0
Miljörättvisa i Stockholms län
En undersökning om samband mellan socioekonomi och miljökvalitet
Av: Elinor Olsen och Tilda Rydgren
Handledare: Karin Ebert
Södertörns högskola | Institutionen för naturvetenskap, miljö och teknik
Kandidatuppsats 15 hp
Miljövetenskap | Vårterminen 2021
Programmet för Miljö och utveckling
Sammanfattning
Denna uppsats ämnar studera miljörättvisa i Stockholms län genom att undersöka om det finns
skillnader inom länet gällande miljökvalitet, och huruvida det i så fall finns ett samband mellan
miljökvalitetsfaktorer och socioekonomiska faktorer. En GIS-baserad metod i kombination
med statistiska analyser användes för att besvara frågeställningarna. Parametrarna bullernivåer,
kvävedioxid- samt partikelhalter och närhet till grön- och vattenområden studerades i relation
till inkomst, sysselsättning och utbildning i korrelationsanalyser. Observationerna bestod av
Stockholms läns 1287 demografiska statistikområden. Analyserna utfördes på hela länet samt
kompletterades av analyser där observationerna i Stockholms innerstad exkluderades. Relativa
miljökvalitetsrankingar och socioekonomiska rankingar skapades och visualiserades med
kartor. Studien visar en mycket svag korrelation mellan låg socioekonomisk status och sämre
miljökvalitet, ett samband som blir starkare när innerstaden exkluderas. Alla studerade
socioekonomiska variabler korrelerade med avstånd till vatten, ett resultat som indikerar att
avståndet till vattenområden är längre i socioekonomiskt svaga områden. Undersökningen
påvisar även att socioekonomiskt svaga områden har högre bullernivåer men en större närhet
till grönområden jämfört med socioekonomiskt starka områden. Exkluderandet av Stockholms
innerstad påverkade sambandsstyrkan för samtliga variabler vilket indikerar att inom
innerstaden är den socioekonomiska nivån generellt hög medan den miljömässiga generellt är
låg.
Nyckelord: Geografiska informationssystem (GIS), Demografiska statistikområden (DeSO),
distributiv rättvisa, korrelationsanalys
Abstract
This paper aims to study environmental justice in the Stockholm region by examining whether
there are differences concerning environmental quality within the region and, if so, whether
there is a correlation between the socioeconomic variables and the variables of environmental
quality. A GIS-based method in combination with statistical analyses has been used to answer
the research questions. Noise pollution, levels of nitrogen dioxide and particles, as well as
distance to greenspace and waterbodies were studied in relation to income, employment and
education in correlation analyses. The observations consisted of the 1287 demographic statistic
areas in Stockholm region. The analyses were made on the entire region as well as
complemented by analyses where the inner city of Stockholm had been excluded. Relative
rankings of the areas based on environmental quality as well as socioeconomic standard were
made and visualised with maps. The study shows a very weak correlation between lower
socioeconomic standard and worse environmental quality, a correlation that strengthens when
the inner city is excluded. All examined socioeconomic variables correlated positively with
distance to water, indicating that the distance to water is greater in areas with lower
socioeconomic standard. The study also shows that areas with lower socioeconomic standard
have higher levels of noise pollution but a shorter distance to greenspace compared to areas
with a higher socioeconomic standard. The exclusion of Stockholm inner city affected the
correlation for all examined variables, indicating that socioeconomic standard within the inner
city is generally high, while the environmental quality is generally low.
Keywords: Geographical information systems (GIS), distributional justice, demography,
correlation analysis
Innehållsförteckning 1. Introduktion ......................................................................................................................................... 1
1.1 Problemformulering ...................................................................................................................... 2
1.2 Syfte ............................................................................................................................................... 3
1.3 Frågeställningar ............................................................................................................................. 3
2. Bakgrund.............................................................................................................................................. 4
2.1 Den socioekonomiska situationen i Stockholms län ..................................................................... 4
2.2 Miljökvalitet i Stockholms län ....................................................................................................... 6
2.3 Teoretisk bakgrund ........................................................................................................................ 7
3. Teoretiskt ramverk .............................................................................................................................. 8
3.1 Att mäta socioekonomisk nivå av utsatthet .................................................................................. 8
3.2 Gränsvärden för att mäta miljökvalitet ......................................................................................... 9
3.3 Miljöfaktorer inom miljörättvisestudier ........................................................................................ 9
4. Material och metod ........................................................................................................................... 11
4.1 Beskrivning av datamaterialet ..................................................................................................... 11
4.1.2 Socioekonomiska data .......................................................................................................... 12
4.1.3 Miljödata .............................................................................................................................. 13
4.2 Informationsbehandling och tillvägagångssätt ........................................................................... 15
4.2.1 GIS-analys ............................................................................................................................. 15
4.2.2 Statistiska analyser ............................................................................................................... 16
4.2.3 Reliabilitet & Validitet .......................................................................................................... 17
5. Resultat .............................................................................................................................................. 18
5.1 Statistiska resultat ....................................................................................................................... 18
5.2 Karterade resultat ....................................................................................................................... 22
6. Diskussion .......................................................................................................................................... 27
6.1 Resultatdiskussion ....................................................................................................................... 27
6.2 Metoddiskussion ......................................................................................................................... 30
7. Slutsats .............................................................................................................................................. 32
Referenser ............................................................................................................................................. 33
Datamaterial ...................................................................................................................................... 39
Appendix 1. Kartor................................................................................................................................... 1
Appendix 2. Tabeller och beräkningar .................................................................................................... 1
Appendix 3. Flödesschema ...................................................................................................................... 1
1
1. Introduktion
I Sverige bor ca 40% av befolkningen i en storstadsregion och störst är Stockholms län med 26
kommuner och en befolkning på närmare 2,4 miljoner, vilket motsvarar 23% av Sveriges
befolkning (Boverket 2020a). Regionen består av tätort, tätortsnära landsbygd, landsbygd och
skärgård (Tillväxt- och regionplaneförvaltningen 2018). Länet ligger längst Östersjökusten, har
347 stycken naturreservat om totalt 193 687 hektar, vilket placerar länet bland de fem med
störst naturreservatsyta i landet (Naturvårdsverket 2021). Innerstaden kännetecknas av en hög
förekomst av vatten då den är byggd på öar, och enligt Stockholms stads reviderade
biotopkartering bestod 13% av markytan i staden av vatten och 20% av skog 2009 (Stockholms
stad 2013).
Ett av de svenska miljömålen, En god bebyggd miljö, innehåller både sociala och ekologiska
värden. Detta miljömål innefattar enligt Sveriges miljömål (2018), bland annat en god
vardagsmiljö som stöder människans behov, att det i närhet till bebyggelse ska finnas
grönområden av god kvalitet, att bebyggelsen ska erbjuda ett varierat utbud av bostäder samt
att människor inte ska exponeras för skadliga luftföroreningar och ljudnivåer (Sveriges
miljömål 2018). Miljömålets strävan går i linje med miljörättvisans princip om att alla
människor har rätt att skyddas från skadliga miljöföroreningar samt bo i en hälsosam och ren
miljö (Raymond et al. 2016, s. 198). I beskrivningen av miljömålet En god bebyggd miljö lyfts
konflikterna som kan uppstå mellan behovet av markexploatering och att minimera
luftföroreningar och buller. Även att grönområden kan tas i anspråk i syfte att förtäta
bebyggelsen innebär en målkonflikt (Sveriges miljömål 2020). Stockholms läns situation när
det gäller miljökvalitet ramas in väl av dessa konflikter. En av länets svåraste uppgifter är att
både tillgodose invånarna med adekvat infrastruktur samt möta bostadsbehovet och samtidigt
erbjuda en god levnadsmiljö (Centrum för arbets- och miljömedicin 2017, s. 4). En god naturlig
miljö, ren luft och tillgång till grönområden är viktiga faktorer för en god hälsa och allmänt
välmående. Detta faktum gör miljö och hälsa starkt sammankopplade, vilket motiverar att dessa
studeras i relation till varandra.
En annan faktor som har påverkan på hälsa och välmående är socioekonomi. Dahlgren &
Whitehead (2007) har skapat en modell för de huvudsakliga faktorer som påverkar människors
hälsa. Dessa faller inom grupper om socioekonomiska, miljömässiga och kulturella faktorer
(Dahlgren & Whitehead 2007, s. 11). Enligt Bartelink och Lager (2019) är Stockholms län
socioekonomiskt segregerat, och på ett flertal punkter syns tydliga geografiska skillnader.
Invånares hälsa skiljer sig mellan kommuner, och ännu tydligare skillnader syns om luppen
sätts på mindre områden och sammanväger flera faktorer. Av de öppenvårdspatienter som under
en femårsperiod också varit inlagda på sjukhus, varit långtidssjukskrivna, haft en period av
arbetslöshet eller ekonomiskt bistånd, eller har en psykiatrisk diagnos, hörde enligt en
kartläggning mindre än en tredjedel hemma i socioekonomiskt starka områden och mer än två
tredjedelar i socioekonomiskt svaga områden (Bartelink och Lager 2019, s. 193).
Enligt samma rapport är inkomstojämlikheten i Stockholms län högst i Sverige, och dessutom
ökande. Denna redovisas i Gini-koefficienten, vilket är ett värde mellan 0 och 1 där 0 betyder
2
att alla har samma inkomst och 1 betyder att en har all inkomst. Mellan 2004 och 2017 steg
Gini-koefficienten från 0,33 till 0,37 i Stockholms län (Bartelink et al. 2019 s. 45). Sedan 2005
har medianinkomsten i länet ökat något, men för den femtedel med lägst inkomst har den istället
minskat (ibid. s. 41), samtidigt som risken att dö i åldern 30–60 år var hela 5,7 gånger högre för
den gruppen jämfört med den femtedel med högst inkomst (ibid. ss. 23–24). Hade alla haft
samma låga dödlighet som höginkomsttagare, definierat som de 20% med högst inkomst, hade
61% av dödsfallen i åldersgruppen 30–60 år kunnat undvikas i Stockholms län (ibid. s. 27).
Samma siffra för alla åldersgrupper är 34% och för utbildning är mönstret liknande, om än inte
riktigt lika starkt (ibid. s. 23). I Stockholms län kräver numera majoriteten av arbeten
eftergymnasial utbildning, samtidigt som hela 21% riskerar att aldrig avsluta en treårig
gymnasieutbildning (ibid. ss. 27–28).
De två faktorerna miljökvalitet och socioekonomi påverkar hälsa, varför dessa inom
miljörättvisestudier ofta studeras i relation till varandra. Tidigare studier inom fältet pekar på
stora skillnader i levnadsförhållanden mellan olika områden och i andra delar av världen har
forskare kunnat konstatera högre förekomst av giftiga substanser och luftföroreningar i fattiga
områden med större andel minoritetsgrupper (Gochfeld & Burger 2011; Gunnarsson-Östling &
Höjer 2011; O'Neill et al. 2003). En möjlig förklaring till detta är att dessa gruppers röst hörs
mindre i politiska sammanhang (Khan et al. 2020, s. 3). Gunnarsson-Östling & Höjer menar att
rättviseperspektivet ofta faller bort ur samhällsplanering som utgår från hållbar utveckling.
Detta då miljörättvisa inkluderar positiva likväl som negativa miljöfaktorer och det krävs en
tolkning av vad rättvisa är av de som planerar (Gunnarsson-Östling & Höjer 2011, s. 1051).
Ojämlikheter i distributionen av miljökopplade risker och kvaliteter, samt olika deltagandegrad
och möjlighet att påverka, är anledningen till att miljörättvisa som forskningsfält finns och är
av stor vikt att ta hänsyn till i samhällsplanering. Som Gunnarsson-Östling & Höjer uttrycker
det handlar miljörättvisa i grunden om maktstrukturer som skapar och återskapar orättvisor
kopplade till miljö (ibid. s. 1050).
1.1 Problemformulering
Hur miljörättvisesituationen ser ut i Stockholm är inte väl beskriven, men olika parametrar
pekar på att olika miljövärden varierar geografiskt inom länet (Gunnarsson-Östling & Höjer
2011, s. 1052). Då det finns studier i andra länder som pekar på att låg socioekonomisk status
ofta går hand i hand med sämre kvalitet på närmiljön, är en geografisk studie på dessa
parametrar i relation till varandra i Stockholms län befogad. En oproportionerlig fördelning av
risker kopplat till miljön, likväl som tillgång till rekreation i naturliga miljöer skulle kunna
förhindra uppnåendet av Sveriges miljömål samt innebära en hälsorelaterad orättvisa. Detta
motiverar en studie om miljörättvisa på förhållandena i Stockholms län. Detta examensarbete
ämnar sammanställa och redogöra för ett antal parametrar kopplade till främst distributiv
miljörättvisa i Stockholms läns olika delområden.
3
1.2 Syfte
Syftet med detta examensarbete är att undersöka om det finns skillnader i distributionen av ett
antal kvantitativa faktorer kopplade till miljökvalitet inom Stockholms län, och om det i sådant
fall finns ett samband mellan socioekonomisk status och miljökvalitet. Genom att studera olika
parametrar av miljökvalitet, och sätta det i relation till ett antal socioekonomiska faktorer,
hoppas vi kunna besvara hur distributionen av miljökvalitet ser ut i länet. Målet med
undersökningen är att studera miljörättvisa i Stockholms län och visualisera hur de
miljömässiga respektive socioekonomiska faktorerna förhåller sig till varandra.
1.3 Frågeställningar
• Finns det samband mellan socioekonomi och miljökvalitet i Stockholms län?
• Om samband påträffas, på vilket sätt korrelerar de enskilda socioekonomiska
variablerna med de enskilda variablerna av miljökvalitet?
4
2. Bakgrund
I detta avsnitt redogörs för uppsatsens studieämnen och utgångspunkter. Stockholms läns
socioekonomiska situation beskrivs, följt av en redogörelse för länets miljökvalitet.
Därefter beskrivs miljörättvisans teoretiska bakgrund.
2.1 Den socioekonomiska situationen i Stockholms län
Boendesituation och -form är kopplat till socioekonomiska förhållanden. Enligt SCB (2017a)
kan boendeformen påverkas av det geografiska läget i landet, samt av hushållets inkomst.
Majoriteten av personer i hushåll med höga inkomster bor i småhus. Motsvarande siffra för
låginkomsttagare är 30%. I storstadsområden bor drygt hälften av höginkomsttagare i ägt
småhus medan 34% av dessa bor i bostadsrätt. Av låginkomsttagare i storstadsområdena bor
60% i hyresrätt medan 14% bor i ägt småhus (SCB 2017a). Enligt Stockholms läns landsting
(2018) bodde 41% av hushållen i länet i bostadsrätt 2017, medan 36% bodde i hyresrätt och
23% i äganderätt. Upplåtelseform och bostadstyp skiljer sig dock åt mellan kommunerna.
