1. No category

UPTEC STS 14021
Examensarbete 30 hp
Juni 2014
Tätortsklassificering utifrån
servicebredd och servicegrad
En klusteranalys av Sveriges tätorter
Stina-Kajsa Andersson
Abstract
Tätortsklassificering utifrån servicebredd och servicegrad : En
klusteranalys av Sveriges tätorter
Classification of Swedish built-up areas according to
service width and service degree : A cluster analysis
Teknisk- naturvetenskaplig fakultet
UTH-enheten
Besöksadress:
Ångströmlaboratoriet
Lägerhyddsvägen 1
Hus 4, Plan 0
Postadress:
Box 536
751 21 Uppsala
Telefon:
018 – 471 30 03
Telefax:
018 – 471 30 00
Hemsida:
http://www.teknat.uu.se/student
Stina-Kajsa Andersson
Statistics Sweden is an administrative agency that delimits built-up areas and produces
statistics regarding them. The statistics provide information about the area of the
built-up areas, their population number, number of gainfully employees working in the
built-up areas, and of buildings. Now Statistics Sweden wishes to extend such
statistics by producing a measure regarding how well developed the service is in each
built-up area.
This study is a contribution to this statistical improvement work and the purpose is to
– by employing geographical information systems and cluster analysis – classify the
Swedish built-up areas according to 1) service width and 2) service degree. A
particular built-up area has a high service width if it has many different service
functions, such as pharmacies, schools and grocery stores. It has a high service degree
if it has many service functions per 1000 inhabitants.
The result consists of two different “urban hierarchies”, one in which one can identify
the level of service width of each built-up area and one in which one can position
each built-up area according to its service degree. This study shows that built-up
areas with a high service width also have many inhabitants. In contrast, this is not the
case for built-up areas with a high service degree: built-up areas with high service
degree have relatively few inhabitants. The study shows that built-up areas with high
service degree have a higher quota number of people employed in the locality /
number of residents, which indicates that these built-up areas are “commuting
localities” – built-up areas where people work but not necessarily live. The results
from the two separate modes of classification also show that the service width and
service degree do not display a positive correlation. Built-up areas with high service
degree are thus not the same built-up areas that those scoring high on service width;
if anything, the relationship is rather the opposite.
Handledare: Stefan Svanström
Ämnesgranskare: Jesper Rydén
Examinator: Elísabet Andrésdóttir
ISSN: 1650-8319, UPTEC STS 14021
Sammanfattning
Statistiska centralbyrån (SCB) är den myndighet i Sverige som avgränsar tätorter och
som för statistik över dessa. I dagsläget förs statistik över tätorternas area, befolkningsmängd, förvärvsarbetande och byggnader, men det finns en önskan hos SCB att
utveckla tätortsstatistiken genom att ta fram mått på hur god servicen är i respektive
tätort.
Detta examensarbete är ett bidrag till denna statistikutveckling och syftet är att – med
hjälp av geografiska informationssystem och statistisk klusteranalys – klassificera
Sveriges tätorter utifrån 1) servicebredd och 2) servicegrad. En tätort har en hög
servicebredd om den har många olika servicefunktioner och hög servicegrad om den har
många olika servicefunktioner per 1000 invånare. I detta examensarbete togs hänsyn till
25 olika servicefunktioner, allt ifrån apotek, grundskolor och livsmedelsbutiker till
restauranger och resecentrum.
Resultatet består av två olika ”tätortshierarkier”. I den ena kan man se vilken nivå på
servicebredd respektive tätort har, och i den andra framkommer vilken nivå på
servicegrad respektive tätort har. I examensarbetet framkommer att tätorters servicebredd samvarierar positivt med tätorters befolkningsmängd. Detta till skillnad från
tätorters servicegrad, där tätorter med hög servicegrad snarare är tätorter med relativt
liten befolkningsmängd. Det framkommer att tätorter med hög servicegrad har en högre
kvot förvärvsarbetande / befolkningsmängd, vilket indikerar att de i större utsträckning
är in- än utpendlingsorter. Resultaten från tätortsklassificeringarna visar även att
tätorters servicebredd och servicegrad långt ifrån korrelerar, tätorter med högst
servicegrad är alltså inte samma tätorter som de som har hög servicebredd, snarare
tvärtom.
Innehållsförteckning
1. Inledning ........................................................................................................... 4
1.1 Syfte och frågeställningar...................................................................... 4
1.2 Förutsättningar och avgränsning .......................................................... 5
2. Vad är en tätort? .............................................................................................. 5
2.1 SCB:s tätortsavgränsning ..................................................................... 6
3. Metod och teori ................................................................................................ 7
3.1 Val av servicefunktioner ........................................................................ 7
3.1.1 Litteraturstudie ......................................................................... 8
3.1.2 Intervjuer/möten ....................................................................... 9
3.1.3 Valda servicefunktioner ........................................................... 10
3.2 Insamling av data .................................................................................. 10
3.3 Sammanställning av data ...................................................................... 10
3.3.1 GIS ........................................................................................... 10
3.3.2 Sammanställning av SCB:s data ............................................. 11
3.3.3 Sammanställning av data från andra myndigheter .................. 14
3.3.4 Sammanställd data .................................................................. 14
3.4 Klassificering av data ............................................................................ 15
3.4.1 Klustringstekniker..................................................................... 15
3.4.2 Tidigare områdesklassificeringar ............................................. 18
3.4.3 Klusteralgoritmer i R ................................................................ 18
3.5 Studiens trovärdighet ............................................................................ 18
3.5.1 Olika datakällor ........................................................................ 18
3.5.2 Validering ................................................................................. 18
4. Resultat ............................................................................................................ 19
4.1 Valda servicefunktioner ......................................................................... 19
4.2 Sammanställd data ............................................................................... 20
4.3 Tätortsklassificering servicebredd ......................................................... 20
4.3.1 Eliminering av outliers .............................................................. 20
4.3.2 Hierarkisk agglomerativ klustring ............................................. 22
4.3.3 K-means ................................................................................... 23
4.3.4 Val av antal kluster .................................................................. 24
4.3.5 Tätortsgrupper servicebredd .................................................... 25
4.4 Tätortsklassificering servicegrad ........................................................... 27
4.4.1 Eliminering av outliers .............................................................. 27
4.4.2 Hierarkisk agglomerativ klustring ............................................. 29
4.4.3 K-means ................................................................................... 30
4.4.4 Val av antal kluster .................................................................. 31
4.4.5 Tätortsgrupper servicegrad ...................................................... 31
4.5 Samband servicebredd och servicegrad............................................... 34
5. Slutsatser ......................................................................................................... 35
6. Användningsområden och framtida forskning ............................................ 36
7. Referenser ........................................................................................................ 37
Böcker ......................................................................................................... 37
2
Rapporter .................................................................................................... 37
Muntliga källor ............................................................................................. 37
Internet ........................................................................................................ 38
Bilaga 1. Definitioner servicefunktioner ........................................................... 39
Bilaga 2. Script..................................................................................................... 43
Bilaga 3. Tätortsgrupper ..................................................................................... 47
3
1. Inledning
Statistiska centralbyrån (SCB) förde redan mot slutet av 1800-talet statistik över städer,
köpingar och landsortskommuner. När kommunsammanslagningarna skedde på 1960och 1970-talet började SCB avgränsa tätorter för att få en bra geografisk enhet att
redovisa statistik på. Bakgrunden var bl.a. frågor kring hur urbaniseringen påverkade
tillgången på odlingsbar mark.1 Sedan dess har SCB successivt byggt ut
statistikinnehållet, först med folkmängd och areal, därefter förvärvsarbetande och
byggnader. SCB vill nu utveckla tätortsstatistiken genom att ta fram ett mått på hur god
servicen är i respektive tätort och detta examensarbete är ett bidrag till det. På sikt vill
SCB ta fram en statistikprodukt som fortlöpande kan uppdateras.
I detta examensarbete används begreppen servicebredd och servicegrad. En tätort har
hög servicebredd om den har många olika servicefunktioner (skolor, apotek, affärer,
etc.) och hög servicegrad om den har många servicefunktioner per 1000 invånare.
Initialt var det nödvändigt att reda ut vilka typer av servicefunktioner som skulle ingå i
studien. 25 typer av servicefunktioner – allt ifrån skolor och apotek till
livsmedelsbutiker och restauranger – valdes att tas med i studien och därefter var denna
data tvungen att samlas in från respektive statistikansvarig myndighet. Data
sammanställdes med hjälp av GIS (Geografiska Informationssystem) och sedan
klassificerades Sveriges 1956 tätorter med hjälp av klusteranalys utifrån hur lika de var,
dels i servicebredd och dels i servicegrad. Flera olika klustringstekniker jämfördes med
hjälp av den statistiska programvaran R.
Även om det här examensarbetet har samhällsgeografisk relevans är bidraget främst av
matematisk-statistisk natur, och allt har dokumenterats utförligt under arbetets gång så
att studien ska kunna upprepas med fler eller andra variabler, för andra årtal eller för
andra geografiska enheter.
1.1 Syfte och frågeställningar
Det överordnade syftet med detta examensarbete är att klassificera Sveriges tätorter
utifrån dels deras servicebredd, dels deras servicegrad. Utmaningarna för att besvara
syftet var många och vissa var av samhällsteoretisk och andra av matematisk-statistisk
art. Frågeställningarna i detta examensarbete formulerades som följande:
1
-
Vilka servicefunktioner anses viktiga och bör ingå i studien och hur kan
servicebredd och servicegrad definieras?
-
Vilka metoder existerar för att klassificera data och vilken metod passar bäst för
att klassificera tätorter utifrån servicebredd och servicegrad?
-
När alla tätorter tilldelats mått på servicebredd och servicegrad: kan man se
några samband mellan tätorters servicebredd och deras befolkningsstorlek,
mellan tätorters servicegrad och sysselsättningsgrad, och mellan servicebredd
och servicegrad?
SCB: Tätorter 2010, s. 3.
4
1.2 Förutsättningar och avgränsning
Till de grundläggande problemen hör givetvis tillgång på data. SCB erbjuder en mycket
god miljö för att inhämta och sammanställa för studien nödvändiga data om befolkning
och verksamheter. Där finns tillgång till grundläggande geografisk information om
tätorters avgränsning och deras befolkning. Vidare har SCB rätt att begära in
information från andra myndigheter och organisationer. Dataförutsättningarna har i den
meningen varit utomordentliga även om mycket tid har fått anslås till att anpassa och
sammanställa både data från SCB och från andra myndigheter.
Som andra studier har även denna tvingats till viktiga begränsningar. En sådan avser tid
och dynamik. Även om det hade varit intressant att studera hur servicebredden och
servicegraden i tätorterna har utvecklats över tid har denna aspekt lämnats utanför. Det
hade av tidsskäl inte varit möjligt att göra samma studie för till exempel två tidpunkter
och jag begränsar mig därför till den aktuella situationen. Flertalet variabler som ingår i
klassificeringsarbetet hänför sig till situationen år 2013. Tätortsavgränsning sker var
femte år och den senaste skedde 2010. Diskrepansen i tid (2010/2013) bedöms ha
marginell betydelse för de samlade utfallen.
Vidare innebär ett fokus på viktiga servicefunktioner att andra aspekter av tätorterna
utelämnats. Det gäller främst sådant som rör varuproduktionen (gruv-, tillverknings- och
byggnadsindustri) och det gäller den delen av tjänsteproduktionen som främst har andra
företag som kunder. Fokus riktas därför mot konsumtionstjänster, inklusive
samhällstjänster, och handel. Det mer precisa urvalet av funktioner behandlas i kapitel
3. Tilläggas kan att arbetet främst är ett tekniskt bidrag och att studien lätt kan upprepas
med kompletterande urval av verksamheter och funktioner.
Slutligen ska tilläggas att jag för att öka läsbarheten valt att placera vissa mer tekniska
beräkningar och större datatabeller i bilagor. Jag hänvisar till dessa löpande i texten.
2. Vad är en tätort?
I Sverige saknas begreppet stad som administrativ kategori, men så har det inte alltid
varit. Fram till 1862 var en stad en tätbebyggd och tätbefolkad ort som av kungen hade
erhållit rättighet att bedriva handel och hantverk. Till skillnad från landsbygdens
socknar hade en stad ett mer kvalificerat lokalt styre och de ansågs vara i större behov
av mer utvecklad förvaltning. Städerna var även tvungna att följa särskilda föreskrifter
angående brandväsende, hälsovård och byggnation.2
Från och med 1862 och ända fram till 1971 fanns tre kommuntyper varav stad var en av
dem. De andra två var köping och landsortskommun. En köping var en enklare form av
stad, med lägre krav på styrelse, förvaltning och jurisdiktion än vad städerna hade och
en landsortskommun hade bara ett visst lokalt självstyre.3
1971 genomfördes en större kommunreform i Sverige och begreppen stad, köping och
landsortskommun försvann som administrativa kategorier och ersattes av kommuner,
alla med samma uppgifter. Efter diverse delningar och hopslagningar av kommuner
består Sverige idag av 290 kommuner, vilka alla innehåller glesbygd och tätorter. Vissa
2
3
Nilsson och Forsell. 150 år av självstyre, s. 24.
Ibid, s. 24-26.
5
kommuner (t.ex. Stockholm och Göteborg) har förvisso fått tillstånd att benämna sig
stad men administrativt sett skiljer de sig inte från andra kommuner. 4
2.1 SCB:s tätortsavgränsning
I Sverige definieras tätorter som ”områden med en koncentrerad bebyggelse där
avståndet mellan husen är som mest 200 meter och antalet invånare minst 200 personer.
Tätorten ska inte ha mer än 50 procent fritidshus.” Det är SCB som gör tätortsavgränsningarna, och dessa görs var femte år. De är helt oberoende av administrativa
indelningar och en tätort kan därför ligga i flera kommuner samtidigt, och även i flera
län. Den senaste tätortsavgränsningen gjordes 2010 och enligt den finns idag 1956
tätorter, vilka är fördelade enligt figur 1. Endast 1,3 procent av Sveriges landyta består
av tätorter, men i dessa tätorter bor hela 85 procent av befolkningen.5
Figur 1. Sveriges tätorter
4
5
Nilsson och Forsell. 150 år av självstyre, s. 27
SCB: Tätorter 2010, s. 1.
6
3. Metod och teori
Detta kapitel ägnas åt att redogöra för tillvägagångssättet för att klassificera Sveriges
tätorter utifrån servicebredd och servicegrad. Figur 2 presenterar grunddragen i
ansatsen. Resten av kapitlet följer dispositionsmässigt de olika steg som återges i
figurens vänstra kolumn.
Val av variabler
(servicefunktioner)
Insamling av
data
Litteraturstudie
Hämta SCB-data
Intervjuer med
kunniga inom
området
Kontakta andra
myndigheter för att
erhålla data
SCB:s
tätortsavgränsning
med statistik om
tätorterna
Sammanställning
av data
Klassificering
av data
SCB:s
företagsdatabas
Urval i GIS av
respektive
servicefunktion,
spara i separata
tabeller
Data i varierande
format från andra
myndigheter
Konvertera till rätt
filformat och
referenssystem
Litteraturstudie
Script i
statistisk
mjukvara
Geografisk
matchning i GIS av
de olika dataseten
Jämförande av,
val av och körning
av klusteralgoritmer
Sammanfattande
statistik om
klassificeringarna
utifrån servicebredd och -grad
Figur 2. Tillvägagångssätt för att klassificera Sveriges tätorter utifrån
servicebredd och servicegrad
I avsnitt 3.1 beskrivs hur valet av variabler gjordes, det vill säga hur det bestämdes vilka
typer av servicefunktioner som skulle tas med i studien. I avsnitt 3.2 redogörs för hur
insamlingen av data gick till, i 3.3 hur denna data anpassades och sammanställdes, och i
avsnitt 3.4 beskrivs hur klassificeringen av tätorterna gick till. Avsnitt 3.5 tar upp frågor
som har att göra med studiens och utfallets trovärdighet.
3.1 Val av servicefunktioner
Initialt var det nödvändigt att bestämma vilka typer av servicefunktioner som anses
”viktiga” i samhället. Detta kan förstås anses vara en subjektiv fråga, en elitsimmare
tycker att närheten till en simhall är viktig medan en barnfamilj vill bo i en tätort där det
finns kanske både förskola och grundskola. För att komma fram till vilka
7
servicefunktioner som skulle tas med i detta examensarbete gjordes inledningsvis en
litteraturstudie på området. Därefter hölls intervjuer/möten med, inom området, kunniga
på SCB för att komma fram till den slutgiltiga uppsättningen servicefunktioner. I avsnitt
3.1.1 avsnitt beskrivs litteraturstudien och i 3.1.2 intervjuerna/mötena. I avsnitt 3.1.3
presenteras vilka servicefunktioner som valdes ut att ingå i detta examensarbete.
3.1.1 Litteraturstudie
Tre tidigare studier kommer att gås igenom, två av dem är rapporter från myndigheten
Tillväxtanalys och en är en rapport från avdelningen för samhällsplanering på Cornwall
Council i England. Samtliga har spelat roll för vilka servicefunktioner som utvaldes att
ingå i studien.
3.1.1.1 Tillväxtanalys: Städer och deras tillväxtförutsättningar
Myndigheten Tillväxtanalys tog 2011 på uppdrag av regeringen fram rapporten Städer
och deras tillväxtförutsättningar – En beskrivning av olika städer och deras
förutsättningar för tillväxt. Denna rapport syftar till att skapa en grund för att studera,
analysera och jämföra olika städer6, och är därför relevant för mitt examensarbete.
Rapporten beskriver bland annat beroendeförhållandet mellan landsbygd och stad, där
landsbygden producerar mat, råvaror och energi som staden drar nytta av, medan staden
fungerar som en mötes- och handelsplats med sitt utbud av offentlig- och kommersiell
service, kultur och utbildning. Ett rekreations- och turismflöde beskrivs, och detta flöde
går både från landsbygd till stad och från stad till landsbygd. De som bor i staden vill få
tillgång till skog och natur medan de som bor på landsbygden vill nyttja de kulturella
aktiviteter som finns i staden.7 Även om den här bilden är generaliserad har jag hämtat
inspiration från denna syn på landsbygd och stad till valet av servicefunktioner. Jag har
valt att inte ta med varuproduktion (gruv-, tillverknings- eller byggindustri) i studien,
och jag har valt att inte se skog och natur som en viktig servicefunktion i en tätort.
Fokus riktas istället mot konsumtionstjänster, samhällstjänster och handel.
