Boligbehovsestimering i Panda

Størrelse: px

Begynne med side:

Download "Boligbehovsestimering i Panda"

Sigve Christiansen
10 år siden
Visninger:

1 Boligbehovsestimering i Panda Kommunekonferansen Ulf Johansen 1

2 Panda - Webbasert Prognosemodell 2

3 Kommuneplanleggerens Dilemma Benytte SSB sine trygge prognoser. Slipper å stå inne for valg som er gjort i prognosearbeidet SSB prognoser ligger der og kan lastes ned på 5 min Panda/Kompas gir større innsikt i prognoseforutsetningene som er gjort for den enkelte kommune, men krever mye arbeid 3

ligger der og kan lastes ned på 5 min Panda/Kompas gir større innsikt i

4 Panda vs. SSBs MMMM Fruktbarhet DødSsannsynlighet M M Innenlands mobilitet Innvandring M M 4

5 Våre alternativer er: 9 ulike prognoser på kommunenivå MMMM LLMH MH0L LH0H LLMM MLML MMMH HHMH LM0H HHML LLML 5

6 Så hvilken prognose skal vi da velge? Èn MMMM-prognose? Eller skal vi lage noen What-if-analyser? Synliggjøring av usikkerhet i prognoseforutsetningene er viktig informasjon for de som skal tolke resultatet Vi lager modeller som viser usikkerheten og legger dette til grunn i Panda 6

Synliggjøring av usikkerhet i prognoseforutsetningene er viktig

7 Case 1: Fjell kommune 7

8 Flytteforutsetninger Fjell kommune Netto innenlands flyttenivå Netto innvandring

2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

9 Fjell - Aldersprofil til nettoflyttingen 9

10 Bakgrunn Boligbehov i Panda Ny metode for å estimere boligtypebehov på kommunenivå Årlig Datagrunnlag fra SSB: Befolkningsdata, husholdningsog boligfrekvenser samt boligtypefrekvenser Kan simulere hva som skjer med boligbehov under ulike forutsetninger, for eksempel flytting Kan være aktuelt å analysere dette nærmere for enkelt kommunene i regionen 10

boligtypefrekvenser Kan simulere hva som skjer med boligbehov under ulike

11 Boligbehov Fjell og Usikkerhet 11

12 Noe er mer sikkert Veksten i boligbehovet til den eldre delen av befolkningen er ikke i så stor grad avhengig av prognoseforutsetninger om flytting 12

13 Vekst i boligbehovet til gruppen

14 Vekst i boligtypebehovet til gruppen

15 Boligtypebehovet i Fjell 15

16 Eksempel: Politisk mål om redusert arealbruk for ulike husholdningstyper En mann på år i Fjell har 71 % sannsynlighet for å være i husholdningstypen Par uten barn. Den samme mannen har 86 % sannsynlighet for å bo i enebolig Hva om kommunen lanserer et mål om maks 50 % sannsynlighet for å bo i enebolig for denne aldersgruppen? 16

barn. Den samme mannen har 86 % sannsynlighet for å bo i enebolig Hva om kommunen

17 Legge inn egne forutsetninger.. 17

18 Eneboligbehovet Fjell 7075 Menn Par 18

19 Case 2: Os kommune 19

20 Flytteforutsetninger Os kommune Netto innenlands flyttenivå Netto innvandring

21 Boligbehov Os og Usikkerhet 21

22 Boligtypebehov i Os 22

23 Stor forskjell i usikkerheten Os Fjell

24 Case 3: Askøy kommune 24

25 Flytteforutsetninger Askøy kommune Netto innenlands flyttenivå Netto innvandring

26 Boligbehov Askøy med usikkerhet 26

27 Ekstreme flytteforutsetninger 27

28 Flytteforutsetninger det meste ekstreme som denne modellen gir..

29 Flytteforutsetninger og befolkningsvekst 29

30 Befolkningsvekst Askøy 30

31 Fremtidige boligfelt i Trondheimsregionen 31

32 Boligplaner i Trondheimsregionen Stjørdal Malvik Klæbu Skaun Melhus Orkdal Trondheim

33 Boligplaner i Trondheimsregionen 33

34 Konklusjon IKAP Interkommunal arealplan IKAP legger opp til at kommunene skal fordele sin boligbygging gunstigst i forhold til CO2-utslipp. 34

35 Noen som vil teste Panda-systemet? Benytt denne linken: Brukernavn: Dialog Passord: 12cf6d Takk for meg! 35

Like dokumenter

Sammendrag. Om fylkesprognoser.no. Befolkningen i Troms øker til nesten 175.000 i 2030

Sammendrag. Om fylkesprognoser.no. Befolkningen i Troms øker til nesten 175.000 i 2030 Sammendrag Befolkningen i Troms øker til nesten 175. i 23 Det vil bo vel 174.5 innbyggere i Troms i 23. Dette er en økning fra 158.65 innbyggere i 211. Økningen kommer på bakgrunn av innvandring fra utlandet