Microsoft Word - Rapport BMV 20081104.docInnehåll 1 Sammanfattning
...............................................................................................................
3
4.4 Begränsningar och möjligheter
................................................................................
10
5 Slutsatser
.........................................................................................................................
13
Bilaga 2: Naturvärden i jordbrukslandskapet – Statistisk analys av
TUVA-objekts värden och kvalitéer
3
1 Sammanfattning Det finns ett behov av bättre metoder för att
kunna bedöma betesmarkers kvaliteter och värden på regional och
nationell nivå. Syftet med den här studien var att undersöka
problem och möjligheter med att klassificera ängs- och betesmarker
utifrån naturvärden. Drygt 70 experter på odlingslandskapets
naturvärden valdes ut från landets samtliga länsstyrelser och från
andra relevanta myndigheter för att i en enkät klassificera 50
ängs- och betesmarksobjekt enligt en tiogradig skala. Objekten var
slumpmässigt utspridda i hela landet. Varje objekt var i förväg
definierat med hjälp av ett tiotal olika naturvärdesvariabler.
Kulturmiljövariabler utelämnades för att förenkla och renodla
analysen. Följande konkreta resultat framkom av studien:
1. Statliga naturvårdsexperter är i stor utsträckning eniga i sina
bedömningar av ängs- och betesmarker.
2. Odlingslandskapets naturvärden går att bedöma kvantitativt med
hjälp av en enkel, linjär prediktionsmodell som väger samman
betydelsen av vissa givna variabler. Ett tiotal väl valda variabler
räcker för att karaktärisera ett ängs- och betesmarksobjekt på ett
sammanfattande men ändå nyanserat sätt, och för de flesta experter
är det praktiskt möjligt att hantera och väga samman upp till ca
tio variabler.
3. Antal positiva signalarter är den variabel som experterna lägger
störst tyngd vid i sina bedömningar.
Den här studien bygger på skrivbordsklassningar. En väsentlig och
värdefull uppföljning är därför att stämma av resultaten mot
fältbaserade bedömningar. En framtida modell skulle också kunna
förbättras om större hänsyn togs till geografiska parametrar och om
bedömningsunderlaget utökades med kvalitativ information om arter
och naturtyper. Också kulturmiljövärden skulle med fördel kunna
inkluderas – natur och kultur hänger i praktiken intimt samman när
det gäller odlingslandskapet. De tydliga resultaten som presenteras
här antyder dock att förutsättningarna för att utveckla verktyg för
att bedöma natur- och kulturmiljövärden finns. I slutändan kan
värderingsverktyg vara till stor hjälp vid samhällsplanering och
beslutsfattande – och möjligheten att kvantifiera naturvärden
enligt objektiva kriterier kan bidra till att öka förtroendet för
de prioriteringar, avvägningar och bedömningar som måste göras inom
naturvården.
5
2 Bakgrund Inom miljökvalitetsmålet Ett rikt odlingslandskap anges
att samtliga betesmarker ska skötas så att deras värden bevaras.
Den kvantitativa delen av målet följs upp relativt väl och det
finns modeller för att bedöma hur antalet hektar betesmark i
Sverige påverkas av t.ex. förändringar i jordbrukspolitiken.
När det gäller natur- och kulturmiljövärden på betesmarker har det
tidigare saknats heltäckande inventeringar varför det varit
omöjligt att uttala sig om utvecklingen eller tillståndet på
nationell skala. Dynamiken i betesmarkerna där vissa arter ökar och
andra minskar komplicerar också möjligheterna att bedöma om
värdedimensionen av målet uppnåtts. I och med tillkomsten av
Jordbruksverkets landsomfattande inventering av ängs- och
betesmarker finns en detaljerad dokumentation över en stor andel av
landets ängs- och betesmarker. I databasen TUVA1 redovisas ängs-
och betesmarkerna tillsammans med en mängd olika natur- och
kulturmiljövariabler, som t.ex. signalarter, hamlade träd och
hävdstatus. TUVA-databasen ökar möjligheterna att i större skala
göra bedömningar av kvaliteter och värden. Syftet med den här
studien är att undersöka vilka problem och möjligheter det finns
med ett system för klassning av ängs- och betesmarker utifrån
naturvärden. Syftet är däremot inte att metoden ska kunna användas
för att bedöma enskilda objekt. För att förenkla och renodla
analysen har kulturmiljövärden utelämnats.
Värden är subjektiva och resultatet av en värderingsstudie blir
beroende av vilka grupper i samhället som tillfrågas. Många
undersökningar tar sin utgångspunkt i vad ett representativt urval
av befolkningen anser. Sådana undersökningar görs för att kunna
uppskatta samhällets betalningsvilja för t.ex. olika naturvärden. I
den här studien har vi valt att låta experter på odlingslandskapets
biologiska mångfald bedöma vad de anser vara mest värdefullt. En
sådan ansats kan vara intressant eftersom experter vanligen brukar
tillfrågas när det gäller prioriteringar eller åtgärder i
samhällsplaneringen. För att kunna tolka variablerna i TUVA, som
utgör grunden för den här studien, krävs dessutom gedigna kunskaper
om den biologiska mångfalden i odlingslandskapet.
I den här rapporten redovisas och diskuteras kortfattat resultaten
från en enkätundersökning, baserad på konkreta exempel från TUVA. I
bilaga 1 och 2 redovisas de statistiska bearbetningarna, metoderna
samt resultaten. Dessa delar har utförts av Thomas Holgersson på
Internationella Handelshögskolan i Jönköping.
Studien har finansierats med pengar från Miljömålsrådet.
Ett stort tack riktas till alla experter som deltagit i
enkäten.
1 www.sjv.se/tuva
7
3 Hur har värderingen gjorts? TUVA omfattade vid
undersökningstillfället ca 50 000 objekt. Varje objekt har
inventerats med avseende på hundratals attribut2. Det är för många
variabler för att det ska vara möjligt att på ett meningsfullt sätt
utnyttja dem för att värdera objekten. Ett första steg i arbetet
var därför att få ner antalet variabler till ett antal som var
möjligt att hantera. En fokusgrupp bestående av en mindre grupp
experter på Jordbruksverket och länsstyrelserna reducerade
variablerna till de som uppfattades som mest intressanta för
värdering av markerna. I ett tidigt skede bestämdes att endast
variabler för naturvärden skulle ingå för att inte göra studien
alltför komplicerad.
I nästa fas (bilaga 1) testades tre olika värderingsmetoder på en
testgrupp om sex personer. Syftet var att välja ut variabler och
metod för en större enkätundersökning. Denna pilotstudie
resulterade i att följande variabler valdes ut (se närmare
beskrivning av variablerna i bilaga 2 sid. 4):
1. Andel areal bestående av naturtyper enligt Natura 2000.
2. Antal värdefulla träd (t.ex. hamlade eller grova träd).
3. Trädindex (beskuggning).
4. Buskindex (busktäthet).
7. Areal.
8. Hävdregim (bete/slåtter).
Det bedömdes också som mest lämpligt att använda ett
klassificeringssystem med tio klasser där klass ett skulle motsvara
de tio procent av ängs- och betesmarkerna i TUVA som var mest
värdefulla och klass tio de tio procent minst värdefulla markerna.
En förfrågan skickades ut till samtliga länsstyrelser om namn på
tänkbara experter på jordbrukslandskapets naturvärden med
tillräcklig kunskap för att kunna göra en ”skrivbordsklassning” av
marker utifrån variabler i TUVA.
77 experter valdes ut för att i en enkät klassificera 50 ängs- och
betesmarksobjekt i nämnda tio klasser. Dessutom skulle experterna
svara på olika frågor kring problem och möjligheter med denna typ
av klassning (bilaga 2).
2 Begreppen attribut och variabler används här synonymt för att
beteckna det som inventerats i ängs- och besmarksinventeringen;
naturtyp, antal signalarter, antal värdefulla träd etc.
9
4 Resultat och diskussion 4.1 Stor enighet mellan experter Av de 77
utvalda experterna var det 42 som besvarade enkäten. Trots den
komplexa uppgiften – att enligt en tiogradig skala klassificera 50
ängs- och betesmarker utifrån deras biologiska värden – var
samsynen påfallande. För varje enskilt objekt var experternas
klassificeringar i hög utsträckning samlade inom ett intervall om
tre skalenheter (bilaga 2: figur 4). Parvisa jämförelser mellan
samtliga experter resulterade i starka, statistiskt säkerställda
överensstämmelser med korrelationskoefficienter (r) koncentrerade
inom intervallet 0,7 till 0,9 (där r = 1 motsvarar en perfekt
överrensstämmelse och r = 0 innebär en total avsaknad av
överensstämmelse).
4.2 Går det att beräkna ett objekts naturvärde? Som tidigare nämnts
definierades varje objekt i studien i förväg med hjälp av åtta
olika variabler/attribut (Bilaga 2: sid. 4). Genom linjär multipel
regressionsanalys visade det sig vara möjligt att formulera en
prediktionsmodell som väger samman de olika attributens relativa
betydelse för klassificeringen av ett objekt (bilaga 2: sid. 15).
Av modellen framgår att kopplingen mellan den sammanvägda
betydelsen av de olika attributen och de genomsnittliga
klassificeringarna av de olika ängs- och betesmarksobjekten är
stark. Jämförelsemåttet på modellens styrka (R2) är 0,92 (där R2 =
0 är lägsta och R2 = 1 är högsta möjliga värde). Därmed är det
alltså möjligt att med god statistisk säkerhet beräkna
naturvärdesklassen för ett objekt, om man har värden på de olika
attributen. På samma sätt är det möjligt att beräkna hur
klassificeringen av ett objekt förändras om värdet på något av de
ingående attributen ändras. Om man t.ex. åttadubblar arealen
förändras naturvärdesklassen med en skalenhet. Samtidigt är det
viktigt att understryka att klassificeringen följer en tiogradig
skala. Modellen gör inte anspråk på att med alltför stor säkerhet
kunna urskilja nyanser däremellan.
4.3 Vilka attribut är viktigast för en naturvärdesbedömning?
En viktig slutsats är att experterna, oberoende av varandra,
tillskrev vissa attribut större naturvärdesbetydelse än andra.
Experterna tog i det närmaste undantagslöst fasta på fem av
attributen när de klassificerade de olika ängs- och
betesmarksobjekten. Sambanden mellan dessa fem attribut och de
genomsnittliga klassificeringarna av objekten är entydiga och
statistiskt säkerställda (bilaga 2: figur 8; notera att de mest
värdefulla objekten tillhör klass 1 och de minst värdefulla klass
10).
