Vidareutveckling och kalibrering av STRAGO€¦ · ella data. I kapitel 2 diskuteras kalibrering och validering av denna typ av modeller, både principiellt och specifikt för STRAGO

Analys & Strategi

RAPPORT

Vidareutveckling och kalibrering av STRAGOTRV 2014/85475

Marcus Sundberg, KTH, Christer Anderstig, WSP och Peter Almström WSP

2017-01-30

Titel: Vidareutveckling och kalibrering av STRAGOWSP Sverige ABArenavägen 7SE-121 88 Stockholm-GlobenPhone: +46 10-722 50 00E-mail: [email protected] identity no.: 556057-4880Reg. office: Stockholmwww.wspgroup.se/analys

WSP Analysis & StrategyArenavägen 7SE-121 88 Stockholm-GlobenPhone: +46 10-722 50 00www.wspgroup.se/analys

Innehåll

SAMMANFATTNING ..............................................................................4

1 BAKGRUND ...................................................................................7

2 KALIBRERING OCH VALIDERING AV SCGE-MODELLER ....................................................................................8

3 UTVECKLING AV STRAGO .........................................................113.1 Rumsligt och sektoriellt fixerad kapitalstock ..................................113.2 Uppdelning av sektorer .................................................................133.3 Kalibrering i värdetermer ..............................................................14

4 DATA FÖR KALIBRERING AV STRAGO: IO OCH PC .................174.1 Inledning .......................................................................................174.2 Förslag till indelning av produkter .................................................174.3 Anpassning av IO-tabellen ............................................................194.4 Regionala kalibreringsdata ...........................................................224.5 Elasticiteter ...................................................................................25

5 KALIBRERING AV STRAGO MOT DATA .....................................27

6 TESTSCENARIOS .......................................................................296.1 Större befolkning ..........................................................................296.2 Ökad skatt ....................................................................................35

7 DISKUSSION ...............................................................................41

REFERENSER .....................................................................................44

BILAGA ................................................................................................45

4

Sammanfattning

Modellramverket STRAGO-rAps har utvecklats för att göra regionala nedbrytning-ar av nationella scenarier, t ex Långtidsutredningen. Avsikten är dels att kunna be-skriva regionalekonomiska konsekvenser av nationella scenarier, dels att förse denationella person- och godstrafikmodellerna Sampers och Samgods med indata.Styrkan med STRAGO är att den hanterar allmänna jämviktseffekter och agglome-ration, vilket gör att produktionens regionala fördelning blir bättre teoretiskt för-ankrad än vid en direkt regional nedbrytning av den nationella produktionen. I rap-porten redovisas ett FOI-projekt1 som rör STRAGO; dels har modellen utvecklats ivissa avseenden, dels har modellen kalibrerats mot mer aktuella data.

Modellen har utvecklats inom tre olika områden: 1) rumsligt och sektoriellt fixeratΓΖΘΙΓΠςΜΧΡΚςΧΝΗΤΥΓΜςΘΤΠ∝,κΤΠΟΧΝΟΘΕϑΥΜΤΘς∝, 2) en ny uppdelning av sektoreri STRAGO som dels skall harmoniera med varugruppsindelningen i Samgods, delsintroducera en disaggregering av tjänsteproduktionen, 3) modellen kalibreras motdata med 2010 som basår och den regionala fördelningen av produktion och exportkalibreras i värdetermer istället för i kvantitetstermer, som det var gjort tidigare.

I den ursprungliga formuleringen av modellen hanterades kapital som rumsligtbundet, men inte sektoriellt. Ett potentiellt problem med detta är att modellen vidframskrivningar på lång sikt kan generera en orimlig omflyttning av produktionen.Detta blir särskilt problematiskt för en sektor som Järnmalm, där produktionen lig-ger där resursen finns. Därför har just denna sektor behandlats i särskild ordning,med en kapitalstock som är sektorspecifik och regionalt fixerad och som är exogentill modellen.

I den nya uppdelningen av produkter och sektorer i STRAGO har modellens tidi-gare 14 sektorer utökats till 26. Av de tidigare 14 sektorerna byggde 12 på varu-gruppsindelningen STAN. Dessa har nu disaggregerats till 16 som avser att harmo-niera med indelningen i både Samgods och den nationella IO-tabellen. TidigareΗΧΠΠΥΓΠΟ[ΕΜΓςΥςΘΤΥΓΜςΘΤ≥φΞΤΚΙς≥ för alla produkter som inte klassificeras somvaror, det vill säga tjänster och byggverksamhet, samt en transporttjänstesektor.Den stora ΥΓΜςΘΤΠ≥Övrigt≥ har nu disaggregerats till 9 olika tjänstegrupper. Det gördet bland annat möjligt att ta hänsyn till att vissa typer av tjänster har en mer lokalmarknad, medan andra tjänster har en nationell eller internationell marknad.

1 Detta forsknings- och utvecklingsprojekt har finansierats av Trafikverket.

Analysis & Strategy 5

I den ursprungliga versionen av STRAGO kalibrerades modellen för att replikeranationella Input-Output (IO) data för år 2000. Modellen kalibrerades också motdata för den regionala fördelningen i kvantitetstermer för produktion av de 12 va-rugrupperna. Eftersom ett huvudsakligt användningsområde för modellen är attmedverka vid regional nedbrytning av nationella scenarier är det viktigt att mo-dellen snarare replikerar regionala P-C-data i värdetermer. Anledningen är att mo-dellen skall interagera med Raps-modellen som arbetar med värdetermer och bryterned STRAGO:s regionala resultat på en finare geografisk nivå.

Den nya versionen av STRAGO är kalibrerad mot IO-data för år 2010, samt nyaPC-data (för varugrupper) som också avser år 2010, hämtade från de data (SCB)som ligger till grund för utvecklingen av nya basårsmatriser. Till skillnad mot tidi-gare är de nya IO- och PC-data inbördes konsistenta.

Den regionala fördelningen av den nationella produktionen enligt IO-tabellen 2010baseras för tillfället till stor del på sysselsättningsdata. För varugrupper inom gruv-och tillverkningsindustri används data för totalt antal sysselsatta inom varuhante-rande yrken i respektive bransch på SNI 5-siffernivå.

Transportkostnader per varugrupp har uppdaterats för att överensstämma motSAMGODS. I de fall som STRAGO:s varugrupper är aggregat av SAMGODS va-rugrupper har transportkostnaderna summerats över dessa. Dessa data ger trans-portkostnadsandelar per varugrupp, som används vid kalibrering av transportkost-nadspåslaget per varugrupp i STRAGO.

Syftet med de två testscenarios som redovisas i rapporten är att illustrera hurSTRAGO fungerar. Tanken med dessa två starkt förenklade scenarier är att påvisa,och ge en intuitiv förståelse för, olika effekter som uppstår i modellen. Det förstatestscenariot bygger på ett antagande om ett ökat arbetskraftsutbud, där framföralltstorstadsregionerna växer snabbt i förhållande till andra regioner. Det andra test-scenariot tittar på effekter av att koldioxidskatter införs i modellen. De resultatsom presenteras skall tolkas som resultat av kontrafaktiska analyser, inte vad somhänder i svensk ekonomi.

De huvudsakliga steg som tagits vad gäller modelluppdatering rör disaggregeringav framförallt tjänstesektorn och kalibrering av modellen mot ett nytt basår. Men,det finns en avvägning som behöver göras när det gäller graden av disaggregering.I den andra vågskålen finns önskemål om precision i och tillgång till indata, och enhanterbar modellkomplexitet.

6

Nedbrytningen av indata för kalibrering av regional produktion och export baserastill stor del på sysselsättningsdata. Hur väl detta förfarande fungerar är något sombör undersökas. En alternativ källa är att använda Raps-databasen. Ekonomiskadata från denna databas för år 2010 var inte tillgängliga vid genomförandet av dettaprojekt, men databasen håller för närvarande på att uppdateras med uppgifter för år2008-2013. En fördel med att använda dessa ekonomiska data per bransch och länår 2010 är att de är avstämda mot Regional- och Nationalräkenskaperna.

En annan aspekt som berör kalibrering av modellen handlar om hur lokalt bundnatjänsterna är. Vissa tjänster har större benägenhet att handlas mellan regioner me-dan andra är betydligt mer regionalt bundna. Nuvarande kalibrering av modellenhar inte tagit hänsyn till detta, vilket givetvis är en brist. Däremot har modellenförberetts för att möjliggöra en sådan kalibrering i framtiden.

Vad det gäller handelsflöden av varor finns det faktiskt en möjlighet att valideraden kalibrerade modellen mot data från Varuflödesundersökningen. I kalibreringenav modellen har vi använt en regional fördelning av produktionen och IO-data ochtillsammans kommer dessa data att implicera ett regionalt mönster för förbrukning-en av varor, endera i form av insatsvaror till produktionen eller via hushållens ef-terfrågan. Dessa data skulle kunna jämföras mot produktions- och förbrukningsdatasom tagits fram i samband med skattningen av Trafikverkets PWC-matriser. VFU-data och/eller PWC-matriser skulle kunna användas för att validera de handelsflö-den mellan regioner som uppstår i STRAGO. En sådan validering skulle indikeraom det finns behov av att kalibrera om modellen med avseende på handelsmönster.

Slutligen, många av modellens parametrar kalibreras mot data, men det finns engrupp av parametrar som sätts utifrån skattade värden som återfinns i litteraturen,nämligen elasticiteter. Det vore självfallet önskvärt att erhålla skattade elasticiteter,speciellt Armington-elasticiter och elasticiteter för olika typer av varieteter av varorpå svenska data.


1 BakgrundDen rumsliga allmän jämviktsmodellen STRAGO beskrivs i Sundberg (2009).Samma år presenterades ett modellramverk där STRAGO länkas till den fler-regionala IO-modellen rAps, Anderstig och Sundberg (2009). I korthet är syftetmed att kombinera de båda modellerna att dra nytta av respektive modells fördelarvid regionalekonomiska framskrivningar och analyser2.Figur 1 Länkning mellan STRAGO och rAps i tidigare nedbrytning av LU

Modellramverket STRAGO-rAps har utvecklats för att göra regionala nedbrytning-ar av nationella scenarier, t ex Långtidsutredningen. Avsikten är dels att beskrivaregionalekonomiska konsekvenser av dessa scenarier, dels att förse de nationellaperson- och godstransportmodellerna med indata som följer dessa nationella scena-rier. För det senare ändamålet är det en fördel med IO-modeller (rAps) att de tillå-ter en hög grad av disaggregering, exempelvis antalet branscher och regioner somrepresenteras i modellen. Styrkan med STRAGO är att den hanterar allmänna jäm-viktseffekter och agglomeration, vilket gör att produktionens regionala fördelningblir bättre teoretiskt förankrad än vid en direkt regional nedbrytning av den nation-ella produktionen.

I Figur 1 är modellen STRAGO blåmarkerad för att ange att denna rapport enbartbehandlar vidareutveckling och kalibrering av modellen STRAGO. Däremot hardet arbete som presenteras utförts med tanke på att modellen skall behålla och iviss mån stärka sin relevans, som en del av modellramverket för att göra regionala

2 Intressant att notera är att mjuklänkningen mellan allmän jämviktsmodellen EMEC ochenergisystemmodellen TIMES-Sweden har gΓΠΘΟΗΤςΥΟΓΦ ΝΚΜΠΧΠΦΓ Υ[ΗςΓ≥♠ att få mo-dellerna att samverka på ett transparent sätt samtidigt som respektive modells styrkor bibe-ϑµΝΝΥ≥ΥΓ∃ΓΤΙΟΗΝ

8

disaggregeringar av nationella scenarier. Utvecklingen av modellen är beroende avden modellstruktur som den avses användas inom.

Det bör även nämnas att modellramverket, som visas i Figur 1, visar att transport-kostnader från SAMGODS används som indata till STRAGO, men det finns ingendirekt länk mellan modellerna3. I tidigare användning av modellstrukturen harSTRAGO kalibrerats för att vara konsistent mot SAMGODS vid basåret, däremothar inte modellerna interagerats vid framskrivning av nationella scenarios. Dettaförhållande tas upp i den avslutande diskussionen i denna rapport.

Denna rapport redovisas den del av FOI-projektet4 som avser STRAGO; dels harmodellen utvecklats i vissa avseenden, dels har modellen kalibrerats mot mer aktu-ella data. I kapitel 2 diskuteras kalibrering och validering av denna typ av modeller,både principiellt och specifikt för STRAGO. Kapitel 3 beskriver i vilka avseendenoch hur modellen har vidareutvecklats. Motiv och underlagsdata för kalibreringenbehandlas i kapitel 4, och resultaten från kalibreringen redovisas översiktligt i kapi-tel 5. I kapitel 6 presenteras tillämpningen av modellen i två testscenarios. I kapitel7 följer en avslutande diskussion.

2 Kalibrering och validering av SCGE-modeller

Lundqvist och Mattsson (2002) karaktäriserar validering av modeller i fyra olikatyper: praktisk, teoretisk, intern och extern validering. Oftast argumenteras det attCGE och SCGE-modeller har sin styrka i den teoretiska valideringen, som handlarom modellens teoretiska fundament, och huruvida modellen tar hänsyn till kausalasamband som man förväntar sig vara viktiga. En jämförelse kan göras mot input-output-modeller som inte tar explicit hänsyn till priser och kvantiteter, vilka be-stäms på interagerande marknader, och därmed inte kan representera kausala sam-band mellan dessa. SCGE-modeller använder sig av mikroekonomisk teori för attfånga just dessa kausala samband.

Som berörs i Sundberg (2009) förekommer intern och extern validering av SCGE-modeller alltför sällan. Intern validering handlar om hur väl en modell passar detdata den har estimerats på, och hur känslig modellen är för ändringar i exogena

3 Som framgår av Figur 1 används inte transportkostnader från persontransportmodellenSampers som indata till Raps.4 FOI-ΡΤΘΛΓΜςΓςΥ ΧΠΦΤΧΦΓΝ≥φΞΓΤΥ[ΠΧΞΤ#ΡΥΘΕϑ564#)1-Τ#ΡΥ≥ΤΓΦΘΞΚΥΧΥ ΚΤΧΡΡΘΤςΓΠSTRAGO, Raps och PINGO - modeller för regionalekonomiska beräkningar och fram-skrivningar.


variabler. Eftersom SCGE-modellers parametrar inte estimeras mot data utan ka-libreras finns det inget utrymme för den först nämnda typen av intern validering;ofta innehåller modellerna lika många parametrar som datapunkter, och anpassasperfekt till dessa data. Däremot är känslighetsanalyser med olika testscenarioslämpligt att genomföra för att förstå implikationerna av centrala modellparametrar.

Extern validering handlar om att tillämpa modellen för att göra prognoser eller gåbakåt i tiden (backcasting), dvs. försök att använda modellen för att säga något omdata som ligger bortom de data som använts för att kalibrera modellen. Detta är endefinitiv möjlighet, exempelvis kan man tänka sig att göra backcasting och jämföramot tidigare nationella input-output-tabeller, eller göra prediktioner av handels-mönster och utvärdera mot data från varuflödesundersökningar som inte använts.

