Effekter av jordbruksstöd på mångfalden av fåglar utveckling av prognosverktyg

Transkript

1 Effekter av jordbruksstöd på mångfalden av fåglar utveckling av prognosverktyg Richard Ottvall, Martin Green, Åke Lindström, Ola Olsson, Henrik Smith och Martin Stjernman Biologiska institutionen, Lunds universitet, Ekologihuset, Lund 1 Sammanfattning 1.1 Farmland Bird Index 1.2 Modellering och förutsägelser av fågelförekomst i jordbrukslandskapet 1.3 Prognosverktygets användbarhet 1.4 Riskanalys 1.5 Slutsatser Summary 2 Inledning 3 Farmland Bird Index 4 Modellering och förutsägelse av fågelförekomst i jordbrukslandskapet 4.1 Bakgrundsdata Fågeldata Habitatdata 4.2 Modellering Övergripande beskrivning Modell Att välja bästa modeller 4.3 Förutsägelser vid olika scenarier Generell teknik för att ta fram förutsägelser Nya arealdataset bildar grund för prognoser Utförande 5 Prognosverktygets användbarhet 5.1 Kort bakgrund 5.2 Fyra scenarier som exempel 5.3 Användbarhet 6 Riskanalys 6.1 Riskanalysens innehåll 6.2 Validering av modellen 6.3 Slutsatser för riskanalys 7 Slutsatser 8 Referenser 1

2 1 Sammanfattning Det svenska jordbrukets utveckling kommer i allt högre utsträckning att påverkas av den globala utvecklingen av marknaden för jordbruksprodukter och åtföljande anpassning av nationell och överstatlig jordbrukspolitik. Befolkningstillväxt och större behov av bioenergi kommer att öka efterfrågan på jordbruksprodukter. Det är väl känt att djur- och växtlivet har påverkats negativt när jordbruksmetoder har effektiviserats och avkastningen ökat. Förlust av biologisk mångfald är sannolikt bäst dokumenterad hos fåglar, den organismgrupp som lockat till sig störst intresse hos både forskare och allmänhet. Men eftersom fåglar är beroende av ryggradslösa djur och frön för sin överlevnad och reproduktion och påträffas högt upp i näringskedjan, kan fågelbeståndens förändringar spegla generella förändringar av den biologiska mångfaldens. Sedan några år pågår ett europeiskt projekt med målet att i förenklad form beskriva trenderna hos fågelarter typiska för ett visst habitat. Fågelrikedomen i jordbrukslandskapet presenteras i form av en indikator kallad Farmland Bird Index (FBI), där 14 fågelarter ingår i den svenska versionen. Utvecklingen har varit likartad i stora delar av EU med kraftiga minskningar av fåglar knutna till jordbrukslandskapet. Med utgångspunkt från kända bakomliggande orsaker till minskningar av fågelbestånd bedrivs ett internationellt forskningsarbete med att utveckla prognosverktyg. Dessa verktyg kan användas till att förutsäga hur olika förändringar i jordbruket påverkar fåglarna och i bästa fall leda till preventiva åtgärder som förhindrar ytterligare förlust av biologisk mångfald. Syftet med den här studien är i första hand att beskriva historiska och prediktera framtida effekter av det svenska jordbrukets utveckling på förekomsten av fåglar i jordbrukslandskapet. Här redovisas en modell som kan användas för att prognostisera värdet på det svenska FBI beroende på hur jordbruket förändras. Några exempel på hur fåglarna kan svara på olika tänkbara förändringar i det svenska jordbruket presenteras. Dessa prognoser är självfallet inte exakta, utan ska betraktas som exempel på vad nuvarande modellverktyg kan åstadkomma. Därutöver finns möjligheter att utveckla både modellerna och ingångsdata. Därför redovisas också förslag på hur prognosverktyget kan förfinas och användas framöver. Dessutom utvärderas möjligheterna att använda en befintlig riskanalys, utvecklad i Storbritannien, för svenska förhållanden. 1.1 Farmland Bird Index (FBI) I den här rapporten används FBI som ett mått på förändringen hos fågelpopulationer knutna till jordbruksmark. FBI är en av EU:s strukturella miljöindikatorer och ett av få officiella mått på tillståndet för biologisk mångfald inom unionen. EU-versionen omfattar 33 fågelarter, varav flertalet inte förekommer i Sverige. I det svenska FBI ingår följande arter: tofsvipa, sånglärka, ladusvala, gulärla, ängspiplärka, buskskvätta, törnsångare, råka, stare, törnskata, hämpling, pilfink, ortolansparv och gulsparv. Trenderna för dessa 14 arter har kombinerats till en enda trend. På detta sätt sammanfattas komplex information om jordbruksfåglars beståndsutveckling till ett enda lättförståeligt tal, ett tal som uppdateras årligen efterhand som ny information kommer till. 2

3 Trenderna beräknas inom miljöövervakningsprogrammet Svensk Fågeltaxering baserat på årligen upprepade fågelinventeringar med standardiserade metoder. Fågeldata insamlas genom punkttaxeringar som startade 1975 och standardrutter som startade Vi har i detta arbete endast analyserat data från standardrutterna. 1.2 Modellering och förutsägelser av fågelförekomst i jordbrukslandskapet Prognosverktyget utvecklades med en kombination av data på fågelförekomst från standardruttsprogrammet inom Svensk Fågeltaxering och markanvändningsdata från Jordbruksverkets blockdatabas från perioden En statistisk modell användes för att beskriva hur fågeltätheter varierar med areal av fyra olika markslag; plöjd åkermark, vall, träda och betesmark. Separata analyser gjordes för varje enskild fågelart i det svenska FBI. Förutsättningarna för jordbruksproduktion varierar mellan olika delar av Sverige. Eftersom konsekvenserna av en förändring i jordbrukssektorn kan variera mellan olika jordbrukslandskap har vi inkluderat produktionsområde i modellerna. Modelleringen genererade, för var och en av de 14 arterna, en bästa modell som beskriver artens beroende (=regressionskoefficienterna) av de fyra markslagen. Dessa koefficienter kan användas tillsammans med ny information om arealfördelningen av de olika markslagen i rutterna för att förutsäga hur många fåglar som bör finnas i rutterna under olika scenarier. 1.3 Prognosverktygets användbarhet För att exemplifiera hur vårt prognosverktyg kan användas utnyttjades resultat från en tidigare analys, Jordbruksverkets rapport 2007:7. Där användes en ekonomisk modell, Swedish Agricultural Sector Model (SASM) för att analysera omvärldsförändringarnas påverkan på det svenska jordbruket fram till år För olika tänkbara scenarier prognostiserades nya markslagsarealer i varje produktionsområde. Dessa nya markslagsarealer användes i den här studien för att förutsäga antalet fåglar vid de olika förändringarna i jordbruket. Modellverktyget som utvecklats i den här studien användes för att prognostisera förändringen av FBI till år 2020 vid följande scenarier: MTR 2007 är ett grundscenario där dagens inriktning inom jordbruket med anpassning till redan beslutade förändringar i politiken (främst MTR-reformen) kommer att fortsätta fullt ut. Förutsättningarna för jordbruket med t.ex. priser låses till de förhållanden som råder idag. I detta scenario kommer spannmåls- och vallodlingen att minska, särskilt i skogsbygderna, och ersättas med träda. MTR 2020 bygger vidare på MTR 2007 med antagandet att svenskt jordbruk har en genomsnittlig produktivitetstillväxt kring 3 % per år. Trots en produktionsökning förväntas åkerarealen vara oförändrad men betesmarkens areal minskar med 23 %. Dessutom minskar spannmåls- och vallarealen och ersätts av träda. 3

