion på kommunnivå, 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 göra att prediktionen skiljer sig åt från den observerade inflyttningen, speciellt för de senaste åren (se Bilaga 1). I Haninges fall är modellen inte tillräcklig för att göra en bra prediktion av inflyttningen, i alla fall där data från 1975 används. Vid användning av data från 1995 kan en till synes bättre modell anpassas vilken också används som inflyttningsmodell i prognosen. Även andra kommuner kan tänkas få bättre modeller om en annan tidshorisont används, t ex Lidingö och Täby. Detta har dock inte testats. Byggplanerna är osäkra och kan skilja sig markant från den observerade nybyggnationen som modellerna är baserade på. Planerad och observerad byggnation kan sägas vara olika variabler. Därför kan det vara vanskligt att använda planerna som framtida observerad byggnation för att prediktera framtida inflyttning. Det finns därmed argument att inte använda byggande i modelleringen på kommunnivå överhuvudtaget. Utvärderingen visar att andra typer av modeller (tidseriemodeller, medelvärdesantaganden) fungerar minst lika bra, även om det varierar mellan kommunerna. I allmänhet bygger lämpligheten att använda modellerna till prediktion på att samma eller liknade förhållanden gäller även i framtiden. Bilagorna på följande sidor redovisar: Bilaga 1: utvalda modeller per kommun på sidorna Bilaga 2: utvärderade modeller per kommun , på sidorna

10 10(62) Bilaga 1. Utvalda modeller per kommun Botkyrka Tabell 3. Anpassad modell för inrikes inflyttning för Botkyrka kommun Parameter Variabel skattning S.E t-värde Pr < t β0 2439, ,21 2,09 0,04 Nya lgh totalt 2,09 0,52 3,98 0,00 Födda -2,28 0,94-2,44 0,02 Utflyttning 0,58 0,14 4,03 0,00 Immigration 0,71 0,29 2,42 0,02 R2-Adj % 76% Modellens F-värde 33,63 Pr > F <.0001 Diagram 1. Predikterade vs. observerade värden inrikes inflyttning för Botkyrka kommun

11 11(62) Danderyd Tabell 4. Anpassad modell för inrikes inflyttning för Danderyds kommun Parameter Variabel skattning S.E t-värde Pr < t β0 521,93 296,98 1,76 0,09 Nya lgh totalt 1,16 0,43 2,68 0,01 Utflyttning 0,44 0,17 2,56 0,01 Immigration 0,84 0,36 2,38 0,02 R2-Adj % 57% Modellens F-värde 19,55 Pr > F <.0001 Diagram 2. Predikterade vs. observerade värden inrikes inflyttning för Danderyds kommun

12 12(62) Ekerö Tabell 5. Anpassad modell för inrikes inflyttning för Ekerö kommun Parameter Variabel skattning S.E t-värde Pr < t β0 77,92 82,58 0,94 0,35 Nya lgh i flerbostadshus 0,76 0,47 1,62 0,11 Nya lgh i småhus 1,09 0,36 3,07 0,00 Utflyttning 0,88 0,06 14,27 <,0001 R2-Adj % 83% Modellens F-värde 69,25 Pr > F <.0001 Diagram 3. Predikterade vs. observerade värden inrikes inflyttning för Ekerö kommun

13 13(62) Haninge Tabell 6. Anpassad modell för inrikes inflyttning för Haninge kommun Parameter Variabel skattning S.E t-värde Pr < t β0 710,95 517,42 1,37 0,19 Nya lgh totalt 0,95 0,44 2,19 0,04 Utflyttning 0,74 0,12 6,06 <,0001 R2-Adj % 85% Modellens F-värde 60,30 Pr > F <.0001 Diagram 4. Predikterade vs. observerade värden inrikes inflyttning för Haninge kommun

14 14(62) Huddinge Tabell 7. Anpassad modell för inrikes inflyttning för Huddinge kommun Parameter Variabel skattning S.E t-värde Pr < t β0 740,06 636,49 1,16 0,25 Nya lgh i flerbostadshus 0,57 0,27 2,14 0,04 Nya lgh i småhus 0,62 0,39 1,60 0,12 Döda 2,49 1,03 2,42 0,02 Födda -1,71 0,67-2,53 0,02 Utflyttning 0,89 0,06 14,95 <,0001 R2-Adj % 91% Modellens F-värde 86,24 Pr > F <.0001 Diagram 5. Predikterade vs. observerade värden inrikes inflyttning för Huddinge kommun