Exempelvis utgjorde småhus hela 81% av hushållens boendeform på Ekerö, medan endast 2%
bodde i småhus i Solna. Upplåtelseformen har förändrats över tid i Stockholms län, främst
gällande fördelningen mellan hyresrätter och bostadsrätter. 1990 bodde endast 18% av
hushållen i bostadsrätt, och den uppåtgående trenden tycks fortsätta då nybyggnationer de
senaste åren bestått av en högre andel bostadsrätter än vad som finns i beståndet i stort
(Stockholms läns landsting, 2018, s. 8). I innerstadens stadsdelar som Kungsholmen,
Östermalm och Vasastan, samt i närliggande stadsdelar som Liljeholmen, Årsta och Hammarby
sjöstad, kan bostadsrättsformen uppgå till över 70% av det totala bostadsbeståndet (Region
Stockholm 2020).
Andersson och Magnusson Turner har tittat närmare på Stockholms stads boendeformer och
utförsäljning av allmännyttan, och kan konstatera att 32% av stadens invånare bodde i
allmännyttiga hyresrätter 1990, en siffra som 2010 sjunkit till 18% (Andersson & Magnusson
Turner 2014 ss. 3–4). Allmännyttan har – förutom tillgodoseendet av bostäder till en växande
befolkning – historiskt sett spelat en viktig roll i Sveriges nationella sociala blandningsmål ända
sedan 1970-talet (Bergsten & Holmqvist 2013, ss. 288–289), så en utförsäljning och i
förlängningen avveckling av allmännyttan kan ses som en potentiell risk för ökad segregation.
Andersson och Magnusson Turner redogör vidare för den geografiska inkomstskillnad och
trend som syns inom Stockholms stad, där de boendes inkomster i innerstaden ökat substantiellt,
medan de i ytterförorterna som domineras av flerfamiljshus tydligt minskat, något som visar på
en rumslig socioekonomisk polarisering (Andersson & Magnusson Turner 2014, ss. 11–13).
Även boendeyta och trångboddhet varierar stort mellan länets kommuner. Trångboddhetsnorm
3 är den norm som sedan 1986 används av bland annat Boverket (2016), och enligt den ska
varje person i ett hushåll (inklusive barn) ha eget sovrum, förutom partners som kan dela. Det
ska även finnas ett kök och ett vardagsrum (Boverket 2016, s. 9). Stockholms läns landsting
(2018) använder i sin rapport ”Norm 3 justerad”, vilket innebär att singelhushåll i
5
enrumsbostäder inte räknas som trångbodda. Enligt denna norm är trångboddheten som störst i
Botkyrka, där 34% av alla hushåll i flerbostadshus, och hela 57% av alla personer boende i
flerbostadshus anses trångbodda. Minst är trångboddheten i Täby, Danderyd och Norrtälje där
motsvarande siffror är ungefär hälften så stora (Stockholms läns landsting 2018, ss. 5, 14).
Botkyrka hade enligt SCB länets lägsta medianinkomst 2019, medan Danderyd och Täby hade
den högsta respektive näst högsta medianinkomsten samma år (SCB 2021).
Socioekonomiska förhållanden spelar roll för hälsa. Då livslängd och dödlighet är kopplat till
hälsa, blir dessa mått intressanta att titta på vid studerandet av rättvisefrågor och områdens
relativa socioekonomiska utsatthet. Information om medellivslängd blir osäkrare och mer
påverkad av slumpmässiga faktorer ju färre personer den omfattar (Region Stockholm 2019, s.
15), men den kan hjälpa till att skapa en överblicksbild. För mindre områden kan dödlighet och
ohälsodagar, det vill säga dagar med sjukpenning och annan sjuk- och skadeersättning, vara
mer talande.
Enligt Region Stockholm (2019) ökar medellivslängden generellt sett i Sverige, och så även i
Stockholms län, men det finns regionala skillnader. Mellan Stockholms läns kommuner fanns
en något större varians i medellivslängd än mellan länen i riket under tidsperioden 2014–2018.
Även skillnaden mellan kvinnors och mäns medellivslängd var något högre i Stockholms läns
kommuner jämfört med riket. Danderyds kommun hade länets högsta medellivslängd för män
(drygt 84 år) och för kvinnor var den högst (86 år) i Danderyd, Täby och på Lidingö. Lägst var
medellivslängden för kvinnor i Nykvarn (83,3 år) och för män i Nynäshamn (79,5 år) (Region
Stockholm 2019, s. 23).
Dödligheten i Stockholms läns kommuner jämförs med riket i stort för inrikes och utrikes födda
i åldern 65–79 år, då det är en åldersgrupp med relativt många dödsfall. Totalt sett var
dödligheten lägre jämfört med riket i Danderyd, Järfälla och Täby. För inrikes födda var
dödligheten dessutom lägre på Ekerö, Lidingö, i Nacka, Sollentuna, Vallentuna och Vaxholm.
Högre dödlighet än riket hade Botkyrka och Södertälje. För inrikes födda var den dessutom
högre i Haninge, Nynäshamn, Sigtuna och Sundbyberg, och för utrikes födda i Huddinge
(Region Stockholm 2019, s. 26–27).
Flera faktorer påverkar medellivslängden enligt SCB (2016), och inkomst är en av de faktorer
som ofta anses ha stor betydelse för både hälsa och livslängd. Det skiljde nästan åtta år i
återstående medellivslängd från 30 års ålder mellan gruppen höginkomsttagande män och
gruppen låginkomsttagande män under perioden 2010–2013. För kvinnor var skillnaden mellan
samma inkomstgrupper drygt fyra år (SCB 2016, ss. 13, 53).
En annan faktor som statistiskt sett har en stor påverkan på medellivslängd är utbildningsnivå.
Enligt Region Stockholm (2019) skiljer sig den återstående medellivslängden från 30 års ålder
betydligt åt beroende på utbildningsnivå, i Stockholms län från 50,4 år för de med förgymnasial
utbildning till 55,7 år för de med eftergymnasial utbildning. För gruppen män i Stockholms stad
skilde det drygt sju år i återstående medellivslängd mellan de med förgymnasial utbildning och
de med eftergymnasial utbildning och för män i länet skilde det drygt sex år (Region Stockholm
2019, s. 30).
6
2.2 Miljökvalitet i Stockholms län
Det är främst de som bor nära stora vägar och järnvägar i Stockholms län som, enligt Centrum
för arbets- och miljömedicin (2017), utsätts för luftföroreningar och buller. 6,5% av
befolkningen i länet uppges exponeras för halter av partiklar (PM10) överstigande riktvärdet
för miljömålet Frisk luft. Motsvarande värde för exponeringen av kvävedioxid (NO2) är 2,8%
(Centrum för arbets- och miljömedicin 2017, ss. 22–23). O'Neill et al. (2003) beskriver att
exponering för olika typer av luftföroreningar leder till negativa effekter på människors hälsa.
Samband mellan exponering av luftföroreningar och mortalitet, hjärt- och lungsjukdomar,
försvagad lungfunktion och lungcancer har konstaterats (O'Neill et al. 2003, s. 1862).
Medellivslängden i Stockholms län förkortas med 9 månader på grund av luftföroreningarnas
negativa hälsoeffekter (Centrum för arbets- och miljömedicin 2017, s. 28). Om
bullersituationen i Stockholms län saknas lika detaljerad information som finns för
luftföroreningar, men Centrum för arbets- och miljömedicin (2017) uppger att 28% av
befolkningen har ett bostadsfönster mot en källa till buller. Värst drabbade är de som bor i
flerfamiljshus, där 35% har ett fönster som vetter mot en bullerkälla, vilket kan jämföras med
16% av de som bor i småhus. Den påverkan på hälsan som buller innebär är allmän störning,
störning av vila, avkoppling och sömn, förhöjda stressnivåer samt försämrad kommunikation.
11% av de boende i Stockholms län uppger själva att de störs mycket eller väldigt mycket av
buller och 4,6% uppger att de har sömnproblem på grund av buller (Centrum för arbets- och
miljömedicin 2017, ss. 31–36).
Grönområden har istället positiva effekter på både hälsa och miljö (Centrum för arbets- och
miljömedicin 2017, s. 8). Årsmedeltemperaturen beräknas ha stigit med 3–5°C och
vegetationsperioden beräknas ha förlängts med 60–100 dagar år 2100 i Stockholms län (ibid. s.
41). Grönytor har en kylande effekt på stadsmiljön, förmildrar riskerna med mer frekventa
översvämningar, binder koldioxid samt filtrerar föroreningar och bidrar till renare luft (ibid. ss.
41–50). Hälsoeffekter som närhet till dessa områden har på människan är till stor del kopplade
till rekreation. Detta bidrar till andrahandseffekter på människors fysiska hälsa, som minskad
risk för hjärt- och kärlsjukdomar, övervikt och depression (Natural England 2010, ss. 4, 29).
Att spendera tid i naturområden, och att ha dem nära, kan dessutom motverka en del av de
negativa effekter – som exempelvis stress – som buller kan ha på hälsan (Centrum för arbets-
och miljömedicin 2017, ss. 21, 31, 50).
De flesta i Stockholms län har, enligt Centrum för arbets- och miljömedicin (2017), ett
grönområde inom gångavstånd från sin bostad, men skillnader mellan inkomstgrupper finns i
hur frekvent dessa vistas i grönområden. I rapporten definieras grönområden som skogbeklädd
mark, friluftsområden eller parker. Bland låginkomsttagare utan ett grönområde inom
gångavstånd uppgav 23% att de ändå vistades i ett grönområde varje vecka, medan 20% uppgav
att de aldrig gjorde det. För höginkomsttagare utan ett grönområde inom gångavstånd uppgav
65% att de vistades i ett grönområde varje vecka, medan endast 1% uppgav att de aldrig gjorde
det. Det fanns också, enligt rapporten, indikationer på att närhet till grönområden påverkar den
självupplevda hälsan. För alla inkomstgrupper gällde att av dem som självskattat sin hälsa som
“mycket god” hade en större andel av personerna grönområden inom gångavstånd jämfört med
7
gruppen som självskattat sin hälsa som “dålig eller mycket dålig”, och skillnaden var störst
bland låginkomsttagare (Centrum för arbets- och miljömedicin 2014 ss. 49–53).
Vattnets rekreationsvärde är inte lika tydligt beskrivet i litteraturen som närhet till
grönområden, men Anthesis har genom Jenny Wallström och Linus Hasselström (2019), på
uppdrag av Havs- och vattenmyndigheten, tagit fram en rapport som del av ett förarbete där just
en sådan kartläggning gjorts. Rapporten togs fram för att kunna avgöra huruvida det finns ett
värde i att skapa en databas med information om värdet av rekreation för olika vatten i Sverige.
Att ha vatten nära bostaden kan bidra till allmänt välbefinnande genom bad, båtliv, fiske,
promenader längst med vattnet och en vacker utsikt (Wallström och Hasselström 2019, s. 4).
Priset på bostäder, främst småhus, i Stockholms län påverkas påtagligt av närhet till vatten
(Berger 1998, s. 36), vilket stödjer att denna faktor ökar attraktivitet. Då Stockholms län är
beläget vid kusten samt Mälaren, och delvis består av skärgård, anses det rimligt att ge närhet
till vatten samma rekreationsvärde som närhet till grönområden.
2.3 Teoretisk bakgrund
Ojämlikhet rörande miljökvalitet har diskuterats sedan 1800-talets första hälft, en tid som
kännetecknades av industriell utveckling, resursutvinning och exploatering samt synlig
miljöförstöring (Taylor 1997, s. 17). Det var dock inte förrän i 1980-talets USA som
miljörättvisa som begrepp och debattämne utvecklades till sin nuvarande form och samtida
diskurs (Éloi 2011, s. 1846). Detta i ett skede då segregationen och rasismen i USA var lika
utbredd som påtaglig, och ofta resulterade i enorm ojämlikhet och miljöorättvisa (Natural
Resources Defence Council 2016; Office of legacy management u.å.). Även om det inte går att
säga exakt hur och när miljörättviserörelsen startade, nämns ofta Warren County PCB landfill
protest som ett startskott. När North Carolinas delstatsförvaltning beslutade deponera omkring
60,000 ton giftigt, PCB-kontaminerat avfall i Afton – ett litet och fattigt samhälle med
övervägande andel afroamerikaner – startade protester som varade i sex veckor och resulterade
i över 500 arresteringar (Natural Resources Defence Council 2016; Office of legacy
management u.å.). Dessa protester föranledde undersökningar i andra amerikanska samhällen
och resulterade i en rapport 1987 med namnet Toxic Wastes and Race in the United States.
Studien blev den första i sitt slag att dokumentera den koppling som fanns mellan
sociodemografi och farliga avfallsdeponier i USA (Éloi 2011, s. 1846).
Sedan dess har miljörättvisa blivit ett etablerat studieämne även i Europa, och även om det finns
många likheter i vad som studeras och hur – så finns det en tydlig skillnad mellan forskning i
USA och i Europa. Éloi (2011) menar att medan den sociala tyngdpunkten i USA ligger på
etnicitet (race), så understryks i Europa snarare de socioekonomiska faktorer som skapar en
orättvisa, och fokus läggs därför istället på att korrigera de sociala processer som skapar och
återskapar ojämlikhet (Éloi 2011, ss. 1848–1849).
8
3. Teoretiskt ramverk
Miljörättviseprincipen innebär att alla människor har rätt att skyddas från olika typer av
miljöföroreningar samt att bo i en ren och hälsosam miljö (Raymond et al. 2016, s.198).
Miljörättvisa kan, enligt Gunnarsson-Östling & Höjer (2011), delas upp i tre kategorier utifrån
vilka forskare och aktivister ofta utgår från i debatt och undersökningar. Policyrättvisa handlar
om vem och vilka som påverkas av policys och nya beslut, samt på vilket sätt de påverkas.
Deltagande- eller processrättvisa handlar om medborgares rätt och möjlighet att påverka sin
omgivning och delta i processer som påverkar dem, och distributiv rättvisa behandlar frågan
om fördelning och tillgång, där tyngdpunkten ligger på distribution och jämlikhet (Gunnarsson-
Östling & Höjer 2011, s. 1051). Denna uppsats utgår från den distributiva
miljörättviseinriktningen. För att undersöka om miljöorättvisa förekommer i Stockholms län
behövs vetskap om länets delområdens socioekonomiska status samt miljökvalitet. Detta avsnitt
redogör för tidigare forskning om miljörättvisa i urbana områden som kan jämställas med
Stockholms län, samt hur miljörättvisa kan undersökas.
