Socioekonomiskt index

Inledning

Denna rapport syftar till att beskriva socioekonomiska förutsättningar på DeSO-nivå inom länet, både för att förstå den nuvarande situationen och för att kunna följa förändringar över tid. För att göra detta används två olika socioekonomiska index: ett simpelt index som är lätt att förstå och kommunicera, och ett PCA-baserat index som bygger på en datadriven metod och möjliggör jämförelser över flera år.

Gemensamt för bägge indexen är att ett högre värde på indexet indikerar mindre gynnsamma socioekonomiska förutsättningar.

Inspiration till indexsorterna i denna analys har tagits från Önskog (2025), Raptis (2025) och Region Stockholm (2025), men det kan skilja sig något i utförandet och i valda variabler.

Simpelt socioekonomiskt index

Indexet utgör en sammanvägning av tre indikatorer för varje DeSO:

1. Andel personer med låg ekonomisk standard, oavsett ålder
2. Andel personer i åldern 20–65 år med förgymnasial utbildning
3. Andel personer i åldern 20–65 år som har varit arbetslösa i mer än sex månader

Indexet beräknas genom att summera de tre andelarna för varje område och därefter dividera summan med 3, enligt formeln:

\[ \text{Socioekonomiskt index}_i = \frac{\text{Andel låg standard}_i + \text{Andel låg utbildning}_i + \text{Andel arbetslösa}_i}{3} \]

Varje DeSO kategoriseras sedan utifrån sitt socioekonomiska index. Klassificeringen bygger på hur indexvärdet (\(I_i\)) för DeSO \(i\) förhåller sig till medelvärdet (\(\mu\)) och standardavvikelsen (\(\sigma\)) för indexet. Medelvärdet och standardavvikelsen är beräknade med data för hela Sverige.

Om ett område ligger flera standardavvikelser över medelvärdet anses det ha mindre gynnsamma socioekonomiska förutsättningar, medan områden som ligger under medelvärdet bedöms ha mer fördelaktiga socioekonomiska villkor.

Figur 1: Ekonomi

Klassificering

DeSO delas in i fem områdestyper enligt följande:

Indelning av DeSO enligt socioekonomiskt index
Områdestyp	Beskrivning	Villkor
1	Stora socioekonomiska utmaningar	\(I_i \geq \mu + 2\sigma\)
2	Socioekonomiska utmaningar	\(\mu + \sigma \leq I_i < \mu + 2\sigma\)
3	Blandade socioekonomiska förutsättningar	\(\mu \leq I_i < \mu + \sigma\)
4	Goda socioekonomiska förutsättningar	\(\mu - \sigma \leq I_i < \mu\)
5	Mycket goda socioekonomiska förutsättningar	\(I_i < \mu - \sigma\)

Indexet har utvecklats med inspiration från det socioekonomiska index som skapats på RegSO-nivå Önskog (2025), kodmässigt har arbetet inspirerats av Python-paketet desocioek, Raptis (2025).

Karta

I Figur 2 så går det att byta lager för att se mönster och kluster för varje individuell variabel i indexet. I denna karta går det att byta variabler på färgskalan genom att först hålla muspekaren över lagersymbolen i kartans vänstra hörn och sedan klicka in en ny variabel.

Figur 2

Källa: SCB, data bearbetat av Region Uppsala

Notera att vissa DeSO som får låga indexvärden kan påverkas kraftigt av en variabel som dominerar indexutfallet, tex så kan ett område med en stor andel studenter generera en högre andel på variabeln ‘Andel personer med låg ekonomisk standard, oavsett ålder’ vilket i sin tur kan leda till att området klassificeras som områdestyp 1.

I länet syns tydliga kluster: en stor del av landsbygden har relativt goda socioekonomiska förutsättningar, medan några områden i länets västra/nordvästra delar uppvisar blandade socioekonomiska förutsättningar. I Enköpings och Uppsalas centralorter finns flera områden med stora socioekonomiska utmaningar, och flera av dessa i Uppsala angränsar till området 0380C1050, som har mycket goda socioekonomiska förutsättningar, vilket tydligt visar att socioekonomiska förutsättningar kan variera kraftigt även inom små geografiska avstånd.

De två områdena som klassificerats i gruppen ‘Stora socioekonomiska utmaningar’ i västra Flogsta i Uppsala kommun har en stor andel studenter, vilket medför en väldigt hög andel med låg ekonomisk standard som i sin tur ligger bakom det höga indexvärdet.

Samband mot födelseregion

Figur 3

Det är en otroligt mycket större spridning i områdestyp 1, där det framförallt är 4 områden i grupp 1 som har mycket högre indexvärden än resterande DeSO i länet. Sambandet mellan andelen utrikesfödda och indexet är väldigt positivt starkt med en korrelation på runt 0.8, där höga andelar ofta innebär ett högre indexvärde.

