Prognosverktyget Farmland Bird Index tilla mpning och vidareutveckling

Prognosverktyget Farmland Bird Index tilla mpning och vidareutveckling Martin Stjernman Åke Lindström Ullrika Sahlin Martin Green Henrik Smith Biologiska institutionen Lunds Universitet Ekologihuset 223 62 Lund martin.stjernman@biol.lu.se 1

Innehåll Sammanfattning... 3 Inledning... 4 Eventuella tillägg och/eller utbyten av arter... 4 Optimera indexets användbarhet vid uppföljning och utvärdering av effekter av kommande landsbygdsprogram... 6 Analys av regional rapportering av FBI med dagens datainsamling... 8 Förslag på löpande rapportering av FBI för uppföljning och utvärdering... 10 Utvärdering av tre miljö-/regionalstöd och analys av potentiell utveckling av prognosverktyget... 10 Förhållandet mellan nuvarande modellering och det gamla verktyget... 11 Från scenarier för markanvändning till prognoser för fågelbestånden... 12 Resultat och tolkningar... 12 Osäkra prediktioner... 13 Utveckling av analysmetoden mot mer precisa prediktioner... 13 Små effekter på grund av markanvändningen?... 14 Små effekter på grund av habitatberoendet?... 16 Små effekter på grund av modellerna?... 16 Små effekter på grund av data?... 17 Potential för ytterligare utveckling... 18 Referenser... 19 Appendix... 20 Upplägg för utvärderingen av miljöstöden... 20 Relationen mellan markanvändning och antalet fåglar... 20 Steget från förändring i markanvändning till förändring i fågelbestånd... 20 Utförandet... 20 Habitatassociationsmodellerna... 20 Projicering av förändringar i markanvändningen i rutterna enligt de olika scenarierna... 24 Kombinera habitatassociationer med förändringar i markanvändning... 33 Utvecklad analysmetod... 35 2

Sammanfattning Rapporten beskriver arbetet med att vidareutveckla och använda ett prognosverktyg för uppföljning och utvärdering av hur jordbrukspolitiken påverkar svenska jordbruksfåglar. Uppdraget gällde att dels utreda möjligheterna till förbättring av analysverktyget och rapporteringen av populationsutvecklingen för Sveriges jordbruksfåglar sammanfattad i Farmland Bird Index (FBI) samt att använda verktyget för att utvärdera effekter av miljöstöden för vall och bete samt kompensationsbidraget på FBI. Vi sammanfattar här de viktigaste resultaten av detta arbete. FBI förändrades obetydligt om fler arter inkluderas i indexet och det finns därför ingen grund att ändra på arturvalet till FBI. Beräkning av FBI med data endast från standardrutter med jordbruksmark påverkade inte indexet i någon större utsträckning, om något försämrades precisionen i indexet. FBI kan redovisas på regional nivå (produktionsområde). Analyser av miljöstödens effekt på FBI visade på ganska små förändringar, tydligast var att betesstödet haft positiv effekt på fåglarna. En utveckling av verktyget gjorde att vi med större precision kunde skatta effekterna. Små effekter förklaras delvis av begränsningar i modellerna men också av begränsningar i hur jordbrukssektormodellen SASM prognosticerar förändringar i markanvändningen. Potentiella förbättringar i modellerna inkluderar mer komplexa samband mellan markanvändning och fågelantal, såsom ickelinjära samband och interaktioner mellan olika habitat. För detta krävs dock ett utökat datainsamlande (inventeringar) riktade specifikt till jordbruksområden. Nedläggning av åkermark är inte inkluderat i scenarierna från SASM trots att detta troligen är ett av de viktigaste hoten mot jordbrukets fåglar. En mer komplett utvärdering av landsbygdsprogrammet skulle gynnas av att detta inkluderas i scenarierna. En regional indelning enligt produktionsområden snarare än LFA-områden i prognoserna från SASM skulle underlätta kopplingen till de statistiska modellerna i verktyget Vi diskuterar även ytterligare och mer långsiktig utveckling av verktyget, bland annat hur bättre teknik för översättning av förändrad jordbrukspolitik till realiserade förändringar i markanvändning samt hur processbaserade modeller skulle förbättra prognoser och utvärdering 3

Inledning Vi har av Jordbruksverket fått i uppdrag (Diarenr 4.3.17-11901/13) att utreda möjligheterna att vidareutveckla ett prognosverktyg för analys och utvärdering av jordbrukets effekter på Farmland Bird Index (FBI), ett index som sammanfattar populationsutvecklingen hos fåglar i jordbruksmark. Verktyget utvecklades ursprungligen 2009-2010 med målet att användas för att bedöma historiska och framtida effekter av det svenska jordbrukets utveckling på förekomsten av fåglar i jordbrukslandskapet (Lindström m. fl. 2012; Ottvall m. fl. 2010). Uppdraget gick ut på att nu gå vidare med användning och utveckling av verktyget enligt följande punkter: Utreda eventuella tillägg och/eller utbyte av arter som ska ingå i ett nationellt FBI Utarbeta förslag på löpande rapportering av FBI samt på vilken skala detta kan ske utöver dagens situation Utreda förutsättningarna för förbättringar av analysverktyget Utföra analyser av effekterna av miljöersättningar och regionalstöd för vall och bete på FBI Eventuella tillägg och/eller utbyten av arter I dagsläget ingår 14 fågelarter i det svenska FBI (hädanefter kallat FBI-14): buskskvätta, gulsparv, gulärla, hämpling, ladusvala, ortolansparv, pilfink, råka, stare, sånglärka, tofsvipa, törnskata, törnsångare och ängspiplärka (Tabell 1). Detta är arter som också ingår i det europeiska arturvalet och arter där det går att beräkna trender för Sverige från 1975 och framåt. FBI-14 kan beräknas både på data från de av inventerare fritt valda s.k. punktrutterna (från 1975) och på det nya mer standardiserade systemet med standardrutter (från 1998). Här analyseras FBI baserat på standardrutter. Tabell 1. I kolumnen till vänster visas de 14 fågelarter som ingår i den nuvarande Farmland Bird Index (FBI- 14). I höger kolumn visas de sex arter som inkluderats i beräkningar av ett utökat FBI (FBI-20). FBI-14 FBI-20 Buskskvätta Saxicola rubetra Gråsparv Passer domesticus Gulsparv Emberiza citrinella Skogsduva Columba oenas Gulärla Motacilla flava Steglits Carduelis carduelis Hämpling Carduelis cannabina Stenskvätta Oenanthe oenanthe Ladusvala Hirundo rustica Storspov Numenius arquata Ortolansparv Emberiza hortulana Tornfalk Falco tinnunculus Pilfink Passer montanus Råka Corvus frugilegus Stare Sturnus vulgaris Sånglärka Alauda arvensis Tofsvipa Vanellus vanellus Törnskata Lanius collurio Törnsångare Sylvia communis Ängspiplärka Anthus pratensis Vi presenterar nationella FBI beräknat på flera olika sätt: förutom det vanliga sättet (data från alla standardrutter i Sverige) visar vi även på FBI beräknat enbart på de rutter som har jordbruksmark (dvs. jordbruksblock i den så kallade blockdatabasen) i direkt anslutning till rutten (n=332), respektive 4

de rutter som inte har jordbruksmark (n=384). Vi beräknar också separata FBI för landets åtta olika produktionsområden (PO), baserat på alla rutter inom ett PO. Trenderna är beräknade för perioden 1999 2013, eftersom data från jordbruksblocken finns först från 1999. I uppdraget ingick att undersöka om tillägg och/eller byten av arter kan förbättra FBI. Man kan diskutera i det oändliga vilka arter om skall räknas som jordbruksarter. Vi identifierade ytterligare sex vanliga arter med relativt stor spridning i landet som regelbundet påträffas i jordbrukslandskapet och som vi bedömer är åtminstone delvis beroende av det samma. Två arter, storspov och stenskvätta, hämtade vi från indikatorn för det svenska miljömålet Ett rikt odlingslandskap. Ytterligare fyra arter mer eller mindre knutna till jordbrukslandskapet har analyserats, nämligen tornfalk, skogsduva, steglits och gråsparv. Indikatorer har sedan beräknats även för denna utökade grupp om 20 arter, kallad FBI-20. Det kan noteras att tornfalken faktiskt är med i den europeiska selektionen för jordbruksarter, men har inte varit med i det svenska FBI-14 då den var för fåtalig på 1970- och 1980-talen för att en trend skulle gå att beräkna. De olika nationella indikatorerna redovisas i Figur 1. Skillnaden mellan FBI-14 och FBI-20 är liten, både vad gäller trend och osäkerhet, men det går något bättre (eller mindre dåligt) för jordbruksfåglarna i den utökade FBI-20. Den huvudsakliga orsaken till detta är att FBI-20 inkluderar steglits och skogsduva, två arter som ökade mycket kraftigt under perioden (med 8,3 respektive 4,2 % per år, vilket är bland de kraftigaste ökningarna överhuvudtaget i den svenska fågelfaunan). Dessa båda arter är helt klart bland de arter i urvalet som är minst knutna till jordbrukslandskapet under häckningstid. Ytterligare arter som är knutna till jordbrukslandskapet är fasan, glada och grågås, men vi bedömer att ingen av dem lämpar sig som kandidater för FBI. Bland annat påverkas dessa av faktorer som jakt och utplantering eller karaktäriseras av sentida populationsförändringar med oklar koppling till jordbruket. Framförallt anser vi att ett utbyte av arter på en indikator som funnits länge riskerar att minska trovärdigheten för indikatorn. En ändring av arturvalet verkar i vilket fall som helst inte nämnvärt påverka den sammanlagda bilden av hur det går för jordbruksfåglarna. Slutsats: Det finns ingen anledning att ändra arturvalet i FBI. Således ingen ny kostnad involverad. FBI-14, alla rutter FBI-20, alla rutter Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 2 = 3-9 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 5 = 5-10 1998 2000 2002 2004 2006 1998 2000 2002 2004 2006 2008 2010 2012 2014 2008 2010 2012 2014 Figur 1. Farmland Bird Index (FBI) för 14 respektive 20 arter. Den lilla rutan anger hur många av de ingående arterna som har signifikant ökande (+), ingen (=), respektive minskande (-) trend under perioden 1999 2013. De tunna linjerna visar det 95 % konfidensintervallet. Den huvudsakliga orsaken till att FBI-20 är något mindre negativt än FBI-14 är att FBI-20 inkluderar steglits och skogsduva, två arter som ökade mycket kraftigt under perioden. 5