Antal positiva signalarter var det attribut som uppvisade starkast
samband med klassificering; den genomsnittliga klassificeringen av
ett objekt minskade linjärt med antalet positiva signalarter (r = -
0,82). På samma sätt fanns det ett starkt samband mellan
klassificering och Andel areal bestående av naturtyp enligt Natura
2000 (r = - 0,62). Det tredje viktigaste attributet var Grad av
produktionshöjande åtgärder; den genomsnittliga klassificeringen av
ett objekt förändrades linjärt med graden av produktionshöjande
åtgärder (r = 0,51). Det fjärde viktigaste attributet var Areal;
stora områden värderades högre än små (r = - 0,38). Slutligen
visade det sig att experterna värderade slåttermarker högre än
betesmarker (Bete/slåtter; r = - 0,36).
10
Övriga attribut – Antal värdefulla träd, busktäthet (Buskindex),
samt beskuggning (Trädindex) – hade inte någon entydig betydelse
för hur experterna klassificerade objekten. Det ska dock noteras
att Antal värdefulla träd hade betydelse i extrema fall. Objekt med
ett stort antal värdefulla träd (> 40) klassificerades i
genomsnitt mycket högt. Det ska även påpekas att analyserna enbart
baseras på linjära metoder – det kan finns icke-linjära samband
mellan vissa attribut (t.ex. Buskindex och Trädindex) och
klassificeringarna av objekten.
4.4 Begränsningar och möjligheter Den här studien pekar på att
odlingslandskapets naturvärden går att kvantifiera och att landets
naturvårdstjänstemän är överens i sina bedömningar. Samtidigt är
det viktigt att vara varsam med allt för vidlyftiga
generaliseringar – resultaten måste ses i ljuset av studiens
begränsningar.
Som en del av studien ingick att experterna själva skulle lämna
synpunkter på försöksupplägget. Många av experterna hade som
huvudinvändning att geografisk information saknades för objekten
som skulle bedömas. Såväl storskalig information på landskapsnivå
som småskalig information på lokalnivå saknades. Var i landet låg
objekten? I vilken region? Hur såg omgivningarna ut? Attributet
Antal värdefulla träd har t.ex. i allmänhet större relevans för
södra och mellersta Sverige än för Norrland, och en isolerad
slåtteräng omgärdad av täta granplanteringar torde vara mindre
värdefull än en för övrigt jämförbar slåtteräng som har förbindelse
med andra ängs- och betesmarker. Ortofoton skulle ha kunnat bidra
med information om objektens fysiska struktur liksom om
naturförhållandena i de närmsta omgivningarna.
Utöver bristen på geografisk information var det många av
experterna som hade invändningar mot att information saknades om
såväl signalarter som naturtyper. Vilka var de olika signalarterna
som fanns i objekten, och hur utspridda inom objekten var de? Vilka
naturtyper rymdes inom objekten? Är det inte stor skillnad i värde
på ett objekt som hyser en sällsynt och lokalt begränsad naturtyp
som sandstäpp, jämfört med ett objekt som domineras av en allmän
och vitt utbredd naturtyp som fuktäng? Vidare fanns det synpunkter
på att kärlväxter vägde tyngre i bedömningarna än andra
organismgrupper.
En annan typ av invändning mot studien var att det är fel att
isolera naturvärden från kulturvärden. Flera av experterna
framförde att också rena kulturvariabler, som förekomst av
stenmurar, odlingsrösen och andra kulturmiljöelement, borde ha
beaktats i studien eftersom natur och kultur i praktiken hänger
intimt samman när det gäller odlingslandskapet.
Tekniskt sett är det förstås fullt möjligt att utöka antalet
bedömningsattribut för att tillgodose synpunkterna ovan. Generellt
torde överensstämmelsen med verkligheten vara större för ett objekt
som karaktäriseras med hjälp av många attribut än ett objekt som
karaktäriseras med få attribut. Samtidigt blir det mänskligt sett
ogörligt att utan tekniska hjälpmedel jämföra olika objekt med
varandra om antalet attribut överstiger en viss nivå. Var maxnivån
ligger beror i sin tur av hur många objekt man ska bedöma. Dessutom
finns det en individuell variation, d.v.s. antalet attribut som man
kan hantera skiljer från person till person. Just att utvärdera den
mänskliga aspekten var en grundtanke med studien:
naturvärdesbedömningar handlar ju i praktiken om hur enskilda
personer på ett tillsynes intuitivt sätt väger samman en mängd
information.
Mer än 80 procent av experterna ansåg att bedömningsuppgiften var
hanterbar, dvs. åtta attribut var ett hanterbart antal i
förhållande till objektantalet (50 stycken). Närmare hälften av
experterna ansåg att attributantalet var tillräckligt för att ge en
god spegling av verkligheten. Drygt 40 procent tyckte däremot att
antalet var för lågt. Resten var osäkra. Utifrån dessa
11
siffror kan man dra slutsatsen att studiens attributantal var
relativt adekvat. När det gäller valet av attribut kan man anta att
naturvårdsrelevansen skulle öka om svårtolkade attribut som
Buskindex och Trädindex byttes ut mot attribut rörande t.ex.
geografi och naturtyp. Här ska det dock åter påpekas att
prediktionsmodellen som tagits fram i den här studien inte tar
hänsyn till eventuella icke-linjära samband. I praktiken kan ett
objekts naturvärde mycket väl öka med mängden buskar och träd till
en viss nivå för att därefter sjunka.
I praktiken är ofta fältbesök en central del i
naturvärdesbedömningar. En väsentlig och värdefull uppföljning till
en skrivbordsstudie som den här skulle därför vara att stämma av
resultaten mot fältbaserade bedömningar. Hur skulle experterna
uppfatta de 50 ängs- och betesmarksobjekten om de fick se dem
direkt på plats? Skulle resultaten bli annorlunda då, och i så fall
varför?
Det ligger i sakens natur att en värderingsstudie måste bygga på
förenklingar. Trots det, och trots de specifika brister som har
framförts här, finns det skäl att lyfta fram de möjligheter som har
framkommit av den här studien. Den höga graden av samstämmighet
mellan experterna skänker saklig tyngd åt det naturvårdsarbete som
länsstyrelserna och andra naturvårdsaktörer har att utföra.
Dessutom kan möjligheten att kvantifiera naturvärden enligt
objektiva kriterier bidra till att öka förtroendet för de
prioriteringar, avvägningar och bedömningar som måste göras inom
naturvårdsförvaltningen – inte minst gäller det länsstyrelsernas
arbete med att fördela jordbrukarstöd till natur- och
kulturmiljövärden inom EU:s landsbygdsprogram. Resultaten från den
här studien visar att det generellt sett finns goda förutsättningar
att vidareutveckla värderingsverktyg som kan användas vid
samhällsplanering och beslutsfattande på olika nivåer.
13
5 Slutsatser Experter på odlingslandskapets naturvärden är i stor
utsträckning eniga i sina bedömningar av ängs- och
betesmarksobjekt.
Resultaten tyder på att odlingslandskapets naturvärden går att
bedöma kvantitativt på ett övergripande plan med hjälp av en enkel,
linjär prediktionsmodell som väger samman betydelsen av vissa givna
variabler. Ett tiotal väl valda variabler räcker för att
karaktärisera ett ängs- och betesmarksobjekt på ett sammanfattande
men ändå nyanserat sätt, och för de flesta experter är det
praktiskt möjligt att hantera och väga samman upp till ca tio
variabler.
Variablerna som används i den här studien är relativt väl valda,
enligt de medverkande experterna. Många saknar dock information om
geografi, arter och naturtyper. Också rena kulturvariabler kunde
med fördel ha inkluderats eftersom natur och kultur hänger intimt
samman när det gäller odlingslandskapet. Antal positiva signalarter
är den variabel som experterna lägger störst tyngd vid i sina
bedömningar. Därefter följer Andel areal bestående av naturtyp
enligt Natura 2000, Grad av produktionshöjande åtgärder, Areal,
samt hävdregim (bete/slåtter). Betydelsen av övriga variabler
[Antal värdefulla träd, busktäthet (Buskindex), samt beskuggning
(Trädindex)] är otydligare. Icke-linjära samband kan finnas när det
gäller de två sista variablerna.
Möjligheten att kvantifiera naturvärden enligt objektiva kriterier
kan bidra till att öka förtroendet för de prioriteringar,
avvägningar och bedömningar som måste göras inom naturvården.
Generellt sett finns det goda förutsättningar att vidareutveckla
värderingsverktyg som kan användas vid samhällsplanering och
beslutsfattande.
1
SE-551 11 Jönköping
Sweden Bakgrund: För att kartlägga de totala kvaliteterna och
värdena i odlingslandskapen i Sverige har en enkät konstruerats och
sänts till 6 biologer på Länsstyrelserna. I denna har man listat
ett drygt trettiotal olika objekt ur TUVA-databasen. Före
sammansättningen av enkäten har man på kvalitativ basis utvalt åtta
attribut som potentiella förklaringsvariabler/indikatorer som antas
bestämma ett objekts värden och kvalitéer. De sex biologerna har
ombetts använda dessa attribut för att (i) rangordna 10 objekt
efter relevans, (ii) klassordna ett objekt (1-4) efter relevans
samt (iii) poängsätta objekt med ett referensobjekt som
utgångspunkt. De olika responsvariablerna har sedan analyserats för
att avgöra vilken av dem som är mest lämpad användning i en
storskalig studie.
2
1. Introduktion Ängs- och betesmarkerna är av stor betydelse för
natur- och kulturvärdena i odlingslandskapet i Sverige. Man har
relativt god kunskap om den totala arealen ängs- och betesmarker*
men sämre uppfattning om hur de totala kvaliteterna och värdena
förändras över tiden eller skiljer sig åt mellan områden. Detta gör
det svårt att utvärdera miljökvalitetsmålet ”Ett rikt
odlingslandskap” när det gäller kvaliteter och värden. Med bakgrund
av detta har Miljömålsrådet finansierat en studie med följande
frågeställningar:
1) Kan man använda TUVA-databasens* variabler som indikatorer på
ängs- och betesmarkers värden och kvaliteter?
2) Vilket resultat får man om man frågar biologer på
odlingslandskapets naturvärden om detta?
3) Vilka problem och möjligheter finns när det gäller att ta fram
indikatorer på naturvärden som ska vara användbara vid utvärdering
på nationell nivå?