3.1.1.2 Tillväxtanalys: Tillgänglighet till kommersiell och offentlig service
En annan för examensarbetet relevant rapport framtagen av Tillväxtanalys är
Tillgänglighet till kommersiell och offentlig service 2012. Syftet med denna rapport är
att beskriva tillgång till offentlig och kommersiell service i olika delar av Sverige, och
även hur denna service har utvecklats över tid. Detta därför att tillväxtpolitikens insatser
ska kunna anpassas till de regionala och lokala förutsättningar som finns på olika håll i
Sverige. En god servicenivå bedöms nämligen vara en av förutsättningarna för tillväxt.8
Tillväxtanalys har i denna studie valt att undersöka följande servicefunktioner:
Livsmedelsbutik
Apotek
Bankomat
Vårdcentral
Bensinstation
Apoteksombud
Postservice
Grundskola
6
Tillväxtanalys. Städer och deras tillväxtförutsättningar - En beskrivning av olika städer och deras
förutsättningar för tillväxt, s. 3.
7
Ibid, s. 10-11.
8
Tillväxtanalys. Tillgänglighet till kommersiell och offentlig service 2012, s. 13.
8
Författarna bakom rapporten menar att dessa servicefunktioner är centrala och bedöms
som mest intressanta, men skriver också att studien begränsats av tillgängliga data. I
Tillväxtanalys rapport definieras ”tillgång” som fysisk tillgång, närmare bestämt som
avstånd med bil från hemmet till en servicefunktion.9 I studien redovisas statistik och
fakta om samtliga av de åtta servicefunktionerna ovan, men endast tre av dem följs upp
över tid. Det är livsmedelsbutik, bensinstation och grundskola. Dessa tre
servicefunktioner var därför självklara att ha med i min studie, men även de hälsorelaterade apotek och vårdcentral.
I rapporten nämns det faktum att fler och fler tjänster idag kan skötas via internet eller
via andra tekniska hjälpmedel.10 Detta är något jag tagit hänsyn till vid valet av
servicefunktioner; post- och bankservice är förvisso servicefunktioner som vissa
personer vill ha fysisk närhet till, men allt fler sköter sådana ärenden på annat sätt,
varför jag har valt att inte ha med dem i studien. Av samma anledning har jag valt att
inte ha med bankomater i studien.
3.1.1.3 Planning Future Cornwall – Settlements: Hierarchy and Settlement Categories
I enhetskommunen Cornwall i England fick samhällsplanerare i uppdrag att klassificera
olika områden utifrån hur lika de var. Detta för att få indikationer om vilken tillväxt som
är möjlig i respektive område.11 Studien resulterade i en rapport, Planning Future
Cornwall – Settlements: Hierarchy and Settlement Categories, och i denna togs följande
servicefunktioner med i beaktning:
Livsmedelsbutik
Apotek
Postkontor
Grundskola
Arbetsplatser
Kirurgimottagning
Pub
Religiös byggnad
Lekplats
Bensinstation
Bank
Förskola
Gymnasieskola
Sjukhus
Bibliotek
Samlingslokal
Idrottscenter
Busstation/tågstation
Några av dessa servicefunktioner fanns även med i Tillväxtanalys rapport Tillgänglighet
till kommersiell och offentlig service 2012, medan andra är nya. Flera av dessa kom att
tas med i detta examensarbete.
3.1.2 Intervjuer/möten
Efter litteraturgenomgången hölls intervjuer/möten med Stefan Svanström och Karin
Hedeklint, experter på geografisk analys och GIS på SCB. Vissa servicefunktioner togs
bort, andra lades till och vissa omformulerades så de stämde överens med svenska
beteckningar och SCB:s definitioner. Till slut fanns en slutgiltig lista över
servicefunktioner. Denna presenteras i avsnitt 3.1.3.
9
Tillväxtanalys. Tillgänglighet till kommersiell och offentlig service 2012, s. 14
Ibid.
11
Planning Future Cornwall – Settlements: Hierarchy and Settlement Categories, s. 3
10
9
3.1.3 Valda servicefunktioner
Följande 25 servicefunktioner valdes att ingå i studien:
Förskola
Grundskola
Gymnasieskola
Universitet
Bibliotek
Öppen vård
Sluten vård
Tandläkare
Vårdboende/äldreboende
Apotek
Livsmedelsbutik
Butik (alla typer förutom livsmedel)
Systembolag
Bensinstation
Biograf/teater/konserthus
Museum
Sporthall/idrottsplats/gym
Frisörsalong
Restaurang/bar
Hotell/vandrarhem
Polisstation
Brandstation
Arbetsförmedling
Stats- och kommunledning
Resecentrum (tåg- och busstationer)
Definitioner för var och en av dessa återfinns i bilaga 1.
3.2 Insamling av data
När det stod klart vilka servicefunktioner som skulle tas med i detta examensarbete var
nästa steg att samla in data. SCB ansvarar för majoriteten av den data som använts i
detta examensarbete och avgörande för att kunna utföra detta examensarbete var
tillgången till SCB:s tätortsavgränsningar med tillhörande tätortsstatistik samt till
SCB:s företagsdatabas. Dessa beskrivs närmare i avsnitt 3.3.2.2 och 3.3.2.3.
SCB ansvarar dock inte för all data utan olika myndigheter ansvarar för olika typer av
data. I Förordning 2010:1770 om geografisk miljöinformation finns en översikt om
informationsansvarets fördelning mellan myndigheterna och för att få tag på data som
inte fanns tillgänglig hos SCB var respektive myndighet tvungen att kontaktas med
begäran att få ta del av denna. Detta gällde data över grundskolor, gymnasieskolor,
apotek, brandstationer, arbetsförmedlingar och resecentrum.
Eftersom insamling av data var beroende av andra aktörer, både på SCB och på andra
myndigheter, var det svårt att styra över tidsåtgången, och detta tog längre tid än
planerat.
3.3 Sammanställning av data
Mycket tid fick anslås till att sammanställa och anpassa data från SCB och från andra
myndigheter. Insamlad data var av olika karaktär, men gemensamt för all data rörande
servicefunktioner var att den på något sätt var geografiskt angiven, det vill säga hade en
geografisk position angiven i antingen geografiska koordinater eller som adress. Målet
med sammanställningen var att få all data i samma format och i samma tabell och för att
kunna uppnå detta användes ett så kallat GIS-program.
3.3.1 GIS
GIS står för Geografiska Informationssystem och är ett system för att hantera
geografiska data, det vill säga data som är knuten till ett geografiskt läge. GIS har flera
10
olika användningsområden och ett av dem är urval och sökning. Har man till exempel
en databas med data över alla Sveriges arbetsplatser med information om vilken typ av
arbetsplats det är (ett apotek, ett universitet, ett sjukhus) kan man till exempel göra
urvalet ”alla arbetsplatser som är universitet” och få endast dessa i en tabell. Ett annat
användningsområde är visualisering av data i till exempel tabeller, grafer eller kartor.12
Både urval och sökning samt visualisering är något som tillämpats i stor utsträckning i
detta examensarbete.
Det finns flera olika GIS-program men i detta examensarbete har GIS-programmet
MapInfo Professional använts. I MapInfo Professional kommunicerar man genom
frågespråket SQL.
3.3.1.1 Referenssystem
För att kunna ange ett geografiskt läge för ett objekt (t.ex. en servicefunktion som
apotek) behöver man ett koordinatsystem vars axlar har fixerats till jordens yta, ett så
kallat referenssystem. Det finns flera olika referenssystem, vilka beräknas på olika sätt,
och det är mycket viktigt att objekten är bestämda i ett väldefinierat referenssystem. I
Sverige är det framförallt referenssystemen WGS84, RT90 och SWEREF 99 som
används, där SWEREF 99 är det officiella referenssystemet i Sverige. 13 Trots detta är
det inte alltid geografisk data är angivet i SWEREF 99, i de fallen behöver data
konverteras till önskat referenssystem. I detta examensarbete var detta nödvändigt med
flera dataset.
3.3.2 Sammanställning av SCB:s data
I denna studie har, som nämnt, två typer av SCB-data använts; data över SCB:s
tätortsavgränsningar med tillhörande tätortsstatistik samt data ur SCB:s företagsdatabas.
Dessa beskrivs närmare i avsnitt 3.3.2.2 och 3.3.2.3. SCB:s geografiska data är angiven
i referenssystemet SWEREF 99, och eftersom MapInfo Professional är ett av de GISprogram som används på SCB finns all data representerad i MapInfos interna .TABformat.
3.3.2.2 Tätortsavgränsningar
SCB gör så kallade tätortsavgränsningar var femte år. Med tätortsavgränsning avses de
ytor som representerar tätorter, och dessa ytor bestäms utifrån definitionen, som även
nämnts tidigare, ”områden med en koncentrerad bebyggelse där avståndet mellan husen
är som mest 200 meter och antalet invånare minst 200 personer. Tätorten ska inte ha
mer än 50 procent fritidshus”. I figur 3 visas ett exempel på en tätortsavgränsning. SCB
för även statistik över tätorterna, och i denna statistik kan man hitta bland annat
invånarantal och antal förvärvsarbetande. Denna statistik har även den använts i detta
examensarbete.
12
13
Harrie. Geografisk Informationsbehandling: Teori, metoder och tillämpningar, s. 21-22.
Ibid, s. 68.
11
Figur 3. Exempel på en tätortsavgränsning (Karin Hedeklint, SCB)
3.3.2.1 Företagsdatabasen
SCB har i sin företagsdatabas data över alla arbetsställen i Sverige. Ett arbetsställe är en
adress, fastighet eller grupp av fastigheter där ett företag eller en organisation bedriver
verksamhet. Alla företag och organisationer har alltså minst ett arbetsställe.14 I SCB:s
företagsdatabas finns för varje arbetsställe information om geografisk position, antal
anställda och vilken typ av verksamhet som bedrivs. Sistnämnt framgår av en så kallad
SNI-kod (Svensk Näringsgrensindelningskod). SNI-koden 85420 står till exempel för
universitet.15
3.3.2.3 Urval och geografisk matchning
För var och en av de valda servicefunktionerna fick arbetet med att göra urval från
företagsdatabasen, utifrån SNI-kod, göras i MapInfo Professional. Såhär väljer man t.ex.
genom SQL-kommandon ut alla universitet (universitet har som nämnt SNI-kod
85420):
SELECT <arbetsplats>
FROM <företagsdatabasen>
WHERE SNI-kod = ”85420”;
Urvalen sparades i separata tabeller och när dessa tabeller är skapade kan man med
hjälp av MapInfo Professional välja att visualisera servicefunktionernas geografiska
lokaliseringsmönster. Finns till exempel tabeller sparade för grundskolor och
gymnasieskolor kan dessa visas på en och samma karta, eller på separata kartor, se figur
4 och 5.
14
15
SCB: Vad står arbetsställe för?
SCB: Sökning efter SNI-kod
12
Figur 4. Sveriges grundskolor
Figur 5. Sveriges gymnasieskolor
När tätortsavgränsningarna fanns representerade i en tabell, och alla servicefunktioner i
varsina tabeller, skulle dessa matchas geografiskt. Varje servicefunktion kopplades till
tätortsavgränsningarna med tillhörande statistik, och detta gjordes i MapInfo
Professional. Figur 6 ger en bild av hur detta görs.
9
Tätortsavgränsning
för en tätort X
Servicefunktion
Y:s lokaliseringsmönster
Dessa matchas
geografiskt
Antalet Y-servicefunktioner räknas
ut för tätort X
Figur 6. Geografisk matchning
Tätortsavgränsningarna med tillhörande statistik matchades med respektive
servicefunktions lokalisering för att kunna räkna ut hur många av respektive
servicefunktion det finns i varje tätort. Eftersom man antalet invånare i varje tätort är
känt går det även att räkna ut antalet av respektive servicefunktion per 1000 invånare.
Information om antalet av respektive servicefunktion per tätort lades till i en kolumn i
tätortstabellen och antalet av respektive servicefunktion per 1000 invånare lades till i en
annan kolumn i tätortstabellen.
13
3.3.3 Sammanställning av data från andra myndigheter
Data som samlats in från andra myndigheter än SCB var av varierande filformat och var
även angiven i olika referenssystem. Data som inte var angiven i det officiella
referenssystemet SWEREF 99 var tvungen att konverteras i MapInfo Professional. Vid
de fall där endast adresser fanns angivna var koordinaterna tvungna att letas upp med
stöd av olika adressökningsverktyg.
När alla servicefunktioner fanns representerade i separata tabeller lades, precis som för
den data som kom från SCB, kolumner till i tätortstabellen, två per servicefunktion. I en
kolumn lades information om antalet förekomster av varje servicefunktion och i den
andra lades information om antalet förekomster av varje servicefunktion per 1000
invånare.
3.3.3.1 Lantmäteriets kartor
En av de valda servicefunktionerna, nämligen resecentrum, var tvungen att hämtas från
Lantmäteriets fastighetskarta. Fastighetskartan är Lantmäteriets mest detaljrika karta
med bland annat information om byggnader.16 Information om antalet resecentrum
(buss- och tågstationer) per tätort, samt antalet resecentrum per 1000 invånare lades till i
tätortstabellen. Lantmäteriets Sverigekarta är en annan karta som har använts i detta
examensarbete, men endast som bakgrundskarta vid visualiseringar (t.ex. sjöar, hav och
länsgränser i figur 1, 4, 5, 13, 14, 19 och 20).17
3.3.4 Sammanställd data
Resultatet av sammanställningen var en tabell över alla tätorter, där varje tätort hade
information om antal förekomster av varje servicefunktion samt antal förekomster av
respektive vald servicefunktion per 1000 invånare. Tabell 1 ger en bild av tabellens
struktur då data var sammanställd. Förutom grundskolor och gymnasieskolor fanns
resterande 23 servicefunktioner representerade med information om antal samt antal per
1000 invånare.
Tabell 1. Exempeltabell sammanställd data
Tätort
Befolknmängd
Antal
förvärvsarbetande
Antal
grundskolor
Antal
grundskolor per
1000 inv.
Antal
gymnasieskolor
Tätort1
Tätort2
..
..
..
..
..
..
..
..
..
..
Antal
gymnasieskolor
per 1000
inv.
..
..
..
..
..
..
.
..
…
Tätort
1956
När data var sammanställd på detta vis kunde tätortsklassificeringen ske.
16
17
Lantmäteriet: Fastighetskartan
Lantmäteriet: Sverigekartor
14
3.4 Klassificering av data
När data var sammanställd kunde klassificeringen av tätorterna, utifrån hur lika de var i
dels servicebredd och dels servicegrad, ske. Detta gjordes med hjälp av så kallad
klusteranalys. Klusteranalys är en term för ett stort antal numeriska metoder, alla med
mål att upptäcka kluster (grupper) i stora dataset innehållande objekt med flera attribut.
I en, två och kanske tre dimensioner, det vill säga om varje objekt har en, två eller tre
attribut, är det lätt för ett mänskligt öga att upptäcka kluster, se figur 7 nedan där man
enkelt kan identifiera tre kluster i det tvådimensionella datasetet. Men redan vid fyra
attribut är det omöjligt utan datorns hjälp.18
Figur 7. Tre kluster (Introduction to Applied Multivariate Analysis with R,
s.165)
Klusteranalys refererar inte till en specifik algoritm, utan är ett samlingsnamn för
metoden. Det finns många olika sorters klustringstekniker och några av dessa, inklusive
dess teoretiska bakgrunder, kommer att gås igenom i avsnitt 3.4.1.
3.4.1 Klustringstekniker
Beroende på om man vet på förhand hur många kluster man vill klassificera sin data i
eller inte, finns olika typer av klustringstekniker, se figur 8.
Är antalet kluster inte förutbestämt använder man sig av så kallad hierarkisk
klassificering. Det finns olika hierarkiska klustringstekniker men eftersom det i detta
examensarbete endast har använts så kallade hierarkiska agglomerativa klustertekniker
kommer endast teorin för dessa att gås igenom, detta i avsnitt 3.4.1.1. Är antalet kluster
förutbestämt kan man istället använda sig av k-means.19 Det finns dock sätt att
undersöka vilket antal kluster som lämpar sig bäst även för k-means. Teori för k-means
gås igenom i avsnitt 3.4.1.2.
I detta examensarbete fanns inga riktlinjer från SCB för hur många olika grupper
tätorterna skulle delas in i, varför det kändes rimligt att inledningsvis testa några olika
hierarkiska agglomerativa klustertekniker, och sedan även k-means när det fanns en
uppfattning om det ungefärliga antal kluster som objekten (tätorterna) lämpligen borde
indelas i.
18
19
Everitt och Hothorn. An Introduction to Applied Multivariate Analysis with R, s. 165.
Miljöstatistik: Att analysera flera variabler samtidigt
15
Klassifikation
Antalet kluster
förutbestämt?
Nej
Hierarkiska
klassificeringsmetoder
Ja
K-means
Figur 8. Val av klusterteknik (Miljöstatistik: Att analysera flera variabler
samtidigt. Behandlad av författaren.)
3.4.1.1 Hierarkiska agglomerativa klustertekniker
I agglomerativ hierarkisk klustring är utgångspunkten att det finns lika många kluster
som objekt (i detta fall tätorter, 1956 stycken), varje kluster innehåller alltså ett objekt.
Dessa slås sedan ihop beroende på hur lika de är i sina egenskaper tills alla objekt
befinner sig i ett kluster, och då väljer man vilket antal kluster under denna
aggregeringsprocess som passar bäst.
Rent teknisk utgår man från en matris
med objekt och attribut. I denna
studie alltså
eftersom det finns 1956 tätorter med 25 attribut. Likheten
mellan objekten beskrivs med hjälp av en annan matris
, det vill säga i detta
fall initialt
. Skillnaden mellan olika hierarkiska agglomerativa
klustertekniker ligger i hur denna ”likhet” räknas ut. Eftersom objekt slås ihop med
objekt (och objekt med kluster och kluster med kluster) utifrån hur lika de är har val av
klusterteknik stor betydelse för slutresultatet. I denna studie jämfördes fyra olika
hierarkiska agglomerativa klusteralgoritmer; Single Linkage, Complete Linkage, Group
Average och Wards metod, och nedan beskrivs hur dessa olika klustertekniker räknar ut
likheten mellan kluster.
I Single Linkage, Complete Linkage och Group Average räknas likheten ut i form av
avstånd:
Single Linkage
16
Complete Linkage
där
är avståndet mellan två kluster och
är det euklidiska avståndet mellan
objekt och i den initiala inter-individuella avståndsmatrisen.20
Group Average
där samma definitioner för
och för
antalet objekt i klustren A och B.21
gäller som ovan och där
och
är
Wards metod
Wards metod räknar inte ut likhet i form av avstånd. Istället görs klustringen så att
ökningen av variansen (efter att en hopslagning skett) minimeras, med andra ord så att
heterogeniteten i det nya klustret minimeras. Heterogeniteten i ett kluster R definieras
som
Där
är centroiden för kluster R, dvs. medelvärdet av alla objekt som ingår i klustret.
för klustret R. I Wards metod är det det euklidiska avståndet i kvadrat som används.22
För samtliga av dessa hierarkiska agglomerativa tekniker gäller att algoritmen för varje
steg kontrollerar varje möjlig lösning och kluster formas genom att den lösning som ger
störst likhet används. När alla objekt befinner sig i ett enda stort kluster avslutas
algoritmen och hopslagningarna kan illustreras i ett så kallat dendrogram. Utifrån
dendrogrammet bedöms sedan hur många grupper som är lämpliga.
