Platsen, individen och folkhälsan, 3.06 MB

Platsen, individen och 

folkhälsan 

– teorier, metoder och tolkningar 

Karin Melinder (red), Anders Schærström (red) 

statens folkhälsoinstitut 

www.fhi.se

Platsen, individen och folkhälsan 

– teorier, metoder och tolkningar 

Karin Melinder (red), Anders Schærström (red)

©Statens folkhälsoinstitut R 2005:16 

ISBN: 91-7257-345-7 

ISSN: 1651-8624 

Omslagsfoto: www.photos.com, Tiofoto: Nils-Johan Norenlind 

Foto: www.photos.com, Tiofoto: Bengt-Göran Carlsson, Nils-Johan Norenlind, Frank Chmura 

Tryck: AB Sandvikens Tryckeri, 2005

Innehållsförteckning 

Förkortningar _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 5 

Förord _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 7 

Författarpresentationer _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 8 

Sammanfattning _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 10 

Introduktion _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 13 

Del A: Vetenskapliga perspektiv _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 17 

1. Plats, individ och hälsa: Perspektiv _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 19 

2. Med platsen/området i fokus _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 33 

3. Socialt kapital, område, individ och hälsa _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 47 

4. Grannskap _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 69 

5. Epidemiologisk studiedesign, ekologisk studie och ekologisk bias _ _ _ _ _ _ _ _ _ _ 87 

6. Det geografiska perspektivet _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 101 

6.1. Kort om kartografi _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 107 

6.2. Epidemiologiska data på kartan: sjuklighet och exponering – 

en översikt _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 117 

6.3. Hälsa, plats – och tid _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 137 

6.4. Att använda GIS för analyser av hälsa – ohälsa, sjukdomar och 

deras determinanter _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 151 

Del B: Aktuella analysmetoder _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 173 

1. Områdesbegreppen inom socialepidemiologin _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 175 

2. Kontextuella analyser _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 191 

3. Geografiska analyser _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 223 

4. Kvalitativ metodologi: situationell interaktion och positionerad 

kunskap _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 257 

5. Qualitative comparative analysis, QCA – en metod vid skärningspunkten 

mellan kvalitativa och kvantitativa metoder _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 283

Del C: Datakällor _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 307 

1. Vad kan man veta? _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _309 

2. Utfallsdata – hälsa och ohälsa _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 323 

3. Sociala bestämningsfaktorer _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 337 

4. Fysisk exponering – datakällor _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 353 

Sökordlista _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 365

Förkortningar 

förkortningar 5 

Förkortningar som förekommer i texten 

AKU Arbetskraftsundersökningarna 

AMS Arbetsmarknadsstyrelsen 

BMI Body Mass Index 

BRÅ Brottsförebyggande rådet 

CAN Centralförbundet för alkohol- och narkotikaupplysning 

CEIFO Centrum för forskning om internationell migration och etniska 

relationer, Stockholms universitet 

CHESS Centre for Health Equity Studies, Stockholms universitet 

FoB Folk- och Bostadsräkning 

GIS Geografiska informationssystem 

GLM Generaliserade linjära modeller 

GNP Gross National Product 

GPS Global Positioning System 

IEH Institutet för ekologisk hållbarhet 

IMM Institutet för Miljömedicin 

IVL Svenska Miljöinstitutet (Tidigare Institutet för Vatten- och Luftvårdsforskning) 

KBF Kommunala basfakta för folkhälsoplanering 

KemI Kemikalieinspektionen 

KOL Kronisk obstruktiv lungsjukdom 

LH-kvot kvoten mellan andelen låg- och höginkomsttagare i ett område 

NYKO Nyckelkod-områden 

QCA Qualitative Comparative Analysis 

OR Odds Ratio 

RAMS Registrerad arbetsmarknadsstatistik 

RES Relativ etnisk sammansättning 

RFV Riksförsäkringsverket 

RR Relativ risk 

SCB Statistiska centralbyrån 

SGU Sveriges Geologiska Undersökning 

SIKA Statens institut för kommunikationsanalys 

SMHI Sveriges meteorologiska och hydrologiska institut 

SMI Smittskyddsinstitutet

6 platsen, individen och folkhälsan – teorier, metoder och tolkningar 

SMR Standardised Morbidity Ratio och Standardised Mortality Ratio 

SOU Statens offentliga utredningar 

SQL Structured Query Language 

ULF Undersökningarna om levnadsförhållanden

Förord 

På Statens folkhälsoinstitut har ett arbete inletts med att göra analyser på 

kommunal och regional nivå. Hittills har detta arbete främst resulterat i 

Kommunala basfakta för folkhälsoplanering, som finns på institutets hemsida, 

www.fhi.se. I dessa basfakta finns statistik på kommunnivå som 

mäter indikatorer på de elva folkhälsopolitiska målområdena. I en speciell 

Atlas över Sveriges kommuner presenterades de data som ingick i den första 

versionen av Kommunala basfakta för folkhälsoplanering i kartform. 

Ungefär samtidigt analyserades också den ingående statistiken för olika 

typer av kommuner i rapporten Hälsan och dess bestämningsfaktorer. 

Jämsides med detta arbete har en teoretisk och metodologisk diskussion 

förts i ett nätverk för områdesvisa analyser som initierats av Statens folkhälsoinstitut. 

I nätverket har ingått forskare och praktiker som varit aktiva 

med att göra hälsoanalyser där platsen och det geografiska området varit 

en utgångspunkt. Under dessa diskussioner framkom att det fanns ett 

intresse av att sprida den kunskap som personerna i nätverket står för även 

utanför detta. 

Som ett första led för att göra detta anordnades ett seminarium på den 

första Folkhälsostämman år 2003. Det andra ledet var en forskningskurs, 

Område, individ och hälsa som genomfördes på Karolinska Institutet våren 

2004. Det kursmaterial som då användes ligger till grund för denna bok, 

även om materialet har bearbetats och till vissa delar kompletterats. 

Rapporten vänder sig till forskare och folkhälsoplanerare som vill få en 

överblick över vilka metoder som finns för att göra folkhälsoanalyser med 

platsen som utgångspunkt. Rapporten har inte för avsikt att fungera som 

en handbok utan mera att ge idéer och uppslag för den som funderar på att 

göra egna analyser. 

Redaktörer för rapporten har varit Karin Melinder och Anders Schærström. 

Respektive medförfattare ansvarar för sina egna kapitel. 

Gunnar Ågren 

Generaldirektör 

förord 7


Författarpresentationer 

Danuta Biterman. Fil. lic. i sociologi med demografisk inriktning. Särskild 

kompetens inom områden som sociala förhållanden samt boende segregation 

med tyngdpunkt på invandrarnas levnadsförhållanden. Arbetar för 

närvarande på Epidemiologiskt Centrum, Socialstyrelsen, projektledare 

för Sociala rapporten 2006. 

Peeter Fredlund. Statistiker och utredare vid Statens folkhälsoinstituts analysenhet. 

Fil. kand., MPH. Arbetar med databaser och statistiska analyser. 

Johan Hallqvist. Johan Hallqvist är docent i socialmedicin vid Karolinska 

Institutet och överläkare vid Samhällsmedicin, Stockholms läns landsting. 

Han leder en forskargrupp i socialepidemiologi som studerar mekanismer 

bakom de sociala skillnaderna i sjukdomsrisk med fokus på samverkan 

mellan tidiga och sena exponeringar under livsförloppet, den sociala kontextens 

betydelse och triggerfaktorers roll. Han har tidigare under 11 år 

varit rådgivare i socialdepartementet och bland annat sekreterare i folkhälsogruppen. 

Susanne Holland. Utredare vid Epidemiologiskt Centrum, Socialstyrelsen. 

Fil. kand. i sociologi. Samordningsansvar för statistikpresentationsprogrammet 

Folkhälsan i Siffror med specifikt ansvar för Hur mår Sverige? 

Maria Kölegård Stjärne. MPH och doktorand i folkhälsovetenskap med 

särskild inriktning epidemiologi på institutionen för folkhälsovetenskap 

vid Karolinska Institutet och anställd på CHESS (Centre for Health Equity 

Studies) Stockholms universitet/Karolinska Institutet. Studerar grannskapets 

sociala kontext och dess påverkan på hjärtinfarktsinsjuknande med 

övergripande syfte att identifiera väsentliga kontextuella aspekter och belysa 

mekanistiska frågeställningar. 

Michael Lundberg. Statistiker vid Statens folkhälsoinstituts analysenhet. Fil. 

kand., MPH. Arbetar med databaser och statistiska analyser.

författarpresentation 9 

Owe Löfman. MD, PhD är överläkare vid Folkhälsovetenskapligt Centrum, 

Universitetssjukhuset i Linköping och sedan 20 år verksam inom miljömedicin, 

allmän och klinisk epidemiologi samt prevention. Medicinarutbildning 

vid Karolinska Institutet, diplom i Public Health från Nordiska 

Hälsovårdshögskolan samt disputerat på en avhandling om osteoporos 

inom ämnet klinisk kemi. Klinisk bakgrund inom röntgen, primärvård och 

yrkesmedicin samt specialist inom yrkesmedicin/företagshälsovård. Medverkat 

vid bildandet av Östergötlands luftvårdsförbund och Östergötlands 

GIS-förening samt i 10 år varit ledamot i deras styrelser. 