Som en del i studien ingår en enkät till biologer där olika objekt
skall jämföras. Enkäten syftar bl.a. till att se vilka typer av
attribut som kan användas för att bestämma kvaliteter och värden på
olika objekt. Denna enkät är ett tämligen omfattande projekt som
kommer att omfatta ett relativt stort antal biologer (ca 50-70st).
Det är därför av stor vikt att dels enkäten är utformad på ett sätt
som gör det relativt enkelt för biologerna att rangordna/bestämma
ett enskilt objekts relativa värde dels att responsvariabeln utgörs
av ett kvantitativt mått som möjliggör tolkning och statistisk
bearbetning. För att förvissa sig om att dessa villkor verkligen
uppfylls har en pilotstudie utförts. Ett antal olika ansatser har
prövats på sex olika biologer för att undersöka hur de eventuellt
skiljer sig åt. I enkäten har de även getts möjlighet att
skriftligen beskriva hur lätt/svårtolkade de olika
responsvariablerna varit att arbeta med. Detta för att reducera
risken för senare missförstånd i den stora studien. I pilotenkäten
har listats ett drygt trettiotal olika objekt ur TUVA-databasen.
Före sammansättningen av enkäten har man på kvalitativ basis utvalt
ca åtta attribut som förmodade förklaringsvariabler/indikatorer för
att bestämma ett objekts värden och kvalitéer. De sex biologerna
har ombetts använda dessa attribut för att (i) rangordna objekt
efter relevans, (ii) klassordna ett objekt efter relevans samt
(iii) poängsätta objekt med ett referensobjekt som utgångspunkt.
Det huvudsakliga syftet har varit att undersöka vilken/vilka av
dessa ansatser som de uppfattar som rimligast samt vilka som är
bäst lämpade för statistisk analys. Det är även av intresse att
bilda sig en uppfattning om hur pass stor heterogenitet som råder
mellan de olika biologerna, dvs hur olika de bedömer ett och samma
objekt. De huvudsakliga resultaten är att biologerna i pilotstudien
är (överlag) förvånansvärt samstämmiga i sin bedömning samt att
alla tre ansatser ger likvärdigt resultat. Tex så
3
spelar det inte så stor roll om biologerna rangordnar objekt eller
poängsätter dem; båda ansatserna identifierar samma
förklaringsvariabler. Emellertid måste en avvägning göras mellan en
mätmetods kvantitativa rimlighet (hur tolkningsbart ett vist
rangordningsmått är) och den statistiska användbarheten (i vilken
grad den tillåter en statistiskt ”anständig” analys).
Rekommendationen inför den stora studien är att man bör använda en
kombination av två av de föreslagna ansatserna. Enkäten finns
bifogad i Appendix. *Jordbruksverket har genomfört en nationell
inventering av Sveriges ängs- och betesmarker. Inventeringen
genomfördes i fält av personal från länsstyrelserna under perioden
2002 - 2004. De inventerade då 300 000 hektar mark. Det samlade
resultatet finns tillgängligt i en skriftlig rapport (Ängs- och
betesmarksinventeringen 2002-2004) samt i databasen TUVA.
4
2. Mätvariabler och attribut Attributen, dvs. de variabler som
antas förklara ett objekts värden och kvalitéer, har på kvalitativ
basis tagits fram av en grupp biologer som utifrån samtliga
variabler i TUVA- databasen plockat bort de som inte underlättat
jämförelsen mellan objekt. En beskrivning av de inkluderade
attributen finns i Tabell 1 nedan. Tabell 1: Beskrivning av
attributen
Tre olika ansatser, eller responsmått, har använts för att
kvantifiera ett objekts värde. Enkäten har således indelats i tre
sektioner där varje sektion omfattat ett trettiotal objekt. Ett par
saker bör noteras angående de tre ansatserna: dels får ansatsen
inte vara för svår rent tekniskt sett då detta kan resultera i
missförstånd eller låg svarsfrekvens, dels är en ansats som ger hög
samstämmighet mellan biologerna att föredra framför en som ger låg
samstämmighet. Däremot är det tveksamt om en hög förklaringsgrad
automatiskt innebär att en ansats är ”bättre” än övriga med
avseende på studiens syfte. Nedan presenteras några viktiga
sambandsmått för de olika ansatserna.
Attribut Beskrivning Öppen, hävdberoende areal, Natura 2000
Areal som klassas som en natura-2000-naturtyp (ej Kultiverad
fodermark eller Annan naturtyp)
Antal hamlade, grova eller i övrigt värdefulla träd och buskar
Totalt antal hamlade, grova eller i övrigt värdefulla träd och
buskar på skiftet.
Trädindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-träd, beräknat enligt följande: 1 x
andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten +
0 x andel med inget-enstaka träd
Buskindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-buskar, beräknat enligt följande: 1
x andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten
+ 0 x andel med ingen-enstaka buskar
Antal positiva signalarter Totalt antal arter som förekommer på
skiftet och som är upptagna som positiva på signalartslistan.
Påverkan av produktionshöjande åtgärd (0=ingen påverkan; 1=tydlig
påverkan)
Samlingsmått för påverkan av produktionshöjande åtgärd, beräknad
enligt följande: 1 x andel av arealen med tydlig påverkan + 0,5 x
andel med svag påverkan + 0 x andel med ingen påverkan
5
(1) Rangording: I denna sektion har biologen fått sig 3x10 objekt
beskrivna. För varje grupp om 10 objekt har biologen sedan ombetts
att rangordna deras relativa relevans från 1 (lågt naturvärde) till
10 (högst naturvärde) utifrån attributens numeriska värde. Denna
ansats har främst fördelen att den bör uppfattas som enkel för den
enskilde biologen. Å andra sidan är de stokastiska egenskaperna för
den resulterande variabeln av komplex art. Om ett specifikt objekt
tex hamnat i tio-grupp A istället för grupp B hade den antagligen
fått en annan rankning. Dessutom medger den inte prediktion; hur
skall tex en predicerad rangnummer om 7 tolkas? Metoden bedömdes
ändå vara av tillräcklig relevans för att inkluderas.
(2) Fördela i klasser: I denna sektion har biologerna ombetts
indela 34 objekt i
klasser om fyra, där klass 4 är den fjärdedel av TUVA-objekten som
har högst naturvärden och klass 1 är den fjärdedel som har lägst
naturvärden. Eftersom urvalet om 34 objekt inte nödvändigtvis utgör
en exakt miniatyr av totala TUVA-populationen behöver det inte
nödvändigtvis vara lika många ettor som tvåor etc. Responsvariabeln
är med andra ord inte (exakt) likformigt fördelad. Denna ansats har
fördelen att responsvariabeln har en relativt klar innebörd samt
medger prediktion. Samtidigt är den indelad i endast fyra klasser
varför eventuella sambandsmått kan förväntas vara relativt
svaga.
(3) Poängsätt objekt: I denna sektion har biologerna ombetts
poängsätta 32 olika
objekt utifrån ett referensobjekt. Varje objekt har poängsatts
utifrån nedanstående referensobjekt värt 50 poäng:
Referensobjekt: 2 ha betesmark, 60% natura 2000, 6 signalarter, 1
värdefullt träd, trädindex 0,15, buskindex 0,05,
produktionspåverkan 0,1. Objekt som bedömts som likvärdiga med
referensobjektet ges 50 p. Ett objekt som det skulle behövas två av
för att vara likvärdigt ges 25 p o.s.v. Flera objekt kan få samma
poäng (tex så kan tre objekt få 75p vardera). Och det finns ingen
övre poänggräns.
Denna ansats har fördelen att responsvariabeln är en full numerisk
variabel, definierad över hela positiva talaxeln. Det får även
anses att den medger prediktioner; ett predicerat värde om tex 150p
skulle innebära att den är tre gånger värdefullare än
referensobjektet. Emellertid kan ansatsen uppfattas som orimlig
eftersom ingen övre gräns finns. Ett par av biologerna har också
påpekat detta.
6
Uppenbarligen har alla tre ansatser har sina egna för- och
nackdelar och det finns ingen självklar bästa metod. De olika
responsvariablerna har analyserats separat under Sektion 3.1 till
3.3 nedanför i syfte att kartlägga relevanta frågeställningar.
Några saker bör dock först noteras:
(i) Analysen bör betraktas som experimentell. I en observationell
studie skulle man haft ett oberoende kvalitetsmått på ett objekt
(tex en okulärbesiktning) för att sedan undersöka vilka attribut
som eventuellt kunde förklara det uppmätta kvalitetsmåttet. Den
enda information som biologerna haft för att värdera ett objekt är
just de åtta attributen. En del av objekten är dessutom
artificiella, dvs finns inte i verkligheten. Det man främst kan få
svar på genom studien är de olika attributens inbördes relation,
tex om Andel Natura 2000- areal är en starkare förklaringsvariabel
än Andel betesmark.
(ii) Det vi vill mäta (”kvalité”, ”relevans”) för ett visst objekt
är till sin natur ett
vagt begrepp. Man kan därför förvänta sig att olika biologer
värderar ett och samma objekt olika. En viktig del av studien är
således att mäta/kvantifiera heterogeniteten (”olikheten”) mellan
olika biologer. Stor samstämmighet mellan biologerna stöder
förklaringsvariablernas relevans och vice versa.
(iii) Stor interkorrelation föreligger mellan attributen (tex så är
Areal starkt
korellerad med ”Areal Natura 2000”). Detta skapar vissa
tolkningproblem i samband med regressionsanalys. Det är därför av
central vikt att man även använder marginalkorrelationer för att
identifiera förklaringsvariabler.
Bortfallsanalys: Av de sex biologerna har samtliga svarat på Del
1-2. En har dock på eget bevåg vänt på skalan under Del 2, dvs
rankat 1 som högst och 10 som lägst, med motiveringen att det är så
man rangordnar (en jämförelse med rangordning av tennisspelare
bifogades). En annan fyllde inte i del tre, med motiveringen att
ingen övre gräns finns. I första fallet åtgärdades problemet med
att skalan helt sonika kodades om: (1→10, 2→9,…, 10→1). Bortfallet
för en persons svar på del tre ansågs inte vara av systematisk
karaktär och har därför bortsetts ifrån (dvs. den kan inte anses ha
orsakat skevhet i analysen).