4 AVREGLERING 2020 är ett scenario där gårdsstödet, djurbidrag, mjölk- och sockerkvoter har avvecklats fullt ut. Detta skulle innebära att åkermark som inte längre används för jordbruksproduktion på sikt kommer att växa igen till skog och inte finnas kvar som långliggande trädor. Arealen jordbruksmark förväntas alltså minska påtagligt jämfört med MTR-scenarierna. Detta märks tydligast i produktionsområde 4-8, där åkermarken i stort sett halveras och betesmarkerna mer än halveras. Scenariot BIOENERGI 2020 är i stort identiskt med Avreglering 2020, men därutöver görs antagandet att oljepriset stiger till 100 $ per fat vilket medför ökade spannmålspriser samt en ökad efterfrågan på t.ex. spannmål och raps som bioenergi. Prognosverktyget fungerade bra såtillvida att osäkerheten i skattningen av FBI var överlag på en acceptabel nivå. De exempel som redovisas i de fyra scenarierna indikerar att verktyget kan användas till att prognostisera utvecklingen av FBI vid olika framtidsscenarier av förändringar i det svenska jordbruket. Samtidigt bör både verktyget och ingångsdata förfinas och utvecklas innan en exakt prognos av FBI kan genomföras framöver. 1.4 Riskanalys Vid andra scenarier kan det krävas andra prognosverktyg än det som nämnts ovan, t.ex. vid ökad användning av herbicider eller pesticider. Vi utvärderade en modell utvecklats av Butler m.fl. (2007 och 2010), men preliminärt modifierad till svenska förhållanden. Den bygger på en matris av fågelarters ekologiska krav när det gäller diet, födosök och boplats. Modellen gör antagandet att en förändring av jordbruket påverkar en fågelart ifall den leder till en förändring i födotätheter och/eller förändring i boöverlevnad (reproduktionsframgång). Födotätheter kan påverkas av förändringar i mängden furageringsbiotoper och/eller förändringar i födotäthet i dessa biotoper. Boöverlevnad kan påverkas av förändringar i mängden tillgängliga biotoper med lämpliga boplatser eller förändringar i boöverlevnad i tillgängliga biotoper. Vid en s.k. riskvärdesberäkning görs därefter antagandet att specialister (arter med smala nischer) är mer sårbara för effekterna av förändringar i jordbruket jämfört med generalister (arter med vida nischer). Utvärderingen visade att riskverktyget inte förutsåg fågelarters minskning på samma övertygande sätt som de engelska studierna visade. Detta kan dels bero på att modellen är känslig för vilka antaganden som görs och dels att modellen lägger stor vikt vid processer som har med jordbrukets intensifiering att göra. I Sverige har också t.ex. nedläggning av jordbruk, främst i skogsbygderna, utgjort en viktig orsak till att flera jordbruksarters minskat. För att användas i Sverige behöver därför riskanalysverktyget utvecklas och anpassas försvenska förhållanden. 1.5 Slutsatser Genom att kombinera data från den svenska häckfågeltaxeringen med detaljerad information om jordbrukets markanvändning kunde ett verktyg utvecklas för att förutsäga utvecklingen av fågelsamhällen vid olika framtida förändringar av jordbrukspolitiken och marknaden för 4

5 jordbruksprodukter. Verktyget kan användas för att förutsäga hur storskaliga förändringar av jordbrukets markanvändning påverkar enskilda fågelarter, liksom den nationella indikatorn på förekomst av jordbruksfåglar. Genom ytterligare utveckling, kan verktyget förfinas till att innefatta t.ex. fler markklasser. Verktygets begränsning ligger framförallt i att det kan fånga förändringar i markanvändningen, men inte förändringar i hur olika grödor odlas. Den riskanalys som utvecklats i England av Butler m.fl. kan potentiellt användas för att förutsäga effekten av nya grödor och jordbruksmetoder. Vår utvärdering visar dock att metoden inte fungerar särskilt väl för svenska förhållanden. Detta kan bero på att det delvis är andra processer som ligger bakom svenska jordbruksfåglars minskning jämfört med i ett jordbruksdominerat land som England. Vi föreslår att modellen utvecklas genom att i större utsträckning ta hänsyn till extensifiering, eller nedläggning av jordbruk, en komponent som inte omfattas tillräckligt i modellen. 5

6 Summary The aim of this report is primarily to describe historical and predict future effects of agricultural changes on avian diversity. We developed a model describing the relationship between densities of 14 Swedish farmland bird species and the area of four land-use variables: crop, ley, set-aside and pasture. From the relationships (regression coefficients) to the landuse variables generated by the model, future bird numbers could be predicted depending on expected change in land-use areas. To illustrate how the model could be used we investigated the impact of four scenarios of land-use change on the Swedish Farmland Bird Index (FBI). FBI is an EU biodiversity indicator describing the trends of farmland birds in a simple way. In its original EU version, it contains 33 bird species, the Swedish version has 14 bird species. The data of land-use change predicted from the scenarios were taken from a previous report by the Swedish Agriculture Board (2007:7). The outcome of the model suggests that FBI could be predicted with rather high certainty. The examples also indicate what kind of changes that could be detected with the model. For example, in the scenarios where the Single Payment Scheme was removed, leading to a substantial decrease in the area of farmland, a significant decrease in FBI was found. If the change in farmland area is not that substantial, this change could be difficult to detect with the model. If the model and input data are developed and refined further, the model could potentially provide reliable predictions of the impact on farmland birds from agricultural changes. We also evaluated a risk assessment framework developed by Butler et al. (2007, 2010). This trait-based framework could potentially be used to predict impacts of land-use changes. However, we found that the framework did not work well with Swedish data. It is likely that farmland birds in Sweden have decreased in numbers due to other reasons than in Great Britain where the framework was developed. Therefore, to be useful, the framework probably has to be adjusted to Swedish conditions. 6

