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 (Magdalena.Wallman@sjv.se) eller Bo Norell (Bo.Norell@sjv.se). 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