15 15(62) Järfälla Tabell 8. Anpassad modell för inrikes inflyttning för Järfälla kommun Parameter Variabel skattning S.E t-värde Pr < t β0-1139,07 261,61-4,35 0,00 Nya lgh i flerbostadshus 1,09 0,24 4,65 <,0001 Nya lgh i småhus 1,90 0,50 3,83 0,00 Döda 3,57 0,73 4,87 <,0001 Utflyttning 0,77 0,09 9,05 <,0001 R2-Adj % 91% Modellens F-värde 102,05 Pr > F <.0001 Diagram 6. Predikterade vs. observerade värden inrikes inflyttning för Järfälla kommun

16 16(62) Lidingö Tabell 9. Anpassad modell för inrikes inflyttning för Lidingö kommun Parameter Variabel skattning S.E t-värde Pr < t β0-604,06 285,69-2,11 0,04 Nya lgh totalt 1,04 0,34 3,05 0,00 Döda 1,77 0,86 2,05 0,05 Utflyttning 0,84 0,12 6,87 <,0001 R2-Adj % 73% Modellens F-värde 37,79 Pr > F <.0001 Diagram 7. Predikterade vs. observerade värden inrikes inflyttning för Lidingö kommun

17 17(62) Nacka Tabell 10. Anpassad modell för inrikes inflyttning för Nacka kommun Parameter Variabel skattning S.E t-värde Pr < t β0-1770,70 310,31-5,71 <,0001 Döda 2,66 1,09 2,43 0,02 Födda 1,50 0,56 2,67 0,01 Utflyttning 0,76 0,06 11,92 <,0001 R2-Adj % 96% Modellens F-värde 316,92 Pr > F <.0001 Diagram 8. Predikterade vs. observerade värden inrikes inflyttning för Nacka kommun

18 18(62) Norrtälje Tabell 11. Anpassad modell för inrikes inflyttning för Norrtälje kommun Parameter Variabel skattning S.E t-värde Pr < t β0-335,72 417,43-0,80 0,43 Nya lgh totalt 0,48 0,29 1,65 0,11 Döda 2,38 0,99 2,40 0,02 Utflyttning 0,44 0,18 2,45 0,02 Immigration 0,73 0,43 1,68 0,10 R2-Adj % 81% Modellens F-värde 44,86 Pr > F <.0001 Diagram 9. Predikterade vs. observerade värden inrikes inflyttning för Norrtälje kommun

19 19(62) Nykvarn Tabell 12. Anpassad modell för inrikes inflyttning för Nykvarns kommun Parameter Variabel skattning S.E t-värde Pr < t β0 365,52 48,10 7,60 <,0001 Nya lgh totalt 1,50 0,57 2,64 0,02 Immigration 2,78 1,32 2,10 0,05 R2-Adj % 57% Modellens F-värde 12,49 Pr > F 0,00 Diagram 10. Predikterade vs. observerade värden inrikes inflyttning för Nykvarns kommun

20 20(62) Nynäshamn Tabell 13. Anpassad modell för inrikes inflyttning för Nynäshamns kommun Parameter Variabel skattning S.E t-värde Pr < t β0 92,68 72,63 1,28 0,21 Utflyttning 0,95 0,06 15,77 <,0001 R2-Adj % 86% Modellens F-värde 248,66 Pr > F <.0001 Diagram 11. Predikterade vs. observerade värden inrikes inflyttning för Nynäshamns kommun

21 21(62) Salem Tabell 14. Anpassad modell för inrikes inflyttning för Salems kommun Parameter Variabel skattning S.E t-värde Pr < t β0-535,69 163,56-3,28 0,00 Nya lgh totalt 0,80 0,35 2,29 0,03 Födda 1,96 0,83 2,35 0,02 Döda 4,03 0,90 4,47 <,0001 Utflyttning 0,88 0,11 8,09 <,0001 Immigration -0,98 0,24-4,16 0,00 R2-Adj % 70% Modellens F-värde 20,34 Pr > F <.0001 Diagram 12. Predikterade vs. observerade värden inrikes inflyttning för Salems kommun