Både intern och extern validering av CGE-modeller har betydande relevans för atttydliggöra både modellers brister och styrkor. Även om varje enskild modell, avpraktiska skäl, inte kan valideras eller utvärderas i alla tänkbara dimensioner, så ärdetta ett fält som diskuteras och utvecklas inom CGE-litteraturen, se exempelvisDixon & Rimmer (2013) och Giesecke & Madden (2013).

Dixon & Rimmer (2013) avslutar sitt abstract med följande meningar:

″6ϑΚΥΨΘΤΜΦΓΟΘΠΥςΤΧςΓΥςϑΧς%)∋ΟΘΦΓΝΥΕΧΠΡΤΘΦΩΕΓΗΘΤΓΕΧΥςΥΧςΧϑΚΙϑΝ[

dis-aggregated level that comfortably beat non-model-based trend forecasts.It also demonstrates that there is considerable potential for improved CGEforecasts through conscientious data work and improved methods for pro-ΛΓΕςΚΠΙςΤΓΠΦΥΗΤΘΟϑΚΥςΘΤΚΕΧΝΥΚΟΩΝΧςΚΘΠΥΚΠςΘΗΘΤΓΕΧΥςΚΠΙΥΚΟΩΝΧςΚΘΠΥ≥

Vad gäller kalibreringen av SCGE-modeller gäller det ofta att en stor uppsättningparametrar behöver anpassas mot data. Givetvis betyder detta att modellens para-metrar justeras för att passa just utgångsläget, eller basåret. En naturlig fråga ärdärmed hur relevanta dessa parametrar är vid exempelvis en framskrivning, pro-jektion, av ekonomisk aktivitet.

På lång sikt förändras både produktsammansättningar och konsumtionsmönster.Det är klart att om historiska data inte har någon relevans för att beskriva morgon-dagen, då kan projektioner in i framtiden svårligen göras. Om produktions- ochkonsumtionsmönster däremot förändras systematiskt över tiden finns det däremothopp. I de fall när STRAGO tillämpas för att göra regionala nedbrytningar av na-tionella scenarios är de typiska framtidsbeskrivningarna på nationell nivå av typen,

10

sektor 1 ökar med x procent per år, sektor 2 med y osv. Denna typ av scenarios geratt det är kontinuerliga förändringar, som definitivt är systematiska över tiden.

Dessa nationella scenarios ligger till grund för den regionala nedbrytningen, mensom en del av arbetet med att göra regionala nedbrytningar ligger även ett omka-libreringsarbete av modellen. Detta betyder att alla modellens parametrar intelängre är låsta till basåret, utan de anpassas för att modellen skall vara konsistentmed de makroprojektioner som scenariot innebär. En kalibrering av data där trans-portkostnader enligt IO-tabellen är försumbara (tjänstesektorn) avspeglar inte verk-ligheten eftersom exempelvis tidsvärden och tidskostnader för tjänsteresor intefinns representerade i IO.

Många av de parametrar som kalibreras, dvs. IO-parametrar och dyl., kalibrerasmot aggregerade data där osäkerheten är relativt liten. Aggregerade data ger docken sammansättningseffekt som är olika i olika regioner. Det finns en balans mellandessa två. Tillgång på data och användning av modellen avgör balansen.


3 Utveckling av STRAGOI huvudsak kan man sammanfatta att den modellutveckling som genomförts harskett inom tre olika områden: 1) rumsligt och sektoriellt fixerat (exogent) kapitalför sektorn ∝Järnmalm och skrot∝, 2) en ny uppdelning av sektorer i STRAGO somdels skall harmoniera med varugruppsindelningen i Samgods, dels introducera endisaggregering av tjänsteproduktionen, som tidigare beskrevs av enbart en aggrege-rad tjänstesektor, 3) modellen kalibreras mot data med 2010 som basår och denregionala fördelningen av produktion och export kalibreras i värdetermer iställetför i kvantitetstermer, som det var gjort tidigare.

I beskrivningen av modellutvecklingen och kalibreringen nedan används doku-mentationen av STRAGO (Sundberg 2009), som utgångspunkt. De förändringarsom gjorts beskrivs och motiveras, samt presenteras med de nya modellekvationersom införts samt vilka ekvationer som ersatts i den ursprungliga formuleringen.

3.1 Rumsligt och sektoriellt fixerad kapitalstockI den ursprungliga formuleringen av modellen hanterades kapital som rumsligtbundet, men inte sektoriellt. Ett potentiellt problem med detta är att när modellenanvänds för långa framskrivningar av scenarios, in i framtiden, så kan produktion-en flyttas från en region till en annan i orimligt stor utsträckning. Speciellt proble-matiskt blir detta då man betraktar en sektor som Järnmalm, som till stor del är be-roende av utvinning av en naturresurs som ligger fast i marken. Produktionen lig-ger där resursen finns. Därför har just denna sektor behandlats i särskild ordning,med en kapitalstock som är sektorspecifik och regionalt fixerad och som är exogentill modellen.

I modellen är det hushållen som äger kapitalet som används för produktion och iden ursprungliga modellen modelleras detta genom att hushållen i en region görinvesteringsbeslut kring hur stor kapitalstock som de skall hålla för att tillgodoseföretagens efterfrågan av kapital. Detta arbetssätt har behållits, med den föränd-ringen att hushållen förfogar över en del kapital som är fixerat, det vill säga att detinte påverkas av investeringsbeslut. Tekniskt modelleras detta som att hushållenförsöker att maximera nyttan av sin konsumtion över tiden och gör investeringardärefter, givet den inkomst de får från arbete, investerat kapital, fixerat kapital, ochtransfereringar. Hushållen optimerar enligt följande

12

( 1)c ,k 0

( 1) ( 1)

0

max (c / )

givet budget(c (1 )( )), t

och givet

rt r t

trt rt rt

t

K Fix Fix L C Fix Fixrt rt rt rt rt rt rt rt rt r t r t rt rt

r

l u l

k w k w l w g p k k k kk

∆

Φ

ε

∝

Hushållen optimerar sin diskonterade nytta från konsumtion, givet att de tar hänsyntill budgetvillkoret. Budgeten som hushållen har omfattar inkomst av kapital, in-komst av fixerat kapital, arbetsinkomster, och eventuella transfereringar. Utgifternasom återfinns i högerledet av budgetvillkoret beskriver kostnaderna för konsumtionoch investeringar för att upprätthålla kapitalstockarna samt göra investeringar.

Det som skiljer sig från föregående formulering av hushållsoptimeringsproblemet imodellen är budgetvillkoret som nu har förändrats. Hushållet har nu en kapitalin-komst Fix Fix

rt rtk w av det fixa kapitalet, dessutom har de utgifter för att hålla detta ka-

pital, vilket finns representerat i högerledet av budgetvillkoret, som har ändratsmed ( 1)( (1 ) )C Fix Fix

rt r t rtp k kΦ .

Första ordningens optimalitetsvillkor för hushållet ger dels återigen Euler-Ekvationen (12) i Sundberg (2009), som inte förändras, dels det nya budgetvillko-ret som ersätter Ekvation (13) i Sundberg (2009). Ekvation (13) ersätts således med

( 1) ( 1)

(c ), t

där (1 )( )

K Fix Fix L Crt rt rt rt rt rt rt rt rt rt

Fix Fixrt r t r t rt rt

k w k w l w g p

k k k kΦ

'

& ζ (13*)

Utöver hushållens förändrade budgetvillkor, har modellen förändrats på kapital-marknadssidan. Det finns nu två typer av kapital, en som är fixerad ifrån hushållensperspektiv och som betraktas som exogent till modellen, och en som bestäms avhushållens investeringsbeslut enligt ovan.

Enligt formeln ovan beskrivs kapitalförändringar mellan år t och t+1 av rt& ; dessa

kapitalförändringar påverkar även jämviktsekvation (19) i Sundberg (2009), därden nya definitionen av kapitalförändringar enligt (13*) ovan skall användas.

För att bestämma jämviktspriserna Krtw och Fix

rtw , för de två typerna av kapital,

måste vi ställa upp villkor för marknadsjämvikt för båda dessa typer av kapital, detvill säga att utbudet är lika stort som efterfrågan för respektive typ av kapital. Ek-vation (24) i Sundberg (2009) har därför ändrats till


77 7

, 1,..., 1

, 1,..., 1

Ki i KFr r r r

iFix Kr r r

k b x b f r R

k b x r Rψ

∝ (24*)

Den första ekvationen beskriver att utbud av investerat kapital är lika stort som ef-terfrågan medan den andra ekvationen ger samma relation för det fixerade kapitaletsom används i sektor 7 (Järnmalm). I ekvationerna ovan beskriver Ki

rb kapitalefter-

frågan hos sektor i i region r per enhet produktion i motsvarande sektor, medan irx

är antalet producerade enheter, f är antalet enheter som produceras av den nation-

ella transportservice-sektorn i modellen. Notera att tidsindex har undertryckts i ek-vation (24), precis som i framställningen i Sundberg (2009). Ekvationerna gällerdock för varje given tidpunkt i modellen.

SCGE-modellen STRAGO beskrivs av ekvation (1)-(25) i Sundberg (2009). Mo-dellen ges nu av samma ekvationer men där ekvationerna (13), (19) och (24) harändrats enligt ovan.

3.2 Uppdelning av sektorerI den nya uppdelningen av produkter och sektorer i STRAGO har modellens tidi-gare 14 sektorer disaggregerats till 26. Av de tidigare 14 sektorerna byggde 12 påvarugruppsindelningen STAN. Utöver dessa fanns en mycket stor ΥΓΜςΘΤ ∝Övrigt∝som fångade alla produkter som inte klassificeras som varor, det vill säga tjänsteroch byggverksamhet, samt en transporttjänstesektor. De 12 varugrupperna har dis-aggregerats och representeras av 16 olika varugrupper, medan den stora Övrigt sek-torn har disaggregerats till 9 olika tjänstegrupper, se Tabell 1 nedan.

Detta val av indelning av sektorer i STRAGO diskuteras vidare i avsnitt 4.2. Dis-aggregeringen av modellens sektorer påverkar i sig inte den principiella beskriv-ningen av modellen som finns i Sundberg (2009).

14

Tabell 1 Gammal och ny produktindelning i STRAGO

]χΨ&ϑ

WƌŽĚƵŬƚŝŶĚĞůŶŝŶŐ

'ĂŵŵĂů EǇŬŽĚ ĞŶćŵŶŝŶŐ ŬŽĚ ĞŶćŵŶŝŶŐ

ϭ :ŽƌĚďƌƵŬ ϭ :ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌϮ ZƵŶĚǀŝƌŬĞ Ϯ ZƵŶĚǀŝƌŬĞϯ dƌćǀĂƌŽƌ ϯ dƌćǀĂƌŽƌϰ >ŝǀƐŵĞĚĞů ϰ >ŝǀƐŵĞĚĞů ϱ ZĊŽůũĂŽĐŚŬŽů ϱ ZĊŽůũĂŽĐŚŬŽů ϲ KůũĞƉƌŽĚƵŬƚĞƌŝŶŬůƚũćƌĂ ϲ DŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌϳ :ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ ϳ :ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ ϴ DĞƚĂůůƉƌŽĚƵŬƚĞƌ ϴ DĞƚĂůůƉƌŽĚƵŬƚĞƌ ϵ WĂƉƉĞƌŽĐŚŵĂƐƐĂ ϵ WĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂϭϬ :ŽƌĚƐƚĞŶŽĐŚďǇŐŐŶĂĚ ϭϬ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵĂƚĞƌŝĂů

ϭϭ :ŽƌĚƐƚĞŶŽĂŶŶĂŶƌĊŽŽďĞĂƌďŵŝŶĞƌĂůϭϭ <ĞŵŝŬĂůŝĞƌ ϭϮ <ĞŵŝŬĂůŝĞƌϭϮ &ćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ ϭϯ DĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵнĚĞůĂƌ

ϭϰ ƌďĞƚĞŶĂǀŵĞƚĂůůϭϱ DĂƐŬŝŶƵƚƌƵƐƚŶŝŶŐŽŵŽƚŽƌнƚŝůůďĞŚƂƌ ϭϲ PǀƌŝŐĂĨćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ

ϭϯ PǀƌŝŐƚ ϭϳ ZĞƉŽĐŚŝŶƐƚĂůůĂǀŵĂƐŬŽĐŚĂƉƉ

ϭϴ ůŐĂƐǀćƌŵĞŬǇůĂǀĂƚƚĞŶ

ϭϵ ǇŐŐǀĞƌŬƐĂŵŚĞƚ

ϮϬ ,ĂŶĚĞů

Ϯϭ ,ŽƚĞůůŽĐŚƌĞƐƚ ŬŽŶƐƵŵĞŶƚƚũćŶƐƚĞƌ

ϮϮ /ŶĨŽƌŵĂƚŝŽŶŽĐŚŬŽŵŵƵŶŝŬĨƂƌĞƚĂŐƐƚũ

Ϯϯ KĨĨĞŶƚůŝŐĨƂƌǀĂůƚŶŝŶŐ

Ϯϰ hƚďŝůĚŶŝŶŐ

Ϯϱ sĊƌĚŽĐŚŽŵƐŽƌŐ

ϭϰ dƌĂŶƐƉŽƌƚ Ϯϲ dƌĂŶƐƉŽƌƚŽĐŚŵĂŐĂƐŝŶĞƌŝŶŐ

3.3 Kalibrering i värdetermerI den ursprungliga versionen av STRAGO kalibrerades modellen så att den replike-rade nationella IO-data för år 2000. Utöver detta kalibrerades modellen mot denregionala fördelningen av produktionen av de 12 varugrupperna mot Production-Consumption data i kvantitetstermer. Eftersom ett av de huvudsakliga använd-ningsområdena för modellen är att assistera vid regional nedbrytning av nationellascenarier, såsom scenarios från Långtidsutredningen, är det viktigt att modellensnarare replikerar regionala Production-Consumtion data i värdetermer. Anled-ningen till detta fokus på värdetermer är att modellen skall interagera med Raps-modellen som arbetar med värdetermer och bryter ned STRAGO:s regionala resul-tat på en finare geografisk nivå. Detta betyder att hela modellkedjan från långtids-


utredningens resultat genererade av exempelvis EMEC ner till kommunalt ned-brutna resultat via STRAGO och Raps arbetar och kommunicerar i värdetermer.Det är de regionala produktionsmönstren från STRAGO, i värdetermer som kom-municeras till Raps för vidare nedbrytning. I slutändan av modellkedjan kommeren konvertering av värden till ton, där regionaliserade varuvärdesprognoser kanligga till grund för denna konvertering.