Optimera indexets användbarhet vid uppföljning och utvärdering av effekter av kommande landsbygdsprogram I FBI-14 ingår idag data från alla 716 standardrutter i Sverige, även de som inte har någon jordbruksblocksyta i sin omedelbara närhet. Visserligen ligger några av de senare rutterna inte så långt från annan jordbruksmark, men huvuddelen av dessa rutter ligger i skogs- och fjällbygder nästan helt utan jordbruksmark (Figur 2). Flera av våra FBI-arter förekommer nästan uteslutande i jordbruksmark så för dem är detta inget problem. Men för andra arter återfinns stora delar av populationerna utanför jordbruksmark, till exempel på hyggen, myrar och i kraftledningsgator (Stjernman m. fl. 2013). Man kan därför tycka det vore logiskt att bara anlysera jordbruksfågeldata från rutter i typisk jordbruksbygd, dvs. på rutter eller delar av rutter som har blocklagd mark i närheten. Detta är dock inte självklart. Vår kunskap om huruvida det är olika populationer eller typer av individer inom en art som återfinns i respektive utanför jordbruksmark är dålig. Det kan mycket väl vara kommunicerande kärl så att det som händer i ett habitat påverkar antalet fåglar i ett annat. För många arter minskar dessutom stickprovets storlek om man utesluter fåglar från utanför jordbruksmark, vilket försämrar precisionen i FBI. Den kombinerade effekten av dessa två faktorer talar emot att begränsa vilka rutter som används givet de rutter som idag finns. Figur 2. De 716 standardrutter som används i våra beräkningar av FBI presenteras här uppdelat på ifall de har jordbruksblock någonstans inom 200 m från inventeringslinjen ( Med jbm ) eller inte ( Utan jbm ). För att undersöka betydelsen av sådan ruttselektion beräknade vi FBI-14 och FBI-20 med data från samtliga 716 rutter respektive från de 332 rutter som har blocklagd mark i omedelbar anslutning till sig ( blockrutter, Figur 2). Skillnaden på FBI beräknande på alla rutter eller bara blockrutter är mycket liten (Figur 3). Konfidensintervallet och därmed osäkerheten är något större för blockrutter enbart. Två av FBI- 14-arterna (ängspiplärka och gulärla) förekommer på fjällhed och nordliga myrar. Man skulle kunna förändra nuvarande FBI-14 något genom att utesluta de 104 rutter som ligger i fjällvärlden, framförallt eftersom dessa områden är relativt avgränsade från jordbruksmark. Denna indikator har vi inte explicit beräknat, men den blir indirekt inkluderad i beräkningen av FBI-14 på enbart blockrutter. Den analysen indikerar att exkluderandet av norra Sveriges alla gulärlor och ängspiplärkor påverkar FBI mycket lite. Vad gäller möjligheten att med någon slags säkerhet utvärdera effekter av kommande landsbygdsprogram finns en viktig generell aspekt att ha i åtanke. FBI visar den summerade effekten av alla omvärldsvariabler på fåglarnas antal, alltså inte bara effekten av landsbygdsprogrammet. De eventuella samband man kan se är korrelativa, så de visar inte på ett orsakssamband. Om det finns 6

en samvariation mellan fågeltrender och stöd till miljöåtgärder måste de stärkas av andra resultat som indikerar ett direkt orsakssamband. Analyserna blir betydligt starkare om man också studerar rumsliga samband (se nedan). Slutsats: Vad gäller ett nationellt FBI-14 baserat på standardrutterna finns ingen anledning att ändra på dagens beräkningssätt. Vill man minska risken att FBI påverkas av processer utan direkt eller indirekt anknytning till jordbrukspolitiken kan man välja att utesluta data från de 104 rutterna i fjällen. FBI-14, alla rutter FBI-14, blockrutter 1.8 1.8 1.6 1.6 1.4 1.4 Trim index 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 2 = 3-9 Trim index 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 4 = 2-8 FBI-20, blockrutter 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 FBI-20, alla rutter Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 5 = 5-10 Trim index + 5 = 6-9 1998 2000 2002 2004 2006 2008 2010 2012 2014 Figur 3. En jämförelse mellan FBI gjorda på data från alla standardrutter och FBI baserat enbart på de rutter som har jordbruksblock någonstans inom 200 m från inventeringslinjen ( blockrutter ). Jämförelsen är gjord för både FBI-14 och FBI-20. För beskrivning av figurdetaljer, se Figur 1. Notera att skillnaden mellan indikatorerna är mycket små, det som ändras när man bara analyserar blockrutter är att osäkerheten i index ökar något, mest beroende på att datamängden är mindre. Det är också noterbart att antalet arter med signifikant negativ trend dominerar i alla indikatorerna. 7

Analys av regional rapportering av FBI med dagens datainsamling Vi analyserade FBI-14 för de åtta olika produktionsområdena (PO) i Sverige (Figur 4, Tabell 2). För inget av dessa PO fanns det nog med data för alla 14 arterna, eftersom vissa PO har en mycket liten geografisk yta och därmed få rutter och lite data. Dessutom återfinns flera av arterna inte i hela Sverige. Mellan 8 och 12 arter ingår i dessa regionala indikatorer. FBI-14 (8), P8 FBI-14 (12), P7 1.8 1.8 1.6 1.6 1.4 1.4 Trim index 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 1 = 4-3 Trim index 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 0 = 6-6 FBI-14 (12), P3 FBI-14 (10), P6 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 0 = 6-6 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 1998 2000 2002 2004 2006 2008 2010 2012 2014 FBI-14 (11), P5 FBI-14 (12), P4 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 + 1 = 9-2 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 1998 2000 2002 2004 2006 2008 2010 2012 2014 + 0 = 4-6 Trim index + 2 = 5-4 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 1998 + 2 = 6-3 2000 FBI-14 (11), P1 2002 2004 2006 2008 2010 2012 2014 Trim index 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 1998 2000 FBI-14 (12), P2 2002 2004 2006 2008 2010 + 2 = 10-0 2012 2014 Figur 4. FBI-14 för Sveriges åtta produktionsområden. Talet inom parentes är antalet arter som ingår för detta PO. För beskrivning av figurdetaljer, se Figur 1. Det extrema konfidensintervallet för PO2 beror på gulärlans mycket kraftiga ökning där. 8