7 2 Inledning Jordbruksverket har Regeringens uppdrag att utvärdera miljöeffekterna av EU:s gemensamma jordbrukspolitik, CAP (Common Agricultural Policy). Projektet som kallas CAP:s miljöeffekter har presenterat ett flertal studier där miljöeffekterna av tidigare CAP-reformer analyserats. Främsta uppgiften för projektet är att analysera vad politiken i sig bidrar till, d.v.s. försöka isolera politikens påverkan från andra faktorers påverkan. I en framtidsstudie, Jordbrukets miljöeffekter 2020 (Jordbruksverket 2007), gjordes dock en sammantagen bedömning av den framtida utvecklingen där också andra förändringar än CAP analyserades. Den här rapporten analyserar hur en organismgrupp, fåglar, svarar på jordbrukets förändring, vilken beror på en kombination av hur den globala marknaden för jordbruksprodukter förändras och vilka politiska beslut, t.ex. vad gäller olika stödformer, som fattas nationellt och internationellt. Med data från Svensk Fågeltaxering har vi analyserat hur jordbruksfåglars antal och mångfald hänger samman med markanvändning i jordbruket. FBI (Farmland Bird Index) används inom EU som en av få indikatorer för att bedöma tillståndet för biologisk mångfald i unionen. Inom FBI har trender för vanliga fågelarter i jordbrukslandskapet slagits samman till en enda trend. Komplex information om jordbruksfåglars beståndsutveckling sammanfattas till ett enda lättförståeligt tal, ett tal som uppdateras årligen efterhand som ny information kommer till (Gregory et al. 2005). I den här studien används FBI för att bedöma de effekter olika typer av jordbruksstöd har på fåglarna i jordbrukslandskapet. En modell utvecklades som beskriver sambanden mellan fågelarters förekomst och arealerna av olika markslag och därmed kan göra kvalitativa framtidsbedömningar av vad genomförda, planerade eller diskuterade förändringar i marknaden för jordbruksprodukter, jordbrukspolitik eller regelverk kan ha för effekt på fågellivet. Dessutom utvärderades förutsättningarna att för svenska förhållanden använda en kvantitativ riskbedömningsmodell som utvecklats för fåglar med förekomst i jordbrukslandskapet (Butler m.fl. 2007, 2010). Denna modell har potentiellt kapacitet att inte bara förutsäga effekterna av en omfördelning mellan olika markanvändningar, utan också effekten av förändrade brukningsformer. 7

8 3 Farmland Bird Index Farmland Bird Index, FBI, är en av EU:s strukturella miljöindikatorer 1. Denna indikator är ett av få officiella mått på tillståndet för biologisk mångfald inom unionen. EU-versionen omfattar 33 fågelarter, varav flertalet inte förekommer i Sverige. I det svenska FBI ingår följande 14 arter: tofsvipa, sånglärka, ladusvala, gulärla, ängspiplärka, buskskvätta, törnsångare, råka, stare, törnskata, hämpling, pilfink, ortolansparv och gulsparv. Inom FBI har trender för vanliga fågelarter i jordbrukslandskapet slagits samman till en enda trend. Komplex information om jordbruksfåglars beståndsutveckling sammanfattas till ett enda lättförståeligt tal, ett tal som uppdateras årligen efterhand som ny information kommer till. Trenderna beräknas inom miljöövervakningsprogrammet Svensk Fågeltaxering baserat på årligen upprepade fågelinventeringar med standardiserade metoder. Fågeldata insamlas genom punkttaxeringar som startade 1975 och standardrutter med kombinerade punkt- och linjetaxeringar som startade Vi har i detta arbete endast analyserat data från standardrutterna. En variant av FBI ingår som en av flera indikatorer för de av Riksdagen antagna svenska miljömålen. Sedan 2002 beräknas indikatorn Ett rikt odlingslandskap där populationsdata för 13 fågelarter, som till stor del överlappar med FBI, används för uppföljning av just detta miljömål. I den här rapporten behandlas inte denna miljömålsindikator. 1 ( 4 Modellering och förutsägelser av fågelförekomst i det svenska jordbruket Tillvägagångssättet för att skapa ett verktyg för förutsägelser om de svenska jordbruksfåglarnas populationsutveckling som en respons på förändringar i markanvändning inom det svenska jordbruket kan delas in i ett antal steg. Först skapas en statistisk modell för sambandet mellan markanvändning och populationsstorlek där de ingående parametrarna utgörs av relevanta markslag och eventuella övriga intressanta faktorer. Värdena på parametrarna skattas med hjälp av historiska data på markanvändning och fågelantal. Med dessa parametrar kan sedan den statistiska modellen appliceras på nya data för markanvändningen, där arealerna av markslagen har förändrats enligt bestämda scenarier. På så sätt genereras förutsägelser för fåglarnas antal under de nya förutsättningarna, vilka kan jämföras med nuvarande fågelantal och/eller med andra resultat för andra scenarier. 8

