Determinering av sol- og utsiktsverdier ved hjelp av geografiske informasjonssystemer og regresjonsanalyse

Transkript

1 Master i Geografi Determinering av sol- og utsiktsverdier ved hjelp av geografiske informasjonssystemer og regresjonsanalyse Skrevet av Mats Thorleif Hallén 1

2 Forord Etter fire år med geografisk teori, så savnet jeg det pragmatiske, det å løse en konkret og samfunnsnyttig problemstilling. Masteroppgaven har gjort at jeg har kunnet sette geografisk teori ut i praksis. Det å kunne ta i bruk statistiske verktøy og GIS for å løse en problemstilling ga meg muligheten til å utfordre meg selv og mine ferdigheter. Det var også viktig for motivasjonen at oppgaven var relativt konkret fra første stund, slik at jeg lett kunne sette meg delmål og strukturere arbeidet. Jeg har lært at det å gjennomføre et større prosjekt er overkommelig med den riktige innstillingen. Men det har selvfølgelig hjulpet å ha en ypperlig veileder og motivator i førsteamanuensis Jan Ketil Rød, som også kom med forslaget til problemstillingen. Uten deg hadde masteroppgaven sett atskillig tyngre ut. Jeg vil heller ikke glemme Stig Jørgensen og Gjermund Wollan som har vært inspirerende forelesere og veiledere i løpet av mine år som geografi student. Til sist og ikke minst så vil jeg takke min kjære samboer, som har vært tålmodig og støttet meg på godt og vondt. Det hadde vært veldig tungt å fullføre dette uten deg. Sender også varme hilsener til min familie som har hatt meg på besøk titt og ofte, dere har hjulpet meg videre. 2

3 Abstract The background for the thesis was a desire to find methods that determine prices of new homes and estimate how much the value of existing houses diminish when neighboring land is developed. The problem was as follows: "Is there a relationship between house prices in Trondheim and factors such as solar radiation, view and proximity to the center? What are the existing methods used by real estate brokers to appraise residential qualities? Can multivariate regression analysis be used to determine house prices? " I solved these problems by using GIS to create an urban 3D model of Trondheim. The 3D model was used as the basis for calculating the sun and view conditions using a solar radiation and viewshed analysis respectively. When the GIS analysis was done, I used SPSS for statistical calculations and regression analysis. Based on the regression results, I conclude that there is a significant correlation between the purchase and view conditions of town houses in Trondheim. The methods I have used make it possible to calculate the solar radiation and viewshed and thus predict the purchase of houses by using a multivariate regression. The method also makes it possible to calculate the compensation for loss of views, due to for instance an increased building density. 3

4 Innholdsliste 1. Innledning Problemstilling Hvorfor er utsikten viktig? Hvorfor er solforhold viktig? Hvorfor er beliggenheten viktig? Stedsbegrep knyttet opp mot oppgaven Sted som lokalisering (location) Stedsfølelsen (sense of place) Sted som møteplass (locale) Bo(lig)kvalitet Sol, lys, utsikt og innkikk Grønne områder Støy og forurensning Hvorfor sol, utsikt, nærhet til sentrum og grønne områder? Boligmarkedet i Trondheim Områdeinndeling for sentrumsnære eneboliger Taksering av bolig Kompensasjon for tapt utsikt Disposisjon Spørreundersøkelse og datainnsamling Kausalitet Validitet Reliabilitet Questback Utvalg av informanter Utforming av Questback for beboere

5 2.3.2 Utforming av Questback for eiendomsmeglere Analyse av Questback for beboere Analyse av Questback for eiendomsmeglere D-modellering av det urbane miljø GIS og Positivismen GIS i planlegging DTM Digital terrengmodell Vektordata Rasterdata Nøyaktighet og presisjon Kartalgebra Analyse av terrengmodellen Analyse av nøyaktighet og presisjon Oppsummering DTM Analyse, resultater og diskusjon Python Script Analyse av punktenes plassering Hva er synlighetsanalyse? Resultatet av synlighetsanalysen Arealbruksanalyse Hva er solinnstrålingsanalyse? Resultat av solinnstrålingsanalysen Oppsummering analyser Statistikk, korrelasjon og regresjon Statistisk signifikans Slektskap og spuriøsitet Korrelasjon Lineær regresjon

6 4.6 Multivariat regresjon Resultater fra korrelasjon og regresjon Konkluderende perspektiver Etiske hensyn kontra samfunnsnytte Et verktøy for megler og planlegger? Referanser Internettkilder Vedlegg Vedlegg 1 Questback til beboere Vedlegg 2 Questback til eiendomsmeglere Vedlegg 3 ADD x,y,z Batch Script Vedlegg 4 Field Manage Batch Script Vedlegg 5 Viewshed Batch Script Vedlegg 6 Zonal Batch Script Vedlegg 7 Manage Zonal Stats Script Vedlegg 8 Sun Radiation Batch Script Vedlegg 9 Join Tables Script Vedlegg 10 Merge Script

7 FIGUR OG TABELLISTE Figur 1 Tre typer bokvalitet (Gehl 1971) Figur 2 Den Prøyssiske bygningsloven fra (Rossi 1982) Figur 3 Viktige kvaliteter ved valg av bolig (Aftenposten 2010) Figur 4 Kvadratmeterpris for eneboliger i Trondheim (NEF) Figur 5 Områdeinndeling basert på grunnkretser for Trondheim (NIBR 2008) Figur 6 Områdeinndelingen for sentrumsnære eneboliger solgt i Foto 1 Reeuwijk, Nederland. "Dette blir deres utsikt!". Foto: Jan Ketil Rød, Bilde 2 Prospekt, Marienfryd til høyre i bildet (Marienfryd 2010) Figur 7 Forskningsprosessen rundt design av spørreundersøkelse Tabell 1. Deskriptiv statistikk for alder Diagram 1 Alderskurve for informanter som har besvart questbacken Tabell 2. Bivariat korrelasjon Tabell 3. Deskriptiv statistikk for sivilstand med barn i boligen Tabell 4. Deskriptiv statistikk for sivilstand uten barn i boligen Tabell 5. Deskriptiv statistikk for alle 19 svarkategorier (Beboere) Tabell 6: Deskriptiv statistikk for alle 19 svarkategorier (Eiendomsmeglerfirma) Figur 8 Diskrete objekter og Figur 9 Kontinuerlig fenomener (ESRI, 2010) Figur 10 Delaunay Triangulering (ESRI) Figur 11 Lineær interpolasjon (ESRI 2010) Figur 12 Areal nøyaktighet(esri 2010) Figur 13 Booleand AND operasjon (ESRI 2010) Figur 14 Høydeverdier til TIN, 2. TIN til Raster, 3. Raster med bygninger og skog Figur 15 Her er stegene for konvertering fra TIN til Dem_bygg visualisert i Modelbuilder Figur 16 Konvertering fra bygninger i polygon til raster med 1 meters oppløsning Figur 17. Sammenligning av høydeverdier i området rundt enebolig nr Figur 18 Synlighetsanalyse fra et branntårn (Grønn pil) (ESRI 2010) Figur 19 Mulige parametere for en synlighetsanalyse (ESRI 2010) Figur 20 Høydeverdien til observasjonspunktet vil være summen av SPOT og OFFSETA (ESRI 2010) Figur 21 Horisontal Azimut (ESRI 2010) Figur 22 Vertikal Asimut (ESRI 2010)

8 Figur 23 Radius fra observasjonspunkt (ESRI 2010) Figur 24 Synlighetsanalysen for enebolig nr. 123 (Mats 2011) Figur 25 Arealbrukskart for deler av Trondheim med fire arealbruksklasser Figur 26 Multiplikasjon av to rasterlag (ESRI 2010) Figur 27 Point Solar Radiation (ESRI 2010) Figur 28 Hemisfæren (ESRI 2010) Figur 29 Solkart i perioden 21. Desember til 21. Juni (ESRI 2010) Figur 30 Den synlige hemisfæren på forsiden av enebolig nr Figur 31 Solkartet på forsiden av enebolig nr. 123 for tre spesielle dager Figur 32 Hemisfæren og solkartet kombinert for punktet på forsiden av enebolig Figur 33 Lineær korrelasjon i et punktdiagram, et negativt slektskap Figur 34 "Line of best fit" Tabell 7. Bivariat Korrelasjon Figur 35 Variablene total utsikt og kjøpesum i et punktdiagram med en line of best fit Tabell 8. Bivariat Korrelasjon Tabell 9. Bivariat Korrelasjon Tabell 10. Partiell Korrelasjon Tabell 11. Bivariat Korrelasjon Tabell 12. Variabler inkludert/fjernet Tabell 13. Ekskluderte Variabler Tabell 14. Oppsummering modell Tabell 15. ANOVA Tabell 16. Koeffisienter

9 1. Innledning Selgere bruker ofte sol, utsikt og sentrumsnærhet som lokkemiddel i salgsprospekter og boligannonser. I annonsen kan det stå: Sentral beliggenhet med utsikt mot havet, Idyllisk beliggenhet med flott utsikt og solrik terrasse og Gode sol- og utsiktsforhold. Disse eksemplene tydeliggjør at boliger med sol, utsikt og sentral beliggenhet er kvaliteter som lokker kjøperne. Sentrumsnære boliger med gode sol- og utsiktsforhold er ettertraktede og dermed skulle en forvente at eiendomsmeglere i Trondheim benytter noen metoder for å taksere slike kvaliteter. Om dette ikke er tilfelle ønsker jeg med denne oppgaven å utvikle en metodikk for slik taksering i tillegg til, om mulig kunne determinere boligpriser. 1.1 Problemstilling Er det en sammenheng mellom boligpriser i Trondheim og faktorer som solforhold, utsiktsforhold og sentrumsnærhet? Hvilke eksisterende metoder benyttes av eiendomsmeglere for å taksere boligkvaliteter og kan multivariat regresjonsanalyse brukes for å determinere boligpriser? Det kan kanskje være av interesse for utbyggere, eiendomsmeglere, byplanleggere og landskapsarkitekter i Trondheim å se om det finnes et slektskap mellom boligpriser og andre faktorer som sol-, utsiktsforhold og sentrumsnærhet. Ved bruk av synlighetsanalyse og regresjonsanalyse i Singapore så har man kunnet konstatere at kjøpere er villig til å betale en 15 % Premium for leiligheter med havutsikt kontra de uten (Yu et al. 2006). Nå er det selvfølgelig ingen garanti for at dette fenomenet er overførbart til norske forhold, men jeg ønsker å undersøke om noe liknende er gjeldende for boliger i Trondheim. At nye bygninger vil kunne ødelegge utsiktsforholdene til eksisterende boliger er en kjent problemstilling for byplanleggere og boligeiere. I de tilfellene hvor man mister en del av utsikten sin, hvordan kan man da beregne hvilke verdier som går tapt? Vil man ha rett på en form for kompensasjon? I dag er det slik at en beboer som taper sol- og utsiktsforhold må rette erstatningskrav ovenfor kommunen som har ansvaret for reguleringsplaner. Jeg ønsker å løse disse problemstillingene ved å bruke GIS for å lage en terrengmodell av Trondheim. Terrengmodellen kan jeg bruke som grunnlag for å beregne sol- og utsiktsforhold ved hjelp av en solinnstrålings- og synlighetsanalyse. Sol, utsikt og 9

10 sentrumsnærhet er boligkvaliteter som jeg vil komme nærmere inn på under teori og metodedelen. Når GIS analysene er unnagjort, vil jeg ved hjelp av SPSS gjøre statistiske beregninger og regresjonsanalyser for å bekrefte eller avkrefte et eventuelt slektskap mellom kjøpesum og sol-, utsiktsforhold og sentrumsnærhet for en bolig. Hvis det eksisterer et statistisk slektskap, så kan det være ønskelig for private boligeiere og eiendomsmarkedet å bruke disse metodene som et verktøy for å fastsette pris på nye boliger samt estimere hvor mye eksisterende boliger blir forringet ved utbygging av nabotomter. 1.2 Hvorfor er utsikten viktig? Når vi skuer utover et bestemt landskap så vil vi ikke nødvendigvis, se, oppfatte eller fokusere på de samme elementene. De fleste av oss har vel lent seg mot et terrasserekkverk, bare for å nyte utsikten for en kortfattet stund. Eller hva med å bruke timer på å klatre opp fjell og berg, med et mål om å stå på toppen og nyte utsikten før en tar veien tilbake. Det er mange måter å se et landskap på og det er våre verdier og nevrofysiologiske stadier som bestemmer den individuelle opplevelsen av landskapet (Meinig 1979). Flere vil hevde at god utsikt er en form for rekreasjon i en stresset hverdag. Spesielt i urbaniserte landskap, så vil utsikt være et ettertraktet gode, derfor blir vi stadig mer opptatt av miljø og et estetisk landskap (Mosseberg & Johansen 2007). Vi vil gjerne ha det vakkert rundt oss og verdsetter ikke forringelse av landskapet. Mennesker som alle andre vesener har sanser som blir over og understimulert og vi legger stadig mer vekt på immaterielle verdier som kan tilfredsstille de nevrofysiologiske følelsene våre. Urbane mennesker har sanser som ofte er understimulert på naturopplevelser og det ekstraordinære. I følge Mosseberg & Johansen vil derfor en lokalisering av bolig med god utsikt til sjø og/eller grønne områder bli stadig viktigere for vårt valg av bosted. Derfor er det rimelig å tro at folk vil betale mer for slike boligkvaliteter, og at tapte sol- og utsiktsforhold som resultat av fortetting må kompenseres. 10

11 1.3 Hvorfor er solforhold viktig? Det burde ikke være vanskelig å argumentere for at gode solforhold er ettertraktet på boligmarkedet. I byene var blant annet utviklingen av det nye storgårdskvartalet en reaksjon på dårlige sol og lysforhold. Siden den gang har det også kommet en del normer og anbefalinger for ideell beliggenhet og utforming av boliger/leiligheter. Bebyggelse og fellesareal bør bygges på områder med mye sol. Blant annet bør ikke leiligheter vende ensidig mot nord/nordøst. Nordvendte og skyggefulle steder bør unngås i følge Husbanken (Schmidt & Thorén 2001). 1.4 Hvorfor er beliggenheten viktig? Avstand er et komplisert begrep innenfor geografifaget og det er mer omfattende enn bare kilometer og mil. Fysisk avstand har alltid vært en del av menneskets hverdag og ønsket om å minimere avstand og reisetid har vært med på å forme vår tankegang. Vår atferd angående lokalisering baserer seg ut ifra den tankegang på at vi vil minimere den innsats som er nødvendig for å overkomme avstander (Zipf 1949). Det er interessant for meg å bruke sentrumsnære eneboliger som en variabel i en eventuell multivariat regresjon. Om det ikke skulle la seg gjøre å bruke avstanden som en metrisk variabel, så vil jeg lage et fiktivt studieområde for sentrumsnære bydeler hvor alle boliger innenfor området defineres som sentrumsnære. 1.5 Stedsbegrep knyttet opp mot oppgaven Nedenfor vil jeg ta for meg noen av stedsbegrepene som skal bidra til å forankre geografiske begreper og teori opp mot min oppgave. Dette velger jeg å gjøre for at leseren skal ha størst mulig tillit til at jeg som geograf tar hensyn til geografifagets teori når jeg skriver min masteroppgave Sted som lokalisering (location) Sted som lokalisering blir oftest brukt i forbindelse med økonomisk geografi og er betegnet som et objektivt sted, et punkt på et kart hvor infrastruktur og de fysiske omgivelser blir betraktet utenfra (Massey 1997). I GIS vil jeg operere med et utvalg av eneboliger som er lokalisert innenfor et sentrumsnært studieområde. Eneboligene vil bestå av sol, og utsiktspunkt som sammen med en terrengmodell vil danne grunnlag for å analysere synligheten og solinnstrålingen for hvert sted. 11