3.4.1.2 K-means
K-means arbetar inte som de hierarkiska agglomerativa klusterteknikerna, istället
befinner sig alla objekt initialt i ett kluster, vilka sedan delas in i ett förutbestämt antal
kluster k. Indelningen sker så att objekten hamnar i det kluster som har sin centroid (sitt
medelvärde) närmast objektet, det vill säga så att ”within-group sum of squares”
(WGSS) minimeras över alla variabler.23
Där
är medelvärdet av alla objekt i kluster
för variabeln .
20
Everitt och Hothorn. An Introduction to Multivariate Analysis with R, s. 167.
Ibid.
22
Berlin School of Business and Economics: Cluster algorithms
23
Everitt och Hothorn. An Introduction to Multivariate Analysis with R, s. 175.
21
17
3.4.2 Tidigare områdesklassificeringar
Storbritanniens statistikbyrå Office for National Statistics klassificerar med jämna
mellanrum områden utifrån vilka egenskaper de har (typer av bostäder, hushållens
sammansättning, socioekonomisk karaktär, sysselsättningsgrad och vilka typer av
företag som finns där). Deras tillvägagångssätt för att klassificera områden finns noga
dokumenterad i rapporten Methods for National Statistics 2001 area classification for
local authorities.24 Office for National Statistics använder sig av Wards metod, men
kontrollerar resultaten med hjälp av k-means, varför jag hade en hypotes om att dessa
två klustertekniker skulle ge bra resultat.
3.4.3 Klusteralgoritmer i R
I detta examensarbete har den statistiska programvaran R använts för att genomföra
klusteranalysen. R är en open-source-programvara med många inbyggda funktioner,
bland annat för klusteranalys. En hel del tid gick dock åt till att läsa R-manualer och till
att skriva script. Samtliga script återfinns i Bilaga 2, men presenteras även löpande i
kapitel 4, Resultat.
3.5 Studiens trovärdighet
I detta avsnitt presenteras sådant som rör studiens och utfallets trovärdighet.
3.5.1 Olika datakällor
Flertalet variabler som ingår i klassificeringsarbetet hänför sig till situationen år 2013,
men inte alla. Detta är något som inte har gått att styra över. Tätortsavgränsning sker var
femte år och den senaste skedde 2010. Bedömningen är att tidsvariationen här inte utgör
något stort problem. Tätortsavgränsningar ändras med nybyggnation och rivningar och
genom att tätorter faller under 200-personersstrecket genom negativ
befolkningsutveckling, men de är på det hela taget stabila i det korta perspektivet av tre
år. Att kombinera olika datakällor har varit arbetsintensivt men kvaliteten i det slutliga
datamaterialet bedöms som mycket god.
3.5.2 Validering
Data har granskats både på mikronivå och makronivå. Till granskning av data på
mikronivå hörde att kontrollera indata. Stickprovskontroller gjordes genom att jämföra
t.ex. det antal systembolag i en viss tätort som erhållits ur SCB:s företagsdatabas, med
de adresser till systembolag i samma tätort, som finns på systembolagets hemsida. Data
granskades även på makronivå, det vill säga att slutresultatet granskades för att
undersöka om resultatet av klassificeringen var logisk.
24
Office for National Statistics: Area Classification – methodology and variables
18
4. Resultat
I detta kapitel kommer samtliga resultat att gås igenom. Inledningsvis, i avsnitt 4.1,
presenteras listan över de servicefunktioner som inkluderades i studien, samt vilken
myndighet som har tillhandahållit data över respektive servicefunktion. Därefter, i
avsnitt 4.2, ges en bild av hur den slutgiltiga tätortstabellen såg ut. I avsnitt 4.3
presenteras resultaten för klassificeringen utifrån servicebredd och i avsnitt 4.4
presenteras resultaten från klassificeringen utifrån servicegrad. I avsnitt 4.5 presenteras
samband mellan tätorters servicebredd och servicegrad.
4.1 Valda servicefunktioner
Tabell 2 visar vilka servicefunktioner som valdes ut att ingå i detta examensarbete, samt
vilken myndighet som har tillhandahållit vilken data.
Tabell 2.Servicefunktioner och källor
Servicefunktion
Källa
Förskola
SCB
Grundskola
Skolverket (via geodataportalen)
Gymnasieskola
Skolverket (via geodataportalen)
Universitet
SCB
Bibliotek
SCB
Öppen vård
SCB
Sluten vård
SCB
Tandläkare
SCB
Vårdboende / äldreboende
SCB
Apotek
Läkemedelsverket
Livsmedelsbutik
SCB
Butik (alla typer förutom livsmedel)
SCB
Systembolag
SCB
Bensinstation
SCB
Biograf / teater / konserthus
SCB
Museum
SCB
Sporthall / idrottsplats / gym
SCB
Frisörsalong
SCB
Restaurang/bar
SCB
Hotell / vandrarhem
SCB
Polisstation
SCB
Brandstation
MSB (via geodataportalen)
Arbetsförmedling
Arbetsförmedlingen
Stats- och kommunledning
SCB
Resecentrum
Lantmäteriets fastighetskarta
19
4.2 Sammanställd data
Sammanställningen av data resulterade i en tabell som lämpade sig för att klassificera
data med hjälp av klusteranalys i R. Av platsskäl visas inte hela tabellen, men tabell 3
ger en bild av hur den såg ut. Detta är samma tabell som visades i avsnitt 3.3.5 och som
nämndes då innehåller tabellen, förutom antalet grundskolor och gymnasieskolor per
tätort och per 1000 invånare per tätort, förstås även de resterande 23 variablerna. Istället
för ”Tätort1”, ”Tätort2” och så vidare, står där tätorternas namn.
Tabell 3. Exempeltabell sammanställd data
Tätort
Befolknmängd
Antal
förvärvsarbetande
Antal
grundskolor
Antal
grundskolor per
1000 inv.
Antal
gymnasieskolor
Tätort1
Tätort2
..
..
..
..
..
..
..
..
..
..
Antal
gymnasieskolor
per 1000
inv.
..
..
..
..
..
..
.
..
…
Tätort
1956
4.3 Tätortsklassificering servicebredd
I följande avsnitt presenteras resultaten från klassificeringen av tätorter utifrån
servicebredd. En tätort har hög servicebredd om den har ett stort antal av respektive
servicefunktion. Klassificeringen gjordes med hjälp av klusteranalys i R och i
kommande avsnitt varvas R-kod med resultat.
4.3.1 Eliminering av outliers
Resultatet av en klusteranalys blir bäst om man först eliminerar outliers och för att
kunna identifiera outliers skapades en scatterplotmatris. Att ta med samtliga variabler
(antal servicefunktioner) blev svåröverskådligt så fyra stycken valdes ut; livsmedelsbutik, grundskola, apotek och bensinstation. Att just dessa servicefunktioner valdes ut
berodde på att samtliga av dessa fanns med i de tidigare nämnda studierna av
Tillväxtanalys och Cornwall Council.
På följande vis skapades en scatterplotmatris.
Z <- tatorter[, c("handel_mat","grundskola","apotek","bensinstation")]
pairs(Z, pch = ".", cex=4)
Figur 9 visar utskriften.
20
Figur 9. Scatterplotmatris för att identifiera outliers
Tre tätorter skiljde sig från de övriga och dessa var tvungna att identifieras:
Subset(tatorter, grundskola > 90)
Detta ger utskriften:
Tätort
Stockholm
handel_mat grundskola apotek
resecentrum
1605
459
75
48
Malmö
427
102
39
12
Göteborg
704
215
44
7
Dessa tätorter plockades bort och då såg scatterplotmatrisen istället ut som i figur 10.
21
Figur 10. Scatterplotmatris efter eliminering av outliers
Objekten (tätorterna) var nu mer lika varandra, och förutsättningarna för en klusteranalys därmed bättre.
4.3.2 Hierarkisk agglomerativ klustring
Initialt testades fyra olika hierarkiska agglomerativa klustertekniker, men tidigt stod det
klart att tre av dom inte lämpade sig för denna typ av data. Både Single Linkage,
Complete Linkage och Group Average gav grupperingar där det var en tätort i varje
grupp och resten av tätorterna i en enda stor grupp. Wards metod däremot gav
intressanta resultat och i detta avsnitt kommer R-kod och resultat från just Wards metod
att gås igenom.
Innan tätorterna kunde klassificeras med hjälp av klusteranalys var data tvungen att
standardiseras. Detta därför att variablerna (antalet av respektive servicefunktion) har
olika skalor. Tätorter har nämligen generellt sett många fler t.ex. livsmedelsbutiker och
grundskolor, än t.ex. polisstationer och universitet. Standardiseringen av data gjordes
med hjälp av R:s inbyggda funktion scale som räknar ut medelvärdet och
standardavvikelsen för hela vektorn och sedan standardiserar varje element med dessa
värden genom att subtrahera medelvärdet och dela med standardavvikelsen.
Följande R-kod standardiserad data och sparar den i en matris X.
22
X <- scale(tatorter[,
c("polis","brand","arbetsformedling","ledning","forskola","grundskola"
,"gymnasie","universitet","boende","oppen_vard","sluten_vard","apotek"
,"handel_mat","handel_ovr","systembolag","bensinstation","bibliotek","
kultur","museum","idrott","frisor","restaurang_bar","hotell","tandlaka
re", "resecentrum")], center = FALSE, scale = TRUE)
När denna matris var skapad skulle avståndsmatrisen räknas ut. För Wards metod
används det euklidiska avståndet i kvadrat.
dj <- dist(X)
dj2 <- dj^2
Klustringen skedde med hjälp av R:s inbyggda funktion hclust. Ett dendrogram
skapades och sparades.
pdf("ward_servicebredd.pdf")
plot(w <- hclust(dj2, method="ward"), labels=tatorter$NAMN, main =
"Wards, squared eucludean distance")
dev.off()
w
Dendrogrammet i figur 11 erhölls.
Figur 11. Dendogram servicebredd
Dendrogrammet visar hur ihopslagningen av kluster har skett. Distance, avstånd,
refererar till avståndet mellan klustren. Ju högre upp i dendrogrammet man kan se att
två kluster bildats, desto mer olika är klustren. Beroende på var ett dendrogram skärs
erhålls olika antal kluster och i detta fall hade man alltså flera tilltalande alternativ. Ett
alternativ hade varit att skära grafen vid fem kluster (märkt med rosa linje) och ett annat
alternativ att skära grafen vid sju kluster (blå linje).
4.3.3 K-means
Klustring med k-means gjordes för att kontrollera valet av antal kluster. För att se hur
många kluster som föredras med k-means skrevs följande kod i R.
wss <- (nrow(X)-1)*sum(apply(X,2,var))
for (i in 2:15) wss[i] <- sum(kmeans(X, centers=i)$withinss)
pdf("kmeans")
23
plot(1:15, wss, type="b", xlab="Number of clusters", ylab="within
group sum of squares")
dev.off()
Figur 12. Att bestämma antalet lämpliga kluster med k -means
Antalet ”within group sum of squares” hade en dipp vid sju kluster och vid tio kluster,
vilket innebär att om k-means ska användas bör tätorterna grupperas i sju eller tio
grupper.
4.3.4 Val av antal kluster
Vid klassificering av tätorter utifrån servicebredd lämpade sig fem eller sju kluster när
Wards metod användes, och sju eller tio kluster när k-means användes.
Tabell 4. Val av antal kluster vid klassificering utifrån servicebredd
Metod
Bäst antal kluster
Ward
5 eller 7
kmeans
7 eller 10
Val av antal kluster
7
24
Båda metoderna gav sju kluster som ett lämpligt antal och därför valdes antalet kluster
till sju.
4.3.5 Tätortsgrupper servicebredd
När antalet kluster var bestämt skulle tätorterna grupperas in i sju olika grupper. Wards
metod användes till detta. Följande kod väljer att skära dendrogrammet vid sju kluster,
och därefter skriva ut antalet tätorter per grupp samt vilka tätorter som klassificerats till
vilken grupp.
groups.7 = cutree(hclust(dj2, method="ward"), 7)
table(groups.7)
sapply(unique(groups.7),function(g)tatorter$NAMN[groups.7==g])
groups.7
Och utskriften:
groups.7
1
2
1336 373
3
165
4
60
5
12
6
5
7
2
Det var alltså 1336 tätorter som klassificerades till grupp 1, 373 stycken som
klassificerades till grupp 2, etc.
Följande R-kod skriver ut medelvärdena25 för icke-standardiserad data för var och en av
servicefunktionerna för var och en av klustergrupperna.
aggregate(Y, list(groups.7), mean)
Grupp
gymnasieskola
apotek
restaurang_bar
1
0,01
0,06
0,98
2
0,15
0,49
3,19
3
1,28
1,35
11,73
4
5,90
4,47
53,47
5
15,08
8,33
158,33
6
23,80
14,2
252,40
7
20,00
19,5
258,50
Av platsskäl redovisas bara medelvärdena för ett urval av servicefunktionerna, men
tittade man på samtliga av dessa medelvärden gick det att tyda en hierarki, där högre
gruppnummer innebar en större servicebredd. Grupp 7 har högst medelvärde för 19 av
25 servicefunktioner, i övriga fall är det grupp 6 som har högst medelvärde.
Grupp 7, 6 och 5 innehåller följande tätorter (samtliga grupper återfinns i Bilaga 3.):
25
Medianvärdena gav mycket liknande resultat
25
Grupp 7
Lund, Uppsala
Grupp 6
Linköping, Norrköping, Helsingborg, Örebro, Västerås
Grupp 5
Täby, Södertälje, Eskilstuna, Jönköping, Växjö, Halmstad, Borås,
Karlstad, Gävle, Sundsvall, Östersund, Umeå
Figur 13 visar alla tätorter och vilken servicebredd de har (1 är lägst, 7 är högst). Figur
14 visar de tätorter med högst, näst högst samt tredje högst servicebredd, det vill säga de
som nämndes ovan.
Figur 13. Tätorters servicebredd Figur 14. Tätorter med högst servicebredd
Samtliga av dessa tätorter är ”kända” tätorter med hög befolkningsmängd. Det finns
skäl att tro att det finns ett samband mellan klusternummer (dvs. servicebredd) och
befolkningsmängd. Tabell 5 visar att så är fallet, majoriteten av de tätorter med låg
servicebredd (nivå 1-2) har max 5000 invånare, även om de finns några som har en
större befolkningsmängd. Av de tätorter om har hög servicebredd (nivå 5-7) har alla
utom en en befolkningsmängd på över 50 000 invånare.
26
Tabell 5. Samband mellan servicebredd och befolkningsmängd
Bef.mängd 
Servicebredd 200-1000
1001-5000
5001-50000
>50000
S:a antal
tätorter
1
1065
246
25
0
1336
2
167
171
35
0
373
3
3
83
79
0
165
4
0
0
60
0
60
5
0
0
1
11
12
6
0
0
0
5
5
7
S:a antal
tätorter
0
0
0
2
2
1235
500
200
18
1953
4.4 Tätortsklassificering servicegrad
I detta avsnitt gås resultaten igenom för den klassificering som grundar sig på antal
förekomster av varje servicefunktion per 1000 invånare, dvs. servicegrad.
4.4.1 Eliminering av outliers
Även i denna klassificering skapades en scatterplotmatris för att kunna upptäcka
outliers. Variablerna livsmedelsbutiker, grundskola, apotek och bensinstation valdes ut,
detta för att samtliga av dessa fanns med i de tidigare nämnda studierna av
Tillväxtanalys och Cornwall Council. Se scatterplotmatrisen i figur 15.
27
Figur 15. Scatterplotmatris för att identifiera outliers
Det var framförallt en tätort som skiljde sig från de övriga. Denna identifierades genom:
Subset(tatorter, bensinstation_per_k>6)
Tätort
handelmat_
per_k
grundskola_
per_k
apotek_
per_k
bensinstation_
per_k
Granö
4.201681
4.201681
0
8.403361
Denna tätort togs bort från datamaterialet och den nya scatterplotmatrisen (figur 16)
visade att utgångsläget för klustring nu var bättre.
28
Figur 16. Scatterplotmatris efter eliminering av outliers
4.4.2 Hierarkisk agglomerativ klustring
De fyra hierarkiska agglomerativa klustringsteknikerna testades även för denna typ av
klassificering. Single Linkage, Complete Linkage och Average Linkage gav återigen
väldigt ojämna grupper (nästan alla tätorter i en grupp) och därför användes, precis som
för klassificeringen utifrån servicebredd, Wards metod.
Följande R-kod standardiserar data med hjälp av scale, skapar en avståndsmatris,
klustrar data med hjälp av R-funktionen hclust och plottar resultatet av klustringen i ett
dendrogram:
X <- scale(tatorter[,
c("polis_per_k","brand_per_k","arbetsformedling_per_k","ledning_per_k"
,"forskola_per_k","grundskola_per_k","gymnasie_per_k","universitet_per
_k","boende_per_k","oppenvard_per_k","slutenvard_per_k","apotek_per_k"
,"handelmat_per_k","handelovr_per_k","systembolag_per_k","bensinstatio
n_per_k","bibliotek_per_k","kultur_per_k","museum_per_k","idrott_per_k
","frisor_per_k","restaurang_bar_per_k","hotell_per_k","tandlakare_per
_k","resecentrum_per_k")], center = FALSE, scale = TRUE)
dj <- dist(X)
dj2 <- dj^2
29
pdf("ward_antal_per_k.pdf")
plot(w <- hclust(dj2, method="ward"), labels=tatorter$NAMN, main =
"Wards, squared eucludean distance")
dev.off()
w
Figur 17. Dendrogram servicegrad
Det fanns här flera olika alternativ för att välja antalet kluster för detta dataset, men skär
man dendrogrammet för högt upp erhålls för få kluster, och skär man dendrogrammet
för långt ned blir antalet kluster för många. Ett lockande alternativ var att skära grafen
vid nio kluster (rosa linje).
4.4.3 K-means
För att se hur många kluster som lämpar sig vid klustring med k-means plottades grafen
som visas i figur 18.
30
Figur 18. Att bestämma antalet lämpliga kluster med k -means
Kurvan har en dipp vid 9 kluster och vid 12 kluster, vilket innebar att något av dessa
antal borde väljas.
4.4.4 Val av antal kluster
Tabell 6 visar vilket antal kluster som passade bäst med Wards metod och med kmeans, och vilket antal kluster som valdes.
Tabell 6. Val av antal kluster vid klassificering utifrån servicegrad
Metod
Bäst antal kluster
Ward
Flera alternativ, t.ex. 9
kmeans
9 eller 12
Val av antal kluster
9
4.4.5 Tätortsgrupper servicegrad
När tätorterna klassificerades utifrån antal servicefunktioner per 1000 invånare valdes
antal kluster till nio, och följande utskrift visar hur många tätorter som klassificerades
till de olika grupperna när Wards metod tillämpades.