7
3. Statistisk analys I denna sektion presenteras statistiska
analyser av de tre respektive responsvariablerna beskrivna i
Sektion 2 ovan. Det huvudsakliga syftet är, för var och en av de
tre ansatserna, att dels undersöka hur heterogena de sex biologerna
är i sin värdering av ett objekt, dels att se vilka av attributen
som förklarar responsvariabeln. Det är även av stort intresse att
undersöka hur/i vilka avseenden de tre ansatserna eventuellt
skiljer sig åt. Variabelkodning: De sex enkäterna har indexerats
som fz001 - fz006. Följaktligen har responsvariablerna för
biologerna fått samma namn i den statistiska bearbetningen. 3.1
Rangordna
För att undersöka heterogeniteten mellan de sex biologerna så har
parvisa rangkorrelationer tagits fram (Tabell 1). Korrelationerna
varierar mellan 0.7 och 0.9 vilket får anses som högt. Samtliga
korrelationer är signifikant skiljda från noll på en-
procent-nivån. För att få en ytterligare uppfattning om
heterogeniteten har standardavvikelsen för rankningarna av varje
objekt beräknats (Tabell 2). Höga värden innebär hög heterogenitet
(oenighet), och vice versa. Standardavvikelsen för en diskret
likformig fördelning ( U(1,10) ) är 2.87. Standardavvikelserna i
Tabell 2 kan jämföras mot detta. Utifrån ovanstående analys kan man
dra slutsatsen att de sex biologerna överlag är samstämmiga i sin
rankning men att vissa skillnader finns. Frågan är då på vilket
sätt man skall analysera attributens effekt på rangordningen. Två
uppenbara möjligheter föreligger; dels kan man göra separata
analyser för varje biolog, dels kan man skapa en slags
genomsnittsvariabel som består av en viktning av de enskilda
biologernas rankning. Ett huvudsyfte med studien är att identifiera
attribut som dominerar rankningen av objekt för de olika biologerna
överlag. Med andra ord så måste de enskilda biologernas rankning
vägas samman till ett genomsnittligt rankningsmått. Sedan kan de
enskilda attributen korreleras mot detta mått för statistisk
analys. Per definition låter vi en enskild biologs rankning av ett
visst objekt noteras med symbolen ijx där j står för biolog nr j
och i står för objekt nr i. Ett viktat genomsmått för samtliga
biologers rankning fås då genom relationen
1 1 2 2 6 6...ij i i i i i iy w x w x w x= + + + . (1)
8
För specialfallet 1 2 6... 1 6i i iw w w= = = = blir y lika med det
aritmetiska medelvärdet. En alternativ ansats är att använda
principalkomponentanalys (PCA), för att skatta vikterna. Vikterna
skattas då så att första principalkomponenten innehåller maximalt
med information relativt den ursprungliga datamängden (se
Wichern&Johnson (1992) för en beskrivning av
principalkomponentanalys). Enligt Tabell 3 uttrycker första
principalkomponenten 85% av den totala variationen för de fem
biologerna vilket får anses som högt. Första principalkomponenten
(hädanefter kallad PC1) kommer således att användas som ett
genomsnittsmått för de sex biologernas rankning. Tabell 1.
Rangkorrelationer för de sex respondenternas rankning av 3×10
objekt.
Correlation Matrix
1,000 ,927 ,875 ,887 ,863 ,737 ,927 1,000 ,774 ,842 ,762 ,725 ,875
,774 1,000 ,899 ,778 ,737 ,887 ,842 ,899 1,000 ,871 ,830 ,863 ,762
,778 ,871 1,000 ,733 ,737 ,725 ,737 ,830 ,733 1,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000
fz001 fz002 fz003 fz004 fz005 fz006 fz001 fz002 fz003 fz004 fz005
fz006
Correlation
Tabell 2. Standardavvikelser för objekten.
Standard deviations
6 1,21106 6 1,21106 6 ,51640 6 ,89443 6 1,50555 6 1,75119 6 ,51640
6 ,40825 6 1,54919 6 1,64317 6 1,21106 6 ,75277 6 1,21106 6 ,51640
6 2,22860
obj1 obj2 obj3 obj4 obj5 obj6 obj7 obj8 obj9 obj10 obj11 obj12
obj13 obj14 obj15
N Std. Deviation
Standard deviations
6 ,81650 6 ,81650 6 1,04881 6 1,09545 6 1,97484 6 1,96638 6 ,75277
6 ,51640 6 1,63299 6 ,40825 6 ,98319 6 1,26491 6 ,81650 6 1,83485 6
,51640
obj16 obj17 obj18 obj19 obj20 obj21 obj22 obj23 obj24 obj25 obj26
obj27 obj28 obj29 obj30
N Std. Deviation
Tabell 3. Principalkomponentanalys över de sex rankningarna. Total
Variance Explained
5,087 84,790 84,790 5,087 84,790 84,790 ,335 5,588 90,378 ,247
4,120 94,498 ,223 3,718 98,216 ,077 1,280 99,496 ,030 ,504
100,000
Component 1 2 3 4 5 6
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
10
B. Regressioner och korrelationer. För att få en uppfattning om hur
de olika attributen påverkar rangordningen har korrelationen mellan
PC1 och vart och ett av attributen beräknats (nedre raden av
korrelationstabellen i Tabell 4 och Tabell 5). Antal positiva
signalarter är den variabel som har starkast korrelation med PC1 (
0.70r = ). Areal samt Areal natura 2000 har båda en
korrelationskoefficient om ca 0.5 och kan sägas ha en tydlig
inverkan på hur högt biologerna rangordnat ett objekt. Samtliga
attribut utom Trädindex och Buskindex har ett signifikant samband
till PC1. Produktionshöjande åtgärd har negativt tecken dvs det
finns, som väntat, ett negativt samband mellan detta attribut och
rangordning. Tabell 4. Marginalkorrelationer mellan PC1 och
attribut.
Correlation Matrix
1,000 -,377 ,841 ,359 ,482 -,377 1,000 -,240 ,125 ,309 ,841 -,240
1,000 ,223 ,555 ,359 ,125 ,223 1,000 ,700 ,482 ,309 ,555 ,700
1,000
,020 ,000 ,026 ,003 ,020 ,100 ,255 ,048 ,000 ,100 ,118 ,001 ,026
,255 ,118 ,000 ,003 ,048 ,001 ,000
areal bete na_2000 pos_sign.art PC1 areal bete na_2000 pos_sign.art
PC1
Correlation
Tabell 5. Marginalkorrelationer mellan PC1 och attribut.
Correlation Matrix
1,000 ,462 -,086 -,131 ,322 ,462 1,000 ,511 -,208 ,144
-,086 ,511 1,000 ,010 ,030 -,131 -,208 ,010 1,000 -,333 ,322 ,144
,030 -,333 1,000
,005 ,326 ,246 ,041 ,005 ,002 ,135 ,224 ,326 ,002 ,479 ,437 ,246
,135 ,479 ,036 ,041 ,224 ,437 ,036
ant_värd.träd trädindex buskindex prodhöj_åtg PC1 ant_värd.träd
trädindex buskindex prodhöj_åtg PC1
Correlation
11
Då det finns misstankar om att flera attribut är inbördes
korrelerade med Areal kan man förvänta att det uppstår ”falska”
eller indirekta, relationer mellan attributen och PC1 enbart för
att råkar vara relaterade till ett objekts areal. För att undersöka
om så är fallet har även korrelationer beräknats betingat på Areal,
dvs korrelationer kontrollerat för Areal (Tabell 6-7). Inga större
förändringar kan noteras jämfört med de obetingade korrelationerna
i Tabell 4-5. Noteras kan dock att Bete nu ökat från 0.3 till 0.6.
Tabell 6. Partiella korrelationer för PC1 mot attribut givet
Areal.
Correlations
1,000 ,152 ,301 ,605 . ,430 ,112 ,001
0 27 27 27 ,152 1,000 -,156 ,316 ,430 . ,418 ,095
27 0 27 27 ,301 -,156 1,000 ,644 ,112 ,418 . ,000
27 27 0 27 ,605 ,316 ,644 1,000 ,001 ,095 ,000 .
27 27 27 0
bete
na_2000
pos_sign.art
PC1
Tabell 7. Partiella korrelationer för PC1 mot attribut givet
Areal.
Correlations
1,000 ,472 -,087 -,131 ,366 . ,010 ,654 ,499 ,051 0 27 27 27
27
,472 1,000 ,498 -,205 ,045 ,010 . ,006 ,286 ,815
27 0 27 27 27 -,087 ,498 1,000 ,015 -,037 ,654 ,006 . ,939
,849
27 27 0 27 27 -,131 -,205 ,015 1,000 -,360 ,499 ,286 ,939 .
,055
27 27 27 0 27 ,366 ,045 -,037 -,360 1,000 ,051 ,815 ,849 ,055
.
27 27 27 27 0
Correlation Significance (2-tailed) df Correlation Significance
(2-tailed) df Correlation Significance (2-tailed) df Correlation
Significance (2-tailed) df Correlation Significance (2-tailed)
df
ant_värd.träd
trädindex
buskindex
prodhöj_åtg
PC1
12
Del 2. Fördela i klasser Eftersom responsvariabeln som använts
under Sektion 1 inte genererar fullt tolkningsbara prediktioner så
har även en annan typ av responsmått använts. I denna sektion
består responsvariabeln av klasser (1-4) där klass 1 är den
fjärdedel TUVA-objekt med de lägsta naturvärdena osv. Med andra ord
så utgörs inte denna typ av responsvariabel av inbördes rangordning
av objektens relativa naturvärden, utan klassindelas oberoende av
varandra. Frågeställningarna är emellertid desamma som de under
Sektion 1. De primära analyserna består i att dels undersöka hur
pass homogena/heterogena de olika biologerna är i sin bedömning,
dels kartlägga vilka attribut som huvudsakligen förklarar
biologernas värdering av objektens värden, samt även att generera
en modell användbar för prediktion. Ansatsen med att klassindela är
emellertid inte fri från problem. Bla föreligger en
tolkningsproblematik; det finns risk att biologerna misstolkar
situationen och tror att det måste vara lika många ettor som tvåor
etc. Fördelningen för biologernas klassindelning är således av
speciellt intresse. Enligt Figur 1 är fördelningen i grova drag
likformig, dock inte exakt likformig som befarat. Det är också värt
att notera att klass 1 och klass 4 har högst frekvens.
Heterogeniteten mellan biologerna beskrivs med hjälp av
standardavvikelser och parvisa korrelationer. Standardavvikelsen
mellan objekten beräknades till 1.16, den teoretiska (baserad på en
likformig fördelning) är 1.12. Värdena i Tabell 8 kan jämföras mot
dessa tal. Många standardavvikelser ligger runt 0.5 vilket tyder på
relativt stor samstämmighet. Korrelationsmatrisen i Tabell 9 visar
de parvisa korrelationerna mellan biologernas klassindelning.