3.1 Att mäta socioekonomisk nivå av utsatthet
Social segregation beror på ett flertal olika faktorer, vilka kan sammanräknas i ett index. Index
of Multiple Deprivation (IMD) är Storbritanniens officiella mätverktyg för områdens relativa
utsatthet. I det rangordnas geografiska statistikområden bestående av ca 1500 personer eller 650
hushåll, så kallade Lower-Layer Super Output Areas (LSOA:s), från det mest socioekonomiskt
utsatta området till det minst utsatta området (Ministry of Housing, communities and local
government 2019, s. 12). IMD baseras på de sju domänerna inkomst, sysselsättning, utbildning,
hälsa, brottslighet, boende- och servicetillgång samt levnadsmiljöstandard (Department for
local communities and government, 2015a).
Något motsvarande mått till IMD i Sverige finns inte, utan den indelning som officiellt
fortfarande gäller är enligt SCB (2017b) både förlegad och inaktuell. Den socioekonomiska
indelningen (SEI) är en klassifikation huvudsakligen baserad på människors yrkesposition, det
vill säga arbetare, tjänstemän och företagare. Inom dessa grupper görs vidare indelningar efter
krav på utbildning, typ av produktion och så vidare. De senaste uppgifterna för SEI inhämtades
i samband med folk- och bostadsräkningen 1990, så någon aktuell kartläggning av Sveriges
nuvarande yrkesverksamma befolkning finns inte. SCB menar att alternativ till SEI exempelvis
kan vara inkomst, utbildningsnivå eller indelningen arbetare och tjänstemän baserat på Standard
för svensk yrkesklassificering (SCB 2017b; se även Haldorson 2008 ss. 71–75).
Det brittiska indexet IMD har utöver användning i Storbritannien även adopterats och
adapterats för användning i andra länder, som Tyskland och Nya Zeeland (Maier 2017; Exeter
et al. 2017), varför det anses vara en relevant mall att utgå från för denna uppsats.
9
3.2 Gränsvärden för att mäta miljökvalitet
Luftföroreningar och buller påverkar hälsa och välmående negativt, medan närhet till
naturområden istället har positiva hälsoeffekter. För att mäta miljökvalitet utgår denna uppsats
från miljökvalitetsnormer (MKN) för gränsvärden av PM10 och NO2. I förordningen om
omgivningsbuller (SFS: 2004:675) anges att MKN för buller innebär att omgivningsbuller ska
eftersträvas inte medföra skadliga effekter på människors hälsa (SFS: 2004:675 1§), något
kommuner och myndigheter enligt Miljöbalken ska ansvara för att det följs (SFS: 1998:808
kap. 5 3§). Denna uppsats utgår från bullerkategorier baserade på dB(A). För grönområden
menar Boverket att forskning visar att ett grönområde bör ligga inom 300 meter från bostad
eller arbetsplats för att besökas frekvent (Boverket 2019). I Sverige finns mått på grönytors
kvalitet, vilka används i bland annat detaljplaner, men denna grönytefaktor beräknar en
ekoeffektiv area och innehåller således inte rekommendationer för hälsofrämjande rekreation
(Boverket 2020b; se även Naturvårdsverket 2019, s. 2 för hur GYF används). I denna uppsats
används därför delar ur ett engelskt ramverk, Accessible Natural Greenspace Standards
(ANGSt). ANGSt utvecklades i England under 1990-talet och reviderades 2008. Enligt det
rekommenderas bland annat att ingen ska ha mer än 300 meter mellan hemmet och ett
grönområde på minst 2 hektar (Natural England 2010, ss. 6, 12). Då vattenområden har ett
rekreationsvärde likt grönområden är avstånd ett bra sätt att mäta tillgången även till dessa.
3.3 Miljöfaktorer inom miljörättvisestudier
I Europa ligger som nämnt tyngdpunkten på socioekonomi i forskningen om miljörättvisa och
IMD har använts i studier för att kartlägga områdens socioekonomiska karaktär. Walker et al.
(2005) redogör för en studie av Friends of the Earth (FoE) från 2001 där nivåer av
cancerframkallande ämnen från fabrikers utsläpp studerades i relation till IMD, och fann att
82% av dessa utsläpp skedde inom de 20% mest utsatta områdena. Storbritanniens
miljömyndighet, Environment Agency, gjorde även 2002 en analys av antalet storskaliga
fabriker satt i relation till IMD, och fann en stark korrelation mellan större antal fabriker och
ökad utsatthet (Walker et al. 2005, s. 5). En miljökvalitetsfaktor som ofta förekommer inom
studier av miljörättvisa är luftföroreningar. O'Neill et al. (2003) diskuterar behovet av att
studera exponering samt effekter av luftföroreningar i relation till socioekonomisk status. Detta
dels för att områden med lägre socioekonomisk position tenderar att exponeras i högre grad för
luftföroreningar, dels för att ohälsa är ett mer utbrett problem i socioekonomiskt svaga områden,
vilket kan innebära en ökad känslighet för exponering (O'Neill et al. 2003, s.1864). I en studie
med staden Gent som studieområde påvisades samband mellan låg socioekonomisk status och
luftföroreningar (Verbeek 2019, ss. 7–9). Bullernivåer i urban miljö är även en variabel som
studerats i relation till socioekonomi inom miljörättvisans forskningsfält. Detta eftersom buller
är en miljörelaterad stressor med stark koppling till ohälsa (Lakes et al. 2014, s. 538). I
undersökningen av staden Gent studerades också bullernivåers koppling till socioekonomi, men
där påvisades inget samband (Verbeek 2019, ss. 7–9).
10
Miljörättvisa fokuserar inte enbart på miljöfaktorer med negativ påverkan på människors hälsa
utan även på fördelningen av miljövärden och de bekvämligheter som miljön kan tillgodose
invånare med (Raymond et al. 2016, s.199). Närheten till grönområden i urban kontext är en
faktor som uppmärksammas inom studier om miljörättvisa (Wolch et al. 2014, s. 235). Områden
med vegetation har en positiv inverkan på hälsa och välbefinnande, enligt Lakes et al. (2014).
Författarna lyfter att fler europeiska miljörättvisestudier undersökt korrelationen mellan
förekomsten av grönområden och socioekonomisk status och funnit att tillgången till
grönområden är större i socioekonomiskt starka områden. Deras studie påvisade ett generellt
samband mellan hög socioekonomisk status och vegetation (Lakes et al. 2014, ss. 539–540,
549). Raymond et al. (2016), som undersökt om socioekonomisk status påverkar användning
av vattenområden, tar upp att dessa kan jämföras med stadsparkers rekreationsvärde.
Vattenområden bidrar med plats för avslappning, sociala aktiviteter och välmående (Raymond
et al. 2016, s. 198).
Dålig luftkvalitet och buller har som tidigare nämnts en negativ inverkan på människors hälsa.
Dessa faktorer studeras därför ofta inom fältet miljörättvisa, och i och med att Stockholms län
är en storstadsregion, utgör de relevanta variabler även för denna studie. För en adekvat
anpassning till studieområdet tar urvalet av miljökvalitetsvariabler i denna uppsats även
avstamp i Sveriges miljökvalitetsmål samt utifrån miljövärden specifika för Stockholms län,
såsom avstånd till naturområden. Stockholms läns natur, med mycket grön- och vattenområden,
gör det rimligt att undersöka hur fördelningen av tillgången till dessa ser ut socioekonomiskt.
Ojämlika avstånd till naturområden skulle kunna innebära en orättvis fördelning av tillgång till
dessa, enligt miljörättviseinriktningen fördelningsrättvisa. Gemensamt för alla utvalda
variabler: luftföroreningar, bullernivåer och närhet till naturområden, är att de är mätbara vilket
möjliggör en kvantitativ analys av miljörättvisa inom Stockholms län.
11
4. Material och metod
Uppsatsens metod kan beskrivas som uppbyggt av två grenar, där en sammanvägning av de
socioekonomiska variablerna ställs mot en kumulativ kartläggning av de miljömässiga
faktorerna. Därefter studeras varje enskild variabel av respektive gren ställt mot varandra. Som
ett komplement till indexet av de socioekonomiska variablerna, används i denna uppsats även
medianinkomst. Detta för att den socioekonomiska variabeln mäter andel personer i ett område
som faller inom en viss kategori av socioekonomisk utsatthet, varför den blir ett mått på
områdens relativa utsatthet. Medianinkomst lägger till en dimension genom sin kontinuerliga
natur, vilket möjliggör en annan sorts tillförlitlighet till områdens socioekonomiska styrka.
Medianinkomst blir ett kompletterande mått på variationer i socioekonomisk nivå mellan
DeSO, vilken inte nödvändigtvis är direkt kopplad till låg socioekonomisk status.
För att besvara frågeställningarna användes både statistiska analyser och Geografiska
Informationssystem (GIS) i denna uppsats metod. Det insamlade datamaterialet analyserades
och visualiserades i verktyget ArcGIS pro, se appendix 3. Genom att använda denna metod
kunde miljömässiga parametrar sättas i relation till socioekonomiska. Stockholms län innehåller
1287 demografiska statistikområden (DeSO). Dessa områden fungerar som en underindelning
av län och kommuner och har enligt SCB (u.å.) skapats baserat på tätorter och valdistrikt. Vid
skapandet och indelandet av områdena varierade antalet invånare i dessa mellan 700 och 2700.
DeSO-indelningen baseras på befolkningsantalet och därmed är områden med lägre
invånarantal större geografiskt (SCB u.å.). Stockholms stad består av 544 statistikområden på
grund av kommunens befolkningstäthet, vilket kan jämföras med Tyresö som är indelad i 26
DeSO. De geografiska områden som DeSO täcker är därmed betydligt mindre, både sett till
befolkning och areal, än kommuner, och i de flesta fall även betydligt mindre än stadsdelar. Att
de geografiska indelningarna är små gör dessa områden passande för undersökningen. För att
kartlägga länets socioekonomiska förutsättningar används strukturen och delar av metoden för
IMD. DeSO används för att på minsta möjliga geografiska nivå beskriva länets
socioekonomiska karaktär. I de länder IMD använts har det gjorts på liknande områden sett till
befolkningsantal. Det datamaterial som inhämtats om länets DeSO kallas i denna uppsats för
socioekonomiska data och är utvalt baserat på uppsatsens teoretiska ramverk. Den
socioekonomiska informationen om varje DeSO skapas baserat på data om inkomst,
utbildningsnivå och sysselsättning. Antalet hushåll och personer som omfattas i datamaterialet
finns beskrivet i appendix 2, tabell A5.
4.1 Beskrivning av datamaterialet
Data över inkomstnivå, sysselsättningsgrad och utbildningsnivå hämtades från SCB. Dessa
utgör tre separata skikt i två filer. Data för att undersöka miljökvaliteten består av information
om bullernivåer, luftföroreningshalter och terräng. I tabell 1 listas all data som behandlats i
ArGIS pro.
12
Tabell 1. Data behandlad i ArcGIS pro.
Indata Information Källa, årtal Bullerutredning_25x25m Bullernivåer, raster 25m Länsstyrelserna, 2016
NO2 filsamling NO2-halter, vektor SLB-analys, 2015 PM10 filsamling PM10-halter, vektor SLB-analys, 2015 Terrängkartan Skog och vatten, vektor Lantmäteriet, 2020 Arbetsmarknad - utbildning Sysselsättning och utbildning,
vektor SCB, 2017 & 2019
Inkomster Medianinkomst och hushållets
disponibla inkomst, vektor SCB, 2017
4.1.2 Socioekonomiska data
I materialet innehållandes data om inkomster anges årsmedianinkomsterna samt antal hushåll
med låg, medellåg, medelhög och hög inkomst per DeSO, från år 2017. Det totala antalet
hushåll 20+ år, vilka omfattas i kategorierna, anges i egen kolumn. Inkomstnivåerna anger
hushållens ekonomiska standard och anger disponibel inkomst per konsumtionsenhet, det vill
säga summan av inkomster och transfereringar (som exempelvis barnbidrag och
försörjningsstöd) efter slutgiltig skatt, dividerat med den konsumtionsvikt som gäller för
hushållet. Måttet disponibel inkomst per konsumtionsenhet möjliggör jämförelse mellan
hushåll med hänsyn till olika hushållssammansättningar (SCB 2020). SCB (2015) förklarar
konsumtionsvikten enligt följande, och bistår också med ett beräkningsexempel citerat nedan;
För ensamboende är konsumtionsviken 1, för ett sammanboende par är den 1,51, för ytterligare
vuxen i hushållet är den 0,6, för första barnet 0,52 och för påföljande barn 0,42.
Ett sammanboende par med två barn har en disponibel inkomst på 490 000
kronor. Hushållet har en total konsumtionsvikt på 1,51 + 0,52 + 0,42 = 2,45.
Hushållets disponibla inkomst per konsumtionsenhet blir då 490 000 kronor /
2,45 konsumtionsenheter = 200 000 kronor per konsumtionsenhet. Det
innebär att hushållet har samma ekonomiska standard som en ensamboende
person med en disponibel inkomst på 200 000 kronor.
(SCB 2015, s.1)
SCB fördelar inkomsttagare enligt tabell 2.
Tabell 2. Definition av inkomstkategorier enligt SCB.
Inkomstkategori Disponibel inkomst per konsumtionsenhet (hushåll 20+)
Låg ≤ 167 400 kronor
Medel-låg 167 401–241 464 kronor
Medel-hög 241 465–333 192 kronor
Hög ≥ 333 193 kronor
13
Datamaterialet om sysselsättning baserades på SCB:s registerbaserade arbetsmarknadsstatistik
(RAMS), som fanns tillgänglig från 2017. I denna anges för varje DeSO antal icke
förvärvsarbetande, antal förvärvsarbetande och det totala antalet personer i förvärvsarbetande
ålder, mellan 20–64 år. Denna data anger endast förvärvsarbetande, varför de som enbart
studerar eller är på annat sätt sysselsatta faller under kategorin icke förvärvsarbetande. Då hela
83% i åldern 15–34 år 2016 hade arbetat under sina senast avslutade studier (SCB 2018), torde
detta bortfall få ses som acceptabelt.
Datamaterialet med informationen om utbildningsnivå är från år 2019. I varje DeSO anges
antal personer mellan 25 och 64 år med förgymnasial, gymnasial, eftergymnasial 2 och
eftergymnasial 3 utbildningsnivå. Antalet personer i ålderskategorin där uppgift om
utbildningsnivå saknas har en egen kolumn. Med eftergymnasial 2 menas en eftergymnasial
utbildning på mindre än tre år medan eftergymnasial 3 innebär en eftergymnasial utbildning på
minst tre år. I en kolumn anges det totala antalet personer i åldern 25–64 år. Detta gjorde det
möjligt att beräkna andelen personer med låg utbildningsnivå i varje enskild DeSO, se appendix
2, figur A1.