Den ursprungliga kalibreringen av STRAGO beskrivs av ekvationerna (26)-(34) iSundberg (2009). Kalibreringen bestod där i att modellens parametrar anpassadesså att den nationella input-output matrisen för år 2000 uttryckt i STRAGO:s upp-delning av sektorer: de tolv STAN-varugrupperna, en sektor ≥φΞΤΚΙς≥ samt entransportsektor. Den regionala distributionen av den nationella exporten och pro-duktionen inom varje varugrupp kalibrerades mot Production-Consumption datauttryckt i kvantiteter, förutom för den ekonomiskt betydande Övrigt sektorn varsregionala distribution kalibrerades i värdetermer med hjälp av data från Nationalrä-kenskaperna. Slutligen kalibrerades transportsektorns användning med hjälp av IO-data, samt de olika varugruppernas transportanvändning mot resultat ifrån Sam-gods-modellen.

Det som nu har förändrats är alltså att den regionala fördelningen av export ochproduktion har kalibrerats med utgångspunkt ifrån värdetermer istället för kvantite-ter, som tidigare var fallet, och detta gäller för alla STRAGOS sektorer. Teknisktsett har detta implementerats genom att förändra ekvation (28)-(30) som beskriverhur modellen matchas mot regionala export- och produktions andelar. Ekvation(28) beskriver hur modellens regionala exportandelar matchas mot data, och detenda som behöver förändras är att denna ekvation skall utgå från värdetermer,d.v.s. vi har nu istället

, , 1,...., 2Mi ii r r

r Mi is s

s R

p ESE i r Rp E

ψ

∝

. (28*)

Vänsterledet i ekvationen består av data som modellen kalibreras mot, exportande-len i region r för sektor i, medan högerledet beskriver hur motsvarande storhet mo-dellberäknas utifrån modellens variabler. Formeln beskriver exportandelen för re-gion r och sektor i, och det är värt att notera att den antas hålla för alla inhemska

16

regioner i STRAGO utom en5. Relationen ovan kommer automatiskt att gälla ävenför den sista regionen eftersom andelarna per definition måste summera till ett.

Ekvation (29) i Sundberg (2009) beskriver hur den regionala produktionen i deolika varuproducerande sektorerna kalibreras i termer av kvantiteter, medan ekva-tion (30) beskriver hur den stora Övrigt sektorn är kalibrerad i värdetermer. Nukalibreras alla sektorer i värdetermer, vi ersätter därför ekvation (29) med

, , 1,...., 2i ii r r

r i is s

s R

p xSV i r Rp x

ψ

∝

(29*)

Utöver dessa ekvationer, baserade på värdetermer, behöver vi bestämma vilka en-heter som produktionen skall beskrivas i, enheterna bestäms via följande kalibre-rings ekvationer

1

1,

Ri i Mir r

rX n x i ∝ (30*)

där högerledet representerar den producerade kvantiteten enligt modellen, summe-rad över de inhemska regionerna, per sektor i. För varugrupperna (i=1,...,16) gälleratt indata baseras på den fysiska kvantiteten uttryckt i ton, medan det för övrigaproduktgrupper har antagits att kvantiteten är proportionell mot produktionsvär-dena. Det skall noteras att från en principiell ståndpunkt kan valet av enheter görasgodtyckligt, men för STRAGO:s räkning har vi bedömt att det är bra om enheternaför de olika varugrupperna är jämförbara, d.v.s. relaterade till ton producerad vara.

Slutligen har modellen utökats med en representation av fixerade kapitalstockarFixrk . I nuläget representerar dessa kapitalstockar det bundna kapital som används

av sektorn Järnmalm och skrot (i=7). I jämviktsmodellen antas dessa kapitalstockarexogent, det vill säga de betraktas som givna när modellen körs. Vid kalibreringenav modellen vill vi dock bestämma dessa kapitalstockar, därför behandlas de somparametrar i modellen, som skall kalibreras. Dessa kapitalstockar har kalibreratsgenom att införa ett kalibreringsantagande som säger att kapitalåterbäringen på fix-erat kapital är detsamma som den för investerat kapital. Alltså, som kalibrerings-princip för att kunna kalibrera in det fixa kapitalet antar vi:

, 1,...,R 1K Fixr rw w r (35*)

I kapitel 4 går vi igenom de data som används vid kalibreringen och i kapitel 5 gesillustrationer som visar hur kalibreringen av modellen mot dessa data har lyckats.

5 I STRAGO finns det totalt 10 regioner, men den tionde regionen (r=R=10) är inte en in-hemsk region, utan representerar resten av världen, d.v.s. den region till vilken det exporte-ras och importeras produkter. De inhemska regionerna representeras av index r =1,...,R-1.


4 Data för kalibrering av STRAGO: IOoch PC

4.1 InledningFöregående version av STRAGO är kalibrerad mot IO-data baserade på SCB:s ta-bell för år 2000, samt gamla PC-data från SIKA. Den nya versionen av STRAGOär kalibrerad mot IO-data baserade på SCB:s tabell för år 2010, samt nya PC-data(för varugrupper) som också avser år 2010, hämtade från de data (SCB) som liggertill grund för utvecklingen av nya basårsmatriser6. Till skillnad mot tidigare är denya IO- och PC-data inbördes konsistenta. I detta kapitel beskrivs de olika stegenfrån indata till kalibreringsdata för STRAGO.

4.2 Förslag till indelning av produkterSCB:s IO-tabell avser 65 produkter, varav 22 avser varugrupper och 43 avser ickevaruproduktion. Föregående version av STRAGO avser 13 produkter, varav 12varugrupper, samt en transporttjänstesektor. De 12 varugrupperna följer indelning-en i den gamla STAN-modellen och är direkta aggregat av de 34 varugrupperna iSamgods-modellen, se Tabell 10 i Bilaga&ΓΠΓΡΤΘΦΩΜςΓΠκΤΓςςΧΙΙΤΓΙΧς≥v-ΤΚΙΧΡΤΘΦΩΜςΓΤ≥ΥΘΟΧΞΥΓΤΚΕΜΓΞΧΤΩΡΤΘΦΩΜtion, dvs. byggverksamhet och tjänster.

Vid indelningen av produkter i den nya versionen av STRAGO bör två kriterierΞΧΤΧΞκΙΝΓΦΧΠΦΓ&ΓςΗΤΥςΧΜΤΚςΓΤΚΓςκΤΧςςΧΙΙΤΓΙΧςΓς≥ΞΤΚΙΧΡΤΘΦΩΜςΓΤ≥ΥΘΟΚϑu-vudsak avser tjänster, bör delas upp på flera produkter. Skälet är att detta aggregatsvarar för huvuddelen av den totala produktionen i Sverige, och att olika delar avaggregatet utvecklas på olika sätt i olika delar av landet. Det andra kriteriet ankny-ter till STRAGO:s specifika roll vid analyser och prognoser relaterade till gods-transporter, exempelvis vid prognoser av PWC-matriser för Samgods-modellen.Detta kriterium innebär att indelningen i varugrupper bör harmoniera med indel-ningen i både Samgods och den nationella IO-tabellen7.

6 5Γ#ΠΦΓΤΥςΚΙ%∃ΓΤΙΝΩΠΦ/∋ΦΨΧΤΦΥ∗ΧΠΦ/5ΩΠΦ∆ΓΤΙ″29%/ΧςΤΚΕΓΥΠΓΨΟΓςϑΘΦΧΠΦΩΡΦΧςΓΦ∃ΧΥΓ/ΧςΤΚΕΓΥ≥WSP-rapport 2015-04-01.7 Vid användning av STRAGO i samband med nationella scenarier (LU) är det också önsk-värt att varugruppsindelningen harmonierar med indelningen i den nationella modellen.Den modell (EMEC) som användes för LU15 arbetar med 22 varugrupper, dvs. sammaantal som i den nationella IO-tabellen. Indelningen är dock inte densamma; i vissa fall harIO-tabellens varugrupper aggregerats, i andra fall disaggregerats.

18

Den tidigare indelningen av varugrupper i STRAGO harmonierar med indelningeni Samgods, såtillvida att de 12 varugrupperna är direkta aggregat av de 34 varu-grupperna i Samgods. Men de 12 varugrupperna är heterogena jämfört med varu-ΙΤΩΡΡΓΤΠΧ Κ5ΧΟΙΘΦΥΦΓΠΟΓΥςϑΓςΓΤΘΙΓΠΧκΤΞΧΤΩΙΤΩΡΡ≥(κΤΦΚΙΧ ΚΠΦΩΥςΤΚΡΤo-ΦΩΜςΓΤ≥ΥΘΟκΤΓςςΧΙΙΤΓΙΧςΧΞ 8 varugrupper i Samgods.

För att få mindre heterogena varugrupper är ett alternativ att helt följa Samgodsindelning i 34 varugrupper. Dessa är dock betydligt fler än i den nationella IO-tabellen och skulle i flera fall innebära att IO-data för en varugrupp fördelas ut påflera varugrupper i STRAGO, dvs. samma IO-koefficienter tillämpas på flera varu-grupper. Det skulle inte tillföra någon ytterligare information. Vad som däremottillför ytterligare information är att disaggregera nuvarande 12 varugrupper iSTRAGO i riktning mot samma indelning som i den nationella IO-tabellen. Ettsådant förslag till indelning i 16 varugrupper redovisas i Tabell 2.

Tabell 2 Varugrupper i ny version av STRAGO

]χΨ&ϑ ŐŐƌĞŐĂƚĂǀ]ĂŵŐŽĚƐǀĂƌƵŐƌƵƉƉĞƌ

ͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲ ͲͲͲͲͲͲ

ϭ ϭͲϰ :ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌ

Ϯ ϱϯϭ ZƵŶĚǀŝƌŬĞ

ϯ ϲͲϴ dƌćǀĂƌŽƌ

ϰ ϭϬͲϭϭ >ŝǀƐŵĞĚĞů

ϱ ϭϮͲϭϯ ZĊŽůũĂŽĐŚŬŽů

ϲ ϭϰ DŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ

ϳ ϭϱͲϭϲ :ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ

ϴ ϭϳ DĞƚĂůůƉƌŽĚƵŬƚĞƌ

ϵ ϮϰϮϴϯϯ ςĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂ

ϭϬ ϭϴ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵĂƚĞƌŝĂů

ϭϭ ϭϵͲϮϬ :ŽƌĚƐƚĞŶŽĂŶŶĂŶƌĊŽŽďĞĂƌďĞƚĂĚŵŝŶĞƌĂů

ϭϮ ϮϭͲϮϯ <ĞŵŝŬĂůŝĞƌ

ϭϯ Ϯϱ DĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵĞĚĞůнĚĞůĂƌ

ϭϰ Ϯϲ ƌďĞƚĞŶĂǀŵĞƚĂůů

ϭϱ ϯϮ DĂƐŬŝŶƵƚƌƵƐƚŶŝŶŐŽŵŽƚŽƌнƚŝůůďĞŚƂƌ

ϭϲ ϵϮϳϮϵ PǀƌŝŐĂĨćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ

ŶŵρĂƌƵŐƌƵƉƉĞƌŵĂƌŬĞƌĂĚĞŵĞĚĨĞƚƐƚŝůćƌĚŝƐĂŐŐƌĞŐĞƌĂĚĞ]χ∆ͲǀĂƌƵŐƌƵƉƉĞƌ ]ĂŵŐŽĚƐǀĂƌƵŐƌƵƉƉϯϬŽĐŚϯϰĞǆŬůƵĚĞƌĂƐ;ŝŶŐĊƌĞũŝ.ϑͲƚĂďĞůůĞŶͿ

För övriga produkter, dvs. ej varugrupper, är förslaget tills vidare att aggregera IO-tabellens 43 produkter till 10 grupper som följer SCB:s indelning i avdelningar, seTabell 3 nedan. I tabellen visas även förslag på aggregat i 17 respektive 4 grupper.


Tabell 3 Alternativa aggregat av övriga produkter i ny version av STRAGO

]χΨ&ϑϭϳ

&ΨγςςΨ

]χΨ&ϑϭϬ

&ΨγςςΨ

]χΨ&ϑϰ

&ΨγςςΨ

ǀĚĞůŶŝŶŐ

;]Ϳ

,ƵǀƵĚŐƌƵƉƉ

]∆.ϮϬϬϳ

ĞŶćŵŶŝŶŐ

ϭϳ ϭϳ ϭϳ ĚĞůĂǀ ϯϯ ZĞƉŽĐŚŝŶƐƚĂůůĂǀŵĂƐŬŝŶĞƌŽĐŚĂƉƉĂƌĂƚĞƌ

ϭϴ ϭϴ ϭϳ ϯϱ &ƂƌƐƂƌũŶŝŶŐĂǀĞůŐĂƐǀćƌŵĞŬǇůĂ

ϭϵ ϭϴ ϭϳ ϯϲͲϯϵ sĂƚƚĞŶĨƂƌƐƂƌũŶŝŶŐŵŵ

ϮϬ ϭϵ ϭϴ % ϰϭͲϰϯ ǇŐŐǀĞƌŬƐĂŵŚĞƚ

Ϯϭ ϮϬ ϭϵ & ϰϱͲϰϳ ,ĂŶĚĞů

ϮϮ Ϯϭ ϮϬ + ϰϵͲϱϯ dƌĂŶƐƉŽƌƚŽĐŚŵĂŐĂƐŝŶĞƌŝŶŐ

Ϯϯ ϮϮ ϭϵ . ϱϱͲϱϲ ,ŽƚĞůůŽĐŚƌĞƐƚĂƵƌĂŶŐ

Ϯϰ Ϯϯ ϭϳ 9 ϱϴͲϲϯ /ŶĨŽƌŵĂƚŝŽŶŽĐŚŬŽŵŵƵŶŝŬĂƚŝŽŶ

Ϯϱ Ϯϯ ϭϳ ; ϲϰͲϲϲ &ŝŶĂŶƐŽĐŚĨƂƌƐćŬƌŝŶŐ

Ϯϲ Ϯϯ ϭϳ = ϲϴ &ĂƐƚŝŐŚĞƚƐǀĞƌŬƐĂŵŚĞƚ

Ϯϳ Ϯϯ ϭϳ Χ ϲϵͲϳϱ <ŽŶƐƵůƚƚũćŶƐƚĞƌŵŵ

Ϯϴ Ϯϯ ϭϳ ∆ ϳϳͲϴϮ ^ƚƂĚƚũćŶƐƚĞƌŵŵ

Ϯϵ Ϯϰ ϭϵ ϑ ϴϰ KĨĨĞŶƚůŝŐĨƂƌǀĂůƚŶŝŶŐ

ϯϬ Ϯϱ ϭϵ ς ϴϱ hƚďŝůĚŶŝŶŐ

ϯϭ Ϯϲ ϭϵ Ξ ϴϲͲϴϴ sĊƌĚŽĐŚŽŵƐŽƌŐ

ϯϮ ϮϮ ϭϵ Ψ ϵϬͲϵϯ <ƵůƚƵƌŶƂũĞŽĐŚĨƌŝƚŝĚ

ϯϯ ϮϮ ϭϵ ] ϵϰͲϵϲ ŶŶĂŶƐĞƌǀŝĐĞǀĞƌŬƐĂŵŚĞƚ

ŶŵZĞƉĂƌĂƚŝŽŶŽĐŚŝŶƐƚĂůůĂƚŝŽŶĂǀŵĂƐŬŝŶĞƌŽĐŚĂƉƉĂƌĂƚĞƌŝŶŐĊƌŝĂǀĚĞůŶŝŶŐdŝůůǀĞƌŬŶŝŶŐŵĞŶŝŶŐĊƌďůĂŶĚPǀƌŝŐĂ ƉƌŽĚƵŬƚĞƌ ĞĨƚĞƌƐŽŵ ĚĞŶ ŝŶƚĞ ĂǀƐĞƌ ŶĊŐŽŶ ǀĂƌƵŐƌƵƉƉ ǀĚĞůŶŝŶŐ χ ;&ƂƌǀćƌǀƐĂƌďĞƚĞ ŝ ŚƵƐŚĊůůŵŵͿ ŽĐŚĂǀĚĞůŶŝŶŐ γ ;sĞƌŬƐĂŵŚĞƚ ǀŝĚ ŝŶƚĞƌŶĂƚŝŽŶĞůůĂ ŽƌŐĂŶŝƐĂƚŝŽŶĞƌ ŵŵͿ ĞǆŬůƵĚĞƌĂƐ ;ŝŶŐĂ ǀćƌĚĞŶ ƌĞĚŽǀŝƐĂĚĞ ŝ .ϑ ͲƚĂďĞůůĞŶͿ

4.3 Anpassning av IO-tabellenDen nationella IO-tabellens produkter är definierade på SNI 2007 2-siffernivå, me-dan de nya PC-data som tagits fram avser varugrupper definierade enligt Samgodsindelning i 34 varugrupper (baserade på SNI 2007 5-siffernivå, se nedan). För ka-librering av STRAGO anpassas IO-tabellen till den föreslagna indelningen av va-rugrupper och övriga produkter enligt Tabell 2 och Tabell. Anpassningen till indel-ningen av övriga produkter, SNI 33-96, genomförs med en enkel aggregering.

