Der opleves mange steder i Danmark et stigende antal boliger der står tomme og ubeboede hen - derfor kan det være gavnligt for planlæggerene at have et kendskab til hvilke faktorer der har indflydelse på at en bolig risikerer at stå tom. Denne analyse fokuserer på en gennemgang af de aktuelt tomme boliger i Ikast-Brande kommune, som vil blive hold op imod data fra BBR, SVUR og LOIS for at klassificere de tomme boliger på baggrund af den viden vi har om dem. På baggrund af alle disse informationer vil en klassifikation af de tomme boliger blive forsøgt foretaget og baseret på disse mulige statistiske fællestræk, vil analysen blive udbredt, for at forsøge at estimere hvor mange boliger der kan være i risiko for at komme til at stå tomme ud fra de fundne indikatorer.

1. KAN BOLIGERS RISIKO FOR AT
STÅ TOMME KORTLÆGGES ?
2015-11-17
MORTEN FUGLSANG, PH.D. GEOINFORMATIK, KONSULENT SWECO
OG
MORTEN FRIIS STENHOLT, TEAMKOORDINATOR, IKAST-BRANDE KOMMUNE
1
Foto : google street view

2. Introduktion
• I mange kommuner er der stor bevågenhed omkring boliger, der står tomme - I
Ikast-Brande Kommune er der afsat en pulje til landsbyfornyelse
• Kortkontoret har dertil skabt en oversigt over de boliger der aktuelt står tomme
• Deraf opstod ideen om hvorvidt det er muligt i et eller andet omfang at forudsige
hvilke boliger, der har størst risiko for at komme til at stå tomme – for så er det
måske muligt at forebygge den udvikling
• Her er en god mulighed for rigtigt at bringe data i spil og skabe ny interessant
viden
2015-11-17
MORTEN FUGLSANG, SWECO, KORTDAGE 2015 2

3. Hvor og hvordan findes tomme boliger ?
• Tomme boliger kortlægges via LOIS-data (BBR, DPR)
- BBR_ENHED aggregeres på bygningsniveau, så det
totale antal enheder beregnes
• BBR_ENHED filtreres på anvendelseskode, så
enheder til beboelse udvælges. Der aggregeres på
bygningsniveau og det totale antal beboelsesenheder
beregnes
• DPR_DTTOTAL joines på, så enheder uden beboere
udvælges. Der aggregeres på bygningsniveau og det
totale antal tomme beboelsesenheder beregnes
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
3

4. Samkøring af data i Ikast Brande
• Data med de tomme boliger sammenkøres med andre data
til forskellige formål:
– Visning i kortet
– adresser og FOTbygninger bruges til at markere de tomme boliger i kortet
– Boligkarakteristik
– diverse BBRid’er tilføjes for at kunne joine yderligere data fra OIS, SVUR
mv.
– Beboelseshistorik
– via DPR-data kortlægges, hvor lang tid boligen har stået tom (seneste
fraflytning) og hvem der boede der sidst (antal og gennemsnitsalder for
personer over/under 18 år)
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
4

5. Resultatet af udpegningen
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
5

6. Data-sammenkøring
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
6
Input fra Ikast
Brande
OIS
SVUR
Energi
Spatiale
analyser
Matrikelkort
Variabel
datasæt

7. Variabel typer
• De klassificerede variable
– Opvarmningskode og lignende
• De graduerede variable
– Ejendomsvurdering og lignende
• De geografiske variable
–Afstand til by
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
7
opfoerelse_aar bebo_arl ejd_vaerdi_2012
Middelværdi 1944,05 Middelværdi 130,33 Middelværdi 1876992,59
Standardfejl 2,11 Standardfejl 4,01 Standardfejl 160463,55
Median 1950,00 Median 113,50 Median 945000,00
Tilstand 1900,00 Tilstand 90,00 Tilstand 1050000,00
Standardafvigelse 34,59 Standardafvigelse 65,96 Standardafvigelse 2636685,16
Stikprøvevarians 1196,38 Stikprøvevarians 4350,94 Stikprøvevarians 6952108631915,19
Kurtosis 2,30 Kurtosis 8,06 Kurtosis 11,29
Skævhed -1,03 Skævhed 2,08 Skævhed 3,25
Område 234,00 Område 554,00 Område 17230000,00
Minimum 1780,00 Minimum 1,00 Minimum 170000,00
Maksimum 2014,00 Maksimum 555,00 Maksimum 17400000,00
Sum 524893,00 Sum 35190,00 Sum 506788000,00
Konfidensniveau(95,0%) 4,14 Konfidensniveau(95,0%) 7,90 Konfidensniveau(95,0%) 315924,16

8. De klassificerede variable
• Familiestørrelse
• Gennemsnitsalder
• Tagkode
• Ydervæg
• Antal værelser
• Postnumre
• Opvarmningskoder
• Forsyningstyper
• Supplerende varme
• Afløbskode
• …
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
8

9. De graduerede variable • Matrikelareal
• Beboelsesareal
• Antal værelser
• Antal
badeværelser
• Opførelses år
• Ejendomsværdi
(2012/2014)
• Ændring (12/14)
• Sidste antal
beboere
• Sidste beboere
gennemsnitsalder
• Sidste beboere
antal børn
• …
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
9

10. De geografiske variable
• Afstand til større byer
• Afstand til bymæssig bebyggelse
• Gennemsnitlig afstand til 5 ‘naboer’ i
datasættet
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
10