Tabell 2. De enskilda FBI-arternas populationstrender i de olika produktionsområdena (PO). Trenden är % förändring per år och stjärnorna anger statistisk signifikans. De nedersta sex arterna är de arter som inkluderats i beräkningar av ett utökat FBI (FBI-20). Art PO1 PO2 PO3 PO4 PO5 PO6 PO7 PO8 Tofsvipa -2.6-2.5-4.6 *** 2.6-2.7 0.9 3.4 14.2 *** Sånglärka -2.7 * -0.6-2.0 *** -1.5 * -6.3 *** -3.1 *** -11.2 *** 2.9 Ladusvala 4.1 * 0.3-0.2 7.6 *** 2.1 ** -2.5-3.0 ** -0.1 Råka -10.8 *** -2.9 Buskskvätta 2.5-1.8-1.7 1.3 0.6-4.4 *** -2.8 ** -0.3 Törnsångare 4.4 ** 1.2-1.6 * 0.5 0.8-1.2-4.3 * Ängspiplärka 1.1 4.0 * -7.1 * -3.8 * -0.7-10.3 *** -14.7 *** -2.5 *** Gulärla 20.5 *** -7.8-5.2-0.5-0.6 Törnskata 3.1-3.2 1.1-3.1 * -6.0 *** -1.2 Stare -9.6 *** -1.7-5.0 *** 1.9-5.0 *** -9.9 *** -3.3 Hämpling -1.9-1.2-1.2-3.7-1.1 Gulsparv 3.6-0.2-3.9 *** -1.0-2.0 *** -3.8 *** -7.0 *** -2.7 * Ortolansparv 7.9-8.2 *** Pilfink 0.4 7.0 *** -1.6 2.9 4.9 *** -0.2-7.8 ** Tornfalk -6.5 * 6.7 3.2 Storspov -2.0-7.2 ** -2.8-0.9-5.0 *** -0.1 1.4 Skogsduva 8.7 0.4-0.1 8.4 *** 6.1 ** Stenskvätta 0.3-1.6 2.7-0.6-15.3 *** 0.4 Steglits 8.1 4.8 11.1 ** 8.7 *** Gråsparv -1.9 1.6 1.7-2.3 1.9-4.4-10.1 *** -5.6 * Man kan notera att det går tämligen bra för jordbruksfåglarna i de mer produktiva bygderna, nämligen PO 1, 2 och 4, men sämre längre norrut. Återhämtar sig jordbruksfåglarna något när takten i jordbrukets intensifiering minskat i söder? Är det nedläggning av jordbruksmark i norr som nu är den viktigaste drivande faktorn för jordbruksfåglarna? Detta är dock en kvalificerad gissning, notera också att PO3 bryter detta mönster. FBI kan möjligen skärpas till något om man utesluter de 104 fjällrutterna (alla i PO8). I PO7 ingår förvisso också fåglar i andra habitat, som hyggen och myrar, men det är som skrivits tidigare okänt hur mycket antalet fåglar i dessa områden beror på vad som händer i den närliggande jordbruksbygden. Vi har här inte delat upp indikatorerna på rutter med eller utan blocklagd mark. För södra Sverige skulle det säkert inte innebära någon större skillnad. För PO6 PO8 skulle säkert flera arter falla ur på grund av för lite data. Indikatorn för miljömålet Ett rikt odlingslandskap visas nedan (Figur 5). Det beräknas med delvis andra fågelarter och områden samt beräknas från 2002, men ger ungefär samma bild. Slutsats: FBI går att analysera även på regional nivå, förslagsvis på produktionsområdesnivå. 9

Förslag på löpande rapportering av FBI för uppföljning och utvärdering Vi föreslår en årlig rapportering, lämpligen i mars april, med ungefär det innehåll som finns redovisat ovan: 1) FBI-14 på riksnivå, totalt respektive enbart på rutter med jordbruksblockmark 2) FBI-14 på produktionsområdesnivå (om så önskas, enbart på jordbruksblockmark). 3) De enskilda arternas trender i olika områden. 4) En kort text med tolkning av index, detaljer efter önskemål. Detta är ungefär två veckors arbete. Totalkostnad för Jordbruksverket: 40 000:-. Figur 5. Indikatorn för miljömål 13 Ett rikt odlingslandskap (www.miljomal.nu). Färgen på de olika landsdelarna indikerar hur 2013 års index förhåller sig till index för 2002. Utvärdering av tre miljö-/regionalstöd och analys av potentiell utveckling av prognosverktyget Vi har valt att baka samman del B av uppdraget, som innebar en utvärdering av betes- och vallstödet samt kompensationsbidraget, med den analys av potentiella förbättringar av prognosverktyget som ingick i del A. Vi beskriver först de justeringar av verktyget som varit nödvändiga för att utföra utvärderingen enligt önskemålen. Sedan följer kortfattat beskrivning av utförandet samt sammanfattning av resultat och diskussioner kring utvärderingen. I samband med detta beskrivs också förbättringar som kan ingå i en utveckling av prognosverktyget. Notera dock att diskussioner och beskrivningar i huvudtexten är kortfattade och summariska för att underlätta läsandet och att vi hänvisar till mer detaljerade beskrivningar av utförande och resultat (figurer och tabeller för de enskilda arterna mm) i appendix för djupare förståelse av huvudtexten. 10

Förhållandet mellan nuvarande modellering och det gamla verktyget Tekniken för att ta fram prediktioner under olika kontrafaktiska scenarier (dvs. scenarier av hur det varit om inte något hade hänt, t.ex. ett miljöstöd inte införts) följer i stora drag den som beskrivs i Ottvall m. fl. (2010; se även Lindström m. fl. 2012 för en populärvetenskaplig version). Vissa modifieringar har dock varit nödvändiga. Programmet som användes i Ottvall m. fl. bygger på öppen källkod som kännetecknas av regelbunden utveckling och förändring. I vissa fall har de gamla versionerna av de funktioner vi använde förbättrats till den grad att vi sett det nödvändigt att i motsvarande grad förändra tekniken i verktyget. Den generella strukturen i tekniken har dock behållits och vi har liksom tidigare varit måna om att i möjligaste mån följa vedertagna statistiska rekommendationer vad gäller den här typen av modeller. Modifieringar har också varit nödvändiga av andra orsaker; dels gäller nu utvärderingen andra typer av scenarier (kontrafaktiska utvärderingar av miljöstöden jämfört med tidigare storskaliga policyscenarier för framtiden), dels är den regionala indelningen för vilken förändringen i markanvändning prognostiseras annorlunda (baseras på LFAområden; Less Favoured Areas; kallas ofta stödområden, Figur 6) och inte omedelbart översättningsbar i tidigare indelning (produktionsområden, Figur 6). Vidare är grödorna för vilka förändringarna prognostiseras delvis annorlunda och inte minst mer detaljerade. Slutligen har vi på senare tid byggt om vår version av blockdatabasen vilket gjort att procedurer för datahantering också har måst göras om. 11

Från scenarier för markanvändning till prognoser för fågelbestånden Här beskrivs kortfattat tillvägagångssättet för utvärderingen av miljöstöden. Utvärderingen baseras i stort på tekniken från det gamla verktyget med ovan beskrivna justeringar. Vi använde oss först av statistiska modeller för att beräkna hur antalet fåglar av varje art förklaras av mängden av olika grödor i landskapet och om detta beror på var i Sverige landskapet ligger. För att i modellerna beskriva den geografiska placeringen grupperades standardrutterna enligt produktionsområde eftersom vi fann att en gruppering enligt LFA-områdena i flera fall hade gett för få rutter per område (Figur 6). Modellerna anpassades till varje art för sig så att de bäst förklarade antalet fåglar av just den arten. Detta innebar att vissa grödor var mer viktiga för att förklara förekomsten av exempelvis törnskata medan andra var viktiga för buskskvätta och att beroendet av grödorna skiljde sig åt mellan produktionsområden för gulsparv men inte för hämpling osv. Vi använde sedan scenarier från SASM (Swedish Agricultural Sector Model; Apland och Jonasson 1992) för att se hur markanvändningen i standardrutterna skulle ha varit annorlunda (jämfört med dagens läge, 2010) om olika miljöstöd inte funnits, så kallade kontrafaktiska scenarier. Notera att SASMscenarierna är uppdelade på LFA-område och vi lät således markanvändningen i rutterna förändras enligt i vilket LFA-områden rutten låg. De miljöstöd som undersöktes var betesstödet, vallstödet och kompensationsbidraget. Dessutom undersöktes scenariot att inget av dessa stöd funnits. För att se hur fågelförekomsten skulle sett ut under vart och ett av dessa scenarier använde vi de statistiska modellerna för beroendet mellan markanvändning och fågelförekomst och kombinerade dessa med den nya markanvändningen och kunde på så sätt få en uppskattning av hur många fåglar vi hade haft i de olika fallen. På samma sätt kombinerade vi också de statistiska modellerna med den faktiska markanvändningen som den såg ut 2010. Analyser av effekten av de olika stöden baserades sedan på en jämförelse mellan uppskattningarna från de olika scenarierna med uppskattningarna från den faktiska markanvändningen (kallat basscenariot). Resultat och tolkningar Prognoserna för FBI under de olika scenarierna indikerar att de undersökta miljöstöden haft begränsad effekt på jordbruksfåglarna (Figur 7). FBI förändras endast med några få procent under de olika scenarierna i förhållande till basscenariot. Störst effekt verkar betesstödet ha haft, prediktionen indikerar en minskning av FBI på ca 4 % om det stödet inte funnits. Vallstödet och kompensatonsbidraget har i jämförelse haft en mindre och dessutom negativ effekt, dvs. högre FBI predikteras om stöden inte funnits. De enskilda arterna uppvisar ett liknande mönster (Figur A2); för flertalet arter sker endast förändringar på några få procent. Avsaknaden av effekt på det sammantagna indexet (FBI) är ur den synvinkeln således inte oväntat. För några arter (t.ex. hämpling och stare) indikeras att framförallt betesstödet haft en mer betydande effekt (>10%), ladusvalan avviker i det att det framför är allt vallstödet som haft en positiv inverkan medan vallstödet och kompensationsbidraget haft en negativ inverkan på råkan. Det är här viktigt att påpeka att i dessa slutsatser har ingen hänsyn tagits till osäkerheten i prediktionerna. Gemensamt för samtliga prediktioner, på både FBI- och artnivå, är att de är behäftade med stor osäkerhet i förhållande till effekten av de olika scenarierna. Man kan utifrån denna analys därför inte i något fall säga att stöden haft en statistiskt signifikant effekt på jordbruksfåglarna. 12