12 1.5.2 Stedsfølelsen (sense of place) Stedsfølelsen betraktes som opplevelsen vi får av et sted. Alle steder vil gi oss en mer eller mindre unik stedsfølelse også kjent som sense of place. Stedsfølelsen er en subjektiv følelse mennesker har av et sted. Denne stedsfølelsen kan være både negativ og positiv. Dette må man forstå for å skjønne hvorfor kulturer er forskjellige og hvordan sosiale, kulturelle og politiske faktorer påvirker steder og menneskers oppfatning av steder. Mennesker former steder, omgivelsene former mennesker (Massey 1997). Mange velger å bosette seg på steder som tilfredsstiller våre materielle og immaterielle verdier. Minner, landskapet, naturen og luktene er viktige faktorer for vårt valg av bosted. I dagens poststrukturalistiske samfunn blir kvaliteter slik som sol, utsikt og sentrumsnærhet desto viktigere. Vi ønsker å bo sentralt, samtidig som vi vil nyte landskapet. Dette fører til konkurranse om boliger med slike kvaliteter Sted som møteplass (locale) Steder kan oppfattes som noder for sosial interaksjon. Noder er arenaer hvor vi sosialiserer og skaper strukturer eller følger eksisterende strukturer(massey 1997). Disse stedene kan være kulturelle møteplasser av ulik art, slik som Nidarosdomen, Kristiansten festning, Munkholmen, Estenstadmarka eller Sverresborg. Nærhet til slike noder vil jeg kunne ta hensyn til i min oppgave og også evaluere om disse er synlige eller ikke fra boligene som studeres. Antagelsen er at om en bolig har utsikt til slike noder, så vil dette ha en positiv innvirkning på boligprisen i forhold til tilsvarende bolig uten utsikt til slike steder. 1.6 Bo(lig)kvalitet For å forstå betydningen av sol- og utsiktsforhold i urbane områder, så må vi begynne med å se det i et historisk perspektiv. Tidligere bestod sentrumsnære bydeler i Oslo av trange 12

13 bygårdskvartaler, med små gårdsrom og dårlige solforhold. Kritikken mot disse trange bygårdene i sentral og Nord-Europa fra begynnelsen av 1900-tallet førte til utviklingen av det nye storgårdskvartalet. Det nye storgårdskvartalet ble sett på som en mer harmonisk bygård, der et større gårdsrom skulle fungere som et sosialt rom, og et rom med bedret solinnstråling og luftkvalitet (figur 2, side 13). Det er et velkjent fenomen at vi i Norge har begrenset solinnstråling i vinterhalvåret og trange gårdsrom begrenser solinnstrålingen ytterligere. Siden sollys er en viktig kilde til D-vitamin kan mangel på sollys føre til helseplager som for eksempel beinskjørhet og tuberkulose (Helsedirektoratet 2007). Storgårdskvartalet utviklet seg ut fra en argumentasjon om at sol og lys ville forbedre bo- og livskvaliteten i byene. Norsk institutt for by og regionforskning (NIBR) driver forskning og utredningsarbeid på tema som offentlig forvaltning, styring og demokrati, planlegging, velferd og levekår, regional analyse, inklusive studier av befolkning og næringsliv. NIBR har produsert en hel del rapporter som underbygger mange av mine antagelser om at sol, utsikt og sentrumsnærhet er viktige boligkvaliteter for beboere i Trondheim. Figur 1 Tre typer bokvalitet (Gehl 1971) NIBR bruker terminologien bokvalitet som er i tråd med forskeren Ingrid Gehl sin terminologi. I oppgaven bruker jeg selv begrepet boligkvalitet, men bokvalitet og boligkvalitet må sees på som to begrep med samme mening. 13

14 I en forskningsrapport fra NIBR, så har man studert tre sentrumsnære storgårdskvartaler i Norge: Birkebeinerkvartalet i Bergen, Borggata og Grønland Torg i Oslo. Det ble gjennomført strukturerte intervjuer av beboerne og analyse av svarene viser at informantene vektlegger tre former for bokvalitet: - En enklere hverdag - Grønne utearealer, lys og luft - Trygghet, familie og det gode selskap (Schmidt & Thorén 2001) De to førstnevnte punktene er viktige for min oppgave: En enklere hverdag kan jeg knytte opp mot sentrumsnærhet. Kort reiseavstand til Trondheim sentrum med sine kulturopplevelser og sosiale noder er viktige kvaliteter for valg av bosted. Grønne utearealer, lys og luft kan knyttes opp i mot sol-, utsiktsforhold og grønne områder. Det siste punktet, Trygghet, familie og det gode selskap vil jeg ikke ta hensyn til i oppgaven Sol, lys, utsikt og innkikk Det ble i Berlin på slutten av 1800-tallet, strengere krav til lys og luft i boligbebyggelsen. Dette var krav som skulle lede fram til storgårdskvartalet (figur 2). I Norge har plan og bygningsloven (Pbl) ingen krav til solforhold i boliger. Plan og bygningsloven inneholder derimot normer og anbefalinger når det kommer til storgårdskvartaler. Et viktig punkt er at etasjetall kan varieres for å skape best mulig sol-, og lysforhold. Etasjetall bør også vurderes i relasjon til gatebredde, solforhold i gata og i boliger med sør eller vestvendt fasade mot gata (Pbl. 69). For storgårdskvartalene i Oslo kommune gjelder normen om at det skal være sol på 2/3 av utearealet klokken 1500 den 1. Mai. Til sammenlikning er kravene i Sverige 5 timer ved vår og høstjevndøgn. Vår og høstjevndøgn er henholdsvis den 21. Mars og 21. September. Illustrasjon viser endringer i bygårdsbebyggelsen i Berlin fra midten av 1800-tallet og frem til begynnelsen av 1900-tallet. Strengere krav til lys og luft i bebyggelsen ledet frem til storgårdskvartalet. 14

15 Figur 2 Den Prøyssiske bygningsloven fra tillot høy utnyttelse med trange luftesjakter. 2. Ny lov av 1887 resulterer i små gårdsrom. 3. Bygningsloven av 1925 leder til storgårdskvartalet. Lovverket er avgjørende for hva som bygges (Rossi 1982). Norsk institutt for by og regionforskning hevder at plan og bygningsloven pbl. 69 bør få en tilføyelse om hva som er tilstrekkelig sol på den ubebygde delen av tomta (Schmidt & Thorén 2001). Studien fra 2001 hevder også at boliger ensidig rettet mot nord-, og nordøst bør unngås i Norge. Husbanken er et statlig organ som støtter boligbygging som følger deres retningslinjer, slik som for eksempel universell utforming, miljøvennlighet og en god 15

16 beliggenhet. Av hensyn til sol- og lysforhold har Husbanken et krav om at boliger ikke må vende ensidig mot nordøst eller nordøst (Schmidt & Thorén 2001). Åpninger mot sør og avstand mellom bygninger er som nevnt viktige elementer for å få gode solforhold. I eldre bebyggelse fulgte man ikke gjeldende normer like bevisst, så når man i dag ønsker å bygge i høyden i de norske storbyene, så vil det kunne føre til betydelig dårligere solforhold for omkringliggende boliger. Trondheim er et typisk eksempel hvor man i stor grad har tatt hensyn til den historiske lavhusbebyggelsen. Sverre Pedersens byplan fra 1938 har lagt føringer for bykjernen i Trondheim siden 50-tallet. Mesteparten av trehusbebyggelsen i Midtbyen ble erstattet med moderne bygg, men byggehøyden ble holdt nede slik at Nidarosdomens dominans ble beholdt. Andre argumenter for å holde byggehøyden nede var faren for fortetning og dårligere solforhold. I 1976 ble det enighet om en ny vernestrategi. Den såkalte midtbyplanen hadde en høydebegrensning på fire etasjer. På 80 og 90-tallet ble det i tillegg utformet verneplaner for Møllenberg, Elgeseter og Ila. Det er særlig fire faktorer som la premissene for disse verneplanene. For det første et ønske om å unngå bybranner i trehusbebyggelsen. For det andre et en ønske om at Nidarosdomen fortsatt skulle rage høyest. For det tredje et ønske om å bevare historiske bygninger. Et fjerde og viktig poeng er at bebyggelsen i Midtbyen, Møllenberg, Ila og Elgeseter er svært tett. Høyhus og store boligkompleks på over fire etasjer i disse områdene vil sørge for en betydelig degradering i sol og utsiktsforhold. 16

17 Bilde 1 Fotografi fra Smalgangen (Tøyen, Oslo) Bildet er tatt ved vårjevndøgn kl og viser at både Smalgangen og leilighetene ligger i skyggen. Gata har et trangere tverrsnitt (ca. 1:0,75) enn det som har vært vanlig for eksempel på Grünerløkka (tverrsnitt 1:1). Resultatet er at selv om leilighetene har balkong mot sør så avhenger gode solforhold også av hvor tett motstående bebyggelse ligger(nibr 2001). Fotografiet i Bilde 1 gir et godt inntrykk av hvordan en ikke ønsker å ha det i gatebildet. Reguleringsplanene i Trondheim kan sies å ha tatt hensyn til dette. Vi skal heller ikke glemme at vi i Norge opererer med små marginer, da helningen på jorden allerede gir redusert solinnstråling i vinterhalvåret. Det skal ikke mye utbygging til for at boliger får en betydelig degradering i sol og lysforhold. Kort oppsummert så vil tettere boligområder påvirke boligkvaliteter knyttet til sol og utsiktsforhold. Dette fremgår av en tidligere studie kalt arealnormprosjektet (Thorén et al. 2000) der særlig naboene til de nye utbyggingsområdene var redde for å miste sol, imens de nye beboerne følte at de måtte velge mellom sol og det å skjerme seg mot innsyn. 17

18 1.6.2 Grønne områder Høy tetthet i boligområdene på 1800 tallet kombinert med fattigdom, bidro til trange og solfattige områder der kolera og tuberkulose herjet. I en Stortingsmelding vektlegges fysisk aktivitet som forebygging av sykdommer (St.meld.nr ), men for å kunne utøve fysisk aktivitet så er det nødvendig med store utearealer i form av grønne områder og idrettsanlegg (NIBR 2007). Slike områder tar stor plass i bebyggelsen og det trengs en helhetlig og strukturert byplanlegging for å dekke både behovet for nye boliger og behovet for grønne områder. Nærhet til grønne områder skal også være bra for den mentale tilstanden, fordi et estetisk landskap er forbundet med rekreasjon (Mosseberg & Johansen 2007; Mehmetoglu 2007). Nærhet til naturen, vann og grønne områder er elementer som fremheves som viktige i mange undersøkelser. Svenske undersøkelser har vist at dersom man må gå mer enn 500 meter for å nå en park eller et friområde så reduseres utnyttelsen med 56 % (NIBR 2001). Jeg vil derfor gruppere arealressurstypene i fire klasser; bebygd, samferdsel, vann og grønne områder og undersøke hvor synlige disse elementene er fra mitt utvalg av eneboliger. Jeg ønsker å undersøke om det finnes en korrelasjon mellom arealressursene en ser og kjøpesummen på bolig. Det er logisk å anta at utsikt til vann, bebygd og grønne områder virker positivt og samferdsel negativt på boligens kjøpesum. Det å ha utsikt over bebyggelsen i Trondheim tror jeg vil være positivt. Det negative måtte i så fall vært industriområder, men det er lite av dette i de sentrumsnære områdene. Trondheim må sies å være en vakker by og desto større utsikt, desto høyere boligverdi Støy og forurensning Lite støy og forurensning vil være viktige kriterier ved valg av bolig. Samferdsel assosieres med støy og forurensning og vil neppe korrelere positivt med kjøpesum. I Trondheim er det særskilt dårlig luftkvalitet langs Innherredsveien og Elgesetergata. Dette berører for det meste beboere i bygårder. I midtbyen er det for eksempel ikke mulig å skjerme for trafikken uten å ødelegge gatebildet eller hindre trafikken. Det er få sentrumsnære eneboliger langs disse veiene og derfor vil jeg istedenfor ta hensyn til hvor mye en ser av arealressursen samferdselstype og se om dette har en innvirkning på kjøpesum i matrikkelen. Støy og forurensning er utelatt fra analysen, fordi eneboliger i støyutsatte områder ofte er skjermet av støyskjermer. 18

19 1.6.4 Hvorfor sol, utsikt, nærhet til sentrum og grønne områder? Vi kan ut ifra de ovenstående avsnittene anta at sol-, utsikt og sentrumsnærhet og natur er viktige elementer ved kjøp av bolig. Jeg har enda til gode å finne analyse-, og beregningsverktøy som brukes av eiendomsmeglere og ønsker derfor selv å komme opp med et nyttig verktøy for meglere og privatpersoner. Ved hjelp av GIS baserte analyser av en terrengmodell kan jeg måle sol og utsiktsforhold for boliger. Dette kan siden analyseres i en statistisk programvare og jeg kan få svar på størrelsen på slektskapet som sol og utsiktsforhold har til kjøpesummen i matrikkelen. Hvis sol og utsikt markedsføres i boligannonser, hvordan takserer da eiendomsmeglerne denne verdien? Hvis mine metoder og analyser viser seg å være gyldige, så skal det være mulig å beregne sol og utsiktsverdi for en enebolig og/eller kreve kompensasjon for tapt utsikt. Figur 3 Viktige kvaliteter ved valg av bolig (Aftenposten 2010) I figur 3 ser vi tydelig at utsikt, sentral beliggenhet, nærhet til sjøen og turterreng er særdeles viktige boligkvaliteter. Dessuten foretrekker flertallet å bo i enebolig. 19