9 4.1 Bakgrundsdata Sedan 1975 har den svenska häckfågelpopulationen övervakats med årliga inventeringar av frivilliga ornitologer inom Svensk Fågeltaxering. Inventeringarna utförs med i huvudsak två olika metoder. Dels inom standardrutter som är utplacerade i ett rutmönster jämnt fördelat över hela landet och dels inom punktrutter vars placering är vald av varje inventerare själv och således inte är jämnt fördelade över landet utan främst koncentrerade till bebodda trakter i södra och mellersta Sverige. Dessa inventeringar genererar varje år information om antalet observerade fåglar av olika arter inom standard- och punktrutterna vilken samlas i en databas vid Biologiska institutionen, Lunds universitet. Denna databas bildar grunden för de fågeldata som ingår i modelleringen av markanvändningens betydelse för fågelförekomsten. Jordbrukets markanvändning beskrivs i den så kallade blockdatabasen där lantbrukare varje år rapporterar in vad de odlar på sina marker. All jordbruksmark i Sverige är kartlagd i blockdatabasen och indelad i så kallade block, oftast avgränsade av naturliga gränser i landskapet såsom vägar, stengärden eller träd/buskridåer. Lantbrukaren rapporterar vilka grödor som odlas på vilka block och anger också arealen för varje gröda. Till grödor räknas här även permanent markanvändning såsom betesmark och slåtteräng. Ett block kan vara indelat i flera delområden (skiften) där olika grödor kan odlas. Även om lantbrukaren själv ritar in var varje skifte ligger inom blocket i sin rapport finns denna information sedan inte tillgänglig i elektronisk form i blockdatabasen utan informationen om vad som odlas på skiftet relateras geografiskt endast till blocket. Blockdatabasen innehåller således geografiskt explicit information om markslag och areal för all jordbruksmark i Sverige och utgör grunden för habitatdata som ingår i modelleringen Fågeldata Som nämnts används två huvudmetoder för fågelövervakningen inom Svensk Fågeltaxering för att räkna fåglar på ett jämförbart sätt: fritt vald rutt med punkttaxering sedan 1975 samt, sedan 1996, standardrutt med kombinerad punkt- och linjetaxering (Lindström m.fl. 2010). Mer detaljerade metodbeskrivningar finns på projektets hemsida 2. För föreliggande analys har vi bara använt data från standardrutterna. 2 En standardrutt är åtta kilometer lång (kvadrat om 2x2 km, Figur 1). I hörnen och mitt emellan dessa, alltså med 1 km mellanrum, ligger punkter där fåglarna räknas under fem minuter. Mellan punkterna räknas fåglarna medan observatören går långsamt i en takt av ungefär minuter per km (så kallad linjetaxering). Rutterna har fasta, förutbestämda positioner över hela landet, med 25 km lucka i både nord-sydlig och väst-östlig riktning. Totala antalet rutter är 716. Metoden infördes för att få jämn geografisk spridning och ett representativt stickprov av fågelfaunan i proportion till de olika naturtypernas arealer. Antalet rutter som inventerats årligen har gradvis ökat från 48 rutter 1996 till 180 under 1999 och 584 under Rutterna har inventerats mellan 1 och 13 gånger perioden I södra Sverige där den mesta av jordbruksarealen påträffas inventerades rutter i genomsnitt 6,8 gånger. 9

10 För varje fågelart valde vi ut de rutter där arten observerats någon gång på linjeoch/eller punkttaxeringen under hela standardruttsperioden ( ). Dessa rutter fick på så vis definiera artens utbredningsområde. Inventeringsdata inom detta utbredningsområde hämtades sedan från linjetaxeringarna för åren (dvs. för de år vi har information om markanvändning ur blockdatabasen, se nedan) Habitatdata Även om vi för detta projekt har haft tillgång till Jordbruksverkets blockdatabas för åren har vi valt att bortse från år 1998 då databasen för detta år är i något annorlunda form. För att bestämma arealen av olika markslag inom varje standardrutt skapades, med hjälp av en för uppgiften utvecklad algoritm i MATLAB (R2007b, The Mathworks, Natick, MA), utsnitt av blocken i blockdatabasen som låg inom 200 m från den tänkta standardruttslinjen (Figur 1). Arean av olika markslag i utsnitten summerades separat för varje standardrutt och detta gjordes separat för varje år. Eftersom geografisk information saknas i blockdatabasen för enskilda skiften, hanterades markslagsdata på blocknivå. Arealen för varje markslag i ett utsnitt baseras således på den procentuella andelen som markslaget representerar i hela blocket, dvs. vi gjorde antagandet att fördelningen av de olika markslagen i varje block var densamma inom och utanför utsnittet. På detta sätt erhölls en sammanställning av hur stor area av respektive markslag som fanns inom varje rutt varje år. Blockdatabasen innehåller ett åttiotal grödklasser och många av dessa är endast representerade i begränsad omfattning. För modelleringen valde vi att koncentrera oss på fyra typer av markanvändning som var tämligen väl representerade i standardrutterna: plöjd åkermark, vall, träda och betesmark (Figur 2). Dessa typer motsvaras i blockdatabasen i det flesta fall av flera grödklasser. Vilka grödklasser som grupperas i markslagstyperna framgår av Bilaga 1. Förutsättningarna för jordbruksproduktion varierar mellan olika delar av Sverige. Landet är indelat i åtta produktionsområden som speglar geografiska skillnader i markanvändning. Produktionsområden definieras utifrån jordmån, landskapets topografi, klimat och produktivitet, även om gränser också modifierats något för att överensstämma med administrativa gränser. Eftersom konsekvenserna av en förändring i jordbrukssektorn kan variera mellan olika jordbrukslandskap (Wretenberg m.fl. 2010) inkluderade vi också produktionsområde i den statistiska modelleringen. 10 Figur 1. Schematisk bild av en standardrutt och det område runt rutten som analyserats vad gäller blocklagd mark (grått). De åtta svarta punkterna markerar de platser där en 5 minuters punkträkning äger rum. Den streckade linjen visar den tänkta linje utefter vilken inventeraren skall vandra och räkna fåglar.

11 Figur 2. Proportionell arealförändring i standardrutterna av betesmark, plöjd åkermark, vall och träda under perioden Modellering Övergripande beskrivning Eftersom inventeringsmetoden inte specifikt kopplar fågelobservationer till ett visst habitat, användes en statistisk modell för att beskriva sambandet mellan fågeltäthet och arealen av olika markslag. Separata analyser gjordes för varje enskild fågelart och analyserna utfördes enligt följande förfarande: En ursprunglig (full) modell sattes upp där antalet fåglar i varje rutt var beroende av arealen av de fyra olika markslagen i rutten och i vilket produktionsområde rutten ligger. Vidare tilläts betydelsen av markslagsarealen att variera mellan produktionsområden genom att inkludera interaktionerna mellan produktionsområde och respektive markslag. Genom att stegvis plocka bort variabler ur den fullständiga modellen skapades också alla förenklade modeller, med den begränsningen att samtliga faktorer som ingår i interaktionerna också finns med i modellen som enskild effekt (det är inte statistiskt korrekt att modellera interaktioner där de ingående faktorerna inte också finns med i modellen som enskilda faktorer). Detta gav totalt 96 olika modeller av sambandet mellan fågelantal, markanvändning och produktionsområde. Samtliga modeller passades till inventeringsdata och den modell som bäst förklarade antalet observerade fåglar i rutterna valdes ut. Koefficienterna från de bästa 11