22 22(62) Sigtuna Tabell 15. Anpassad modell för inrikes inflyttning för Sigtuna kommun Parameter Variabel skattning S.E t-värde Pr < t β0 23,65 168,76 0,14 0,89 Nya lgh totalt 0,26 0,17 1,48 0,15 Döda 3,12 0,83 3,75 0,00 Utflyttning 0,34 0,13 2,72 0,01 Immigration 1,38 0,33 4,19 0,00 R2-Adj % 93% Modellens F-värde 127,70 Pr > F <.0001 Diagram 13. Predikterade vs. observerade värden inrikes inflyttning för Sigtuna kommun

23 23(62) Sollentuna Tabell 16. Anpassad modell för inrikes inflyttning för Sollentuna kommun Parameter Variabel skattning S.E t-värde Pr < t β0 275,92 294,64 0,94 0,35 Nya lgh totalt 0,38 0,21 1,85 0,07 Utflyttning 0,70 0,12 5,79 <,0001 Immigration 0,95 0,41 2,29 0,03 R2-Adj % 85% Modellens F-värde 77,56 Pr > F <.0001 Diagram 14. Predikterade vs. observerade värden inrikes inflyttning för Sollentuna kommun

24 24(62) Solna Tabell 17. Anpassad modell för inrikes inflyttning för Solna kommun Parameter Variabel skattning S.E t-värde Pr < t β0-4238,75 646,15-6,56 <,0001 Nya lgh totalt 0,56 0,21 2,62 0,01 Döda 7,33 1,10 6,68 <,0001 Utflyttning 0,77 0,07 10,31 <,0001 Immigration 0,96 0,36 2,64 0,01 R2-Adj % 97% Modellens F-värde 385,42 Pr > F <.0001 Diagram 15. Predikterade vs. observerade värden inrikes inflyttning för Solna kommun

25 25(62) Stockholm Tabell 18. Anpassad modell för inrikes inflyttning för Stockholms kommun Parameter Variabel skattning S.E t-värde Pr < t β , ,00 5,45 <,0001 Döda -5,42 1,07-5,06 <,0001 Utflyttning 0,27 0,10 2,66 0,01 R2-Adj % 92% Modellens F-värde 238,21 Pr > F <.0001 Diagram 16. Predikterade vs. observerade värden inrikes inflyttning för Stockholms kommun

26 26(62) Sundbyberg Tabell 19. Anpassad modell för inrikes inflyttning för Sundbybergs kommun Parameter Variabel skattning S.E t-värde Pr < t β0-219,69 199,60-1,10 0,28 Nya lgh totalt 1,14 0,19 5,99 <,0001 Utflyttning 0,97 0,06 16,65 <,0001 R2-Adj % 91% Modellens F-värde 201,24 Pr > F <.0001 Diagram 17. Predikterade vs. observerade värden inrikes inflyttning för Sundbybergs kommun

27 27(62) Södertälje Tabell 20. Anpassad modell för inrikes inflyttning för Södertälje kommun Parameter Variabel skattning S.E t-värde Pr < t β0-308,84 655,18-0,47 0,64 Döda 3,84 0,79 4,85 <,0001 Födda -1,87 0,40-4,65 <,0001 Utflyttning 0,72 0,06 12,09 <,0001 R2-Adj % 83% Modellens F-värde 67,25 Pr > F <.0001 Diagram 18. Predikterade vs. observerade värden inrikes inflyttning för Södertälje kommun

28 28(62) Tyresö Tabell 21. Anpassad modell för inrikes inflyttning för Tyresö kommun Parameter Variabel skattning S.E t-värde Pr < t β0-675,52 294,50-2,29 0,03 Nya lgh i flerbostadshus 1,01 0,35 2,93 0,01 Nya lgh i småhus 2,39 0,62 3,88 0,00 Döda 2,89 0,78 3,72 0,00 Utflyttning 0,88 0,16 5,50 <,0001 R2-Adj % 78% Modellens F-värde 36,94 Pr > F <.0001 Diagram 19. Predikterade vs. observerade värden inrikes inflyttning för Tyresö kommun