4.1.3 Miljödata
För de bullerdata som använts i denna undersökning ansvarar länsstyrelserna. Dessa data
publicerades 2016 och baserades på en undersökning av länsstyrelserna som utfördes 2015.
Syftet med framställandet var för användning vid stadsplanering där det är av vikt att veta var
buller bör minskas. Förvaltningsstatusen är aktuell vid datainhämtandet. I datasetet för buller,
vilket är i rasterformat, är fält indelade efter bullernivåer som baseras på dB(A). I tillhörande
metadata hänvisas till en rapport av länsstyrelsen i Jönköpings län, skriven av Sylvén et al
(2015), som klassificerar och beskriver bullernivåer efter dB(A). Bullerkategorierna är baserade
på den högst uppmätta bullernivån, dB(A), på en mätpunkt. Till exempel faller uppmätta 49
dB(A) inom kategorin 0,00–0,10 och 99 dB(A) inom 0,75–1,00 (Sylvén et al. 2015, s.16). På
grund av datasetets utformning och de väl beskrivna bullerkategorierna används denna rapports
kategorisering som utgångspunkt, men då rasterlagret inte går att omklassificera vid 0,75 går
gränsen mellan analysvärde 3 och 4 i denna uppsats vid 0,80. De två högsta bullerkategorierna
är således 0,50–0,80 och 0,80–1,00 i denna uppsats databehandling (se appendix 2, tabell A1).
Luftföroreningsdata gavs på förfrågan av Stockholms Luft- och Bulleranalys (SLB-analys) och
innehåller dygnsmedelvärdeshalter av NO2 och PM10. År 2015 insamlade SLB-analys data
över luftföroreningarna. De två olika luftföroreningarna är i separata filer och vektorlager. Det
som visas i dygnsmedelvärdesdata för NO2 är skillnaden mellan halterna det dygnet på året då
högst medelvärde av halt uppmättes respektive det 8:e värsta dygnet. Detta motiveras av att
man på så sätt kan utreda om miljökvalitetsnormer överskrids eller inte överskrids, det vill säga
om MKN för NO2 överskrids mer än 7 dygn. Det ger även en bra indikator på var
luftföroreningarna förekommer i störst utsträckning och var det är renast luft. Gällande PM10
är det skillnaden mellan det värsta dygnet respektive det 36:e dygnet, av samma anledning som
för NO2. De data som tillhandahållits innehåller olika polygoner för olika haltintervall av
luftföroreningar, vilka vi klassificerat om till fyra värden som passar MKN.
14
Lantmäteriets terrängkarta från 2020 användes för att utföra analysen om avstånd till vatten och
grönområden. Denna data består av vektorfiler som innehåller polygoner över olika typer av
geografiska mark- och vattendata. Vattenpolygonerna, som hämtades ur terrängkartan, avser
alla typer av vattenmassor på en bredd av minst sex meter, som exempelvis sjöar, hav, åar och
floder. Lager innehållandes polygoner över skog, barr- och blandskog samt lövskog användes
från terrängkartan.
15
4.2 Informationsbehandling och tillvägagångssätt
4.2.1 GIS-analys
SWEREF 99 är det koordinatsystem som är vanligast att använda i Sverige och all data som
insamlats är i detta koordinatsystem. Samtliga data behövde förberedas i några steg inför GIS-
analys, kartproduktion och dataöverföring till statistikprogrammet R. Se appendix 3 för
flödesschema. Först beskars alla skikt så att enbart undersökningsområdet Stockholms län
analyseras. Alla skikt i datasetet beskars till Stockholms länsgräns, vilket var möjligt genom att
DeSO-koderna innehåller ett system för län och kommuner. IMD användes som riktlinje för
hur det socioekonomiska datamaterialet behandlades. Andelen hushåll med låg inkomst samt
andelen personer med låg utbildningsnivå – definierat som förgymnasial utbildning – och andel
personer som inte förvärvsarbetar beräknades, se appendix 2, figur A1. Resultaten av
beräkningarna användes separat och även sammanslaget för att kunna ranka alla DeSO efter
socioekonomisk status, vilket visualiseras i kartor. Rankingen är från 1–1287 (antal DeSO i
Stockholms län). DeSO med rankingnummer 1 är området med högst socioekonomisk status i
Stockholms län medan området med rankingnummer 1287 är området med lägst
socioekonomisk status i länet. Utifrån det miljömässiga datamaterialet uträknades en
motsvarande ranking, separat och sammanslaget, där DeSO med rankingnummer 1287 är det
område med lägst miljökvalitet.
Materialet om bullernivåer och halter av luftföroreningar klassificerades om enligt gränsvärden
baserade på Sylvén et als rapport och MKN för att innehålla värde 1–4, där 1 representerar låga
bullernivåer och halter medan 4 representerar höga bullernivåer och halter. Analysvärden
baserat på bullernivå och halter av NO2 och PM10 visas i appendix 2, tabell A1-A3.
Ur terrängkartans skikt skalades alla grönområden med en storlek på mindre än två hektar bort,
för att följa rekommendationerna i ANGSt. Därefter utfördes Euclidean distance-analyser på
avstånden till vatten- respektive grönområden. En Euclidean distance-analys innebär att
avståndet från varje cell till närmaste polygon bestäms och visualiseras (Esri u.å). Avståndet
mättes mellan cellens mittpunkt och gränsen för där ett vatten- eller grönområde börjar. Därefter
klassificerades alla celler efter avståndsintervall delvis baserade på ANGSt rekommendationer
om att ingen ska ha ett längre avstånd än 300 meter från ett grönområde, se appendix 2, tabell
A4. Intervallet på 150 meter motiveras av att länet har mycket grönområden, varför ytterligare
en kategori om ett mycket nära gångavstånd kunde läggas till. Denna uppsats har valt en relativt
snäv definition av grönområden jämfört med andra studier hänvisade till i uppsatsen. Valet av
definition av grönområden som olika typer av trädbeklädd mark grundar sig i terrängkartans
olika markskikt. Gräsbeklädd eller annan öppen mark kan motsvara allt från parker till
buffertzoner längst med motorvägar eller tomma fält, varför en inkludering av dessa områden
skulle medräkna områden utan rekreationsvärde. Den valda definitionen innebär dock att
stadsparker med potentiellt rekreationsvärde faller ur analysen och eventuellt kan påverka
resultatet. Definitionen säkerställer dock att de områden som omfattas av analysen innehåller
vegetation vilket har en positiv påverkan på hälsa och välmående.
För varje miljöparameter skapades en tabell där antalet pixlar inom varje klassificering angavs
för alla DeSO. Beräkningar utfördes där varje DeSO fick ett medelvärde, mellan 1 och 4, för
16
varje enskild miljöparameter för att möjliggöra statistisk analys av dessa. Dessa
sammanräknades och dividerades med antal miljöparametrar för att även utföra en
sammanslagen korrelation mot socioekonomiska värden. Denna metod valdes då data med
luftföroreningar och bullernivåer var förindelade i intervall och därmed anger en pixels värde
inom ett intervall.
4.2.2 Statistiska analyser
De statistiska analyserna utfördes i statistikprogrammet R. Det sammanslagna
socioekonomiska värdet studerades mot värdet i miljökvalitet i varje DeSO för att utreda
sambandet mellan socioekonomisk status och miljökvalitet. Analyserna gjordes på de poäng
respektive variabel fått, som även utgjorde underlag för rankingarna. Varje miljöparameter
analyserades även separat mot medianinkomst, andel personer med låg utbildningsnivå, andel
personer som inte förvärvsarbetar och andel låginkomsttagande hushåll per DeSO.
Korrelationsanalyser där Stockholms innerstad – avgränsat vid vägtullarna för trängselskatt –
exkluderades, utfördes utöver de nämnda analyserna. Stadsdelar som tillhör innerstaden är
Norrmalm, Södermalm, Östermalm och Kungsholmen. Exkluderandet grundar sig i
datamaterialets utseende och att innerstaden i en storstad inte utgör en representativ miljö för
ett helt län. En studie om miljörättvisa i Berlin har sett att innerstaden har lägre miljökvalitet
medan den socioekonomiska statusen är medel eller hög (Lakes et al. 2014, s. 550), varför
denna uppsats inte kan utesluta ett liknande utfall. Att utföra korrelationstester på dessa två
dataset möjliggjorde också en jämförande analys. Variablerna i datasetet var inte
normalfördelade, så för att analysera sambandet användes det icke-parametriska
korrelationstestet Spearmans rangkorrelation. Ett perfekt samband i en Spearmans
rangkorrelation innebär att den ena variabeln är en perfekt monoton funktion av den andra
variabeln, och utfallet bli då 1 eller -1 (Frisk 2018). I tabell 3 ges en överblick av variablerna
som analyseras i denna uppsats.
Tabell 3. Beskrivande statistik. Antal observationer för alla variabler är lika med antal DeSO i
Stockholms län, 1287. För alla miljövariabler är värdena mellan 1 och 4.
Variabel
Median
Medelvärde
Standard-
avvikelse
Min
Max
Andel låginkomsttagare 0,16 0,19 0,12 0,02 0,69
Andel lågutbildade 0,08 0,10 0,07 0,00 0,42
Andel ej förvärvsarbetande 0,17 0,19 0,08 0,05 0,68
Bullernivå 4,00 3,85 0,30 1,75 4,00
NO2-halt 1,01 1,17 0,33 1,00 2,69
PM10-halt 1,03 1,21 0,35 1,00 2,65
Avstånd till grönområden 1,32 1,62 0,70 1,00 4,00
Avstånd till vatten 3,00 2,92 0,76 1,00 4,00
17
4.2.3 Reliabilitet & Validitet
Då tillvägagångssättet beskrivs utförligt, både i metodavsnittet och i flödesschema, se appendix
3, kan denna uppsats replikeras. Resultatet förväntas även vara detsamma vid upprepning av
undersökningen givet att samma datamaterial används. De miljömässiga och socioekonomiska
variabler som valts ut i kombination med valet av metod lämpar sig väl för att besvara
uppsatsens frågeställningar, vilket stärker validiteten i uppsatsen.
18
5. Resultat
I detta avsnitt presenteras först uppsatsens statistiska resultat. De statistiska resultaten ger en
bredare överblick av vad uppsatsen kommit fram till. Därefter följer visualiserande kartor och
närmare beskrivning av ett antal områden i länet. Denna uppsats undersöker relativa skillnader
i socioekonomisk status och miljökvalitet.
5.1 Statistiska resultat
När de hopslagna poängen för socioekonomisk status studeras mot miljökvalitet i Spearmans
rangkorrelation finns det ett statistiskt signifikant samband mellan variablerna. Rho-värdet i
denna korrelationsanalys är 0,08 (p-värde <0,01), vilket indikerar ett mycket svagt positivt
samband. Det positiva sambandet innebär att miljökvaliteten är sämre i områden med låg
socioekonomisk status. När Stockholms innerstad exkluderas i ytterligare en korrelationsanalys
är sambandet fortsatt signifikant och rho-värdet höjs till 0,17 (p-värde <0,001), vilket betyder
en något ökad sambandsstyrka. Figur 1 och 2 visar korrelationen mellan de enskilda
socioekonomiska variablerna och miljökvalitetsvariablerna genom staplar som representerar
rho-värdet. Figur 1 visar resultaten för hela länet och figur 2 visar analysen där Stockholms
innerstad är exkluderad. Positiva samband mellan variabler får ett positivt rho-värde. Till
exempel finns ett positivt samband (rho-värde 0,33) mellan variablerna ”lågutbildade” och
”vatten”. Detta samband innebär att när andelen personer med låg utbildning ökar, så ökar
avståndet till vatten. Negativa samband får ett negativt rho-värde. Ett exempel på en negativ
korrelation i figuren är mellan variablerna ”lågutbildade” och ”NO2” (rho-värde -0,3).
Sambandet innebär att när andelen personer med låg utbildningsnivå är färre i ett område så är
halterna av NO2 högre.
19
Figur 1. Resultat av Spearmans rangkorrelation mellan socioekonomiska variabler och miljökvalitetsvariabler i
hela länet. Rho-värdet i Spearmans rangkorrelation beskriver sambandsstyrkan mellan variablerna. 1 och -1
indikerar perfekt korrelation mellan variabler. Positiva samband (positiva värden) innebär att där det är låg
socioekonomisk status är miljökvaliteten låg, och således att där det är hög socioekonomisk status är
miljökvaliteten hög. Negativa samband (negativa värden) innebär att där det är högre socioekonomisk status är
miljökvaliteten låg och därmed att där det är låg socioekonomisk status är miljökvaliteten hög. Enbart signifikanta
samband redovisas, varför avstånd till grönområden saknar korrelationsstapel för ej förvärvsarbetande och NO2
saknar stapel för låginkomsttagare. Signifikansnivå redovisas i appendix 2 tabell A6.
I figur 1 står den socioekonomiska variabeln låg utbildningsnivå för de fyra starkaste
sambanden. Bortsett från korrelationen mellan utbildningsnivå och närhet till vatten är samtliga
av dessa negativa. Det innebär att områden med hög andel personer med låg utbildningsnivå
har närmare till grönområden samt lägre halter av luftföroreningar. Sambandet mellan buller
och andel personer med låg utbildning är även det negativt, men tillhör inte de fyra starkaste
sambanden. Vid exkluderandet av innerstaden, se figur 2, kvarstod det signifikanta negativa
sambandet med PM10 och NO2, men rho-värdena sjönk, vilket betyder att sambandet
försvagades. Det negativa sambandet mellan andel lågutbildade och bullernivåer blev vid
exkluderande av innerstaden icke signifikant.
Det starkaste sambandet i figur 1 återfinns mellan andelen personer med låg utbildningsnivå
och avstånd till vatten. Sambandet mellan variablerna är positivt, vilket innebär att i de DeSO
med högre andel personer med låg utbildningsnivå så är avståndet till vattenområden längre.
Även i områden där arbetslösheten är högre och andelen låginkomsttagande hushåll är större så
är avståndet till vattenområden större, enligt de statistiska resultaten. Vid exkluderandet av
innerstaden kvarstod det positiva sambandet mellan hög andel personer med låg utbildningsnivå
och längre avstånd till vatten som det starkaste sambandet i figur 2, om än något försvagat.
Sambandet mellan avstånd till vatten och DeSO med hög andel låginkomsttagande hushåll
stärktes, och även sambandet mellan hög andel icke förvärvsarbetande och avstånd till vatten
stärktes, om än marginellt.