Osäkra prediktioner Precis som i Ottvall m. fl. (2010) baseras resultaten ovan på en jämförelse av separata prediktioner under de olika scenarierna. Det vill säga vi presenterar prediktioner och osäkerheten kring dessa i form av ett konfidensintervall och avgör signifikanta skillnader genom att se om konfidensintervallen för de olika scenarierna överlappar med basscenariot. Konfidensintervallen kring prediktionerna visar på ett adekvat sätt hur säkra vi kan vara på vad indexet skulle vara för varje enskilt scenario för sig. Osäkerheten kring prediktionerna speglar den osäkerhet som finns i våra skattningar av markanvändningsberoendet (habitatassociationen) och därmed hur exakt vi kan förutsäga indexet givet en viss markanvändning. Under sådana förhållanden krävs betydligt större effekter av förändringar i markanvändning för att skillnader ska kunna fastställas och tillvägagångsättet är därför ett ganska trubbigt instrument. Utveckling av analysmetoden mot mer precisa prediktioner Vi såg en möjlighet till utveckling av analysmetoden genom det faktum att habitatassociationsmodellerna och de simulerade koefficienterna från dessa är desamma oavsett scenario. Det enda som skiljer sig mellan scenarier är markanvändningen i sig. Vi kan utnyttja denna koppling och istället göra prediktioner för skillnader i index mellan basscenariot och de olika scenarierna snarare än att jämföra prediktioner för scenarierna gjorda var för sig (se utförligare beskrivning i appendix). Resultatet blir reducerad osäkerhet och vi kan därmed med större noggrannhet bestämma effekten av stöden. Figur 8 visar samma 13

procentuella förändring i indexet under de olika scenarierna som våra tidigare analyser (Figur 7) men vi kan nu med större säkerhet säga att FBI hade minskat med mellan 3 och 5 % om betesstödet inte införts medan vi för övriga stöd fortfarande inte kan visa på någon entydig effekt trots en högre precision (Figur 8, Tabell A3). Vi kan också se att vi för flera av de enskilda arterna på motsvarande sätt kan visa tydliga effekter av framförallt betesstödet (t.ex. stare och hämpling) medan andra fortfarande uppvisar stor osäkerhet i effekterna (t.ex. råka; Tabell A3). De senare kännetecknas ofta av osäkra modeller och/eller lite data (Tabell A1). Även om vi utvecklat verktyget så att vi med större precision kan beskriva förväntade förändringar under olika scenarier kvarstår faktum att effekterna av stöden i de flesta fall är små. Små effekter på grund av markanvändningen? Kompensatoriska förändringar i markanvändningen Betydande förändringar i fågelpopulationerna kan bara förväntas om förändringar i miljöstöden får märkbar effekt på den markanvändning som är viktig för fåglarna och att dessa förändringar sker i en riktning som motsvarar betydelsen markanvändningen har för fåglarnas antal. Prognoserna från SASM visar på relativt stora areella förändringar i framförallt träda, vall och bete (Figur 9a, Tabell A2). Utan vallstödet och kompensationsbidraget hade mängden träda ökat i stora delar av landet medan vall och i viss mån betesmarken minskat. Betesstödet har mest haft en gynnsam effekt på 14

betesmarken med relativt små förändringar i övriga grödor. Orsaken till att minskningar i en åkergröda motsvaras av ökningar i övriga grödor (kompensatoriska förändringar) är att SASM låser den totala åkerytan (åkerytan ändras inte mellan scenarier). Det innebär att det i SASM inte finns inbyggt någon nedläggning av åkermark. Betesmarken är däremot inte låst och särskilt i betesscenariot innebär detta nedläggning av betesmark. Då flertalet av jordbruksfåglarna påverkas positivt av mängden vall, bete och träda innebär den kompensatoriska förändringen att effekterna delvis tar ut varandra, dvs. den negativa effekten av att vall och bete minskar kompenseras till viss del av att mängden träda ökar. Nedskalning av SASM scenarier till standardrutterna Våra prediktioner gäller förväntade förändringar i fågelantal i standardrutterna och vi skalade därför ner (projicerade) förändringarna i markanvändning enligt SASM till förändringar i rutterna. Av Figur 9b framgår att projiceringen av SASM prognoser endast till viss del slår igenom i förändringar av markanvändningen i rutterna. De stora mönstren är desamma men regionala skillnader förkommer och är ibland tydliga, särskilt om man tittar på förändringarna i markanvändning i rutter specifika för enskilda arter (Figur A1). En detaljerad förklaring till att förändringarna inte slog igenom fullt ut i rutterna är svår att ge och flera faktorer spelar säkerligen in. En viktig del är dock att i rutterna är förändringar exempelvis endast möjliga för den mark som faktiskt finns där (finns ingen träda i en rutt kan den heller inte öka eller minska). Även om standardrutterna är helt jämnt fördelade i Sverige och därmed utgör ett bra stickprov av hur markanvändningen är fördelad i landet, täcker de endast en liten del av den faktiska ytan och för vissa LFA-områden finns endast ett begränsat antal rutter. Man kan därför inte förvänta sig att de projicerade förändringarna i rutterna exakt ska spegla 15

förändringarna som förutsägs av SASM som hanterar all mark i respektive område. Icke desto mindre har det en dämpande effekt på våra prognoser för förändringar i index. Slutsats: Små förändringar i fågelantal under de olika scenarierna är att vänta då dessa förutspår att reducering av vissa grödor kompenseras av en ökning i andra. Ett huvudsakligt problem är alltså att SASM inte modellerar förändringar i den totala åkerarealen och då framförallt att åkermark inte kan läggas ner trots att detta kanske är en av de viktigaste effekterna av miljöstöden. Betesmarken, å andra sidan, tillåts enligt SASM att variera oberoende av övriga grödor. I scenariot att betesstödet inte funnits innebär detta framförallt att betesmark försvinner med små effekter på övriga grödor vilket förklarar varför vi ser störst effekter av detta stöd på fåglarna i jordbruksmark. Nedskalering av markanvändningsscenarier till rutterna är ytterligare en källa till de små effekter vi ser. Vi har för närvarande inga förslag på hur denna nedskalering kan förbättras. Ett alternativ kan vara att flytta fokus från rutterna till att göra prediktioner regional nivå och på så sätt undvika behovet av projicering. Problemet är att SASM använder sig av LFA-områden medan modellerna för skattning av markanvändningsberoendet använder produktionsområden. Eftersom den regionala indelningen enligt LFA skiljer sig en hel del från indelningen enligt produktionsområden finns inget enkelt sätt att översätta mellan dessa. På grund av begränsningar i nuvarande data ser vi för närvarande ingen anledning att byta ut produktionsområdena till någon annan regional indelning i habitatassociationsmodellerna. Eventuella förbättringar kräver alltså att a) SASM förändras så att förändring av den totala åkerarealen (särskilt nedläggning) tillåts och b) att SASM explicit ger prognoser på produktionsområdesnivå. Små effekter på grund av habitatberoendet? Vissa arter är enligt modellerna heller inte så starkt beroende av de grödor som påverkas av miljöstöden. Några arter uppvisar exempelvis inget eller svagt samband med mängden vall (t.ex. törnskata, råka och ängspiplärka, Tabell A1) och för många arter är beroendet av träda och vall skiftande i olika delar av landet (t.ex. buskskvätta och gulärla). Detta kan delvis bero på att grödan innebär olika saker i olika delar av landet. I grödan träda ingår ju enligt SASM också energi- och industrigrödor (t.ex. Salix och rörflen) och upptaget av dessa alternativ varierar sannolikt betydlig mellan regioner. Sådana grödor har i de flesta fall negativ inverkan på jordbruksfåglarna, egentliga trädor däremot (jordbruksmark som bara lämnas) kan ha en väldigt gynnsam effekt. Dessa motverkande effekter resulterar på nationell nivå i en svag sammantagen effekt. I några fall har också grödan störst effekt på fåglarna i områden där de är relativt ovanliga (t.ex. stark effekt av vall på sånglärka i produktionsområde 6-8 där den är relativt ovanlig). Slutsats: Så länge SASM inte skiljer ut energi- och industrigrödor från egentlig träda eller kan ge separata prognoser för olika typer av vall etc. finns ingen möjlighet att förbättra modelleringen av habitatberoendet så att dessa problem kan hanteras. Möjligheten att modellera habitatberoende på finare skala begränsas också av tillgången på data. Mer komplicerade modeller kräver mer data. Nuvarande modeller, där habitatberoendet tillåts variera geografiskt, är med dagens data troligen den bästa upplösningen vi kan uppnå, åtminstone för de lite ovanligare av jordbruksfåglarna. Små effekter på grund av modellerna? En viktig faktor i sammanhanget är hur väl de statistiska modellerna beskriver variationen i data (fågelantal). Den del av variationen i data som förklaras av den i modellerna ingående markanvändningen är oftast bara några få procent. En stor del av variationen fångas snarare upp av 16