20 1.7 Boligmarkedet i Trondheim Trondheim er Norges tredje mest folkerike by med registrerte innbyggere per 1. januar 2011 (SSB 2011). Det er en by i stadig vekst og byen er avhengig av å ha en vital tomtepolitikk som ledigstiller områder for boligbygging. Kommunen har en egen byutviklingsavdeling som har ansvaret for å følge opp reguleringsplaner og tomtepolitikk ovenfor entreprenører og utbyggere. Utbyggere av nye boligområder må ta hensyn til reguleringsplaner slik at en i minst mulig grad forringer landskapet for eksisterende bebyggelse. Tomtepolitikken nedfelt i kommuneplanen legger opp til en fortetting av allerede utbygde områder, og i nye områder legges det opp til en tetthet på 3-5 boligenheter per dekar. Kravet til tetthet tilsvarer en utbygging med minimum rekkehus eller lave treetasjers blokker, altså ikke eneboliger. Trondheim kommune legger vanligvis ikke ut tomter for eneboligutbygging (Trondheim kommune 2010). Restriksjoner på bygging av sentrumsnære eneboliger fører til enda større rift om de eksisterende sentrumsnære eneboligene og dette er en forklaring på dagens relativt homogene kvadratmeterprisen for eneboliger i de sentrumsnære områdene av Trondheim (Figur 4). Trondheim kommune har ikke et tydelig klasseskille mellom øst og vest. I Oslo gjenspeiles klasseskillet i en høyere kvadratmeterpris desto lenger vest en bosetter seg (med noen få unntak, slik som langs fjorden og på øyene i øst). Årsaken til at det er slik i Oslo og ikke i Trondheim er sammensatt og vil være en problemstilling i seg selv. Dog skal det sies at de sentrumsnære boligene i Trondheim alle er fjordnære. I Trondheim er kvadratmeterprisen for de sentrumsnære områdene veldig lik. Det vil selvfølgelig være mindre lokale variasjoner, men de store skillene vil en for det meste se på eneboliger med en beliggenhet eksempelvis på Tiller (sør) kontra Lade (øst). Sentrumsnærhet, fjorden og sentrale fasiliteter/ kulturopplevelser vil ha innvirkning på kjøpesum. 20

21 26,000 24,000 22,000 20,000 18,000 16,000 T1 Sentrum og Byåsen T2 Strindheim og Nardo T3 Saupstad og Heimdal 14,000 12,000 10, Figur 4 Kvadratmeterpris for eneboliger i Trondheim etter områdeinndeling fra Norges eiendomsmeglerforbund (NEF) Norges eiendomsmeglerforbund deler Trondheim inn i tre hovedområder når de beregner den gjennomsnittlige kvadratmeterprisen for eneboliger. Vi kan se av diagrammet i figur 4 at kurvene for kvadratmeterpris for eneboliger i henholdsvis Sentrum/Byåsen og Strindheim/Nardo er meget like. I 2007 er det kun en marginal differanse på 100 kroner per kvadratmeter som skiller disse to områdene. Saupstad og Heimdal ligger mer i periferien av Trondheim og har logisk nok en lavere kvadratmeterpris. 21

22 Figur 5 Områdeinndeling basert på grunnkretser for Trondheim (Barlindhaug & Ruud 2008) Norsk institutt for by og regionforskning deler Trondheim inn i 7 deler (Figur 5) der Sentrum, Øst, Vest og Midt må sies å være sentrumsnære områder. Jeg vil utelate Bygdene og Sør. Dessuten vil jeg utelate østre deler av Øst, altså området mot Ranheim, vestlige deler av Vest, altså Bymarka og østre deler av Midt mot Jonsvatnet. Disse områdene må sies å være i periferien av Trondheim by og dermed ikke særlig sentrumsnære Områdeinndeling for sentrumsnære eneboliger Jeg ønsker å bruke en mellomting mellom områdeinndelingen til Norges eiendomsmeglerforbund og norsk institutt for by og regionforskning som grunnlag for mitt 22

23 valg av studieområde. Inndelingen gjør at jeg vil sitte igjen med et studieområde som består av eneboliger med noenlunde likt utgangspunkt når det kommer til sentrumsnærhet og kvadratmeterpris. Dette gjør det enklere å sammenligne sol og utsiktsforhold opp mot kjøpesum i matrikkelen. En slik avgrensning gjør også en regresjonsanalyse enklere, fordi variabelen nærhet til sentrum nå er absolutt. Det er store forskjeller i kvadratmeterprisen for eneboliger på Ranheim og Heimdal kontra de sentrumsnære områdene, avstanden til sentrum korrelerer helt tydelig med kvadratmeterpris. Sentrumsnærhet er heller ikke lett å kvantifisere, så det at jeg baserer sentrumsnære boliger ut i fra områdeinndelingen til NEF og NIBR må antas å være den mest logisk rasjonelle, da den er basert mange års erfaring med statistikk og salg av boliger i Trondheim. Figur 6 Områdeinndelingen for sentrumsnære eneboliger solgt i En tidligere studie fra Singapore fant ut at det var et signifikant slektskap mellom utsikt til havet og leilighetspriser. Utvalget bestod av leiligheter i boligblokker som lå tett opptil kystlinjen. Nærheten til sentrum var omtrent lik for alle leilighetene. Leilighetene var bygget 23

24 på samme tid og det var kun bruksareal og etasje som skilte de fra hverandre. Dette gjorde synlighets og regresjonsanalysen oversiktlig (Yu et al ). Planen i starten av masteroppgaven var å analysere sol og utsiktsforhold for leiligheter i boligkomplekser. Tanken var at det var enklere å sammenligne leiligheter opp mot sol og utsiktsforhold. Hvis for eksempel to leiligheter ligger i samme blokk, har de ofte like boligkvaliteter og kjøpesummen vil i teorien gjenspeile forskjeller i sol og utsiktsverdier. Dette er selvfølgelig ikke en gyldig slutning for mindre utvalg, da det er mange faktorer som spiller inn, men med store utvalg så vil andre faktorer hviskes ut og en korrelasjon mellom utsikt og kjøpesum kan vise seg å være et gyldig slektskap. Om vi for eksempel vet antall soltimer og hvor mye utsikt en har så kan vi ved hjelp av regresjon beregne prisøkningen i kroner for hver økning i antall soltimer og kvadratmeter utsikt. Planen om å analysere leiligheter i boligkomplekser ble forkastet fordi matrikkelen ikke inneholdt god nok informasjon om disse. Neste plan var å sammenligne rekkehus og tomannsboliger, men dette viste seg også vanskelig på grunn av flere åpenbare feilregistreringer av bruksareal, etasjer og utleieobjekter i matrikkelen. Jeg endte tilslutt opp med et utvalg av alle sentrumsnære eneboliger solgt i Det kan argumenteres mot det å lage kunstige og absolutte grenser for et utvalg, men et sted må grensen gå. Derfor synes jeg det beste var å basere studieområdet på NEF og NIBR sine områdeinndelinger. Andre problemstillinger knyttet til utvalget vil være forbundet med tidsbegrensninger. Analysene er tidkrevende og det er hovedgrunnen til at jeg kun valgte eneboliger solgt i 2007, som var de sist registrerte i matrikkelen jeg hadde tilgang til. Jeg hadde hverken tid eller kapasitet til å analysere mer enn 270 eneboliger Taksering av bolig Verditaksten fastsettes av takstmannen. En verditakst skal basere seg på eksisterende salg i nærområdet, beliggenhet i forhold til populære landskapselementer, alder på boligen, tomteareal, bruksareal, bygningsmessige kvaliteter, reguleringsplaner i området og erfaring. Det er som regel en mer kompleks sak å taksere eneboliger en å taksere leiligheter. Derfor er 24

25 erfaring, kombinert med en studie av eksisterende salg i nærområdet og tilsvarende boliger den viktigste fremgangsmåten for å sette en mest mulig korrekt verditakst (Aktiv Eiendomsmegling 2011). Matrikkelen jeg har til rådighet inneholder informasjon om bruksareal, tomteareal, kjøpesum, salgsår, etasjer, byggeår med mer. Denne informasjonen er lett å holde rede på og kvalitetssjekke. I mange tilfeller er kjøpesum det eneste som skiller to tilsynelatende like boliger. Når det oppstår mange tilfeller der eneboliger med tilsynelatende like stort bruksareal og tomteareal ikke har en kjøpesum som korrelerer, så må en se nærmere på årsakene til dette. Årsaken kan selvfølgelig være enkel nok som at en bolig er i dårlig stand, men når dette ikke lenger er tilfellet så er det nødvendig å se nærmere på de tre B-ene; beliggenhet, beliggenhet, beliggenhet (Aktiv eiendomsmegling 2011). En sentrumsnær beliggenhet i Trondheim er en enebolig lokalisert innenfor mitt sentrumsnære studieområde (figur 6). Beliggenheten det her snakkes om vil være å bo sentralt med kort avstand til alt av nødvendige fasiliteter, dessuten er det i nærheten av grønne og trygge omgivelser med sol og utsikt. Å bo i en enebolig i en dump uten sol og utsikt vil ikke være særlig attraktivt for boligkjøpere. 25

26 Foto 1 Reeuwijk, Nederland. I nærheten er det en enebolig med tomt til salgs. På annonseskiltet står det "Dit wordt uw uitzicht!", "Dette blir deres utsikt!". Foto: Jan Ketil Rød, Eiendomsmeglere, utbyggere og privatpersoner reklamerer til stadighet for sol og utsikt gjennom avis- og nettannonser. Hvis boligen har gode sol og/eller utsiktsforhold så brukes dette som lokkemiddel, hvis ikke så reklameres det for sentrumsnærhet eller trygge omgivelser som en god nummer to. Selgerne vet at boligkjøperne er opptatt av disse kvalitetene og dermed villig til å betale mer. Hvis sol og utsikt er så viktig for kjøper, er det ikke da logisk å ha med antall soltimer/minutter for noen gitte datoer registrert i matrikkelen? Eller hva om en ønsker informasjon størrelsen på utsikten mot sjø og fjord, kunne ikke dette vært registrert i matrikkelen? Eller hva med informasjon om hvor stort areal og hvilke arealer en ser fra boligen? Dette er spørsmål som jeg har stilt meg selv i forkant og i løpet av masteroppgaven. Kanskje vil jeg også kunne finne et godt verktøy for en slik registrering. 26

27 Med utgangspunkt i sentrumsnære eneboliger så vil det å beregne antall minutter solinnstråling og størrelsen på utsikten, gjøre en verditakst mer forutsigbar. Det vil gjøre det enklere for takstmannen når en kan måle alle boligkvaliteter som påvirker boligprisen. Det ville også sørget for at en unngikk store sprik i taksering av tilsynelatende like eneboliger, men med store forskjeller i sol og utsiktsforhold. Et eksempel på prissetting av sol og utsikt er fra Marienfryd prosjektet på Ensjø i Oslo (Marienfryd 2010). Marienfryd er et boligprosjekt sentralt i Oslo, boligblokkområdet består av grønne lunger, med et ønske om maksimering av sol- og utsiktsforhold. Vi ser av prislistene at en leilighet i tredje etasje med bruttoareal på 101 km 2 har en salgspris på ,- mot en identisk leilighet i trettende etasje til ,-. Leilighetene er altså like store, men har en prisforskjell på kroner. Økningen for hver etasje er cirka kroner. Det eneste som skiller disse leilighetene er sol og utsiktsforhold. Bilde 2 Prospekt, Marienfryd til høyre i bildet (Marienfryd 2010). 27

28 1.7.3 Kompensasjon for tapt utsikt Kjøp av eiendom er en stor privatøkonomisk investering. I et samfunn der mange betaler godt for å sikre seg attraktiv beliggenhet, så kan tap av sol og utsikt, støy og forurensning medføre dårligere livskvalitet og en betydelig verdireduksjon på boligen (MAGMA 2009). Ved kjøp av eiendom, så vil kjøper ha et betydelig vern ovenfor selger(opplysningsplikten). Spesielt gjelder dette ved fysiske mangler på bygget. Spørsmålet er hvilket vern kjøperen har mot endringer i den delen av eiendommens verdi som kan knyttes til beliggenheten. Faktorer som vil kunne påvirke verdien knyttet til beliggenheten vil være: byggeprosjekter og reguleringsprosesser som kan påvirke de fremtidige sol- og utsiktsforholdene. Ved omsetning av bolig har kjøper undersøkelsesplikt og selger opplysningsplikt. Dette betyr at selgeren skal opplyse om støy i nabolaget som en må forvente at kjøper vil måtte stri med. Dessuten krever opplysningsplikten at selgeren skal varsle om bygging på naboeiendommer som det er rimelig å tro vil påvirke kjøperen. I juristenes verden så går opplysningsplikten foran undersøkelsesplikten. Derfor vil det være rimelig å kreve kompensasjon eller prisavslag i tilfeller der selger burde ha informert kjøper om endringer som kunne tilsi en degradering av beliggenhetens verdi. Eksempel 1: I en sak fra Borgarting lagmannsrett ble kjøperen tilkjent prisavslag fordi selgeren ikke hadde gitt tilstrekkelig informasjon om et offentlig godkjent byggeprosjekt som ville frata leiligheten store deler av den panoramautsikt den var markedsført med å ha. Kjøperen var underrettet om utbyggingen, men villedet om hvilket utsiktstap dette ville medføre. Selgeren hadde detaljerte opplysninger om byggeprosjektet, og dette var informasjon kjøperen kunne regne med å få. Flertallet mente også, særlig grunnet den begeistring kjøperen hadde vist for utsikten, at den utilstrekkelige informasjonen hadde påvirket avtalen (MAGMA 2009). Saker om utsiktstap er en gjenganger i nabotvister. Plan og bygningsloven regler om høyde og plassering av nybygg kan gi et visst vern, det samme kan reguleringsplaner. En annen lov som det også refereres til er naboloven også kjent som granneloven. Naboloven 2 sier blant annet at ingen må gjøre noe som er til skade eller ulempe for naboeiendommen. 28