31
groups.9
1
2
12 1041
3
8
4
229
5
24
6
9
7
444
8
154
9
34
12 tätorter klassificerades alltså till klustergrupp 1, 1041 stycken klassificerades till
klustergrupp 2, etc. Skriver man ut medelvärdena för respektive klustergrupp och
respektive servicefunktion går det, precis som för klassificeringen utifrån servicebredd,
att urskönja en hierarki.
Grupp
gymnasieskola
apotek
restaurang_bar
1
0,00
0,00
1,04
2
0,00
0,01
0,89
3
0,00
0,00
0,75
4
0,00
0,00
1,48
5
0,09
0,19
1,50
6
0,00
0,00
1,46
7
0,15
0,32
1,83
8
0,20
0,32
2,40
9
0,31
0,78
3,45
För 15 av de 25 servicefunktionerna gällde att grupp 9 hade högst medelvärde. Av
platsskäl presenteras här bara dessa, det vill säga de tätorter med högst servicegrad.
Samtliga tätortsgrupper återfinns i Bilaga 3.
Grupp 9
Ullared, Österbymo, Högsby, Tanumshede, Färgelanda, Nossebro,
Charlottenberg, Storfors, Idre, Sälen, Vansbro, Älvdalen, Bergsjö,
Junsele, Bräcke, Funäsdalen, Gäddede, Hammarstrand, Hoting, Järpen,
Krokom, Svenstavik, Bjurholm, Dorotea, Nordmaling, Norsjö, Sorsele,
Storuman, Tärnaby, Vindeln, Åsele, Pajala, Överkalix, Övertorneå
Figur 19 visar alla tätorter och vilken servicegrad de har (1 är lägst, 9 är högst). Figur 20
visar de tätorter med högst servicegrad, det vill säga de som nämndes ovan.
32
Figur 19. Tätorters olika
servicegrad
Figur 20. Tätorter med högst
servicegrad
Till skillnad från de tätorter med hög servicebredd är tätorterna med hög servicegrad
inte kända för sina stora befolkningsmängder. Dock finns andra gemensamma nämnare
för tätorterna med hög servicegrad, de är tätorter som många människor från andra
ställen åker till av olika anledningar. Till exempel shoppingmeckat Ullared, och
tätorten Charlottenberg på norska gränsen dit många norrmän åker och handlar därför
att det är billigare i Sverige. På listan över tätorter med hög servicegrad fanns även
skidorter som Idre, Sälen, Funäsdalen och Järpen. Andra tätorter som Pajala, Överkalix
och Övertorneå är sådana som har ett stort omland där det inte finns så mycket service,
och därför kan man tänka sig att många åker dit för att uträtta ärenden.
På grund av nämnda upptäckter fanns det skäl att tro att det fanns ett samband mellan
kvoten förvärvsarbetande och befolkningsmängd. Tabell 7 visar att det finns ett visst
sådant samband. En stor majoritet av de tätorter med låg servicegrad har en kvot på
under 0,5, vilket innebär att mer än dubbelt så många bor i dessa tätorter än som arbetar
där (de pendlar förmodligen ut därifrån till en annan tätort). Av de tätorter som har
högst servicegrad, servicegrad 9, har mer än två tredjedelar en kvot på över 0,5, det är
alltså en större andel som arbetar i dessa tätorter jämfört med de tätorter som har låg
servicegrad.
33
Tabell 7. Samband mellan servicegrad och kvoten dag -/nattbefolkning
Kvot förvärvsarbetande/
bef.mängd 
0-0,5
0,5-1
1-1.5
>1.5
S:a antal
tätorter
Servicegrad
1
11
1
0
0
12
2
972
52
13
4
1041
3
6
0
0
2
8
4
193
33
3
0
229
5
22
2
0
0
24
6
6
3
0
0
9
7
330
109
4
1
444
8
103
49
1
1
154
9
S:a antal
tätorter
10
23
0
1
34
1653
272
21
9
1955
4.5 Samband servicebredd och servicegrad
Utifrån resultaten i avsnitt 4.3 och 4.4 kunde man se att sju kluster lämpade sig bäst vid
klassificering utifrån servicebredd och nio kluster vid klassificering utifrån servicegrad.
Antalet tätorter i varje kluster framgår av tabell 8.
Tabell 8. Val av antal kluster och antal tätorter per kluste r
Val av antal kluster
Antal tätorter per kluster
(Wards metod)
Klassificering
servicebredd
7
1336,373,165,60,12,5,2
Klassificering
servicegrad
9
12,1041,8,229,24,9,444,154,34
Det framgick att det inte var samma tätorter som hade hög servicebredd, som de som
hade hög servicegrad. Istället finns andra samband mellan tätorters servicebredd och
servicegrad. Korstabellen, tabell 9, visar att låg servicebredd förvisso hänger ihop med
låg servicegrad, men att tätorter med hög servicegrad snarare har relativt låg
servicebredd. Samtliga av de tätorter med högst servicebredd har en relativt hög
servicegrad, servicegrad 7.
34
Tabell 9. Korstabell servicebredd/servicegrad
Servicebredd->
1
2
3
4
5
6
7
Servicegrad
1
2
11
997
1
42
0
0
0
2
0
0
0
0
0
0
S:a antal
tätorter_
12
1041
3
7
1
0
0
0
0
0
8
4
110
119
0
0
0
0
0
229
5
0
24
0
0
0
0
0
24
6
9
0
0
0
0
0
0
9
7
8
9
S:a antal
tätorter
186
15
0
1335
151
27
8
373
27
112
26
165
58
0
0
60
12
0
0
12
5
0
0
5
2
0
0
2
441
154
34
1952
5. Slutsatser
Vilka servicefunktioner anses viktiga och bör ingå i studien?
Efter en relativt omfattande litteraturstudie samt intervjuer/möten med inom området
kunniga på SCB stod det klart att följande 25 servicefunktioner skulle ingå i studien:
Förskola
Gymnasieskola
Öppen vård
Tandläkare
Apotek
Handel (övrigt)
Bensinstation
Biograf/teater/konserthus
Sporthall/idrottsplats/gym
Restaurang/bar
Polisstation
Arbetsförmedling
Resecentrum (tåg- och busstationer)
Grundskola
Universitet
Sluten vård
Vårdboende/äldreboende
Handel (livsmedel)
Systembolaget
Bibliotek
Museum
Frisörsalong
Hotell/vandrarhem
Brandstation
Stats- och kommunledning
Data över dessa servicefunktioner fanns tillgänglig hos SCB eller hos andra
myndigheter.
Hur kan servicebredd och servicegrad definieras?
En tätort har hög servicebredd om den har ett stort antal av respektive servicefunktion.
En hög servicegrad har en tätort om den har ett stort antal av respektive servicefunktion
per 1000 invånare. Dessa definitioner fick stöd från SCB (både personer på geografisk
analys och på statistisk metod). För att kunna klassificera tätorterna utifrån servicebredd
och servicegrad var data tvungen att sammanställas så att information fanns för varje
tätort om antalet av respektive servicefunktion per tätort, och antalet av respektive
servicefunktion per 1000 invånare per tätort.
35
Vilka metoder existerar för att klassificera data och vilken metod passar bäst för
att klassificera tätorter utifrån servicebredd och servicegrad?
Det finns olika metoder för att klassificera data med hjälp av klusteranalys och i detta
examensarbete testades och jämfördes fem olika klustertekniker. Fyra hierarkiska
agglomerativa klustertekniker testades: Single Linkage, Complete Linkage, Group
Average och Wards metod testad. De tre första klusterteknikerna lämpade sig dåligt för
datamaterialet medan Wards metod lämpade sig bra. Detta fanns det även tidigt en
hypotes om då Storbritanniens statistikbyrå Office for National Statistics med jämna
mellanrum klassificerar områden och då med hjälp av Wards metod. De kontrollerar
sina resultat med hjälp av k-means, vilket även gjordes i detta examensarbete. Dock
endast för att se om antalet tätortsgrupper blev ungefär samma med denna metod som
med Wards. Bäst tätortsgrupper, i meningen mest logiskt intuitiva kluster, erhölls med
Wards metod. Detta var enklast att se i klassificeringen utifrån servicebredd, då större
och mer ”kända” tätorter alla hamnade i grupper för sig, och alla små tätorter där det
inte finns någonting hamnade för sig i en stor grupp.
När alla tätorter tilldelats mått på servicebredd och servicegrad: kan man se några
samband mellan tätorters servicebredd och deras befolkningsstorlek, mellan
tätorters servicegrad och sysselsättningsgrad, och mellan servicebredd och
servicegrad?
Man kunde se ett tydligt samband mellan servicebredd och befolkningsmängd, och även
ett samband mellan servicegrad och sysselsättningsgrad. Gällande sambanden mellan
servicebredd och servicegrad kunde man se att låg servicebredd förvisso hänger ihop
med låg servicegrad, men att tätorter med hög servicegrad snarare har relativt låg
servicebredd. Samtliga av de tätorter med högst servicebredd har en relativt hög
servicegrad (nivå 7).
6. Användningsområden och framtida forskning
Olika delar av resultaten i detta examensarbete kan användas för olika ändamål. Den
sammanställda tabellen kan analyseras vidare för att hitta fler mönster bland Sveriges
tätorter och hur servicenivån ser ut i var och en av dem. Detta med hjälp av GIS eller
statistiska metoder.
Resultatet av tätortsklassificeringarna kan redan nu eller i förlängningen användas av
beslutsfattare eller samhällsplanerare för att t.ex. identifiera tätorter med låg
servicegrad. Detta för att undersöka om något bör göras så att servicen höjs i dessa
tätorter, kanske behövs det fler apotek eller bibliotek.
Statistiska centralbyrån har en önskan om att utveckla tätortsstatistiken genom att ta
fram ett mått på hur god servicen är i respektive tätort och samtliga resultat i detta
examensarbete bidrar till denna utveckling. Den noggranna dokumentationen gör att
liknande studier kan upprepas med fler, färre eller andra variabler, för andra årtal eller
för andra geografiska enheter.
Att upprepa samma klusteranalys för andra årtal är något jag hade tyckt varit intressant
att göra, men som det inte fanns tid för inom ramarna för detta examensarbete. Detta
vore intressant att göra eftersom förändringar av dessa slag är viktiga att studera för att
upptäcka när nya samhällssituationer och -problem uppstår så att dessa kan lösas i tid.
36
7. Referenser
Böcker
Everitt Brian, Hothorn Torsten. (2011). An Introduction to Applied Multivariate
Analysis with R. New York: Springer Science.
Harrie, Lars. (2013). Geografisk Informationsbehandling: Teori, metoder och
tillämpningar. Lund: Studentlitteratur AB.
Rapporter
Cornwall Council. (2011). Planning Future Cornwall – Settlements: Hierarchy and
Settlement Categories.
Förordning 2010:1770 om geografisk miljöinformation. Tillgänglig på
http://www.riksdagen.se/sv/DokumentLagar/Lagar/Svenskforfattningssamling/Forordning-20101770-om-geog_sfs-20101770/#K3
Nilsson, Lars och Forsell, Håkan. (2013). 150 år av självstyrelse: Kommuner och
Landsting i förändring. Stockholm: Sveriges Kommuner och Landsting. Tillgänglig på:
http://webbutik.skl.se/sv/artiklar/150-ar-av-sjalvstyrelse.html
Office for National Statistics: Area Classification – methodology and variables.
Tillgänglig på http://www.ons.gov.uk/ons/guide-method/geography/products/areaclassifications/ns-area-classifications/index/methodology-and-variables/localauthorities/index.html
SCB: Tätorter 2010 (2011).
Tillgänglig på: http://www.scb.se/sv_/Hitta-statistik/Publiceringskalender/Visadetaljerad-information/?publobjid=15033+
Tillväxtanalys. (2011). Städer och deras tillväxtförutsättningar - En beskrivning av olika
städer och deras förutsättningar för tillväxt (2011:08). Tillgänglig på:
http://www.tillvaxtanalys.se/sv/publikationer/rapportserien/rapportserien/ 2011-12-06stader-och-deras-tillvaxtforutsattningar---en-beskrivning-av-olika-stader-och-derasforutsattningar-for-tillvaxt.html
Tillväxtanalys. (2013). Tillgänglighet till kommersiell och offentlig service 2012
(2013:04). Tillgänglig på:
http://www.tillvaxtanalys.se/sv/publikationer/rapportserien/rapportserien/2013-03-15tillganglighet-till-kommersiell-och-offentlig-service-2012.html
Muntliga källor
Karin Hedeklint, expert på geografisk analys och GIS på SCB
Stefan Svanström, expert på geografisk analys och GIS på SCB
37
Internet
Lantmäteriet: Fastighetskartan
https://www.lantmateriet.se/sv/Kartor-och-geografiskinformation/Kartor/Fastighetskartan/ (hämtad 2014-03-18)
Lantmäteriet: Sverigekartor
https://www.lantmateriet.se/sv/Kartor-och-geografisk-information/Kartor/Sverigekartor/
(hämtad: 2014-03-18)
Berlin School of Business and Economics: Cluster algorithms http://sfb649.wiwi.huberlin.de/fedc_homepage/xplore/tutorials/mvahtmlnode80.html (hämtad 2014-03-01)
Miljöstatistik: Att analysera flera variabler samtidigt
http://www.miljostatistik.se/multivariat_flodesschema.html (hämtad 2014-02-03)
SCB: Sökning efter SNI-kod
http://www.sni2007.scb.se/default.asp (hämtad 2014-03-31)
SCB: Vad står arbetsställe för?
http://www.scb.se/sv_/Vara-tjanster/Foretag--och-myndighetsregister/Foretagsregistret/
Vanliga-fragor/ (hämtad 2014-03-31)
38
Bilaga 1. Definitioner servicefunktioner
25 servicefunktioner valdes att ta med i studien och i denna bilaga kommer
definitionerna för var och en av dessa att beskrivas. Det framgår också varifrån data
kommer.
Förskola
Datakälla: SCB:s företagsdatabas SNI-kod 85100
Omfattar: ”Förberedande utbildning inför grundskolan vilket vanligtvis tillhandahålls
av förskolor, daghem eller särskilda enheter inom grundskolan och i första hand syftar
till att vänja mindre barn vid skolliknande miljö. Pedagogiskt inriktad verksamhet med
krav på pedagogiskt utbildad personal och läroplan. Omfattar inte omsorg avseende små
barn hos dagbarnsvårdare, dagmamma, barntimmar, öppen förskola och parklek,
förskoleklass och familjedaghem.”
Grundskola
Datakälla: Statens skolverk, via Geodataportalen
Omfattar: ”Geografisk information som beskriver skolenheter för grundskolan
inklusive sameskolan. Uppgifterna avser läsåret 2013/14.”
Gymnasieskola
Datakälla: Statens skolverk, via Geodataportalen
Omfattar: ”Geografisk information som beskriver skolenheter för gymnasieskolan.
Uppgifterna avser läsåret 2013/14.”
Universitet
Datakälla: SCB:s företagsdatabas SNI-kod 85420
Omfattar: 85420: ”Utbildning vid högskola eller universitet”
Bibliotek
Datakälla: SCB:s företagsdatabas SNI-kod 91011
Omfattar: 91011: ”Biblioteksverksamhet inkl. skolbibliotek, forskningsbibliotek,
bokbussverksamhet, bokdepåer”
Öppen vård
Datakälla: SCB:s företagsdatabas SNI-kod 86211, 86212, 86221 och 86222
Omfattar: 86211: ”Primärvårdsmottagningar med läkare m.m. Privata
allmänmedicinska mottagningar samt även primärvårdsansluten hemsjukvård”, 86212:
”Annan allmän öppen hälso- och sjukvård, ej primärvård”, 86221:
”specialistläkarverksamhet inom öppenvård, på sjukhus”, 86222:
”specialistläkarverksamhet inom öppenvård, ej på sjukhus”
Sluten vård
Datakälla: SCB:s företagsdatabas SNI-kod 86102 och 86103
Omfattar: 86102: ”Specialiserad sluten somatisk hälso- och sjukvård som ges till
patienter inskrivna vid vårdenhet på sjukhus under direkt överinseende av läkare.
Specialiserad sluten somatisk hälso- och sjukvård omfattar medicinsk utredning,
behandling och omvårdnad som kräver mer specialiserade insatser samt större tekniska
och personella resurser än primärvården.” 86103: ”Specialiserad sluten psykiatrisk
39
hälso- och sjukvård på sjukhus, som ges till patienter inskrivna vid vårdenhet på sjukhus
under direkt överinseende av läkare. Under specialiserad psykiatrisk vård ingår såväl
psykiatrisk korttidsvård som psykiatrisk långtidsvård. Området omfattar allmän
psykiatri, BUP, sluten barn- och ungdomspsykiatri samt rättspsykiatri.
Tandläkare
Datakälla: SCB:s företagsdatabas SNI-kod 86230
Omfattar: 86230: ”Allmän eller specialisttandvård, t.ex. tandläkarearbete, endodontisk
tandvårdsverksamhet och barntandvård, oral patologi och tandreglering, tandvård i
operationssalar”
Vårdboende/äldreboende
Datakälla: SCB:s företagsdatabas SNI-kod 87201, 87202, 87203, 87301, 87302,
87901, 87902,88101, 88102.
Omfattar: 87201: ”Boende med särskild service för personer med utvecklingsstörning
eller psykiska funktionshinder”, 87202: ”boende med särskild service för barn och
ungdomar med missbruksproblem”, 87203: ”boende med särskild service för vuxna
med missbruksproblem”, 87301: ”vård och omsorg i särskilda boendeformer för äldre
personer”, 87302: ”vård och omsorg i särskilda boendeformer för personer med fysiska
funktionshinder”, 87901: ”heldygnsvård med boende för barn och ungdomar med
sociala problem”, 87902: ”omsorg och sociala insatser i övriga boendeformer för
vuxna”, 88101: ”öppna sociala insatser för äldre personer”, 88102: ”öppna sociala
insatser för personer med funktionshinder”.
Apotek
Datakälla: Livsmedelsverket (http://www.lakemedelsverket.se/malgrupp/Apotek-handel/Apotek/Oppenvardsapotek-med-tillstand/)
Omfattar: Godkända öppenvårdsapotek, uppdaterad januari 2014
Livsmedelsbutik
Datakälla: SCB:s företagsdatabas SNI-kod 47111, 47112,
Omfattar: 47111: ”Varuhus och stormarknader, mest livsmedel, drycker och tobak”,
47112: ”Livsmedelshandel med brett sortiment, ej varuhus eller stormarknad”, 47191:
”annan varuhus- eller stormarknadshandel högst 35 procent livsmedel, dryck och
tobak”, 47199: ”Övrig detaljhandel med brett sortiment, högst 35 procent livsmedel,
drycker och tobak”, 47210: ”specialiserad butikshandel med frukt och grönsaker”,
47220: ”specialiserad butikshandel med kött och charkuterier”, 47230: ”specialiserad
butikshandel med fisk, skal- och blötdjur”, 4724: ”specialiserad butikshandel med bröd,
konditorivaror och konfektyrer”, 4725: ”specialiserad butikshandel med tobaksvaror”
Butiker (alla typer utom livsmedel)
Datakälla: SCB:s företagsdatabas SNI-kod 47410 till 47793, förutom 47730
(apotekshandel)
Omfattar: Specialiserad butikshandel inom allt förutom mat, dryck, tobak och
apotekshandel.