De nya PC-data avser produktion (och insatsförbrukning) för varuproducerandebranscher. För branscher inom mineralutvinning och tillverkningsindustri (SNI 07-32) har SCB tagit fram data från Industrins Varuproduktion, IVP, och industrinsinsatsvaruförbrukning, INFI. IVP för produktionsvärden 2010 avser bransch,SNI2007 5-siffernivå, och varugrupp, där SCB har aggregerat varor på nivån KN 8till såväl Samgods 34 varugrupper som varugrupper på NST2007 3-siffernivå. IVP

20

kompletteras med uppgifter om produktionsvärden för Samgods varugrupper inomareella branscher (SNI 01-03), hämtade från SCB:s IO-tabell.

Från utrikeshandelsstatistiken har SCB även tagit fram motsvarande data för importoch export 2010, och produktionsvärden kompletteras med data för import för attfå Tillgång per varugrupp och bransch. Data för import avser Samgods varugrupperlänkade till alla varuproducerande branscher (SNI 01-32). I data för produktion(IVP) och import ingår även uppgifter om Samgods varugrupper som är länkade tillicke varuproducerande branscher, och uppgifter om produkter som inte är Sam-gods-varugrupper (dvs. tjänster av olika slag). Summerade värden för produktion +import per varuproducerande bransch (SNI 01-32) avviker med plus/minus någraprocent från motsvarande data i SCB:s IO-tabell.

Anpassningen av IO-tabellen till STRAGO:s varugrupper har genomförts i tvåsteg. I det första steget har det tagits fram en nyckel mellan varugrupp (1-16) ochprodukt i IO-tabellen (SNI 01-32). Metoden kan illustreras med hjälp av Figur 2.Figur 2 Underlag för nyckel mellan STRAGO:s varugrupper och produkter i IO-

tabellen

Summa tillgång per varugrupp ΘΕϑ ∝2ΤΘΦΩΜςΓΤ ΞΤΚΙΧ∝ är kolumnsumma E(A+D+B). Summan av elementen i E avviker med mindre än 1 procent från sum-man av elementen i C, tillgång per produkt enligt IO. Elementen i B justeras pro-portionellt så att summan av E = summan av C. Därefter RAS-justeras elementen iA och B så att summa per SNI och summa per varugrupp uppfyller balansvillkoren.


Detta ger en nyckel för att fördela IO-tabellens produkter på varugrupper8. En delav den anpassade IO-tabellen från det första steget visas i Tabell 4.Tabell 4 Del av anpassad IO-tabell, STRAGO:s varugrupp 1-8 (Steg 1)

Tabellen visar att vissa IO-samband blir orealistiska, t ex Χςς∝,κΤΠΟΧΝΟΘΕϑΥΜΤΘς∝

κΤ ΓΠ ςΩΠΙ ΚΠΥΧςΥΞΧΤΧ ΗΤ ∝/ΚΠΓΤΧΝΘΝΛΓΡΤΘΦΩΜςΓΤ∝ ΘΕϑ Χςς ∝4µΘΝΛΧ ΘΕϑ ΜΘΝ∝ ΞκΙΓΤ

ς[ΠΙΤΓκΠ∝,κΤΠΟΧΝΟΘΕϑΥΜΤΘς∝ΗΤ∝/ΓςΧΝΝΡΤΘΦΩΜςΓΤ∝ Orsaken är det aggregerings-fel som uppstår pga. att IO-tabellen ΧΤ∆ΓςΧΤΟΓΦ∝7ςΞΚΠΠΚΠΙΧΞΟΚΠΓΤΧΝ∝ΥΘΟκΤΓςς

aggregat av SNI 05-09 (Kolutvinning, Utvinning av råpetroleum och naturgas, Ut-vinning av metallmalmer, Annan utvinning av mineral, Service till utvinning).

I det andra steget hanteras detta aggregeringsfel enligt följande. Med SCB:s publi-cerade statistik, IVP och utrikeshandel, uppskattas hur aΙΙΤΓΙΧςΓς ∝7ςΞΚΠΠΚΠΙ ΧΞΟΚΠΓΤΧΝ∝kan uppdelas på tre produktgrupper: ∝−ΘΝΘΕϑΘΝΛΧ∝50+-∝/ΧΝΟ∝

50+ΘΕϑ∝#ΠΠΧΠΟΚΠΓΤΧΝ∝ (SNI 08-09). Dessa fördelas till 100 procent på va-rugrupperna 5, 7 respektive 11. Utrikeshandelsstatistiken ger underlag för att i IO-tabellen fördela användningen på export för de tre produktgrupperna. För övriganvändning är huvudprincipen att fördela användningen i proportion till produkt-gruppens andel av relevant ςΘςΧΝΗΤΧΙΙΤΓΙΧςΓς∝7ςΞΚΠΠΚΠΙΧΞΟΚΠΓΤΧΝ∝ΥµΞΚΦΧΦΓςinte finns starka skäl för en annan fördelning9. Insatsvaruförbrukningen för de treproduktgrupperna fördelas i proportion till andel av produktionen för aggregatet.

8 (ΤΦΓΝΠΚΠΙΓΠΚΠΠΓ∆κΤΧςςΞΧΤΩΙΤΩΡΡΓΤΠΧκΞΓΠΚΠΜΝΩΦΓΤΧΤ∝2ΤΘΦΩΜςΓΤΞΤΚΙΧ∝ςΛκΠΥςΓΤ8i-ΦΧΤΓ ΚΠΜΝΩΦΓΤΧΥ ≥(ΚΥΜΓ≥ Κ ΞΧΤΩΙΤΩΡΡ ≥,ΘΤΦ∆ΤΩΜΥΡΤΘΦΩΜςΓΤ≥ ΗΤ Χςς ΞΧΤΩΙΤΩΡΡΓΤΠΧ ΥΜΧöverensstämma med alla produkter som i IO-tabellen är kopplade till varuproducerandebranscher.9 ∋ςς ΓΖΓΟΡΓΝ κΤ ΝΓΞΓΤΧΠΥΓΤ ςΚΝΝ ∝∃[ΙΙΞΓΤΜΥΧΟϑΓς∝ ΥΘΟΥΧΠΠΘΝΚΜς ΓΠΦΧΥς ΧΞΥΓΤ ΝΓΞΓΤΧΠΥΓΤfrån ∝#ΠΠΧΠΟΚΠΓΤΧΝ∝ΦΞΥ5ΧΠd, grus och sten. ∋ςςΧΠΠΧςΓΖΓΟΡΓΝκΤΝΓΞΓΤΧΠΥΓΤςΚΝΝ∝4ΧΗΗi-ΠΓΤΧΦΓΡΓςΤΘΝΓΩΟΡΤΘΦΩΜςΓΤ∝ΥΘΟΥΧΠΠΘΝΚΜςΓΠΦΧΥςΧΞΥΓΤΝΓΞΓΤΧΠΥΓΤΗΤµΠ∝−ΘΝΘΕϑΘΝΛΧ∝

22

+ ΥΓΡΧΤΧς ΦΘΜΩΟΓΠς ≥#ΠΡΧΥΥΠΚΠΙ Χv IO-ςΧ∆ΓΝΝΖΝΥΖ≥ ΤΓΦΘΞΚΥΧΥ den ursprungligaIO-tabellen, samt tabeller anpassade till STRAGO-grupper i steg 1 och steg 2. Delav den anpassade IO-tabellen från det andra steget visas i Tabell 510.Tabell 5 Del av anpassad IO-tabell, STRAGO:s varugrupp 1-8 (Steg 2)

Produktgrupperna i IO-tabellen är definierade på SNI 2-siffernivå, medan varu-grupperna i indata är definierade på SNI 5-siffernivå. Därför kan det inte uteslutasatt det finns ytterligare aggregeringsfel. Vad gäller insatsvaruleveranser inom till-verkningsindustrin visar dock en jämförelse mellan IO-tabellen och INFI att övrigaaggregeringsfel är försumbara.

4.4 Regionala kalibreringsdata

4.4.1. Produktion

Den nationella produktionsnivån som ges av IO-tabellen skall replikeras på regio-nal nivå. För varuproduktionen, STRAGO-grupp 1-16, har produktionens regionalafördelning uppskattats på samma sätt som beskrivs i Anderstig et al. (2015):

För varugrupper inom gruv- och tillverkningsindustri har produktionen fördelats påkommuner med kommunens andel av totalt antal sysselsatta inom varuhanterandeyrken i respektive bransch på SNI 5-siffernivå. För jordbruk och skogsbruk harproduktionsvärden fördelats på kommuner enligt data från Varuflödesundersök-ningen (VFU) 2004/2005. VFU-data har kompletterats med de produktionsvärdenför tillverkningsindustrin som är kopplade till jordbruks- och skogsbruksprodukter.

10 +ΦΓςΧΠΦΤΧΥςΓΙΓςϑΧΤκΞΓΠΠ[ΕΜΓΝΗΤΡΤΘΦΩΜςΙΤΩΡΡΓΤΠΧ∝,ΘΤΦ∆ΤΩΜ∝ΘΕϑ∝5ΜΘΙΥ∆ΤΩΜ∝Λu-sterats så att dessa till 100 procent avser STRAGO-ΙΤΩΡΡΓΤΠΧ∝,ΘΤΦ∆ΤΩΜΥΡΤΘΦΩΜςΓΤ∝ΤΓΥΡΓk-ςΚΞΓ ∝4ΩΠΦΞΚΤΜΓ∝ 5ΜκΝΓς ΗΤ ΦΓΠΠΧ ΛΩΥςΓΤΚΠΙ κΤ Χςς ΚΠΦΧςΧ ΗΤµΠ +82 ΥΧΜΠΧΤ ΩΡΡΙΚΗςΓΤ ΗΤ∝,ΘΤd∆ΤΩΜ∝ΘΕϑ∝5ΜΘΙΥ∆ΤΩΜ∝


För övriga produkter, STRAGO-grupp 17-26, har produktionens regionala fördel-ning uppskattats med fördelningen av förvärvsarbetande dagbefolkning perbransch, enligt SCB/RAMS.Tabell 6 Produktion per STRAGO-grupp MSEK 2010 och uppskattad fördelning

på NUTS2-regioner

]χΨ&ϑͲŐƌƵƉƉ WƌŽĚƵŬƚŝŽŶ ŶĚĞů∆γχ]ϮͲƌĞŐŝŽŶ

Χ]; ϭ Ϯ ϯ ϰ ϱ ϲ ϳ ϴ ^ƵŵŵĂ

ͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲ

ϭ :ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌ ϰϵϭϴϳ ϬϬϰ ϬϮϯ ϬϬϵ Ϭϯϵ ϬϮϬ ϬϬϯ ϬϬϭ ϬϬϭ ϭ

Ϯ ΨƵŶĚǀŝƌŬĞ ϰϯϲϴϭ ϬϬϭ ϬϭϬ ϬϮϬ ϬϬϱ ϬϭϮ Ϭϭϲ Ϭϭϵ Ϭϭϳ ϭ

ϯ dƌćǀĂƌŽƌ ϰϭϭϲϰ ϬϬϬ Ϭϭϯ ϬϮϰ ϬϬϱ ϬϭϬ ϬϮϯ ϬϭϬ Ϭϭϱ ϭ

ϰ =ŝǀƐŵĞĚĞů ϭϯϵϴϱϰ ϬϭϬ Ϭϭϲ ϬϭϬ ϬϮϳ ϬϮϰ ϬϬϳ ϬϬϮ ϬϬϰ ϭ

ϱ ZĊŽůũĂŽĐŚŬŽů ϭϳϵϴ ϬϬϭ ϬϯϮ Ϭϭϯ ϬϭϮ ϬϬϵ Ϭϭϴ ϬϬϲ ϬϬϵ ϭ

ϲ ΧŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ ϵϴϴϭϴ Ϭϭϯ ϬϬϭ ϬϬϭ ϬϬϬ Ϭϳϴ ϬϬϬ ϬϬϳ ϬϬϬ ϭ

ϳ :ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ ϯϴϳϰϲ ϬϬϬ ϬϬϴ ϬϬϬ ϬϬϭ ϬϬϮ ϬϬϳ ϬϬϬ Ϭϴϯ ϭ

ϴ ΧĞƚĂůůƉƌŽĚƵŬƚĞƌ ϭϮϳϳϲϳ ϬϬϭ Ϭϯϭ ϬϬϱ ϬϬϳ ϬϬϯ Ϭϯϰ ϬϬϮ Ϭϭϳ ϭ

ϵ WĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂ ϭϰϬϯϭϲ ϬϬϰ Ϭϭϲ ϬϭϬ ϬϭϬ Ϭϭϴ ϬϮϱ ϬϭϮ ϬϬϲ ϭ

ϭϬ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵĂƚĞƌŝĂů ϭϰϭϰϮ ϬϬϰ ϬϮϭ Ϭϭϲ Ϭϭϰ Ϭϯϭ ϬϬϳ ϬϬϰ ϬϬϮ ϭ