12 modellerna för respektive fågelart användes sedan för att prognostisera förväntat antal fåglar i rutterna under olika scenarier vad gäller framtida markanvändning Modell Vi använde oss av en generaliserad linjär blandad modell (Generalized Linear Mixed Model, GLMM). Generaliseringen innebär att vi i grunden antar att antalet fåglar i en rutt är Poissonfördelat (ett normalt antagande för data baserade på antal) men vi tillåter också extra spridning av data (overdispersion, en s.k. quasipoisson-modell). Förhållandet mellan förklarande variabler och responsvariabeln modellerades så att var linjärt på log-skala. Modellen är blandad i det att vi dels inkluderar fixa faktorer (markslag och produktionsområde) och dels slumpvariablerna rutt och år. Inkluderandet av slumpvariabler fungerar i princip så att man tillåter medelantalet fåglar att variera mellan rutter och mellan år och görs framför allt för att kontrollera för det faktum att observationer gjorda inom en och samma rutt (eller ett och samma år) inte är statistiskt oberoende. Förenklat uttryckt kan man säga att man för de fixa faktorerna är intresserad av att skatta koefficienter (intercept/medel och lutning /beroende), medan man för de slumpmässiga faktorerna enbart vill ta hänsyn till den variation i responsvariabeln dessa bidrar till. Detta är särskilt viktigt för att osäkerheten i skattningarna av koefficienterna för de fixa faktorerna ska bli korrekt. De ovan beskrivna förenklingarna av modellerna gäller endast de fixa faktorerna, dvs. rutt och år finns med som slumpvariabler i samtliga modeller. Den fulla modellen ser ut enligt följande: Antal fågelindivider = β 0 + β 1 *betesarea + β 3 *spannmålsarea + β 4 *vallarea + β 5 *trädesarea + β 6 *produktionsområde + β 7 *produktionsområde bete + β 8 *produktionsområd spannmål + β 9 *produktionsområde vall + β 10 *produktionsområde träda Slumpvariabler: rutt (intercept) och år (intercept) där β 0,6 är intercept och β 1-5,7-10 är lutningskoefficienter och indikerar interaktion. Notera att vi här för enkelhets skull beskriver modellen som linjär på data-skala, trots att den i Poisson-modellen egentligen är linjär på log-skala (dvs. log(respons) = förklarande variabler). De β som erhålls ur bästa modellen är alltså de koefficienter som används för att skatta (log)antalet fåglar vid olika scenarier för markslagsarealerna. Några av arterna observerades inte i samtliga produktionsområden eller noterades endast fåtaligt. Därför var vi ibland tvingade att slå ihop data från intilliggande produktionsområden. Detta gjordes enligt följande: för hämpling slogs produktionsområde 6,7 och 8 ihop (med n=6 rutter, n=3 respektive n=1 rutter med arten) till ett område, för råka slogs produktionsområde 1 och 3 (n=7 och n=2) ihop liksom område 4-8 (n=3, n=5, n=3, n=1, n=0), och för ortolansparv slogs produktionsområde 1-6 (n=0, n=2, n=1, n=6, n=3, n=4) ihop. 12

13 4.2.3 Att välja bästa modellen Samtliga 96 modeller för varje art passades till data med hjälp av funktionen lmer i paketet lme4 (Bates & Maechler 2009) i statistikprogrammet R (R Development Core Team 2009). Graden av passning bedömdes utifrån Akaikes informationskriterium (AIC) som dels väger in hur väl modellen beskriver data och dels straffar modellen enligt hur många variabler som ingår. Generellt gäller att ju fler variabler man har i en modell desto bättre passar modellen till data och AIC optimerar således graden av passning enligt bästa möjliga passning med minsta möjliga antalet variabler. Mer precist användes här en modifierad form av AIC, ett s.k. QAIC vilket även tar hänsyn till graden av extra spridning i data (overdispersion; Q i QAICc) och till stickprovsstorleken (lilla c i QAICc). Den modell som hade bäst (=lägst) QAICc bedömdes vara den bästa modellen. Som tumregel kan sägas att modeller inom 2 QAICc från bästa modellen har likvärdig passning och skulle kunna kombineras för att erhålla koefficientskattningar. För majoriteten av arterna låg 1-2 modeller inom denna gräns men vi har för enkelhets skull här valt att endast använda oss av den bästa modellen. 4.3 Förutsägelser vid olika scenarier Generell teknik för att ta fram förutsägelser Modelleringen genererade, för var och en av de 14 arterna, en bästa modell som beskriver artens beroende (=koefficienterna) av de fyra markslagen (se Bilaga 2). Dessa koefficienter kan användas tillsammans med ny information om arealfördelningen av de olika markslagen i rutterna för att prediktera hur många fåglar som bör finnas i rutterna under olika scenarier. Skattningarna av koefficienterna är dock behäftade med en viss osäkerhet (medelfel, standard error, SE) som måste avspeglas i de förutsägelser som görs med hjälp av modellerna. När det gäller GLMM, råder ännu ingen konsensus inom statistiken för hur man analytiskt kan inkorporera denna osäkerhet i förutsägelser. Ett alternativ är då att simulera fram ett stickprov av koefficienter utifrån dess fördelningar (normalfördelning med medel och varians beskrivna av skattningarna och dess SE), inkorporera dessa koefficienter i modellen och tillsammans med relevanta arealfördelningar skapa ett lika stort stickprov av förutsägelser för antalet fåglar i rutterna. Förutsägelserna över alla rutterna summeras sedan i ett medelvärde och medelvärdet av detta resultat ger i sin tur ett estimat (en förutsägelse) för hur många fåglar man i medeltal ska förvänta sig i en rutt och standardavvikelsen för resultatet beskriver osäkerheten i estimatet Nya arealdataset bildar grund för prognoser Fem olika arealdataset användes för att generera förutsägelser för beståndsutvecklingen hos de 14 jordbruksarterna. Först räknade vi ut medelarealen för de fyra markslagen i varje rutt över 10-årsperioden ( ; Figur 3). Detta dataset (härefter kallat basdatasetet) beskriver alltså den genomsnittliga arealfördelningen i de rutter där respektive art observerats och förutsägelserna genererade därur (angivna som Nu i figurerna; se även sektion

14 Utförande), visar modellens förutsägelse av det genomsnittliga antalet fåglar sedda i en rutt under 10-årsperioden. Detta dataset användes också som grund för att skapa ytterligare dataset där arealerna för de olika markslagen justerats enligt fyra olika scenarier som det svenska jordbruket kan förväntas möta till år 2020 (se sektion 5.2 Fyra scenarier som exempel). De produktionsområdesspecifika kvoterna för vart och ett av de scenarierna (se förklaring i sektion 5.2) multiplicerades med de ruttspecifika markslagsarealerna i basdatasetet och fyra nya arealdataset skapades där varje rutt representeras av de arealer de förväntas få enligt de olika scenarierna. Notera dock att endast rutter som redan hade arealer av plöjd åkermark, vall, träda eller betesmark i basdatasetet kunde förändras. Rutter som saknade arealdata i basdatasetet berördes alltså inte av förändringarna enligt scenarierna. Figur 3. Proportionella arealförändringar år 2020 i jämförelse med medelarealen i rutterna över 10-årsperioden(Nu) för markslagen bete, åkermark, vall och träda vid fyra olika scenarier. 14