11. Maup og korrelation i data?
• Er det repræsentativt at tage Ikast
Brande kommune ud som en helhed
og se på data, eller skulle analysen
have været forfinet derunder ?
• Mange variable har også indbyrdes
korrelation
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
11
opfoerelse_aar tag_kode varmeinstal_kode bebo_arl vaerelse_ant antbadevaerelser ejd_vaerdi_2012
opfoerelse_aar 0,058 -0,148 0,068 0,014 0,215 -0,014
tag_kode 0,058 0,176 -0,019 0,001 -0,029 0,119
varmeinstal_kode -0,148 0,176 -0,081 -0,134 -0,157 0,159
bebo_arl 0,068 -0,019 -0,081 0,817 0,608 0,069
vaerelse_ant 0,014 0,001 -0,134 0,817 0,491 0,059
antbadevaerelser 0,215 -0,029 -0,157 0,608 0,491 0,021
ejd_vaerdi_2012 -0,014 0,119 0,159 0,069 0,059 0,021

12. Metoden
• Til at behandle data benyttes en
metode der hedder ‘ Agglomerative
hierarchical clustering’ (AHC)
• Metoden søger at finde adskilte
grupper (clusters) i data plottet i n-
dimensioner
• Metoden estimerer selv det
nødvendige antal clusters der skal
til for at beskrive data.
• Til beregningerne benyttes R og
XLstat
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
12

13. Multivariat clustering analyse på data
• Vi udvælger til analysen kun parcelhuse…
• Analysen blev kørt mange mange gange, med forskellige variabel
konfigurationer for at analysere følsomheden i output.
• To hovedtype af modelkørslen blev sammenstillet :
– På bebyggelsesvariable alene
– På bebyggelsesvariable, geografi og ejerforhold
• Data blev standardiseret før kørslen i modellen
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
13

14. Bebyggelsesvariable alene
• AHC metoden foreslår 9 clusters i data.
• Cluster 1+2 dækker 68 % af observationerne – de er karakteriseret ved :
– Opførelses år 1935 – 1965
– Varmeinstallation 1-2
– Beboelsesareal 85 – 135 m2
– Antal værelser 3-5
– Antal badeværelser 1
– Ejendomsværdi under 1. mio
• (Baseret på cluster centroider og spredning)
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
14
Class 1 2 3 4 5 6 7 8 9
Objects 118 67 13 8 5 24 1 31 3
Sum of weights 118 67 13 8 5 24 1 31 3
Within-class variance 28101090028,963 14184195809,461 360576934740,372 600312507279,589 235000005986,500 251503639576,368 0,000 45478497754,346 103333337871,667
Minimum distance to centroid 2203,951 1671,703 115384,617 293750,005 100000,007 70833,354 0,000 24193,554 133333,351
Average distance to centroid 145420,879 95577,671 508875,749 629687,507 360000,007 450000,028 0,000 183142,569 244444,453
Maximum distance to centroid 317796,673 328328,366 934615,432 1356250,003 700000,010 820833,341 0,000 424193,554 366666,671

15. Bebyggelsesvariable, geografi og ejerforhold
• Her kommer noget flere clusters – 21 i alt i den beregning der præsenteres her
• Der er mange historier heri – har taget et udpluk:
– Cluster 1 (23%) : Yngre med og uden børn, i byområder, areal under 100m2 …
– Cluster 16 (11%): Ældre i byområder, areal omkring 130m2, opførelses år omkring 1970
– Cluster 6 (9,6%) : Ældre, langt fra by (4km), areal omkring 180m2…
– Cluster 2 (6,2%): Yngre, afstand til by 2 km, areal under 80m2, opførelse 1930…
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
15
Class 1 16 9 6 17 2 … 20
Objects 64 31 26 26 21 17 … 1

16. Hvor findes de ?
• Kørsel 1 Kørsel 2
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
16

17. Opskalering
• Der kan defineres flere forskellige modeller:
–Samlet risiko vurdering, alle variable sammen
–Enkelte risiko faktorer, variable hver for sig
• Derefter skal de genererede data på befolkning, goegrafi
m.m. selvfølgelig beregnes for hele kommunen (og
nabokommuner) – derefter kan man sammensætte en
opskallering…
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
17

18. Anvendelighed
• Forsøger ikke at forklare hvorfor en bolig står tom - Søger at isolere
faktorer der er statistisk overrepræsenterede i de observerede data
• Målsætningen var at afdække om der ud fra vores mange data, var
mulighed for sige noget generelt om fællestræk for tomme boliger ud fra
det vi ved om dem
• Der er selvfølgelig en lang række vigtige faktorer når man skal evaluere
resultatet:
– Hvilke data blev anvendt
– Hvordan blev de kombineret
– Hvordan tolkes resultatet.
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
18

19. Konklusion
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
19
• Det er muligt at identificere grupper af faktorer der er
statistisk overrepræsenterede på denne måde.
• Uden at forsøge at forklare hvorfor, er en række statistiske
fællestræk fundet .
• Målet var at forsøge at afdække information om de
bagvedliggende faktorer, og skabe ny viden, der kan
benyttes til at træffe bedre beslutninger - dette synes jeg i
høj grad er blevet bevist faktisk er muligt.

20. Perspektivering
• Det analytiske data-arbejde kan altid udbygges
• Modellen kan teoretisk forfines med flere data
–Socioøkonomi
–Ydereligere brug af CPR
–FLIS m.m.
• Dog skal gældende krav om diskretionering m.m.
selvfølgelig overholdes – vi kan komme tæt på…
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
20

21. Tak for opmærksomheden…
• Email : mortenwinther.fuglsang@sweco.dk
2015-11-17MORTEN FUGLSANG, SWECO, KORTDAGE 2015
21