20
Figur 2. Resultat av Spearmans rangkorrelation mellan socioekonomiska variabler och miljökvalitetsvariabler
exklusive Stockholms innerstad. Rho-värdet i Spearmans rangkorrelation beskriver sambandsstyrkan mellan
variablerna. 1 och -1 indikerar perfekt korrelation mellan variabler. Positiva samband (positiva värden) innebär att
där det är låg socioekonomisk status är miljökvaliteten låg, och således att där det är hög socioekonomisk status
är miljökvaliteten hög. Negativa samband (negativa värden) innebär att där det är högre socioekonomisk status är
miljökvaliteten låg och därmed att där det är låg socioekonomisk status är miljökvaliteten hög. Enbart signifikanta
samband redovisas, varför avstånd till grönområden saknar korrelation med andel ej
förvärvsarbetande. Signifikansnivå redovisas i appendix 2, tabell A6.
För områden där andelen låginkomsttagande hushåll och ej förvärvsarbetande personer är högre
så är halterna av luftföroreningar och bullernivåer något högre. Det starkaste av dessa positiva
samband finns mellan andelen icke förvärvsarbetande och bullernivåer. Sambandet mellan
andel låginkomsttagande hushåll och halter av NO2 är för hela länet inte signifikant. Det
positiva sambandet mellan andel icke förvärvsarbetande och bullernivå stärktes efter
exkluderandet av innerstaden, och blev den starkaste korrelationen för variabeln icke
förvärvsarbetande samt den tredje starkaste totalt i det beskurna datasetet. Även det positiva
sambandet mellan hög andel icke förvärvsarbetande och halter av PM10 och NO2 stärktes. De
positiva sambanden mellan hög andel låginkomsttagande hushåll och sämre luftkvalitet stärktes
också, och rho-värdet för NO2 specifikt blev signifikant. Även det positiva sambandet mellan
hög andel låginkomsttagande hushåll och buller stärktes. Att DeSO med hög andel
låginkomsttagande hushåll har närmare till grönområden, men samtidigt högre bullernivåer och
något högre halter av luftföroreningar är resultat värda att notera, även om korrelationen mellan
andel låginkomsttagande hushåll och grönområden är svag i båda analyserna. Mellan närhet till
grönområden och andel förvärvsarbetande påträffades inget signifikant samband.
Det starkaste sambandet i hela datasetet återfinns mellan medianinkomst och avståndet till
vattenområden, se figur 3. Medianinkomst är en kontinuerlig variabel som ökar medan höga
miljökvalitetsvärden innebär sämre miljökvalitet enligt analysen. Detta innebär att negativa
samband i mediandiagrammet betyder att miljökvaliteten är lägre där medianinkomsten är
lägre, och således att miljökvaliteten är högre där medianinkomsten är högre. Positiva samband
innebär att där medianinkomsten är låg är miljökvaliteten god, och där medianinkomsten är hög
21
är miljökvaliteten låg. I figur 3 presenteras sambanden mellan medianinkomst och
miljökvalitetsfaktorerna. Där visas hela länet samt innerstaden exkluderat i samma figur.
Figur 3. Resultat av Spearmans rangkorrelation mellan medianinkomster och miljökvalitetsvariabler i hela länet:
ljusgröna staplar, respektive exklusive Stockholms innerstad: mörkgröna staplar. Rho-värdet i Spearmans
rangkorrelation beskriver sambandsstyrkan mellan variablerna. Negativa samband i denna figur betyder att
miljökvaliteten är lägre där medianinkomsten är lägre, och således att miljökvaliteten är högre där
medianinkomsten är högre. Positiva samband innebär att där medianinkomsten är låg är miljökvaliteten god, och
där medianinkomsten är hög är miljökvaliteten låg. 1 och -1 indikerar perfekt korrelation mellan variabler. Enbart
signifikanta samband redovisas, varför PM10, NO2 och buller endast har varsin stapel. Signifikansnivå redovisas
i appendix 2, tabell A7.
Det negativa sambandet mellan medianinkomst och medelavstånd till vattenområden innebär
att när medianinkomsten ökar i ett område minskar avståndet till vatten. Vid exkluderandet av
innerstaden förblev detta samband det starkaste i datasetet, om än marginellt försvagat.
Som kan ses i figur 3 så är sambandet mellan avståndet till grönområden positivt, vilket betyder
att i de DeSO med högre medianinkomst så är avståndet till grönområden större. Detta samband
kvarstod efter exkluderandet av innerstaden, men försvagades påtagligt. Närheten till
grönområden är generellt sett stor i länet, men med närhet till innerstaden ökar avståndet till
grönområden, medan avståndet till vatten minskar. Detta motsatsförhållande ses i karta A6 och
A7, se appendix 1. Då många DeSO med hög socioekonomisk status återfinns inom Stockholms
innerstad och närmare skärgården, kan detta bidra till ett sådant samband. Svagare positiva
samband finns för hela länet mellan DeSO:s medianinkomst och halter av luftföroreningar, där
det enligt korrelationsanalyserna visas att områden med högre inkomst är något mer exponerade
för PM10 och NO2. Då detta positiva samband försvann vid exkluderandet av innerstaden,
indikerar resultatet att Stockholms innerstad generellt har hög medianinkomst och samtidigt
höga halter av luftföroreningar. Inget signifikant samband kunde påvisas mellan bullernivåer
och medianinkomster för hela länet, men ett signifikant negativt samband kunde påvisas vid
exkluderandet av innerstaden, det vill säga att när medianinkomsten ökade minskade
bullernivåerna.
22
5.2 Karterade resultat
Områden med hög socioekonomisk status återfinns både i Stockholms innerstad, i förorter och
längre ut i länet och detsamma gäller för områden med låg socioekonomisk status. Ett mönster
som går att se i länet är att det centralt i tätorter generellt är lägre miljökvalitet och
socioekonomisk status, och när avståndet från de centrala delarna ökar så ökar både
miljökvalitet och socioekonomisk status. Orterna Upplands Väsby, Nacka, Vallentuna,
Österåker, Tyresö och Huddinge påvisar detta mönster. I figur 4 ses Upplands Väsby med
omnejd som exempel på detta mönster. I figuren visualiseras rankingen av miljökvaliteten mot
rankingen av den socioekonomiska statusen i decilgrupper
Figur 4. Relativ socioekonomisk status samt miljökvalitet i Upplands Väsby tätort med omnejd. Färgfälten kan
ändra nyans på grund av Esris underliggande kartlager. Se tabell 1 för data som använts för framställning av kartan.
23
Ett undantag från det nämnda mönstret där miljökvalitet och socioekonomisk status ökar med
avstånd från centrala delar av tätorter är Stockholms innerstad, se figur 5. I innerstaden är
miljökvaliteten generellt sett låg, medan den socioekonomiska nivån varierar. I de nordvästliga
delarna av innerstaden är den socioekonomiska statusen som högst.
Figur 5. Relativ socioekonomisk status samt miljökvalitet i Stockholms innerstad. Färgfälten kan ändra nyans på
grund av Esris underliggande kartlager. Se tabell 1 för data som använts för framställning av kartan.
24
Många av de DeSO med låg socioekonomisk status återfinns en bit ut från Stockholms innerstad
och mer inåt landet, mot nordväst och sydväst. Där Stockholms stad gränsar till Sollentuna
kommun befinner sig några av de DeSO som rankas inom de 10% med lägst socioekonomisk
status, se figur 6. I detta område sammanfaller låg miljökvalitet och låg socioekonomisk status
i flertalet DeSO men undantag finns då det även förekommer DeSO med hög socioekonomisk
nivå och låg miljökvalitet.
Figur 6. Relativ socioekonomisk status samt miljökvalitet i där Stockholms stad gränsar till Sollentuna kommun.
Färgfälten kan ändra nyans på grund av Esris underliggande kartlager. Se tabell 1 för data som använts för
framställning av kartan.
25
Ett tydligt band av områden med låg socioekonomisk status går mellan Västertorp och
Norsborg, vilket följer större bilvägar och en tunnelbanelinje, se figur 7. I dessa områden
varierar miljökvaliteten mellan medel och låg bortsett för de områden som är placerade längs
Mälarens strandlinje där den miljömässiga kvaliteten generellt är hög. På andra sidan Mälarens
vatten återfinns öar med relativt hög socioekonomisk status och miljökvalitet, till exempel
Ekerön och de sydliga delarna av Färingsö.
Figur 7. Relativ socioekonomisk status samt miljökvalitet i delar av Stockholms stad, Botkyrka kommun,
Huddinge kommun samt Ekerö kommun. Färgfälten kan ändra nyans på grund av Esris underliggande kartlager. Se
tabell 1 för data som använts för framställning av kartan.
Tre av de fem DeSO med högst medianinkomst i länet finns i Bromma i västra Stockholm och
ett av dem är även bland de fem områden med högst socioekonomisk status. Alla dessa tre
DeSO rankas i decil 2 respektive 3 för miljökvalitet, det vill säga faller inom de 20 respektive
30 procenten av DeSO med högst miljökvalitet. De faller dessutom inom det lägsta intervallet
för NO2, och två av dem faller även inom det lägsta intervallet för PM10-halter. De andra två
DeSO med högst medianinkomst ligger på Östermalm i innerstaden respektive i Djursholm i
Danderyds kommun. DeSO:t i Djursholm faller även det inom det lägsta intervallet för både
NO2 och PM10, men har genomsnittligen lite större avstånd till naturområden.
26
Bland de fem DeSO med lägst socioekonomisk ranking, vilket innebär högst socioekonomisk
status, återfinns ett i Ekerö och ett på Kullö/Edholma i Vaxholms kommun. Båda dessa DeSO
har en mycket god sammanslagen miljökvalitet (decil 1), med nära till naturområden och lägsta
intervall av luftföroreningar. Gemensamt för dessa DeSO är ett geografiskt ö-läge, även om
Ekerön är större och mer stadsnära. De övriga två områdena med lägst ranking, det vill säga
högst socioekonomisk status, ligger vid sydöstra delen av Järvafältet, vid Igelbäckens
naturreservat, samt precis ovanför i Silverdal, Helenelund.
Det DeSO med allra lägst medianinkomst är studentområdet vid Lappkärrsberget. De övriga
fyra av de fem med lägst medianinkomst återfinns i Rinkeby samt i Ronna och Hovsjö i
Södertälje. De fem DeSO med allra lägst socioekonomisk status finns i Rinkeby samt i Ronna
och Hovsjö i Södertälje. Tre av de nämnda DeSO i Rinkeby placerar sig i den 10e och sämsta
decilen för miljökvalitet, det fjärde området i den 9e. Båda DeSO i Södertälje placerar sig i
mitten av skalan.
Norrut i länet är den socioekonomiska statusen lägre generellt medan miljökvaliteten är hög.
Detsamma gäller åt sydost, i området kring Nynäshamn är den socioekonomiska statusen
generellt låg medan miljökvaliteten är hög med undantag för de mest centralt belägna DeSO,
där miljökvaliteten ligger i medelskiktet. Den socioekonomiska statusen i Södertälje är relativt
låg, med undantag för kringliggande mindre orter kring staden. Samma mönster ses för
miljökvaliteten. Skärgårdsöarnas DeSO är geografiskt stora, vilket förklaras av en låg
befolkningstäthet. I dessa är den socioekonomiska statusen generellt låg eller inom
medelskiktet och den miljömässiga generellt mycket hög.
27
6. Diskussion
Nedan följer en analys av, och diskussion kring, resultaten tillsammans med förslag på framtida
forskning. Sedan förs en diskussion kring de delar av metoden som kan tänkas haft en påverkan
på resultatet. Detta resonemang bygger på de framkomna resultaten, varför avsnittet placerats
under resultatdiskussionen.
6.1 Resultatdiskussion
Av de sju DeSO som representerar de fem med lägst medianinkomst samt de fem med lägst
socioekonomisk status i länet, enligt rankningen, återfinns fyra i Rinkeby. Dessa fyra DeSO
rankades även i decil 10 och 9 rörande samlad miljökvalitet. Enligt Stockholms stads
sammanfattning av SCB:s statistik för ohälsotal på stadsdelsnivå var det genomsnittliga antalet
ohälsodagar för boende i Rinkeby 25,3 dagar 2019 (Stockholms stad 2019). Detta kan jämföras
med de tre DeSO i Bromma vilka återfinns bland de fem DeSO med högst medianinkomst i
länet, där den samlade miljökvaliteten också rankades högt, i decil 2 respektive 3. Dessa DeSO
tillhör stadsdelarna Södra Ängby, Nockeby och Ålsten, vilkas ohälsotal 2019 var 4,9 dagar, 9,5
dagar och 5,5 dagar. Ohälsotal avser summan av dagar med sjukpenning, aktivitets- och
sjukbidrag, rehabiliteringsersättning och arbetsskadepenning, dividerat med invånarantalet i
åldern 16–64 år (Stockholms stad 2019). Det är fastslaget att socioekonomi och miljökvalitet
är faktorer som påverkar hälsa. Då denna uppsats funnit att det inom länet finns områden där
dessa två hälsopåverkande faktorer sammanfaller som låga föreslås framtida forskning
undersöka vilka samhällseffekter detta ger.
Socioekonomi och miljökvalitet varierar med korta geografiska avstånd inom länet. Det
mönster som kunde identifieras med lägre miljökvalitet och socioekonomisk status centralt i
tätorter i länet, skulle kunna förklaras av bostadsområdets karaktäristik, då flerfamiljshus ofta
är placerade centralt och villaområden i utkanten av tätorter. Andersson och Magnusson Turner
(2014) pekar på den socioekonomiska polarisering som pågår inom Stockholms kommun med
kraftigt sjunkande inkomster i de ytterförorter som domineras av flerfamiljshus (Andersson och
Magnusson Turner 2014, s. 13). Dessa ytterförorter kan angränsa till en annan typ av områden,
de förorter som domineras av villor och enfamiljshus. Den socioekonomiska statusen kan skilja
sig markant mellan dessa närliggande områden, något som syns i de karterade resultaten i denna
uppsats. Vid studerandet av kartorna syns även att många av de områden med låg
socioekonomisk status och låg medianinkomst tillhör de områden som, enligt Hall & Vidén
(2005), mellan 1965 och 1974 byggdes under vad kom att kallas miljonprogrammet. Dessa
områden växte fram under kort tid och många hade till en början isolerade lägen, men med tiden
kom stadsdelscentrum att växa fram (Hall & Vidén 2005, ss. 303–304). Dessa
miljonprogramsområden utgör idag flera av de tätortskärnor med flerfamiljshus som i denna
uppsats visade sig ha lägre socioekonomisk status samt miljökvalitet, som i Rinkeby, Upplands
Väsby, Tureberg i Sollentuna, Skärholmen och Hallunda (se karta över miljonprogrammet,
Boverket 2019b). Att miljökvaliteten tenderar öka med avstånd från de centrala kärnorna,
medan bostadsformen skiftar mot fler enfamiljshus, innebär en socioekonomisk segregation där
28
mer välbeställda människor har råd med bättre miljökvalitet. De som bor i villa en bit ut från
de centrala delarna kan också tänkas vara bilburna i större utsträckning än de som bor i lägenhet
centralt nära tåg- och tunnelbanestation, dels på grund av geografisk placering, dels på grund
av ekonomiska förutsättningar. Detta leder till en situation där de som i stor utsträckning bidrar
till luftföroreningar och buller i närområdet också är de som besitter den ekonomiska
möjligheten att kunna välja att bo i områden med högre miljökvalitet.