Karin Melinder. Grundutbildad i sociologi samt magisterexamen i folkhälsovetenskap 

och doktorsexamen i socialmedicin. Specialintresserad av kulturbegreppet 

och hur detta kan mätas. Ansvarig för området Områdesvisa 

analyser på Statens folkhälsoinstitut. Medverkat i utvecklingen av Kommunala 

basfakta för folkhälsoplanering. Sedan 2004 anställd som lektor 

vid Karlstad universitet. 

Katarina Schough. Fil. dr och verksam som kulturgeograf vid Karlstads 

universitet. Bedriver som forskarassistent inom ramen för Vetenskapsrådet 

forskning om kunskapsbildning och kunskapsanvändning ur ett geografiskt 

perspektiv. Studiernas kontexter spänner mellan vetenskapliga 

och tekniska institutioner, styrande och förvaltande organisationer och 

människors vardagsliv. 

Anders Schærström. Geograf med specialisering på så kallad medicinsk geografi. 

Disputerade 1996 på en avhandling om epidemiologiska/geografiska 

metodproblem i samband med långa latenstider och mobila befolkningar. 

Sedan oktober 2003 verksam på Statens folkhälsoinstitut. Dessförinnan, 

1997–2003, programsekreterare för arbetsmiljö och hälsa inom SALTSAprogrammet 

för forskning om arbetslivet i europeiskt perspektiv. Tidigare 

förflutet som vägledare och utredare för utbildnings- och arbetsmarknadsärenden 

inom SACO-förbundet Jusek. 

Åke Sivertun. Lektor i geoinformatik vid Institutionen för datavetenskap 

(IDA), Linköpings Universitet. Fil. lic. i tematisk forskning Linköpings 

universitet 1990, Fil. dr i Kulturgeografi (geoinformatik) Umeå universitet


1993. Forskningsintressen: GIS för tvärvetenskaplig forskning och forskningskommunikation 

rörande komplexa fenomen, GIS för miljöanalys och 

miljöövervakning, HälsoGIS, GIS för hantering av avfallsflöden, GIS för 

räddningstjänst samt GIS och utbildning. 

P-O Östergren 

Läkare och professor i socialmedicin, särskilt socialepidemiologi, vid 

Lunds universitet. Har bland annat forskat om sociala relationers betydelse 

för stress, levnadsvanor och hälsa och under senare år om hur begreppet 

socialt kapital kan förbättra förståelsen av dessa sammanhang. 

Sammanfattning 

Att områden och platser har betydelse för hälsan är ganska uppenbart, men 

exakt hur orsakssambanden ser ut är däremot inte alls så enkelt. I själva 

verket handlar det ju om ett otal faktorer av vitt skilda slag som förekommer 

på vissa platser och som ibland direkt, men oftast indirekt, i komplicerade 

kedjor inverkar på invånarnas hälsotillstånd och välbefinnande. Att 

forskare med olika metod- och sakkunskaper har olika uppfattningar om 

hur man bör gå till väga för att utforska och förstå sambanden är knappast 

överraskande, men olika perspektiv och metoder behöver inte ses som konkurrenter 

utan snarast som komplement till varandra. Det är väsentligen 

vad den här boken handlar om. 

Ett tema som återkommer är ”ekologiska studier” och risken för ”ekologiska 

felslut”. Ekologiska studier har blivit ett etablerat uttryck för att 

studera något på grupp- eller områdesnivå och ekologiska felslut är ett 

uttryck för att dra slutsatser om samband som ser ut att gälla på en viss 

aggregeringsnivå, men som kanske inte håller på en annan nivå. Statistiskt 

kan sambanden skilja sig åt mellan nivåerna så att det som är genomsnittligt 

eller typiskt för en grupp eller ett område inte gäller varje enskild individ 

och kanske inte heller i en större grupp, där den mindre gruppen utgör 

en del. 

Denna insikt är viktig, därför att folkhälsovetenskapen handlar om hur 

förhållanden i samhället påverkar invånarnas hälsa och det praktiska, förebyggande 

och hälsofrämjande folkhälsoarbetet ofta bedrivs på samhälls-

sammanfattning 11 

nivå – det må vara inriktat på lokalsamhällen, regioner eller hela nationen. 

Det individuella och det ”aggregerade” framstår som motpoler, då vi i 

den här boken försöker belysa olika ståndpunkter och tillvägagångssätt. 

Boken består av tre avdelningar – som belyser perspektiv, metoder och 

datakällor. 

I den första avdelningen presenterar företrädare för olika vetenskaper 

sina perspektiv på hur man kan pejla eventuella samband mellan individer, 

områden och hälsa. Karin Melinder påpekar inledningsvis att områden kan 

beskrivas dels utifrån storleken, från grannskap till region och nation, dels 

utifrån typen av område, vilket exempelvis innebär skillnader mellan 

urbant och ruralt eller mellan tätorter, landsbygd och glesbygd. Med det 

sociala kapitalet som analysbegrepp diskuterar Per-Olof Östergren hur 

sociala företeelser skulle kunna påverka biologiska processer och den 

kroppsliga hälsan. Stress-sjukdoms- och sårbarhetshypoteserna erbjuder, 

liksom begreppet coping, förklaringar till detta. Därefter ställer Danuta 

Biterman begreppet grannskap i centrum, då hon med ett sociologiskt perspektiv 

beskriver hur man kan gå till väga för att analysera det sociala samspelet 

i områden som är fysiskt avgränsade och som invånarna naturligt 

kan identifiera sig med. Owe Löfman går igenom epidemiologiska mått på 

grupp- och områdesnivå – främst fall-kontrollstudier, tvärsnittsstudier och 

kohortstudier. Han riktar uppmärksamheten på hur resultaten kan bli 

missvisande på grund av störande variabler (confounders) och felklassificeringar, 

men också på hur man med epidemiologiska mått kan spåra misstänkta 

samband och formulera hypoteser. Nästa perspektiv är det geografiska, 

som söker orsakssamband utifrån var de företeelser förekommer som 

kan tänkas påverka varandra. Tekniskt avancerade geografiska informationssystem 

hanterar data som kan knytas till platser och lägen. Om man 

sätter epidemiologiska mått på kartor kan de framstå i sina geografiska 

sammanhang. 

Med de olika vetenskapliga perspektiven som bakgrund övergår vi till 

några huvudsakliga metoder. Först ställer socialepidemiologen frågan hur 

man empiriskt skall kunna studera en ”områdeseffekt” eller ”kontextuell 

effekt”. Det är motiverat att fråga både varför sjukligheten varierar mellan 

populationer och varför vissa individer blir sjuka. För att komma åt de 

kontextuella faktorerna behöver man mäta områdesanknutna egenskaper 

och skaffa en tillräckligt stor bas för att urskilja exponeringskontraster. För


att kunna särskilja områdets effekter måste man analysera data även på 

individnivån. I det följande kapitlet utvecklas statistiska metoder för kontextuella 

analyser med betoning på flernivåmodeller. Här kontrasteras den 

kontextuella aspekten (själva området) med den kompositionella, det vill 

säga invånarnas egenskaper – såsom åldersstrukturen. Geografiska analyser 

börjar med att man söker efter mönster i kartbilder, eftersom mönstren 

skulle kunna tyda på orsakssamband. För att upptäcka dem kan man 

använda exempelvis överlagrings-, rutnäts- eller buffertzonanalyser. Sådana 

underlättas mycket av GIS-tekniken (GIS = Geografiska Informationssystem) 

som emellertid kräver stor detaljrikedom och aktualiserar den 

personliga integriteten. Kapitlet om kvalitativa metoder fokuserar på hur 

man kan nå kunskap ur situationer som är betingade av sina sociala och 

geografiska sammanhang. Kvalitativ metodologi omfattar en mångfald av 

metoder och analytiska grepp, men innebär ofta en dialog mellan forskaren 

och praktiker eller andra informanter. Den sista metodik som presenteras 

är QCA (Qualitative Comparative Analysis), en relativt ny metodik som 

har ambitionen att förena de kvantitativa och kvalitativa tillvägagångssättens 

respektive fördelar. QCA bygger på boolesk addition och multiplikation. 

Metodiken kan användas på relativt många fall och kan därför medge 

generaliserande slutsatser. Metodiken är öppen för komplexa orsakssammanhang. 

Att enskilda fall kan påverka analysresultaten kan vara både 

en fördel och en nackdel. 

Slutligen ger boken en översikt av källor till data om sociala och fysiska 

bestämningsfaktorer samt om hälsoutfall. Det finns stora mängder data 

såväl om enskilda personer som om socioekonomiska, kulturella och fysiska 

förhållanden i register och databaser. Tack vare IT kan man bearbeta dem 

och åstadkomma mönster genom att variera kombinationer av områdesfaktorer 

och utfall. Många data är i grunden hämtade från individer men 

presenteras som statistik fördelade på olika slags områden. För att nå framgång 

med områdesbaserade analyser måste man vara observant på vad de 

tillgängliga uppgifterna står för.

Introduktion Karin Melinder, Anders Schærström 

introduktion 13 

Intresset för olika forskningsområden går i vågor, blommar upp och försvinner. 

Varför vissa metoder och teorier väcker intresse under vissa perioder 

finns det inga enkla svar på, det kan ses som ett forskningsområde i sig. 

Att det finns ett nyväckt intresse för områdets och platsens betydelse för 

hälsan är dock klart. Detta betyder dock inte att forskarna är överens om 

på vilket sätt sådana studier skall bedrivas. 