29 Eksempel 2: Nærings- og handelsdepartementet ga i fjor klarsignal til at HMR kunne få ekspropriera 1000 kvadratmeter frå Åsa Prestnes. Sunnhordland Tingrett har no bestemt at HMR må betala 170 kroner per kvadratmeter for det rundt 1000 kvadratmeter store området som bedrifta har fått ekspropriert. I tillegg må bedrifta betala kroner i erstatning for tap av sjøutsikt frå naboeigedomen sitt uteareal (Kvinnheringen 2009). Det finnes i dag ingen regler for tap av lys og utsikt. Det er likevel mange eksempler på folk som har tapt sol og utsikt og gått til erstatningssak. Spesielt vil det å kjøpe boliger basert på prospekter kunne villede kjøper. I et prospekt brukes alle mulige markedsføringstriks; Beplantning av ikke eksisterende trær, bilder fra de rette vinklene, både for å maksimere utsikten og få leiligheten til å fremstå romsligere. Selger vil kanskje ikke informere om annen bebyggelse som er planlagt bygd samtidig, men som vil skjerme for utsikten til boligen ved ferdigstillelse. Eller kanskje høyden på bygget ikke stemmer med prospektet og utsiktspunktet vil dermed ligge et par meter lavere en prospektet tilsa. Hvis en ikke får det en blir lovet så vil det oppstå en interessekonflikt. På tross av at en kjøper vil ha mulighet til å komme med innsigelser og klager, så vil en privatperson ofte føle seg ganske maktesløs mot en megler eller utbyggerfirma og kanskje stopper klagen allerede ved dørstokken. Hvis kjøper likevel går til sak, så vil dette være en prosess som kunne vært gjort enklere ved å tydeliggjøre hvilke krav kjøper kan stille til sol og utsiktsforhold han eller hun har betalt for. Dessuten vil en måling av de faktiske sol- og utsiktsverdiene kunne gjøre et erstatningssøksmål mer presist siden en da lettere klarer å beregne hvor mye den tapte utsikten og solinnstrålingen er verdt i kroner og øre. Dette vil gjøre det atskillig enklere å løse saker der en får utsikten kraftig redusert av nybygging. 1.8 Disposisjon Jeg har nå gitt en kort introduksjon og en teoretisk tilnærming til oppgaven. Planen er at påfølgende kapittel tar for seg operasjonaliseringen rundt spørreundersøkelsen. Både 29

30 utvalget, utformingen og datainnsamlingen blir her diskutert og analysert. I det tredje kapittelet vil jeg ta for meg kritikken mot bruk av GIS og kvantitative analyseverktøy i en historisk kontekst. Jeg vil deretter gå nærmere inn på bruk av GIS til 3D modellering og diskutere hvorfor et geografisk informasjonssystem er et egnet verktøy for solinnstrålingsog synlighetsanalyse. I fjerde kapittel vil jeg presentere analyseresultatene. Jeg vil ta i bruk statistiske metoder for å begrunne et eventuelt slektskap mellom variablene og siste del av fjerde kapittel vil bestå av den multivariate regresjonsanalysen. I kapittel fem følger det en konklusjon med tilhørende perspektiver. 2. Spørreundersøkelse og datainnsamling Det viktigste med masteroppgaven er å finne riktig metodikk for å få svar på min problemstilling. En metode vil være å sende ut spørreskjema til beboere og eiendomsmeglerfirma i Trondheim for å få svar på om mine antakelser om at sol-, utsikt og sentrumsnærhet er boligkvaliteter som faktisk verdsettes av boligkjøper. Tidligere undersøkelser har vist at solforhold, utsikt og sentrumsnærhet er kvaliteter som blir verdsatt ved kjøp av bolig. Jeg ønsker å utforme et eget spørreskjema for eventuelt å underbygge eksisterende funn. Spørreundersøkelsen vil kunne gi noen indikasjoner på om boligkjøpere er opptatt av disse boligkvalitetene eller ikke. Hvis det viser seg at dette er viktige elementer ved boligkjøp så vil jeg beregne sol og utsiktsforhold i GIS og benytte dette som variabler i en statistisk analyse for om mulig finne ut hvor mye disse variablene påvirker kjøpesummen. 2.1 Kausalitet Et av hovedmålene med kvantitativ forskning er å demonstrere kausalitet, det at en eller flere uavhengige variabler (forklaringsvariabler) påvirker en avhengig variabel 30

31 (responsvariabel). Variasjoner i responsvariabelen er knyttet til variasjoner i forklaringsvariabelen (årsak virkning). I mitt tilfelle vil kjøpesummen i matrikkelen være knyttet til variasjoner i sol-, utsiktsforhold og sentrumsnærhet. Jeg anser det som mer sannsynlig at boligprisen blir påvirket av utsikt enn at utsikten blir påvirket av boligprisen. Derfor er boligpris den avhengige variabel og de tre elementene, sol-, utsiktsforhold og sentrumsnærhet tre uavhengige variabler. Det er tre kriterier for å bekrefte kausalitet: 1. Det må være en sammenheng mellom to variabler. 2. Sammenhengen må være ikke-spuriøs (ikke-falsk). 3. Årsak må gå foran virkning. Boligpris er en konsekvens av utsikt og ikke omvendt Validitet Validiteten sier noe om gyldigheten i målingen. Hvordan vet vi at Questbacken måler hvordan beboere faktisk verdsetter sol, utsikt og natur? Når en måler riktig innhold i problemstillingen kalles det ansiktsvaliditet. Når en for eksempel sammenligner en logisk teoretisk sammenheng opp mot egen empiri som bekrefter en samvariasjon kalles det begrepsvaliditet. Hvis jeg går ut i fra at økt alder fører til mindre viktighet av nærhet til idrettsanlegg og dette samsvarer med svarene fra questbacken så vil dette være med på å styrke validiteten i målingen. I min oppgave ser jeg på teorier og eksisterende litteratur og deretter vil jeg utforme en questback for beboere i eneboliger og tomannsboliger. Jeg vil utforme questbacken på en best mulig måte, slik at informanten ikke misforstår spørsmålene. Det er heller ikke ønskelig at informanten blir påvirket av introduksjonen til questbacken. Blant annet vil en lav svarprosent gi en lav validitet Reliabilitet Reliabiliteten av en måling sier noe om påliteligheten. Vi kan dele reliabilitet inn i en ekstern og intern del. En ekstern reliabilitet ønsker at en måling gir det samme resultatet uansett tid. En Test retest kan brukes for å måle ekstern reliabilitet. I praksis må det utføres flere intervjurunder til ulike tidspunkt med samme utvalg personer, om svarene skulle variere fra gang til gang så gir dette en lav reliabilitet. Intern reliabilitet går ut på å se om multiple item measurements måler samme idé. Dette gjøres ved å dele items (for eksempel 20 spørsmålskategorier) inn i to grupper á 10 items. Deretter vil korrelasjonskoeffisienten (cronbachs alpha) fortelle deg hvor høy reliabiliteten er. Hvis cronbachs alpha er over 0.8 så 31

32 viser dette til høy reliabilitet. Noe annet som er viktig for reliabiliteten er hvordan variablene blir registrert. Det er ønskelig å kode svar fra en questback på en mest mulig logisk måte. I et forskningsøyemed så er det ønskelig med standardiserte koder for å forsikre seg om at det man observerer blir kodet riktig hver gang (Bryman & Cramer 2009). 2.2 Questback En Questback er en spørreundersøkelse med standardiserte spørsmål som blir sendt ut til mange informanter, i mitt tilfelle er disse informantene beboere i eneboliger og tomannsboliger. En Questback er dessuten en kvantitativ intervjumetode der man ønsker svar som er enkle å tyde. Svarene må kunne kvantifiseres i et statistisk verktøy, dette fordi spørsmålene er like for alle og svaralternativene er standardiserte. Det vanskeligste med en Questback er å formulere spørsmålene slik at de ikke kan misforstås. Det er derfor viktig at spørsmålene er lett forståelige, ikke for lange eller for mange. Dårlig formulerte spørsmål vil medføre at færre informanter fyller ut skjemaet. Dessuten vil misforståelser kunne oppstå ved for eksempel at folk svarer på noe annet en det jeg egentlig spør om. Slike misforståelser vil føre til en lavere gyldighet og må unngås. Sol-, utsikt og nærhet til ulike elementer er konseptene jeg ønsker å måle i Questbacken. Et konsept består av flere indikatorer (Bryman & Cramer 2009). For å få et godt svar på om konseptene betyr noe for boligeiere så må jeg formulere spørsmål som kan tenkes å fange opp de forskjellige indikatorene. Et større antall spørsmål om nærhet har større sannsynlighet for å fange opp et konsept enn ett enkelt spørsmål. Svarene kvantifiseres for å kunne gi et svar på i hvilken grad de involverte er opptatt av konseptene sol-, utsiktsforhold og sentrumsnærhet. 32

33 Figur 7 Forskningsprosessen rundt design av spørreundersøkelse (Bryman and Cramer 2009). Questbacken krever planlegging og figur 7 gir et innblikk i hvordan en går fram i en forskningsprosess. I Questbacken ønsker jeg som sagt å finne ut om sol, utsikt og sentrumsnærhet er viktige faktorer for beboere i de sentrumsnære bydelene i Trondheim. Tidligere undersøkelser fra Trondheim kan allerede bekrefte at disse kvalitetene er viktige for beboere (Lervik 2006; Marthiniussen 2010). 2.3 Utvalg av informanter Når det kom til selve utvelgelsen av beboere som skulle få tilsendt spørreundersøkelsen, så var min første tanke å benytte meg av ETT Enkel Tilfeldig Trekning, slik at alle boligenheter hadde lik sannsynlighet for å bli valgt. Problemet var bare at jeg ønsket å intervjue beboere i eneboliger og tomannsboliger og jeg ønsket å ekskludere boliger med hybelutleie. Jeg kunne ha kjørt en stratifisert utvelgelse på alle eneboliger og tomannsboliger der det ikke var registrert sokkel eller hybelutleie. Imidlertid var også dette problematisk med tanke på all 33

34 usikkerhet forbundet med registrering i matrikkelen inkludert tid og kostnader som ville gått med på å få adressene skrevet på 200 konvolutter og deretter sendt ut via posten. Jeg bestemte meg tilslutt for å benytte meg av den mest praktiske og tidsbesparende utvelgelsen, nemlig subjektiv utvelgelse (Bryman & Cramer 2009). Distribusjonen gjorde jeg til fots og jeg fikk samtidig gjort en sondering av det urbane landskapet (hva en innen kvalitativ forskning gjerne kaller reconnaisance walk ). Til utvalget inkluderte jeg eneboliger og tomannsboliger med kun én postkasse/adressat og passet som sagt på at boligen ikke bestod av hybelutleie. Jeg ønsket tross alt å treffe målgruppen som eide eneboliger/tomannsboliger slik at informantene lå tettere opp mot de eneboligene jeg skulle analysere i GIS. Benyttet rute for distribusjonen av spørreskjemaene gikk via Byåsen, Sverresborg, utsikten, Øvre Ila, Ila, Møllenberg, Rosenborg, Blussuvoll, Tyholt, Berg, Moholt, Nardo, Singsaker og Øya Utforming av Questback for beboere Å utforme en Questback var mye vanskeligere enn forventet. Jeg måtte først finne ønsket lengde og utforming og en passende spørsmålsformulering. Jeg besluttet tidlig å begrense undersøkelsen til fire sider, som ville ta fra 5 til 10 minutter å besvare. Det var viktig å ha med en kortfattet og direkte introduksjonen for å få en høyere svarprosent. En introduksjon skal gi informanten et overfladisk innblikk i spørreskjemaets problemstilling uten å påvirke svarene som gis (Peterson 2000). Jeg spiller også litt på viktigheten av informanten sin deltakelse. For å forhindre at informanten gikk lei eller unnlot å svare delte jeg inn spørreundersøkelsen i flere deler. Den første delen dreier seg mest om nærhet. Den andre delen om sol og utsikt. I slutten av hver del satte jeg også inn et åpent kommentarfelt slik at informanten eventuelt kunne legge inn en tilleggskommentar. En annen fordel med å gruppere spørsmålene er at informanten da i mindre grad går lei og/eller krysser av raskt og tilfeldig (Peterson 2000). Spørringen starter med noen korte demografiske spørsmål: kjønn, alder, utdanning, postnummer og sivilstand. Informanter er grunnleggende skeptiske til spørreundersøkelser og ønsker ikke å bli gjenkjent eller legge ut for mye personlig informasjon(peterson 2000). Demografiske og sosioøkonomiske spørsmål er ofte årsak til en lavere svarprosent, derfor utelukket jeg spørsmål om økonomi, navn og adresse. Jeg valgte i tillegg lukkede kategorier 34

35 under utdannelse og sivilstand. Dette fordi lukkede kategorier i følge Peterson (2000) fører til en høyere svarprosent enn åpne svaralternativer. De to siste sidene består av 19 avkrysningsspørsmål som er delt inn i to kategorier. Hvert spørsmål i de to kategoriene var delt opp i seks lukkede svaralternativer. Alternativene strakte seg fra Helt Enig, Litt Enig, Nøytral, Litt Uenig, Helt Uenig og Uaktuelt. Likert skala er en populær tilnærming for å lage en fler elements måling. I en fler elements måling blir informanten presentert for et større antall svaralternativer i forhold til et tematisert konsept. Deretter svarer de på en skala fra 1 til 6: 1 = ikke aktuelt, 2= Helt uenig, 3= Litt uenig, 4= Nøytral, 5= Littt enig og 6= helt enig Utforming av Questback for eiendomsmeglere Spørreundersøkelsen for eiendomsmeglere har nokså lik struktur som den for beboere. Den er på fire sider og består av innledning, 19 spørsmål og kommentarfelt. Forskjellen er at de demografiske spørsmålene er fjernet og jeg spør istedenfor om eiendomsmeglerne bruker noen metoder for å beregne sol- og utsiktsforhold og eventuelt om dette kvantifiseres i kroner. Her benyttet jeg meg av en subjektiv utvelgelse der jeg leverte spørreundersøkelse til fire eiendomsmeglerfirma som alle har kontorer i Midtbyen; Krogsveen, Eiendomsmegler 1 Midt-Norge, Aktiv Eiendomsmegling og DNB Nor Eiendom. 2.4 Analyse av Questback for beboere Det ble delt ut 200 spørreskjemaer til 180 eneboliger og 20 vertikaldelte tomannsboliger. Det enkleste for meg var å dele ut spørreskjemaene manuelt i postkasser. Jeg satte svarfristen til 7 dager og delte ut alle skjemaene i løpet av torsdag og fredag, den tiende og ellevte februar fra klokken Noe som bekymret meg var at vinterferien startet den 11. februar og jeg var redd for at dette kunne påvirke svarprosenten i negativ retning. For å være sikker på å få med flest mulig respondenter, så ventet jeg 3 uker med å hente svarskjemaene. Deretter gjenstod en del manuell inntasting av svardataene i SPSS. Det viste seg at jeg fikk inn 88 svar, noe som gir en svarprosent på 44. Av disse så mangler 14 stykker demografiske besvarelser og 7 stykker har i tillegg utelatt å besvare deler av spørreskjemaene. Det er totalt 21 stykker som ikke har levert inn fullstendig besvarte spørreskjemaer, noe som gir en gyldig svarprosent på 34,5 %. Dette må sies å være en middels lav svarprosent (Jacobsen 2005), men det er likevel over minimumskravet på 25 % 35