ϭϭ :ŽƌĚƐƚĞŶŽĂŶŶĂŶƌĊŽŽďĞĂƌďŵŝŶĞƌĂů ϭϲϲϵϲ ϬϬϲ ϬϭϮ Ϭϭϯ ϬϮϬ Ϭϭϴ Ϭϭϰ ϬϬϳ ϬϭϬ ϭ

ϭϮ ;ĞŵŝŬĂůŝĞƌ ϭϮϵϳϬϲ ϬϮϴ ϬϮϬ ϬϬϰ ϬϮϮ Ϭϭϱ ϬϬϱ ϬϬϰ ϬϬϯ ϭ

ϭϯ DĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵнĚĞůĂƌ ϭϱϱϮϭϯ Ϭϭϱ ϬϬϵ ϬϬϴ ϬϬϱ Ϭϱϳ ϬϬϯ ϬϬϭ ϬϬϯ ϭ

ϭϰ ƌďĞƚĞŶĂǀŵĞƚĂůů ϭϬϲϵϱϭ ϬϬϲ ϬϮϰ ϬϮϭ ϬϬϵ ϬϮϬ Ϭϭϰ ϬϬϯ ϬϬϰ ϭ

ϭϱ DĂƐŬŝŶƵƚƌƵƐƚŶŝŶŐŽŵŽƚŽƌнƚŝůůďĞŚƂƌ ϯϯϱϮϮϳ ϬϬϴ ϬϮϯ Ϭϭϰ ϬϭϮ ϬϮϱ ϬϭϮ ϬϬϮ ϬϬϯ ϭ

ϭϲ ΟǀƌŝŐĂĨćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ ϭϲϯϮϮϴ ϬϬϳ ϬϭϮ ϬϮϱ Ϭϭϲ ϬϮϮ ϬϬϴ ϬϬϯ ϬϬϴ ϭ

ϭϳ ZĞƉŽĐŚŝŶƐƚĂůůĂǀŵĂƐŬŽĐŚĂƉƉ ϰϰϳϰϴ ϬϮϮ Ϭϭϵ ϬϬϵ Ϭϭϭ Ϭϭϵ ϬϭϮ ϬϬϰ ϬϬϱ ϭ

ϭϴ ůŐĂƐǀćƌŵĞŬǇůĂǀĂƚƚĞŶ ϭϵϵϰϳϮ Ϭϭϴ Ϭϭϳ ϬϬϵ Ϭϭϯ ϬϮϮ ϬϬϵ ϬϬϱ ϬϬϳ ϭ

ϭϵ ǇŐŐǀĞƌŬƐĂŵŚĞƚ ϯϳϵϵϰϭ ϬϮϮ Ϭϭϲ ϬϬϴ Ϭϭϰ ϬϮϬ ϬϬϵ ϬϬϰ ϬϬϲ ϭ

ϮϬ +ĂŶĚĞů ϱϲϴϰϱϲ ϬϮϳ Ϭϭϰ ϬϬϴ Ϭϭϱ ϬϮϮ ϬϬϳ ϬϬϯ ϬϬϰ ϭ

Ϯϭ dƌĂŶƐƉŽƌƚŽĐŚŵĂŐĂƐŝŶĞƌŝŶŐ ϰϱϴϬϳϯ ϬϮϳ Ϭϭϯ ϬϬϵ Ϭϭϰ ϬϮϭ ϬϬϳ ϬϬϰ ϬϬϱ ϭ

ϮϮ +ŽƚĞůůŽĐŚƌĞƐƚŬŽŶƐƵŵĞŶƚƚũćŶƐƚĞƌ Ϯϳϳϵϵϱ ϬϯϬ Ϭϭϰ ϬϬϳ Ϭϭϯ Ϭϭϵ ϬϬϴ ϬϬϰ ϬϬϱ ϭ

Ϯϯ /ŶĨŽƌŵĂƚŝŽŶŽĐŚŬŽŵŵƵŶŝŬĨƂƌĞƚĂŐƐƚũ ϭϴϵϴϮϴϴ Ϭϯϵ Ϭϭϯ ϬϬϱ Ϭϭϯ Ϭϭϳ ϬϬϲ ϬϬϯ ϬϬϰ ϭ

Ϯϰ ϑĨĨĞŶƚůŝŐĨƂƌǀĂůƚŶŝŶŐ ϮϮϮϬϰϰ ϬϮϳ Ϭϭϱ ϬϬϳ Ϭϭϯ Ϭϭϴ ϬϬϵ ϬϬϱ ϬϬϲ ϭ

Ϯϱ hƚďŝůĚŶŝŶŐ ϮϰϳϬϲϴ ϬϮϯ Ϭϭϳ ϬϬϴ Ϭϭϰ ϬϮϬ ϬϬϴ ϬϬϰ ϬϬϲ ϭ

Ϯϲ ρĊƌĚŽĐŚŽŵƐŽƌŐ ϰϯϴϲϯϯ Ϭϭϵ Ϭϭϳ ϬϭϬ Ϭϭϰ ϬϮϬ ϬϬϵ ϬϬϰ ϬϬϳ ϭ

ͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲ

∆γχ]ϮͲƌĞŐŝŽŶϭ ^ƚŽĐŬŚŽůŵϮ PƐƚƌĂΧĞůůĂŶƐǀĞƌŝŐĞϯ ^ŵĊůĂŶĚŵĞĚƂĂƌŶĂϰ ^ǇĚƐǀĞƌŝŐĞϱ sćƐƚƐǀĞƌŝŐĞϲ EŽƌƌĂΧĞůůĂŶƐǀĞƌŝŐĞϳ DĞůůĞƌƐƚĂ∆ŽƌƌůĂŶĚϴ PǀƌĞ∆ŽƌƌůĂŶĚ

24

4.4.2. Export

För STRAGO-grupp 1-16 har exporten fördelats på kommuner på samma sätt somproduktionen, dvs. för gruv- och tillverkningsindustri med kommunens andel avtotalt antal sysselsatta inom varuhanterande yrken i respektive bransch på SNI 5-siffernivå.

För övriga produkter, STRAGO-grupp 17-26, har exportens regionala fördelningockså uppskattats på samma sätt som för produktionen.

Det angreppssätt som använts har resulterat i att några varugrupper för några reg-ioner exporterar mer än vad de producerar, vilket inte är rimligt i STRAGO11. Fördessa varugrupper har vi ansatt en fix exportandel, nationellt, som är densamma ialla regioner för respektive varugrupp. De varugrupper som berörs är varugrupp 5,12 och13. Varugrupp 5 (Råolja och kol) är en mycket liten varugrupp i termer avproduktion. För varugrupp 12 (Kemikalier) och 13 (Maskin/apparat etc.) gäller attproduktions- och exportandelar är mycket starkt korrelerade, varför det är en goduppskattning att behandla exportandelarna som fixerade och låta exporten följaproduktionen för dessa varugrupper.

4.4.3. Arbetskraftsutbud

I STRAGO antas fullt resursutnyttjande. Det innebär att det arbetskraftsutbud somhushållen erbjuder till fullo används i produktionen. Varken arbetslöshet ellerpendling representeras i nuvarande modell. Detta motiverar att arbetskraftsutbudetrepresenteras av total förvärvsarbetande dagbefolkning per region. På så sätt tar vihänsyn till arbetslöshet och förvärvsgrader med mera.

4.4.4. Transportkostnadsandelar

Transportkostnader per varugrupp har uppdaterats för att överensstämma motSAMGODS. I de fall som STRAGO:s varugrupper är aggregat av SAMGODS va-rugrupper har transportkostnaderna summerats över dessa. Dessa data ger trans-portkostnadsandelar per varugrupp, som används vid kalibrering av transportkost-nadspåslaget per varugrupp i STRAGO.

11 I den nationella IO-tabellen ingår i exporten även re-export av importerade varor.


4.5 ElasticiteterMånga av modellens parametrar kalibreras mot data, exempelvis input-output-relationer kalibreras så att de återskapar den nationella input-output-tabellen. Idetta avseende sticker parametrar i form av elasticiteter ut, dessa kan inte på någotenkelt sätt kalibreras mot data som beskriver ett jämviktsläge för ett år. För attkomma åt dessa elasticiteter är det vanligt att man vänder sig till litteraturen för atthitta estimat, och sedan låter sig vägledas av dessa estimat.

I dokumentationen till den ursprungliga STRAGO (Sundberg, 2009) finns det enredogörelse för hur dessa elasticiteter är satta. Eftersom modellen har utvidgats itermer av sektorer, och därmed i antalet elasticiteter som är möjliga att sätta, redo-visar vi här de värden som kommit till eller ändrats. Endast Armington-elasticiteter, elasticiteter mellan olika varieteer av varor, samt exportelasticiteterhar förändrats i förhållande till den tidigare modellspecifikationen. De nya para-metrarna redovisas i Tabell 7 nedan.Tabell 7 Elasticiteter per sektor

]χΨ&ϑ^ĞŬƚŽƌ

ĞŶćŵŶŝŶŐ

ƌŵŝŶŐƚŽŶɐ

ρĂƌŝĞƚĞƚ ɂ

ǆƉŽƌƚɐZŽǁ

ϭ :ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌ ϮϮ ϰϰ Ϯϴ

Ϯ ZƵŶĚǀŝƌŬĞ Ϯϴ ϲϭ Ϯϴ

ϯ dƌćǀĂƌŽƌ ϮϮ ϰϰ Ϯϴ

ϰ >ŝǀƐŵĞĚĞů ϮϮ ϰϰ Ϯϴ

ϱ ZĊŽůũĂŽĐŚŬŽů Ϯϴ ϲϭ Ϯϴ

ϲ DŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ ϭϵ ϯϲ Ϯϴ

ϳ :ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ Ϯϴ ϲϭ Ϯϴ

ϴ DĞƚĂůůƉƌŽĚƵŬƚĞƌ Ϯϴ ϲϭ Ϯϴ

ϵ WĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂ ϮϮ ϰϰ Ϯϴ

ϭϬ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵĂƚĞƌŝĂů Ϯϴ ϲϭ Ϯϴ

ϭϭ :ŽƌĚƐƚĞŶŽĂŶŶĂŶƌĊŽŽďĞĂƌďŵŝŶĞƌĂů Ϯϴ ϲϭ Ϯϴ

ϭϮ <ĞŵŝŬĂůŝĞƌ Ϯϴ ϲϭ Ϯϴ

ϭϯ DĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵнĚĞůĂƌ Ϯϴ ϲϭ Ϯϴ

ϭϰ ƌďĞƚĞŶĂǀŵĞƚĂůů Ϯϴ ϲϭ Ϯϴ

ϭϱ DĂƐŬŝŶƵƚƌƵƐƚŶŝŶŐŽŵŽƚŽƌнƚŝůůďĞŚƂƌ Ϯϴ ϲϭ Ϯϴ

ϭϲ PǀƌŝŐĂĨćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ Ϯϴ ϲϭ Ϯϴ

ϭϳ ZĞƉŽĐŚŝŶƐƚĂůůĂǀŵĂƐŬŽĐŚĂƉƉ ϭϵ ϯϯ Ϯϴ

ϭϴ ůŐĂƐǀćƌŵĞŬǇůĂǀĂƚƚĞŶ ϭϵ ϯϯ Ϯϴ

ϭϵ ǇŐŐǀĞƌŬƐĂŵŚĞƚ ϭϵ ϯϯ Ϯϴ

ϮϬ ,ĂŶĚĞů ϭϵ ϯϯ Ϯϴ

Ϯϭ ,ŽƚĞůůŽĐŚƌĞƐƚŬŽŶƐƵŵĞŶƚƚũćŶƐƚĞƌ ϭϵ ϯϯ Ϯϴ

ϮϮ /ŶĨŽƌŵĂƚŝŽŶŽĐŚŬŽŵŵƵŶŝŬĨƂƌĞƚĂŐƐƚũ ϭϵ ϯϯ Ϯϴ

Ϯϯ KĨĨĞŶƚůŝŐĨƂƌǀĂůƚŶŝŶŐ ϭϵ ϯϯ Ϯϴ

Ϯϰ hƚďŝůĚŶŝŶŐ ϭϵ ϯϯ Ϯϴ

Ϯϱ sĊƌĚŽĐŚŽŵƐŽƌŐ ϭϵ ϯϯ Ϯϴ

26

När det gäller dessa val av elasticiteter så bygger de på samma resonemang somfördes i Sundberg (2009). Eftersom sektorerna har disaggregerats, så har vi behållitde Armington-elasticiteter som tidigare höll för aggregaten, och dessa uppskatt-ningar av Armingtonelasticiteterna byggde på de som användes i GTAP ochUSITC, se Donnelly et al (2004).

Relationen mellan Armington-elasticiteterna och varietets-elasticiteterna har skat-tats empiriskt av Ardelean (2006). De varietet-elasticiteter som satts i STRAGOligger i linje med implikationerna av Ardeleans skattningar12. Om Armington- ochΞΧΤΚςΓςΥΓΝΧΥςΚΕΚςΓςΓΤΠΧΥκςςΥΝΚΜΧΥµΟΘςΥΞΧΤΧΤΦΓςΓΠΟΘΦΓΝΝΟΓΦ≥ΤΓΠ≥ΟΘΠΘΡΘΝΚΥ t-isk konkurrens. Det Ardeleans estimat visar är att detta medför för starka agglome-rationseffekter, och det är just dessa som justeras nedåt genom att varitetselasticite-ten justeras upp.

Vad gäller exportelasticiteten så är den satt till 2.8 för alla sektorer, de estimat somfinns att tillgå här är dels Imbs & Méjean (2010), dels Feenstra et al (2014). Imbs& Méjean rapporterar exportelasticiter för en rad länder. För Sveriges del liggerden runt 3.0, men det finns indikationer att den kan vara något högre vilket ävenFeenstra et al indikerar. Tidigare följde exportelasticiteten den i STRAGO sattaArmington-elasticiteten, men den har nu justerats upp för alla sektorer, dock kandet tänkas att den i framtiden kommer att justeras upp ytterligare.

12 Relationen mellan parametrarna i STRAGO är 1 (1 ) / 0.35Γ Υ för varuproduktionoch 1 (1 ) / 0.4Γ Υ för tjänsteproduktion, vilket ligger i linje med skattade relationer påinhemska data i USA, som är just 1 (1 ) / 0.4Γ Υ .


5 Kalibrering av STRAGO mot dataTotalt sett är det 1285 modellparametrar avseende hushållspreferenser, produk-tionsteknologier, Armingtonpreferenser etc., som har kalibrerats mot data. Mo-dellen har anpassats till data genom att simultant lösa STRAGO:s jämviktsekva-tioner tillsammans med dess kalibreringsekvationer. Dessa ekvationer beskrivs iSundberg (2009) av ekvationerna (1)-(34), med de ändringar som beskrevs i kapitel1 ovan.