Värdena ligger mellan 0.6 och 0.9 vilket får anses högt. Slutsatsen
är att biologerna överlag är samstämmiga i sin klassindelning Nästa
steg består i att identifiera vilka faktorer som styr biologernas
värdering av objekten. Precis som under Sektion 1 behövs ett
genomsnittsmått skapas, för att sedan användas i
korrelationsberäkningar. Enligt Tabell 10 uttrycker den första
principalkomponenten 80% av den totala variationen mellan
biologerna. Värt att notera är också att de ”optimala” vikterna,
skattade från data, alla ligger runt 0.18, dvs de är lika. Med
andra ord så är varje biolog ”lika viktig” och det finns ingen som
bör viktas ner eller upp. Som genomsnittsmått har därför valts den
genomsnittliga klassindelningen avrundat till heltal, dvs
( )[ ]1 2 61 6 ...ij i i iy x x x= + + + . (2) För att vidare mäta
representerbarheten av detta mått har ett reliabilitetsmått
beräknats (Tabell 11). Värdet beräknas på oavrundat medelvärde men
ger ändå en indikation på i hur stor grad y kan användas som
genomsnittsmått. Cronbahcs alfa är 0.95 där 1.0 utgör högsta
möjliga värde. Genomsnittsvariabeln (2) kommer således att användas
i sambandsanalyserna nedan.
13
4,003,002,001,00
klass
60
50
40
30
20
10
0
Standardavvikelse
6 ,8164965809 6 ,5163977795 6 ,5163977795 6 ,4082482905 6
,5163977795 6 ,4082482905 6 ,6324555320 6 ,5163977795 6
1,1690451945 6 ,4082482905 6 ,5163977795 6 ,6324555320 6
,5163977795 6 ,0000000000 6 ,5163977795 6 ,6324555320 6
,7527726527
obj1 obj2 obj3 obj4 obj5 obj6 obj7 obj8 obj9 obj10 obj11 obj12
obj13 obj14 obj15 obj16 obj17
N Std. Deviation
Standardavvikelse
6 ,5163977795 6 ,7527726527 6 ,0000000000 6 ,8944271910 6
,4082482905 6 ,5163977795 6 ,5477225575 6 ,4082482905 6
1,0327955590 6 ,5163977795 6 ,5163977795 6 ,9831920803 6
,5163977795 6 ,5163977795 6 ,5163977795 6 ,0000000000 6
,0000000000
obj18 obj19 obj20 obj21 obj22 obj23 obj24 obj25 obj26 obj27 obj28
obj29 obj30 obj31 obj32 obj33 obj34
N Std. Deviation
Correlation Matrix
1,000 ,770 ,746 ,814 ,747 ,660 ,770 1,000 ,702 ,742 ,713 ,593 ,746
,702 1,000 ,863 ,781 ,683 ,814 ,742 ,863 1,000 ,837 ,799 ,747 ,713
,781 ,837 1,000 ,873 ,660 ,593 ,683 ,799 ,873 1,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000
fz001 fz002 fz003 fz004 fz005 fz006 fz001 fz002 fz003 fz004 fz005
fz006
Correlation
Tabell 10. Principalkomponentanalys över de sex
klassindelningarna.
Total Variance Explained
4,782 79,698 79,698 4,782 79,698 79,698 ,488 8,139 87,837 ,294
4,899 92,736 ,223 3,713 96,449 ,125 2,089 98,538 ,088 1,462
100,000
Component 1 2 3 4 5 6
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Tabell 11. Cronbachs alfa.
15
Korrelationerna ( r ) i Tabell 12-13 visar att de flesta av
attributen utgör viktiga förklaringsvariabler. De viktigaste
förklaringsvariablerna är Positiva signalarter ( 0.76r = ), Andel
Natura 2000 ( 0.57r = ) samt Areal ( 0.53r = ). Samtliga
korrelationer är signifikanta på 10-procentnivån, utom Trädindex
och Buskindex. För att undersöka variablernas förklaringsgrad (dvs
i hur stor grad de förmår predicera en biologs klassindelning) har
en ordinalskaleregression utförts. Förklaringsgraden beräknades
mha. Cox&Snells mått, och ligger på 0.8 dvs attributen kan
förklara variationen i y till ca 80%. Det bör här tilläggas att
förklaringsgradsmått av denna typ ofta har stor inbördes variation.
Ett annat sätt att mäta modellens predicerbarhet är att bilda
differensen mellan observerat y och predicerat y, dvs ˆy y− . Ett
stapeldiagram över denna differens presenteras i Figur 15, där det
framgår att modellen felpredicerat klasstillhörighet i endast 3 av
34 fall. Modellens predicerbarhet får därför anses som hög. Tabell
12. Marginalkorrelationer mellan y och attribut.
Correlation Matrix
1,000 -,313 ,847 ,365 ,533 -,313 1,000 -,198 ,135 ,304 ,847 -,198
1,000 ,232 ,574 ,365 ,135 ,232 1,000 ,762 ,533 ,304 ,574 ,762
1,000
,036 ,000 ,017 ,001 ,036 ,131 ,223 ,040 ,000 ,131 ,094 ,000 ,017
,223 ,094 ,000 ,001 ,040 ,000 ,000
areal bete na_2000 pos_singart Y areal bete na_2000 pos_singart
Y
Correlation
Tabell 13. Marginalkorrelationer mellan y och attribut.
Correlation Matrix
1,000 ,452 -,098 -,123 ,272 ,452 1,000 ,472 -,169 ,063
-,098 ,472 1,000 -,001 -,090 -,123 -,169 -,001 1,000 -,241 ,272
,063 -,090 -,241 1,000
,004 ,292 ,244 ,060 ,004 ,002 ,169 ,362 ,292 ,002 ,499 ,306 ,244
,169 ,499 ,085 ,060 ,362 ,306 ,085
ant_värd.träd trädindex buskindex prodhöj_åtg Y ant_värd.träd
trädindex buskindex prodhöj_åtg Y
Correlation
16
al
1
31
2
Sammanfattningsvis får ansatsen med att klassificera i fjärdedelar
med hela TUVA- databasen som utgångspunkt sägas vara god. Det
flesta attributen har tydlig korrelation med responsvariabeln, även
om en fyrgradig skala är något för ”grov” för att vara fullt
lämplig för korrelationsanalys. Responsvariabeln medger
tolkningsbara prediktioner och förklaringsgraden får sägas vara
väldigt hög. De olika biologerna värderar överlag objekten
likvärdigt.
17
Del 3. Poängsätt. Den tredje och sista ansatsen som använts för att
beskriva ett objekts värden och kvalitéer är poängsättning. Ett
referensobjekt, per definition värt 50 poäng, har använts som
utgångspunkt; 2 ha betesmark, 60% natura 2000, 6 signalarter, 1
värdefullt träd, trädindex 0,15, buskindex 0,05,
produktionspåverkan 0,1. Biologerna har utifrån referensobjektet
poängsatt varje objekt utifrån attributens nivåer. Ingen övre gräns
finns. Den potentiella fördelen med ansatsen är att man dels får en
kontinuerlig responsvariabel, dels att den är predicerbar (tex kan
ett objekt som predicerats till ett värde om 25p anses värd endast
hälften så mycket som referensobjektet). De potentiella nackdelarna
är uppenbara. Dels kan det uppfattas som svårt att poängsätta ”de
bästa” objekten då ingen övre gräns finns, dels kan två olika
biologer använda var sin ”skala”. Uttryckt annorlunda, en biolog
kan anse att ett riktigt värdefullt objekt är värt 200 poäng medan
en annan biolog kan anse att det viktiga objektet är värt 1 000 000
000 poäng. Det första steget är att beskriva fördelningen för
poäng. Denna finns presenterad i Figur 3. De flesta objekt har
tilldelats poäng i intervallet 5-400, men några objekt har
tilldelats värden uppåt 2000 poäng. Fördelningen är kraftigt
asymmetrisk. Man kan därför vänta sig att de fem biologernas
poängsättning skiljer sig åt sinsemellan. Tabell 14 visar också att
standardavvikelserna varierar mellan 45 och 300 vilket ytterligare
indikerar att de har ”var sin skala”. Korrelationsmått är dock
fortfarande meningsfulla. Dessa finns i Tabell 14 och ligger mellan
0.4 och 0.8, alltså något lägre än de i Sektion 1 och 2. För att
bilda en genomsnittsvariabel för de fem biologernas poängsättning
har återigen första principalkomponenten använts (y). Denna
uttrycker 80% av den totala variationen bland de fem biologerna
poängsättning (Tabell15). Attributens korrelation med y finns i
tabellerna 16-17. Samma tydliga mönster finns som i Sektion 1 och
2: De starkaste förklaringsvariablerna Antal positiva signalarter
samt Natura 2000. Det som möjligen avviker från resultaten i
Sektion 1 och 2 är att Trädindex nu är signifikant skiljd från
noll. Möjligen kan detta vara ett slumpmässigt fenomen snarare än
kausalt. Det är också värt att notera att Areal har negativt
tecken. Detta är en konsekvens av att Natura 2000 är starkt
korrelerad med Areal, och så att säga ”tar information” från Areal.
Detta kallas ofta Multikollinearitet i litteraturen. I en framtida
studie bör man därför ange Natura 2000 som andel av totala arealen,
så försvinner problemet. Slutligen har en regressionsanalys utförts
(Tabell 18-19). Förvånansvärt nog är förklaringsgraden så hög som
99% (Tabell 18), vilket tyder på mycket god predicerbarhet. Det bör
dock noteras att det finns ett antal ”extremvärden” i datamängden.
Möjligen kan detta bidra till ett så högt värde. Viss försiktighet
bör således iakttas vad gäller tolkning av förklaringsgrad. Av
samma orsak bör regressionskoefficienterna tolkas med försiktighet
(Tabell 19).
18
Sammanfattningsvis kan sägas att ansatsen med att använda
poängsättning tycks fungera förvånansvärt väl. Det finns tydliga
sambandsmått mellan attributen och poängsättning. Regression medger
prediktion med hög noggrannhet. Den främsta kritiken av metoden med
poängsättning ligger i att biologerna har ”var sin skala” (se tex
Tabell 15). Figur 3. Fördelning av poäng.