Systembolag
Datakälla: SCB:s företagsdatabas SNI-kod 47250
Omfattar: 47250: ”Specialiserad butikshandel med alkoholhaltiga och andra drycker”
40
Bensinstation
Datakälla: SCB:s företagsdatabas SNI-kod 47300
Omfattar: 47300: ”Specialiserad detaljhandel med bränsle, smörjmedel och kylmedel
för motorfordon”
Biograf/teater/konserthus
Datakälla: SCB:s företagsdatabas SNI-kod 59140 och 90040
Omfattar: 59140: ”Visning av spelfilm eller videoband i biografer eller utomhus”,
90040: ”drift av teatrar, konserthus och andra kulturanläggningar förutom biografer och
museer”
Museum
Datakälla: SCB:s företagsdatabas SNI-kod 91020
Omfattar: 91020: ”Drift av alla olika slags museer”
Sporthall/idrottshall/gym
Datakälla: SCB:s företagsdatabas SNI-kod 93111, 93112, 93113, 93114, 93119,
93120, 93130, 93191, 92199
Omfattar: 93111-93119: ”Drift av sportanläggningar”, 93120: ”sportklubbar och
idrottsföreningar”, 93130: ”drift av gymanläggningar”, 93191: ”tävling med hästar”,
93199: ”övrig sportverksamhet”
Frisörsalong
Datakälla: SCB:s företagsdatabas SNI-kod 96021
Omfattar: 96021: ”Hårvård, ej tillverkning av peruker”
Restaurang/bar
Datakälla: SCB:s företagsdatabas SNI-kod 56100 och 56300
Omfattar: 56100: ”Restaurangverksamhet inkl. gatukök, kaféer och korvkiosker m.fl.”,
56300: ”Verksamhet vid barer, pubar, nattklubbar, ölhallar etc”
Hotell/vandrarhem/stugby
Datakälla: SCB:s inkvarteringsstatistik
Omfattar: Hotell, vandrarhem, stugbyar och campingar, privata förmedlare ej
inkluderade
Polisstation
Datakälla: SCB:s företagsdatabas SNI-kod 84240
Omfattar: 84240: ”Verksamhet som utövas av den reguljära polisen och speciella
polisstyrkor för hamn-, gräns- och kustbevakning inkl. trafikövervakning. Omfattar ej
verksamhet vid kriminaltekniska laboratorier”
Brandstation
Datakälla: Myndigheten för samhällsskydd och beredskap via geodataportalen
Omfattar: ”Data om brandstationers lägen.” Enligt metadata i geodataportalen är
lägesnoggrannheten för brandstationerna av varierande kvalitét.
41
Arbetsförmedling
Datakälla: Arbetsförmedlingen
Omfattar: ”Samtliga arbetsförmedlingar som fanns i Sverige i februari 2014.”
Stats- och kommunledning
Datakälla: SCB:s företagsdatabas SNI-kod 84111
Omfattar: 84111: ”Stats- och kommunledning, lagstiftning och övergripande planering.
T.ex. departement, kommunal förvaltning, regering, riksdag”
Rececentrum (buss- och tågstationer)
Datakälla: Lantmäteriets fastighetskarta
Omfattar: BY-lagret med detaljerat ändamål: busstation (”större busshållplats eller
resecentrum med flera linjer med byggnad, t.ex. resecentrum”) samt järnvägsstation
(”station eller hållplats som expedierar person- eller godstrafik enligt SJs författningar
och rikstidtabellen”).
42
Bilaga 2. Script
Tätortsklassificering servicebredd
Denna klassificering grundar sig på på antal förekomster av varje servicefunktion.
Script kommer att presenteras både för Wards metod och för k-means, och kommentarer
i koden finns för att öka förståelsen.
Wards metod
Detta script är uppdelat i två delar. En del där detektion av outliers sker, och en där
själva klusteranalysen sker på data-materialet med eliminerade outliers.
# läser in filen, döper den till tatorter
tatorter <- read.delim("To2010_SR99TM_komplett.txt", header = TRUE,
sep="\t")
# Z är delmatris som används för att detektera outliers mha en
scatterplotmatris
pdf("scattermatris")
Z <- tatorter[, c("handel_mat","grundskola","apotek","bensinstation")]
pairs(Z, pch = ".", cex=4)
dev.off()
# detektera vilka tätorter som är outliers
subset(tatorter, grundskola>6)
--------# läser in filen, döper den till tatorter
tatorter <- read.delim("To2010_SR99TM_utan_outliers.txt", header =
TRUE, sep="\t")
# X är viktad matris
X <- scale(tatorter[,
c("polis","brand","arbetsformedling","ledning","forskola","grundskola"
,"gymnasie","universitet","boende","oppen_vard","sluten_vard","apotek"
,"handel_mat","handel_ovr","systembolag","bensinstation","bibliotek","
kultur","museum","idrott","frisor","restaurang_bar","hotell","tandlaka
re", "resecentrum")], center = FALSE, scale = TRUE)
# Y är oviktad matris att använda för statistik över resp. kluster i
senare skede
Y <- tatorter[,
c("Folkmängd101231","polis","brand","arbetsformedling","ledning","fors
kola","grundskola","gymnasie","universitet","boende","oppen_vard","slu
ten_vard","apotek","handel_mat","handel_ovr","systembolag","bensinstat
ion","bibliotek","kultur","museum","idrott","frisor","restaurang_bar",
"hotell","tandlakare", "resecentrum")]
# Z är delmatris som används för att skapa en scatterplotmatris
pdf("scattermatris_klassificering1")
Z <- tatorter[, c("handel_mat","grundskola","apotek","bensinstation")]
pairs(Z, pch = ".", cex=4)
dev.off()
# skapa avståndsmatris för viktad data
dj <- dist(X)
# vid wards metod används squared euclidean som avståndsmått
43
dj2 <- dj^2
# plotta dendrogram
pdf("ward_antal.pdf")
plot(w <- hclust(dj2, method="ward"), labels=tatorter$NAMN, main =
"Wards, squared eucludean distance")
dev.off()
w
# skär dendrogrammet vid sju och skriv ut (oviktad) information
(medelvärde och medianvärde) om grupperna
groups.7 = cutree(hclust(dj2, method="ward"), 7)
table(groups.7)
sapply(unique(groups.7),function(g)tatorter$NAMN[groups.7==g])
aggregate(Y, list(groups.7), mean)
aggregate(Y, list(groups.7), median)
groups.7
k-means
#läser in filen, döper den till tatorter
tatorter <- read.table("To2010_SR99TM_utan_outliers.txt", header =
TRUE, sep="\t")
#sammanfatta data
summary(tatorter)
#standardisera variabler
X <- scale(tatorter[,
c("polis","brand","arbetsformedling","ledning","forskola","grundskola"
,"gymnasie","universitet","boende","oppen_vard","sluten_vard","apotek"
,"handel_mat","handel_ovr","systembolag","bensinstation","bibliotek","
kultur","museum","idrott","frisor","restaurang_bar","hotell","tandlaka
re","resecentrum","dagbef")], center = FALSE, scale = TRUE)
#räkna ut "within cluster sum of squares" och plotta för antal kluster
1 till 15
wss <- (nrow(X)-1)*sum(apply(X,2,var))
for (i in 2:15) wss[i] <- sum(kmeans(X, centers=i)$withinss)
pdf("kmeans")
plot(1:15, wss, type="b", xlab="Number of clusters", ylab="within
group sum of squares")
dev.off()
#utför kmeans med antal kluster satt till 7 (100 iterationer)
k <- kmeans(X, centers=7, 100)
#skriv ut resultatet
k
print(k)
plot(X, col = k$cluster)
points(k$centers, col = 1:3, pch=8)
#alla objekt binds till rätt klustertillhörighet
out <- data.frame(cbind(X, clustNum = k$cluster))
44
Tätortsklassificering servicegrad
Klassificering 2 är den som är grundad på antal förekomster av varje servicefunktion,
per tusen invånare. Precis som för klassificering 1 kommer script både för Wards metod
och för k-means att presenteras.
Wards metod
# läser in filen, döper den till tatorter
tatorter <- read.delim("To2010_SR99TM_komplett.txt", header = TRUE,
sep="\t")
# Z är delmatris som används för att detektera outliers mha en
scatterplotmatris
pdf("scattermatris_klassificering2")
Z <- tatorter[,
c("handelmat_per_k","grundskola_per_k","apotek_per_k","bensinstation_p
er_k")]
pairs(Z, pch = ".", cex=4)
dev.off()
# detektera vilka tätorter som är outliers
subset(tatorter, bensinstation_per_k>6)
--------# läser in filen, döper den till tatorter
tatorter <- read.delim("To2010_SR99TM_utan_outlier.txt", header =
TRUE, sep="\t")
# X är viktad matris
X <- scale(tatorter[,
c("polis_per_k","brand_per_k","arbetsformedling_per_k","ledning_per_k"
,"forskola_per_k","grundskola_per_k","gymnasie_per_k","universitet_per
_k","boende_per_k","oppenvard_per_k","slutenvard_per_k","apotek_per_k"
,"handelmat_per_k","handelovr_per_k","systembolag_per_k","bensinstatio
n_per_k","bibliotek_per_k","kultur_per_k","museum_per_k","idrott_per_k
","frisor_per_k","restaurang_bar_per_k","hotell_per_k","tandlakare_per
_k","resecentrum_per_k")], center = FALSE, scale = TRUE)
# Y är oviktad matris att använda för statistik över resp. kluster i
senare skede
Y <- scale(tatorter[,
c("polis_per_k","brand_per_k","arbetsformedling_per_k","ledning_per_k"
,"forskola_per_k","grundskola_per_k","gymnasie_per_k","universitet_per
_k","boende_per_k","oppenvard_per_k","slutenvard_per_k","apotek_per_k"
,"handelmat_per_k","handelovr_per_k","systembolag_per_k","bensinstatio
n_per_k","bibliotek_per_k","kultur_per_k","museum_per_k","idrott_per_k
","frisor_per_k","restaurang_bar_per_k","hotell_per_k","tandlakare_per
_k","resecentrum_per_k","dagbef")], center = FALSE, scale = FALSE)
# Z är delmatris som används för att skapa en scatterplotmatris
pdf("scattermatris_per_k_utan_grano")
Z <- tatorter[,
c("handelmat_per_k","grundskola_per_k","apotek_per_k","bensinstation_p
er_k")]
pairs(Z, pch = ".", cex=4)
45
dev.off()
# skapa avståndsmatris för viktad data
dj <- dist(X)
# squared euclidean skall användas vid wards metod
dj2 <- dj^2
# plotta dendrogram och spara till en pdf-fil
pdf("ward.pdf")
plot(w <- hclust(dj2, method="ward"), labels=tatorter$NAMN, main =
"Wards, squared eucludean distance")
dev.off()
w
# skära dendrogram vid nio och skriva ut (oviktad) information
(medelvärde och medianvärde) om grupperna
groups.9 = cutree(hclust(dj2, method="ward"), 9)
table(groups.9)
sapply(unique(groups.9),function(g)tatorter$NAMN[groups.9==g])
aggregate(Y, list(groups.9), mean)
aggregate(Y, list(groups.9), median)
groups.9
k-means
# läser in filen, döper den till tatorter
tatorter <- read.table("To2010_SR99TM_utan_outlier.txt", header =
TRUE, sep="\t")
#sammanfatta data
summary(tatorter)
#standardisera variabler
X <- scale(tatorter[,
c("polis_per_k","brand_per_k","arbetsformedling_per_k","ledning_per_k"
,"forskola_per_k","grundskola_per_k","gymnasie_per_k","universitet_per
_k","boende_per_k","oppenvard_per_k","slutenvard_per_k","apotek_per_k"
,"handelmat_per_k","handelovr_per_k","systembolag_per_k","bensinstatio
n_per_k","bibliotek_per_k","kultur_per_k","museum_per_k","idrott_per_k
","frisor_per_k","restaurang_bar_per_k","hotell_per_k","tandlakare_per
_k","resecentrum_per_k")], center = FALSE, scale = TRUE)
#räkna ut "within cluster sum of squares" och plotta för antal kluster
1 till 15
wss <- (nrow(X)-1)*sum(apply(X,2,var))
for (i in 2:15) wss[i] <- sum(kmeans(X, centers=i)$withinss)
pdf("kmeans_per_k")
plot(1:15, wss, type="b", xlab="Number of clusters", ylab="within
group sum of squares")
dev.off()
#utför kmeans med antal kluster satt till 9 (100 iterationer)
k <- kmeans(X, centers=9, 100)
#skriv ut resultatet
k
46
Bilaga 3. Tätortsgrupper
Klassificering med Wards metod utifrån servicebredd
Outliers
Stockholm, Göteborg, Malmö
Grupp 7
Lund, Uppsala
Grupp 6
Linköping, Norrköping, Helsingborg, Örebro, Västerås
Grupp 5
Täby, Södertälje, Eskilstuna, Jönköping, Växjö, Halmstad, Borås,
Karlstad, Gävle, Sundsvall, Östersund, Umeå
Grupp 4
Lidingö, Märsta, Norrtälje, Tumba, Upplands Väsby, Vallentuna,
Åkersberga, Enköping, Katrineholm, Nyköping, Strängnäs, Motala,
Nässjö, Vetlanda, Värnamo, Kalmar, Oskarshamn, Västervik, Visby,
Karlshamn, Karlskrona, Ronneby, Hässleholm, Kristianstad, Ängelholm,
Eslöv, Landskrona, Trelleborg, Ystad, Falkenberg, Kungsbacka, Varberg,
Kungälv, Mölnlycke, Stenungsund, Uddevalla, Alingsås, Kinna, Lerum,
Trollhättan, Vänersborg, Falköping, Lidköping, Mariestad, Skövde,
Kristinehamn, Karlskoga, Köping, Borlänge, Falun, Bollnäs, Hudiksvall,
Sandviken, Härnösand, Örnsköldsvik, Lycksele, Skellefteå, Boden,
Luleå, Piteå
Grupp 3
Ekerö, Kungsängen, Nynäshamn, Vaxholm, Skutskär, Tierp, Östhammar,
Flen, Gnesta, Mariefred, Trosa, Vingåker, Boxholm, Finspång, Kisa,
Mjölby, Vadstena, Valdemarsvik, Åtvidaberg, Österbymo, Aneby, Eksjö,
Gnosjö, Sävsjö, Tranås, Alvesta, Lessebo, Ljungby, Markaryd, Tingsryd,
Åseda, Borgholm, Emmaboda, Hultsfred, Högsby, Mönsterås, Mörbylånga,
Nybro, Vimmerby, Olofström, Broby, Bromölla, Båstad, Klippan, Osby,
Simrishamn, Tomelilla, Åstorp, Örkelljunga, Bjuv, Höganäs, Hörby,
Höör, Kävlinge, Lomma, Sjöbo, Skurup, Staffanstorp, Svalöv, Svedala,
Vellinge, Hyltebruk, Laholm, Kungshamn, Lysekil, Munkedal, Skärhamn,
Strömstad, Tanumshede, Öckerö, Bengtsfors, Bollebygd, Ed, Färgelanda,
Herrljunga, Lilla Edet, Mellerud, Svenljunga, Tranemo, Ulricehamn,
Åmål, Habo, Hova, Karlsborg, Mullsjö, Nossebro, Skara, Tidaholm,
Töreboda, Vara, Arvika, Charlottenberg, Filipstad, Forshaga, Hagfors,
Kil, Storfors, Sunne, Säffle, Torsby, Årjäng, Askersund, Degerfors,
Fjugesta, Hallsberg, Hällefors, Kopparberg, Kumla, Laxå, Lindesberg,
Nora, Fagersta, Hallstahammar, Heby, Kungsör, Sala, Skinnskatteberg,
Avesta, Hedemora, Leksand, Ludvika, Malung, Mora, Orsa, Rättvik,
Smedjebacken, Säter, Vansbro, Älvdalen, Bergsjö, Edsbyn, Hofors,
Ljusdal, Ockelbo, Söderhamn, Kramfors, Sollefteå, Timrå, Ånge, Bräcke,
Hammarstrand, Järpen, Krokom, Strömsund, Stenstavik, Bjurholm,
Dorotea, Malå, Nordmaling, Norsjö, Robertsfors, Sorsele, Storuman,
Vindeln, Vännäs, Åsele, Arvidsjaur, Gällivare, Haparanda, Kalix,
Kiruna, Pajala, Älvsbyn, Överkalix, Övertorneå
Grupp 2
Boo, Fisksätra, Gustavsberg, Hallstavik, Jordbro, Järna, Mörtnäs,
Nykvarn, Rimbo, Saltsjöbaden, Sorunda, Älmsta, Almunge, Alunda,
Björklinge, Bålsta, Fjärdhundra, Järlåsa, Knivsta, Knutby, Skyttorp,
Skärplinge, Söderfors, Öregrund, Örsundsbro, Österbybruk, Björvik,
Högsjö, Malmköping, Nävekvarn, Oxelösund, Torshälla, Vrena, Åkers
styckebruk, Äsköping, Bestorp, Borensberg, Gistad, Horn, Krokek,
47
Ljungsbro, Rejmyre, Rimforsa, Skänninge, Skärblacka, Söderköping,
Tjällmo, Ulrika, Vikingstad, Åby, Ödeshög, Östra Husby, Östra Ryd,
Anneberg, Bankeryd, Bor, Bottnaryd, Bredaryd, Burseryd, Forserum,
Gislaved, Gränna, Hillerstorp, Hjältevad, Kvillsfors, Landsbro,
Malmbäck, Mariannelund, Pauliström, Reftele, Rydaholm, Skillingaryd,
Stockaryd, Tunnerstad, Vaggeryd, Korsberga, Alstermo, Braås,
Hovmantorp, Ingelstad, Kosta, Lammhult, Lenhovda, Liatorp, Lidhult,
Moheda, Norrhult-Klavreström, Ryd, Rävemåla, Vislanda, Älmhult,
Ankarsrum, Degerhamn, Fagerhult, Fliseryd, Fågelfors, Färjestaden,
Gamleby, Kristdala, Loftahammar, Löttorp, Mörlunda, Påryd, Rockneby,
Södra Vi, Torsås, Tuna, Virserum, Vissefjärda, Ålem, Överum, Burgsvik,
Fårösund, Hemse, Klintehamn, Slite, Bräkne-Hoby, Eringsboda, Hallabro,
Holmsjö, Jämjö, Mjällby, Sturkö, Svängsta, Sölvesborg, Arkelstorp,
Borrby, Brösarp, Degeberga, Förslöv, Hästveda, Ljungbyhed, Näsum,
Perstorp, Sankt Olof, Sibbhult, Skånes-Fagerhult, Sösdala, Tollarp,
Torekov, Vinslöv, Åhus, Allerum, Anderslöv, Bårslöv, Dalby, Genarp,
Höllviken, Klagstorp, Klågerup, Löberöd, Löddeköpinge, Löderup,
Lövestad, Revingeby, Röstånga, Vallåkra, Vollsjö, Ödåkra, Östra
Grevie, Önneköp, Getinge, Harplinge, Knäred, Kungsäter, Oskarström,
Simlångsdalen, Skällinge, Tvååker, Ullared, Unnaryd, Veddinge,
Vessingebro, Våxtorp, Väröbacka, Björkö, Brastad, Donsö, Grundsund,
Hamburgsund, Hedekas, Henån, Hindås, Hunnebostrand, Kode, Kållekärr,
Kållered, Källö-Knippla, Lindome, Ljungskile, Marstrand, Rävlanda,
Skee, Svanesund, Annelund, Brålanda, Dalsjöfors, Dalstorp, Fristad,
Fritsla, Horred, Högsäter, Limmared, Lödöse, Mjöbäck, Nödinge-Nol,
Sjuntorp, Sollebrunn, Sätila, Torestorp, Trädet, Vegby, Viskafors,
Vårgårda, Floby, Grästorp, Gullspång, Götene, Hjo, Järpås, Kvänum,
Tibro, Alster, Deje, Edane, Edsvalla, Grums, Gunnarskog, Ekshärad,
Lesjöfors, Molkom, Munkfors, Skoghall, Svanskog, Sysslebäck,
Töcksfors, Uddheden, Vålberg, Väse, Åmotfors, Östmark, Fellingsbro,
Finnerödja, Garphyttan, Hjortkvarn, Odensbacken, Pålsboda, Storå,
Vintrosa, Vretstorp, Åtorp, Arboga, Kolbäck, Kolsva, Möklinta,
Norberg, Ransta, Skultuna, Surahammar, Tärnsjö, Virsbo, Östervåla,
Bjursås, Björbo, Bäsna, Järna, Djurås, Enviken, Fredriksberg, Furudal,
Gagnef, Grängesberg, Horndal, Idre, Långshyttan, Mockfjärd, Mora,
Svärdsjö, Sälen, Särna, Transtrand, Alfta, Arbrå, Bergby, Delsbo,
Friggesund, Färila, Hedesunda, Iggesund, Järvsö, Jättendal, Kilafors,
Hassela, Storvik, Valbo, Vi, Bjästa, Björna, Bredbyn, Fanbyn, Fränsta,
Gideå, Husum, Junsele, Kvissleby, Liden, Långsele, Matfors, Nordingrå,
Nyland, Näsåker, Ramsele, Sidensjö, Stockvik, Ullånger, Sundsbruk,
Söråker, Backe, Västra Bispgården, Brunflo, Funäsdalen, Föllinge,
Gäddede, Gällö, Hallen, Hammerdal, Hede, Hoting, Kälarne, Lillhärdal,
Lit, Myrviken, Nälden, Stugun, Sveg, Trångsviken, Vemdalen, Åsarne,
Änge, Boliden, Botsmark, Bureå, Bygdeå, Bygdsiljum, Byske, Holmsund,
Hörnefors, Kristineberg, Rusksele, Skelleftehamn, Sävar, Tärnaby,
Vilhelmina, Västibyn, Åmsele, Ånäset, Arjeplog, Gammelstaden,
Glommersträsk, Harads, Jokkmokk, Karesuando, Karungi, Korpilombolo,
Porjus, Råneå, Sangis, Svappavaara, Södra Sunderbyn, Töre, Vidsel,
Vittangi, Vuollerim
Grupp 1.