Utvidgningen av modellen och dess kalibrering har fungerat i meningen att en lös-ning till ekvationssystemet har hittats. Nedan illustreras detta genom att grafisktpåvisa att kalibreringsdata och motsvarande modellberäknade storheter samman-faller.Figur 3 IO-tabellens data replikeras

Här illustreras att Input-Output-tabellens data replikeras av modellen, IO-relationerna (A) återskapas; hushållens efterfrågan av de olika produkterna stäm-mer med data; exporten sammanfaller med den av modellen beräknade exportenper produktgrupp; slutligen så ser vi att modellen återskapar sektorernas utgifter forkapital och arbetskraft.

28

På samma sätt kan vi se att modellen replikerar den regionala fördelningen av re-spektive sektors produktion och Export, vilka också utgör indata till kalibreringenav modellen, se Figur 4.

Figur 4 Regional fördelning av produktion och export replikeras för alla sektorer


6 TestscenariosHuvudsyftet med de testscenarios som redovisas i detta kapitel är att illustrera hurSTRAGO fungerar. Resultat för två starkt förenklade scenarios presenteras, tankenär att påvisa olika effekter som uppstår i modellen och ge en intuitiv förståelse fördessa effekter. Det första testscenariot som presenteras bygger på ett antagande omett ökat arbetskraftsutbud, där framförallt storstadsregionerna växer snabbt i förhål-lande till andra regioner. Det andra testscenariot tittar på effekter av införandet avsektorsvisa skattekilar i modellen.

De resultat som presenteras skall tolkas som kontrafaktiska analyser, testscenarier-na representerar inte vad som händer i svensk ekonomi. Vad resultaten represente-rar är istället hur modellen reagerar på förändringar i specifika exogena indata, utaninteraktion med andra modeller. Detta betyder att resultaten inte är direkt jämför-bara med de som skulle fås vid exempelvis en regional nedbrytning av Långtidsut-redningen, som innebär en mängd restriktioner på modellen i termer av branschut-veckling, export och arbetskraftsutbud från Raps och nationella modeller somEMEC.

6.1 Större befolkning

6.1.1. Förutsättningar

Detta scenario innebär en kontrafaktisk analys av en större befolkning i rikets re-gioner år 2010. Folkmängden på riksnivå antas i testscenariot vara lika stor somfolkmängden år 2040 enligt SCB:s befolkningsprognos från 2016. För att få framen arbetskraft konsistent med befolkningen har vi kombinerat befolkningsprogno-sen med antaganden för ekonomins utveckling enligt Långtidsutredningen 2015(LU 2015). Därefter har scenariot på riksnivå brutits ned till län13 och sedan grup-perats till den regionindelning som STRAGO använder sig av14. EftersomSTRAGO gör antagandet om fullt resursutnyttjande i ekonomin är relevant indatatill modellen sysselsatt dagbefolkning per region. På så sätt tar vi hänsyn till dennivå på produktion, förvärvsgrader med mera som följer av antagandena i LU

13 Denna nedbrytning baseras på samma metod som vid den regionala nedbrytningen avLU 2015, se ≥&ΓΟΘΙΤΧΗΚΠΥΤΓΙΚΘΠΧΝΧΩςΟΧΠΚΠΙΧΤ≥∃ΚΝΧΙΧςΚΝΝ.7517.14 STRAGO använder sig av NUTS 2-områden med undantaget att Örebro och Västman-land brutits ut ur Östra Mellansverige till en egen region.

30

2015. Tabell 8 nedan redovisar förvärvsarbetande dagbefolkning per region år2010 och enligt testscenariot. Förutom de skillnader som redovisas i tabellen är allaandra indata och antaganden oförändrade i testscenariot jämfört med kalibreringenav STRAGO för 2010.Tabell 8 Förvärvsarbetande dagbefolkning per STRAGO-region år 2010 och en-

ligt testscenariot.

ZĞŐŝŽŶŬŽĚ ]χΨ&ϑͲƌĞŐŝŽŶ &ƂƌǀĚĂŐďĞĨϮϬϭϬ %ƂƌǀĚĂŐďĞĨƚĞƐƚƐĐĞŶĂƌŝŽ

ϭ ^ƚŽĐŬŚŽůŵ ϭϬϳϳϰϭϲ ϭϲϯϳϯϱϮ

Ϯ PƐƚƌĂΧĞůůĂŶƐǀĞƌŝŐĞ ϰϯϲϰϭϯ ϱϲϯϴϲϮ

ϯ ^ŵĊůĂŶĚŵĞĚƂĂƌŶĂ ϯϴϳϱϬϳ ϰϮϬϵϵϯ

ϰ ^ǇĚƐǀĞƌŝŐĞ ϲϬϰϭϲϯ ϴϰϲϰϱϭ

ϱ sćƐƚƐǀĞƌŝŐĞ ϴϴϬϴϵϳ ϭϭϮϯϮϯϳ

ϲ EŽƌƌĂΧĞůůĂŶƐǀĞƌŝŐĞ ϯϲϱϳϴϱ ϯϳϱϱϯϴ

ϳ DĞůůĞƌƐƚĂ∆ŽƌƌůĂŶĚ ϭϲϴϰϭϱ ϭϳϱϲϱϮ

ϴ PǀƌĞ∆ŽƌƌůĂŶĚ Ϯϯϰϴϱϴ ϮϱϮϰϵϵ

ϵ PƌĞďƌŽŽĐŚρćƐƚŵĂŶůĂŶĚ ϮϯϳϮϲϲ ϮϴϱϴϰϮ

Genom att jämföra resultaten för testscenariot med beräkningsresultaten för 2010erhålls beräknade effekter av en större befolkning och arbetskraft15.

6.1.2. Resultat

Som bakgrundsmaterial kan det vara av intresse att se den regionala fördelningenav varu- och tjänsteproduktion som modellen är kalibrerad mot år 201016. I Figur 5framgår att regionen Stockholm är starkt fokuserad på tjänsteproduktion. Regio-nens tjänsteproduktion svarar för 22 procent av Sveriges totala produktion, medanvaruproduktionens andel är 2 procent, dvs. Stockholm är specialiserad på tjänsteroch 90 procent av regionens produktion avser tjänster. I andra änden av skalan lig-ger regioner som Småland och Norra Mellansverige. Dessa regioners varuproduk-tion svarar tillsammans för 6 procent av Sveriges totala produktion medan tjänste-produktionen svarar för 10 procent, 62 procent av regionernas produktion avsertjänster och regionerna är snarare relativt specialiserade på varuproduktion.

Nationellt sett är fördelningen 73 procent tjänste- och 27 procent varuproduktion,som andelar av total produktion exklusive transportsektorn.

15 Det bör betonas att med testscenariots konstruktion handlar dessa effekter enbart om pris-och agglomerationseffekter; till exempel handlar effekter på exporten enbart om effektervia exportelasticiteter.16 Produktion avser här produkten av pris och kvantitet, uttryckt i 2010 års priser enligt mo-dellen.


Figur 5 Regional fördelning av Sveriges produktion uppdelad på Varor ochTjänster år 2010.

Som beskrivits ovan är utgångspunkten för de resultat som följer en utbudsökningav arbetskraften i STRAGO. Den regionala fördelningen av arbetskraftstillväxtenvisas i Figur 6. I procentuella tal är arbetskraftstillväxten enligt testscenariot stark-ast i Stockholm, Sydsverige, Östra Mellansverige och Västsverige, och som lägst iNorra Mellansverige. Det enda som ändrats i indata till modellen i denna kontra-faktiska analys är utbudet på arbetskraft i de olika regionerna.Figur 6 Exogen förändring av arbetskraftsutbudet.

Intuitivt, vad kan förväntas vid en utbudsökning av arbetskraft på de regionala ar-betsmarknaderna i modellen? En effekt man förväntar sig är att lönerna pressas

32

ned, i relativa termer, i de regioner som har störst ökning av arbetskraften. I Figur 7ses denna effekt, löneökningarna i de olika regionerna är negativt korrelerade medarbetskraftens tillväxttakter, i regioner med stark arbetskraftstillväxt utvecklas lö-nerna svagare.Figur 7 Löneökningarna är negativt korrelerade med arbetskraftstillväxten, de

regioner där arbetskraften växer snabbast har svagast löneutveckling

Det kan noteras att lönerna går upp i alla regioner trots att arbetskraftsutbudet ökari alla regioner. Detta kan förstås i termer av att exportefterfrågan ökar. I testscena-ΤΚΘςϑµΝΝΥ≥ΞκΤΝΦΥΟΧΤΜΠΧΦΥΡΤΚΥΓΤ≥ΜΘΠΥςΧΠςΧ och exporten reagerar delvis på prisef-fekter på svenskproducerade varor och tjänster, men också på antalet varor somerbjuds från Sverige.

Att efterfrågan beror på antalet varianter ≥ΝΘΞΓ ΘΗ ΞΧΤΚΓς[≥ av en vara är ettcentralt antagande i modeller som bygger på monopolistisk konkurrens, och en avdrivkrafterna till agglomeration av ekonomisk aktivitet; ju fler varianter av en varasom erbjuds från en region desto större blir efterfrågan på dessa varor. Priseffek-terna är små när de två jämvikterna jämförs, vad som driver exportefterfrågan iΦΓςςΧΥΕΓΠΧΤΚΘκΤΓΖΡΘΤςΓΗςΓΤΗΤµΙΧΠΥ≥ΝΘΞΓΘΗΞΧΤΚΓς[≥ΦΓςΞΚΝΝΥκΙΧΧΙΙΝΘΟΓΤΧςΚΘΠs-effekter.

När det gäller tjänster, som är arbetsintensiva, substitueras exportefterfrågan motde regioner som har en stark tillväxt i arbetskraft och därmed en svagare löneök-ning. Denna effekt finns även för interregional handel inom Sverige. Det gör attregioner som växer snabbt i termer av arbetskraft, växer ännu snabbare i termer avtjänsteproduktion. Även i de andra regionerna växer tjänsteproduktionen drivet av


ökad inhemsk efterfrågan och export. Varuproduktionen följer också arbetskraftensutveckling i stort, men de regionala skillnaderna i utvecklingen är inte lika storasom för tjänstesidan, se Figur 817.

Figur 8 Utvecklingen av varuproduktion och tjänsteproduktion vid ökat arbets-kraftsutbud med större regionala skillnader för tjänster än varor.

I Figur 8 kan man utläsa att arbetskraftsstärkta regioner attraherar arbetsintensivtjänsteproduktion medan det i regioner där arbetskraften växer långsamt snarare ärvaruproduktionen som växer snabbast. Detta uttrycker att regionerna specialiseras itermer av vilken produktion de ägnar sig åt. Tjänstesidan av ekonomin koncentre-ras till arbetskraftstärkta regioner.

Detta tydliggörs i Figur 9, som visar den regionala fördelningen mellan varu- ochtjänsteproduktion med arbetskraftsutbudet för respektive scenario. Stockholm ärstarkt specialiserat på tjänsteproduktion och denna specialisering drivs på av detökade arbetskraftsutbudet, medan Norra Mellansverige förskjuter sin produktionmot varuproduktion. Totalt sett kan man se att den regionala fördelningen mellanvaru- och tjänsteproduktion förskjuts endast marginellt och fördelningarna föränd-ras med i storleksordningen 1 procent.

17 Alla resultat som presenteras avseende produktionsförändringar är beräknade i 2010 årspriser, resultaten visar förändringar i kvantiteter som produceras värderade i fixerade priser.

34

Figur 9 Regionens produktion fördelad på varor och tjänster. Tjänster växersnabbare än varor i Stockholm, regionen specialiserar sig ytterligare påtjänsteproduktion. Omvänt förhållande gäller för Norra Mellansverige.

Till sist illustreras vilken effekt som uppnås genom att införa sektoriellt och reg-ionalt fixerade kapitalstockar för sektorn Järnmalm och skrot. Avsikten med attinföra denna fixerade kapitalstock specifikt för Järnmalmsproduktion är att denrepresenterar en icke förnybar resurs som ligger fast i marken. Tillgången på resur-sen bestäms inte längre endogent i modellen via investeringsbeslut. I stället liggerutbudet nu som en exogen del av modellen och kan varieras som en del av ett sce-nario. Denna förändring motiveras av tidigare modellresultat, där järnmalms-produktionen var alltför mobil. Den införda förändringen har haft avsedd effekt,vilket ses tydligt i Figur 10.

Figur 10. Regional varians i tillväxtfaktorer per sektor.

Figuren visar variansen av den regionala produktionens tillväxtfaktorer för olikasektorer. Om denna varians är 0, betyder det att ingen regional omfördelning avproduktionen har skett. Figuren visar att Järnmalm nu har den lägsta regionala om-fördelningen av alla sektorer i modellen, variansen ligger nära noll. (Det kan näm-nas att motsvarande varians för arbetskraftens tillväxtfaktorer är 0.03.)


Sammanfattningsvis har vi sett att utökat arbetskraftsutbud gör att regioner medstor utbudsökning tappar i löneutveckling jämfört med andra regioner. Detta driveren regional specialisering mot tjänsteproduktion i de regioner som växer snabbast.Krafterna som driver denna specialisering är delvis lönerelaterade, men drivs ocksåΡµΧΞΧΙΙΝΘΟΓΤΧςΚΞΧΜΤΧΗςΓΤΚΗΘΤΟΧΞ≥ΝΘΞΓΘΗΞΧΤΚΓς[≥+ΠΗΤΧΠΦΓςΧΞΓΠΗΚΖΜΧΡi-talstock för den icke förnybara resursen järnmalm resulterar i en modell där pro-duktionen av järnmalm är immobil, och kan styras exogent i modellen.

6.2 Ökad skatt

6.2.1. Förutsättningar

I detta scenario analyseras effekterna av skattepåslag på de olika sektorernas pro-duktion. I scenariot tänker vi oss att varje sektors produktion beläggs med en skatt.Skatten läggs endast till på inhemskt produktion, och intäkterna samlas in till sta-tens budget, men återförs direkt till befolkningen i form av transfereringar. I Scena-riot har vi antagit att varje arbetande individ i modellen får en lika stor transfere-ring, som denna sedermera använder för sin privata konsumtion eller investeringar.Som inspiration till det scenario som analyseras tar vi de prispåslag som en koldi-oxidskatt på produktionen. Att Sverige redan infört koldioxidskatt har inte (ännu)beaktats vid kalibreringen av STRAGO. Analysen skulle därför kunna beskrivassom kontrafaktisk till form, men inte till innehåll. Data om utsläpp och skatt perSTRAGO-grupp baseras på SCB:s Miljöräkenskaper, se Tabell 9 nedan.