På y-axeln sticker västra Flogsta med DeSO 0380C1460 ut med en väldigt högt index och hög andel utrikesfödda, men samtidigt är andelen med endast förgymnasial utbildning och andelen arbetslösa nära 0 procent. Troligtvis är det väldigt många internationella studenter som bor i området, vilket ger det höga indexvärdet.

Tabell 1

Fördelning av DeSO-områden efter områdestyp
Beskrivning	Antal	Andel
Områden med stora socioekonomiska utmaningar	10	4.0%
Områden med socioekonomiska utmaningar	21	8.4%
Socioekonomiskt blandade områden	58	23.3%
Områden med goda socioekonomiska förutsättningar	142	57.0%
Områden med mycket goda socioekonomiska förutsättningar	18	7.2%

I länet så är 58,8% av alla DeSO, områden med goda socioekonomiska förutsättningar och det finns 8 områden som enligt indexet är områden med stora socioekonomiska utmaningar.

Socioekonomiskt index med PCA

För att skapa ett index som fungerar över tid och där data för nya år enkelt ska kunna beräknas och jämföras mot tidigare år så har ett socioekonomiskt index skapats med principalkomponentanalys(PCA). Det blir då en datadriven metod, och som väldigt förenklat kan förklaras som en metod som tar fram “vikter” för variablerna sätts in.

Just nu så saknas data från SCB som möjliggör ett index över flera år med start 2024, men detta kommer att vara uppdaterat till 2027, vilket detta avsnitt har lagt grund för.

Variablerna som används är:

1. Andel som erhållit ekonomiskt bistånd
2. Andel ensamstående föräldrar
3. Andel som bor i flerbostadshus
4. Andel personer i åldern 20–65 år som har varit arbetslösa i mer än sex månader
5. Andel personer i åldern 20–65 år med förgymnasial utbildning
6. Andel personer med låg ekonomisk standard, oavsett ålder

NoteraBeskrivning av PCA-baserat index

För varje år beräknas en PCA baserat på socioekonomiska variablerna som speglar områdenas ekonomiska och sociala förhållanden. PCA identifierar den underliggande dimensionen som förklarar den största variationen mellan områdena, vilket ger en uppsättning vikter för varje indikator som speglar dess relativa betydelse.

Därefter beräknas ett medelvärde av dessa årsspecifika PCA-vikter, vilket resulterar i en stabil och tidsöverskridande medelvärdesvektor. Denna medelvärdesvektor används för att kombinera indikatorerna till ett kontinuerligt index som representerar områdets övergripande socioekonomiska status på ett jämförbart sätt över tid.

Indexet används slutligen för att klassificera områdena i sex klasser baserat på hur mycket deras index avviker från medelvärdet. På så sätt fångas både den relativa socioekonomiska positionen och förändringar över tid, samtidigt som vikterna förblir konsekventa mellan åren.

Medelvärdesvektorn för variablerna
Variabel	Vikt
Andel med ekonomiskt bistånd	0.4588
Andel ensamstående föräldrar	0.3420
Andel i flerbostadshus	0.2093
Andel arbetslösa	0.4782
Andel med endast förgymnasial utbildning	0.4396
Andel med låg ekonomisk standard	0.4548

Klassificering

Tabell 2

Indelning av DeSO enligt socioekonomiskt index
Områdestyp	Beskrivning	Villkor
1	Mycket utmanande socioekonomiska förutsättningar	\(I_i \geq \mu + 2.5\sigma\)
2	Utmanande socioekonomiska förutsättningar	\(\mu + 1.5\sigma \leq I_i < \mu + 2.5\sigma\)
3	Något utmanande socioekonomiska förutsättningar	\(\mu + 0.5\sigma \leq I_i < \mu + 1.5\sigma\)
4	Något goda socioekonomiska förutsättningar	\(\mu - 0.5\sigma \leq I_i < \mu + 0.5\sigma\)
5	Goda socioekonomiska förutsättningar	\(\mu - 1.0\sigma \leq I_i < \mu - 0.5\sigma\)
6	Mycket goda socioekonomiska förutsättningar	\(I_i < \mu - 1.0\sigma\)

NoteraFördelningen av indexet

För att förstå hur indexfördelningen ser ut för riket och länet, samt hur klassificeringen fungerar så visas fördelningen i Figur 4.