29 29(62) Täby Tabell 22. Anpassad modell för inrikes inflyttning för Täby kommun Parameter Variabel skattning S.E t-värde Pr < t β0 882,20 938,32 0,94 0,35 Nya lgh i flerbostadshus 1,10 0,47 2,33 0,03 Nya lgh i småhus 2,14 0,47 4,54 <,0001 Döda 3,30 1,22 2,70 0,01 Födda -2,08 0,93-2,24 0,03 Utflyttning 0,62 0,14 4,51 <,0001 R2-Adj % 77% Modellens F-värde 27,99 Pr > F <.0001 Diagram 20. Predikterade vs. observerade värden inrikes inflyttning för Täby kommun

30 30(62) Upplands-Bro Tabell 23. Anpassad modell för inrikes inflyttning för Upplands-Bro kommun Parameter Variabel skattning S.E t-värde Pr < t β0 995,60 257,74 3,86 0,00 Nya lgh totalt 1,35 0,30 4,50 <,0001 Födda -2,41 1,03-2,34 0,02 Döda -1,70 1,18-1,45 0,16 Utflyttning 0,40 0,22 1,83 0,08 Immigration 3,29 0,57 5,79 <,0001 R2-Adj % 71% Modellens F-värde 20,86 Pr > F <.0001 Diagram 21. Predikterade vs. observerade värden inrikes inflyttning för Upplands-Bro kommun

31 31(62) Upplands Väsby Tabell 24. Anpassad modell för inrikes inflyttning för Upplands Väsby kommun Parameter Variabel skattning S.E t-värde Pr < t β0 316,85 337,26 0,94 0,35 Nya lgh i flerbostadshus 1,22 0,24 5,01 <,0001 Nya lgh i småhus 1,48 0,36 4,10 0,00 Födda -1,79 0,53-3,35 0,00 Utflyttning 0,82 0,13 6,55 <,0001 Immigration 1,45 0,39 3,70 0,00 R2-Adj % 87% Modellens F-värde 53,78 Pr > F <.0001 Diagram 22. Predikterade vs. observerade värden inrikes inflyttning för Upplands Väsby kommun

32 32(62) Vallentuna Tabell 25. Anpassad modell för inrikes inflyttning för Vallentuna kommun Parameter Variabel skattning S.E t-värde Pr < t β0 243,59 116,15 2,10 0,04 Nya lgh totalt 0,78 0,25 3,10 0,00 Döda 3,76 1,36 2,76 0,01 Födda -1,14 0,45-2,54 0,02 Utflyttning 0,71 0,13 5,33 <,0001 R2-Adj % 85% Modellens F-värde 57,90 Pr > F <.0001 Diagram 23. Predikterade vs. observerade värden inrikes inflyttning för Vallentuna kommun

33 33(62) Vaxholm Tabell 26. Anpassad modell för inrikes inflyttning för Vaxholms kommun Parameter Variabel skattning S.E t-värde Pr < t β0-27,35 46,15-0,59 0,56 Nya lgh i flerbostadshus 1,00 0,32 3,16 0,00 Nya lgh i småhus 0,87 0,61 1,43 0,16 Födda 1,50 0,79 1,89 0,07 Utflyttning 0,77 0,13 5,73 <,0001 R2-Adj % 79% Modellens F-värde 40,92 Pr > F <.0001 Diagram 24. Predikterade vs. observerade värden inrikes inflyttning för Vaxholms kommun

34 34(62) Värmdö Tabell 27. Anpassad modell för inrikes inflyttning för Värmdö kommun Parameter Variabel skattning S.E t-värde Pr < t β0-135,77 128,79-1,05 0,30 Nya lgh totalt 0,41 0,27 1,52 0,14 Döda 3,47 1,82 1,91 0,06 Födda 2,08 0,50 4,14 0,00 Utflyttning 0,31 0,17 1,88 0,07 R2-Adj % 88% Modellens F-värde 79,48 Pr > F <.0001 Diagram 25. Predikterade vs. observerade värden inrikes inflyttning för Värmdö kommun