Analysen avser effekterna av en skatt motsvarande kolumn (E) i tabellen, dvs. enskatt med varierande skattesats i procent av produktionsvärdet för respektiveSTRAGO-grupp. Analysen av skattekilarnas effekter har samma upplägg som ana-lysen av effekterna av en införd kilometerskatt, se Sundberg (2009). En skillnad äratt koldioxidskatten redan är införd sedan flera år, en annan skillnad är att koldiox-idskatten här har hanterats som en skatt på output18. Scenariot som presenteras skallinte ses som en analys av koldioxidskattens påverkan på den svenska ekonomin,utan har endast konstruerats med inspiration därifrån, och dess roll i denna rapportär endast att tjäna som en känslighetsanalys. Vad händer om vi lägger en direktskatt på de olika sektorernas produktion?

18 Koldioxidskatten baseras på bränsle- och energiförbrukning, vilka båda är input till pro-duktionen. Genom att modellera det som en skatt på output fångas inte de primära effekter-na in, dvs. förändringar av sektorernas bränsle- och energiförbrukning.

36

Tabell 9 Per STRAGO-grupp 2010: (A) Produktion MSEK, (B) Utsläpp av växt-husgaser, Tusen ton koldioxidekvivalenter, (C) Kvot B/A, (D) Kol-dioxidskatt, MSEK, (E) Kvot D/A.

]χΨ&ϑͲŐƌƵƉƉ ;Ϳ ;Ϳ ;Ϳ ;Ϳ ;ͿͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲ

ϭ 9ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌ ϰϵϭϴϳ ϴϲϵϴ Ϭϭϳϲϴ ϭϴϭϱ ϬϬϯϲϵϮ ΨƵŶĚǀŝƌŬĞ ϰϯϲϴϭ ϵϲϳ ϬϬϮϮϭ ϮϬϮ ϬϬϬϰϲϯ χƌćǀĂƌŽƌ ϰϭϭϲϰ ϭϴϮ ϬϬϬϰϰ ϰϵ ϬϬϬϭϮϰ =ŝǀƐŵĞĚĞů ϭϯϵϴϱϰ ϲϱϲ ϬϬϬϰϳ ϭϴϬ ϬϬϬϭϯϱ ΨĊŽůũĂŽĐŚŬŽů ϭϳϵϴ ϭϵϲ ϬϭϬϵϬ ϯϱ ϬϬϭϵϱϲ ΧŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ ϵϴϴϭϴ ϯϬϬϵ ϬϬϯϬϰ ϭϭϬ ϬϬϬϭϭϳ 9ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ ϯϴϳϰϲ ϵϱϮ ϬϬϮϰϲ ϭϮϴ ϬϬϬϯϯϴ ΧĞƚĂůůƉƌŽĚƵŬƚĞƌ ϭϮϳϳϲϳ ϱϳϯϱ ϬϬϰϰϵ ϯϬϵ ϬϬϬϮϰϵ ςĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂ ϭϰϬϯϭϲ ϭϵϭϵ ϬϬϭϯϳ ϱϭϮ ϬϬϬϯϳ

ϭϬ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵĂƚĞƌŝĂů ϭϰϭϰϮ ϭϱϯϱ ϬϭϬϴϱ ϭϮϭ ϬϬϬϴϱϭϭ 9ŽƌĚƐƚĞŶŽĂŶŶĂŶƌĊŽŽďĞĂƌďŵŝŶĞƌĂů ϭϲϲϵϲ ϭϴϭϮ ϬϭϬϴϱ ϭϰϮ ϬϬϬϴϱϭϮ ;ĞŵŝŬĂůŝĞƌ ϭϮϵϳϬϲ ϭϳϴϰ ϬϬϭϯϴ ϲϲ ϬϬϬϬϱϭϯ ΧĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵнĚĞůĂƌ ϭϱϱϮϭϯ ϭϭϭ ϬϬϬϬϳ ϱϴ ϬϬϬϬϰϭϰ ƌďĞƚĞŶĂǀŵĞƚĂůů ϭϬϲϵϱϭ Ϯϯϭ ϬϬϬϮϮ ϭϮ ϬϬϬϬϭϭϱ ΧĂƐŬŝŶƵƚƌƵƐƚŶŝŶŐŽŵŽƚŽƌнƚŝůůďĞŚƂƌ ϯϯϱϮϮϳ Ϯϯϵ ϬϬϬϬϳ ϭϮϲ ϬϬϬϬϰϭϲ ΟǀƌŝŐĂĨćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ ϭϲϯϮϮϴ ϴϯ ϬϬϬϬϱ ϯϭ ϬϬϬϬϮϭϳ ΨĞƉŽĐŚŝŶƐƚĂůůĂǀŵĂƐŬŽĐŚĂƉƉ ϰϰϳϰϴ Ϯϯ ϬϬϬϬϱ ϵ ϬϬϬϬϮϭϴ ůŐĂƐǀćƌŵĞŬǇůĂǀĂƚƚĞŶ ϭϵϵϰϳϮ ϭϯϱϬϳ ϬϬϲϳϳ ϭϵϰϯ ϬϬϬϵϳϭϵ ǇŐŐǀĞƌŬƐĂŵŚĞƚ ϯϳϵϵϰϭ ϮϬϲϰ ϬϬϬϱϰ ϮϬϯϰ ϬϬϬϱϰϮϬ +ĂŶĚĞů ϱϲϴϰϱϲ ϭϱϱϭ ϬϬϬϮϳ ϭϰϭϴ ϬϬϬϮϱϮϭ χƌĂŶƐƉŽƌƚŽĐŚŵĂŐĂƐŝŶĞƌŝŶŐ ϰϱϴϬϳϯ ϭϰϱϮϴ ϬϬϯϭϳ ϱϵϬϮ ϬϬϭϮϵϮϮ +ŽƚĞůůŽĐŚƌĞƐƚŬŽŶƐƵŵĞŶƚƚũćŶƐƚĞƌ Ϯϳϳϵϵϱ ϯϭϮ ϬϬϬϭϭ Ϯϭϴ ϬϬϬϬϴϮϯ .ŶĨŽƌŵĂƚŝŽŶŽĐŚŬŽŵŵƵŶŝŬĨƂƌĞƚĂŐƐƚũ ϭϴϵϴϮϴϴ ϭϱϳϮ ϬϬϬϬϴ ϭϮϱϰ ϬϬϬϬϳϮϰ ϑĨĨĞŶƚůŝŐĨƂƌǀĂůƚŶŝŶŐ ϮϮϮϬϰϰ ϴϲϲ ϬϬϬϯϵ ϰϵϬ ϬϬϬϮϮϮϱ γƚďŝůĚŶŝŶŐ ϮϰϳϬϲϴ ϳϮ ϬϬϬϬϯ ϭϳ ϬϬϬϬϭϮϲ ρĊƌĚŽĐŚŽŵƐŽƌŐ ϰϯϴϲϯϯ ϭϵϳ ϬϬϬϬϰ ϯϮ ϬϬϬϬϭ

ͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲͲ

Eftersom produkter i varierande grad fördyras vid en koldioxidskatt är ett förväntatresultat av den (formellt) kontrafaktiska analysen att det sker en substitution motsektorer (STRAGO-grupper) med relativt låg skattekil och att de totala utsläppenav koldioxid därmed dämpas. Det faktum att skatten existerar sedan flera år gör attvi kan utgå från att en sådan substitution pågår, och redan har ägt rum.

Av data från SCB:s Miljöräkenskaper för perioden 2008-2014 framgår att för nä-ringslivet totalt har utsläppen minskat med 14 procent medan produktionsvolymenhar ökat med drygt 2 procent; för varuproducerande branscher har utsläppen mins-kat med 13 procent medan produktionsvolymen minskat med drygt 7 procent20.Förändringen på branschnivå illustreras i Figur 10.

20 Enligt Skatteverkets uppgifter har skattesatsen för koldioxidskatt nominellt ökat med ca 7procent mellan 2008 och 2014. Under samma period har skatteintäkterna minskat med 4,6procent (hela näringslivet) och med 2,8 procent (varuproducerande branscher).


Figur 10 Produktionsvolym och utsläpp av koldioxid. Procentuell förändring 2008-2014 för varuproducerande branscher.

Som framgått ovan är de resultat som redovisas i denna rapport baserade på en ana-lys som i realiteten inte är kontrafaktisk. Fortsatta och fördjupade analyser bör utgåfrån en kalibrering av STRAGO som inkluderar koldioxidskatten för aktuellt år.Vidare bör koldioxidskatten på hushållens privata konsumtion ingå i analysen. Avde totala skatteintäkterna år 2010 (27 330 MSEK) uppgick hushållens andel till 37procent, medan hushållens andel av de totala utsläppen var 15 procent. Slutligenfinns det skäl för att koldioxidskatten vid en fördjupad analys bör behandlas somen skatt på input (bränsle och energi).

6.2.2. Resultat

I detta exempel påvisas de resultat som skulle uppstå om man i modellen införskattekilar på producerade varor som ligger i nivå med de ovan beskrivna förutsätt-ningarna. Det vill säga, de resultat som visas motsvarar en före-situation utan skat-ter, som jämförs med en situation där skatter har införts. Skattekilarna finns i ko-lumn (E) i Tabell 9 ovan och visas grafiskt i Figur 11 nedan.

ͲϳϬй

ͲϲϬй

ͲϱϬй

ͲϰϬй

ͲϯϬй

ͲϮϬй

ͲϭϬй

Ϭй

ϭϬй

ϮϬй

ϯϬй

ϰϬй

ͲϰϬй ͲϯϬй ͲϮϬй ͲϭϬй Ϭй ϭϬй ϮϬй ϯϬй ϰϬй

γƚƐůćƉƉ

ŬŽůĚŝŽǆ

ŝĚĞŬ

ǀŝǀĂ

ůĞŶƚĞƌĨƂ

ƌćŶĚ

ƌŝŶŐϮϬ

ϬϴͲϮϬϭ

ϰ

WƌŽĚƵŬƚŝŽŶǀŽůǇŵĨƂƌćŶĚƌŝŶŐϮϬϬϴͲϮϬϭϰ

'ƌƵǀŽƌŵŝŶĞƌĂůƵƚǀŝŶŶŝŶŐƐͲ ŽĐŚƚŝůůǀĞƌŬŶŝŶŐƐŝŶĚƵƐƚƌŝƚŽƚĂů

'ƌƵǀŽƌŵŝŶĞƌĂůƵƚǀŝŶŶŝŶŐ

38

Figur 11 Exogena skattepåslag på respektive sektor.

Som kan förväntas följer effekterna på produktionen i de olika sektorerna i storadrag skattekilarna men med negativt tecken. Ett skattepåslag på en sektor påverkardirekt efterfrågan av dess produktion, se Figur 12.Figur 12 Effekten av skattekilarna på produktionen i olika sektorer

Den direkta effekten av ett skattepåslag är alltså negativ. En viktig aspekt av skatt-ters påverkan är att produktionen från en sektor används som insatsvara i andrasektorer, vilket ger följdeffekter på även andra sektorer. I Figur 12 kan man utläsaatt exempelvis produktionen av Livsmedel påverkas ganska mycket, trots att detdirekta skattepåslaget på Livsmedel är relativt litet. En anledning är att livsmedels-sektorn är starkt beroende av jordbruksprodukter som insatsvara, och denna in-satsvara får det största skattepåslaget av alla.


Samma typ av förhållande finns för Rundvirke som används som insatsvara tillTrävaror, eller Råolja och kol vilket används för tillverkningen av framförallt Mi-neraloljeprodukter men även Metallprodukter. Totalt sett kan man se att skatte-påslaget motsvaras av ett i runda tal dubbelt så stort fall i produktionen. Till stordel drivs detta av exportefterfrågans elasticiteter.

Vad gäller den regionala fördelningen av produktionsförändringarna kan man för-vänta sig att regioner som är specialiserade på produkter som upplever ett stortskattepåslag eller på produkter som använder dessa som insatsvaror upplever destörsta effekterna. I Figur 13 påvisas att Sydsverige och Mellersta Norrland påver-kas mest i termer av total produktion, medan Stockholm påverkas minst. Stock-holm är mycket specialiserat på tjänsteproduktion som enligt scenariot påverkas tillmindre grad av skattekilar.Figur 13 Effekten av skattekilarna på produktionen i olika regioner

I Figur 14 nedan påvisas detta, att tjänsteproduktionen påverkas till lägre grad avskattekilarna än varuproduktionen, resultatet håller för alla regioner. Dessutom kanman utläsa att Sydsveriges och Mellersta Norrlands produktion påverkas negativtframförallt på varuproduktionssidan. Anledningen till att dessa regioner påverkasmest är deras specialisering på tillverkningsindustri.

40

Figur 14 Effekten av skattekilarna på produktionen i olika regioner, uppdelat påvaror och tjänster.

Av indata till kalibreringen av STRAGO kan man utläsa att Sydsverige är speciali-serade inom Jordbruk och Livsmedel, som båda påverkas mycket av skattekilarna.För Mellersta Norrland är fallet att regionen är specialiserad på Rundvirke, Träva-ror samt Papper och Pappersmassa.

En viktig aspekt att lyfta fram i detta sammanhang är att de resultat som har pre-senterats härrör till stor del till skatternas påverkan på produktion. Vi har inte redo-visat de positiva effekter som kan väntas av skatterna. En av de viktigasteaspekterna som saknas i framställningen ovan är att redogöra för en värdering avde positiva externaliteter som skulle uppstå till följd av förändrad produktion ochkonsumtion. Om vi tänker oss att scenariot faktiskt reflekterar en skatt införd medmotivet att minska koldioxidutsläppen, så är givetvis vinsterna i minskade koldiox-idutsläpp som följer av minskad produktion den primära externa faktorn som börvärderas. Eftersom produktionen i stort minskar, blir den troliga effekten att ut-släppen också minskar, vilket innebär en positiv externalitet.

Sammanfattningsvis kan man säga att produktionen i olika sektorer påverkas nega-tivt av skattekilarna i proportion till skattens storlek. Indirekta effekter på sektorersom använder högt beskattade insatsvaror verkar vara av betydelse, och den re-gionala fördelningen av effekterna beror givetvis på vilka sektorer en region ärspecialiserad inom. Resultaten som visas säger ingenting om huruvida skattekilarnaär negativa eller positiva från ett samhällsekonomiskt perspektiv. För att dra sådanaslutsatser måste analysen kompletteras med en välfärdsanalys som tar i beaktandede externaliteter som uppstår till följd av scenariot.


7 DiskussionOlika modeller har olika styrkor och svagheter och det var en av anledningarna tillatt länka samman STRAGO och Raps i tidigare arbete. STRAGO har en regionalrepresentation som är tämligen grov då den arbetar med nio stora regioner. Dessstyrka ligger snarare i att den för dessa regioner modellerar både utbud och efter-frågan, priser och kvantiteter, och interaktioner mellan olika marknader i form avhandelsmönster både intersektoriellt och interregionalt.

En modell som Raps arbetar på en finare geografisk nivå, ned till kommuner, menhanterar exempelvis inte priser och kvantiteter separat, och kan därmed inte fångaupp substitutionseffekter som uppstår till följd av ändrade priser. Scenarierna somvisas ovan påvisar vilken roll sådana priseffekter kan ha.