15 4.3.3 Utförande Vi använde oss av funktionen sim i paketet arm (Gelman m.fl. 2010) i R (R Development Core Team 2009) för att simulera fram 5000 kombinationer av koefficienterna från den bästa modellen för varje art. Simuleringen inkluderar förutom koefficienterna för de fixa faktorerna även koefficienter (intercept) för varje rutt (s.k. best linear unbiased predictors; BLUP s). Däremot inkluderades inte koefficienterna för år. Årsvariationen kommer på detta sätt endast att påverka osäkerheten i skattningarna eftersom denna variation ingår i standardfelet, SE som används som input till simuleringarna. Var och en av de 5000 koefficientkombinationerna kombinerades enligt bästa modellen och applicerades på basdatasetet och de olika nya arealdataseten för att generera 5000 förutsägelser för antalet fåglar på varje rutt varefter resultaten summerades enligt ovan i en förutsägelse och en osäkerhetsskattning för varje art och varje scenario inklusive nuvarande situation. För att ge en bild av hur man kan modellera den proportionella förändringen i fågelförekomst under olika scenarier för förändrad markanvändning sammanställde vi modellernas förutsägelser utifrån nuvarande situation och för de fyra olika scenarierna i artspecifika figurer (se Bilaga 3) samt i en figur som visar hur FBI skulle utvecklas (Figur 4). Som jämförelse visar dessa figurer också populationsutvecklingen under 10-årsperioden Artspecifika figurer Förutsägelserna ger det förväntade antalet fåglar per rutt under olika scenarier. Populationsutvecklingen över 10-årsperioden analyserades med hjälp av en liknande generaliserad (log)linjär blandad modell (funktion lmer i R) som ovan enligt: Log(Antal fåglar) = År där rutt inkluderas som slumpvariabel och år är en faktor. Denna modell genererade årliga skattningar av medelantalet fåglar per rutt och liknar den typen av modeller som används inom Svensk Fågeltaxering för att beskriva populationstrender (TRIM; se Lindström m.fl för utförligare beskrivning). För att få fram den proportionella förändringen över tioårsperioden skapades ett årligt index genom att standardisera de årliga skattningarna i förhållande till medelantalet fåglar per rutt 1999 (varje årsskattning dividerades med skattningen för 1999; jfr. TRIM-index se Lindström m.fl. 2010). Ett likadant index skapades genom att standardisera förutsägelserna för medelantalet fåglar per rutt enligt nuvarande och framtida scenarier med medelantalet Ett index på 1,2 för 2020 under ett visst scenario i figurerna betyder exempelvis att medelantalet fåglar ökar med 20 % fram till 2020 i förhållande till medelantalet år I teckenförklaringen i figurerna anges också den procentuella förändringen respektive scenario medför i förhållande till modellens förutsägelse för nuvarande arealsituation (Nu). Osäkerheten i indexen för nutida och framtida arealsituationer illustreras med 95 % konfidensintervall som är baserade på standardfel, SE från simuleringarna (se ovan). 15

16 Figur över Farmland bird index (FBI) Ett sammantaget FBI skattades genom att beräkna det geometriska medelvärdet för de artspecifika indexen (gäller både trenden över 10-årsperioden och de olika scenarierna). Ett geometrisk medelvärde är att föredra framför ett aritmetiskt då en fördubbling av antalet fåglar för en art därigenom får lika stor vikt som en halvering av antalet för en annan art. Osäkerheten i FBI (10-års trend och scenarier) illustreras med 95 % konfidensintervall baserade på en sammanräkning av osäkerheten (SE) i de artspecifika indexen enligt följande formel (Gregory m.fl. 2005): SE FBI = { (FBI/N) 2 * Σ(SE art /Index art ) 2 } där summeringen (Σ) sker över N =14 arter. 5 Projektverktygets användbarhet För att exemplifiera hur prognosverktyget som utvecklats i den här studien kan fungera behövdes ingångsdata på framtida arealförändringar. Dessa data kunde vara påhittade, men vi använde resultatet från en tidigare analys av omvärldsförändringarnas påverkan på jordbruket (Jordbruksverket 2007). Ett antal tänkbara framtidsscenarier analyserades med en ekonomisk modell, Swedish Agricultural Sector Model (SASM; Apland & Jonasson 1992). Även om vårt mål här inte var att förutsäga hur FBI kommer att utvecklas framöver, ger en kombination av data från SASM och vårt prognosverktyg en möjlighet att utvärdera verktygets användbarhet. 5.1 Kort bakgrund Långtidstrenden för svenska fåglar i jordbrukslandskapet är tydligt nedåtgående (Ottvall m.fl. 2009). Generellt bedöms två övergripande processer ligga bakom minskningen hos fågelarter knutna till jordbruksmark; intensifiering i de bördiga slättbygderna och nedläggning av gårdar i de mindre bördiga skogsbygderna (Wretenberg m.fl. 2007). Intensifieringen har inneburit en mängd förändringar, t.ex. minskad variation av biotoper i landskapet, större brukningsenheter, nya grödor och förlust av viktiga restbiotoper såsom våtmarker, åkerholmar och gräsbevuxna åkerkanter. Dessutom har arealen hävdade naturgräsmarker minskat kraftigt. Därtill kan försämrade förhållanden i övervintringsområden förklara minskningen hos flera arter. Avsaknad av stubbåkrar och dominans av höstsådda grödor i västra Europa kan ha bidragit till de negativa effekterna för flera kortflyttande arter. I dag pågår inom det svenska jordbruket en anpassning till den senaste reformen inom EU:s gemensamma jordbrukspolitik, MTR (MTR=Mid-term review=halvtidsöversynen av CAP). Denna reform från år 2003 innebär att varje medlemsland i EU får ökat inflytande över några nationella stöd och villkor. En viktig del i reformen var frikopplingen av stöd, dvs. att de areal- och djurbidrag som infördes under 1990-talet frikopplas från produktionen. Merparten av de tidigare direktstöden omvandlas till ett stöd frikopplat från produktionsnivå och inriktning gårdsstödet. Syftet med frikopplingen är att stöden inte längre ska stimulera till ökad produktion och därmed inte heller störa marknaderna för jordbruksprodukter. Nya 16