Området samlar forskare från flera olika vetenskaper som arbetar på 

olika sätt och inte självklart har samma bild av vad som är rätt att göra. 

I den här boken presenterar vi ett urval perspektiv och metoder. Vi som 

medverkat har inte försökt integrera de olika metoder och perspektiv som 

vi står för och känner oss hemma med. I stället har vi valt att låta perspektiven 

och metoderna stå för sig själva. Ändå framgår det nog att det finns 

många beröringspunkter. I grunden söker vi alla svar på samma slags frågor 

om hur olika omgivningar påverkar hälsan för individer och grupper. Förhoppningsvis 

har vi gett dig, läsare, något nytt uppslag och någon ny 

impuls men kanske inte övertygat någon om att ett visst perspektiv eller en 

viss metod leder till den fullständiga och sanna bilden av hälsans och ohälsans 

samband med omgivningen. 

Hur mycket fokus läggs på hälsa kan variera. För vissa, t ex epidemiologer, 

är individens hälsa det centrala och man intresserar sig för om det går 

att hitta belägg för att andra egenskaper än de som klart kan kopplas till 

individen, t.ex. var hon bor, kan visas ha ett samband med hälsa. 

Andra (geografer) har som sitt primära studieområde platsen eller 

områdets betydelse för människan, däribland för hennes hälsa. 

Statsvetare och sociologer har också bedrivit komparativa studier där 

olika nationer eller regioner jämförts utifrån olika aspekter, t ex olika 

former av välfärd eller demokrati. 

Som en röd tråd genom studier av område och hälsa går rädslan för det 

ekologiska felslutet (ecological fallacy). Ekologiska felslut har blivit synonymt 

med att studera något på grupp- eller områdesnivå, när det egentligen 

innebär att man inte skall dra slutsatser om samband som tagits fram på en 

nivå på en annan nivå. Sambanden kan skilja sig på olika nivåer. Ett exempel 

är sambandet mellan självmord och arbetslöshet. På individnivå kan man 

hitta ett samband mellan arbetslöshet och självmord, d.v.s. personer som är


arbetslösa begår oftare självmord än andra. På ekologisk nivå, vid jämförelser 

av länder, är förhållandet det omvända, d.v.s. länder med hög 

arbetslöshet har en låg självmordsnivå och vice versa. Att dra slutsatser 

från den ekologiska nivån till individen vore att göra sig skyldig till ett ekologiskt 

felslut. Det är fråga om två olika resultat som måste tolkas var och 

en för sig. För att förstå sambandet på ekologisk nivå måste man också 

känna till strukturella och kulturella faktorer hos de länder som studerats. 

Nästan lika genomgående som rädslan för det ekologiska felslutet är 

insikten om att folkhälsovetenskapen handlar om hur förhållanden i samhället 

påverkar människors hälsa och insikten om att mycket av det förebyggande 

arbetet bedrivs på samhällsnivå, antingen det gäller lokalsamhället 

eller regional/nationell nivå. När man av rädsla för det ekologiska 

felslutet inte har vågat studera hur egenskaper hos samhället påverkar 

människors hälsa gör man sig å andra sidan skyldig till det individuella felslutet 

hävdar andra. 

Det är mellan dessa två läger som diskussionen står. Den här boken har 

ambitionen att belysa de olika ståndpunkterna. Den vill också visa att man 

kan använda både kvantitativa och kvalitativa metoder vi analyser av 

plats, individ och hälsa. 

Kvantitativa studier kan påvisa statistiska samband och om dessa är tillräckligt 

starka och rimliga kan man inte avvisa dem som slumpmässiga, 

men hur sambanden mellan orsak och verkan faktiskt ser ut är en annan 

sak. Tänkandet kring socialt kapital och stress- sjukdomsteorin tycks visa 

på komplexa samband mellan sociala och fysiologiska system som skulle 

kunna förklara till synes helt åtskilda företeelser. Kroppslig ohälsa kan 

hänga samman med sociala strukturer ”uppströms” i långs orsakskedjor. 

Kvalitativa tillvägagångssätt syftar till att förstå situationer och sammanhang 

utifrån enskilda fall men medger inte statistiskt generaliserbara slutsatser. 

Däremot kan de ofta genom att gå på djupet uppdaga omständigheter 

som man inte upptäcker när man studerar en större grupp som helhet 

och som kan vara värda att undersöka närmare. 

Ett syfte med nätverket för områdesvisa analyser, som beskrevs i förordet, 

var att undersöka möjligheterna till samverkan mellan de olika perspektiv 

och synsätt som var företrädda i nätverket. Det fanns ett önskemål 

om att kontakt mellan discipliner och metoder skulle leda till ett samarbete

fakta/fördjupning 15 

som i sin tur skulle leda till ny kunskap och bättre förståelse av samband. 

Hittills har detta inte skett. Snarare har en insikt vuxit fram om att man för 

att samarbeta behöver en gemensam bas. Vår förhoppning är att denna bok 

skall kunna utgöra den gemensamma basen och därigenom fungera som en 

språngbräda för ett kommande samarbete mellan olika metoder och perspektiv. 

Fakta/Fördjupning 

Ekologiska studier 

I den här boken förekommer ordet ekologisk i ett par olika betydelser. 

Med ekologiska studier menar man i epidemiologin att man 

undersöker populationer eller områden, till skillnad från studier som 

utgår från enskilda individer. (1) I ekologiska studier använder man 

alltså mått som hänför sig till grupper som definierats utifrån ett 

fysiskt område där de bor, en arbetsplats där de arbetar eller en socioekonomisk 

grupp som de alla tillhör. 

Begreppet ekologi är ursprungligen myntat av zoologen och filosofen 

Ernst Haeckel 1866 med en helt annan innebörd, nämligen 

arters och populationers relationer till omgivningen, dvs andra arter 

och populationer samt den fysiska miljön. 

Med sjukdomsekologi (disease ecology) avser man de funktionella 

sambanden mellan en viss sjukdom och dess förutsättningar. Sålunda 

är sjukdomen malaria i ekologisk mening beroende av ett samspel 

mellan själva den sjukdomsalstrande organismen, vektorer (myggor), 

värddjur samt de klimatförhållanden – värme, fuktighet – där vektorerna 

kan utvecklas. 

Ekologiska studier (i epidemiologisk mening) medför risker för att 

man kommer fram till felaktiga slutsatser, ekologiska fallgropar eller 

ekologiska felslut (engelska: ecological fallacies) 1, eftersom det statistiska 

samband som ser ut att gälla på en aggregeringsnivå inte nödvändigtvis 

gäller på andra nivåer. 

1 Begreppen ”ecological correlations” och ”ecological fallacies” lanserades av Robinson (1)

16 platsen, individen och hälsan 

Uttrycken ekologiska studier och ekologiska felslut har kritiserats, 

dels p g a risken för förväxling med den ursprungliga innebörden av 

begreppet ekologi, dels p g a att felslut kan bero på såväl alltför stora 

som alltför små undersökningspopulationer. I stället har det föreslagits, 

att man ska skilja mellan aggregational fallacies (för stora 

populationer) och atomistic fallacies (för små populationer) med den 

gemensamma benämningen correlational fallacies i stället för ekologiska 

felslut. (2) Ytterligare ett förslag är contextual fallacies. (3) 

Referenser 

1. Robinson W. Ecological correlations and the behaviour of individuals. 

Am Sociol 1950;15:351-7. 

2. Learmonth, A T A . Disease Ecology. An introduction. Oxford: Blackwell, 

1988. 

3. Galtung, J. Theory and Methods of Social Research. Rev. ed. Basic 

social science monographs from from the International Peace 

Research Institute, Oslo. Oslo: Universitetsforlaget; Stockholm: 

Läromedelsförlaget; 1969.

Del A: 

platsen, individen och folkhälsan – teorier, platsen, metoder individen och och tolkningar hälsan 17 

VETENSKAPLIGA PERSPEKTIV

18 platsen, individen och folkhälsan hälsan 

– teorier, metoder och tolkningar

1. 

platsen, individen och folkhälsan – teorier, platsen, metoder individen och och tolkningar hälsan 19 

PLATS, INDIVID OCH HÄLSA: 

PERSPEKTIV Anders Schærström

20 platsen, individen och folkhälsan – teorier, metoder och tolkningar

1. 

PLATS, INDIVID OCH HÄLSA: 

PERSPEKTIV Anders Schærström 

Ord som plats, område, ort och ställe ingår i vårt vardagsspråk och vi använder 

dem ofta utan att reflektera över den exakta innebörden. Vi kanske även 

uppfattar dem som mer eller mindre synonyma. Andra ord och uttryck med 

besläktad betydelse uppfattar vi kanske som mera precisa eller formella: 

läge, region, utrymme, areal, lokal, miljö, lokalsamhälle etc. 

Flera discipliner har anledning att ägna sig åt just platser och områden, 

men beroende på de problem man är intresserad av och de perspektiv man 

vill anlägga, behöver man använda olika begrepp och precisera dem på 

olika sätt. Det kan även bli så att man inom olika akademiska ämnen 

använder samma ord på olika vis. Allt kommer att visa sig när du läser 

vidare i den här boken, men vi ska göra vårt bästa för att förklara och reda 

ut de olika begreppen. 