36 som jeg ønsket for å kunne konkludere med at Questbacken var gyldig. Svarene virker å være gjennomført på en ordentlig måte og det eneste som i noen tilfeller er utelatt er de sosialdemografiske alternativene og i noen tilfeller en hel bakside. En årsak til de delvis besvarte spørreskjemaene vil være at de sosialdemografiske spørsmålene har vært unngått på grunn av skepsis til å informere om alder og personer i husstand. En annen årsak til delvis besvarte skjemaer er at questbacken var tosidig og at en side har blitt oversett. De delvis besvarte questbackene gjenspeiler likevel ikke at det er gjort tilfeldige avkrysninger. De delvis besvarte Questbackene skiller seg heller ikke ut fra de komplette og anses derfor som gyldige til bruk i videre analyse. Med hjelp av den statistiske programvaren SPSS (Statistical Package for the Social Sciences) så har jeg kodet alle svarene manuelt inn i SPSS og satt opp parameterverdier for hver variabel. Bruk av SPSS gjør den statistiske analysen svært effektiv. Det å utelate kjønn som variabel kan ofte føre til spuriøse sammenhenger. Informantene ble derfor bedt om å oppgi kjønn. Det kan blant annet tenkes at menn er signifikant mer opptatt av nærhet til marka enn kvinner, jeg ønsket derfor å ha med kjønn som en variabel. Det er 42 menn og 32 kvinner som har informert om kjønn, questbacken har i noen tilfeller blitt utfylt av par, men dette skal ikke medføre en lavere gyldighet. Det er 75 stykker som har informert om alder. Den yngste respondenten er 22 år og kvinne, den eldste 88 år og mann. Tabell 1. Deskriptiv statistikk for alder N Minimum Maksimum GJ. Snitt Standardavvik Alder Valid N (listwise) 75 36

37 Diagram 1 Alderskurve for informanter som har besvart questbacken Det er ingen overraskelse at gjennomsnittsalderen er på 53 år. Eiere av eneboliger i sentrumsnære bydeler i Trondheim har god økonomi og det er en klar sammenheng mellom formue/inntekt og alder (Marthiniussen 2010). Standardavvik beregner den gjennomsnittlige avstanden fra gjennomsnittet (den aritmetiske middelverdien). En god måte å sjekke validiteten til questbacken er å se hvordan to variabler korrelerer ut fra en logisk teoretisk sammenheng. Det er stor sannsynlighet for at økt alder fører til minsket viktighet av nærhet til lokalt idrettsanlegg. Dette kan jeg kontrollere ved å kjøre en bivariat korrelasjon mellom alder og svarene om nærhet til lokalt idrettsanlegg. Tabell 2. Bivariat korrelasjon Det er viktig med nærhet til lokalt Alder idrettsanlegg Alder Pearson Correlation ** Sig. (2-tailed).001 Det er viktig med nærhet til lokalt idrettsanlegg Pearson Correlation ** 1 Sig. (2-tailed).001 **. Correlation is significant at the 0.01 level (2-tailed). a. Listwise N=73 Som vi kan se av tabellen så korrelerer variablene negativt, en økning i alder fører til at viktigheten av nærhet til lokalt idrettsanlegg minker. Den negative korrelasjonen er i tråd med min hypotese og resultatet er signifikant på 0.01 nivå. Det er altså mindre en 1 % sannsynlighet for at dette slektskapet oppstod ved en tilfeldighet. 37

38 For å kontrollere om dette kan være en spuriøs sammenheng, så har jeg valgt å kjøre en første ordens korrelasjonstest. Her bruker jeg partiell korrelasjon med kjønn som modererende variabel. Dette gjør jeg for å kontrollere om variabelen kjønn vil ha en modererende effekt på styrken i slektskapet. Med kjønn som kontrollvariabel så kommer Pearson s r på og dette er praktisk talt ingen endring fra den bivariate på Variabelen kjønn endrer dermed ikke gyldigheten av at alder fører til et lavere behov for et lokalt idrettsanlegg. En annen logisk hypotese for å kontrollere gyldigheten i svarene vil være å se på slektskapet mellom sivilstand og viktigheten av nærhet til grunnskole. Sivilstand består av 6 alternativer: Enslig, Enke(mann), Pensjonistpar, Gift/Samboer, Enslig med barn som bor i boligen og Gift/samboer med barn som bor i boligen. I den første bivariate korrelasjonen så har jeg et utvalg bestående av Enslig/Gift/Samboer med barn som bor i boligen. Det er totalt 26 stykker som har krysset av for at de har barn i boligen. Disse personene har besvart Viktigheten av nærhet til grunnskole, som baserer seg på en likert skala som jeg har brukt som standardkoding for standpunktene i questbacken: 1 = ikke aktuelt, 2= Helt uenig, 3= Litt uenig, 4= Nøytral, 5= Littt enig og 6= helt enig. Tabell 3. Deskriptiv statistikk for sivilstand med barn i boligen Sivilstand = 6 OR 2 (med barn i boligen) Det er viktig med nærhet til grunnskole N Minimum Maksimum GJ. Snitt Standard avvik Valid N (listwise) 26 Vi ser at gjennomsnittet er på 5,38 poeng av en maksimum på seks. Dette indikerer en sterk sammenheng. 38

39 I den andre bivariate korrelasjonen så har jeg et utvalg bestående av de resterende sivilstander. Det er totalt 47 stykker som har krysset av for dette alternativet. Tabell 4. Deskriptiv statistikk for sivilstand uten barn i boligen N Minimum Maksimum GJ. Snitt Standard avvik Sivilstand = 1I3I4I5 (uten barn I boligen) Det er viktig med nærhet til grunnskole Valid N (listwise) 47 Vi ser at gjennomsnittet er på 3,57 poeng. Av en maks sum på seks (Helt Enig) så må dette sies å indikere et negativt slektskap, fire er grensen for nøytralt. Jeg vil på vegne v disse testene kunne si at svarene i Questbacken har en høy validitet og reliabilitet. Nedenfor har jeg valgt å kjøre en deskriptiv analyse for alle de 19 svarkategoriene. Indikatorene er sortert etter gjennomsnitt. Gjennomsnittet baserer seg på en likert skala indeks der én er minst og seks er størst. Alt over fire må regnes som et positivt slektskap til variabelen det spørres om. Medianen demonstrerer den midterste verdien i datasettet (Bryman and Cramer 2009). Variablene med den svakeste styrken på slektskapet er nærhet til grunnskole og nærhet til lokalt idrettsanlegg. Variabelen nærhet til jobb blir også påvirket av alder. Hvis jeg ekskluderer aldersgruppen over 60 år, så øker gjennomsnittet til 4,38 og medianen økes til 5,50. 39

40 Tabell 5. Deskriptiv statistikk for alle 19 svarkategorier (Beboere) GJ. Snitt Median Det er viktig med sol i hagen Det er viktig med ettermiddagssol Det er viktig med sol på balkongen Forurensning er sjenerende Det er viktig med nærhet til grønne områder (park, osv.) Trafikkstøy er sjenerende Det er viktig med utsikt fra boligen Det er viktig med utsikt fra balkongen Det er viktig med nærhet til kollektivtransport Det er viktig med usjenert beliggenhet Det er viktig med sentrumsnærhet (Midtbyen) Det er viktig med nærhet til kulturopplevelser Det er viktig med nærhet til markaomr. (By- og Estenstadmarka) Det er viktig med nærhet til jobb Det er viktig med nærhet til lokalt private serviceinstitusjoner Det er viktig med nærhet til lokalt offentlige serviceinstitusjoner Det er viktig med nærhet til fjorden Det er viktig med nærhet til grunnskole Det er viktig med nærhet til lokalt idrettsanlegg Det viktigste med Questback analysen er å få bekreftet hypotesen om at sol, utsikt, nærhet til sentrum, vann og grønne områder er viktige og gyldige boligkvaliteter for beboerne i eneboliger og tomannsboliger. Hvis vi summerer standpunktene om nærhet til sentrum, nærhet til grønne områder, nærhet til marka og nærhet til fjorden, så får vi et gjennomsnitt på Dette indikerer at disse kvalitetene er viktig for beboerne. Hvis vi summerer standpunktene om sol på balkongen, sol i hagen og ettermiddagssol så får vi et gjennomsnitt på Dette indikerer at variabelen sol er svært viktig for beboerne. Hvis vi grupperer svarene om utsikt fra boligen og utsikt fra balkongen så får vi et snitt på Dette indikerer at variabelen utsikt også er svært viktig for beboerne. 40

41 Analysene er i tråd med eksisterende teori og bygger opp under mine antagelser om at det er et sterkt slektskap mellom sol, utsikt, nærhet til sentrum, grønne områder og kjøpesum. Questbacken består av spørsmål som informanten krysser av for graden av enighet i relasjon til standpunktet om at Det er viktig med utsikt fra boligen, gjennomsnittet her er på 5.41 og medianen er på seks dette indikerer sterk enighet. Flere spørsmål konstituerer en variabel og gjennomsnittet indikerer retningen og styrken på slektskapet ut i fra en likert skala der den nøytrale verdien er 4 og maksimum er 6. Et gjennomsnitt over 4 indikerer et positivt slektskap. Vi ser også at medianverdien er 5 for alle spørsmål bortsett fra nærhet til lokalt idrettsanlegg, som har en median på Analyse av Questback for eiendomsmeglere Det ble delt ut spørreskjemaer til fire ulike eiendomsmeglerfirma i Trondheim. Det enkleste var å dele ut spørreskjemaene manuelt, derfor oppsøkte jeg eiendomsmeglerfirmaene sine 41

42 kontorer direkte. Svarfristen var 7 dager og jeg delte ut alle skjemaene i løpet av torsdag, den tiende februar fra klokken Det viste seg at jeg fikk inn fire av fire mulige svar. Svarene er gjennomført uten mangler. Tabell 6: Deskriptiv statistikk for alle 19 svarkategorier (Eiendomsmeglerfirma) GJ. Snitt Median Det er viktig med sol i hagen Det er viktig med sol på balkongen Det er viktig med ettermiddagssol Forurensning er sjenerende Trafikkstøy er sjenerende Det er viktig med nærhet til kollektivtransport Det er viktig med nærhet til grønne områder (park, osv.) Det er viktig med utsikt fra balkongen Det er viktig med nærhet til grunnskole Det er viktig med nærhet til markaomr. (By- og Estenstadmarka) Det er viktig med utsikt fra boligen Det er viktig med sentrumsnærhet (Midtbyen) Det er viktig med usjenert beliggenhet Det er viktig med nærhet til fjorden Det er viktig med nærhet til jobb Det er viktig med nærhet til lokalt idrettsanlegg Det er viktig med nærhet til kulturopplevelser Det er viktig med nærhet til lokalt private serviceinstitusjoner Det er viktig med nærhet til lokalt offentlige serviceinstitusjoner Ved å sammenligne disse svarkategoriene med den for beboerne får vi bekreftet hypotesen om at sol-, utsiktsforhold, sentrumsnærhet, fjord og grønne områder er viktige og gyldige boligkvaliteter. Det mest interessante med spørringen er å få bekreftet eller avkreftet hypotesen om at eiendomsmeglere bruker effektive metoder og verktøy for å beregne solog utsiktsforhold og kvantifisere denne verdien i kroner slik at det gjenspeiles i taksten. Alle eiendomsmeglerne avkrefter at de bruker metoder for å beregne slike kvaliteter. Derfor vil jeg anta at prissettingen av slike kvaliteter baserer seg på tidligere erfaringer. Dette gjør det vanskelig å kreve kompensasjon for tapt utsikt, for ved en eventuell klage vil ingen kunne fortelle deg hva denne utsikten egentlig er verdt og om det derfor er en reell klage (kapittel 1.7.2). 42

43 Her har eiendomsmeglerbransjen et troverdighetsproblem. Utsikt og solforholdene er inkludert i taksten ved et salg, men kjøper risikerer altså å miste en del av verdien som er inkludert i taksten på grunn av reguleringsplaner og nybygging. Er det slik at kjøpere i dag er villig til å risikere utsikten uten noen form for kompensasjon? Det synes for meg å være mangel på rettigheter for kjøperen og er et eksempel på at markedskreftene rår. Regelverket i dag er tungt og det eksisterer ingen metoder for å gjennomføre en enkel beregning for tap av utsikt, derfor vil mange kjøpere i en slik situasjon føle seg maktesløse. En kan ikke forvente at en boligkjøper skal sette seg grundig inn i plan og bygningsloven, naboloven og reguleringsplaner rundt ett salg. Opplysningsplikten burde enten kreve enda mer av selger, eiendomsmegler og utbygger, eller så burde det opprettes et organ som beregner kompensasjon for kjøper med en metodisk tilnærming som jeg vil gå nærmere inn på i løpet av oppgaven. 3. 3D-modellering av det urbane miljø Utgangspunktet er at jeg som samfunnsviter ønsker å si noe om folks virkelighet ved å studere en representasjon av virkeligheten. GIS er en forkortelse for geografiske 43

44 informasjonssystemer og er et analyseverktøy som egner seg godt til å bearbeide store mengder data. GIS kan brukes til romlig analyse og som et verktøy for å visualisere en verden som er for stor og kompleks til å kunne analyseres med det blotte øye. GIS lar oss se sammenhengende strukturer, eller som en sier i geografifaget: romlige relasjoner. Virkeligheten i et GIS representeres ved hjelp av stedfestede data. Stedfestede data kan være både diskrete objekter (figur 8) og kontinuerlige fenomener (figur 9). De diskrete objektene består av punkt, linje og flater og de kontinuerlige av raster data. Det unike med GIS er at de geometriske objektene er knyttet til tabeller og databaser. Denne koblingen mellom geometri, tekst og tall gjør det mulig med romlige analyser. Figur 8 Diskrete objekter (ESRI 2010) Figur 9 Kontinuerlig fenomener (ESRI 2010) Et geografisk informasjonssystem kombinert med intervjuer og regresjonsanalyse vil være effektive metoder for å løse min problemstilling. GIS og digitale kart har på mange måter blitt et verktøy for utforskning av geografiske data og for å oppdage ny kunnskap (Rød 2010). Jeg vil bruke GIS for å utføre en solinnstrålingsanalyse (solar radiation analysis) og en synlighetsanalyse (viewshed analysis) uten å måtte befare eneboligene til fots. Skulle disse analysene vært gjort til fots så måtte jeg laget fotomontasjer fra hvert eneste utkikkspunkt og beregnet solinnstråling ut ifra et soldiagram. Det sier seg selv at en manuell befaring vil være altfor tidkrevende for en masteroppgave, dessuten ønsker jeg å demonstrere nettopp nytten av å bruke GIS til slike tidkrevende metoder. Det er derfor viktig at dataene jeg har til rådighet er så gode som mulig. Jeg har fått tilsendte geografiske data fra Trondheim kommune slik som arealbrukskart, bygningsflater og høydedata. Dessuten har jeg fått tilgang til matrikkelen for Trondheim kommune. 44