17 förhandlingar i Bryssel och Genève kommer att innebära ändringar i jordbruks- och handelspolitiken framöver och därmed också påverka det svenska jordbrukets utveckling. 5.2 Fyra scenarier som exempel Modellresultat från SASM hämtades från Bilaga 1 i Jordbruksverkets rapport 2007:7. De förväntade arealerna av olika markslag vid olika scenarier finns redovisade för varje produktionsområde. Arealerna för höstsäd, vårsäd, oljeväxter och övriga grödor slogs ihop till en ny variabel, plöjd åkermark, för att få en liknande variabel som i vår modell (se kapitel 4 och Bilaga 2). Det ska poängteras att variabeln träda i vår modell inte överensstämmer helt med variabeln träda/energiskog/industrigrödor från modellen i SASM eftersom vi inte inkluderat energiskog i modellen (Bilaga 2). För att skapa nya dataset (se sektion 4.3.2) beräknades produktionsområdesspecifika kvoter vilka återspeglar arealförändringarna för de fyra markslagen i de olika scenarierna. Som utgångspunkt för nuvarande markanvändning användes den officiella statistiken för jordbruksmarkens användning år 2003 (Jordbruksverket 2004). Enligt denna källa fanns ha vall i produktionsområde 1 (Götalands södra slättbygder) år Scenario MTR 2007 beräknar arealen vall år 2020 i samma produktionsområde till ha. Genom att dividera med erhölls kvoten 1,43. Denna kvot användes sedan tillsammans med kvoterna för de tre andra markslagen i modellen för att beräkna det förväntade antalet fåglar på rutter i produktionsområde 1. Därefter gjordes proceduren om för övriga produktionsområden. De fyra scenarierna som användes var MTR 2007, MTR 2020, Avreglering 2020 samt Bioenergi Scenariot MTR 2007 är ett grundscenario ( business as usual ) och en anpassning till dagens jordbrukspolitik utan någon ytterligare förändring av samhällspolitik, produktionsteknik och priser. Denna leder på riksnivå till minskad areal spannmålsodling och minskat antal mjölkkor, en utveckling vi ser redan idag. Det är främst vårsäd som kommer att minska och den minskar relativt sett mest i skogsbygderna och ersätts med träda. Arealen oljeväxter ökar markant överallt där oljeväxter odlas idag. MTR 2020 bygger vidare på MTR 2007 med skillnaden att en genomsnittlig årlig produktionstillväxt på 3 % läggs in i den ekonomiska modellen. Trots en produktionsökning förväntas den totala åkerarealen (inkl. träda) vara oförändrad men betesmarkens areal minskar med 23 %. Dessutom minskar spannmåls- och vallarealen och ersätts av träda. Avreglering 2020 är ett scenario där ytterligare CAP-reformer äger rum. I det här scenariot avskaffas produktionsbegränsningar och gårdsstödet helt. Ett genomgående drag för framtidsscenarierna är att mycket åkermark inte kommer att användas till jordbruksproduktion. Så länge som gårdsstödet finns kvar med någorlunda höga belopp hamnar den mark som inte kan användas till någon alternativ produktion (t.ex. bioenergi) som långliggande träda, men om gårdsstödet avskaffas överförs den istället till skog. Övergången till skog kan antingen ske aktivt genom plantering för traditionellt skogsbruk eller med snabbväxande träd för energiproduktion. Den kan också ske spontant genom igenväxning. Ett fjärde scenario är Bioenergi 2020 där gårdsstödet har avskaffats men där åkermark till viss del används för ökad efterfrågan på bioenergi. Drivkraften i detta scenario är ett stigande 17

18 oljepris som ökar jordbrukets kostnader samtidigt som efterfrågan på bioenergi ökar. I detta scenario är det grödor som t.ex. spannmål och raps och inte energiskog som efterfrågas som energialternativ. 5.3 Användbarhet Vi har illustrerat hur verktyget kan användas med hypotetiska markanvändningsdata. Data har plockats från olika källor som inte är samkörda med varandra, vilket gör det vanskligt att här komma med en exakt prognos om utvecklingen av FBI. Vi har modellerat fyra markslag som vi tror är relevanta för fågelarterna som ingår i FBI, men det kan finnas andra variabler som saknas i modellen. De grödklasser som vi har valt att ingå i varje markslag är kanske inte heller optimala. Sammantaget finns ett antal punkter där vi ser möjligheter till att modellen och prognosverktyget kan förfinas. Inventeringsmetodiken innebär att fågeldata har ett inneboende brus, och ger en viss osäkerhet i skattningen av FBI. Detta brus är omöjligt att komma undan. Dessutom är FBI en sammanvägning av 14 olika arter vilka reagerar olika på förändringar i jordbruket. För några av arterna är dessutom konfidensintervall (osäkerheten) för skattningarna stora och kan påverka osäkerheten i skattningen av FBI. Därtill kommer skattningarna av markanvändningsdata från modellen i SASM som också är behäftade med osäkerhet. Under dessa förutsättningar har vi i den här studien fått ett bra mått på hur stor osäkerheten i skattning av FBI är med nuvarande prognosverktyg (Figur 4). Denna osäkerhet är inte större än osäkerheten i skattningen av TRIM-index för många enskilda arter inom Svensk Fågeltaxering ett givet år, vilket är en positiv signal. Vi kan också få en ledtråd vid vilka arealförändringar som effekter på FBI kan upptäckas. I de scenarier där gårdsstödet avvecklats fullt ut, ägde en signifikant minskning av FBI rum givet de ingångsdata som vi använde (Figur 4). En mindre förändring från nuvarande markanvändning (MTR 2007) skulle ge en mindre tydlig förändring av fågelsamhället knutet till jordbruksmark och därmed vara svårare att fastställa. På motsvarande sätt skulle en större förändring än en avveckling av gårdsstöden kunna ha en större effekt på FBI och således vara lättare att upptäcka. 18

19 Figur 4. FBI-värdet under perioden , medelvärdet av FBI över samma period samt FBI-värdet vid de fyra scenarierna (MTR 2007 i rött, MTR 2020 i grönt, Avreglering 2020 i mörkblått samt Bioenergi 2020 i ljusblått). Till FBI-värdet illustreras 95% konfidensintervall. 6 Riskanalys Modellen som beskrivs under punkt 4 baseras på historiska arealförändringar som lett fram till dagens täthetssamband mellan fågelarter och markslag. Vi kan därför modellera effekter av förändringar som inte avviker kvalitativt från historiska förändringar. Vid bedömningar av kvalitativa förändringar inom jordbruket, t.ex. nya grödor och förändrade brukningsformer, och deras effekt på fågellivet krävs därför andra verktyg. Ett exempel är om man vill bedöma effekterna av en ökad användning av herbicider eller pesticider. I detta fall förväntas i första hand ingen förändring av markanvändningen. Då kan istället en enkel riskanalys användas för att förutsäga effekter på fågellivet av förändringar i jordbruksproduktionen. 19