Figur 4

Ladda ner

Som SVG Som PNG

Fördelningen i länet är väldigt likt efter hur det ser ut i riket, men en skillnad syns, det är färre i områdestyp 4 och möjligt något fler i områdestyp 3, en trolig förklaring till detta skulle kunna vara att andelen studenter är mycket högre i länet än i riket. Medelvärdet för indexet som används för att skapa gränsvärdena i riket är 21.29 och standardavvikelsen är 14.31.

• Klass 6 för värden under 6.98
  
• Klass 5 för värden mellan 6.98 och 14.14
  
• Klass 4 för värden mellan 14.14 och 28.45
  
• Klass 3 för värden mellan 28.45 och 42.76
• Klass 2 för värden mellan 42.76 och 57.06
• Klass 1 för värden över 57.06

Karta

För att tydligt se skillnader på vilka områden som skiljer sig mellan det simpla indexet och PCA-indexet så placeras båda på samma karta, där det går att skifta mellan indexen med hjälp av en slider.

Källa: SCB, data bearbetat av Region Uppsala

Eftersom indexen går på olika skalor går de inte helt att jämföra rakt av. Områden där skillnaden är en närliggande färg i motstående skala ger alltså liknande värden för bägge metoderna. Det är också två olika år, vilket gör att skillnaden skulle kunna bero på att något förändrats mellan åren. Det går alltså inte att dra speciella slutsatser från denna karta innan SCB släpper data så att PCA-indexet kan skapas för flera år.

Något som däremot går att se är att områden där färgen skiftar stort mellan indexvarianterna visar på att de tar upp olika saker. En stor skillnad syns tex i Uppsala kommun där andelen som bor i flerbostadshus är högt i flera områden och påverkar indexvärdet för PCA-indexet tydligt.

För att se exakta värden för varje DeSO så går det att klicka på områdena.

Samband mot födelseregion

För att se sambandet mellan födelseregion och indexet presenteras de variablerna mot varandra i Figur 5. När ny data har släppts från SCB kommer denna graf även kunna spelas upp för att visa varje områdes indexvärde över tid.

Figur 5

Precis som i Figur 3 så har indexet ett starkt samband med födelseregion, där områden med en högre andel utrikesfödda har det sämre socioekonomiskt.

Något som är gemensamt för de områdena med högst indexvärde är att det är nära 100 % boende i flerbostadshus och att andelen med låg ekonomiskt standard är hög.

Samband mellan indexen

Avslutningsvis så undersöks indexen mot varandra, detta för att se styrkor och svagheter med de olika typerna. I Figur 6 presenteras indexen mot varandra, där det första indexet i rapport kallas för “simpelt” då det är lättare att förstå, formen på figuren baseras på klasserna från det simpla indexet och färgen av indexet skapat av PCA.

Figur 6

Ladda ner

Som SVG Som PNG

Det finns ett tydligt och starkt samband mellan indexen, vilket framgår tydligt i Figur 6 Trots detta starka samband uppvisar indexen skillnader i hur de klassificerar områdena, vilket är särskilt påtagligt för områden som är klassificerad runt indexens mitt. Till exempel syns det att två cirklar som enligt det simpla indexet är områdestyp 1 med gul färg, vilket för PCA-indexet då är områdestyp 3, detsamma gäller en nedåtvänd triangel som är vit i stället för mörkgrön, alltså klass 5 enligt det simpla, men område 4 enligt PCA.

Fördelen med det simpla indexet är att det ger bättre förståelse och är lättare att kommunicera kring. Det är enkelt att se vilka variabler som gör att ett område får sitt indexvärde, vilket underlättar både tolkning och diskussion. PCA-indexet är däremot mer heltäckande då det innehåller fler variabler och baseras på en datadriven metod. Detta ger indexet fördelen att det kan användas för jämförelser över flera år på ett mer konsekvent sätt, samtidigt som det fångar en bredare bild av områdenas socioekonomiska situation genom att inkludera aspekter som ekonomiskt bistånd, ensamstående föräldrar och boendeform.

Källor

Raptis, Emanuel. 2025. ”DeSocioEk: A Python package for generating a socioeconomic index and classifying areas at DeSO (Demographic Statistical Areas) level for all areas in Sweden”. https://github.com/xemarap/desocioek.

Region Stockholm. 2025. ”Livsvillkoren i Stockholmsregionen: En forsknings- och kunskapsöversikt”. Forsknings- och kunskapsöversikt. Region Stockholm, Regionledningskontoret. https://www.regionstockholm.se/49efed/contentassets/75bd75454ec34669bc3d48605cb67d66/livsvillkoren-i-stockholmsregionen.-en-forsknings--och-kunskapsoversikt.2025.pdf.

Önskog, Thomas. 2025. ”Indelning i områdestyper efter socioekonomiskt index”. Statistiska centralbyrån, SSA/SU/MET.