45 For å forsikre meg om at kartdataene jeg har er gode nok, så vil jeg på forhånd av GIS analysene foreta observasjoner i felt. For å sjekke om terrengmodellen og sol- og utsiktsanalysen for boligene blir så nøyaktig som mulig, så vil jeg ta bilder fra noen utvalgte boliger og bruke det som sammenligningsgrunnlag. Dessuten bruker jeg ortofoto fra gulesider og google map/earth for å se om beliggenheten til boligene stemmer. 3.1 GIS og Positivismen Positivismen er ifølge Berry and Marble (1968) det filosofiske grunnlaget for geografi som romlig analyse. Retningen ble introdusert av August Comte på tallet. Geografiske informasjonssystemer har av flere blitt kritisert for å være positivistisk (Schuurman 2000). Kritikerne hevder at et kart ikke er et godt virkemiddel for å studere virkeligheten og dets samfunnsgeografiske strukturer. Men positivismen er på mange måter en videreføring av empirismens erfaringsbaserte tilnærming og har sin forankring i naturvitenskapen. Den vitenskapelige metode reflekterer den empiristiske karakteren til positivismen. Teori bygger på observasjoner, som deretter følges opp av hypoteser som verifiseres eller forkastes. Positivistene mener også at naturgeografien og samfunnsgeografien kan studeres ved hjelp av lignende metoder fordi den mener at samfunnsgeografien trenger å bli mer objektiv, men ifølge humanister og marxister er objektivitet hverken ønskelig eller oppnåelig (Norton 2004). En grunn til slik at positivismen har fått slik negativ oppmerksomhet kan selvfølgelig være at de tidligste brukerne av GIS hadde en mer teknisk og naturvitenskapelig bakgrunn enn samfunnsgeografene. Samfunnsgeografene har igjennom historien tilhørt den kvalitative sfære, der kvalitativ forskning, studier og observasjon har vært grunnlaget for teorier og beskrivelse av virkeligheten. Man syntes det var en skremmende tendens at naturvitenskapelige forskere skulle ta i bruk verktøy for å forklare romlige fenomener med verktøy som samfunnsgeografene ikke hadde den fjerneste anelse om hva var bortsett fra at verktøyene baserte seg på en tallfestet og abstrakt representasjon av virkeligheten. Da den kvantitative revolusjonen oppstod på midten av tallet, så ble det mer vanlig med statistiske verktøy og hypotesetesting, den hypotetisk-deduktive metode. Mange mente at slike verktøy ville effektivisere studier av virkeligheten og dermed være et viktig 45

46 hjelpemiddel for å generalisere regioner ut fra observasjon. Mange empirister var negative til et slikt verktøy fordi den kvantitative metode var forbundet med positivismen og dens støtte til konservative sosiale ontologier slik som neoklassisk imperialisme, patriarki, imperialisme og generell sosial kontroll (Cloke et al 1991). En anså GIS for å være et nytt kvantitativt verktøy og dermed positivistisk. En selvmotsigende og generaliserende påstand. Til tross for kritikken av GIS, så har vi de siste tiårene sett en gradvis oppmykning og tilnærming mellom de kvalitative og kvantitative metodologiene, kritikerne valgte etter hvert å se de kvantitative verktøy som kulturelle produkter. Dessuten så man at kvalitative studier har blitt brukt som forstudier til kvantitative studier, slik som bruk av fokusgrupper for å utvikle strukturerte spørreundersøkelser eller kvalitativ informasjon om studieområder, steder, observasjoner og test-intervjuer for å formulere hypoteser. Dette har ført til en tilnærming mellom epistemologiene sin metodebruk (Pavlovskaya 2006). Denne tilnærmingen har ført til begrepet mixed-methods, som er en betegnelse om prosjekter som tar i bruk både kvalitative og kvantitative metoder. Dessuten er det stadig flere geografer som i dag behersker GIS og dermed ser nytten av slike verktøy for modellering, digitalisering og analysering. Pragmatismen brukes nå som et uttrykk for å forsvare den samfunnsvitenskapelige bruken av GIS. GIS løser dagligdagse problemer som kartlegging av risikoområder og ressurser, nettverksanalyser, 3D modellering, posisjonering og navigasjon (GPS) med mer. Jeg tror at GIS er en berikelse til geografifaget og én videreføring av det som på mange måter var geografens kunstneriske ferdighet, kartografien. Vi skal heller ikke glemme at da GIS kritikken oppstod så var de geografiske informasjonssystemene lite egnede til å modellere virkeligheten i motsetning til hva man ser i dag. Det er en lang vei fra 2D til 3D kart og det er kun tiden man har til rådighet som legger begrensninger på hva som kan modelleres i et GIS. Det må gjentas at mange som i dag anser seg som GIS brukere har bakgrunn fra geografi, geomatikk og geologi og vil derfor ikke være ukritisk til bruken av GIS som problemløser. Man vil alltid måtte forholde seg til standarder og nøyaktigheten i dataene. Lokaliseringsteorier er en del av positivismen og de er også en del av den økonomiske geografi, der man ønsker å lage teorier ut ifra den mest økonomisk rasjonelle plassering for 46

47 jordbruk, bosetting og industri (Norton 2004). Det positivistiske med lokaliseringsteoriene til Thünen, Christaller og Weber er at man opererer med fiktive modeller, som ikke tar hensyn til steders egenart eller topografi. Når jeg bruker GIS for å determinere boligpriser ut ifra solog utsiktsforhold så vil mange hevde at det er positivistisk på grunn av likheten til lokaliseringsteorier, som altså ble forfektet på begynnelsen og midten av 1900 tallet. Lokaliseringsteoriene søkte økonomisk rasjonalisering med tanke på lokalisering av infrastruktur. Man prøvde å finne sammenhenger og den mest optimale plassering av mennesker og industri. At lokaliseringsteorier kalles positivistisk er ganske passende, da de ikke tok særlig hensyn til menneskers stedsfølelse, stedsidentitet og estetiske verdier. Å behandle virkeligheten som en flat modell uten å ta hensyn til kultur eller samfunn karakteriserer lokaliseringsteoriene. Jeg ønsker med min synlighetsanalyse å finne sammenhenger mellom sol-, utsiktsforhold, nærhet og boligpriser. Likheten min oppgave eventuelt har til lokaliseringsteorier er at jeg ønsker å finne optimal beliggenhet for en enebolig. Forskjellen vil være at jeg opererer med en detaljert 3D modell av virkeligheten, der de eneste begrensninger er hvor mye kartdata jeg har til rådighet. Jeg kan ta hensyn til topografi og andre barrierer i landskapet, slik som fjell, elver, bebyggelse osv. Jeg vil kunne lage en terrengmodell som tar hensyn til topografi, bygninger og matrikkelen, men jeg vil også bruke variabler som representerer immaterielle verdier slik som stedsfølelse, sentrumsnærhet (tid og rom konvergens) og estetiske verdier. De immaterielle verdiene vil jeg måtte se etter når jeg skal bruke kvalitative metoder slik som intervju og observasjon. Deretter vil jeg se etter sammenhenger mellom materielle og immaterielle verdier, boligpris versus sol-, utsiktsforhold og sentrumsnærhet. Jeg vil derfor hevde at min bruk av GIS ikke gjør min problemstilling positivistisk i den forstand at jeg tar hensyn til mennesker sine nevrofysiologiske sanser GIS i planlegging 3D modellering blir stadig mer brukt i planprosesser, slik at byplanleggere og arkitekter kan se den visuelle innvirkningen bygninger og infrastruktur vil ha på omgivelsene. Rød & van der Meer (2009) har blant annet analysert den blokkerende effekten et planlagt høyhus vil ha på omkringliggende bebyggelse i Trondheim, noe som demonstrerer nytteverdien av GIS framfor metoder slik som fotogrammetri. Også Bymiljøetaten i Oslo Kommune har innsett 47

48 nytten av 3D modellering og har gått til anskaffelse av en 3D modell over områdene innenfor Ring 1. Modellen og den tilhørende egenproduserte programvaren er utviklet av Asplan viak og Agency 9. Datagrunnlaget ligger på en ekstern server som fungerer som en tjener for kommunens saksbehandlere som bruker modellen for å se hvilken visuell innvirkning en planlagt sykkelparkering, bussholdeplass, støyskjerm, sykkelvei, ny park eller bygning vil ha på omgivelsene. Modellen kan vise seg å være en svært verdifull investering for Bymiljøetaten som har ansvaret for kommunale veier, parker og en mer helhetlig byplanlegging. 3.2 DTM Digital terrengmodell Det å modellere virkeligheten til punkt og prikke er ikke mulig med dagens teknologi, men med et GIS kan man lage en forenklet modell av virkeligheten, en såkalt digital terrengmodell, som består av enten vektor eller rasterdata. Jeg vil i de neste avsnittene gå mer i dybden av hvordan et GIS fungerer. Dette er viktig for at flere kan se mulighetene et slikt analyseverktøy gir. 48

49 3.2.1 Vektordata Vektordata består av diskrete objekter slik som punkt, linje og flater. Ved hjelp av disse objektene så kan man konstruere et TIN (Triangulært Irregulært Nettverk). Et TIN baserer seg på triangulering mellom nodene i de diskrete objektene. Figur 10 Delaunay Triangulering (ESRI) Den mest kjente metoden kalles Delaunay-triangulering (figur 10). Metoden går ut på at det trekkes linjer mellom nodene slik at det dannes ikke-overlappende triangler. Nodene har høydeverdier og det konstrueres triangelformede plan mellom de tre punktene som ligger nærmest hverandre. For å oppnå en så detaljert terrengmodell som mulig, så er det ønskelig med gode kartdata slik at man får mange noder med høy tetthet Rasterdata Raster data består av celler/piksler som danner et systematisk rutenett. Hver celle i rastermodellen representerer et utsnitt av terrenget, og innenfor hver celle betraktes høyden som konstant (figur 11). Når jeg skulle konverterte fra TIN til DEM så anga jeg en geometrisk oppløsning for hver celle på 1 x 1 meter. Dette betyr at hver kvadratmeter fra den opprinnelige TIN modellen ble konvertert over til celler i det systematiske rutenettet. En kan se for seg at et rutenett blir lagt over terrenget og at høydeverdien til hver rute blir satt etter en lineær interpoleringsteknikk. 49

50 Figur 11 Lineær interpolasjon (ESRI 2010) Lineær interpolering fungerer slik at hver rute får høydeverdien til midtpunktet av triangelet i TIN som den overlapper. Siden modellen er basert på at cellestørrelsen er konstant, vil områder med store terrengvariasjoner bli beskrevet med samme cellestørrelse som områder med små variasjoner. Lineære interpolasjonsteknikker vil åpenbart føre til en generalisering av virkeligheten. Dette fører til at områder med store variasjoner blir dårligere beskrevet enn områder med små variasjoner (Bernhardsen 2006). Cellestørrelsen dekker som nevnt én kvadratmeter av virkeligheten. I Trondheim er ikke terrengvariasjonene store nok til at det vil ha en merkbar effekt på terrengmodellen eller analysene. Det er først og fremst i fjellområder og svært ulendt terreng at slike generaliseringer vil resultere i at de systematiske lineære strukturene merkbart forsvinner eller deformeres Nøyaktighet og presisjon Nøyaktighet og presisjon er to begreper som brukes om hverandre, likevel er det en vesentlig forskjell. Presisjon er på mange måter feilmarginen til en viss målemetode og nøyaktigheten uttrykker hvor nær målingen ligger i forhold til en akseptert sannverdi (Bernhardsen 2006). En kvalitetsvurdering i GIS vil basere seg på nøyaktighet og presisjon i datasettet. Når dataene blir bearbeidet og blir brukt som grunnlag for å danne nye datasett, er det flere 50

51 mulige feilkilder. For å begrense unøyaktigheten i dataene så må en til enhver tid kvalitets vurdere kartgrunnlagene som brukes til beregning og analyse. Den største faren for tap av nøyaktighet er når det utføres større GIS operasjoner, også kjent som geoprosesseringer. Tap av nøyaktighet vil forekomme når TIN modellen genereres, dog vil dette tapet være et nødvendig onde for å danne en sammenhengende topologi, slik at en konvertering til raster kan finne sted (dette kunne vært unngått hvis jeg hadde hatt tilgang til LIDAR data). Tap av nøyaktighet vil også forekomme når det konverteres fra TIN til raster med en geometrisk oppløsning på 1x1 meter. For å være sikker på at konverteringen fra vektor til raster ikke medfører store feil i nøyaktigheten, så har jeg kvalitetsvurdert alle GIS operasjoner. Kvalitetsvurderingen gikk ut på å sammenligne høyde- og arealverdiene i de opprinnelige vektordataene med høyde- og arealverdiene i rastermodellen. Figur 12 illustrerer hvordan arealet forandres ved konvertering fra vektor til raster og størrelsen på endringen er avhengig av cellestørrelsen. Figur 12 Her ser vi at konvertering med en 2 meters oppløsning gir den beste areal nøyaktigheten(esri 2010). Det vil alltid oppstå feil når man overfører verdier fra et system med dobbel til enkeltpresisjon. Altså fra flyttall til heltall. Jeg kom selv borti dette problemet når jeg plottet inn sol og utsiktspunkter for eneboligene. Problemet var at jeg tegnet opp punktene i forhold til bygningsflaten i vektordata. Det jeg ikke tenkte på var at når jeg konverterte grunnflaten til rasterdata med en oppløsning på 1x1 meter så forskjøv bygningene seg og i enkelte tilfeller overlappet punktene. Siden terrengmodellen representerer et urbant 3D landskap med bygningshøyder ville tilordning av høydeverdi bli feil for disse punktene. Punktdatasettet er inngangsdata til beregninger av sol og utsiktsforhold som ville bli 51

52 overestimert siden punkthøyden representerte topp tak i stedet for terrassehøyde. Heldigvis fikk jeg rettet opp dette før jeg begynte med det tidkrevende analysearbeidet Kartalgebra Kartalgebra er enkelt forklart matematiske operasjoner utført på kartdata. Vi vet at de geometriske dataene har tilhørende egenskapsverdier lagret i databaser. Ved hjelp av matematiske operasjoner på disse egenskapsdataene kan vi lage nye kartlag, utvalg og beregninger. Vi vet også at et raster er et rutenett med tallverdier og at én rute består av én verdi. Etter konvertering fra TIN til raster, representerte pikselverdiene i rastermodellen av høyden på terrenget. For å få en komplett høydemodell for det urbane landskap, La jeg til bygningshøyder. For å slå sammen rasterlaget for terrengmodellen og bygninger så måtte jeg utføre en matematisk operasjon, en såkalt conditional evaluation. Operasjonen går ut på at høyden på bygningsrasteret skal foretrekkes framfor høyden på terrenget der de to sammenfaller. Sammenslåingen av rasterlagene ble gjort ved hjelp av mengdealgebra. Mengdealgebra er en logisk matematisk operasjon og inneholder de logiske tegnene: (=, >, <, <>,=>,<= ). Mengdealgebra er vanlig brukt i såkalte expressions, såkalte SQL-spørringer. SQL er en forkortelse for Structured Query Language og er et selekteringsverktøy som retter seg mot databaser og egenskapsdata i kartlagene. En annen type logisk operasjon er Boolsk algebra: A and B, A not B, A or B, A xor B. Boolsk algebra brukes ofte for å selektere spesifikke elementer i egenskapsdataene. Når jeg ønsket å finne eneboliger i matrikkelen som ble solgt i 2007, så måtte jeg sette opp følgende spørring i SQL: Boligtype = Enebolig AND kjøpsaar = Figur 13 er en prinsippskisse for hvordan kartalgebra med AND operatoren fungerer. 52