20 6.1. Riskanalysens innehåll Verktyget som vi har utvärderat kommer från två artiklar: Butler m.fl. (2007, 2010), men är modifierad till svenska förhållanden. Den bygger på en matris av fågelarters ekologiska krav med avseende på diet, furageringsbiotoper och boplatsval. Modellen gör antagandet att en förändring i jordbruket påverkar en fågelart ifall den leder till en förändring i födotätheter och/eller förändring i boöverlevnad (reproduktionsframgång). Födotätheter kan förändras genom förändringar i mängden furageringsbiotoper och/eller förändringar i födotäthet i dessa biotoper. Boöverlevnad kan förändras genom förändringar i mängden tillgängliga biotoper med lämpliga boplatser eller förändringar i boöverlevnad i tillgängliga biotoper. Vid en s.k. riskvärdesberäkning görs antagandet att specialister (arter med speciella krav på livsmiljöer) är mer sårbara för effekterna av förändringar i jordbruket jämfört med generalister (arter med mer ospecifika krav). Ett högre riskvärde betyder att en arts ekologiska krav påverkas i högre utsträckning vid en förändring i jordbruket. Först gjordes en matris med 14 FBI-arters ekologiska krav med avseende på diet (sommar och vinter), furageringsområden (sommar och vinter) och biotopval för boplats (Tabell 2 och 3). Arternas övervintringsområde valdes utifrån tre områden; Sverige, Europa och Afrika där övervintrare i Afrika inte påverkades vintertid av förändringar inom jordbruket i Sverige eller i Europa. Därefter identifierades olika förändringar inom jordbruket som på olika sätt (olika ekologiska komponenter) under de senaste åren påverkat fåglarna negativt, sommar såväl som vinter (Tabell 4). Vår utgångspunkt var att använda Butler m.fl. (2007, 2010), men några av dem beskrivna förändringarna har möjligen inte ägt rum i Sverige i påtaglig omfattning (Wretenberg m.fl. 2007). Därför kan förändringar variera mellan årstiderna i Tabell 4 beroende på att förändringarna inte varit desamma i Sverige (där en art häckar) som i andra delar av västra Europa (där arten övervintrar). Ett sådant exempel är övergången från vårsådd till höstsådd som anses bidragit till jordbruksfåglars minskning i bl.a. Storbritannien (Butler m.fl. 2007). Svensk jordbruksstatistik visar emellertid att andelen höstsådd är relativt liten i vårt land (12% av all åkermark enligt Wretenberg m.fl. 2007), samt att denna andel inte ökat de senaste 3-4 decennierna. Därför kan det vara så att denna faktor inte varit så betydelsefull i Sverige. Likaså visar statistik att förbrukningen av kemiska bekämpningsmedel inte ökat i Sverige under samma period och vi har därför tagit bort denna komponent under sommaren. Vi är dock osäkra på vad detta egentligen har inneburit för svenska jordbruksfåglar. Dessutom har vi tagit bort faktorn om övergången från höslåtter till ensilage samt tidigareläggning av slåtter. Denna faktor har definitivt haft betydelse för en del jordbruksfåglar, t.ex. kornknarr, men har sannolikt haft mindre effekt på de 14 FBI-arter som behandlas här. I vilket fall ska våra modifieringar betraktas som preliminära och deras giltighet behöver granskas närmare. 20

21 Tabell 2. Ekologiska krav med avseende på diet, furageringsbiotop och biotopval för boplats. Kategori Årstid Komponenter Diet Sommar & Vinter Markevertebrater, ovan-jord-evertebrater, frön, vertebrater Furageringsbiotop Sommar & Vinter Jordbruksmark, marginell, häckar (träd och buskar) Bobiotop Sommar Jordbruksmark, marginell, häckar (träd och buskar) Tabell 3. Ekologiska krav för svenska FBI-arter och antalet komponenter som använts vid beräkning av riskvärden. Bedömningarna gäller för de populationer som förekommer i jordbruksnära delar av landet, vilket betyder att hela fjällkedjan och stora delar av inre Norrland inte har inkluderats. Trenden (procentuell förändring per år) är hämtad från punktruttsprogrammet inom Svensk Fågeltaxering och gäller för perioden Art Ds Dw Fs Fw N R Riskvärde Trend Vinter Tofsvipa ,5-1 Europa Sånglärka ,5-3,3 Europa Ladusvala ,5 Afrika Ängspiplärka ,2-1,7 Europa Gulärla ,5-4,2 Afrika Buskskvätta ,2-1,5 Afrika Törnsångare ,3 Afrika Törnskata ,4-1,8 Europa Stare ,3 Afrika Råka ,8 2 Sverige Pilfink ,1-0,3 Sverige Hämpling ,5-3,8 Europa Gulsparv ,3-2,1 Europa Ortolansparv ,7 Afrika Ds=antal dietkomponenter under sommaren, Dw=antal dietkomponenter under vintern, Fs=antal furageringsbiotoper under sommaren, Fw=antal furageringsbiotoper under vintern, N=antal biotoper som utnyttjas av arten, R=artens beroende av jordbruksmark I Butler m.fl. (2007) omfattade riskanalysen sex förändringar inom jordbruket som samtliga var relaterade till intensifiering av jordbruksproduktionen. Den studien var begränsad till Storbritannien. Till Butler m.fl. (2010) utökades analysen till samtliga EU-länder och därför tillkom ytterligare två förändringar relaterade till nedläggning av jordbruk. Det finns stöd för att minst två processer har haft betydelse för jordbruksfåglars minskning i Sverige; dessa är intensifiering i slättbygderna och nedläggning av jordbruk i skogsbygderna (Wretenberg m.fl. 2007). Vi anpassade riskanalysen till de förhållanden som vi tycker bättre beskriver vad som hänt i Sverige. Av totalt sex förändringar var fem kopplade till jordbruksintensifiering och en till nedläggning av jordbruk. Vid en arts riskvärdesberäkning identifierades alla potentiella förändringar som sammanföll med de ekologiska kraven (se sånglärka som exempel i Tabell 5). Riskvärdet = (D t + N t ) / R där D t motsvarar proportionen födosöksbiotoper och diet som utnyttjas av arten y och som 21