de s.k. slumpfaktorerna rutt och observation (Tabell A1). Dessa indikerar att det finns ett antal viktiga faktorer som inte finns med i modellerna och de bidrar därmed till osäkerheten i prediktionerna. Lite beroende på vilken skala som dessa faktorer varierar fångas de antingen upp i rutt eller observationseffekten i modellerna. Exempel på sådana omvärldsfaktorer kan vara hur övrigt habitat ser ut i rutterna eller vad som hänt under vintern. Så långt denna förklaring gäller kan vi således tolka våra resultat så att den markanvändning som påverkas av de undersökta miljöstöden har en liten betydelse för jordbruksfåglarnas antal i förhållande till ett potentiellt stort antal andra omvärdsfaktorer. Men observationseffekten fångar också upp andra brister i modellerna. Här ingår att modellerna inte tar hänsyn till ickelinjära samband (att effekten av en gröda avtar/tilltar med mängden av grödan i landskapet) eller att effekten av en gröda beror på vilka andra grödor och habitat som finns i närheten. Att sådana effekter inte modelleras explicit innebär att effekten av markanvändningen och därmed betydelsen av stöden kan underskattas. Slutsats: Den viktigaste förbättringen av modellerna skulle vara att inkludera interaktioner mellan de olika grödorna och samt att modellera ickelinjära samband. Dessa faktorer är viktiga att modellera då de potentiellt kan visa på ett större habitatberoende och därmed större betydelse av förändringar i miljöstöden än vad våra analyser hittills visat. Mer komplicerade modeller innebär emellertid också att det blir mer komplicerat att välja ut den bästa modellen (antalet modeller som ska testas ökar exponentiellt) och ställer också större krav på mängden data. För många arter skulle detta innebära att de inte skulle gå att analysera och vi får därmed svårt att göra prediktioner för FBI. Större hänsyn skulle också krävas i analyserna för varje enskild art och den mer eller mindre automatiserade algoritm vi för närvarande använder måste överges. Små effekter på grund av data? Osäkerhet i modellerna och därmed i prediktionerna som de genererar härrör delvis från det faktum att inventeringsmetodiken som används i Svensk Fågeltaxering inte tillåter att enskilda fågelobservationer kopplas rumsligt explicit till markanvändning i standardrutten (dvs. vi vet inte specifikt i vilket habitat fågeln sitter). Det innebär att räknade individer i vissa fall kan associeras till andra habitat i rutten än de de faktiskt befinner sig i och, beroende på hur olika habitat och markanvändningar är kopplade till varandra i rutterna, ge osäkra skattningar av habitatassociationerna. I analyserna har vi inte begränsat data till endast de rutter som har jordbruksmark utan inkluderat alla rutter där respektive fågelart observerats. Istället har vi tillåtit relationen mellan markanvändning och antalet fåglar att variera mellan produktionsområden och därmed följt samma teknik som i det gamla verktyget. I regioner där arten i stor utsträckning observerats i rutter där ingen jordbruksmark finns kommer betydelsen av de undersökta grödorna därmed att skattas låg. Detta är i sig inget problem, den sammantagna populationen av arten i dessa regioner har sin huvudsakliga utbredning utanför jordbruksmark och bör således som helhet påverkas väldigt lite av förändringar i markanvändningen i jordbruksmark, precis som modellen då förutsäger. Några av arterna som ingår i FBI har en stor del av populationen utanför jordbruksmark (t.ex. ängspiplärka och gulärla; Stjernman m. fl. 2013) och för dessa kommer alltså markanvändningens betydelse i vissa regioner att vara liten. Slutsats: En utökning av inventeringsmetodiken inom Svensk Fågeltaxering till att innefatta beskrivningar av var eller i vilket habitat varje fågel sitter skulle innebära betydande merarbete både 17

för enskilda inventerare och vad gäller hanteringen av data och går därför inte att genomföra. En begränsning av analyserna till endast de rutter som har jordbruksmark är då ett alternativ men som redan nämnts innebär skulle detta reducera mängden data. Detta skulle kunna avhjälpas med riktade inventeringar i jordbruksmark men då som ett separat projekt i komplement till Svensk Fågeltaxering. Tidigare analyser har visat att det för ren bevakning av fågeltrenderna inte har någon större betydelse om fåglar (individer) utanför jordbruksmark exkluderas i FBI (Stjernman m. fl. 2013; se våra analyser ovan) men möjligheten finns att ett fokus på data enbart från jordbruksmark skulle öka precisionen i de prediktiva modellerna vilket skulle förbättra förmågan att utvärdera effekter av förändringar i stödsystemet mm. Potential för ytterligare utveckling Vi har använt analysverktyget för att studera effekter av regional-/miljöstöd för vall och bete på FBI och under processens gång dels förbättrat analyserna men också beskrivit områden både i och utanför verktyget med potential för utveckling. Dessa inkluderar att låta modellerna beskriva mer komplexa samband mellan habitat och markanvändning, något som i så fall måste följas av en mer riktad datainsamling. Men det finns också behov av mer differentierade prognoser för markanvändning som i synnerhet kan tillåta förändringar i totala åkerarealer (t.ex. nedläggning). Vi har nyligen påbörjat ny forskning kring hur en koppling av agentbaserad modellering av brukares reaktioner på förändringar i jordbrukspolitiken till blockdatabasen skulle leda till en bättre förståelse av dynamiken i markanvändning där förändringar styrs av lokala (rumsliga) förhållanden och begränsningar (t.ex. vilken typ av mark förändras hur och var). Detta skulle ge en mer realistisk bild av förändrad markanvändning att kombineras med modellerna för fåglars habitatberoende. Nuvarande modeller kan förbättras genom att explicit uttrycka populationsdynamiska processer. Vi ser möjligheter att utveckla analyserna genom att istället bygga modeller för markanvändningens effekter på tillväxt i fågelpopulationerna snarare än area-antalsförhållanden. Data från Svensk Fågeltaxering har tidupplösning (upprepade inventeringar från samma platser under flera år) vilket är en förutsättning för sådana modeller men vidare forskning får utvisa om dessa räcker för att med tillräcklig precision skatta dessa effekter. Process-baserad modellering, i vilken hänsyn tas till de multiplikativa effekter (ränta på ränta) som populationsdynamiken ger upphov till, skulle också ge möjligheter till tidsupplösta prediktioner. Det vill säga, vi kan ge årsspecifika prognoser för populationsutveckling hos jordbruksfåglar framåt (eller bakåt) i tiden. En fördel med dessa är att de mer direkt kan jämföras med faktiska trender (från Svensk Fågeltaxering) för att dels utvärdera kvalitén på prognoserna men också användas för att indikera oväntade avvikelser i trenderna. Det senare kan vara behjälpligt för en löpande utvärdering och uppföljning av FBI. 18

Referenser Apland, J., Jonasson, L., 1992. The Conceptual Background and Structure of SASM: A Swedish Agricultural Sector Model. Sciences, S.U.o.A., Rapport nr: 45. Lindström, Å., Green, M., Olsson, O., Ottvall, R., Smith, H.G., Stjernman, M., 2012. Fåglarna i odlingslandskapet - Idag och i morgon. Jordbruksverket, Rapport nr: RA 12:3. http://www2.jordbruksverket.se/webdav/files/sjv/trycksaker/pdf_rapporter/ra12_3.pdf. Ottvall, R., Green, M., Lindström, Å., Olsson, O., Smith, H.G., Stjernman, M., 2010. Effekter av jordbruksstöd på mångfalden av fåglar - utveckling av prognosverktyg, Jordbruksverket, http://www.jordbruksverket.se/download/18.1fec19c313cf285924f80004261/1361537530171/rapp ort_maj_2010_lu+v2.pdf. Stjernman, M., Green, M., Lindström, Å., Olsson, O., Ottvall, R., Smith, H.G., 2013. Habitat-specific bird trends and their effect on the Farmland Bird Index. Ecological Indicators 24, 382-391. 19