2000,001500,001000,00500,000,00
Poäng
125
100
75
50
25
0
N =160
32 303,47363 32 156,29790 32 47,14826 32 57,77961 32 45,71564
fz001 fz002 fz004 fz005 fz006
N Std. Deviation
Tabell 14. Korrelationsmatris mellan individuella biologers
rankning. Correlation Matrix
1,000 ,805 ,649 ,878 ,410 ,805 1,000 ,795 ,880 ,671 ,649 ,795 1,000
,841 ,787 ,878 ,880 ,841 1,000 ,702 ,410 ,671 ,787 ,702 1,000
,000 ,000 ,000 ,010 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,010 ,000 ,000 ,000
fz001 fz002 fz004 fz005 fz006 fz001 fz002 fz004 fz005 fz006
Correlation
Tabell 15. Principalkomponentanalys.
Total Variance Explained
3,987 79,735 79,735 3,987 79,735 79,735 ,653 13,062 92,797 ,168
3,351 96,148 ,143 2,864 99,011 ,049 ,989 100,000
Component 1 2 3 4 5
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Tabell 16. Marginalkorrelationer mellan y och attribut.
Correlation Matrix
1,000 -,314 ,847 ,331 ,508 -,314 1,000 -,207 ,170 ,352 ,847 -,207
1,000 ,210 ,616 ,331 ,170 ,210 1,000 ,626 ,508 ,352 ,616 ,626
1,000
,040 ,000 ,032 ,001 ,040 ,128 ,176 ,024 ,000 ,128 ,124 ,000 ,032
,176 ,124 ,000 ,001 ,024 ,000 ,000
Areal Bete na_2000 pos_signart y Areal Bete na_2000 pos_signart
y
Correlation
20
1,000 ,456 -,102 -,128 ,712 ,456 1,000 ,468 -,051 ,303
-,102 ,468 1,000 ,064 -,155 -,128 -,051 ,064 1,000 -,222 ,712 ,303
-,155 -,222 1,000
,004 ,289 ,243 ,000 ,004 ,003 ,392 ,046 ,289 ,003 ,364 ,199 ,243
,392 ,364 ,111 ,000 ,046 ,199 ,111
ant_värd.träd trädindex buskindex prodhöj_åtg y ant_värd.träd
trädindex buskindex prodhöj_åtg y
Correlation
Model Summary
Std. Error of the Estimate
Predictors: (Constant), prodhöj_åtg, Areal, ant_värd. träd,
pos_signart, Bete, na_2000
a.
Coefficientsa
-1,138 ,066 -17,328 ,000 -,007 ,020 -,022 -,359 ,723 ,535 ,083 ,212
6,414 ,000 ,208 ,021 ,552 9,855 ,000 ,071 ,006 ,359 11,051 ,000
,014 ,001 ,489 13,897 ,000
-,229 ,150 -,046 -1,523 ,141 -,002 ,190 ,000 -,008 ,994 ,064 ,225
,010 ,285 ,778
(Constant) Areal Bete na_2000 pos_signart ant_värd.träd prodhöj_åtg
trädindex buskindex
Model 1
21
4. Slutsatser och rekommendationer. Tre ansatser har prövats i
pilotstudien. Samtliga ger liktydigt resultat vad gäller
identifikation av förklaringsvariabler. Areal natura 2000, Antal
positiva signalarter samt Bete tycks vara de dominerande attributen
som ”förklarar” ett objekts värden och kvaliteer, oavsett typ av
responsvariabel (rangordning, klassindelning eller poängsättning).
Eftersom biologerna endast haft de åtta attributen att utgå ifrån
för att ranka/klassindela/poängsätta kan man frestas att tycka att
alla variabler med nödvändighet måste vara signifikanta samt att
förklaringsgraden måste vara hög. Så är dock inte fallet. Flera
attribut (Trädindex, Buskindex samt Produktionshöjande åtgärder)
tycks sakna (linjärt) samband med rankning/poäng. Dock kan det
hända att ickelinjära samband finns. Det finns möjlighet att
undersöka detta. Resultaten för pilotstudien tyder på att val av
responsvariabel inte är avgörande för den statistiska analysen;
resultaten är i grova drag desamma oavsett responsmått. Studien är
således inte helt beroende av val av responsvariabel. Några saker
bör dock beaktas: rangordning medger inte fullt tolkningsbara
prediktioner vilket talar emot denna ansats, även om många biologer
angivit att de föredragit denna metod. Indelning i klasser om
fjärdedelar medger förvisso tolkningsbara prognoser, samt
uppfattades överlag som en rimlig ansats av biologerna, men en
fyrgradig skala är lite för grov för att göra sambandsanalyser. Den
tredje ansatsen med poängsättning leder till heterogenitet i
bemärkelsen att olika biologer tycks ha olika skala, vilket skapar
många extremvärden. Dessutom uppfattades metoden som anstötlig, då
det inte finns något övre ”tak” på skalan. Metoden skulle därför
antagligen betraktas som suspekt om den implementerades i en mer
omfattande studie. Slutsatsen är således att ingen av de tre
prövade metoderna är optimal, men att klassindelning tyck överlag
vara rimligast. Rekommendationen är därför att använda
klassindelning, fast med ”finare” skala. Tio- klasser (tiondelar)
torde utgöra en bra responsvariabel. Dels har den tillräckligt fin
upplösning för att kunna användas i korrelations- samt
regressionsanalys, dels finns möjlighet, om så skulle behövas, att
slå ihop till femtedelar och utföra analys snarlik den i sektion 2.
En sådan sammanslagning kan behöva utföras om biologerna själva
skulle ge uttryck för att den tiogradiga skalan är ”för fin”.
22
Referenser Johnson, R. A. and D. W. Wichern (1992) sixth ed.
Applied Multivariate Statistical Analysis. Prentice Hall.
23
24
Naturvärden i jordbrukslandskapet- En pilotstudie. Ängs- och
betesmarkerna är av stor betydelse för natur- och kulturvärdena i
odlingslandskapet. Vi har relativt god kunskap om den totala
arealen ängs- och betesmarker men sämre uppfattning om hur de
totala kvaliteterna och värdena förändras över tiden eller skiljer
sig åt mellan områden. Detta gör det svårt att utvärdera
miljökvalitetsmålet ”Ett rikt odlingslandskap” när det gäller
kvaliteter och värden. Med bakgrund av detta har Miljömålsrådet
finansierat en studie med följande frågeställningar:
4) Kan man använda TUVA-databasens variabler som indikatorer på
ängs- och betesmarkers värden och kvaliteter?
5) Vilket resultat får man om man frågar experter på
odlingslandskapets naturvärden om detta?
6) Vilka problem och möjligheter finns när det gäller att ta fram
indikatorer på naturvärden som ska vara användbara vid utvärdering
på nationell nivå?
Som en del i studien ingår en enkät till experter där olika objekt
skall jämföras. Enkäten syftar bl.a. till att se vilka typer av
attribut som kan användas för att bestämma kvaliteter och värden på
olika objekt. Innan den slutliga enkäten görs vill vi gärna pröva
några olika ansatser samt hur de eventuellt skiljer sig åt.
Dessutom vill vi gärna veta hur du upplevde enkäten. Vi vill därför
be dig att fylla i den efter bästa förmåga. Du får gärna höra av
dig med frågor till Magdalena Wallman (
[email protected])
eller Bo Norell (
[email protected]). Självklart hanteras enkäten
helt konfidentiellt, dvs ingen utöver administratören som för över
svaren till en datafil kommer att veta hur en individuell expert
svarat. Du ska ta utgångspunkt i din roll som expert på den
biologiska mångfalden i odlingslandskapet. Din bedömning ska
baseras på hur intressant du anser att ett visst objekt är (jämfört
med ett annat objekt) utifrån de naturvärden som finns där. Du ska
göra en bedömning efter hur fördelning av olika marker ser ut idag,
d.v.s. vilka marker som är mest värdefulla i dagens situation. (Om
du t.ex. sätter högre värden på ängar i enkäten betyder det alltså
inte att du bara vill ha ängar och inte några betesmarker).
Eftersom du endast har en begränsad mängd information om objekten
måste du utifrån de uppgifter du får försöka bedöma hur den typ av
marker som indikeras oftast ser ut i Sverige. Du kommer säkert att
uppleva att du har för lite information för att göra en säker
bedömning. Syftet med studien är dock att se hur säker bedömning
man kan göra med de grova indikatorer som finns tillgängliga för de
mest värdefulla betesmarkerna. I sista delen av enkäten får du
möjlighet att kommentera om den information du får är relevant och
tillräcklig för bedömningen.
V.g. returnera enkäten i det frankerade kuvertet!
25
Attributen har tagits fram av en grupp biologer som utifrån
samtliga variabler i TUVA plockat bort de variabler som inte
underlättat jämförelsen mellan objekt. En beskrivning av attributen
finns i tabell 1 nedan. Tabell 1: Beskrivning av attributen
Attribut Beskrivning Öppen, hävdberoende areal, Natura 2000
Areal som klassas som en natura-2000-naturtyp (ej Kultiverad
fodermark eller Annan naturtyp)
Antal hamlade, grova eller i övrigt värdefulla träd och buskar
Totalt antal hamlade, grova eller i övrigt värdefulla träd och
buskar på skiftet.
Trädindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-träd, beräknat enligt följande: 1 x
andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten +
0 x andel med inget-enstaka träd
Buskindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-buskar, beräknat enligt följande: 1
x andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten
+ 0 x andel med ingen-enstaka buskar
Antal positiva signalarter Totalt antal arter som förekommer på
skiftet och som är upptagna som positiva på signalartslistan.
Påverkan av produktionshöjande åtgärd (0=ingen påverkan; 1=tydlig
påverkan)
Samlingsmått för påverkan av produktionshöjande åtgärd, beräknad
enligt följande: 1 x andel av arealen med tydlig påverkan + 0,5 x
andel med svag påverkan + 0 x andel med ingen påverkan
26
Del 1: Rangordna Härunder finner du 10 olika objekt beskrivna.