Bergshamra, Bammarboda, Björnömalmen och Klacknäset, Brevik,
Brevikshalvön, Bro, Brottby, Brunn, Brunna, Dalarö, Djurö,
Drottningholm, Edsbro, Ekeby, Ekerö sommarstad, Ekeby, Värmdö-Evlinge,
Finkarby, Finsta, Fågelvikshöjden, Grisslehamn, Gimmersta, Gladö
kvarn, Hemmesta, Parksidan, Herräng, Hedvigsberg, Håbo-Tibble kyrkby,
Hästhagen, Hagbyhöjden, Hölö, Ingaröstrand, Johannesudd, Karby, Kil,
Kopparmora, Kummelnäs, Kungsberga, Kullö, Kårsta, Landfjärden, Lilla
Stenby, Lindholmen, Långvik, Löwenströmska lasarettet, Muskö,
Mariedal, Mölnbo, Lurudden, Norra Lagnö, Lidatorp och Klövsta, Norrö,
Nygårds hagar, Sundby, Oskar-Fredriksborg, Pershagen, Raksta, Resarö,
48
Riala, Norra Riksten, Rosersberg, Rättarboda, Täljö, Rydbo, Rånäs,
Sibble, Sigtuna, Solberga, Sjöberg, Skärgårdsstad, Skebobruk,
Sandviken, Skeppsdalsström, Lugnet och Skälsmara, Solsidan, Stavsnäs,
Stava, Stenhamra, Segersäng, Sticklinge udde, Stora Vika, Strömma,
Svanberga, Svinninge, Söderby-Karl, Södersvik, Söderby, Grödby,
Torsby, Tranholmen, Tuna, Tureholm, Vattubrinken, Vidja, Vårsta,
Viksäter, Väländan, Västerhaninge, Östorp och Ådran, Återvall, Älvnäs,
Älta, Ängsvik, Ösmo, Östhamra, Ölsta, Österhagen och Bergliden, Östra
Kallfors, Alsike, Vänge, Bälinge, Bärby, Dannemora, Gimo, Grillby,
Gunsta, Gårdskär, Gåvsta, Haga, Hargshamn, Hummelsta, Håga, Häggeby
och Vreta, Karlholmsbruk, Krägga, Lillkyrka, Läby, Länna, Lövstalöt,
Marma, Mehedeby, Ramstalund, Månkarbo, Norrskedika, Bredsand, Skoby,
Råby, Skölsta, Slottsskogen, Storvreta, Sävja, Söderskogen, Tobo
Blackstalund, Upplanda, Vattholma, Ytternäs och Vreta, Älvkarleby,
Vårdsätra, Örbyhus, Abborrberget, Alberga, Arnö, Baggetorp,
Bergshammar, Bettna, Bie, Björnlunda, Buskhyttan, Bälgviken, Djulö
kvarn, Enstaberga, Forssjö, Hållsta, Hällberga, Hällbybrunn,
Hälleforsnäs, Härad, Jönåker, Kjulaås, Stensund och Krymla, Kvicksund,
Marielund, Marmorbyn, Mellösa, Merlänna, Runtuna, Sjösa, Skogstorp,
Sköldinge, Sparreholm, Stallarholmen, Stavsjö, Stigtomta, Stjärnhov,
Strångsjö, Sundbyholm, Svalsta, Torshälla huvud, Tumbo, Tystberga,
Vagnhärad, Sund, Valla, Vansö kyrkby, Västerljung, Ålberga,
Ängsholmen, Ärla, Strandhugget, Askeby, Bankekind, Berg, Berg,
Björsäter, Borggård, Brokind, Eksund, Falerum, Ekängen, Falla, Ensjön,
Fornåsa, Fågelsta, Godegård, Grebo, Graversfors, Grytgöl, Gusum,
Herstadberg, Hestra, Hogstad, Hällestad, Hästholmen, Igelfors, Jursla,
Kimstad, Klockrike, Lindö, Linghem, Ljunga, Ljusfallshammar, Lotorp,
Snöveltorp, Malmslätt, Mantorp, Mogata, Norsholm, Nykil, Nykyrka,
Butbro, Rappestad, Ringarum, Rydsnäs, Simonstorp, Sjögestad, Skeda
udde, Skriketorp, Slaka, Sonstorp, Spångsholm, Strålsnäs, Strömsfors,
Sturefors, Svärtinge, Sya, Vånga, Väderstad, Västerlösa, Västra Husby,
Åselstad, Öbonäs, Österstad, Anderstorp, Björköby, Bodafors, Broaryd,
Bruzaholm, Ölmstad, Ekenässjön, Flisby, Forsheda, Fredriksdal,
Frinnaryd, Grimstorp, Gripenberg, Hestra, Hok, Holsbybrunn, Horda,
Hult, Hånger, Ingatorp, Kaxholmen, Klevshult, Kulltorp, Kärda, Lanna,
Lekeryd, Myresjö, Nissafors, Odensjö, Rörvik, Sjunnen, Skede,
Skeppshult, Skärstad, Smålandsstenar, Solberga, Sommen, Stensjön,
Sundhultsbrunn Taberg, Tenhult, Törestorp, Vrigstad, Åsenhöga, Äng,
Öggestorp, Örserum, Agunnaryd, Angelstad, Björnö, Delary, Diö,
Eneryda, Fridafors, Furuby, Gemla, Grimslöv, Hjortsberga, Konga,
Kånna, Lagan, Linneryd, Nöbbele, Rottne, Ryssby, Skruv, Strömsnäsbruk,
Timsfors, Torpsbruk, Traryd, Tävelsås, Urshult, Vittaryd, Väckelsång,
Åby, Åryd, Älghult, Algutsrum, Alsterbro, Arontorp, Berga, Bergkvara,
Björkviken, Blomstermåla, Bockara, Boholmarna, Bäckebo, Dunö, Edsbruk,
Emsfors, Eriksmåla, Figeholm, Flygsfors, Frödinge, Fårbo, Gullringen,
Gunnebo, Gårdby, Hagby, Halltorp, Hjorted, Rälla, Johansfors,
Järnforsen, Kastlösa, Kristvallabrunn, Köpingsvik, Lindsdal,
Ljungbyholm, Långasjö, Läckeby, Misterhult, Mysingsö, Målerås,
Målilla, Orrefors, Piperskärr, Påskallavik, Rinkabyholm, Rosenfors,
Ruda, Saltvik, Silverdalen, Skogsby, Smedby, Storebro, Söderåkra,
Drag, Timmernabben, Totebo, Trekanten, Tvärskog, Vassmolösa, Vena,
Vickleby, Örsjö, Norra Visby, Havdhem, Ljugarn, Lärbro, Romakloster,
Roma, Stånga, Tingstäde, Vibble, Väskinde, Västerhejde, Backaryd,
Fridlevstad, Fågelmara, Gränum, Gängletorp, Hasslö, Hällaryd,
Hällevik, Hörvik, Johannishus, Jämshög, Kallinge, Kyrkhult,
Kättilsmåla, Listerby, Lörby, Mörrum, Nogersund, Norje, Nättraby,
Nävragöl, Pukavik, Ramdala, Ronnebyhamn, Rödeby, Skavkulla och
Skillingenäs, Sjuhalla, Spjutsbygd, Torarp, Torhamn, Tving, Vilshult,
Åryd, Ballingslöv, Balsby, Bergströmshusen, Bjärnum, Grevie och Beden,
Brantevik, Bäckaskog, Eket, Emmaljunga, Everöd, Finja, Fjälkinge,
49
Färlöv, Glimåkra, Grevie, Gualöv, Gärds Köpinge, Gärsnäs, Hammar,
Hammarslund, Hammenhög, Hanaskog, Hjärnarp, Hjärsås, Huaröd,
Hyllinge, Höja, Immeln, Karups sommarby, Killeberg, Kivik, Klippans
bruk, Knislinge, Kvidinge, Linderöd, Lunnarp, Lönsboda, Mala,
Margretetorp, Munka-Ljungby, Norra Åsum, Nymölla, Onslunda, Ovesholm,
Rinkaby, Röke, Simris, Sjörröd, Skepparkroken, Skillinge, Smedstorp,
Stidsvig, Stoby, Strövelstorp, Svenstorp, Tormestorp, Torsebro,
Tyringe, Valje, Vankiva, Vejbystrand, Viby, Vik, Vinnö, Vitaby,
Vittsjö, Vittskövle, Västra Karup, Yngsjö, Åsljunga, Önnestad,
Österslöv, Östra Karup, Östra Ljungby, Östra Sönnarslöv, Östra
Tommarp, Abbekås, Alstad, Annelöv, Arild, Asmundtorp, Bara, Barsebäck,
Barsebäckshamn, Beddingestrand, Billeberga, Billesholm, Billinge,
Bjärred, Bjärsjölagård, Blentarp, Bunkeflostrand, Burlövs egnahem,
Domsten, Dösjebro, Ekeby, Flyinge, Flädie, Furulund, Gantofta,
Glemmingebro, Glumslöv, Gunnarstorp, Gårdstånga, Gessie villastad,
Harlösa, Hasslarp, Hedeskoga, Hittarp, Hjärup, Hofterup, Holmeja,
Hurva, Häljarp, Torna Hällestad, Härslöv, Hököpinge, Idala,
Ingelsträde, Jonstorp, Kattarp, Södra Klagshamn, Kurland, Kungshult,
Kvärlöv, Kyrkheddinge, Kågeröd, Köpingebro, Lilla Harrie, Ljunghusen,
Ljungstorp och Jägersbo, Ludvigsborg, Marieholm, Mjöhult, Mölle,
Mörarp, Norra Rörum, Nybrostrand, Ormanäs och Stanstorp, Osbyholm,
Oxie, Påarp, Rydebäck, Rydsgård, Rängs sand, Sandskogen, Sjödiken,
Skanör med Falsterbo, Skegrie, Skivarp, Skumparp, Smygehamn, Stehag,
Stockamöllan, Stora Herrestad, Stångby, Sjöbo sommarby och Svansjö
sommarby, Saxtorpsskogen, Svarte, Sätofta, Södra Sandby, Södra Vrams
fälad, Sövde, Sövestad, Teckomatorp, Tjörnarp, Toarp, Tygelsjö,
Tågarp, Tånga och Rögle, Utvälinge, Veberöd, Viken, Vintrie, Västra
Ingelstad, Västra Karaby, Västra Klagstorp, Västra Tommarp, Åkarp,
Äsperöd, Örtofta, Väggarp, Östraby, Röda holme, Anneberg, Backa,
Bergagård, Brattås, Bua, Buerås, Eldsberga, Fjärås kyrkby, Frillesås,
Frösakull, Fyllinge, Genevad, Glommen, Gullbrandstorp, Gundal och
Högås, Gullbranna, Hagryd-Dala, Halla Heberg, Hasslöv, Haverdal,
Heberg, Himle, Hishult, Hjälm, Holm, Hjälmared, Kinnared, Kläppa,
Kvibille, Landeryd, Laxvik, Lilla Tjärby, Lerkil, Långås, Löftaskog,
Mellbystrand, Morup, Onsala, Ringsegård, Rolfstorp, Rydöbruk,
Ränneslöv, Sennan, Skedala, Skogstorp, Skottorp, Skreanäs, Skrea,
Skummeslövsstrand, Slöinge, Steninge, Särö, Tofta, Torup,
Träslövsläge, Södra Näs, Trönninge, Trönninge, Tylösand, Tångaberg,
Vallberga, Vallda, Vassbäck, Veinge, Villshärad, Vinberg, Vinbergs
kyrkby, Ysby, Åled, Årstad, Åsa, Åsby, Älvsered, Ätran, Västra Hagen,
Ölmanäs, Benareby, Angered, Ammenäs, Asperö, Billdal, Björlanda,
Bleket, Bosnäs, Bovallstrand, Brännö, Dingle, Diseröd, Katrinedal,
Eskilsby och Snugga, Ellös, Fagerhult, Fiskebäckskil, Fjällbacka,
Fotö, Hällingsjö, Grebbestad, Hallerna, Stamsjö, Herrestad, Hjuvik,
Hogstorp, Hällesåker, Hällevadsholm, Hälleviksstrand, Hälsö, Härryda,
Hönö, Jonsered, Kalvsund, Jörlanda, Kareby, Kebal, Klädesholmen,
Kvisljungeby, Kåhög, Kärna, Lanesund och Överby, Landvetter, Låssby,
Mollösund, Tumlehed, Höviksnäs, Myggenäs, Mysterna, Nolvik, Nya
Långenäs, Olofstorp, Rabbalshede, Rixö, Rya, Rödbo, Rönnäng, Andalen,
Rörö, Torreby, Duvesjön, Smögen, Starrkärr och Näs, Stora Bugärde,
Stora Dyrön, Stenared, Stora Höga, Stenungsön, Strandnorum, Styrsö,
Sunningen, Svanvik, Säve, Svenshögen, Tulebo, Tjuvkil, Ucklum,
Varekil, Vrångö, Väjern, Östra Ånneröd, Åstol, Ödsmål, Öjersjö,
Tahult, Alvhem, Ambjörnarp, Aplared, Berghem, Billingsfors,
Björboholm, Björketorp, Blidsberg, Borgstena, Bredared, Bäckefors,
Dals Långed, Dals Rostock, Dalum, Dannike, Fengersfors, Floda,
Frufällan, Frändefors, Grimsås, Gråbo, Gräfsnäs, Gånghester, Gällstad,
Göta, Hedared, Hillared, Hjälmared, Hjärtum, Holsljunga, Hultafors,
Hulu, Hyssna, Hökerum, Ingared, Kinnarumma, Ljung, Ljungsarp, Länghem,
Marbäck, Målsryd, Nitta, Norsesund, Nordkroken, Nygård, Olsfors,
50
Olstorp, Rosenlund, Rydal, Rydboholm, Rångedala, Rånnaväg, Sandared,
Sandhult, Sexdrega, Sjömarken, Sjövik, Skepplanda, Velanda, Skåpafors,
Stigen, Stora Mellby, Surte, Timmele, Aröd och Timmervik, Tollered,
Tosseryd, Trulsegården, Töllsjö, Tösse, Uddebo, Utby, Upphärad,
Vargön, Väne-Åsaka, Västra Bodarna, Åsensbruk, Älvängen, Äspered,
Ödeborg, Östadkulle, Östra Frölunda, Överlida, Öxabäck, Öxeryd,
Ardala, Arentorp, Axvall, Blikstorp, Eggby, Ekedalen, Emtunga,
Fagerhult, Fagersanna, Filsbäck, Forsvik, Främmestad, Furusjö,
Gudhem, Hällekis, Igelstorp, Jonslund, Jung, Kinnarp, Korsberga,
Källby, Kättilstorp, Lerdala, Lugnås, Lundsbrunn, Lyrestad,
Madängsholm, Moholm, Mölltorp, Odensberg, Otterbäcken, Saleby,
Sandhem, Sjötorp, Skagersvik, Skultorp, Stenstorp, Stora Levene,
Stöpen, Tidan, Timmersdala, Torbjörntorp, Tråvad, Tun, Ullervad,
Ulvåker, Undenäs, Varnhem, Vartofta, Vedum, Vinninga, Väring, Värsås,
Åsarp, Älgarås, Ambjörby, Björneborg, Blombacka, Bäckhammar,
Dyvelsten, Eda glasbruk, Fagerås, Geijersholm, Jössefors, Klässbol,
Koppom, Kyrksten, Högboda, Lysvik, Mjönäs, Nordmark, Nykroppa, Oleby,
Persberg, Rottneros, Råda, Segmon, Skattkärr, Skåre, Slottsbron,
Stöllet, Sulvik, Sunnemo, Uddeholm, Vallargärdet, Vidöåsen,
Värmlandsbro, Västra Ämtervik, Ölme, Örslösa, Askersby, Ekeby, EkebyAlmby, Frövi, Glanshammar, Grythyttan, Gusselby, Gyttorp, Hammar,
Hampetorp, Hasselfors, Hovsta, Hällabrottet, Kilsmo, Lanna,
Latorpsbruk, Mullhyttan, Norra Bro, Olshammar, Ramsberg, Rockhammar,
Röfors, Rönneshytta, Sannahed, Sköllersta, Stora Mellösa, Striberg,
Stråssa, Ställdalen, Svartå, Vedevåg, Zinkgruvan, Åbytorp, Åmmeberg,
Åsbro, Ås, Ölmbrotorp, Östansjö, Barkarö, Dingtuna, Enhagen-Ekbacken,
Götlunda, Harbo, Hökåsen, Kumla kyrkby, Kärsta och Bredsdal, Medåker,
Morgongåva, Munga, Munktorp, Ramnäs, Riddarhyttan, Runhällen,
Salbohed, Strömsholm, Sätra brunn, Sörstafors, Tidö-Lindö, Tillberga,
Tortuna, Irsta, Valskog, Vittinge, Västerfärnebo, Örtagården, Alvik,
Bengtsheden, Blötberget, Boda, Bonäs, Brunnsberg, Floda, Husby,
Danholn, Djura, Djurmo, Naglarby och Enbacka, Evertsberg, Fors,
Färnäs, Garpenberg, Gesunda, Gonäs, Grangärde, Grycksbo, Gubbo,
Gulleråsen, Hagge, Halvarsgårdarna, Håksberg, Häradsbygden,
Idkerberget, Insjön, Lima, Limedsforsen, Linghed, Malungsfors,
Nedre Gärdsjö, Nordanö, Norr Amsberg, Nusnäs, Nyhammar, Nås, Näs bruk,
Ornäs, Repbäcken, Rot, Saxdalen, Selja, Sifferbo, Siljansnäs,
Skattungbyn, Sollerön, Solvarbo, Skedvi kyrkby, Sundborn, Sunnansjö,