Området, platsen, läget … 

En punkt på jordytan kan bestämmas som en skärning mellan latitud och 

longitud – och pejlas in med hjälp av GPS 1 . Resultatet kan se ut så här: 

N 59° 19,98´; E 18° 04,10´ 

perspektiv 21 

Det är nog inte många som omedelbart får några associationer av denna 

positionsangivelse. Den är visserligen mycket exakt, men ändå kan inte 

många direkt säga var det är någonstans, bortsett från att det måste vara på 

norra halvklotet, österut från nollmeridianen som går genom Greenwich, 

antagligen i norra Europa, kanske rentav i Sverige. 

Om man däremot säger Sergels torg får många människor genast associ- 

1 Global Positioning System, satellitnavigationssystem för noggrann lägesbestämning.


ationer. De flesta svenskar har nog hört namnet och många har varit där 

eller åtminstone sett bilder därifrån på TV. Flera har dessutom något slags 

personligt förhållningssätt till Sergels torg. För en del väcker namnet olust – 

om man måste passera, gör man det så snabbt som möjligt. För andra ger 

det en känsla av förtrogenhet, till och med något man skulle kunna kalla 

för en hembygdskänsla. Det finns i dag generationer av stockholmare som 

har vuxit upp med Sergels torg som det nu ser ut – med ”Plattan”, Kulturhuset, 

Stadsteatern, obelisken och den superelliptiska trafikplatsen, formgiven 

av Piet Hein. Myllret av människor på väg åt olika håll, trappan där 

de som inte har bråttom sitter, torghandlarnas utbud av hantverk – men 

också alla de sociala avigsidor som förknippas med torget: alkoholmissbruk, 

knarkhandel och prostitution samt buller, trängsel och stress. Sergels 

torg har blivit ett forum där stora eller små skaror samlas för att offentligt 

uttala starka åsikter och känslor, en inramning för kulturella händelser, en 

mötesplats för människor, varor och budskap. Varken stadsplanerare eller 

allmänhet är likgiltiga för Sergels torg. Somliga vill förändra, bygga om för 

att försköna och få bort de sociala problemen, medan andra snarare vill 

skydda och bevara torget och dess inramning precis som det är, som ett 

kulturminnesmärke. 

För en del människor är torget en väsentlig del av deras livsmiljö utan att 

de i någon formell mening bor eller arbetar där, medan många andra enbart 

passerar. Man kan rentav föreställa sig, att de många människor som finns 

på torget samtidigt eller vid olika tidpunkter visserligen delar det fysiska 

utrymmet men ändå i viss mening befinner sig på olika platser, därför att de 

använder utrymmet på olika sätt och i olika syften. De befinner sig visserligen 

fysiskt nära varandra, men har ingenting med varandra att göra. Därmed 

har de sannolikt också olika förhållanden till torget och påverkas på 

olika sätt av miljön där. 

Latitud- och longitudangivelsen (ovan) är en geodetisk lägesbestämning 

medan Sergels torg är en plats. Båda sätten att ange ett ställe på jordytan är 

berättigade och användbara men i olika sammanhang. Man kan också säga 

att torget ligger i – eller ingår i – ett vidare område och därmed syfta på en 

större yta än själva torget, exempelvis Stockholms city. Vill man vara mera 

precis, kan man säga att Sergels torg ligger i Norrmalms stadsdelsområde 

eller i Klara församling. 

Man kan lägesbestämma punkter mycket exakt och använda samma

perspektiv 23 

teknik för att avgränsa större ytor i geodetisk mening. Att avgränsa platser 

eller områden på grundval av vad som förekommer där och förklara samband 

förutsätter åtminstone delvis ett annat synsätt och tillvägagångssätt. 

Det finns ett starkt subjektivt inslag i hur vi ser på platser. Vi kan sålunda 

hysa starkare eller svagare känslor för de platser där vi bor, liksom för 

andra platser som vi regelbundet eller tillfälligt vistas på. Att ha vuxit upp 

på en viss ort, i ett visst kvarter och vid en viss gata, ger i regel upphov till 

starka, men inte nödvändigtvis positiva, känslor för denna trakt. Var man 

senare i livet bor kan vara en följd av många omständigheter och tillfälligheter, 

såsom yrke, arbetsplatsens läge, konjunkturer, privatekonomi, val av 

partner, familjeförhållanden med mera. Kanske bor man i en ort (en förort) 

och tillbringar vardagarna på en arbetsplats någon helt annanstans. Områdets 

utformning och fysiska egenskaper i sig kan skapa mer eller mindre 

bra förutsättningar för att invånarna ska trivas. Människor kan i olika 

grad vara känslomässigt bundna till bostadsorten eller närområdet, delvis 

beroende på områdets egenskaper och delvis på helt andra omständigheter, 

exempelvis hur länge man har bott där, hur pass väl man identifierar sig 

med sina grannar eller vilken fas i livet man befinner sig i. Genom att lära 

känna sitt närområde eller umgås med grannarna kan man få en starkare 

förankring. Ett annat sätt att stärka känslan för platsen är att ordna lokala 

fester, engagera sig i hembygdsföreningar, delta i kurser, idrottsevenemang, 

tävlingar eller liknande. 

Det finns alltså åtskilliga både subjektiva och objektiva aspekter på 

platser och områden. Personligen kan man förknippa platser med obehag, 

olust och rädsla eller med hemkänsla, tillhörighet, avslappning, glädje och 

så vidare. Hur vi avgränsar platser i våra föreställningsvärldar kan vara 

mer eller mindre genomtänkt och vad som menas med ett område är alltså 

långt ifrån självklart. 

En utomstående betraktare eller forskare som vill studera områden och 

deras betydelse för invånarna kan behöva fånga in såväl objektiva som subjektiva 

kriterier för att definiera relevanta områdesgränser. Statistikern, till 

exempel, söker sammanföra information områdesvis och måste därför 

avgränsa områden enligt olika kriterier på ett sätt som är relevanta för 

olika användare av statistik. Samhällsplaneraren arbetar med områdesplaner, 

detaljplaner eller stadsplaner. Dessa omfattar bestämda större eller 

mindre ytor, men innehållet i dem är åtminstone delvis ännu inte verklighet


utan enbart visioner. I planeringen kan man försöka väga in vilket socialt 

och kulturellt värde olika platser och ytor har för de människor som använder 

dem. På så sätt har man i Stockholm konstruerat sociotopkartor, vilka 

framhäver olika platsers skogskänsla och vattenkontakt eller hur användbara 

de är för fysiska aktiviteter och social gemenskap, exempelvis att spela 

boll, ha picknick, jogga, ro, rida eller åka pulka (1). 

Ett område kan vara en administrativ enhet med entydiga gränser. Det 

rör sig om enheter som församlingar, kommuner, län med mera. Försäkringskassor 

och polisdistrikt är andra sådana enheter. Ett område kan 

också vara en inofficiell funktionell indelning (2). Hit hör bland annat valdistrikt, 

NYKO, postnummerområden samt indelningen i tätort, småort 

och glesbygd. Även dessa har entydiga gränser. Men områden kan också 

vara mindre entydiga och ändå uppfattas som realiteter, så som vi försökt 

förklara ovan. De kan vara helt subjektiva föreställningar, men det kan 

också finnas en ganska allmän – fast helt inofficiell – uppfattning om hur 

vissa områden ska definieras. 

Till vardags funderar vi knappast över hur områden ska definieras och 

avgränsas. Det är när vi vill samla in information på ett sådant sätt att vi 

kan se mönster och samband mellan förhållanden på olika ställen som vi 

får anledning att tänka efter hur områdena bör avgränsas. Många gånger 

kan man som forskare, utredare eller allmänt intresserad vara hänvisad till 

de områden som redan är definierade för statistiska eller administrativa 

ändamål, men det finns också vissa möjligheter att definiera områden på 

andra sätt som passar ens syften bättre. Det kommer vi att berätta mer om 

längre fram i boken. 

Område, plats, och hälsa 

Och vad har nu platser och områden med hälsa och ohälsa (folkhälsan) 

att göra? 

Man kan betrakta hälsan som en funktion av omständigheter som kan 

hänföras till den enskilda individen, grupper som individen ingår i samt 

områden eller platser där individerna – och även grupperna – befinner sig. 

Följaktligen kan man skilja mellan minst tre olika hälsorelaterade perspektiv 

och strategier, som fokuserar respektive:

• Individen 

• Gruppen – populationen 

• Området. 

Ofrånkomligen är det så att vi av naturen utrustats med olika genetiskt 

bestämda egenskaper. Efter hand, genom uppväxten och även senare förvärvar 

vi andra personliga egenskaper och resurser. Men olika miljöer och 

områden, sociala kretsar och platser innebär olika förutsättningar för personlig 

utveckling och hälsa. I jämförelse med individuella egenskaper och 

grupptillhörighet har områdets betydelse för hälsan ofta blivit försummad. 

Därmed är inte sagt att man försummat miljöns betydelse för hälsan. 

De elva folkhälsopolitiska målområden som riksdagen antog 2003 

fokuserar på omständigheter i samhället som påverkar folkhälsan, inte på 

enskilda hälsoproblem. De handlar i grunden om de villkor man lever 

under i olika sammanhang, det vill säga om livsvillkor, miljöer, produkter 

och levnadsvanor (se nedan). 

För Sveriges del gäller att de folkhälsomål som tagits av riksdagen bygger 

på begreppet bestämningsfaktorer. Bestämningsfaktorer är sådant som 

påverkar hälsan, inte hälsan i sig. Av de elva målen är en del inriktade på 

individ och livsstil, medan andra gäller förhållanden på grupp- och områdesnivå. 

