Boligbehovsestimering i Panda Kommunekonferansen 02.11.2010 Ulf Johansen 1
Panda - Webbasert Prognosemodell 2
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
Panda vs. SSBs MMMM Fruktbarhet DødSsannsynlighet M M Innenlands mobilitet Innvandring M M 4
Våre alternativer er: 9 ulike prognoser på kommunenivå MMMM LLMH MH0L LH0H LLMM MLML MMMH HHMH LM0H HHML LLML 5
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
Case 1: Fjell kommune 7
Flytteforutsetninger Fjell kommune 100 0 100 200 300 400 500 600 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 Netto innenlands flyttenivå Netto innvandring
Fjell - Aldersprofil til nettoflyttingen 9
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
Boligbehov Fjell og Usikkerhet 11
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
Vekst i boligbehovet til gruppen 70+ 13
Vekst i boligtypebehovet til gruppen 70+ 14
Boligtypebehovet i Fjell 15
Eksempel: Politisk mål om redusert arealbruk for ulike husholdningstyper En mann på 70-75 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
Legge inn egne forutsetninger.. 17
Eneboligbehovet Fjell 7075 Menn Par 18
Case 2: Os kommune 19
Flytteforutsetninger Os kommune Netto innenlands flyttenivå Netto innvandring
Boligbehov Os og Usikkerhet 21
Boligtypebehov i Os 22
Stor forskjell i usikkerheten Os Fjell 23 100 0 100 200 300 400 500 600 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030
Case 3: Askøy kommune 24
Flytteforutsetninger Askøy kommune Netto innenlands flyttenivå Netto innvandring
Boligbehov Askøy med usikkerhet 26
Ekstreme flytteforutsetninger 27
Flytteforutsetninger det meste ekstreme som denne modellen gir..
Flytteforutsetninger og befolkningsvekst 29
Befolkningsvekst Askøy 30
Fremtidige boligfelt i Trondheimsregionen 31
Boligplaner i Trondheimsregionen 32 0 1000 2000 3000 4000 5000 6000 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 Stjørdal Malvik Klæbu Skaun Melhus Orkdal Trondheim
Boligplaner i Trondheimsregionen 33
Konklusjon IKAP Interkommunal arealplan IKAP legger opp til at kommunene skal fordele sin boligbygging gunstigst i forhold til CO2-utslipp. 34
Noen som vil teste Panda-systemet? Benytt denne linken: http://panda.sintef.no/panda/main/login.jspx Brukernavn: Dialog Passord: 12cf6d Takk for meg! 35