Rangordna dem från 10 (=det objekt du anser har de högsta
naturvärdena inom gruppen till 1 (=det objekt du anser har lägst
naturvärden inom gruppen). Varje tal (1-10) måste användas precis
en gång. Grupp A
2,2 0 0 3 4 0,45 0,35 0,2
0,4 0,4 1 18 0 0,05 0 0
1,6 0 0 6 0 0 0,05 1
4,4 4,4 0 8 0 0,4 0,5 0,15
0,9 0,9 1 7 0 0,05 0 0
1,9 1,9 0 1 0 0 0 0,1
4,5 0,4 0 4 0 0,45 0,15 0,3
0,7 0 0 3 0 0,25 0 0
1 0,8 0 10 1 0 0,1 0
4,6 4,6 0 8 0 0,75 0,25 0,1
Rang
Antal hamlade, grova eller i övrigt värdefulla träd och
buskar
Trädindex (0=öppet; 1=helt slutet)
Buskindex (0=öppet; 1=helt slutet)
Påverkan av produktions- höjande åtgärd. (0=ingen påverkan;
1=tydlig påverkan på hela skiftet)
Areal (ha)
Antal positiva signalarter
27
Bete (0) eller äng (1) Rang
Antal hamlade, grova eller i övrigt värdefulla träd och
buskar
Trädindex (0=öppet; 1=helt slutet)
Buskindex (0=öppet; 1=helt slutet)
Påverkan av produktions- höjande åtgärd. (0=ingen påverkan;
1=tydlig påverkan på hela skiftet)
Areal (ha)
Antal positiva signalarter
Bete (0) eller äng (1) Rang
Antal hamlade, grova eller i övrigt värdefulla träd och
buskar
Trädindex (0=öppet; 1=helt slutet)
Buskindex (0=öppet; 1=helt slutet)
Påverkan av produktions- höjande åtgärd. (0=ingen påverkan;
1=tydlig påverkan på hela skiftet)
Areal (ha)
Antal positiva signalarter
28
Del 2: Fördela i klasser Nedanför finner du 34 objekt. För vart och
ett av dessa så skall du tilldela det en ”klass”, där klass 4 är
den fjärdedel TUVA-objekt (av det totala antalet) som har de högsta
naturvärdena. Klass 1 är den fjärdedel med lägst naturvärden (inom
gruppen TUVA- marker).
0,9 0,9 1 7 0 0,05 0 0
3,5 3,5 0 10 0 0,5 0,5 0
1,9 1,9 0 1 0 0 0 0,1
7,3 5,6 0 8 14 0,25 0 0,05
0,8 0,8 0 5 0 0,1 0,2 0,15
5,8 3,4 0 18 2 0,3 0,1 0,1
3,2 1 0 13 0 0,2 0,1 0,35
2,2 0 0 3 4 0,45 0,35 0,2
0,6 0,6 0 3 0 0,1 0,05 0
1,5 1,5 0 0 0 0,4 0,25 0
13,1 13,1 0 7 0 0,3 0 0
4,4 4,4 0 8 0 0,4 0,5 0,15
2,7 2,7 0 8 0 0,05 0 0
3 3 1 15 193 0,8 0,05 0
4,5 0,4 0 4 0 0,45 0,15 0,3
4,6 4,6 0 8 0 0,75 0,25 0,1
0,6 0 0 8 0 0 0,05 0
1,6 0 0 6 0 0 0,05 1
0,5 0,4 1 9 3 0,2 0 0,15
5,2 5,2 0 15 0 0,25 0 0
1 0,8 0 10 1 0 0,1 0
0,4 0,4 1 18 0 0,05 0 0
1,4 0,9 0 2 1 0,2 0,1 0
0,7 0,7 0 5 1 0,4 0,35 0,2
6,2 5,6 0 8 10 0 0 0
0,8 0,8 1 3 2 0,3 0 0,05
5,5 1,7 0 21 0 0 0 0,65
1,8 1,2 0 4 1 0,4 0,05 0
0,5 0,5 1 4 0 0,25 0,05 0,1
1,4 1,3 0 9 1 0,25 0,4 0,05
11,1 3,8 0 15 1 0,4 0,3 0,25
0,6 0,4 0 6 1 0,05 0,1 0,8
2,9 0,3 0 2 0 0,5 0,1 0,5
0,7 0 0 3 0 0,25 0 0
Antal positiva signalarter
Bete (0) eller äng (1)
Antal hamlade, grova eller i övrigt värdefulla träd och
buskar
Trädindex (0=öppet; 1=helt slutet)
Buskindex (0=öppet; 1=helt slutet)
Påverkan av produktions- höjande åtgärd. (0=ingen påverkan;
1=tydlig påverkan på hela skiftet)
Areal (ha)
29
Del 3: Poängsätt objekt På nästa sida finner du 32 olika objekt
beskrivna. Poängsätt vart och ett av dem utifrån hur höga
naturvärden du tycker de har. Varje objekt skall poängsättas i
förhållande till nedanstående referensobjekt som ges 50 p:
Referensobjekt: 2 ha betesmark, 60% natura 2000, 6 signalarter, 1
värdefullt träd, trädindex 0,15, buskindex 0,05,
produktionspåverkan 0,1. Referensobjektet finns angivet överst i
tabellen på nästa sida för att underlätta poängsättningen. Objekt
som bedöms som likvärdiga med referensobjektet ges 50 p. Ett objekt
som det skulle behövas två av för att vara likvärdigt ges 25 p
o.s.v. Flera objekt kan få samma poäng (tex så kan tre objekt få
75p vardera). Och det finns ingen övre poänggräns.
30
0,7 0,7 0 5 1 0,4 0,35 0,2
1,4 1,3 0 9 1 0,25 0,4 0,05
0,8 0,8 0 5 0 0,1 0,2 0,15
7,3 5,6 0 8 14 0,25 0 0,05
0,7 0 0 3 0 0,25 0 0
5,2 5,2 0 15 0 0,25 0 0
5,5 1,7 0 21 0 0 0 0,65
1,8 1,2 0 4 1 0,4 0,05 0
2,7 2,7 0 8 0 0,05 0 0
0,5 0,4 1 9 3 0,2 0 0,15
11,1 3,8 0 15 1 0,4 0,3 0,25
1 0,8 0 10 1 0 0,1 0
1,5 1,5 0 0 0 0,4 0,25 0
2,2 0 0 3 4 0,45 0,35 0,2
4,6 4,6 0 8 0 0,75 0,25 0,1
13,1 13,1 0 7 0 0,3 0 0
3 3 1 15 193 0,8 0,05 0
4,5 0,4 0 4 0 0,45 0,15 0,3
0,6 0,6 0 3 0 0,1 0,05 0
3,2 1 0 13 0 0,2 0,1 0,35
2,9 0,3 0 2 0 0,5 0,1 0,5
3,5 3,5 0 10 0 0,5 0,5 0
4,4 4,4 0 8 0 0,4 0,5 0,15
1,4 0,9 0 2 1 0,2 0,1 0
0,8 0,8 1 3 2 0,3 0 0,05
0,6 0,4 0 6 1 0,05 0,1 0,8
6,2 5,6 0 8 10 0 0 0
0,9 0,9 1 7 0 0,05 0 0
0,4 0,4 1 18 0 0,05 0 0
0,5 0,5 1 4 0 0,25 0,05 0,1
1,9 1,9 0 1 0 0 0 0,1
0,6 0 0 8 0 0 0,05 0
PoängBete (0) eller äng (1)
Antal hamlade, grova eller i övrigt värdefulla träd och
buskar
Trädindex (0=öppet; 1=helt slutet)
Buskindex (0=öppet; 1=helt slutet)
Påverkan av produktions- höjande åtgärd. (0=ingen påverkan;
1=tydlig påverkan på hela skiftet)
Areal (ha) Antal positiva signalarter
Varav öppen hävdberoen- de areal Natura 2000
Referens objektekt
31
Del 4: Frågor om enkäten Här vill vi veta lite om dig, samt hur
svåra/lätta du tyckte frågeställningarna var. Kön: Man Kvinna
Ålder: ______ Ungefärlig tid jag jobbat inom området: _________ Ju
fler objekt en expert kan gradera desto mer information får man in.
Samtidigt får inte graderingen bli för ”tung” att utföra. Antag att
du fick en enkät utformad som Del 2 ovan (men utan Del 1 och Del
3). Hur många objekt tror du vore lagom för dig att gradera: 1-10
11-20 21-30 31-40 41-50 51-75 75-100 100-200 200-500 Vet ej/kan ej
svara Hur många objekt tror du vore lagom för den ”genomsnittlige”
experten att gradera: 1-10 11-20 21-30 31-40 41-50 51-75 75-100
100-200 200-500 Vet ej/kan ej svara
32
Jag tyckte Del 1 var lätt att besvara: Instämmer helt Instämmer
inte alls
Vet ej/kan ej svara Jag tyckte Del 2 var lätt att besvara:
Instämmer helt Instämmer inte alls
Vet ej/kan ej svara Jag tyckte Del 3 var lätt att besvara:
Instämmer helt Instämmer inte alls
Vet ej/kan ej svara Det är lättare/känns mer rimligt att rangordna
än att poängsätta: Instämmer helt Instämmer inte alls
Vet ej/kan ej svara
Skriv gärna (kortfattat) dina synpunkter på enkäten, förslag på
förbättringar etc.
Tack för din medverkan!
1
Thomas H. E. Holgersson
Internationella Handelshögskolan i Jönköping
SE-551 11 Jönköping
Sweden Summering: För att kartlägga de totala kvaliteterna och
värdena i odlingslandskapen har en enkät konstruerats och sänts
till ett sjuttiotal biologer på Länsstyrelserna. I denna har man
listat ett femtiotal olika objekt ur TUVA-databasen. Före
sammansättningen av enkäten har på kvalitativ basis utvalts ca åtta
attribut som potentiella förklaringsvariabler/indikatorer för att
bestämma ett objekts värden och kvalitéer. Biologerna har sedan
använt dessa attributs ingående värden för att tilldela ett objekt
ett klassvärde (en skala från 1 till 10). Därefter har en
kombination av principalkomponentsanalys och regressionsanalys
använts för att ta fram en prediktionsmodell. Huvudslutsatsen är
att biologerna överlag är samstämmiga i sin bedömning av objekten
samt att man kan använda regressionsmodellen för att kvantifiera
naturvärden i ett godtyckligt TUVAobjekt. Till sist ges några
förslag på vidare studier i ämnet.
2
1. Introduktion Ängs- och betesmarkerna är av stor betydelse för
natur- och kulturvärdena i odlingslandskapet i Sverige. Man har
relativt god kunskap om den totala arealen ängs- och betesmarker*
men sämre uppfattning om hur de totala kvaliteterna och värdena
förändras över tiden eller skiljer sig åt mellan områden. Detta gör
det svårt att utvärdera miljökvalitetsmålet ”Ett rikt
odlingslandskap” när det gäller kvaliteter och värden. Med bakgrund
av detta har Miljömålsrådet finansierat en studie med följande
frågeställningar:
1) Kan man använda TUVA-databasens* variabler som indikatorer på
ängs- och betesmarkers värden och kvaliteter?