Även de individinriktade faktorerna, exempelvis bättre matvanor, 

har relevans för platsen/området i form av utbudet av matvaror i 

området/på platsen. De första målen om ökad delaktighet samt ekonomisk 

och social trygghet är strukturella och behandlar individen i relation till det 

omgivande samhället. Samhället kan antingen vara det näraliggande lokalsamhället 

(platsen/området) eller samhället i stort. 

Folkhälsopolitikens målområden 

1: Delaktighet och inflytande i samhället 

2: Ekonomisk och social trygghet 

3: Trygga och goda uppväxtvillkor 

4: Ökad hälsa i arbetslivet 

5: Sunda och säkra miljöer och produkter 

6: En mer hälsofrämjande hälso- och sjukvård 

perspektiv 25


7: Gott skydd mot smittspridning 

8: Trygg och säker sexualitet och en god reproduktiv hälsa 

9: Ökad fysisk aktivitet 

10: Goda matvanor och säkra livsmedel 

11: Minskat bruk av tobak och alkohol, ett samhälle fritt från 

narkotika och dopning samt minskade skadeverkningar av överdrivet 

spelande 

Mål för folkhälsan, Regeringens proposition 2002/03:35. 

I vilken utsträckning kan man knyta dessa målområden 

och determinanter till områden? 

Vissa av dessa målområden förknippar man säkert mera omedelbart än 

andra till fysiska miljöer – till platser och områden. Förhållanden i arbetslivet 

(Målområde 4) kan lätt hänföras till arbetsplatser, låt vara att arbetsplatsbegreppet 

ingalunda är entydigt och arbetsförhållandena inte enbart 

omfattar den påtagliga, fysiska miljön. Uppväxtvillkor (Målområde 3) kan 

liksom sunda och säkra miljöer och produkter (Målområde 5) åtminstone 

delvis hänföras till bestämda platser som bostäder, skolor, lekplatser, fritidsanläggningar, 

gator, torg, parker osv. Att exponering för luftföroreningar 

och buller varierar mellan platser är uppenbart. Andra målområden låter 

sig inte lika lätt förknippas med förhållanden på vissa platser eller i vissa 

områden. Ändå kan man föreställa sig att olika platser medför olika 

möjligheter att delta i samhällsaktiviteter och utöva inflytande. Likaså kan 

man föreställa sig att förhärskande allmänna attityder, värderingar och 

intressen skiljer sig något från plats till plats samt att det kan påverka 

levnadsvanorna. Närheten till idrottsanläggningar och hälsovård kan 

säkert också spela roll, kanske till och med utbudet av livsmedel kan 

variera mellan butiker och områden. 

Men man måste också ställa frågan om hur mycket den närmaste fysiska 

eller mänskliga omgivningen betyder i en tid då fysiska avstånd inte är 

något hinder för att sprida och ta emot budskap, bedriva och delta i undervisning, 

uppleva teaterföreställningar och konserter eller ”prata” via telefon 

och e-post. 

I vilken utsträckning är det då förhållanden i området som påverkar 

människorna i det? Och i vilken utsträckning påverkar människorna om-

perspektiv 27 

rådet och varandra? Präglar områden sina invånare eller avspeglar 

invånarna selektionsprocesser som leder till att människor med samma 

egenskaper samlas i vissa områden? 

Ramen och innehållet – kontext, komposition och kollektiv 

På vilket sätt inverkar egentligen området eller platsen på hälsan? Hur ska 

vi lära oss att förstå samband mellan område, individ och hälsa? 

Hur påverkas hälsan av 

• själva läget? 

• de fysiska, sociala och kulturella egenskaper som området har? 

• området – dess läge och egenskaper – i förhållande till andra 

områden? 

• de individer – och grupper – som befolkar området? 

• individernas förhållande till området? 

Det är kanske svårt att föreställa sig, att själva läget – det vill säga en viss 

punkt eller yta – på jorden, i sig själv skulle inverka direkt på den som vistas 

där. Däremot inser man naturligtvis lätt att områdets egenskaper kan inverka 

gynnsamt eller ogynnsamt på hälsa och välbefinnande, det må handla om 

klimat, byggnader, grannar, topografi, näringsliv, trafik, tillgång till service 

etc. 

En annan möjlighet är att de människor som kontinuerligt eller tidvis 

vistas i ett område sätter sin prägel på området. Å ena sidan söker sig människor 

gärna till vad man uppfattar som sina gelikar eller till områden där 

man har råd att bo, vilket leder till sociala selektionsprocesser. Bostadsområdens 

status och anseende kan förändras. Tidigare nedgångna 

bostadsområden – företrädesvis i stadskärnor – kan uppgraderas då 

resursstarka personer upptäcker områdets fördelar, börjar rusta upp och 

förnya – en process som benämns gentrifikation. Det kan också hända att 

området försätts i en nedåtgående spiral, när det blir slitet och omodernt, 

när väsentlig service försvinner eller när grupper som inte är väl sedda – 

exempelvis missbrukare, invandrare eller ungdomsgäng – börjar dominera 

området, medan andra söker sig därifrån. 

I varje samhälle finns grupper som av olika orsaker står vid sidan av på 

så sätt att de är kulturellt kluvna eller att de bara partiellt är deltagande i 

socioekonomisk mening (3). Att bli marginaliserad kan få stor effekt på


den enskildes förhållande till platser. Man kan bli mindre rörlig, bunden 

till bostaden eller en institution. Exempelvis analyserar Cecilia Kjellman (4) 

i sin avhandling hur vissa marginaliserade människor (före detta narkomaner 

och mentalt handikappade) steg för steg vidgar sina personliga världar 

från institutionerna där de bott, återvinner platser eller väljer nya platser 

att vistas på i stället för dem där de tidigare höll till. 

Omvänt har andra människor möjlighet att röra sig över betydligt större 

avstånd och komma i kontakt med flera miljöer och människor: de har 

större aktivitetsutrymme. Det kan bero på deras yrken, ålder, hälsa, 

bostadsort och tillgång till kommunikationer och så vidare. 

Om vi för ett ögonblick återvänder till torget som exempel så kan vi betrakta 

det som 

• en fysisk miljö 

• ett ställe som används av många människor med olika syften vid 

olika tidpunkter. 

På samma sätt kan man betrakta stadsdelar, förorter och andra större 

områden. Å ena sidan kan man se på ett område som en ”behållare” med 

ett innehåll – i huvudsak fysiska men också sociala egenskaper (kontexten) 

som ger vissa förutsättningar för dem som bor där. Å andra sidan kan man 

också utgå från de människor som brukar finnas inom samma områdesgränser 

och deras egenskaper – som tillsammans sätter sin prägel på området. 

Hälsoeffekter mäts visserligen hos individer, men eftersom det finns 

uppenbara skillnader i hälsotillstånd mellan grupper av individer med 

olika yrken och ursprung, som bor på olika platser och så vidare, så kommer 

man till frågan om vad som orsakar dessa skillnader på gruppnivå. 

Finns orsakerna i området som sådant (kontexten) eller hos de människor 

som befolkar det? Eller som ett par brittiska forskare uttrycker det: 

”Compositional effects arise from the varying distributions of types of people 

whose individual characteristics influence their health.” 

---- 

”… contextual effects, which operate where the health experience of an 

individual depends partly on the social and physical environment in the 

area where they live. This type of effect would cause people with similar 

attributes to have different health status from one part of the country to 

another.” (5)

perspektiv 29 

Båda perspektiven är relevanta för studier av områden och deras hälsoeffekter. 

Man kan också tänka på vad migration betyder i sammanhanget. Är 

det platsen, området eller miljön i sig själv som ger upphov till vissa hälsoeffekter 

eller är det så att platsen, området eller miljön drar till sig individer 

med vissa egenskaper, som ger förutsättningar för bättre eller sämre hälsa? 

I det senare fallet kan det uppstå en koncentration av personer med dessa 

egenskaper, vilket alltså påverkar hälsoprofilen i området. 

Vi måste också komma ihåg att platser och områden inte är isolerade 

från sin omgivning. Förhållanden på en viss plats kan vara beroende av 

relationer med andra platser och med högre samhällsnivåer. Platser är inte 

heller oföränderliga. Konjunkturer, exempelvis, påverkar platser olika på 

grund av lokala förutsättningar, vilket i sin tur påverkar förutsättningarna 

för folkhälsan. 

Innan vi går vidare … 

Vi har redan här talat om områden och platser på olika sätt, med olika perspektiv. 

Platser och miljöer ger olika förutsättningar för dem som vistas 

där, platser och miljöer förändras, platser uppfattas på olika vis, människor 

rör sig mellan många olika platser och vistas där längre eller kortare tid – 

liksom de kan ingå i olika grupper samtidigt eller under olika faser i livet. 

Vad detta kan betyda för hälsan är teman som vi efter hand utvecklar i 

boken. När man vill förstå eventuella samband mellan en viss omgivning 

och hälsotillståndet hos dem som har anknytning till just den miljön, behöver 

man alltså ta hänsyn till att omgivningen kan definieras på olika sätt 

och området avgränsas på flera olika sätt, vilket påverkar den bild man får 

av sammanhangen. Det är värt att ha i minnet, när vi i de följande kapitlen 

kommer att beskriva olika sätt att analysera frågeställningar kring områden, 

hälsa och ohälsa. 

