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