Sågmyra, Söderbärke, Sörvik, Torsång, Toftbyn, Tällberg, Vad, Vattnäs,
Venjan, Vika, Vikarbyn, Vikmanshyttan, Vinäs, Våmhus, Västanvik,
Västerby, Västermyckeläng, Åsen, Äppelbo, Östnor, Persbo, Backberg,
Berg, Bergvik, Björke, Bönan, Enånger, Forsby, Forsbacka, Furuvik,
Gnarp, Hammarby, Hamrångefjärden, Harmånger, Hybo, Hålsjö, Ilsbo,
Jäderfors, Jädraås, Järbo, Kungsgården, Lillhaga, Lingbo, Ljusne, Los,
Lottefors, Lund, Maln, Marmaverken, Rolfhamre och Måga, Marmaskogen,
Mohed, Njutånger, Nore, Norrlandet, Norrsundet, Näsviken, Ovanåker,
Rengsjö, Roteberg, Runemo, Sandarne, Segersta, Sibo, Skog, Stocka,
Strömsbruk, Sälgsjön, Söderala, Sörforsa, Tallåsen, Torsåker, Totra,
Trödje, Vallsta, Vallvik, Vannsätter, Viksjöfors, Västerberg,
Åbyggeby, Åmot, Årsunda, Åshammar, Österfärnebo, Alby, Klingsta och
Allsta, Ankarsvik, Arnäsvall, Bergeforsen, Billsta, Bollstabruk,
Dingersjö, Docksta, Essvik, Frånö, Gustavsberg, Gimåt, Gottne, Hovid,
Indal, Juniskär, Johannedal, Klockestrand, Kovland, Köpmanholmen,
Ljungaverk, Lucksta, Lungvik, Lunde, Långviksmon, Mellansel, Mjällom,
Moliden, Nedansjö, Njurundabommen, Ramvik, Sandslån, Skottsund,
Stavreviken, Stöde, Svartvik, Torpshammar, Tunadal, Utansjö, Vattjom,
Västerhus, Åmynnet, Älandsbro, Östavall, Österforse, Överhörnäs,
Aspås, Östra Bispgården, Björnänge, Duved, Dvärsätt, Hackås, Häggenås,
Klövsjö, Marieby, Mörsil, Norr-Hede, Näsviken, Ope, Orrviken, Optand,
Pilgrimstad, Rossön,Tandsbyn, Ulvkälla, Undersåker, Vaplan,
Ytterhogdal, Ytterån, Åre, Ås, Bastuträsk, Bergsbyn, Brännland,
51
Bullmark, Burträsk, Ersmark, Flurkmark, Fredrika, Granö, Hissjön,
Hemavan/Bierke, Hällnäs, Innertavle, Jörn, Kusmark, Kåge, Lögdeå,
Lövånger, Medle, Myckle, Obbola, Ostvik, Rundvik, Röbäck, Ursviken,
Stensele, Stöcke, Stöcksjö, Drängsmark, Södra Bergsbyn och Stackgrönn,
Sörfors, Sörmjöle, Tavelsjö, Tvärålund, Täfteå, Ersmark, Vännäsby,
Yttersjö, Örviken, Överboda, Alvik, Antnäs, Avan, Bensbyn, Bergnäset,
Bergsviken, Blåsmark, Bredviken, Brändön, Båtskärsnäs, Bälinge, Böle,
Ersnäs, Gammelgården, Hakkas, Hedenäset, Hemmingsmark, Hortlax,
Jukkasjärvi, Junosuando, Juoksengi, Jämtön, Jävre, Kallax, Kangos,
Karlsborg, Karlsvik, Klöverträsk, Korsträsk, Koskullskulle, Kuttainen,
Lillpite, Malmberget, Marielund, Morjärv, Moskosel, Måttsund, Nikkala,
Norrfjärden, Persön, Påläng, Risögrund, Roknäs, Rolfs, Rosvik, Rutvik,
Seskarö, Sjulsmark, Svartbyn, Övre Svartlå, Svensbyn, Sävast, Tallvik,
Tjautjas/Cavccas, Ullatti, Unbyn, Vistträsk, Vittjärv, Nyborg, Övre
Soppero
52
Klassificering med Wards metod utifrån servicegrad
Outliers:
Granö
Grupp 9
Österbymo, Högsby, Ullared, Tanumshede, Färgelanda, Nossebro,
Charlottenberg, Storfors, Idre, Sälen, Vansbro, Älvdalen, Bergsjö,
Junsele, Bräcke, Funäsdalen, Gäddede, Hammarstrand, Hoting, Järpen,
Krokom, Stenstavik, Bjurholm, Dorotea, Nordmaling, Norsjö, Sorsele,
Storuman, Tärnaby, Vindeln, Åsele, Pajala, Överkalix, Övertorneå
Grupp 8
Mörtnäs, Vaxholm, Skutskär, Tierp, Öregrund, Östhammar, Flen, Gnesta,
Malmköping, Mariefred, Trosa, Vingåker, Boxholm, Kisa, Mjölby,
Vadstena, Valdemarsvik, Åtvidaberg, Aneby, Eksjö, Forserum, Gnosjö,
Gränna, Hestra, Malmbäck, Sävsjö, Alvesta, Lessebo, Markaryd,
Strömnäsbruk, Tingsryd, Åseda, Borgholm, Emmaboda, Gamleby,
Gullringen, Hultsfred, Löttorp, Målilla, Mönsterås, Mörbylånga,
Torsås, Hemse, Slite, Broby, Bromölla, Båstad, Klippan, Osby,
Simrishamn, Tomelilla, Åstorp, Örkelljunga, Bjuv, Hörby, Höör,
Kävlinge, Mörarp, Sjöbo, Skurup, Svalöv, Teckomatorp, Vellinge,
Hyltebruk, Laholm, Grebbestad, Kungshamn, Landvetter, Lysekil,
Munkedal, Skärhamn, Stora Höga, Strömstad, Öckerö, Bengtsfors,
Bollebygd, Ed, Frändefors, Herrljunga, Lilla Edet, Mellerud,
Svenljunga, Tranemo, Vårgårda, Åmål, Grästorp, Gullspång, Habo, Hova,
Karlsborg, Mullsjö, Tidaholm, Töreboda, Vara, Arvika, Filipstad,
Forshaga, Hagfors, Munkfors, Sunne, Sysslebäck, Årjäng, Askersund,
Degerfors, Fjugesta, Hällefors, Kopparberg, Laxå, Nora, Fagersta,
Heby, Kungsör, Sala, Skinnskatteberg, Östervåla, Avesta, Djurås,
Hedemora, Leksand, Malung, Mora, Orsa, Rättvik, Smedjebacken, Särna,
Säter, Edsbyn, Hofors, Ljusdal, Ockelbo, Mellansel, Ramsele,
Sollefteå, Sundsbruk, Ånge, Hede, Strömsund, Sveg, Åre, Burträsk,
Jörn, Lövånger, Malå, Robersfors, Vilhelmina, Vännäs, Arjeplog,
Arvidsjaur, Gällivare, Haparanda, Jokkmokk, Kalix, Vittangi, Älvsbyn
Grupp 7
Brevik, Brevikshalvön, Drottningholm, Ekerö, Gimmersta, Gustavsberg,
Hallstavik, Hagbyhöjden, Järna, Kil, Kungsängen, Lidingö, Långvik,
Märsta, Norrtälje, Lidatorp och Klövsta, Nykvarn, Nynäshamn, Rimbo,
Täby, Saltsjöbaden, Sigtuna, Skärgårdsstad, Skebobruk, Sandviken,
Stava, Sticklinge udde, Stockholm, Strömma, Södertälje, Torsby,
Tranholmen, Upplands Väsby, Viksäter, Åkersberga, Östra Kallfors,
Alsike, Alunda, Dannemora, Enköping, Gimo, Haga, Håga, Knivsta,
Skölsta, Skärplinge, Blackstalund, Uppsala, Österbybruk, Eskilstuna
Hällbybrunn, Hälleforsnäs, Katrineholm, Nyköping, Oxelösund,
Strängnäs, Torshälla, Vagnhärad, Sund, Finspång, Gusum, Lindö,
Linghem, Linköping, Mantorp, Motala, Norrköping, Söderköping, Ödeshög,
Bodafors, Gislaved, Jönköping, Landsbro, Mariannelund, Nässjö,
Reftele, Rydaholm, Skillingaryd, Smålandsstenar, Tenhult, Tranås,
Vaggeryd, Vetlanda, Vrigstad, Värnamo, Alstermo, Angelstad, Braås,
Hovmantorp, Ingelstad, Lagan, Lammhult, Lenhovda, Ljungby, Moheda,
Rottne, Ryd, Ryssby, Urshult, Vislanda, Växjö, Åby, Älmhult,
Blomstermåla, Dunö, Färjestaden, Kalmar, Ljungbyholm, Mörlunda
Nybro, Oskarshamn, Rockneby, Söderåkra, Södra Vi, Timmernabben,
Vimmerby, Västervik, Överum, Burgsvik, Klintehamn, Romakloster, Roma
Vibble, Visby, Bräkne-Hoby, Hallabro, Jämjö, Jämshög, Kallinge,
Karlshamn, Karlskrona, Mjällby, Mörrum, Olofström, Ronneby,
Ronnebyhamn, Rödeby, Sölvesborg, Tving, Bjärnum, Borrby, Brantevik,
Brösarp, Degeberga, Fjälkinge, Förslöv, Gärsnäs, Hammenhög, Hyllinge,
Hässleholm, Hästveda, Immeln, Kivik, Kristianstad, Lönsboda, Mala,
Norra Åsum, Perstorp, Skepparkroken, Sösdala, Torekov, Tyringe, Vik,
53
Vittsjö, Åhus, Ängelholm, Önnestad, Östra Ljungby, Anderslöv, Bjärred,
Dalby, Domsten, Eslöv, Flyinge, Helsingborg, Hittarp, Höganäs,
Höllviken, Kågeröd, Landskrona, Ljunghusen, Lomma, Lund, Löberöd,
Löddeköpinge, Löderup, Malmö, Mölle, Nybrostrand, Rängs sand,
Röstånga, Skanör med Falsterbo, Skivarp, Smygehamn, Staffanstorp,
Svedala, Sätofta, Södra Sandby, Trelleborg, Tygelsjö, Tågarp,
Vallåkra, Veberöd, Viken, Västra Klagstor, Ystad, Ödåkra, Östraby,
Brattås, Falkenberg, Frillesås, Frösakull, Getinge, Halmstad,
Harplinge, Knäred, Kungsbacka, Mellbystrand, Oskarström, Skreanäs,
Slöinge, Steninge, Särö, Torup, Träslövsläge, Tvååker, Tylösand,
Unnaryd, Vallda, Varberg, Vassbäck, Veddige, Vinbergs kyrkby, Åled,
Åsa, Angered, Ammenäs, Billdal, Bovallstrand, Brastad, Dingle, Ellös,
Fjällbacka, Göteborg, Henån, Hindås, Hjuvik, Hunnebostrand, Hällesåker
Klädesholmen, Kode, Kungälv, Kållekärr, Ljungskile, Marstrand,
Tumlehed, Myggenäs, Mölnlycke, Olofstorp, Rödbo, Rönnäng, Andalen,
Smögen, Starrkärr och Näs, Stenungsund, Stenungsön, Svanesund,
Tjuvkil, Uddevalla, Alingsås, Annelund, Björboholm, Borås, Brålanda,
Bäckefors, Dals Långed, Dalsjöfors, Dalum, Gällstad, Hultafors, Kinna,
Lerum, Limmared, Lödöse, Nödinge-Nol, Sandared, Sollebrunn, Sätila,
Trollhättan, Ulricehamn, Vänersborg, Älvängen, Falköping, Floby,
Götene, Hjo, Kvänum, Källby, Lidköping, Mariestad, Skara, Skövde,
Stenstorp, Tibro, Vedum, Blombacka, Dyvelsten, Grums, Karlstad, Kil
Kristinehamn, Ekshärad, Lesjöfors, Molkom, Skoghall, Säffle, Torsby,
Töcksfors, Vålberg, Åmotfors, Ekeby-Almby, Frövi, Gusselby, Hallsberg,
Hällabrottet, Karlskoga, Kumla, Lindesberg, Odensbacken, Pålsboda,
Storå, Örebro, Arboga, Hallstahammar, Kolsva, Köping, Norberg
Ramnäs, Skultuna, Surahammar, Tillberga, Virsbo, Västerås, Björbo,
Borlänge, Floda, Järna, Falun, Gesunda, Grycksbo, Grängesberg, Gubbo,
Horndal, Insjön, Lima, Ludvika, Långshyttan, Mockfjärd, Mora,
Svärdsjö, Vika, Västanvik, Alfta, Backberg, Bergby, Bergvik, Bollnäs,
Färila, Gävle, Harmånger, Hedesunda, Hudiksvall, Kilafors,
Kungsgården, Ljusne, Lund, Sandviken, Segersta, Storvik, Strömsbruk,
Söderhamn, Valbo, Västerberg, Bjästa, Bollstabruk, Bredbyn, Essvik,
Fränsta, Husum, Härnösand, Klockestrand, Kramfors, Kvissleby, Liden,
Nyland, Ullånger, Sundsvall, Söråker, Timrå, Torpshammar,
Örnsköldsvik, Österforse, Backe, Östra Bispgården, Västra Bispgården,
Björnänge, Föllinge, Gällö, Hammerdal, Kälarne, Lit, Nälden, Optand,
Stugun, Tandsbyn, Ås, Änge, Östersund, Bergsbyn, Boliden, Bureå,
Byske, Hissjön, Holmsund, Hörnefors, Kåge, Lycksele, Skelleftehamn,
Skellefteå, Sävar, Umeå, Yttersjö, Boden, Gammelstaden, Harads,
Hortlax, Karlsborg, Kiruna, Luleå, Malmberget, Norrfjärden, Piteå,
Rosvik, Sangis
Grupp 6
Norra Lagnö, Hjorted, Yngsjö, Kärna, Rydal, Eda glasbruk, Lysvik,
Sundborn, Marieby
Grupp 5
Rimforsa, Skänninge, Kosta, Ankarsrum, Virserum, Vissefjärda,
Fårösund, Ljungbyhed, Sibbhult, Sjuntorp, Alster, Edsvalla,
Fellingsbro, Garphyttan, Tärnsjö, Bäsna, Arbrå, Delsbo, Järvsö,
Långsele, Näsåker, Råneå, Södra Sunderbyn, Vuollerim
Grupp 4
Grisslehamn, Parksidan, Kårsta, Sorunda, Almunge, Fjärdhundra, Gåvsta,
Järlåsa, Karlholmsbruk, Knutby, Skyttorp, Söderfors, Vattholma,
Björkvik, Högsjö, Sköldinge, Strångsjö, Vrena, Västerljung, Äsköping,
Berg, Bestorp, Gistad, Horn, Hällestad, Rejmyre, Tjällmo, Ulrika,
Vikingstad, Väderstad, Östra Husby, Östra Ryd, Anneberg, Bor,
Bottnaryd, Bredaryd, Fredriksdal, Hjältevad, Ingatorp, Kvillsfors,
Lekeryd, Pauliström, Stockaryd, Tunnerstad, Korsberga, Fridafors,
54
Grimslöv, Konga, Liatorp, Lidhult, Linneryd, Norrhult-Kleveström,
Nöbbele, Rävemåla, Skruv, Väckelsång, Åryd, Degerhamn, Eriksmåla,
Fagerhult, Figeholm, Fliseryd, Fågelfors, Fårbo, Kastlösa, Kristdala,
Loftahammar, Påryd, Påskallavik, Rinkabyholm, Totebo, Trekanten, Tuna,
Tvärskog, Ålem, Ljugarn, Eringsboda, Fridlevstad, Hasslö, Holmsjö,
Johannishus, Pukavik, Sturkö, Arkelstorp, Färlöv, Glimåkra, Hanaskog,
Hjärnarp, Höja, Sankt Olof, Skillinge, Skånes-Fagerhult, Strövelstorp,
Vankiva, Abbekås, Allerum, Harlösa, Lövestad, Marieholm, Revingeby,
Skegrie, Stehag, Stångby, Tjörnarp, Vollsjö, Västra Ingelstad, Östra
Grevie, Önneköp, Bua, Kungsäter, Simlångsdalen, Skällinge,
Vessingebro, Väröbacka, Åsby, Björkö, Diseröd, Grundsund, Hamburgsund,
Hedekas, Källö-Knippla, Lanesund och Överby, Mollösund, Rya, Rävlanda,
Skee, Borgstena, Dalstorp, Horred, Hyssna, Högsäter, Ingared, Mjöbäck,
Skepplanda, Torestorp, Trädet, Vegby, Järpås, Kinnarp, Stöpen,
Timmersdala, Vartofta, Vinninga, Åsarp, Edane, Fagerås, Gunnarskog,
Skattkärr, Stöllet, Svanskog, Uddheden, Väse, Östmark, Finnerödja,
Hammar, Hjortkvarn, Ramsberg, Sköllersta, Ställdalen, Vintrosa,
Vretstorp, Åstorp, Östansjö, Götlunda, Kolbäck, Möklinta, Ransta,
Västerfärnebo, Enviken, Fredriksberg, Furudal, Gagnef, Grangärde,
Nyhammar, Saxdalen, Sågmyra, Söderbäcke, Transtrand, Tällberg,
Forsbacka, Friggesund, Jädraås, Jättendal, Mohed, Norrsundet,
Sörforsa, Torsåker, Vallsta, Viksjöfors, Åmot, Alby, Björna, Fanbyn,
Gideå, Indal, Lunde, Långviksmon, Nordingrå, Sidensjö, Vattjom,