Appendix Upplägg för utvärderingen av miljöstöden Relationen mellan markanvändning och antalet fåglar Utgångspunkten för att skapa prognoser för beståndsutvecklingen hos jordbruksfåglarna under olika kontrafaktiska scenarier för miljöstöden är så kallade habitatassociationsmodeller. Dessa relaterar statistiskt den markanvändning som påverkas av scenarierna till antalet fåglar. Varje arts beroende av respektive grödor (t ex vall) sammanfattas i koefficienter (lutningar) och skattas med hjälp av statistiska modeller. De statistiska modellerna ger också (under vissa antaganden) osäkerheter kring dessa skattningar, s.k. standardfel. Skattningarna och dess osäkerhet används för att prediktera antalet fåglar givet en viss markanvändning. Osäkerheten i koefficienterna vägs in i prediktionerna genom att en fördelning för koefficienterna simuleras fram ur en normalfördelning med medel och varians givet av koefficientens skattning och standardfel. För varje kombination av simulerade koefficienter skapas en prediktion vilket således ger en fördelning av prediktioner ur vilka väntevärde och varians (osäkerhet) kan beräknas. Utförligare beskrivning av tekniken finns i Ottvall m. fl. (2010). Steget från förändring i markanvändning till förändring i fågelbestånd För att utvärdera effekten av de olika stödens införande görs projiceringar av hur markanvändningen hade sett ut om stöden inte införts (kontrafaktiska scenarier). De prognosticerade förändringarna hämtas från SASM-körningar vilka också innehåller beräkningar av markanvändningen som den faktiskt såg ut (det s.k. basscenariot). År 2010 har valts som fokus. De prognosticerade förändringarna överförs till standardruttsnivå och för varje scenario (dvs. om ett visst stöd inte funnits) görs sedan prediktioner för fågelbeståndet i rutterna genom att applicera habitatassociationsmodellerna på de prognosticerade markanvändningarna. Detta görs för varje art för sig och sedan kombineras samtliga arters prediktioner till en prediktion för FBI. Utvärderingen bygger sedan på en jämförelse mellan prediktionen för varje stödscenario mot prediktionen för basscenariot. Prediktionerna relateras också till beståndsutvecklingen hos respektive art samt utvecklingen av FBI under tidsperioden 1999-2012. Samtliga prediktioner är de relativa förändringarna (proportionella) i förhållande till beståndets storlek 1999. Utförandet Habitatassociationsmodellerna Vi använde oss av Svensk fågeltaxerings standardruttsinventeringar (linjetaxeringarna) för habitatassociationsmodellerna. Data som användes i själva modellerna sträcker sig mellan åren 1999 och 2012. De standardrutter varifrån data för en viss art hämtades är de rutter där arten någon gång observerats under perioden 1996-2012. Vi undersökte först huruvida vi hade tillräckligt mycket data för att modellera habitatassociationer på LFA-områdesnivå och om alla grödor kunde inkluderas i modellerna. Det visades sig att det för många arter fanns mycket få rutter i vissa LFA-områden och att vissa grödor inte fanns representerade i alla områden. Vi valde då att istället följa angreppssättet i det gamla verktyget och göra habitatanalyserna på produktionsområdesnivå. Vi såg också att scenarierna i stort förutsade likartade förändringar i åkergrödorna (höst- och vårsäd, oljeväxter och övrig åkergröda) varför vi slog samman dessa grödor till en som vi kallade Plöjd åkermark. Trots detta fanns det fortfarande arter där det fanns för lite data. Samma förhållande fanns vid utvecklingen av det gamla verktyget och vi löste 20

detta nu på samma sätt som då. Vi slog helt enkelt samman data från ett antal produktionsområden för dessa arter enligt följande: för hämpling slogs produktionsområde 6-8 ihop, för råka slogs produktionsområde 1 och 3 ihop liksom produktionsområde 4-8 och för ortolansparv slogs produktionsområde 1-6 ihop. Observera att dessa justeringar endast gäller habitatassociationsmodellerna; projiceringen av markanvändningen till rutterna gjordes på LFAområdesnivå (se nedan). För varje art satte vi upp följande fulla Poisson modell: log e Antalet fåglar = β 0 + β PO PO + β b betesarea + β p plöjd åkerarea + β v vallarea + β t trädesarea + β POb PO betesarea + β POp PO plöjd åkerarea + β POv PO vallarea + β POt PO trädesarea där PO står för produktionsområde, indikerar interaktion, och β i är koefficienter som beskriver markanvändningseffekten av variabel i. Interaktionerna med produktionsområde tillåter alltså markanvändningseffekten att variera med produktionsområde. Vi satte också upp alla möjliga förenklingar av denna modell och lät sedan den bästa av dessa modeller (utifrån Akaikes informationskriterium; AICc) representera artens habitatberoende. I alla modeller ingick även slumpeffekter (random effects) av rutt (intercept), år (intercept) och observation (intercept). De två förstnämnda tar hand om det statistiska beroendet mellan observationer gjorda i samma rutt respektive samma år medan den sistnämnda hanterar den s.k. extra variansen (overdispersion; dvs. variation utöver Poisson processen). I stort är detta samma angreppsätt som vi använt tidigare förutom att vi använder en något annorlunda teknik att hantera den extra variansen. Skattningar av koefficienter och slumpeffektsvarianser från de bästa modellerna för respektive art finns sammanfattade i Tabell A1. Tabell A1. Skattningar och standardfel (i kursiv stil) av koefficienter från bästa modellen för de 14 FBIarterna samt skattningar av variationen (standardavvikelsen) i data på rutt, år och observationsnivå. Det sistanämnda mäter graden av extravarians (overdispersion). Koefficienterna är angivna på log e-skala och fetstil anger att koefficienten är signifikant skild från 0. Tomma celler har samma värden som närmast ifyllda cell åt vänster. Sammanslagna celler visar att motsvarande produktionsområde slagits samman i analyserna (för råka är även PO1 och PO3 sammanslagna). Variablerna standardiserades före analys; koefficienterna anger förändringar per variabelns standardavvikelse och är således jämförbara inom arter. Nmod=Antalet modeller inom 2 AICc från bästa modellen. PO=produktionsområde. Art Variabel PO1 PO2 PO3 PO4 PO5 PO6 PO7 PO8 Buskskvätta Intercept -1.63 0.35 Rutt: 0.81 Plöjd åker 0.38 0.05 År: 0.11 Träda -0.39 0.18 Obs: 0.47 Vall 0.25 0.04 Nmod: 1 Bete 0.16 0.05 Gulsparv Intercept 1.63 0.35 Rutt: 0.74 Plöjd åker -0.34 0.13-1.46 0.25 0.11 0.10 1.84 0.24 0.17 0.08-0.22 0.24 0.06 0.04 2.17 0.27 0.14 0.09-0.52 0.14 0.20 0.04 1.68 0.11 0.35 0.08-0.54 0.11 0.27 0.07 1.58 0.10 0.61 0.16-0.16 0.13 0.09 0.07 0.78 0.12 0.72 0.13 0.43 0.12 0.12 0.22 1.47 0.24 1.87 0.39 0.10 0.14-0.03 0.29 1.73 0.32 2.06 0.36 21

År: 0.11 Träda 0.19 0.06-0.07 0.05 0.05 0.03 Obs: 0.29 Vall 0.42 0.04 0.01 0.10 0.06 0.07 Nmod: 1 Bete -0.11 0.12 0.00 0.14 0.06 0.09 Gulärla Intercept -1.89-1.59-0.94 1.52 0.94 0.95 Rutt: 1.14 Plöjd åker 0.62 0.52 0.17 0.33 0.20 0.28 År: 0.14 Träda -0.50-0.57 0.01 0.18 0.15 0.12 Obs: 0.70 Vall -0.04-0.10 0.52 0.36 0.17 0.20 Nmod: 3 Bete -0.63 0.22-1.33 0.75 0.13 0.46 Hämpling Intercept -0.64 0.11 Rutt: 1.08 Plöjd åker 0.52 0.09 År: 0.10 Träda 0.18 0.06 Obs: 0.82 Vall 0.18 0.09 Nmod: 3 Bete 0.38 0.01 Ladusvala Intercept 1.24 1.12 0.50 0.34 0.24 0.24 Rutt: 0.86 Plöjd åker 0.30 0.05 År: 0.05 Träda 0.10 0.03 Obs: 0.72 Vall 0.21 0.05 0.20 0.14 0.10 0.10 Nmod: 2 Bete 0.07 0.05 Ortolansparv Intercept -2.37 0.34 Rutt: 0.68 Plöjd åker 0.26 0.18 År: 0.02 Träda 0.08 0.03 0.25 0.06 0.15 0.07-1.53 0.71 0.42 0.30 0.12 0.12-0.25 0.47 0.12 0.27 0.14 0.13 0.62 0.11 0.12 0.05 0.20 0.07 0.10 0.06-2.66 0.67 1.51 0.89-0.48 0.45 0.27 0.34 0.07 0.58 0.69 0.10 0.39 0.10 0.10 0.05 0.35 0.10 0.11 0.18-2.18 0.62 1.35 0.46 0.38 0.16-2.05 0.69-2.10 1.20-0.01 0.14 0.41 0.15 0.13 0.18 0.83 0.13 0.97 0.23-3.42 1.08-9.27 3.18-0.45 0.36 0.03 0.32 0.02 0.50 0.28 0.13 1.02 0.17-1.48 0.62 1.18 1.71 0.96 0.18 1.06 0.15 0.91 0.41-0.54 0.59-2.45 1.28-0.45 0.40-0.54 0.30 0.69 1.18 0.15 0.14 0.94 0.20-0.06 0.31 2.13 0.77 Obs: 0.83 Vall -0.45 0.26 Nmod: 5 Bete -0.66 0.41 0.22 0.27 Pilfink Intercept 0.24 0.10 Rutt: 1.08 Plöjd åker 0.50 0.08 År: 0.18 Träda 0.21 0.05 Obs: 0.86 Vall 0.28 0.07 Nmod: 2 Bete Råka Intercept -1.26 0.64 Rutt: 1.67 Plöjd åker 1.44-0.24 0.63-1.26 0.64-2.26 0.59 22