Förekomsten av högre halter av luftföroreningar sträcker sig längs större vägar i länet, och tvärs
över centrala delar av orter. Att mer biltrafik är förekommande i tätorter kan även vara en
förklaring till mönstret. Boende i dessa områden exponeras i större utsträckning än andra i sin
närmiljö. Vad som setts i denna undersökning är att icke förvärvsarbetande personer och hushåll
med lägre inkomst exponeras något mer för luftföroreningar. Oavsett socioekonomisk status
eller medianinkomst påverkas alla människor av luftföroreningar. Personer med låg
socioekonomisk status kan dock ha en större känslighet för exponeringen då socioekonomi även
påverkar hälsa (O'Neill et al. 2003, s.1864). I socioekonomiskt svagare grupper är ohälsa
generellt sett mer utbrett än i övriga samhället. Detta kan leda till att exponering för
luftföroreningar i närmiljön innebär större hälsorisker för dessa grupper jämfört med personer
med högre socioekonomisk status.
Bullernivåerna i länet är generellt höga, och för dessa syns inte ett lika tydligt mönster längs
vägar. Detta kan bero på att gränsvärdena i denna undersökning är högt satta samtidigt som
bullernivåerna är höga i stora delar av länet. Enligt Centrum för arbets- och miljömedicin
uppges det att 28% av befolkningen i Stockholms län har ett bostadsfönster mot en bullerkälla
(Centrum för arbets- och miljömedicin 2017, s. 32), vilket inte är förvånande sett till denna
uppsats resultat om buller i länet. Trots länets generellt höga bullernivåer påvisar denna uppsats
ett samband mellan låg socioekonomisk status och bullernivåer, vilket skulle kunna förklaras
av det mönster som ses i tätorterna omkring i länet, där de centrala delarna tenderar ha lägre
socioekonomisk status. Att bullernivåerna är högre i områden med låg socioekonomisk status
innebär sannolikt en möjlighet till liknande kumulerad negativ hälsoeffekt som för exponering
för luftföroreningar. Detta motiverar att åtgärder vidtas i länet för att minska luftföroreningar
och buller i områden med låg socioekonomisk status, särskilt i de områden som har generellt
låg miljökvalitet. Åtgärder för att minska påverkan av dessa miljöstressorer skulle kunna vara,
förutom minskad biltrafik, utökade bullerplank, vägdragningar i tunnlar och bevarande och
utökande av grönområden och vegetation.
Ett något förvånande resultat var att områden med hög andel låginkomsttagande hushåll hade
närmare till grönområden men samtidigt högre halter av luftföroreningar och buller. Detta är
anmärkningsvärt då vegetation fungerar både som luftrenare och ljuddämpande. För hela länet
är sambandsstyrkan för denna socioekonomiska variabel och närhet till grönområden och halter
av luftföroreningar mycket svag, för buller är den något högre. Vid exkluderandet av
innerstaden försvagades den negativa korrelationen med närhet till grönområden ytterligare,
medan de positiva korrelationerna med luftföroreningar och buller ökade. Buller är även den
miljökvalitetsvariabel som efter avstånd till vatten har den starkaste korrelationen med denna
socioekonomiska variabel. Det enda andra sambandet som på liknande sätt kan beskrivas som
29
motstridigt eller förvånande likt ovan, gäller medianinkomst och avstånd till grönområden samt
buller vid exkluderandet av innerstaden. Där är sambandet det motsatta, det vill säga att det
finns en positiv korrelation med avstånd till grönområden och en negativ korrelation med buller.
Att områden med högre medianinkomst har längre till grönområden men lägre nivåer av buller,
samtidigt som områden med hög andel låginkomsttagande hushåll har närmare till grönområden
men högre nivåer av buller är resultat som väl speglar varandra. En möjlig förklaring till detta
förhållande skulle kunna vara att närhet till grönområden och vegetation per automatik inte
betyder renare luft och lägre bullernivåer, då placering och utformning spelar en betydande roll
för utfallet. Vägar och andra bullerkällor behöver inte ligga i direkt anslutning till grönområden,
varför det är möjligt att ha närhet till både ett grönområde och en bullerkälla.
Variabeln utbildningsnivå avviker i sambandsriktning från de andra socioekonomiska
variablerna gällande NO2, PM10 och buller. För NO2 och PM10 visar resultatet vid
exkluderandet av Stockholms innerstad fortsatt att områden med högre andel lågutbildade är
mindre exponerade för luftföroreningarna, även om styrkan i sambanden minskar. För
sambandet med buller finns inget signifikant samband när innerstaden exkluderas. Riktningen
för luftföroreningarna liknar mer sambandet mellan dem och medianinkomst. Att variabeln
utbildningsnivå sticker ut från de andra socioekonomiska variablerna är ett oväntat resultat.
Resultatet kan betyda att områden med högre andel personer med låg utbildningsnivå inte är
samma områden som för de andra socioekonomiska variablerna. Den geografiska fördelningen
av andel personer med låg utbildningsnivå ses i appendix 1, figur A11. I denna syns en
annorlunda fördelning jämfört med andel icke förvärvsarbetande och låginkomsttagande
hushåll, se appendix 1, figur A9 och A10. Områden med lägre andel personer med låg
utbildningsnivå koncentrerar sig mer i och kring Stockholms innerstad samt strax norr om
innerstaden, en koncentration som inte syns för de andra två socioekonomiska variablerna.
Detta förklarar även att sambandsstyrkan i relationen mellan denna variabel och
luftföroreningar försvagas vid exkluderandet av innerstaden. Att utbildningsnivå är ett mer
konstant mått på socioekonomisk status, jämfört med inkomst och sysselsättning som i högre
uträckning varierar under livet, skulle kunna bidra till detta avvikande resultat. Hur det kommer
sig att denna variabel avviker från de andra borde framtida studier undersöka.
Denna uppsats har kommit fram till att närheten till grönområden är något större i områden med
låg socioekonomisk status, ett samband som blir svagare när analysen exkluderar Stockholms
innerstad. Detta beror troligtvis på att områden i innerstaden generellt har högre
socioekonomisk status samtidigt som förekomsten av grönområden är låg. Här skiljer sig denna
uppsats resultat från Lakes et al.s studie i Berlin där hög socioekonomisk status innebar en
större närhet till områden med vegetation (Lakes et al 2014, ss. 539–540, 549). Närheten till
grönområden är generellt hög i länet, vilket går i linje med Centrum för arbets- och
miljömedicins miljöhälsorapport från 2017, även om grönområden där har en vidare definition.
Fynden som gjorts i denna uppsats pekar på att det inte förekommer miljöorättvisa rörande
närhet till grönområden. Centrum för arbets- och miljömedicin (2017) har dock sett att
låginkomsttagare inte vistas lika frekvent i grönområden som andra inkomstgrupper, och även
att utbildningsnivå skulle kunna ha liknande effekt då högutbildade i påtagligt större
utsträckning än lågutbildade tror att grönområden har en positiv hälsoeffekt. Avsaknaden av ett
30
grönområde i närheten verkar heller inte ha lika stor inverkan på den självupplevda hälsan hos
höginkomsttagare jämfört med låginkomsttagare (Centrum för arbets- och miljömedicin 2017,
s. 49–53). Detta kan ha med valfrihet och mobilitet att göra då höginkomsttagare har en större
ekonomisk möjlighet att själva välja var de vill bo, medan de som har en lägre inkomst blir mer
begränsade i sina valmöjligheter.
De starkaste sambanden funna i denna undersökning gällde socioekonomiska faktorer samt
medianinkomst och närheten till vatten. Då närheten till vatten är större i områden med högre
socioekonomisk status och inkomst indikerar detta resultat att det finns en orättvisa i detta.
Sambanden kan bero på att attraktiviteten i vattenområdena höjer bostadspriserna. I en studie
utförd i Finland, av Laatikainen et al. (2015) påvisas liknande resultat, där personer med högre
inkomst bor närmare vatten jämfört med personer med lägre inkomst. Personer med högre
inkomst var även villiga att resa längre för rekreation jämfört med personer med lägre inkomst.
Personer som ägde bil upplevde större tillgänglighet till rekreation vid vatten (Laatikainen et
al. 2015, s. 27). Vattenområdena kopplas till aktiviteter såsom bad, båtliv, fiske och
promenader (Wallström och Hasselström 2019 & Raymond et al. 2016). Om fallet även i
Stockholms län är sådant att vattenområdenas tillgänglighet är mindre för personer med lägre
inkomst så finns en risk att det föreligger orättvisa även i möjligheten att ägna sig åt aktiviteter
med koppling till vatten. Denna orättvisa skulle kunna innebära att dessa personer inte tar del
av dessa aktiviteter samtidigt som de går miste om de hälsofördelar som vattenområdena bidrar
med. Vattenområdenas attraktivitet i kombination med att det finns skillnader i hur olika
socioekonomiska grupper tar del av dessa styrker denna variabels relevans inom
miljörättviseforskning. Om den självupplevda hälsan hos olika socioekonomiska grupper
påverkas av avsaknad av vattenområden i närmiljön borde även det studeras i framtida
forskning, och ägnas lika stor uppmärksamhet som grönområden.
6.2 Metoddiskussion
Att det finns skillnader i hur frekvent olika inkomstgrupper vistas i naturområden är något som
inte kan tas hänsyn till genom denna uppsats valda metod. Metoden skulle kunna kompletteras
av en enkätundersökning för att ta reda på om socioekonomisk status, och inte enbart inkomst,
påverkar hur ofta naturområden besöks. Detta eftersom inte enbart inkomst utgör ett mått på
socioekonomi, då personer av flera olika anledningar i perioder kan ha en lägre inkomst. Då
denna uppsats kommer fram till att områden med lägre socioekonomisk status har större närhet
till grönområden skulle vidare forskning kunna studera om det förekommer variationer mellan
olika socioekonomiska gruppers vanor att besöka grönområden.
Det kontrollerades att inte alltför många stadsparker med potentiellt rekreationsvärde i
Stockholms stad föll ur denna uppsats analys. Detta gjordes genom en jämförelse mellan
terrängkartans skogsskikt och stadsparker i ArcGIS pro. Parker som inte inkluderas i denna
uppsats definition av grönområden är Rålambshovsparken, Humlegården, Vasaparken och
Vanadislunden. De delar av Eriksdalslunden, Tantolunden och Vita bergen som är skogsmark
ingick i analysen. Långholmsparken, Observatiorilunden samt större delen av Hagaparken
31
ingick också i uppsatsens definition och således analys. Att vissa stadsparker som kan bidra
med rekreationsmöjligheter föll ur analysen ansågs godtagbart då dessa inte uppfyllde kriteriet
på vegetation. Ett manuellt urval för inkludering av områden utanför det använda skogsskiktet
skulle riskera påverka reliabilitet och validitet negativt.
Data om bullernivåerna, PM10- samt NO2-halter är inte normalfördelade i länet. För data
rörande buller försöktes det tas hänsyn till länets relativt höga nivåer genom att sammanslå de
två lägsta bullernivåerna ur hur Sylvén et al. (2015) definierat nivåerna. Analysvärdet för buller,
som kan anta ett värde mellan 1 och 4, hamnar på 3,85, se tabell 3. Detta är ett resultat i sig
självt då det innebär att bullernivåerna i länet är väldigt höga. Att MKN användes som
gränsvärden för luftföroreningar innebär att medelvärdet för alla observationer istället blev låg.
Det kontrollerades att resultatet av korrelationsanalysen inte påverkas avsevärt av fördelningen
genom att utföra korrelationsanalyser där variablernas gränsvärden justerades för att bättre
passa datamaterialet. Resultaten av denna kontrollanalys samt gränsvärdena för variablerna i
dessa redovisas i appendix 2, tabell A9 respektive A8. Datainsamlingen utgick från att hitta så
uppdaterade data som möjligt på de utvalda variablerna. Datamaterialet är från mellan 2015 och
2020, ett intervall som kan skapa osäkerheter i analysen. Därav måste resultatet i denna uppsats
förhålla sig till att förändringar i miljökvalitet och socioekonomi kan ha skett sedan den data
som använts publicerades.
32
7. Slutsats
Denna uppsats syftade till att undersöka om det förekommer miljöorättvisa i Stockholms län
och vilka miljöfaktorer och socioekonomiska faktorer som i så fall spelar in i orättvisan.
Analysen av sambandet mellan sammanvägd socioekonomi mot miljökvalitet indikerar att det
förekommer miljöorättvisa i länet. Studerandet av de separata variablerna mot varandra visar
att det främst förekommer orättvisa gällande närheten till vattenområden, men även gällande
nivåer av buller. Andra samband är mindre tydliga eller omvända. Områden med lägre
socioekonomisk status har större närhet till grönområden jämfört med områden med högre
socioekonomisk status. Gällande luftföroreningar med PM10 och NO2 varierade utfallet, där
resultatet visar att för några socioekonomiska variabler finns en koppling till högre halter, och
andra med lägre halter. Resultatet av denna uppsats styrker vikten av att social och miljömässig
hållbarhet tillsammans behöver få ta större plats i samhälls- och stadsplanering för att åtgärda
de socioekonomiska och miljömässiga variationer som finns inom länet. Bevarande av
allmännyttan kan vara ett viktigt verktyg för att minska den boendesegregation som finns i
länet. De områden där låg miljökvalitet sammanfaller med låg socioekonomisk status utgör
områden där miljöorättvisa förekommer. Resultatet gör att frågor om orsaker lyfts och därmed
borde framtida studier undersöka dessa områden i syfte att utreda vad orättvisan beror på.
Förslagsvis kan miljörättvisekategorierna policy- och deltaganderättvisa utgöra grunden i
dessa.