Karin Melinder börjar med att förklara spänningar och växelverkan 

mellan det stora och det lilla perspektivet, mellan lokalt, regionalt och 

nationellt. Därefter tar P-O Östergren upp det sociala kapitalets betydelse 

för folkhälsan och hur man kan knyta det till områden. I anslutning till 

detta utvecklar Danuta Biterman begreppet grannskap som en naturlig 

social arena och därför även en grund för indelning i områden och segregationsstudier. 

Owe Löfman tar vid genom att presentera epidemiologiska 

metoder samt belysa nackdelar och fördelar med ett tillvägagångssätt som


utgår från populationer. Sist i denna avdelning presenterar vi hur man kan 

knyta samman observationer av hälsotillstånd med omgivningsfaktorer 

med hjälp av kartor och geografiska informationssystem som medger flexibla 

sätt att hantera områden. 

Läsa vidare 

Sveriges indelning i olika officiella administrativa områden ändras då och 

då. Statistiska centralbyrån publicerar regelbundet uppgifter med kartor 

över de aktuella indelningarna (6-7). Begrepp som plats och område är alltså 

inte alldeles självklara. En del forskare vänder och vrider på begreppen 

för att se dem ur principiella, teoretiska, sociala, kulturella och andra synvinklar. 

Mer om det kan man läsa exempelvis i (8). Flera forskare diskuterar 

och forskar om vad ”platsen” eller ”området” betyder för hälsan. 

Gatrell ger en bra introduktion (9), medan exempelvis Duncan med flera 

visar hur man kan analysera hälsorelaterat beteende på olika platser (10 ). 

Referenser 

1. Stockholms stad: Stadsbyggnadskontoret, Gatu- och fastighetskontoret. 

Sociotopkarta för parker och andra friytor i Stockholms stad 

– om metoden, dialogen och resultatet, 2002. 

2. Bodin J. Geografiska indelningar. PM. Stockholm: SCB, Avdelningen för 

miljö- och regionalstatistik; 2003. 

3. Svedborg L. Marginella positioner. Kritisk diskussion om begrepp, teori 

och empiri. EpC-rapport 1997:5. Stockholm: Socialstyrelsen; 1998. 

4. Kjellman C. Att ta plats eller få plats. Doktorsavhandling. Meddelanden 

från Lunds universitets geografiska institutioner, Avhandlingar 

148; 2003. 

5. Curtis S, Jones IR. (1998) Is there a place for geography in the analysis of 

health inequality? Sociology of Health & Illness 1998;Vol 20(5):645-72. 

6. SCB. Regionala indelningar i Sverige den 1 januari 2003. Del 1. 

Meddelanden i samordningsfrågor för Sveriges officiella statistik.

7. SCB. Rikets indelningar. Årligen. 

perspektiv 31 

8. Massey D, Jess P. red. A Place in the World? Oxford: The Open University; 

1995. 

9. Gatrell AC. Geographies of Health. Oxford, Blackwells; 2002. 

10. Duncan C, Jones K, Moon G. Do places matter? A multi-level analysis of 

regional variations in health-related behaviour in Britain. Soc. Sci. Med. 

1993;Vol 37(No 6):725-33.

2. 

platsen, individen och folkhälsan – teorier, med metoder platsen/området och tolkningar i fokus 33 

MED PLATSEN/OMRÅDET 

I FOKUS Karin Melinder


2. 

MED PLATSEN/OMRÅDET 

I FOKUS Karin Melinder 

med platsen/området i fokus 35 

Egenskaper hos platsen/området 

Den forskare som framför allt har framfört behovet av att studera platsen/ 

området för att försöka förstå vilka egenskaper hos denna/detta som kan 

kopplas till människors hälsa är Sally Macintyre som ofta publicerar sig 

tillsammans med Anne Ellaway. De framför att man till de två förklaringsnivåerna, 

komposition och kontext, bör lägga till en kollektiv förklaringsnivå 

där sociokulturella och historiska egenskaper hos platsen/området 

också måste tas med i analysen. Den kollektiva förklaringsnivån: ”emphasises 

the importance of shared norms, tradition, values, and interests, and 

thus adds an anthropological perspective to the socio-economic, psychological, 

and epidemiological perspectives often used to examine area effects 

on health” (1, sid. 8). 

Macintyre och Ellaway har sin utgångspunkt i studier av lokalsamhällen 

i Glasgow och kom genom dessa studier fram till fem aspekter hos ett lokalsamhälle 

som kan vara antingen hälsofrämjande eller skadliga för hälsan. 

Dessa är: 

1. Fysiska egenskaper hos området som delas av alla invånarna – 

vatten, luft, klimat etc. 

2. Tillgång till hälsosamma omgivningar, i hemmet, på arbetsplatser 

och lekplatser, bra hus, säkra arbetsplatser samt säkra lekplatser och 

lekytor för barnen. 

3. Tillgång till service i det dagliga livet, utbildning, transporter, 

belysning, polis, hälso- och socialtjänstservice.


4. Sociokulturella egenskaper hos området – vilken historia, vilka 

normer och värderingar, sammanhållning, brottsnivå etc. 

5. Områdets rykte. Hur ser invånarna och utomstående på området. 

Macintyre och Ellaway anser också att det är viktigt att skilja mellan störande 

variabler (confounder) och mellanliggande variabler. Om man ser på 

alla faktorer utom de två som skall studeras som confounders och därigenom 

kontrollerar för dessa, det vill säga tar bort deras effekt, förlorar 

man en möjlighet att förstå hur olika faktorer hänger ihop. Om man i stället 

ser dessa variabler som mellanliggande (intervening) kan man använda 

dem i försöken att förstå hur olika egenskaper hos platsen påverkar hälsa. 

En liknande åsikt har Halpern (2) som studerat om och på vilket sätt den 

mentala hälsan påverkas av byggnader. Han fann att den mentala hälsan 

påverkades positivt av ombyggnation som förbättrade byggnaderna och 

negativt av dålig utformning av byggnader. Det var negativt för den mentala 

hälsan att tvingas bo bland många främmande människor, att stressas 

av buller och att uppleva sig överkörd i planeringsprocessen. Det går inte i 

dag att säga hur stor områdets inverkan är på den mentala hälsan, bland 

annat beroende på den dåliga variationen inom gruppen, det vill säga att de 

mentalt friska bor i bra omgivningar medan de mentalt sköra bor i dåliga 

omgivningar. Dessutom påverkas de mentalt sköra mer än de mentalt starka 

av negativa faktorer i omgivningen. 

Att studera människors hälsa i relation till platser/områden innebär att 

man har ett mikro-makroperspektiv, det vill säga studierna gäller hur 

mikronivån, oftast människan, påverkar och påverkas av makronivån, det 

vill säga samhället. Detta studeras framför allt av statsvetare och sociologer. 

I sådana studier anses det extra viktigt att förstå de mekanismer varigenom 

påverkan sker. 

Sociala mekanismer skapar ett mellanting mellan allmänna lagar och 

deskription och fungerar som teorier om hur en nivå samspelar med annan 

nivå, exempelvis individ kontra grupp. 

Coleman (3) utvecklade en makro-mikro-makro-modell som beskriver 

hur makronivån påverkar individen, hur individerna sedan påverkar 

varandra och hur detta agerande skapar nya förhållanden på makronivån. 

Översatt till område skulle de intressanta mekanismerna vara de som 

beskriver hur området/platsen påverkar individen, hur individerna sedan


agerar sinsemellan och hur deras agerande påverkar området/platsen. 

Dessa mekanismer kan till en viss del jämställas med de mellanliggande 

variabler Macintyre/Ellaway talar om. 

Komparativa metoder 

Områden kan beskrivas dels utifrån olika storlek, från grannskap till region 

och nation, dels utifrån typen av område, där den stora skiljelinjen går 

mellan urbant och ruralt – det vill säga mellan tätort och glesbygd/ 

landsbygd. 

Vid studier av de kollektiva egenskaper som nämns ovan kan komparativa 

metoder användas. Vid dessa ses områdena som helheter och intresset 

ligger i att kunna förstå områdets struktur och kultur. Om man kopplar 

detta till hälsan kan en utgångspunkt vara att förstå egenskaper som 

karakteriserar ett område med hög dödlighet. Kopplingen till den enskilda 

individens hälsa blir däremot svag. Hofstede (4) som har gjort jämförande 

studier av kulturer i olika länder/världsdelar anser att när man jämför 

värderingar jämför man individer, när man däremot jämför kulturer 

jämför man samhällen. Vid dessa studier jämför man korrelationer mellan 

samhällen, det vill säga ekologiska korrelationer. Ett skäl till detta är 

bland annat att variansen inom samhällena ofta är liten, speciellt om det 

finns starka kulturella normer i ett samhälle. Det bör observeras att ekologiska 

felslut i detta sammanhang infaller när man drar slutsatser om 

individerna i samhället, inte om samhället som helhet. 

Inom sociologi och statsvetenskap (5) finns en tradition av att bedriva 

komparativa studier, en tradition som har förstärkts i och med att tillgången 

till data har ökat de senaste årtiondena. Även EU har lett till ett 

ökat intresse för komparativa studier eftersom unionen lett till ett intresse 

av att förstå vad som skiljer och vad som är lika i de ingående länderna. 

En komparativ metod, Qualitative Comparative Analysis, QCA, presenteras 

i senare i boken. 