35 35(62) Österåker Tabell 28. Anpassad modell för inrikes inflyttning för Österåkers kommun Parameter Variabel skattning S.E t-värde Pr < t β0 132,52 237,06 0,56 0,58 Nya lgh totalt 1,30 0,25 5,22 <,0001 Döda -2,44 1,18-2,06 0,05 Utflyttning 0,93 0,19 4,77 <,0001 Immigration 1,42 0,71 2,01 0,05 R2-Adj % 72% Modellens F-värde 27,38 Pr > F <.0001 Diagram 26. Predikterade vs. observerade värden inrikes inflyttning för Österåkers kommun

36 36(62) Bilaga 2. Utvärderade modeller per kommun, Botkyrka Diagram 27. Modellerade värden vs. observerade värden Botkyrka

37 37(62) Danderyd Diagram 28. Modellerade värden vs. observerade värden Danderyd

38 38(62) Ekerö Diagram 29. Modellerade värden vs. observerade värden Ekerö

39 39(62) Haninge Diagram 30. Modellerade värden vs. observerade värden Haninge

40 40(62) Huddinge Diagram 31. Modellerade värden vs. observerade värden Huddinge

41 41(62) Järfälla Diagram 32. Modellerade värden vs. observerade värden Järfälla

42 42(62) Lidingö Diagram 33. Modellerade värden vs. observerade värden Lidingö

43 43(62) Nacka Diagram 34. Modellerade värden vs. observerade värden Nacka

44 44(62) Norrtälje Diagram 35. Modellerade värden vs. observerade värden Norrtälje

45 45(62) Nykvarn Diagram 36. Modellerade värden vs. observerade värden Nykvarn

46 46(62) Nynäshamn Diagram 37. Modellerade värden vs. observerade värden Nynäshamn

47 47(62) Salem Diagram 38. Modellerade värden vs. observerade värden Salem

48 48(62) Sigtuna Diagram 39. Modellerade värden vs. observerade värden Sigtuna

49 49(62) Sollentuna Diagram 40. Modellerade värden vs. observerade värden Sollentuna

50 50(62) Solna Diagram 41. Modellerade värden vs. observerade värden Solna

51 51(62) Stockholm Diagram 42. Modellerade värden vs. observerade värden Stockholm

52 52(62) Sundbyberg Diagram 43. Modellerade värden vs. observerade värden Sundbyberg

53 53(62) Södertälje Diagram 44. Modellerade värden vs. observerade värden Södertälje

54 54(62) Tyresö Diagram 45. Modellerade värden vs. observerade värden Tyresö

55 55(62) Täby Diagram 46. Modellerade värden vs. observerade värden Täby

56 56(62) Upplands Väsby Diagram 47. Modellerade värden vs. observerade värden Upplands Väsby

57 57(62) Upplands-Bro Diagram 48. Modellerade värden vs. observerade värden Upplands-Bro

58 58(62) Vallentuna Diagram 49. Modellerade värden vs. observerade värden Vallentuna

59 59(62) Vaxholm Diagram 50. Modellerade värden vs. observerade värden Vaxholm

60 60(62) Värmdö Diagram 51. Modellerade värden vs. observerade värden Värmdö

61 61(62) Österåker Diagram 52. Modellerade värden vs. observerade värden Österåker

62 62(62) 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 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 , kommuner 2015:02 Mångfaldsindex och utrikesföddas Stockholmsorientering 2015:04 Hushåll och hushållsutveckling i ett långsiktigt perspektiv 2015:05 Fruktsamhet och mortalitet :05 Barnhushållens flyttningar och unga vuxnas flytt från föräldrarna 2016:06 Befolkningsprognos och kommunprognoser / :07 Modellutveckling 2017: Regressionsmodellen för inrikes inflyttning 2017:01 Befolkningsprognos /50 Stockholms län-huvudrapport 2017:02 Bostadbyggnadsplaner till prognoserna / :03 Permanentning av fritidshus med mera; bilaga Kommunprognoser , sammanfattning, bilaga 2017:04 Mortalitet och sociala faktorer :05