Östavall, Hallen, Häggenås, Lillhärdal, Myrviken, Mörsil, Trångsviken,
Åsarne, Botsmark, Bygdeå, Bygdsiljum, Fredrika, Hemavan/Bierke,
Hällnäs, Kristineberg, Rusksele, Västibyn, Åmsele, Glommersträsk,
Hakkas, Jukkasjärvi, Karungi, Korpilombolo, Moskosel, Persön, Porjus,
Svappavaara, Vidsel, Vittjärv
Grupp 3
Hästhagen, Löwenströmska lasarettet, Svanberga, Hammarslund, Nymölla,
Österslöv, Ånäset, Tallvik
Grupp 2
Bergshamra, Bammarboda Boo Björnömalmen och Klacknäset, Bro, Brottby,
Brunn, Brunna, Dalarö, Djurö, Edsbro, Ekeby, Ekerö sommarstad, Ekeby,
Värmdö-Evlinge, Fisksätra, Finkarby, Finsta, Fågelvikshöjden, Gladö
kvarn, Hemmesta, Herräng, Hedvigsberg, Håbo-Tibble kyrkby, Hölö,
Ingaröstrand, Jordbro, Johannesudd, Karby, Kopparmora, Kummelnäs,
Kungsberga, Kullö, Landfjärden, Lilla Stenby, Lindholmen, Muskö
Mariedal, Mölnbo, Lurudden, Norrö, Nygårds hagar, Sundby, OskarFredriksborg, Pershagen, Raksta, Resarö, Riala, Norra Riksten,
Rosersberg, Rättarboda, Täljö, Rydbo, Rånäs, Sibble, Solberga, Sjöberg
Skeppsdalsström, Lugnet och Skälsmara, Solsidan, Stavsnäs
Stenhamra, Segersäng, Stora Vika, Svinninge, Söderby-Karl, Södersvik
Söderby, Grödby, Tumba, Tuna, Tureholm, Vallentuna, Vattubrinken,
Vårsta, Väländan, Västerhaninge, Östorp och Ådran, Återvall, Älmsta,
Älvnäs, Älta, Ängsvik, Ösmo, Östhamra, Ölsta, Österhagen och
Bergliden, Björklinge, Vänge, Bålsta, Bälinge, Bärby, Grillby, Gunsta,
Gårdskär, Hargshamn, Hummelsta, Häggeby och Vreta, Krägga, Lillkyrka,
Läby, Länna, Lövstalöt, Marma, Mehedeby, Ramstalund, Månkarbo,
Norrskedika, Skoby, Råby, Slottsskogen, Storvreta, Sävja, Söderskogen,
Tobo, Upplanda, Ytternäs och Vreta, Älvkarleby, Vårdsätra, Örbyhus,
Örsundsbro, Abborrberget, Alberga, Arnö, Baggetorp, Bergshammar,
Bettna, Bie, Björnlunda, Buskhyttan, Bälgviken, Djulö kvarn,
Enstaberga, Forssjö, Hållsta, Hällberga, Härad, Jönåker, Kjulaås,
Stensund och Krymla, Kvicksund, Marielund, Marmorbyn, Mellösa,
Merlänna, Nävekvarn, Runtuna, Sjösa, Skogstorp, Sparreholm,
Stallarholmen, Stavsjö, Stigtomta, Stjärnhov, Sundbyholm, Svalsta,
Torshälla huvud, Tumbo, Tystberga, Valla, Vansö kyrkby, Åkers
styckebruk, Ålberga, Ängsholmen, Ärla, Strandhugget, Askeby,
55
Bankekind, Berg, Björsäter, Borensberg, Borggård, Brokind,
Eksund, Falerum, Ekängen, Falla, Ensjön, Fornåsa, Fågelsta, Godegård,
Grebo, Graversfors, Grytgöl, Herstadberg, Hestra, Hogstad, Hästholmen,
Igelfors, Jursla, Kimstad, Klockrike, Krokek, Ljunga, Ljungsbro,
Ljusfallshammar, Lotorp, Snöveltorp, Malmslätt, Mogata, Norsholm,
Nykil, Nykyrka, Butbro, Rappestad, Ringarum, Rydsnäs, Simonstorp,
Sjögestad, Skeda udde, Skriketorp, Skärblacka, Slaka, Sonstorp,
Spångsholm, Strålsnäs, Strömsfors, Sturefors, Svärtinge, Sya, Vånga,
Västerlösa, Västra Husby, Åby, Åselstad, Öbonäs, Österstad,
Anderstorp, Bankeryd, Björköby, Broaryd, Bruzaholm, Ölmstad, Burseryd,
Ekenässjön, Flisby, Forsheda, Frinnaryd, Grimstorp, Gripenberg,
Hillerstorp, Hok, Holsbybrunn, Horda, Hult, Hånger, Kaxholmen
Klevshult, Kulltorp, Kärda, Lanna, Myresjö, Nissafors, Odensjö,
Rörvik, Sjunnen, Skede, Skeppshult, Skärstad, Solberga, Sommen,
Stensjön, Sundhultsbrunn, Taberg, Törestorp, Åsenhöga, Äng, Öggestorp,
Örserum, Agunnaryd, Björnö, Delary, Diö, Eneryda, Furuby, Gemla,
Hjortsberga, Kånna, Timsfors, Torpsbruk, Traryd, Tävelsås, Vittaryd,
Älghult, Algutsrum, Alsterbro, Arontorp, Berga, Bergkvara, Björkviken,
Bockara, Boholmarna, Bäckebo, Edsbruk, Emsfors, Flygsfors, Frödinge,
Gunnebo, Gårdby, Hagby, Halltorp, Rälla, Johansfors, Järnforsen,
Kristvallabrunn, Köpingsvik, Lindsdal, Långasjö, Läckeby, Misterhult,
Mysingsö, Målerås, Orrefors, Piperskärr, Rosenfors, Ruda, Saltvik,
Silverdalen, Skogsby, Smedby, Storebro, Drag, Vassmolösa, Vena,
Vickleby, Örsjö, Norra Visby, Havdhem, Lärbro, Stånga, Tingstäde,
Väskinde, Västerhejde, Backaryd, Fågelmara, Gränum, Gängletorp
Hällaryd, Hällevik, Hörvik, Kyrkhult Kättilsmåla, Listerby, Lörby,
Nogersund, Norje, Nättraby, Nävragöl, Ramdala, Skavkulla och
Skillingenäs, Sjuhalla, Spjutsbygd, Svängsta, Torarp, Torhamn,
Vilshult, Åryd, Ballingslöv, Bergströmshusen, Grevie och Beden,
Bäckaskog, Eket, Emmaljunga, Everöd, Finja, Grevie, Gualöv, Gärds
Köpinge, Hammar, Hjärsås, Huaröd, Killeberg, Klippans bruk, Knislinge,
Kvidinge, Linderöd, Lunnarp, Margretetorp, Munka-Ljungby, Näsum,
Onslunda, Ovesholm, Rinkaby, Röke, Simris, Sjörröd, Smedstorp,
Stidsvig, Stoby, Svenstorp, Tollarp, Tormestorp, Torsebro, Valje,
Vejbystrand, Viby, Vinnö, Vinslöv, Vitaby, Vittskövle, Västra Karup,
Åsljunga, Östra Karup, Östra Sönnarslöv, Östra Tommarp, Alstad,
Annelöv, Arild, Asmundtorp, Bara, Barsebäck, Barsebäckshamn,
Beddingestrand, Billeberga, Billesholm, Billinge, Bjärsjölagård,
Blentarp, Bunkeflostrand, Burlövs egnahem, Bårslöv, Dösjebro, Ekeby,
Flädie, Furulund, Gantofta, Genarp, Glemmingebro, Glumslöv,
Gunnarstorp, Gårdstånga, Gessie villastad, Hasslarp, Hedeskoga,
Hjärup, Hofterup, Holmeja, Hurva, Häljarp, Torna Hällestad, Härslöv,
Hököpinge, Idala, Ingelsträde, Jonstorp, Kattarp, Södra Klagshamn,
Klagstorp, Klågerup, Kurland, Kungshult, Kvärlöv, Kyrkheddinge,
Köpingebro, Lilla Harrie, Ludvigsborg, Mjöhult, Norra Rörum,
Ormanäs och Stanstorp, Osbyholm, Oxie, Påarp, Rydebäck, Rydsgård,
Sjödiken, Skumparp, Stockamöllan, Stora Herrestad, Sjöbo sommarby och
Svansjö sommarby, Saxtorpsskogen, Svarte, Södra Vrams fälad, Sövde,
Sövestad, Toarp, Tånga och Rögle, Utvälinge, Vintrie, Västra Karaby,
Västra Tommarp, Åkarp, Äsperöd, Örtofta, Väggarp, Röda holme,
Anneberg, Backa, Bergagård, Buerås, Eldsberga, Fjärås kyrkby,
Fyllinge, Genevad, Glommen, Gullbrandstorp, Gundal och Högås,
Gullbranna, Hagryd-Dala, Halla Heberg, Hasslöv, Haverdal, Heberg,
Himle, Hishult, Hjälm, Holm, Hjälmared, Kinnared, Kläppa, Kvibille,
Landeryd, Laxvik, Lilla Tjärby, Lerkil, Långås, Löftaskog, Morup,
Onsala, Ringsegård, Rolfstorp, Rydöbruk, Ränneslöv, Sennan, Skedala,
Skogstorp, Skottorp, Skrea, Skummeslövsstrand, Tofta, Södra Näs,
Trönninge, Trönninge, Tångaberg, Vallberga, Veinge, Villshärad,
Vinberg, Våxtorp, Ysby, Årstad, Älvsered, Ätran, Västra Hagen,
Ölmanäs, Benareby, Asperö, Björlanda, Bleket, Bosnäs, Brännö,
Katrinedal, Donsö, Eskilsby och Snugga, Fagerhult, Fiskebäckskil,
56
Fotö, Hällingsjö, Hallerna, Stamsjö, Herrestad, Hogstorp,
Hällevadsholm, Hälleviksstrand, Hälsö, Härryda, Hönö, Jonsered,
Kalvsund, Jörlanda, Kareby, Kebal, Kvisljungeby, Kåhög, Kållered,
Lindome, Låssby, Höviksnäs, Mysterna, Nolvik, Nya Långenäs,
Rabbalshede, Rixö, Rörö, Torreby, Duvesjön, Stora Bugärde, Stora
Dyrön, Stenared, Strandnorum, Styrsö, Sunningen, Svanvik, Säve,
Svenshögen, Tulebo, Ucklum, Varekil, Vrångö, Väjern, Östra Ånneröd,
Åstol, Ödsmål, Öjersjö, Tahult, Alvhem, Ambjörnarp, Aplared, Berghem,
Billingsfors, Björketorp, Blidsberg, Bredared, Dals Rostock, Dannike,
Fengersfors, Floda, Fristad, Fritsla, Frufällan, Grimsås, Gråbo,
Gräfsnäs, Gånghester, Göta, Hedared, Hillared, Hjälmared, Hjärtum,
Holsljunga, Hulu, Hökerum, Kinnarumma, Ljung, Ljungsarp, Länghem,
Marbäck, Målsryd, Nitta, Norsesund, Nordkroken, Nygård, Olsfors,
Olstorp, Rosenlund, Rydboholm, Rångedala, Rånnaväg, Sandhult,
Sexdrega, Sjömarken, Sjövik, Velanda, Skåpafors, Stigen, Stora Mellby,
Surte, Timmele, Aröd och Timmervik, Tollered, Tosseryd, Trulsegården,
Töllsjö, Tösse, Uddebo, Utby, Upphärad, Vargön, Viskafors, Väne-Åsaka,
Västra Bodarna, Åsensbruk, Äspered, Ödeborg, Östadkulle, Östra
Frölunda, Överlida, Öxabäck, Öxeryd, Ardala, Arentorp, Axvall,
Blikstorp, Eggby, Ekedalen, Emtunga, Fagerhult, Fagersanna, Filsbäck,
Forsvik, Främmestad, Furusjö, Gudhem, Hällekis, Igelstorp, Jonslund,
Jung, Korsberga, Kättilstorp, Lerdala, Lugnås, Lundsbrunn, Lyrestad,
Madängsholm, Moholm, Mölltorp, Odensberg, Otterbäcken, Saleby,
Sandhem, Sjötorp, Skagersvik, Skultorp, Stora Levene, Tidan,
Torbjörntorp, Tråvad, Tun, Ullervad, Ulvåker, Undenäs, Varnhem,
Väring, Värsås, Älgarås, Ambjörby, Björneborg, Bäckhammar, Deje,
Geijersholm, Jössefors, Klässbol, Koppom, Kyrksten, Högboda, Mjönäs,
Nordmark, Nykroppa, Oleby, Persberg, Rottneros, Råda, Segmon, Skåre,
Slottsbron, Sulvik, Sunnemo, Uddeholm, Vallargärdet, Vidöåsen,
Värmlandsbro, Västra Ämtervik, Ölme, Örslösa, Askersby, Ekeby,
Glanshammar, Gyttorp, Hampetorp, Hasselfors, Hovsta, Kilsmo, Lanna,
Latorpsbruk, Mullhyttan, Norra Bro, Olshammar, Rockhammar, Röfors,
Rönneshytta, Sannahed, Stora Mellösa, Striberg, Stråssa, Svartå,
Vedevåg, Zinkgruvan, Åbytorp, Åmmeberg, Åsbro, Ås, Ölmbrotorp,
Barkarö, Dingtuna, Enhagen-Ekbacken, Harbo, Hökåsen, Kumla kyrkby,
Kärsta och Bredsdal, Medåker, Morgongåva, Munga, Munktorp,
Riddarhyttan, Runhällen, Salbohed, Strömsholm, Sätra brunn,
Sörstafors, Tidö-Lindö, Tortuna, Irsta, Valskog, Vittinge, Alvik,
Bengtsheden, Bjursås, Blötberget, Boda, Bonäs, Brunnsberg, Husby,
Danholn, Djura, Djurmo, Naglarby och Enbacka, Evertsberg, Fors,
Färnäs, Garpenberg, Gonäs, Gulleråsen, Hagge, Halvarsgårdarna,
Håksberg, Häradsbygden, Idkerberget, Limedsforsen, Linghed,
Malungsfors, Nedre Gärdsjö, Nordanö, Norr Amsberg, Nusnäs, Nås, Näs
bruk, Ornäs, Repbäcken, Rot, Selja, Sifferbo, Siljansnäs, Skattungbyn,
Sollerön, Solvarbo, Skedvi kyrkby, Sunnansjö, Sörvik, Torsång,
Toftbyn, Vad, Vattnäs, Venjan, Vikarbyn, Vikmanshyttan, Vinäs, Våmhus,
Västerby, Västermyckeläng, Åsen, Äppelbo, Östnor, Persbo, Berg,
Björke, Bönan, Enånger, Forsby, Furuvik, Gnarp, Hammarby,
Hamrångefjärden, Hybo, Hålsjö, Iggesund, Ilsbo, Jäderfors, Järbo,
Hassela, Lillhaga, Lingbo, Los, Lottefors, Maln, Marmaverken,
Rolfhamre och Måga, Marmaskogen, Njutånger, Nore, Norrlandet,
Näsviken, Ovanåker, Rengsjö, Roteberg, Runemo, Sandarne, Sibo, Skog,
Stocka, Sälgsjön, Söderala, Tallåsen, Totra, Trödje, Vallvik,
Vannsätter, Åbyggeby, Årsunda, Åshammar, Österfärnebo, Klingsta och
Allsta, Vi, Ankarsvik, Arnäsvall, Bergeforsen, Billsta, Dingersjö,
Docksta, Frånö, Gustavsberg, Gimåt, Gottne, Hovid, Juniskär,
Johannedal, Kovland, Köpmanholmen, Lucksta, Lungvik, Matfors, Mjällom,
Moliden, Nedansjö, Njurundabommen, Ramvik, Sandslån, Skottsund,
Stavreviken, Stockvik, Stöde, Svartvik, Tunadal, Utansjö, Västerhus,
Åmynnet, Älandsbro, Överhörnäs, Brunflo, Dvärsätt, Hackås, Klövsjö,
Norr-Hede, Näsviken, Ope, Orrviken, Pilgrimstad, Rossön, Ulvkälla,
57
Undersåker, Vaplan, Vemdalen, Ytterhogdal, Ytterån, Bastuträsk,
Brännland, Bullmark, Ersmark, Flurkmark, Innertavle, Kusmark, Lögdeå,
Medle, Myckle, Obbola, Ostvik, Rundvik, Röbäck, Ursviken, Stensele,
Stöcke, Stöcksjö, Drängsmark, Södra Bergsbyn och Stackgrönn, Sörfors,
Sörmjöle, Tavelsjö, Tvärålund, Täfteå, Ersmark, Vännäsby, Örviken,
Överboda, Alvik, Antnäs, Avan, Bensbyn, Bergnäset, Bergsviken,
Blåsmark, Bredviken, Brändön, Båtskärsnäs, Bälinge, Böle, Ersnäs,
Gammelgården, Hedenäset, Hemmingsmark, Junosuando, Juoksengi, Jämtön,
Jävre, Kallax, Kangos, Karlsvik, Klöverträsk, Korsträsk,
Koskullskulle, Kuttainen, Lillpite, Marielund, Morjärv, Måttsund,
Nikkala, Påläng, Risögrund, Roknäs, Rolfs, Rutvik, Seskarö, Sjulsmark,
Svartbyn, Övre Svartlå, Svensbyn, Sävast, Tjautjas/Cavccas, Töre,
Ullatti, Unbyn, Vistträsk, Nyborg, Övre Soppero
Grupp 1
Vidja, Bredsand, Balsby, Karups sommarby, Ljungstorp och Jägersbo,
Sandskogen, Grythyttan, Örtagården, Ljungaverk, Aspås, Duved,
Karesuando
58