Urban krympning i Sveriges kommuner genom maskininlärning

Samhällsbyggarnas pris för bästa examensarbete i fastighetsekonomi gick i höstas till Pontus Flygring och Haukur Örn Valtýsson för deras examensarbete ”Urban Shrinkage Effects in Swedish Municipalities - A Random Forest Approach”. 

Vinnande bidrag utses av Samhällsbyggarnas sektion för fastighetsvärdering (SFF). Författarna delar på prissumman 20 000 kronor och priset delades ut under Samhällsbyggnadsdagarna. 

Urban Shrinkage Effects in Swedish Municipalities - A Random Forest Approach 

Med hjälp av maskininlärning undersöker studien hur befolkning och bostadspriser förändras i Sveriges 290 kommuner, baserat på SCB-data för perioden 2016–2020 och 2019–2023. Modellerna mäter prognosernas träffsäkerhet och identifierar vilka demografiska, ekonomiska och bostadsrelaterade faktorer som har störst betydelse på kommunnivå, och visar hur dessa faktorer påverkar kommunens befolknings- och bostadsutveckling. Genom att använda maskininlärning fångar metoden icke-linjära samband i de två perioderna som traditionella regressionsmodeller ofta missar. 

Det centrala begreppet i studien är "urban shrinkage" – ett globalt fenomen där städer påverkas av befolkningsminskning, ekonomisk omstrukturering och förändring i den byggda miljön. I Sverige blir detta allt mer aktuellt. Nästan hälften av landets kommuner minskar i befolkning, drivet av fallande födelsetal, en åldrande befolkning och ett ökat beroende av invandring för att upprätthålla befolkningstillväxten. Utvecklingen i Sverige slår ojämnt, kommuner i norr och i glesbygd drabbas särskilt hårt av utflyttning och en åldrande befolkning. Globaliseringen och den ökade koncentrationen av ekonomisk aktivitet till större städer har förstärkt urbaniseringen och drivit fler unga mot starka arbetsmarknader, vilket ytterligare fördjupar de regionala skillnaderna och skapar nya utmaningar för lokal tillväxt och samhällsplanering. 

För att belysa dessa utmaningar togs en Random Forest-modell fram. Genom 

maskininlärningsbaserade tolkningsmetoder identifieras de mest inflytelserika variablerna bakom förändringar i befolkning och bostadspriser. Modellen fungerar som ett steg mot att förstå och förutse urban shrinkage i det svenska sammanhanget. 

Modellresultaten visar att bostadsfaktorer – som hyres-till-priskvot och förändringar i 

bostadsbeståndet – har störst betydelse för framtida befolkningstrender. Demografiska variabler som åldersstruktur och befolkningsstorlek är däremot mer avgörande för bostadsprisernas utveckling än ekonomiska faktorer som arbetslöshet och BNP-tillväxt. Detta bekräftar tidigare forskning om feedbackmekanismer mellan bostadsmarknad och demografi, där befolkningsminskning minskar skatteintäkter, vilket kan leda till nedskärningar i kommunal service och investeringsintresse – vilket i sin tur driver ytterligare utflyttning. 

Analys av resultaten från studien visar även tröskeleffekter där utvecklingen förändras när vissa värden passeras. Kommuner med hög andel äldre hade stabilare bostadspriser, troligen kopplat till högre inkomster, men effekten avtog när andelen översteg cirka 36 procent. Vilket kan indikera på att kommuner med en mycket ålderstung befolkning riskerar att hamna i en nedåtgående spiral, där minskad inflyttning och minskade investeringar ytterligare försvagar kommunernas utveckling. 

Även om modellen kräver vidareutveckling innan den kan användas praktiskt i planeringen visar studien på den stora potentialen i att integrera maskininlärning i svensk stads- och samhällsplanering. Den erbjuder nya metodologiska insikter och visar hur datadrivna analyser kan bidra till att förstå och hantera befolkningsförändringar, vilket öppnar för en mer hållbar utveckling av Sveriges kommuner. 

Pontus Flygring 

M.Sc. Real Estate and Construction Management på KTH 

Haukur Örn Valtýsson 

M.Sc. Real Estate and Construction Management på KTH 

Foto: Rosie Alm