2) Vilket resultat får man om man frågar biologer på
odlingslandskapets naturvärden om detta?
3) Vilka problem och möjligheter finns när det gäller att ta fram
indikatorer på naturvärden som ska vara användbara vid utvärdering
på nationell nivå?
Som en del i studien ingår en enkät till biologer där olika objekt
skall jämföras. Enkäten syftar bl.a. till att se vilka typer av
attribut som kan användas för att bestämma kvaliteter och värden på
olika objekt samt att ser hur sammanstämmiga biologerna är i sin
bedömning. Före enkätens utformning har en pilotsudie (Holgersson,
2007) utförts där ett mindre antal biologer (5 st) har ombetts
klassificera ett antal objekt ur TUVA databasen. Tre olika
responsvariabler användes för att avgöra vilken som var rimligast
och hade störst potential i en statistisk modell. Utifrån denna
studie bestämdes att responsvariabeln skulle utgöras av
klassindelning i tio grupper, där klass 1 utgör den tiondel TUVA
objekt med högst naturvärden, klass 2 den tiondel med näst högst
värden osv. Med andra ord så har varje biolog tilldelat varje
objekt ett tal från 1-10 utifrån attributens värde. Den statistiska
analysen involverar flera frågeställningar: (i) i hur stor grad är
biologerna ense in i sin värdering av objekten? (ii) vilka attribut
har starkast påverkan i biologernas bedömning av objekten? samt
(iii) kan man använda de åtta attributen för att grovklassa ett
godtyckligt objekt ur TUVA-databasen? Denna artikel involverar
främst statistisk analys av enkäten. Ambitionen har genomgående
varit att presentera resultaten på ett begripligt sätt för läsare
utan skolning i grundläggande statistisk metodik. Detta låter sig
dock endast göras till viss gräns eftersom studien till sin natur
är av multivariat (hög-dimensionell) art och detta förutsätter
vissa grundkunskaper. Språkbruket och presentationen i artikeln
utgörs därför av en kompromiss mellan statistisk stringens och
allmän läsbarhet. Endast figurer och grafer av direkt relevans har
inkluderats i rapporten. För enkelhets skull har både
tabeller
3
och grafiska figurer (diagram) etiketterats som ”Figur 1” Figur 2”
etc även då det formellt inte rört sig om en Figur. Rapporten är
uppbyggd enligt följande: Sektion 2 behandlar beskrivning av
datainsamling och bortfallsanalys samt diskuterar primära
frågeställningar. Sektion 3 diskuterar bortfallsanalys, Sektion 4
presenterar de huvudsakliga resultaten och i Sektion 5 finnes en
sammanfattning av artikeln samt de viktigaste slutsatserna. Sektion
6 ger några förslag till vidare forskning i ämnet. Originalenkäten
finns bifogad i Appendix. Slutligen finns en litteraturlista
bifogad. *Jordbruksverket har genomfört en nationell inventering av
Sveriges ängs- och betesmarker. Inventeringen genomfördes i fält av
personal från länsstyrelserna under perioden 2002 - 2004. De
inventerade då 300 000 hektar mark. Det samlade resultatet finns
tillgängligt i en skriftlig rapport (Ängs- och
betesmarksinventeringen 2002-2004) samt i databasen TUVA.
4
2. Attribut och responsvariabel
Attributen, dvs. de variabler som antas förklara ett objekts värden
och kvalitéer, har på kvalitativ basis tagits fram av en grupp
biologer som utifrån samtliga variabler i TUVA plockat bort de som
inte ansetts underlätta jämförelsen mellan objekt. En beskrivning
av dessa attribut finns i Figur 1 nedan. Figur 1: Beskrivning av
attributen
Utöver ovanstående attribut har även Areal (mätt i hektar) samt
Bete (1 om betesmark, 0 annars) använts. Dessa totalt åtta attribut
anses alltså utgöra de viktigaste faktorerna för att bestämma ett
objekts värden och kvalitéer (Y, säg). Formellt kan vi så
skriva
Areal, Bete, Andel Natura2000, Antal positiva signalarter,
Trädindex, Buskindex, Antal värtdefulla träd, åverkan av
prod.höjande åtg.
Y f =
. (1)
En central fråga är hur man skall kvantifiera ett relativt vagt
begrepp som ”värden och kvalitéer”, dvs. hur Y skall definieras.
Några utgångspunkter är nödvändiga: variabeln måste vara
tolkningsbar dvs. ha en begriplig innebörd, den måste vara
hanterbar för biologerna samt måste medge prediktioner. I
pilotstudien undersöktes tre olika responsvariabler, nämligen (i)
rangordning, där objekten indelades i grupper om tio stycken och
biologerna fick rangordna dem från 1 till 10 i varje grupp (ii)
klassindelning där biologerna fick indela objekten i klasser 1-4
där klass 1 utgör den fjärdedel med högst värden osv., samt (iii)
poängsättning där biologerna fick poängsätta utifrån ett
Attribut Beskrivning Andel öppen, hävdberoende naturtyp inom Natura
2000
Andel av skiftets areal som klassas som en hävdberoende natura
2000- naturtyp (ej Kultiverad fodermark eller Annan naturtyp)
Antal hamlade, grova eller i övrigt värdefulla träd och buskar
Totalt antal hamlade, grova eller i övrigt värdefulla träd och
buskar på objektet.
Trädindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-träd, beräknat enligt följande: 1 x
andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten +
0 x andel med inget-enstaka träd
Buskindex (0=öppet; 1=helt slutet)
Samlingsmått för kronprojektion-buskar, beräknat enligt följande: 1
x andel av arealen som är sluten + 0,5 x andel halvöppen-halvsluten
+ 0 x andel med ingen-enstaka buskar
Antal positiva signalarter Totalt antal kärlväxtarter som hittades
på skiftet och som är upptagna som positiva på
signalartslistan.
Påverkan av produktionshöjande åtgärd (0=ingen påverkan; 1=tydlig
påverkan)
Samlingsmått för påverkan av produktionshöjande åtgärd, beräknad
enligt följande: 1 x andel av arealen med tydlig påverkan + 0,5 x
andel med svag påverkan + 0 x andel med ingen påverkan
5
referensobjekt värt 50 poäng. Utifrån pilotstudien ansågs ingen
ansats optimal utan istället rekommenderas en ansats relaterad till
(ii) (dvs klassindelning) fast med finare skala. Den valda
responsvariabeln (Y) definierades följaktligen som en tiogradig
skala där 1 utgör den tiondel TUVA-objekt med högst naturvärden och
10 den tiondel objekt med lägst naturvärden. Responsvariabeln har
en relativt tydlig innebörd samt medger flera olika typer av
statistisk analys.
3. Bortfallsanalys
Enkäten (bifogad i Appendix B) skickades ut till 77 biologer
(omfattande i stort sett samtliga biologer på länsstyrelserna i
Sverige). Deadlinen var tämligen snäv, och vid passerat datum hade
ca 60% av enkäterna besvarats och returnerats. En påminnelse gick
ut ca en vecka efter deadline och i skrivande stund (januari 2007)
har totalt 44 enkäter kommit in. I enkätsammanhang får detta
betraktas som ett bra resultat (svarsbortfall på 60-80% är inte
ovanligt). Vidare måste bortfallet anses slumpmässigt, dvs. det
antas inte finnas något samband mellan svarsbortfall och bedömning
av objekt. Tex. så är det ytterst långsökt att tänka sig att just
de som inte svarat värderar objekten lägre än övriga biologer.
Statistiskt sett betyder detta att de inkomna enkäterna betraktas
och analyseras som om de vore de enda som sänts ut. Av de 44
inkomna enkäterna avviker två markant från de övriga. Den ena har
endast klassindelat några få av objekten och lämnat de övriga
okommenterade. Denna enkät har således helt uteslutits ur studien.
En annan biolog har tilldelat samtliga objekt värden mellan 1 och
3. Det får anses som osannolikt att han/hon avsiktligt tilldelat
alla objekt så höga värden, varför man får anta att vederbörande
missuppfattat uppgiften på något sätt. Därför har även denna enkät
exkluderats. Vidare upptäcktes ett tryckfel i enkäten. På tre av
objekten saknas helt uppgift om Buskindex (se s. 4 i
originalenkäten). Eftersom dessa tre objekt inte är speciella/
avvikande ur något avseende har de helt uteslutits ur studien.
Sammanfattningsvis finns således 42 biologers rankning av 46
objekt, och i den mån någon bortfallsbias (urvalsskevhet) finns så
antas den vara försumbar.
6
4. Statistisk analys
4.1 Heterogenitetsanalys I denna sektion presenteras statistiska
analyser av responsvariabeln beskriven under Sektion 2. Det
huvudsakliga syftet är att dels undersöka hur heterogena biologerna
är i sin värdering av ett objekt, dels att se vilka av attributen
som förklarar responsvariabelns värde. Variabelkodning: De 77
enkäterna har kodats som A01 – A77. Följaktligen har
responsvariablerna för biologerna fått samma kod som arbetsnamn i
den statistiska bearbetningen. För att få en uppfattning om hur
heterogena/homogena individerna är har parvisa
korrelationskoefficienter beräknats*. Eftersom studien omfattar 42
individer resulterar detta i en matris om 42×42 element, vilket är
alldeles för stort för att presenteras i matrisform. Dessa
presenteras istället i form av histogram i Figur 2 nedan. De flesta
koefficienter ligger mellan 0.7 och 0.9. Överlag får detta sägas
vara höga värden. Ett tänkbart scenario av kraftigt divergerande
uppfattningar kunde ha resulterat i korrelationskoefficienter
mellan -0.5 och 0.5. Här ligger samtliga koefficienter mellan 0.32
och 0.96 med en koncentration runt 0.8. Figur 2.
Korrelationskoefficienter
Korrelationskoefficienter mellan individer
0 50
10 0
15 0
*Korrelationkoefficienten beteknas vanligtvis r och är ett mått på
grad av linjärt samband mellan två variabler. En
korrelationskoefficient om 1r = innebär perfekt positivt linjärt
samband, 1r = − ett perfekt negativt samband och 0r = avsaknad av
linjärt samband.
7
För att vidare bilda en uppfattning om heterogenitet mellan
individer presenteras nedan (Figur 3) histogram för ett urval av
individer (A16, A38, A69 samt A21). Det är tydligt att A16 har
ansträngt sig för att ha en likformig fördelning, dvs ha ungefär
lika många objekt i varje klass medan de tre övriga har en
fördelning med tyngdpunkt runt 5. Figur 3. Exempel på
inombiologsvaria