Den svenska traditionen 

Det finns sedan långt tillbaka en tradition av att beskriva det regionala 

hälsoläget i Sverige (6). I vilken mån beskrivningarna har sammanställts 

har dock varierat. Provinsialläkarna gav redan 1822 ut årliga rapporter 

om läget i länet för hälsa, hygien och sociala förhållanden. Rapporterna


sammanställdes av Sundhetskollegiet från 1854. Provinsialläkarna ersattes 

senare av länsläkarna. Även dessa skrev årsberättelser som skickades 

in till Socialstyrelsen. Årsberättelserna redovisades inte utan användes till 

att få en allmän uppfattning av hälsoproblem i landet. I början på 1980talet 

ersattes länsläkarsystemet av de samhällsmedicinska enheterna på 

landstingen. De samhällsmedicinska enheterna har gjort regionala folkhälsorapporter, 

som byggt på både registerdata och folkhälsoenkäter. 

Någon sammanställning av dessa rapporter har dock inte gjorts. 

På 1980-talet började man redovisa hälsoläget länsvis. I undersökningen 

Hur mår Sverige? redovisas ULF-frågor (undersökning av levnadsförhållanden) 

på länsnivå. I rapporten framförs att regionala jämförelser bör 

göras med viss försiktighet, bland annat på grund av intervjuarpåverkan. 

Det framförs att ULF-undersökningen ger begränsade möjligheter till studier 

av långvariga sjukdomar. Man anser bland annat att det finns klara 

regionala skillnader för högt blodtryck, hjärtsjukdomar och ryggsjukdomar. 

De norra länen hade högre förekomst av högt blodtryck och hjärtsjukdomar, 

medan glesbygdslänen hade mer ryggsjukdomar. 

Den första nationella folkhälsorapporten kom 1987. I denna redovisas 

skillnader mellan län. Man konstaterar att de mest urbaniserade och de 

mest glesbefolkade länen har den högsta dödligheten i landet. 

I 1991 års folkhälsorapport konstateras att ”i storstäderna och i de 

större kommunerna längs Norrlandskusten och i Syd- och Mellansverige 

är människor förhållandevis friskare än de som bor i avfolkningsbygderna 

i de norra och inre delarna av Norrland samt i glesbygdsområden i 

Götaland och Svealand” (s. 49). 

I 1994 års folkhälsorapport skriver man om utvecklingen av de regionala 

skillnaderna. Männen i norra glesbygden har haft en mindre gynnsam 

utveckling än män i andra områden. För kvinnorna har skillnaderna minskat. 

I 1997 års folkhälsorapport konstaterar man att skillnaderna mellan 

kommuner är större än mellan län. Mått med betydande regionala skillnader 

var andelen med långvarig sjukdom av olika slag, andelen barn med 

låg födelsevikt och andelen förtidspensionärer. 

I 2001 års folkhälsorapport konstateras kortfattat att medellivslängden 

är högre i sydväst och i Stockholms och Uppsala län än i nordligare län. 

Detta ansågs bero på bland annat selektionsfenomen som föranletts av en 

sviktande arbetsmarknad (s. 38).


I den första sociala rapporten som kom 1994 nämns inte regionala 

skillnader, däremot bostadssegregation. Detta förstärks i Social rapport 

1997 som har en speciell analys av storstäder. I Social rapport 2001 däremot, 

beskrivs den regionala obalansen utifrån ett arbetsmarknadsperspektiv. 

Den mest positiva utvecklingen under 1990-talet har Jönköpings 

och Kronobergs län haft. De har därigenom kommit ikapp Stockholms 

län. Norrlandslänens negativa situation har försämrats ytterligare. 

Olika områdesindelningar 

Statistiska centralbyrån har mycket statistik som är uppdelad på kommunnivå. 

I analyser använder de sig av indelningen i H-regioner 

(Stockholm, Göteborg/Malmö, södra mellanbygden, norra tätbygden och 

norra glesbygden). På motsvarande sätt har Svenska Kommunförbundet 

tagit fram en indelning i kommungrupper. Kommungrupperna är storstad, 

förortskommun, större stad, medelstor stad, industrikommun, landsbygdskommun, 

glesbygdskommun, övrig större kommun och övrig mindre 

kommun. 

I en rapport med data från Kommunala basfakta för folkhälsoplanering 

analyseras olika mått på ohälsa och olika faktorer som kan tänkas 

påverka hälsan, så kallade bestämningsfaktorer. Analysen har gjorts på en 

grupperad, kommunal nivå, där olika typer av kommuner, kommungrupper 

(se ovan) har jämförts. 

Analysen visar att det finns skillnader såväl mellan kommungrupper 

som mellan män och kvinnor. Den kommungrupp som generellt har flest 

bra värden är förortskommunerna, medan glesbygdskommunerna har de 

sämsta värdena. Storstadskommunerna har antingen bra eller dåliga värden. 

Både män och kvinnor har högst ohälsotal i glesbygdskommunerna, 

men männen har höga ohälsotal även i storstäderna. För både män och 

kvinnor är medellivslängden låg i glesbygden och i storstäderna. 

Vissa variabler har en tydlig stadsgradient: ju större stad, desto högre 

grad av den aktuella variabeln. Detta gäller till exempel andelen i åldern 

25–54 år, andelen brott, andelen aborter och relationen mellan låg- och 

höginkomsttagare. Familjer med tre eller fler barn ökar ju mer glesbefolkade 

kommunerna är, medan andelen utrikesfödda minskar.


Urbant/ruralt 

Vad gäller typ av område, det vill säga skillnaden mellan tätort och glesbygd, 

har den mesta forskningen gjorts om situationen i urbana områden, 

det vill säga utsatta förorter. 

För att särskilja dessa har olika index tagits fram. Dessa är skapade 

framför allt för engelska förhållanden och har tagits fram som en ersättning 

för de personrelaterade hälsoregister som finns i Sverige men inte i 

England. Townsends index söker mäta nivåer av deprivation i olika områden 

men noga skiljt från de kategorier av människor som upplever den. 

Carstairs index skapades för att användas som approximation för socialklassinformation 

på individnivå. Jarmans index av ”underprivileged 

areas” syftar till att mäta distriktsläkarnas ”workload” och belastningen 

på primärvården. 

Det finns viss forskning som beskriver skillnaderna mellan utsatthet i 

urban respektive i rural miljö. I England har försök gjorts att även utarbeta 

indikatorer för detta, dock inte i lika stor utsträckning som i urban 

miljö (7). De indikatorer som nämnts för att mäta utsatthet i rural miljö 

är tillgång till arbete, kvaliteten på arbetet, tillgång till bostäder och möjligheten 

att betala dessa, kvaliteten på bostaden, låga inkomster, tillgång 

till service och fysisk isolering. 

Förutom de ovan nämnda indelningarna i H-regioner respektive kommungrupper 

finns det olika definitioner av vad som är glesbygd respektive 

tätort. Glesbygdsverket har en egen definition. Dessa är: 

• Glesbygder är områden med mer än 45 minuters bilresa till närmaste 

tätort med mer än 3 000 invånare, samt öar utan fast landförbindelse. 

• Tätortsnära landsbygder är områden som finns inom 5 till 45 

minuters bilresa från tätorter med fler än 3 000 invånare. 

• Tätorter är orter som har fler än 3 000 invånare. Till tätorter räknas 

även området inom 5 minuters bilresa från tätorten. 

De olika indelningarna har tagits fram med olika utgångspunkter och ger 

därigenom olika bilder. Andelen som bor i glesbygd eller landsbygd kan 

därför i olika statistiska redovisningar variera mellan 16 och 29 procent. 

Skillnaden mellan urban/ruralt eller glesbygd kontra tätort är ett område 

där vi i stort vet vilka skillnader som finns. Hur man skall förklara 

dessa är dock mera oklart.

Referenser 

med olatsen/området i fokus 41 

1. Macintyre S, Ellaway A. Cummins S. Place effects on health: how can we conceptualise, 

operationalise and measure them? Social Science & Medicine 

2002;55:125-39. 

2. Halpern D. Mental Health and the Built Environment. More than Bricks 

and Mortar? London, Taylor & Francis; 1995. 

3. Coleman JS. Social Theory; Social Research, and a Theory of Action. 

American Journal of Sociology 1986;6:1309-35. 

4. Hofstede G. Culture’s Consequences. Comparing values, Behaviors, Institutions, 

and Organizations Across Nations. 2nd edition. Sage Publications, 

Thousand Oaks, Calif. Sage 2001. 

5. Allardt E. Challenges for Comparative Social research. Acta Sociologica 

1990;3(33):183-93. 

6. Statens folkhälsoinstitut. Hälsan och dess bestämningsfaktorer i olika 

typer av kommuner. Kommunala Basfakta för folkhälsoplanering. 

Rapport 2003:49. Stockholm, 2003. 

7. Salisbury: The Rural Development Commission. Developing indicators 

of rural disadvantage, 1998.


Fakta/fördjupning 

Confounders mm 

Confounder: störande variabel eller förväxlingsfaktor. En omständighet 

som påverkar ett samband man vill undersöka men som inte 

ingår i själva studien. Om man exempelvis vill studera om en viss 

miljöfaktor påverkar hälsan för dem som bor i närheten så kan 

studien störas av att många flyttar in i och ut ur området. Jämför med 

mellanliggande variabel (se nedan). 

Intervening variable: se mellanliggande variabel. 