0.34 År: 0.42 Träda 0.27 0.18 Obs: 1.92 Vall Nmod: 10 Bete Stare Intercept 2.72 0.43 Rutt: 0.93 Plöjd åker -0.18 0.20 År: 0.12 Träda 0.22 0.04 Obs: 0.90 Vall 0.36 0.05 Nmod: 1 Bete 0.29 0.29 Sånglärka Intercept 1.29 0.40 Rutt: 0.91 Plöjd åker 0.42 0.20 År: 0.12 Träda 0.12 0.08 Obs: 0.29 Vall 0.08 0.16 Nmod: 1 Bete 0.13 0.05 Tofsvipa Intercept 0.52 0.46 Rutt: 1.02 Plöjd åker 0.29 0.25 År: 0.02 Träda 0.44 0.15 Obs: 0.84 Vall 0.36 0.07 Nmod: 2 Bete 0.16 0.08 Törnskata Intercept -1.31 0.32 Rutt: 0.63 Plöjd åker 2.17 0.26 0.18 0.12 0.04 0.10 1.90 0.27 0.56 0.12 0.01 0.07 0.16 0.08 0.30 0.32 0.36 0.16 0.24 0.16-0.65 0.19 1.79 0.29 0.42 0.15 0.25 0.18 1.02 0.27 0.93 0.14 0.21 0.05 0.40 0.09 0.35 0.33 0.44 0.18 0.25 0.08-0.73 0.20 1.53 0.14 0.54 0.13 0.56 0.14 1.35 0.16 0.94 0.15 0.25 0.04 0.48 0.09 0.22 0.18 0.85 0.17 0.06 0.07-0.96 0.12 2.07 0.17 1.48 0.31 0.54 0.12 1.09 0.20 1.93 0.28 0.23 0.08 0.43 0.11 0.18 0.24 2.15 0.44-0.07 0.16-1.21 0.10 1.25 0.22 0.74 0.24 0.80 0.28 0.35 0.25 1.05 0.21 0.42 0.07 0.67 0.15 0.57 0.25 1.09 0.27 0.39 0.13-1.01 0.13 1.47 0.61 1.28 0.85 1.07 0.73 0.08 0.73 1.66 0.83-0.49 0.49 1.12 0.28 0.56 0.70 1.39 0.97-0.34 0.45-1.38 0.15-1.65 0.94-1.48 1.21-0.40 0.89 0.13 0.70 0.23 0.94 0.62 0.44 0.77 0.35 0.79 0.59 0.69 0.88 1.48 0.50-1.91 0.30 År: 0.004 Träda 0.08 0.04 Obs: 0.73 Vall Nmod: 4 Bete 0.20 0.05 Törnsångare Intercept 1.93 0.32 Rutt: 0.80 Plöjd åker 0.25 0.14 År: 0.08 Träda 0.07 0.05 Obs: 0.23 Vall 0.05 0.09 Nmod: 1 Bete 0.15 0.04 Ängspiplärka Intercept -1.92 0.82 1.24 0.23 0.32 0.09 0.02 0.06 0.18 0.07-1.82 0.58 1.19 0.26 0.22 0.12 0.02 0.04 0.10 0.08-0.40 0.72 0.44 0.12 0.69 0.10 0.14 0.04 0.41 0.08-1.60 0.39 0.67 0.13 1.19 0.21 0.30 0.06 0.49 0.08-1.19 0.30-0.14 0.17 0.99 0.16 0.23 0.06 0.42 0.12-1.48 0.42-0.40 0.45 0.88 0.66-0.16 0.36 0.73 0.22-6.22 2.35-2.34 1.14-1.91 2.29 0.31 1.14-0.04 0.69-3.86 1.78 23

Rutt: 1.64 Plöjd åker -0.52 0.45 År: 0.24 Träda 0.50 0.29 Obs: 0.86 Vall 0.42 0.20-0.16 0.16-0.31 0.26-0.09 0.10 0.52 0.26 0.11 0.10 0.33 0.56 0.33 0.13-0.36 0.48 0.23 0.20-9.02 5.46-2.90 2.56-11.53 4.34 0.08 0.83 Nmod: 6 Bete 0.31 0.11 Projicering av förändringar i markanvändningen i rutterna enligt de olika scenarierna Beräkningar ur SASM av jordbruksmarkens fördelning på sju huvudsakliga grödgrupper i Sverige under fyra olika scenarier erhölls från Jordbruksverket. Tre scenarier gällde kontrafaktiskt borttagande av miljöstöden för vall, bete samt kompensationsbidraget och ett fjärde borttagande av samtliga tre. Scenarierna erhölls i form av prognostiserade arealer av de sju grödgrupperna för år 2010 under förutsättningen att respektive stöd inte funnits samt en beräkning av de faktiska arealerna under samma år (basscenariot, även kallat basen nedan). Arealberäkningarna var uppdelade på LFA-områdena (Figur 6) där område 9 var uppdelat i en sydlig (6:s; RT90Y<6388000) och en nordlig del (6:m). De prognosticerade arealerna översattes till en proportionell förändring i förhållande till basscenariot där proportionen beskriver hur arealerna av en viss gröda i ett visst LFA-område ökat eller minskat i förhållande till basen om stödet inte hade införts (se Tabell A2, Figur 9). Prop. förändring scenario i,gröda j,lfaomr k = Areal scenario i,gröda j,lfaomr k Areal Bas,gröda j,lfaomr k De proportionella förändringarna applicerades sedan på markanvändningen i varje rutt (uträknad för 2010) med hänsyn tagen till i vilket LFA-området rutten ligger. Då några grödor i några LFA-områden förväntas genomgå stora proportionella förändringar enligt SASM-scenarierna (upp till 8075 %, se t.ex. träda/energi-/industrigrödor under scenario Alla i LFA-område 3, Tabell A2) innebär denna projicering (nedskalering) av prognoserna till ruttnivå att arealen jordbruksmark i vissa rutter vida överstiger den faktiska ytan av all mark i rutten. Detta beror på att även om arealen av grödan i dessa LFA-områden var liten enligt basscenariot och därför kunde öka med flera tusen procent enligt vissa scenarier, fanns där rutter som redan hade relativt stora mängder av grödan och för vilka markanvändningen ökade orimligt mycket. Det fick i sin tur till följd att den totala ytan av åkergrödorna (dvs. alla grödgrupper förutom bete) i LFA-områdena översteg ytan som fanns före projiceringen. Enligt SASM-scenarierna ska dock åkerarealen vara konstant inom varje LFA-område (det sker en kompensatorisk förändring av åkerarealen; minskningarna av vissa åkergrödor motsvaras av ökningar i de övriga). Vi valde därför att efter projiceringen skala ner all åkerareal i rutterna så att den totala åkerarealen per LFA-område var densamma som i basscenariot. Resultatet av denna skalering innebar således att enskilda rutter fick totala åkermarksarealer som skiljde sig från basscenariot men att dessa diskrepanser tog ut varandra på LFA-områdesnivå. Eftersom förändringen betesmarksarealen i SASM-scenarierna inte begränsats på motsvarande sätt gjorde ingen liknande justering för denna gröda. Detta förväntas dock endast ha en begränsad effekt eftersom scenarierna inte innebar några stora proportionella förändringar i betesmarksarealen. 24