I exemplet med koldioxidskatt illustreras hur ett prispåslag på en sektor ger en di-rekt negativ påverkan på dess produktion, men även påverkar sektorer som får för-höjda kostnader för insatsvaror till följd av skatten. Resultaten i exemplet med ökatarbetskraftsutbud drivs av priseffekter i form av substitution mot tjänster i snabb-växande regioner, där löneutvecklingen är svagare, och agglomerationseffekter dri-ver på.

Bakgrunden till det arbete som bedrivits i detta projekt berördes i rapportens inle-dande kapitel. Där beskrivs i korthet hur modellerna STRAGO och Raps har län-kats samman för att göra regionala nedbrytningar av ekonomiska scenarier frånLångtidsutredningen. Syftet med dessa regionala nedbryningar är dels att göra reg-ionalekonomiska analyser, dels att förse nationella gods- och trafikmodeller medindata som baseras på Långtidsutredningens scenarios. Figur 1 påvisar att trans-portkostnader från SAMGODS används som indata till STRAGO, men det finnsingen direkt länk mellan modellerna. I tidigare användning av modellstrukturen harSTRAGO kalibrerats för att vara konsistent mot SAMGODS vid basåret, i termerav hur transportkostnader fördelar sig över varugrupper, däremot har inte mo-dellerna interagerats vid framskrivning av nationella scenarios. Teoretisk sett är dettänkbart att man skulle vilja interagera SAMGODS även med SAMGODS för attuppdatera transportkostnaderna i modellerna för att bibehålla konsistens även vidframskrivningar. I Ett första steg skulle detta kunna göras genom att låta den ut-veckling som föreskrivs för transportsektorn, av de nationella scenarierna, varavägledande inte bara för STRAGO utan även för SAMGODS, ett andra steg kan tasdär man dessutom kompletterar framskrivningarna med att kräva att fördelningenav transportkostnader över varugrupperna är konsistent mellan modellerna. I prak-

42

tiken kan man dock ställa sig frågande till hur mycket som skulle vinnas av ett så-dant förfarande, som definitivt påverkar modellkomplexiteten och körningstider.Anledningen att göra en sådan interaktion skulle vara att man har anledning att troatt de interregionala transportkostnaderna kommer att påverkas olika för olika reg-ioner på en aggregerad geografisk nivå (NUTS2), eller olika för olika sektorer. Ettsätt att få klarhet i huruvida en koppling mellan modellerna ör önskvärd är att viden genomförd framskrivning, jämföra de transportkostnadsandelar som genereras irespektive modell.

De huvudsakliga steg som tagits vad gäller modelluppdatering rör disaggregeringav framförallt tjänstesektorn och kalibrering av modellen mot ett nytt basår. Tjäns-tesektorn var tidigare representerad av en enda sektor i modellen och denna sektorrepresenterade en avsevärd andel av svensk produktion. De varuproducerande sek-torerna som representerar en mindre andel av ekonomin var indelad i 12 sektorer.Eftersom olika delar av den aggregerade tjänstesektorn, exempelvis företagstjänsteroch byggverksamhet, har olika regional spridning, olika branschutveckling ocholika exportberoende, kommer en mer disaggregerad behandling av dessa sektorerbättre kunna fånga de regionalekonomiska konsekvenserna av scenarios från Lång-tidsutredningen.

Men, det finns en avvägning som behöver göras när det gäller graden av disaggre-gering. Önskemål om mer disaggregering i termer av sektorer eller regioner drivsofta av resonemang av den typ som fördes ovan gällande tjänstesektorn. I denandra vågskålen finns önskemål om precision i och tillgång till indata, och en han-terbar modellkomplexitet.

Vid nedbrytningen av indata för kalibrering av regional produktion och export harexempelvis sysselsatta inom varuhanterande yrken på en fin branschindelning förrespektive sektor använts för att fördela export och produktion regionalt. Hur väldetta förfarande fungerar är något som bör undersökas. Teoretiskt skulle mankunna tänka sig att använda sig av statistiska källor såsom Industrins varuprodukt-ion (IVP) och Industrins insatsvaruförbrukning (INFI), källor som innehåller detal-jerade data på kommunnivå. I praktiken är dock denna väg inte möjlig att gå, pågrund av att dessa mikrodata är (starkt) sekretessbelagda.

En alternativ källa är att använda data från Raps-databasen. Ekonomiska data fråndenna databas för år 2010 var inte tillgängliga vid genomförandet av detta projekt,men databasen håller för närvarande på att uppdateras med uppgifter för år 2008-


2013. En fördel med att använda databasens ekonomiska data per bransch och länår 2010 är att dessa data är avstämda mot Regional- och Nationalräkenskaperna.

En annan aspekt som berör kalibrering av modellen handlar om hur lokalt bundnatjänsterna är. STRAGO är nu kalibrerad mot exporten enligt IO-data när det gällerinternationell handel. På exportsidan ser man att vissa tjänster, som exempelvisInformation o Kommunikation, företagstjänster, exporteras till relativt stor del,medan andra tjänster såsom Byggverksamhet inte exporteras alls. Detta indikeraratt vissa tjänster har större benägenhet att handlas mellan regioner medan andra ärbetydligt mer regionalt bundna.

Nuvarande kalibrering av modellen har inte tagit hänsyn till detta, vilket givetvis ären brist. Däremot har modellen förberetts för att möjliggöra en sådan kalibrering iframtiden. Kopplat till frågan kring hur lokala tjänster är, ligger även frågan kringhur stora transportkostnaderna relaterade till tjänsteproduktion och handel medtjänster är? Exempelvis om det handlar om tjänster som involverar privata person-resor, hur påverkar tidsvärden möjligheten till handel med tjänster? Denna typ avtidsrelaterade kostnader som är förknippade med handel av tjänster finns inte re-presenterade i modellen idag, men påverkar hur lokalt olika tjänster handlas.

Vad det gäller handelsflöden av varor finns det faktiskt en möjlighet att valideraden kalibrerade modellen mot data från Varuflödesundersökningen. I kalibreringenav modellen har vi använt en regional fördelning av produktionen och IO-data ochtillsammans kommer dessa data att implicera ett regionalt mönster för förbrukning-en av varor, endera i form av insatsvaror till produktionen eller via hushållens ef-terfrågan.

Dessa data skulle kunna jämföras mot produktions- och förbrukningsdata som ta-gits fram i samband med skattningen av Trafikverkets PWC-matriser. VFU-dataoch/eller PWC-matriser skulle kunna användas för att validera de handelsmönstersom uppstår i STRAGO mellan regioner. En sådan validering skulle indikera omdet finns behov av att kalibrera om modellen med avseende på handelsmönster.

Slutligen, många av modellens parametrar kalibreras mot data, men det finns engrupp av parametrar som sätts utifrån skattade värden som återfinns i litteraturen,nämligen elasticiteter. Det vore självfallet önskvärt att erhålla skattade elasticiteter,speciellt Armington-elasticiter och elasticiteter för olika typer av varieteter av varorpå svenska data.

44

Referenser

Ardelean, A. (2006), How Strong is the Love of Variety, Purdue University, CIBERWorking Paper No 2006-006.

#ΠΦΓΤΥςΚΙ % ΘΕϑ 5ΩΠΦ∆ΓΤΙ / ≥4ΓΙΚΘΠΧΝ ΩςΞΓΕΜΝΚΠΙ Κ 5ΞΓΤΚΙΓ ° Fler-ΤΓΙΚΘΠΧΝΚΠςΓΙΤΧςΚΘΠΟΓΝΝΧΠΟΘΦΓΝΝΓΤΠΧ564#)1ΘΕϑΤ#ΡΥ≥#+ΠΥςΚςΩςΓς

för tillväxtpolitiska studier.

#ΠΦΓΤΥςΚΙ%∃ΓΤΙΝΩΠΦ/∋ΦΨΧΤΦΥ∗ΧΠΦ/5ΩΠΦ∆ΓΤΙ″29%/ΧςΤ i-ΕΓΥΠΓΨΟΓςϑΘΦΧΠΦΩΡΦΧςΓΦ∃ΧΥΓ/ΧςΤΚΕΓΥ≥WSP-rapport 2015-04-01

Berg, C., Krook-Riekkola, A., Ahlgren, E. och P. Söderholm ≥ Mjuklänk-ning mellan EMEC och TIMES-Sweden ° en metod för att förbättra energipolitiskaunderlag≥SPECIALSTUDIER NR 32, Konjunkturinstitutet.

Dixon, P.B., Rimmer, M.T. (2013) Validation in Computable General EquilibriumModeling, ch. 19 in Handbook of Computable General Equilibrium Modeling, Vol1, pp. 1271-1330.

Feenstra, R.C., Luck, P., Obstfeld, M., Russ, K.N. (2014), In search of the Arming-ton Elasticity, NBER Working Paper 20063, National Bureau of Economic Re-search.

Giesecke, J.A., Madden, J.R. (2013), Evidence-based regional economic policyanalysis: the role of CGE modelling, Cambridge Journal of Regions, Economy andSociety.

Imbs, J., Méjean, I. (2010) Trade Elasticities A Final Report for the EuropeanCommission, Economic Papers 432, December 2010. European Union.

Lundqvist, L., Mattsson, L-G. (2002), National transport models; introduction andcomparative analysis, in Lundqvist L., Mattsson, L.G. (eds.): National transportmodels: recent developments and prospects, pp 1-16, Springer-Verlag, Berlin.

5ΩΠΦ∆ΓΤΙ/ ≥∋ΥΥΧ[Υ ΘΠ 5ΡΧςΚΧΝ ∋ΕΘΠΘΟΚΓΥ ΧΠΦ1ΤΙΧΠΚ∴ΧςΚΘΠ≥&ΘΜςΘΤΥ-avhandling, KTH.

.


Bilaga

Tabell 10 Varugrupper STAN och Samgods

]χ∆ ŐŐƌĞŐĂƚĂǀ]ĂŵŐŽĚƐ ^ĂŵŐŽĚƐ

ϭ ϭͲϰ 9ŽƌĚďƌƵŬƐƉƌŽĚƵŬƚĞƌ ϭ ]ƉĂŶŶŵĊů

Ϯ ϱϯϭ ZƵŶĚǀŝƌŬĞ Ϯ WŽƚĂƚŝƐĨƌƵŬƚŵŵ

ϯ ϲͲϴ χƌćǀĂƌŽƌ ϯ =ĞǀĂŶĚĞĚũƵƌ

ϰ ϭϬͲϭϭ >ŝǀƐŵĞĚĞů ϰ ^ŽĐŬĞƌďĞƚŽƌ

ϱ ϭϮͲϭϯ ΨĊŽůũĂŽĐŚŬŽů ϱ ΨƵŶĚǀŝƌŬĞ

ϲ ϭϰ DŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ ϲ ^ĊŐĂƚнŚǇǀůĂƚƚƌć

ϳ ϭϱͲϭϲ 9ćƌŶŵĂůŵŽĐŚƐŬƌŽƚ ϳ %ůŝƐƐĊŐĂǀĨĂůů

ϴ ϭϳ DĞƚĂůůƉƌŽĚƵŬƚĞƌ ϴ ŶŶĂŶƚƌćǀĂƌĂ ŬŽƌŬ

ϵ ϮϰϮϴϯϯ ςĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐŵĂƐƐĂ ϵ ϑďĞĂƌďŵƚƌůŚĂůǀĨƚĞǆƚŝůůĞǀĂŶĚĞƌĊŵƚƌů

ϭϬ ϭϴͲϮϬ :ŽƌĚƐƚĞŶŽďǇŐŐŶĂĚƐŵƚƌů ϭϬ >ŝǀƐŵĞĚĞůŽĐŚĚũƵƌĨŽĚĞƌ

ϭϭ ϮϭͲϮϯ ;ĞŵŝŬĂůŝĞƌ ϭϭ ϑůũĞĨƌƂŶннĂŶŝŵĂůǀĞŐĞƚĂďŽůũŽƌĨĞƚƚĞƌ

ϭϮ ϵϮϱͲϮϳϮϵͲϯϬ ϯϮϯϰ &ćƌĚŝŐĂŝŶĚƵƐƚƌŝƉƌŽĚƵŬƚĞƌ ϭϮ <ŽůƚŽƌǀŝŶŬůďƌŝŬĞƚƚĞƌ

ϭϯ ΨĊŽůũĂ

ϭϰ DŝŶĞƌĂůŽůũĞƉƌŽĚƵŬƚĞƌ

ϭϱ 9ćƌŶŵĂůŵŽƐŬƌŽƚ

ϭϲ DĂůŵƐŬƌŽƚĞũũćƌŶ

ϭϳ KďĞĂƌďŵƚƌůŚĂůǀĨũćƌŶŵĞƚĂůů

ϭϴ ĞŵĞŶƚŬĂůŬŽďǇŐŐŶĂĚƐŵƚƌů

ϭϵ :ŽƌĚƐƚĞŶŐƌƵƐŽĐŚƐĂŶĚ

ϮϬ ŶŶĂŶƌĊŽŽďĞĂƌďŵŝŶĞƌĂů

Ϯϭ 'ƂĚƐĞůŵĞĚĞůŶĂƚƵƌůŝŐĂŽƚŝůůǀĞƌŬ

ϮϮ <ŽůďĂƐĞƌĂĚĞŬĞŵŝŬĂůŝĞƌŽĐŚƚũćƌĂ

Ϯϯ ŶĚƌĂŬĞŵŝŬĂůŝĞƌ

Ϯϰ WĂƉƉĞƌƐŵĂƐƐĂŽͲĂǀĨĂůů ƌĞƚƵƌƉĂƉƉ

Ϯϱ ΧĂƐŬŝŶĂƉƉĂƌĂƚŽƚƌĂŶƐƉŽƌƚŵнĚĞůĂƌ

Ϯϲ ƌďĞƚĞŶĂǀŵĞƚĂůů

Ϯϳ &ůĂƐŐůĂƐǀĂƌŽƌŽŬĞƌĂŵŝƐŬĂƉƌŽĚ

Ϯϴ WĂƉƉĞƌƉĂƉƉŽĐŚǀĂƌŽƌĚćƌĂǀ

Ϯϵ ŝǀĞƌƐĞĂŶĚƌĂĨćƌĚŝŐĂǀĂƌŽƌ

ϯϬ ^ƚǇĐŬĞŐŽĚƐĞƚĐ

ϯϭ ΨƵŶĚǀŝƌŬĞƚŝůůƐĊŐǀĞƌŬ

ϯϮ DĂƐŬŝŶƵƚƌƵƐƚŶŽŵŽƚŽƌнƚŝůůďĞŚƂƌ

ϯϯ ςĂƉƉĞƌŽĐŚƉĂƉƉĞƌƐƉƌŽĚƵŬƚĞƌ

ϯϰ ŵďĂůůĂŐĞ

Documents

Vidareutveckling och kalibrering av STRAGO€¦ · ella data. I kapitel 2 diskuteras kalibrering och validering av denna typ av modeller, både principiellt och specifikt för STRAGO