33
Referenser
Andersson, R. & Magnusson Turner, L. (2014). Segregation, gentrification, and
residualisation: from public housing to market-driven housing allocation in inner city
Stockholm, International Journal of Housing Policy, 14:1, 3-29, DOI:
10.1080/14616718.2013.872949
Bartelink, V.; Bodin, T.; Ebbevi, D.; Fischer, M.; Ponce de Leon, A.; Yacamán Méndez, D. &
Lager, A. (2019). Ekonomiska och sociala förutsättningar, I Bartelink, V. och Lager, A.
(redaktörer) Folkhälsorapport 2019. Stockholms län, Centrum för epidemiologi och
samhällsmedicin, Region Stockholm, ISBN: 978-91-87691-64-5
Bartelink, V. & Lager, A. (2019). Utmaningar, I Bartelink, V. & Lager, A. (redaktörer)
Folkhälsorapport 2019. Stockholms län, Centrum för epidemiologi och samhällsmedicin,
Region Stockholm. ISBN: 978-91-87691-64-5
Bergsten, Z. & Holmqvist, E. (2013). Possibilities of building a mixed city – evidence from
Swedish cities, International Journal of Housing Policy, 13:3, 288-311, DOI:
10.1080/14616718.2013.809211
Berger, T. (1998). Priser på egenskaper hos småhus. Arbetsrapport - Institutet för bostads- och
urbanforskning. Uppsala universitet; 14
Boverket (2016). Trångboddheten i storstadsregionerna. Rapport 2016:28, ISBN pdf: 978-
91-7563-419-7
Boverket (2019a). Grönska främjar hälsa och välbefinnande.
https://www.boverket.se/sv/PBL-kunskapsbanken/Allmant-om-
PBL/teman/ekosystemtjanster/naturen/valbefinnande/ [2021-03-25]
Boverket (2019b). Karta över miljonprogrammets bostadsbestånd. (Gå till kartan).
https://www.boverket.se/sv/samhallsplanering/stadsutveckling/miljonprogrammet/karttjanst-
over-
miljonprogrammet/?fbclid=IwAR0x3D2czCeV1BYkZdLAsDgcDU1DJ1bcOCuUjhwbrf5Lb0
y03UVoqeyxEX4 [2021-03-14]
Boverket (2020a). Bostadsmarknaden i regioner och kommuner.
https://www.boverket.se/sv/samhallsplanering/bostadsmarknad/bostadsmarknaden/bostadsma
rknadsenkaten/region-kommun/ [2021-02-23]
Boverket (2020b). Grönytefaktor – räkna med ekosystemtjänster.
https://www.boverket.se/sv/PBL-kunskapsbanken/Allmant-om-
PBL/teman/ekosystemtjanster/verktyg/gronytefaktor/ [2021-03-25]
34
Centrum för arbets- och miljömedicin (2017). Miljöhälsorapport Stockholms län 2017.
Stockholms läns landsting, Centrum för arbets- och
miljömedicin. http://dok.slso.sll.se/CAMM/Rapportserien/2017/CAMM_miljoohalsorapport_
webb.pdf [2021-02-15]
Centrum för epidemiologi och samhällsmedicin (u.å.). Folkhälsokollen, Jämför
kommuner/stadsdelar http://folkhalsokollen.se/jamfor-omraden/samband-mellan-indikatorer
[2021-03-12]
Dahlgren, G. & Whitehead, M. (2007). Policies and Strategies to Promote Social Equity in
Health Background document to WHO – Strategy paper for Europe. (Arbetsrapport) Institutet
för Framtidsstudier; 2007:14. ISBN: 978-91-85619-18-4
Department for local communities and government (2015a). The English Indices of
Deprivation 2015, Statistical release 30 Sep.
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/
file/465791/English_Indices_of_Deprivation_2015_-_Statistical_Release.pdf [2021-01-27]
Department for local communities and government (2015b). The English Index of Multiple
Deprivation (IMD) 2015 – Guidance.
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/
file/464430/English_Index_of_Multiple_Deprivation_2015_-_Guidance.pdf [2021-01-27]
Esri (u.å.). Euclidean Distance (Spatial Analyst). https://pro.arcgis.com/en/pro-app/latest/tool-
reference/spatial-analyst/euclidean-distance.html [2021-01-26]
Frisk, E. (2018). Spearmans rangkorrelation. Statistisk ordbok.
https://www.statistiskordbok.se/ord/spearmans-rangkorrelation/ [2021-02-22]
Gunnarsson‐Östling, U. & Höjer, M. (2011). Scenario Planning for Sustainability in
Stockholm, Sweden: Environmental Justice Considerations. International Journal of Urban
and Regional Research, 35(5), pp.1048–1067.
Haldorson, L. (2008). Sociala grupperingar för nationellt och internationellt bruk, Fokus på
näringsliv och arbetsmarknad, Statistiska centralbyrån (SCB), IAM 2008:1, ss. 69–86
Hall, T. och Vidén, S. (2005). The Million Homes Programme: a review of the great Swedish
planning project, Planning Perspectives, 20(3), pp. 301-328, DOI:
10.1080/02665430500130233
Hyresgästföreningen (2019). Inget väljarstöd för ombildningar och försäljningar av
allmännyttan i Stockholms stad, https://hyresgastforeningenstockholm.se/inget-valjarstod-for-
ombildningar-och-forsaljningar-av-allmannyttan-i-stockholms-stad/ [2021-01-22]
35
Khan, J.; Hildingsson, R. & Garting, L. (2020). Sustainable Welfare in Swedish Cities:
Challenges of Eco-Social Integration in Urban Sustainability Governance. Sustainability
(Basel, Switzerland), 12(383), DOI:10.3390/su12010383.
Lakes, T., Brückner, M. & Krämer, A. (2014). Development of an environmental justice
index to determine socio-economic disparities of noise pollution and green space in
residential areas in Berlin. Journal of environmental planning and management, 57(4),
pp.538–556.
Laatikainen, T. et al., 2015. Comparing conventional and PPGIS approaches in measuring
equality of access to urban aquatic environments. Landscape and urban planning, 144(C),
pp.22–33.
Ministry of Housing, communities and local government (2019). The English Indices of
Deprivation 2019 Frequently Asked Questions (FAQs)
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/
file/853811/IoD2019_FAQ_v4.pdf [2021-02-10]
Natural England (2010). ‘Nature Nearby’ Accessible Natural Greenspace Guidance, March
2010.
https://webarchive.nationalarchives.gov.uk/20140605145320/http://publications.naturalenglan
d.org.uk/publication/40004?category=47004 [2021-02-12]
Natural Resources Defense Council (2016): The Environmental Justice Movement, March 17,
https://www.nrdc.org/stories/environmental-justice-movement [2021-02-01]
Naturvårdsverket (2019). Att arbeta med grönytefaktorn.
https://www.naturvardsverket.se/upload/nyheter-och-press/infomejl/lagesrapp-
ekosystemtjanster/gronytefaktorn-infoskrift-dec-2018b.pdf [2021-03-29]
Naturvårdsverket (2020). Inledande kartläggning och objektiv skattning av luftkvalitet -
Vägledning om kontroll av miljökvalitetsnormerna för utomhusluft.
https://www.naturvardsverket.se/upload/stod-i-
miljoarbetet/vagledning/miljokvalitetsnormer/mkn-luft/vagledning-inledande-kartlaggning-
objektiv-skattning.pdf [2021-02-15]
Naturvårdsverket (2021). Antal och areal för naturreservat i Sverige
https://www.naturvardsverket.se/Sa-mar-miljon/Statistik-A-O/naturreservat-antal-och-areal/
[2021-03-08]
Noble, S.; McLennan, D.; Noble, M.; Plunkett, E.; Gutacker, N.; Silk, M. & Wright, G.
(2019). The English Indices of Deprivation 2019 Research report, September 2019, Ministry
of Housing, Communities and Local Government, UK.
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/
file/833947/IoD2019_Research_Report.pdf [2021-02-03]
36
O'Neill, M.S., Jerrett, M., Kawachi, I., Levy, J., Cohen, A.J., Gouveia, N., Wilkinson, P.,
Fletcher, T,. Cifuentes, L. & Schwartz, J. (2003). Health, wealth, and air pollution: advancing
theory and methods. Environmental health perspectives, 111(16), pp.1861–1870.
Office of legacy management (u.å.). Environmental justice history,
https://www.energy.gov/lm/services/environmental-justice/environmental-justice-history
[2021-02-01]
Raymond, C.M.; Gottwald, S.; Kuoppa, J.; & Kyttä, M. (2016). Integrating multiple elements
of environmental justice into urban blue space planning using public participation geographic
information systems. Landscape and urban planning, 153(C), pp.198–208.
Region Stockholm (2020). En analys av bostadsbeståndet. Ålder, upplåtelseform, storlek och
hushållens egenskaper inom Stockholms läns bostadsbestånd.
https://storymaps.arcgis.com/stories/7fbde35613814381af372842332d059d [2021-01-25]
Region Stockholm (2019). Mortalitet och sociala faktorer i Stockholms län 2018.
BEFOLKNINGSPROGNOS 2019–2028/60 DEMOGRAFIRAPPORT 2019:8
SCB (2015). Korrigering av den totalräknade inkomstfördelningsstatistiken (TRIF),
http://www.sverigeisiffror.scb.se/contentassets/279aa36209b44637b7b9c55178fcafe9/korriger
ing-trif-151222.pdf?fbclid=IwAR3YxYkbIvIDCMgol1ffghUnTey9s3jvNOMRXNwFOpPg-
XUBes9VsltwAvU [2021-03-24]
SCB (2016). Livslängd och dödlighet i olika sociala grupper. Demografisk rapport 2016:2,
ISBN 978-91-618-1644-6
SCB (2017a). Låginkomsttagare bor ofta i hyresrätt. https://www.scb.se/hitta-
statistik/artiklar/2017/Laginkomsttagare-bor-ofta-i-
hyresratt/?fbclid=IwAR18ns9JMfBhqZdGf1-klFfQF91pEsNku3iGFaeFc64LtSIygtYstrErdhQ
[2021-03-08]
SCB (2017b). Socioekonomisk indelning (SEI)
https://www.scb.se/dokumentation/klassifikationer-och-standarder/socioekonomisk-
indelning-sei/ [2021-03-25]
SCB (2018). Vanligt att arbeta under studierna i Sverige. https://www.scb.se/hitta-
statistik/artiklar/2018/vanligt-att-arbeta-under-studierna-i-sverige/ [2021-02-19]
SCB (2020). Disponibel inkomst per konsumtionsenhet för hushåll 20–64 år efter hushållstyp
2018. https://www.scb.se/hitta-statistik/temaomraden/jamstalldhet/ekonomisk-
jamstalldhet/inkomster-och-loner/disponibel-inkomst-per-konsumtionsenhet-for-hushall-
2064-ar-efter-hushallstyp-2018/ [2021-02-26]
37
SCB (2021). Sammanräknad förvärvsinkomst per kommun 2000 och 2017–2019.
Medianinkomst i 2019 års priser. https://www.scb.se/hitta-statistik/statistik-efter-
amne/hushallens-ekonomi/inkomster-och-inkomstfordelning/inkomster-och-
skatter/pong/tabell-och-diagram/inkomster--individer-lankommun/sammanraknad-
forvarvsinkomst-per-kommun-2000-och-2017-2019.-medianinkomst-i-2019-ars-
priser/ [2021-03-08]
SCB (u.å). DeSO - Demografiska statistikområden. https://scb.se/hitta-statistik/regional-
statistik-och-kartor/regionala-indelningar/deso---demografiska-statistikomraden/ [2021-01-
20]
SLB-analys (u.å). Miljökvalitetsnormer och jämförelse med normvärden.
https://www.slb.nu/slbanalys/mkn-info/ [2021-01-28]
Steger, T. & Filčák, R. (2008): Articulating the Basis for Promoting Environmental Justice in
Central and Eastern Europe. Environmental Justice, Vol 1:1, DOI: 10.1089/env.2008.0501
Stephens, C.; Willis, R & Walker, G. (2007). Addressing environmental inequalities:
cumulative environmental impacts. Science report: SC020061/SR4, May 2007, Environment
Agency, Bristol, UK, ISBN: 978-1-84432-765-2
Stockholms läns landsting (2018): Boendestrukturen i Stockholms län och delområden 2017 –
en registerstudie BEFOLKNINGSPROGNOS 2018–2027/60 | STOCKHOLMS LÄN
DEMOGRAFIRAPPORT 2018:9
Stockholms stad (2013). Markanvändning,
http://miljobarometern.stockholm.se/natur/landskap-och-biotoper/markanvandning/ [2021-03-
08]
Stockholms stad (2019). Socioekonomisk [sic.] faktablad med karta OHÄLSOTAL .
Tillgänglig: https://start.stockholm/globalassets/start/om-stockholms-stad/utredningar-
statistik-och-fakta/statistik/omradesfakta/socioekonomiska-faktablad/ohalsotal.pdf [2021-01-
22]
Svenska bostäder (u.å.). Utförsäljning av allmännyttan. https://www.svenskabostader.se/var-
historia/artiklar/utforsaljning-av-allmannyttan/ [2021-01-22]
Sveriges miljömål (2018). Preciseringar av God bebyggd miljö.
https://sverigesmiljomal.se/miljomalen/god-bebyggd-miljo/preciseringar-av-god-bebyggd-
miljo/ [2021-01-21]
Sveriges miljömål (2020). God bebyggd miljö. https://sverigesmiljomal.se/miljomalen/god-
bebyggd-miljo/ [2021-01-21]
38
Sylvén, J., Hassel, L. & Liliegren, Y. (2015). Ostörda områden – Var finns de?: En GIS-
modell för identifiering av bullerfria områden. http://ext-
dokument.lansstyrelsen.se/jonkoping/GDK_dokument/2015-01_Ostorda_omraden.pdf [2021-
02-15]
Taylor, D.E. (1997). American Environmentalism: The Role of Race, Class and Gender in
Shaping Activism 1820- 1995. Race, Gender & Class. Vol. 5,1, pp. 16-62, Stable
URL:http://www.jstor.org/stable/41674848
Tillväxt- och regionplaneförvaltningen (2018). Indelning av Stockholms län i tätort, tätortsnära
landsbygd, landsbygd och skärgård. Stockholms läns landsting. TRN 2015–0015.
http://rufs.se/globalassets/i.-kartor-gis-omradesdata/rufs-2050/gis-data/metadata-indelning-av-
stockholms-lan-i-tatort-tatortsnara-landsbygd-landsbygd-och-skargard-rufs2050.pdf [2021-
02-23]
United States Environmental Protection Agency (EPA) (2018). EPA's Environmental Quality
Index Supports Public Health, https://www.epa.gov/healthresearch/epas-environmental-
quality-index-supports-public-health [2021-01-30]
Verbeek, T. (2019). Unequal residential exposure to air pollution and noise: A geospatial
environmental justice analysis for Ghent, Belgium, SSM - Population Health Vol 7 article
100340, pp 2352-8273, DOI: 10.1016/j.ssmph.2018.100340
Walker, G.; Mitchell, G., Fairburn, J. & Smith, G. (2005). Industrial pollution and social
deprivation: evidence and complexity in evaluating and responding to environmental
inequality, Local Environment, Vol: 10(4) DOI: 10.1080/13549830500160842
Wallström, J. och Hasselström, L. (2019). Kartläggning av rekreationsvärden kopplade till
vattenförekomster. Anthesis, Rapport 2019:7, 2019-05-23.
https://www.havochvatten.se/download/18.4b6151c116b836ca6986bc1d/1561712170494/rap
port-kartlaggning-av-rekreationsvarden-kopplade-till-vattenforekomster.pdf [2021-02-15]
Wolch, J.R., Byrne, J. & Newell, J.P. (2014). Urban green space, public health, and
environmental justice: The challenge of making cities ‘just green enough.’ Landscape and
urban planning, 125(C), pp.234–244.