Såtillvida skiljer sig nuvarande teknik sig från det tidigare verktyget i vilket ingen justering av arealerna i förhållande till den totala jordbruksarean gjordes (notera att scenarierna vi arbetade med då inte innebar lika stora förändringar i markanvändning som vi har i nuvarande fall och någon justering därför inte var nödvändig). Tabell A2. Proportionella förändringar i arealer enligt de olika scenarierna uppdelat på gröda och LFA-område beräknat mha SASM. Förändringarna gäller arealen som erhållits om respektive stöd inte införts i förhållande till den faktiska arealen 2010. En proportionell förändring på 0 innebär att grödan försvinner helt från LFA-området. Förkortningar: Bete/Vall=miljöstöden för bete/vall, Komp=Kompensationsbidraget, Hsäd=Höstsäd, Vsäd=Vårsäd, Träd=Träda/Energi-/Industrigröda Scenario Gröda 1 2a 2b 3 4:a 4:b 5:a 5:b 5:c 5:m 6:m 6:s Bete Vall 1.32 1.02 1.02 1.00 1.00 1.03 0.97 0.97 1.01 0.75 1.10 1.11 Hsäd 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.01 1.00 1.54 1.00 1.00 Vsäd 1.14 1.02 1.08 1.08 1.00 1.03 1.00 1.04 0.97 1.36 0.99 0.95 Olje 1.00 1.00 1.00 1.00 1.01 1.01 1.07 1.03 0.99 1.31 1.04 1.00 Träd 0.03 0.95 0.95 1.00 0.99 0.97 1.08 1.06 0.99 1.72 0.86 0.91 Övr 1.01 1.00 1.00 1.01 1.00 1.00 1.00 1.01 1.00 1.00 1.00 1.00 Bete 0.02 0.18 0.24 0.58 0.55 0.75 0.55 0.63 0.59 0.47 0.13 0.36 Vall Vall 0.72 0.48 0.64 0.66 0.77 0.93 0.92 0.97 0.96 0.97 0.81 0.98 Hsäd 1.00 6.74 1.00 1.00 1.00 1.00 1.00 1.05 1.00 1.00 1.00 1.00 Vsäd 1.07 0.59 0.61 0.63 1.00 0.84 1.00 0.97 0.92 0.12 1.00 1.01 Olje 1.00 1.00 1.00 1.00 2.34 0.83 0.97 0.99 0.92 0.38 1.08 1.00 Träd 1.77 2.00 1.68 56.49 1.75 1.07 1.19 1.07 1.06 58.80 1.28 1.01 Övr 1.01 1.00 0.98 0.95 1.04 1.00 1.00 1.00 1.00 1.00 0.99 1.00 Bete 1.11 1.12 1.11 1.00 1.01 1.02 0.98 0.99 0.91 1.01 1.02 1.03 Komp Vall 0.97 0.78 0.82 0.73 0.65 0.87 0.81 0.94 1.02 0.73 1.01 1.16 Hsäd 1.00 1.00 0.00 0.00 1.00 1.00 1.00 1.07 1.00 1.00 1.01 1.00 Vsäd 0.00 0.00 0.00 0.00 1.00 0.78 1.00 0.93 1.02 1.10 0.99 0.93 Olje 1.00 1.00 1.00 1.00 0.87 0.79 0.84 0.93 1.04 1.07 0.99 1.00 Träd 1.43 1.75 1.56 54.17 2.20 1.13 1.47 1.16 0.97 20.66 1.01 0.86 Övr 0.65 0.63 0.55 0.72 1.00 1.00 1.00 1.00 1.00 1.00 0.99 1.00 Bete 1.01 1.06 1.07 1.00 0.97 1.00 0.84 0.94 0.99 1.00 1.00 1.00 Alla Vall 0.41 0.59 0.53 0.55 0.32 0.64 0.55 0.69 0.84 0.73 0.85 1.06 Hsäd 1.00 3.30 1.00 0.00 1.00 1.00 1.00 1.10 1.04 1.00 1.01 1.01 Vsäd 0.00 0.00 0.00 0.00 1.00 0.46 1.00 0.79 0.86 0.39 0.93 0.97 Olje 1.00 1.00 1.00 1.00 1.27 0.66 0.69 0.82 0.86 0.57 1.07 1.01 Träd 3.07 2.05 2.02 81.76 3.30 1.34 2.08 1.85 1.20 64.89 1.35 0.93 Övr 0.65 0.96 0.55 0.72 1.01 1.00 1.00 1.00 1.00 1.00 1.00 1.00 Bete 0.70 0.65 0.69 0.64 0.62 1.02 0.20 0.36 0.37 0.74 0.36 0.56 25

26

27

28

29

30

31

32

Kombinera habitatassociationer med förändringar i markanvändning För varje arts bästa modell simulerades 5000 kombinationer av koefficienter ur en multivariat normalfördelning baserad på koefficienternas medel och varians-kovarianser. Varje simulerad kombination av koefficienter kombinerades (matrismultiplikation) med markanvändningen i rutterna under respektive scenario till en prediktion för antalet fåglar av arten i rutterna. För varje rutt fås således 5000 prediktioner av fågelantalet av de olika arterna och resultatet för landet summeras som ett medel över rutterna. De predikterade fågelantalen för de olika scenarierna översätts till ett index genom att relatera dessa till fågelantalen år 1999 vilket gör det möjligt att relatera resultaten av scenarierna med TRIM index för respektive art. Prediktioner för FBI skapas genom att varje arts index kombineras i ett geometriskt medelvärde. Resultaten för FBI sammanfattas i Figur 7 i huvudtexten och för de enskilda arterna i Figur A2 nedan. Utförligare beskrivning återfinns i Ottvall m. fl. (2010). 33

34

Utvecklad analysmetod Modifieringen av analysmetoden innebär att istället för att göra separata prediktioner för vart och ett av de olika scenarierna och sedan jämför dessa, predikterar man skillnaden mellan scenarierna och basscenariot direkt. Mer specifikt tas för varje simulerad koefficient kombination fram en prediktion för basscenariot och en för det aktuella scenariot (helt enkelt genom att kombinera koefficienterna först med basscenariots markanvändning och sedan med det aktuella scenariots markanvändning) och sedan räknas skillnaden mellan dessa ut. I och med att detta görs för varje simulering för sig paras prediktionerna ihop på rätt sätt och vi får 5000 prediktioner för skillnaden mellan bas och aktuellt scenario. Osäkerheten (variationen bland de predikterade skillnaderna) speglar då endast den direkta osäkerheten i koefficienterna. Nedan följer resultaten för de enskilda arterna separat i figurform (Figur A3) samt en tabell med percentiler för skillnaderna och andel av de 5000 predikterade skillnaderna som indikerar en minskning (Tabell A3). 35

Tabell A3. Predikterade förändringar i index relativt basscenariet under de fyra olika scenarierna. Den sammantagna effekten på FBI samt effekten på var art för sig visas. Fetstil indikerar signifikanta resultat. Index för Scenario Andel av prediktionerna som förutspår minskning (%) Predikterad förändring i förhållande till basscenariot (%) 2.5% median 97.5% FBI Alla 76.4-5.4-1.5 2.6 Bete 100.0-5.0-4.1-3.2 Vall 9.8-1.1 2.1 5.3 Komp 19.1-1.2 0.9 3.0 Buskskvätta Alla 88.5-5.5-2.2 1.4 Bete 99.8-4.4-2.8-1.1 Vall 43.9-2.2 0.2 2.7 Komp 47.1-1.9 0.1 2.0 Gulsparv Alla 98.7-6.5-3.4-0.4 Bete 100.0-4.2-2.7-1.2 Vall 75.0-2.8-0.7 1.4 Komp 87.7-2.7-1.0 0.7 Gulärla Alla 27.1-4.1 2.1 8.8 Bete 3.7-0.3 3.3 7.2 Vall 90.2-6.0-2.5 1.3 Komp 26.1-2.2 1.0 4.3 Hämpling Alla 97.3-20.2-10.3 0.1 Bete 100.0-22.0-15.3-8.0 Vall 12.1-2.9 4.3 11.7 Komp 28.3-2.7 1.1 4.9 Ladusvala Alla 99.5-8.3-4.8-1.0 Bete 84.9-3.4-1.2 1.0 Vall 98.6-4.7-2.5-0.3 Komp 87.3-2.5-0.9 0.7 Ortolansparv Alla 40.7-5.4 0.8 7.1 Bete 90.9-1.3-0.5 0.2 Vall 5.6-1.0 4.8 10.7 Komp 82.2-7.0-2.3 2.6 Pilfink Alla 8.5-2.6 6.0 15.2 Bete 96.4-0.6-0.3 0.0 Vall 8.2-1.8 4.3 10.7 Komp 6.8-1.0 3.1 7.2 Råka Alla 12.0-18.6 34.2 119.4 Bete 27.5-1.1 0.5 2.1 Vall 12.8-16.3 26.0 87.9 Komp 15.1-11.8 14.3 47.3 Stare Alla 99.8-16.0-9.9-3.3 Bete 100.0-16.4-12.6-8.7 Vall 4.1-0.4 3.5 7.4 Komp 10.5-1.1 2.0 5.1 Sånglärka Alla 96.8-17.0-8.4 0.4 Bete 99.3-7.8-4.5-1.0 Vall 90.8-11.5-4.7 2.1 Komp 85.2-8.9-3.1 2.6 Tofsvipa Alla 71.9-12.9-3.2 8.0 Bete 98.4-9.4-5.1-0.5 Vall 17.6-3.7 3.8 12.2 Komp 29.0-4.0 1.8 8.1 36

Törnskata Alla 74.5-7.5-1.8 3.9 Bete 100.0-8.4-5.6-2.7 Vall 3.4-0.2 3.1 6.5 Komp 8.1-0.7 1.6 3.8 Törnsångare Alla 97.6-13.6-7.1-0.1 Bete 100.0-7.1-4.6-2.0 Vall 83.6-8.1-2.8 2.9 Komp 79.2-6.2-1.9 2.6 Ängspiplärka Alla 89.2-13.4-5.4 3.1 Bete 99.8-7.8-4.6-1.4 Vall 88.0-10.0-3.7 2.6 Komp 69.5-7.2-1.5 4.5 37

38

39