53 Figur 13 Booleand AND operasjon. Hvis begge InRas har en verdi så OutRas = 1, hvis en eller begge raster har en null så OutRas = 0 (ESRI 2010). De aritmetiske operasjonene er bruk av: ( sin, cos, tg) De aritmetiske operasjonene ble brukt i skriptingen (Vedlegg 6 - Zonal Batch Script). Statistiske operasjoner er bruk av: (Sum, max, median, gjennomsnitt, korrelasjon, standardavvik) (Bernhardsen 2006). Jeg brukte både Mean og max når jeg skulle slå sammen solanalysen for de to representasjonspunktene for hver enebolig. 3.3 Analyse av terrengmodellen Terrengmodell laget jeg i ArcGIS ved hjelp av verktøyet som heter CREATE TIN. Med denne operasjonen kan man laste inn de kartdataene som skal brukes som grunnlag for å generere et triangulært irregulært nettverk. TIN modellen ble generert fra følgende kartlag: Kartlag: Høyde over havet: Trianguler som: 53

54 Høydepunkt KOORDH Mass points Høydelinjer KOORDH Mass points Vannflate KOORDH Hard replace Vannlinjer Ingen Soft line Veilinjer Ingen Soft line Jernbanelinjer Ingen Soft line Studieområde Ingen Soft clip Operasjonen kan virke enkel og rett fram, men noen av kartdataene måtte modifiseres for å oppnå ønsket resultat. Vektorlaget for vannflate, for eksempel, inneholdt ulike høydeverdier, så jeg var nødt til å kode om høydeverdiene til = 0. Jeg måtte også tegne opp studieområde etter kommunegrensen i Trondheim slik at det ikke oppstod uønskede formasjoner(konvekse hull) i studieområdet sine ytre grenser. Figur 14 Høydeverdier til TIN, 2. TIN til Raster, 3. Raster med bygninger og skog. 54

55 Figur 14 viser terrenget før og etter konvertering til rastermodellen (dem_bygg). Først hadde jeg kun diskrete objekter (1.), disse objektene inneholdt høydedata som jeg brukte til å generere en digital terrengmodell, en såkalt TIN(2.). Vi kan se i bilde øverst til høyre at høydeverdiene til vannflaten er ivaretatt i TIN som en plan flate. Deretter konverteres TIN videre til rastermodellen (3.) der hver piksel har én høydeverdi som representerer høyden innenfor en kvadratmeter av virkeligheten. I det siste steget suppleres høydemodellen med høydeverdier for bygninger og skog (skog ble etter hvert utelatt, se notis 1). Figur 15 Her er stegene for konvertering fra TIN til Dem_bygg visualisert i Modelbuilder. Rastermodellen (dem_bygg) er grunnlaget for sol og utsiktsanalysen og består av høyden på terrenget og bygninger med en oppløsning på 1x1 meter. Dem_bygg består av kolonner og rader = x = piksler/ruter og har en størrelse på 3,23 GB. Alle raster er kvadratiske og som vi kan se av antall kolonner så har området på det videste en utstrekning på 36 kilometer. Det viste seg at ArcGIS 10.0 kun nyttegjør seg av maksimalt 4 GB RAM, men dette skal bli bedre med versjon 10.1 som lanseres høsten Det gikk fint med utsiktsanalysen, men solinnstrålingsanalysen krevde mer minne, så rasteret måtte aggregeres til en oppløsning på 3x3 meter, slik at jeg fikk frigjort mer minne til selve analysen. Den aggregerte rastermodellen heter demclip3m_bygg og består av 5831 kolonner og 3688 rader og er kun 82,03 MB stort. Notis 1: Jeg valgte og ikke å inkludere skog i terrengmodellen fordi jeg ikke anser trær som et fullstendig blokkerende element. Det har seg slik at det finnes en del trær i de sentrumsnære delene av Trondheim, disse trærne er registrert som enkeltpunkter, men trærne er som regel ikke mange nok eller står tett nok til at de vil ha noen betydelig innvirkning på mine sol- og synlighetsanalyser. Det har seg også slik at de fleste trær som vokser i de sentrumsnære 55

56 områdene av Trondheim er løvtrær og derfor har stor grad av gjennomsiktighet. Løvskog er naturligvis også uten løv store deler av året. Det er i så fall bartrær og blandingsskog som vil ha størst innvirkning på sol og utsikt, men det har seg også slik at datagrunnlaget over skog og trær i Trondheim er av varierende kvalitet. Hvis jeg likevel skulle brukt disse dataene ville jeg enten måtte akseptere store mangler med datagrunnlaget eller valgt å inspisere hver trestamme og hvert skogholt til fots og i tillegg satt trehøyden ut ifra en SOSI standard for AR5 Areal og klassifikasjonssystem, der barskog = 15 meter, løvskog = 8 m og blandingsskog = 12 m. Skog er derfor utelatt Analyse av nøyaktighet og presisjon Når en jobber med kartdata så er det viktig å kvalitetsvurdere de dataene en har til rådighet. Feil i datagrunnlaget vil sørge for at beregninger og analyser vil produsere enda større feil og ugyldige konklusjoner. Som GIS bruker er det også viktig å huske at en jobber med data som er i stadig endring og en må ta sine forhåndsregler. Når jeg konverterte fra TIN til DEM så brukte jeg en lineær interpolasjonsteknikk. Lineær interpolasjon sørger for at hver rute i rasteret tildeles høydeverdien til midtpunktet i det triangulære irregulære nettverket som blir overlappet. En lineær interpolasjon for små områder med ekstremt ulendt terreng (bratte raviner og fjellformasjoner) vil føre til et tap av nøyaktighet og presisjon. Den alternative metoden naturlige naboer vil i større grad ta hensyn til knekklinjer i terrenget. Dette tapet av nøyaktighet og presisjon er likevel ikke nok til å gjøre min analyse ugyldig. Trondheim har ikke et ekstremt ulendt terreng. Dessuten var høydedataene som lå til grunn for opprettelsen av det triangulære nettverket veldig gode. Jeg ønsket at hver celle i rasteret skal ivareta objektene fra TIN modellen best mulig, en oppløsning på 1 x 1 meter for rastermodellen må sies å være det mest optimale grunnlaget for en sol og utsiktsanalyse. 56

57 Figur 16 Sjømannsveien 32, Trondheim. Konvertering fra bygninger i polygon til raster med 1 meters oppløsning. Vi ser av figur 16 at bygningene har blitt forskjøvet etter konvertering fra polygon med flyttall til bygningsraster med heltall. Men arealet er det samme og avstanden mellom bygningene er bevart. Jeg har også utført en form for kvalitetsvurdering der jeg har sammenlignet høydeverdiene til vektor og raster dataene. Figur 17. Sammenligning av høydeverdier i området rundt enebolig nr De hvite tallene er takhøyde. 57

58 Høydepunktenes verdier foran og bak boligen (figur 17) er tatt direkte fra rasterdataene som er konvertert fra TIN modellen. Høydeverdiene stemmer godt overens med høydepunktene og høydelinjene som TIN modellen ble generert fra(rød tekst). Dette viser at høydeverdiene er til å stole på. Hvis vi legger på en OFFSETA på 5 meter for høydepunktene foran og bak så får vi en utsikt som gjenspeiler en person stående i andre etasje eller på verandaen 17 moh. Dette er fortsatt 4 meter under tak høyden for enebolig nr.123, som er 21 meter høy. Det eneste tap av nøyaktighet er at vi bruker heltall istedenfor flyttall. Som vi ser fører ikke dette til større problemer. Til sist har jeg sammenlignet arealet på bygningsflater i vektordataene med flyfoto fra statens kartverk og google map/earth. Jeg har også sammenlignet koordinater på vektordataene kontra statens kartverk. Høydedataene har jeg kontrollert med GPS i et åpent område. Jeg har ikke funnet avvik som skal tilsi at min terrengmodell er unøyaktig. I et GIS er presisjonen kun begrenset av instrumentet og målemetoden som benyttes (Bernhardsen 2006). En datamaskin med høy ytelse ville kunne minsket graden av generalisering fordi jeg da kunne jobbet med flyttall. Jeg ser likevel ingen grunn for at centimeter skal ha en stor innvirkning på analysen for et så stort utvalg. Dessuten ville en slik analyse vært uhensiktsmessig og bedre egnet for å modellere arkitektoniske elementer. Av hensyn til dataytelse og av praktiske årsaker så valgte jeg derfor å generalisere fra flyttall til heltall med 1 meters oppløsning. Dette tapet av nøyaktighet har liten betydning for mine analyser. Generaliseringen ble utført på hele datasettet og vil ikke favorisere enkelte eneboliger. Kvalitetsvurderingen som har blitt gjort underveis har også gitt meg en forsikring om at generaliseringen ikke vil gå utover gyldigheten av mine beregninger og analyser i GIS & SPSS Oppsummering DTM Det optimale ville vært om jeg hadde høydedata for hver centimeter av Trondheim og deretter genererte en DTM, men så mange punkter eksisterer ikke og hvis det hadde eksistert så ville det krevd en supermaskin for å generere en terrengmodell basert på slike data. LIDAR data kunne gitt meg en mer nøyaktig terrengmodell, men det ville fortsatt krevd en veldig kraftig datamaskin (Bernhardsen 2009). Trondheim kommune hadde dessverre ikke et fullstendig LIDAR datasett som jeg kunne bruke. Uansett var det ønskelig å generere 58

59 en TIN basert på eksisterende vektordata, for å se om nøyaktigheten blir god nok. De aller fleste kommuner og steder i Norge har heller ikke tilgang på LIDAR data og at jeg derfor bruker en metode som kan gagne flertallet er ønskelig. Jeg anser min terrengmodell som mer en god nok for beregning av sol og utsiktsforhold. I analysedelen vil jeg omtale den komplette terrengmodellen som dem_bygg (DEM = Digital Elevation Model). DEM_bygg består av terreng og bygninger som er grunnlaget for mine sol- og synlighetsanalyser. 4. Analyse, resultater og diskusjon Når en bruker geografiske informasjonssystemer og statistisk programvare så er det veldig viktig å dokumentere hvilke parametere som er brukt. En feilberegning, feilvurdering eller feiltolkning vil i verste fall føre til en feilaktig beregning etterfulgt av en ugyldig konklusjon. Derfor er det viktig å være detaljert og presis i analysedelen. Jeg vil begynne med å analysere Questbacken som var et viktig ledd i min masteroppgave. Questbacken er et tilskudd til eksisterende teori om hvorfor jeg blant annet valgte sol og utsiktsforhold som viktige faktorer ved boligkjøp. Jeg vil videre analysere datainnsamling og operasjoner utført i ArcGIS. En stor del av tiden gikk med til geoprosesseringer i GIS og resultatene der er følgelig svært viktig for videre analyse i SPSS. 4.1 Python Script Python er en programvare som ble implementert i ArcGIS versjon 9.0. Python er et ypperlig programmeringsverktøy for store operasjoner som skal utføres på for eksempel geometriske data. I Python starter en kodingen med å opprette en databasekobling til ArcGIS. Dette gir oss tilgang til verktøy og kartdata i ArcGIS databasen. Når den dynamiske koblingen er aktivert, så er det bare å kode fram ønsket funksjon slik at en kan kjøre skriptet. Skriptet er et dokument som består av flere koder. Hvis disse kodene er skrevet riktig så vil skriptet utføre de operasjonene som er angitt. Skripting er svært nyttig når det skal utføres store 59

60 analyser. Skriptet kan i tillegg brukes om igjen til senere bruk. Et annet nyttig aspekt er at ArcGIS ikke trenger å kjøre i bakgrunnen for at Python skal kjøre skript. Dermed sparer en dataminne (RAM), som istedenfor kan brukes til å kjøre skriptet raskere. Python har vært en uvurderlig del av mine geoprosesseringsanalyser. Jeg har kunnet være i stand til å starte automatiske operasjoner for hundrevis av punkter uten å måtte starte en operasjon manuelt for hvert punkt. Dette har ført til store tidsbesparelser. 4.2 Analyse av punktenes plassering Punkter som representerer eneboliger skulle brukes til solinnstråling- og synlighetsanalyse i ArcGIS. Først måtte jeg finne matrikkelpunktene for eneboliger solgt i Dette gjorde jeg for å finne fram til de riktige bygningene som skulle være grunnlag for plasseringen av sol og utsiktspunkter. I begynnelsen var planen kun å analysere ett punkt for hver enebolig, dette ville gi et dårligere bilde av de faktiske sol- og utsiktsforhold. To punkter gir ett mer realistisk bilde av de faktiske forholdene. For eksempel gjelder dette eneboliger på Øvre Ila som har utsikt mot nordøst og mottar solinnstråling fra sørvest. Det ene punktet ble plassert mot fjorden og det andre punktet på motsatt side. Hvert punkt bestod i starten av en X og Y verdi og informasjon om bygningsnummer. Bygningsnummeret måtte være med som koblingsnøkkel, slik at jeg tilslutt kunne koble eneboligpunktene opp mot matrikkelen. Kartgrunnlaget for plassering av punktene var bygningspolygon og verandaer. For at beregningene skulle gi et så realistisk bilde av virkeligheten som mulig, så måtte punktene bli plassert på naturlige steder. Punktene ble derfor plassert midt på en veranda hvis en veranda eller én meter på utsiden veggen slik at punktet ikke kunne bli overlappet av bygninger som senere skulle konverteres fra vektor til raster (figur 16). Grunnen til at jeg ikke fikk digitalisert punktene ved samtidig visning av rastermodellen var at ArcGIS til stadighet hang seg opp under manuell digitalisering. Derfor brukte jeg 60