39
Datamaterial Lantmäteriet (2020). Terrängkartan (shp). https://zeus.slu.se/get/?drop= [2021-01-29]
Länsstyrelerna (2016). LST Bullerutredning – Ostörda områden 2016 – raster . https://ext-
geodatakatalog.lansstyrelsen.se/GeodataKatalogen/GetMetaDataById?id=07fe68c1-c472-
4048-9698-d9e611907883#Resurskontakter [2021-01-23]
SCB (2017). Inkomster (shp). https://zeus.slu.se/get/?drop= [2021-01-29]
SCB (2017; 2019). Arbetsmarknad_Utbildning (shp). https://zeus.slu.se/get/?drop= [2021-01-
29]
SLB-analys (u.å). Luftföroreningskartor. [Filer tillhandahölls 2021-01-20 på förfrågan]
1
Appendix 1. Kartor
Figur A1. Demografiska statistikområden i Stockholms län indelade decilgrupper efter nivå av socioekonomisk
status. Kommuner utmarkerade för bättre rumslig förståelse. © SCB och © Lantmäteriet.
2
Figur A2. Demografiska statistikområden i Stockholms län indelade i decilgrupper efter miljökvalitet. Kommuner
utmarkerade för bättre rumslig förståelse. Data som användes för framställningen av kartan är från © Lantmäteriet,
© SCB, SLB-analys och Länsstyrelserna.
3
Figur A3. Demografiska statistikområden i Stockholms län indelade efter medianinkomst 2017. Kommuner
utmarkerade för bättre rumslig förståelse. © SCB.
4
Figur A4. Dygnsmedelhalter av NO2 2015. Data för framställning av kartan kommer ifrån SLB-analys och ©
Lantmäteriet.
5
Figur A5. Dygnsmedelhalter av PM10 2015. Data för framställning av kartan kommer ifrån SLB-analys och ©
Lantmäteriet.
6
Figur A6. Avstånd till grönområden. Data behandlad för framställning av kartan är från © Lantmäteriet.
7
Figur A7. Avstånd till vattenområden. Data behandlad för framställning av kartan är från © Lantmäteriet.
8
Figur A8. Bullernivåer i Stockholms län 2015 efter kategorier baserade på db(A). Data för att framställa kartan
kommer ifrån Länsstyrelserna.
9
Figur A9. Demografiska statistikområden i Stockholms län indelade efter andel hushåll med låg inkomst 2017.
Data behandlad skapad av © SCB.
10
Figur A10. Demografiska statistikområden i Stockholms län indelade efter andel ej förvärvsarbetande 2017. Data
behandlad skapad av © SCB.
11
Figur A11. Demografiska statistikområden i Stockholms län indelade efter andel personer med låg
utbildningsnivå 2019. Data behandlad skapad av © SCB
1
Appendix 2. Tabeller och beräkningar
Tabell A1. Kategorier samt beskrivning av bullernivå baserat på Länsstyrelsen i Jönköpings
rapport ”Ostörda områden – var finns de?”, 2015. Analysvärdet anger respektive kategoris värde i
överlagringsanalys.
Bullernivå
baserat på
dB(A)
Beskrivning av ljudnivå
Bullernivå i
uppsats
Analysvärde
0,00 – 0,10 Naturljud såsom fågelkvitter, vindsus och
lövprassel
0,00 – 0,10 1
0,10 – 0,25 Normal samtalston till gatubuller 0,10 – 0,25 1
0,25 – 0,50 Som från gjuteri, pappersbruk eller sågverk 0,25 – 0,50 2
0,50 – 0,75 Som från landsväg, kraftverk, motorbana eller
industri
0,50 – 0,80 3
0,75 – 1,00 Kraftigt bullrande, hårt trafikerad motorväg eller
godståg
0,80 – 1,00 4
Tabell A2. Kategoriernas indelning samt analysvärde motiverat av miljökvalitetsnormen för NO2
(Naturvårdsverket 2020, s.10).
Halt av NO2 Beskrivning av haltintervall Analysvärde
<36 µg/m3 Under nedre utvärderingströskel 1
36 – 48 µg/m3 Nedre utvärderingströskel till övre utvärderingströskel 2
48 – 60 µg/m3 Övre utvärderingströskel till MKN 3
>60 µg/m3 Över MKN 4
Tabell A3. Kategoriernas indelning samt analysvärde motiverat av miljökvalitetsnormen för PM10
(Naturvårdsverket 2020, s. 10).
Halt av PM10 Beskrivning av haltintervall Analysvärde
<25 µg/m3 Under nedre utvärderingströskel 1
25 – 35 µg/m3 Nedre utvärderingströskel till övre utvärderingströskel 2
35 – 50 µg/m3 Övre utvärderingströskel till MKN 3
>50 µg/m3 Över MKN 4
2
Figur A1. Beräkning av socioekonomiska variabler samt sammanslagen socioekonomisk status.
Tabell A4. Värde av avstånd till vatten- eller grönområden
Avstånd till vatten- eller grönområde Analysvärde
0–150 m 1
150–300 m 2
300–1000 m 3
>1000 m 4
Tabell A5. Antal hushåll/personer omfattade i socioekonomiska data.
Hushåll 20+ efter
ekonomisk standard
Befolkning 25 - 64 år efter
utbildningsnivå
Befolkning 20 - 64 år efter
sysselsättning
N 973 690 1 274 449 1 384 430
År 2017 2019 2017
Antal hushåll med låg
inkomst/totalt antal
hushåll 20+
Antal personer med
förgymnasial
utbildning/totalt antal
personer 25–64 år
Antal icke
förvärvsarbetande/totalt
antal personer 20–64 år
Beräkning av variabeln
”låginkomsttagare”
Beräkning av variabeln
”lågutbildade”
Beräkning av variabeln
”icke
förvärvsarbetande”
Socio
ekonom
iska
poän
g sam
t underlag
för ran
kin
g
3
Tabell A6: Resultat av Spearmans rangkorrelation mellan socioekonomiska och miljökvalitetsvariabler
i hela länet respektive hela länet exklusive Stockholms innerstad.
Andel låginkomsttagare Andel ej
förvärvsarbetande
Andel personer
med låg
utbildningsnivå
Medelavstånd till
vattenområden
0,24*** 0,22*** 0,33***
Medelavstånd till
vattenområden
0,26*** 0,23*** 0,29***
Medelavstånd till grönområden -0,09** 0,01 -0,30***
Medelavstånd till grönområden -0,06* 0,01 -0,16***
Medel av PM10-halter 0,08** 0,08** -0,25***
Medel av PM10-halter 0,13*** 0,12*** -0,11***
Medel av NO2-halter 0,05 0,06* -0,30***
Medel av NO2-halter 0,11*** 0,09** -0,14***
Medel av bullernivåer 0,19*** 0,22*** -0,14***
Medel av bullernivåer 0,22*** 0,24*** -0,05
Tabellförklaring: Rho-värdet i Spearmans rangkorrelation beskriver sambandsstyrkan mellan
variablerna. 1 och -1 indikerar perfekt korrelation mellan variabler. I grönmarkerade rader visas
resultaten från korrelationsanalyserna som exkluderade observationerna i Stockholms innerstad. Antal
stjärnor efter rho-värdet anger sambandens signifikansnivå. * = p <0,05, ** = p <0,01 och *** = p <0,001.
Samband som inte är statistiskt säkerställda saknar stjärnor.
4
Tabell A7: Resultat av Spearmans rangkorrelation mellan medianinkomst och miljövariabler i hela
länet respektive exklusive Stockholms innerstad.
Medianinkomst
Medelavstånd till vattenområden -0,34***
Medelavstånd till vattenområden -0,32***
Medelavstånd till grönområden 0,27***
Medelavstånd till grönområden 0,13***
Medel av PM10-halter 0,10***
Medel av PM10-halter -0,04
Medel av NO2-halter 0,16***
Medel av NO2-halter -0,01
Medel av bullernivåer -0,04
Medel av bullernivåer -0,15***
Tabellförklaring: Rho-värdet i Spearmans rangkorrelation beskriver sambandsstyrkan mellan
variablerna. 1 och -1 indikerar perfekt korrelation mellan variabler. I grönmarkerade rader visas
resultaten från korrelationsanalyserna som exkluderade observationerna i Stockholms innerstad.
Antal stjärnor efter rho-värdet anger sambandens signifikansnivå. * = p <0,05, ** = p <0,01 och
***= p <0,001. Samband som inte är statistiskt säkerställda saknar stjärnor.
5
Tabell A9. Resultat av Spearmans rangkorrelation baserat på gränsvärden satta för att passa
datamaterialet bättre (PM10- och NO2-halter samt bullernivåer).
Andel
låginkomsttagare
Andel icke
förvärvsarbetande
Andel
lågutbildade
Medianinkomst
Halter av PM10 0,084** 0,116*** -0,275*** 0,099***
Halter av NO2 0,081** 0,123*** -0,352*** 0,149***
Bullernivåer 0,078** 0,118*** -0,262*** 0,099***
Tabellförklaring: Rho-värdet i Spearmans rangkorrelation beskriver sambandsstyrkan mellan
variablerna. 1 och -1 indikerar perfekt korrelation mellan variabler. Antal stjärnor efter rho-värdet
anger sambandens signifikansnivå. * = p <0,05, ** = p <0,01 och *** = p <0,001. Samband som
inte är statistiskt säkerställda saknar stjärnor.
Tabell A8. Gränsvärden satta för kontrollanalys. Luftföroreningar och buller.
Analysvärde
Haltintervall PM10 0 - 18µg/m3 1
18 – 25µg/m3 2
25 – 50µg/m3 3
>50 µg/m3 4
Haltintervall NO2 0 – 18µg/m3 1
18 - 36 µg/m3 2
36 - 60 µg/m3 3
>60 µg/m3 4
Bullernivåer (dB(A)) 0,00–0,50 1
0,50–0,65 2
0,65–0,90 3
0,90–1,00 4
1
Appendix 3. Flödesschema
IH1DesoSW_2017
Attributtabell:
Markering av
alla DeSO i
Stockholms Län
Inkomst_Sthlm_län
Utbildning_Sthlm_län
Utbildning_Sthlm_län
Inkomst_Sthlm_län
Sysselsättning_Sthlm_län
Layer from Selection
A7DesoSW_region.shp
A9DeSO_SW_region.shp
Sysselsättning_Sthlm_län
Inkomst_Sthlm_län
Excel:
Beräkning av
socioekonomisk nivå
av utsatthet enligt IMD
Inkomst_Sthlm_län
innehåller poäng och
ranking enligt IMD
Byt namn:
IMD_poäng_ranking
Join Excelfil med
Inkomst_Sthlm_län
Med kolumn ”Deso”
Joins and relates →
Add Join
Table to Excel
Clip features:
Inkomst_Sthlm_län
Excel to table
Clip
Bullerutredning_25x25m.tif
Se tabell x för
värden Reclass field:
Buller_Niv
Extract by mask
Bullernivåer
Feature mask data
IMD_poäng_ranking
Bullernivåer
Reclassify Bullernivå_reclass
Skapa lager med socioekonomisk ranking
Skapa lager med bullernivåer enligt utvalda gränsvärden
2
Clip features:
IMD_poäng_rankin
g
NO2
Clip-verktyget
AB_PM10dy_2015_Sweref99
TM
AB_NO2dy_2015_Sweref99
TM
NO2
Polygon to
raster-
verktyg PM10
PM10dy
NO2_raster Cell
assignment
type:
Maximum
area
Cellsize: 25
PM10_raster
Value
field:
PM10
NO2dy
PM10_rast
er
NO2_raster
Reclassify-verktyget Reclass
field:
NO2dy
PM10dy
Mv_south.shp
Mv_middle.shp
My_south.shp
My_middle.shp
PM10_reclass
Se tabell x och x för
värden.
NO2_reclass
Clip-verktyget Clip features:
IMD_poäng_ranking
Grön
Grön_syd
Grön_mellan Layer from selection
Where Kategori
is equal to
Lövskog or
barrskog
Select by
attributes
Mark_syd
Mark_mellan
Vatten_mellan
Vatten_syd
Mark_mellan
Mark_syd
Vatten_mellan
Vatten
Merge
Vatten_syd
Skapa lager med kvävedioxid samt partikelhalter enligt utvalda gränsvärden
Skapa lager med avstånd till grön- och vattenområden enligt gränsvärden
3
Input feature
barrier data:
Vatten.
Maximum
distance: 5000
Grön
Area
Öppna
attributtabell Spara
Add field;
“Area”
Vatten
Grön Select
by
attribute
s
Calculate
Geometry
Input
features:
Grön_min_2_hektar
Where area is
greater than or
equal to 2
Euclidean
distance
Geometry type:
Area
Unis: Hektar
Grön_min_2_hekta
r
Input
features:
Input feature
barrier data:
None.
Maximum
distance:
5000
Reclassify
Se tabell A4
för värden
Vatten_distance
Grön_distance
Vatten_distance
Grön_distance Cell
size: 25
Cell
size: 25
Se tabell A4
för värden
Vatten_intervall
Grön_intervall
Layer from
selection
Euclidean
distance
4
Grön_intervall
Bullernivå_reclass
Vatten_intervall
PM10_reclass
NO2_reclass
Tabulate area
Excel to
table
Beräkningar av
medelvärde +
ranking i Excel
Överföring av
tabeller till Excel
Buller_tabell
Input features:
IMD_poäng_ranking
Field: Deso
NO2_tabell
Vatten_tabell
PM10_tabell
Grön_tabell
Joins and relates
→ add join Joina med ”Deso” IMD_poäng_ranking
Visualisera IMD-
ranking med
miljöranking
Skapa lager med miljöranking