61 bygningene i vektor som referansegrunnlag ved digitalisering av punktene. Etter flere dager med manuell digitalisering av punkter med tilhørende kvalitetsvurdering så endte jeg opp med 267 x 2 = 534 punkter (figur 6) som skulle brukes til solinnstrålings- og synlighetsanalysen. 4.3 Hva er synlighetsanalyse? En synlighetsanalyse beregner hvor mange ruter i rasteret/terrengmodellen som er synlige fra ett eller flere observasjonspunkt. Synlighetsanalysen går ut på at det trekkes linjer mellom observasjonspunktene og cellene i rasteret. Hver celle som er synlig fra observasjonspunktet får verdien 1 og obstruerte celler får verdien 0. Denne beregningen utføres for hver celle i rasteret og summerer tilslutt antallet synlige og ikke synlige celler i databasen. Jeg skal summere utsikten/synligheten for to representasjonspunkter for hver enebolig i mitt utvalg. Høydeverdien til punktet vil tilsvare overflaten på terrengmodellen (SPOT) i tillegg til at jeg legger til en OFFSETA på fem meter (se figur 19 og 20). Samtlige eneboliger i mitt utvalg er på flere etasjer med en takhøyde på 7-12 meter. Jeg ønsker å få med utsikten slik den vil gjenspeile seg i en eventuell andre etasje eller fra en veranda. En offset på fem meter over bakken gjenspeiler utsikten til en person som står i andre etasje og speider ut over horisonten. 61

62 Figur 18 Utsikten som den fortoner seg fra et branntårn (Grønn pil) og den totale utsikten fra branntårnet (grønne områder) i en synlighetsanalyse (ESRI 2010) Det er mange parametere som kan benyttes for en synlighetsanalyse. Bruken av disse parameterne skal gjøre synlighetsanalysen så virkelighetsnær som mulig og kan modifiseres etter behov. Figur 19 Mulige parametere for en synlighetsanalyse (ESRI 2010) SPOT verdien til punktet brukes for å definere høyden på bakkenivå. SPOT verdien burde kopieres rett fra rastermodellen for å unngå at punktet ikke havner under eller over bakkenivå. 62

63 Figur 20 Høydeverdien til observasjonspunktet vil være summen av SPOT og OFFSETA (ESRI 2010) OFFSETA er den vertikale avstanden fra bakkenivå til ønsket høyde. OFFSETA legges til SPOT verdien. Hvis OFFSETA eksisterer som eget felt i en egenskapstabell så vil hver bygning kunne ha en unik høyde og dermed bedre nøyaktighet. Hvis ikke kan en definere én bestemt høyde for alle observasjonspunkt, noe som jeg har gjort. Meningen med OFFSETA er for eksempel å angi høyden på en person som står på en balkong og ser utover landskapet. Hvis balkongen befinner seg 3.3 meter over bakkenivå og personen er 1.7 m høy så vil en OFFSETA på 5 meter legges til SPOT. Figur 21 Horisontal Azimut (ESRI 2010) Asimut definerer en horisontal sektor fra observasjonspunktet, altså som for eksempel en veranda. Hvis en person står på en veranda vendt mot sør, lener seg mot rekkverket og speider til alle sider så vil personen normalt ha et utsyn på 180 grader. Denne horisontale sektoren defineres med asimutgradene 90 grader og 270 grader. Figur 22 Vertikal Asimut (ESRI 2010) Vertikal vinkel definerer den vertikale aksen som skal brukes. En person som lener seg mot rekkverket på sin veranda og ser opp og ned vil kunne se i en vinkel på 180 grader. 63

64 Figur 23 Radius fra observasjonspunkt (ESRI 2010) Radius kan justeres etter ønske om størrelsen på området som skal analyseres. Hvis terrengmodellen dekker et stort område, så vil det være hensiktsmessig å nedjustere radiusen på området. En slik nedjustering gjør det mindre krevende for prosessoren. Jordens kurvatur og refraksjonskoeffisient kan også velges som parameter. Dette fører til at det blir gjort korreksjoner som tar hensyn til at jorden faktisk krummer. Korreksjoner gjøres med grunnlag i rasteret sine koordinater og koordinatsystem, rasteret mitt er lagret i datumet WGS_84 og projeksjonen UTM_32N. Rasteret må inneholde det samme referansesystemet som observasjonspunket. Hvis dette gjøres så vil synlighetsanalysen ta hensyn til jordens kurvatur i sammenheng med projeksjonen til rasteret. Dette betyr at en person som står ved havnivå vil kunne se fram til horisonten som da vil være ca 5 km unna (Norton 2004). 64

65 4.3.1 Resultatet av synlighetsanalysen Vi vet nå at synlighetsanalyse er et verktøy i GIS som måler utsikten fra ett utsiktspunkt, som i mitt tilfelle vil bestå av 534 separate punkter. I tillegg krever verktøyet en rastermodell, som jeg har valgt å kalle dem_bygg. Dem_bygg er den ikke-aggregerte rastermodellen inkludert bygninger med en oppløsning på 1x1 meter. Rasteret dekker hele Trondheim kommune og er på nesten 4 gigabit. Utsiktspunktene inneholder egenskapene X,Y og Z, pluss at jeg har valgt å bruke en OFFSETA parameter på fem meter. Verdiene ble lagt til ved hjelp av en batch prosessering i python script (Vedlegg 3 ADD x,y,z Batch Script). OFFSETA representerer altså utsikten for en person stående i andre etasje kikkende ut av et vindu eller fra verandaen. Figur 24 Synlighetsanalysen for enebolig nr. 123, eneboligen er lokalisert på Øya langs Nidelva. Eneboligpunktet har en OFFSETA på 5 meter over bakkenivå. Det rosa området er utsikten fra baksiden av huset og det grønne området er utsikten foran. Det synlige området består av til sammen ruter (kvm2) altså er 325 mål synlig fra boligen.. 65

66 Synlighetsanalysen ble kjørt som en batch prosessering i python (Vedlegg 5 Viewshed Batch Script). Python script er optimalt når en skal kjøre flere like operasjoner etter hverandre. Skriptet beregnet synlighetsanalysen for ett utsiktspunkt og takket være en loop mekanisme, så kunne den bruke det samme skriptet for neste utsiktspunkt, helt til alle punktene var analysert. Før jeg satte i gang skriptingen, så testet jeg hvor lang tid synlighetsanalysen ville bruke for ett punkt. Det tok nesten 40 minutter. Hvis jeg skulle bruke én eneste data for å beregne utsikten til 534 eneboliger så ville det ta ca. 20 dager. Jeg valgte derfor å dele datasettet i to og parallellprosesserte analysen på to arbeidsstasjoner. Synlighetsanalysen tok likevel over to uker på grunn av overoppheting og manglende lagringsplass. Bortsett fra dette kjørte analysen uten større problemer. Resultat for synlighetsanalysen for enebolig nr. 123 ser du i figur Arealbruksanalyse Etter synlighetsanalysen satt jeg igjen med 534 synlighetskart (binære raster) og jeg ønsket å videre å beregne hvilke arealbrukstyper som ble overlappet av synlighetskartene, slik at jeg fikk informasjon om hvilke arealtyper som var synlige fra hvert punkt. Som grunnlag måtte jeg bruke et FKB- Arealbrukskart fra Trondheim kommunen. Kartet bestod av fire arealbruksklasser: Vann, Samferdsel, Bebygd og Grønne områder. 66

67 Figur 25 Arealbrukskart for deler av Trondheim med fire arealbruksklasser. For å finne ut hvilke ruter som tilhører hvilken arealbruksklasse så var jeg nødt til å bruke kartalgebra funksjonen multiplikasjon. Synlighetskartet består av binære koder for hvert piksel, den binære koden viser 1 hvis det eksisterer utsikt og 0 hvis det ikke er utsikt til ruten. En multiplikasjon mellom det binære synlighetskartet og arealbrukskartet gjør at de overlappende rutene i de to rasterkartene multipliseres med hverandre. Tilslutt summeres antall synlige rasterceller per arealbruksklasse som lagres i en ny tabell (Vedlegg 6 - Zonal Batch Script). Figur 26 Multiplikasjon av to rasterlag (ESRI 2010) 67

68 Synlighetsanalysen til eneboligpunkt nr. 123 bestod av synlige celler (figur 24). Av dette var Vann = 0, Grønne områder = , Bebygd = 15811, Samferdsel = 2327 En inndeling av antall celler i hver arealbruksklasse kan gi meg svar på om noen arealtyper er verdt mer enn andre. Det kan tenke seg at en multivariat regresjonsanalyse viser at utsikt til vann korrelerer positivt med økning i kjøpesummen og at utsikt til samferdsel korrelerer negativt. 4.4 Hva er solinnstrålingsanalyse? Solinnstråling kan inndeles i tre komponenter: direkte, diffus og reflektert solinnstrålin (figur 27). Solinnstrålingsanalysefunksjonen i ArcGIS måler direkte og diffus solinnstråling for ett gitt punkt eller areal. Solinnstrålingen kan måles som energi eller som varighet. Jeg ønsker å beregne antall timer direkte solinnstråling for punktene som representerer hver enebolig. Det er mulighet også her for å angi en vertikal høyde (OFFSET) for hvert punkt, men dette har jeg ikke benyttet siden jeg ønsker å estimere hvor mye direkte sol som treffer bakkenivå (gressplenen/gårdsplassen osv). Figur 27 Point Solar Radiation (ESRI 2010) 68

69 Solinnstråling blir i stor grad påvirket av topografi og omkringliggende elementer slik som bygninger og trær. Å beregne solinnstråling kan sammenlignes med å ta et hemisfærisk fotografi av himmelen fra et gitt punkt gjennom en fiskeøyelinse (figur 28). Se for deg selv ligge på plenen og se opp på himmelen når du ser til alle retninger. Den delen av himmelen som er synlig vil ligne på det hemisfæriske bildet som blir generert i solinnstrålingsanalysen. Figur 28 Himmelretning, Synlig område i hvitt og den faktisk synlige hemisfæren, a fisheye (ESRI 2010) Den direkte solinnstrålingen for hver himmelretning blir beregnet ved å overlappe det hemisfæriske bildet med et solkart. Et solkart representerer solens bane over himmelen til enhver tid for det gitte området (figur 29). Dette blir som om en ser opp på himmelen når solen krysser hemisfæren over en lengre periode. Figur 29 Solkart for 45º Nordlige breddegrad i perioden 21. Desember til 21. Juni (ESRI 2010) 69

70 Solkartet er delt inn i sektorer og sektorene er delt inn i 30 minutters intervaller. Dette gjør det mulig for meg å beregne nøyaktig antall soltimer for et punkt for hvilken som helst dag i året. Beregningene av solar radiation i GIS er virkelig et unikt verktøy. Det er mange parameter som inngår i en solar radiation. SKYZISE kan justeres fra 100 og 4000, der 200 er forhåndsvalget. En høyere SKYSIZE gir en høyere oppløsning, som igjen betyr lengre kalkuleringstid. Høyere SKYSIZE vil være mest effektivt å bruke når en skal beregne dager med korte intervaller. I mitt tilfelle har jeg langt intervall mellom dagene og trenger derfor ikke en særlig høy SKYSIZE. DAY INTERVAL er en parameter der en velger hvilke dager som skal være med i beregningen. Her kan en blant annet velge å beregne solinnstråling for Special days. Spesielle dager er sommersolverv ( Summer Solstice, 21. Juni), vårjevndøgn ( Equinox, 21. Mars) og vintersolverv ( Winter Solstice, 21. Desember) (Norton 2004). Deretter kan en velge HOUR INTERVAL, som vi kan se av solkartet (figur 29) så er det angitt 30 minutters intervaller. Den siste parameteren er TRANSMITTIVITY og gjenspeiler hvor mye sollys som slipper gjennom atmosfæren. Forurenset atmosfære slipper igjennom mindre sollys enn en ren atmosfære. Jeg har angitt en transmisjonskonstant på 0.7, som tilsvarer en relativt høy solinnstråling. Transmisjonskonstanten vil ikke ha veldig mye å si for min oppgave da jeg studerer et begrenset område. Variasjonene i solinnstrålingen for forskjellige steder i Trondheim vil ikke være av stor betydning. Men det kan være veldig interessant når en sammenligne byer med mer eller mindre forurensning Resultat av solinnstrålingsanalysen Solinnstrålingsanalysen har som sagt en del modifiserbare parametere. Som grunnlag for analysen kreves det i tillegg en terrengmodell (Demclip3m_bygg). Analysen krever også solinnstrålingspunkter med X,Y og Z verdier, som i mitt tilfelle vil være 534 representasjonspunkter. Punktene inneholder egenskapene X,Y og Z. Parameter innstillingene ble som følger: Latitude = (nordlige breddegrader for eneboligen), Height Offset = 0 (representerer en person liggende på gressplenen som ser opp mot himmelen) Skysize = 512 (oppløsningen for hemisfæren), Day interval = Special days (solkart), Hour Interval = 0.5 (Beregningene har en nøyaktighet på 30 minutters intervall), 70

71 Calculation directions = 64, Zenith = 18, Azimuth = 8, Uniform sky, Diffuse proportion = 0.3, Transmittivity = 0.7. Solinnstrålingsanalysen ble utført for hvert eneste eneboligpunkt ved hjelp av en batch prosessering i python script (Vedlegg 8 - Sun Radiation Batch Script). På grunn av scriptingen så var jeg i stand til å kjøre en solinnstrålingsanalyse som jobbet av seg selv. Jeg behøvde ikke å gjøre stort annet en å sjekke at alt kjørte som det skulle. Solinnstrålingsanalysen brukte cirka 20 minutter for ett punkt. Hvis jeg skulle bruke én datamaskin for å beregne utsikten til 534 punkter så ville det tatt ca. 10 dager. Jeg valgte derfor å dele datasettet i to henholdsvis representasjonspunkter foran og bak eneboligene og parallellprosesserte analysen på to arbeidsstasjoner. Solinnstrålingsanalysen tok fem dager og ga meg solinnstrålingen i timer for tre spesielle dager for alle de 534 separate eneboligpunktene. Figur 30 Den synlige hemisfæren på forsiden av enebolig nr. 123 (fisheye) 71

72 En person som ligger på plenen for enebolig 123 (figur 19) vil kunne se den del av hemisfæren som vist i figur 30. Figur 31 Solkartet på forsiden av enebolig nr. 123 for tre spesielle dager. Solkartet i figur 31 representerer solbanen for enebolig 123 for tre spesielle dager. 72

73 Figur 32 Hemisfæren og solkartet kombinert for punktet på forsiden av enebolig 123. Hvis vi overlapper det hemisfæriske bildet (figur 30) med solkartet (figur 31) får vi bildet i figru 32. Dette gjør det mulig å beregne den direkte solinnstrålingen i antall timer og minutter for de tre spesielle dagene. Beregningene lagres i en database ved hjelp av et skript (Vedlegg 8 - Sun Radiation Batch Script) Oppsummering analyser Vi har nå sett hvordan GIS på en effektiv måte beregner solinnstråling og synlighetsanalyse for over 534 representasjonspunkter. Beregningene ble tilslutt koblet sammen med matrikkelen ved hjelp av en felles identitetsnøkkel for hver enebolig (bygningsnr). Deretter ble tabellene eksportert til et databaseformat som kunne analyseres videre i SPSS. 73