Mellanliggande variabel: (intervening variable) kallas också mellankommande 

eller inskjuten variabel och syftar på variabler som empiriskt 

kan förklara sambandet mellan en oberoende och en beroende variabel. 

Jämför confounder. 

Störande variabel: se confounder. 


Plats, område, grannskap … 

Vardagliga ord som plats, område och grannskap kan i vetenskapliga 

analyser ges preciserad innebörd. De kan dessutom användas med 

olika definitioner av skilda discipliner, vilket naturligtvis kan verka 

förvirrande. Strikt administrativa indelningar (som län, kommuner, 

församlingar, statistikområden etc.) är en annan sak – de är exakt 

avgränsade. För praktiska ändamål – forskning eller planering – kan 

man använda många olika slags områden. För det första kan man 

utnyttja befintliga samhällsadministrativa enheter som församlingar, 

kommuner och län. För det andra kan man använda befintliga indelningar 

som inte är samhällsadministrativa, exempelvis postnummerområden, 

valdistrikt, nyckelkodsområden (NYKO) eller SAMS 

(Small Area Market Statistics). Man kan också försöka att konstruera 

områden för sitt eget ändamål. Koordinatbaserade rutor kan vara 

ett mycket praktiskt redskap, förutsatt att man kan knyta information 

till den detaljnivån.


Plats (place): En plats skulle kunna beteckna en punkt på jordytan 

som kan anges med GPS-koordinater, latitud och longitud eller 

kanske en fastighetsbeteckning. En mera precis geografisk term är 

läge (location eller site). Det är den noggrannheten man använder för 

att göra lägesbestämningar till geografiska informationssystem (se 

vidare kapitlet som behandlar GIS). Det finns emellertid en hel del 

forskning om fenomenet plats som någonting annat än enbart en 

lägesangivelse. Begreppet plats har ett subjektivt innehåll, nämligen 

den mening som människor knyter till ställen. En viss stad, en gata, 

ett torg, en adress, en parkbänk med mera, kan ha vitt skilda betydelser 

för olika individer beroende på personliga minnen, dramatiska 

händelser eller annat som man förknippar med dem. Följaktligen kan 

olika individer också avgränsa sina platser på olika subjektiva sätt. 

Område (area): är ett oprecist begrepp som kan ges otaliga betydelser. 

Vissa områden som fyller samhällsadministrativa funktioner är ju 

skarpt och entydigt avgränsade områden (arealer) som församlingar, 

kommuner och län, men uppfattningen om vad som är ett visst område 

kan också vara en subjektiv känsla för var och en eller en allmänt 

vedertagen åsikt. För speciella syften, till exempel forskning eller 

praktisk samhälls- och folkhälsoplanering, kan man välja att avgränsa 

områden med kriterier för just det ändamålet. När man vill studera 

områden i något syfte, till exempel för att se hur hälsotillståndet 

ser ut där, måste man vara mycket noga med vilka kriterier som ligger 

bakom sättet att avgränsa områdena. Någon princip för hur liten 

eller stor yta ett område skall beteckna finns förstås inte. Inom geografin 

använder man även begrepp som regioner, typområden och 

omland, vilka man preciserar ytterligare. 

Grannskap (neighbourhood): en naturlig social arena för mellanmänsklig 

interaktion, som motsvarar en stadsdel i en innerstad eller 

ett bostadsområde utanför stadskärnan. Det kan avgränsas fysiskt av 

tydliga avbrott i bebyggelsen, till exempel vägar eller topografiska 

strukturer. Folkmängden skall vara tillräckligt stor för viss basservice. 

Community: ”Anglosaxiskt ord med innebörden närsamhälle eller 

lokalsamhälle. På det sociala området har utarbetats metoder för


community work = samhällsarbete, form av socialt arbete som består 

i aktivering och utveckling av sociala kontakter, föreningsverksamhet 

med mera, i ett bostadsområde eller en kommun.” (1). 

Kommundiagnos/samhällsdiagnos: innebär att en kommunprofil över 

det aktuella området upprättas. I denna beskrivs såväl hälsoläge som 

välfärdsfaktorer, levnadssätt och samhällets organisation. En sådan 

samhällsanalys skall innehålla uppgifter om befolkningens ålder, 

utbildning, yrken, boendemiljö, ekonomi med mera. Vidare skall den 

innehålla detaljerade data, som brukar kallas hälsoprofil. Hälsoprofilen 

skall innehålla uppgifter från olika befolkningsregister om hälsa 

och ohälsa. (2). 

Region: ordet region kan användas på flera sätt. För det första kan det 

vara en allmän, opreciserad synonym till område, trakt, landskap 

eller provins. För det andra kan det vara en generell benämning på en 

administrativ enhet mellan centralmakten och den lokala enheten i 

ett samhälle. Sedan några år tillbaka används begreppet i Sverige 

även som en formell benämning på en administrativ enhet på samma 

nivå som län. För det tredje används det som analytiskt begrepp i 

geografin. 

Som analytiskt begrepp är region ett av de mest centrala i geografin. 

Man kan skilja mellan åtskilliga olika typer av regioner, till exempel 

homogena regioner, funktionella regioner, centrerade och naturliga 

regioner. Med homogena regioner menar man områden som i ett 

eller flera avseenden är enhetliga och i dessa avseenden skiljer sig från 

omgivningen. Det kan handla om näringsliv, kulturella särdrag, 

byggnadsstilar etc. Funktionella och centrerade regioner är områden 

med inbördes mycket starka band i form av kommunikationssystem, 

pendling, lokala arbetsmarknader, kundkretsar och liknande. I den 

akademiska geografiska litteraturen förekommer flera variationer av 

dessa analytiska begrepp. Begreppet lokala arbetsmarknader (LA), 

som SCB använder, är närmast ett slags funktionella regioner och 

deras gränser revideras regelbundet. 

Naturliga regioner är områden som är homogena med tanke på 

naturegenskaper som topografi, vegetation och klimat. I samhälls-


planeringen har man konstruerat speciella regioner, såsom A-regioner 

(arbetsmarknadsregioner) och H-regioner (en gruppering av 

kommuner efter lokalt och regionalt befolkningsunderlag längs skalan 

storstad-glesbygd). (SCB:s förklaring på internet). 

Typområde: ett begrepp som har mycket gemensamt med det ekologiska 

begreppet biotop, det vill säga ett område som kännetecknas av 

vissa faktorer. Det skall inte förväxlas med region. H-regioner är liksom 

kommuntyper att betrakta som typområden. 

Omland (från tyskans Umland): betecknar det område kring en större 

ort som denna påverkar, exempelvis genom att dra till sig inpendlare 

och personer som uträttar ärenden på orten (besöker butiker, sjukhus, 

vårdcentraler, myndigheter etc.). Engelskan använder ibland den 

tyska termen Umland, men numera talar man oftare om urban field. 

Utrymme (space): kan uttryckas i klara, kvantitativa mått, men också i 

subjektiva termer och föreställningar. Geografiskt kan man skilja 

mellan absolut och relativt utrymme. Det absoluta utrymmet är 

fysiskt och kan anges med ytmått och koordinater. Relativt utrymme 

(relative space, created space) är däremot besläktat med det subjektiva 

platsbegreppet och beror alltså på mänskliga attityder, beteenden 

och värderingar. Några exempel: 

Personal space är en osynlig sfär som var och en omger sig med och där 

man inte tolererar främmande. Hur stort detta utrymme är kan vara 

beroende av omständigheterna och det kan också vara kulturellt 

betingat. 

Lived space är i fenomenologisk mening det utrymme som en person 

normalt vistas i – en omgivning som består av kända ting och platser 

(Dictionary of Human Geography). 

Activity space (aktivitetsutrymme) är knutet till enskilda individer och 

kan beskrivas som det utrymme inom vilket individen utför det mesta 

av sina regelmässiga förehavanden – bor, arbetar, uträttar ärenden, 

kopplar av och så vidare. Närbesläktat med det begreppet är uttrycket 

”vardagsrum” såsom Olof Wärneryd använder det för att täcka in de 

platser som man har anledning att besöka och vistas på till vardags:


bostaden, arbetsplatsen, serviceinrättningar och diverse fritidsanläggningar. 

Vardagsrummets utsträckning vidgades och diversifierades 

för många vid övergången från agrar- till industrisamhälle, 

varefter det under de senaste 100 åren blivit allt vidare och diversifierat. 

(3, 4) 

Referenser 

1. Janlert U. Folkhälsovetenskapligt lexikon. Natur och Kultur, 

Stockholm 2000. 

2. Pellmer K, Wramner B. Grundläggande folkhälsovetenskap. Liber, 

Stockholm, 2002 

3. Lenntorp B. Det dynamiska vardagsrummet. Svensk Geografisk 

Årsbok 1996; Årg 72:113-7 

4. Wärneryd O. Folk rör sig med tiden. I: Bor och jobbar vi annorlunda 

med data- och teleteknik? Ett seminarium i Nils-Göran Svenssons 

anda. Dokumenterat av Mats Utbult. Teldok rapport 60. Teldok, 

Farsta; 1990. S 20-6.

3. 

platsen, individen och folkhälsan – teorier, metoder och tolkningar 47 

SOCIALT KAPITAL, OMRÅDE, 

INDIVID OCH HÄLSA Per-Olof Östergren


3. 

socialt kapital, område, individ och hälsa 49 

SOCIALT KAPITAL, OMRÅDE, 

INDIVID OCH HÄLSA Per-Olof Östergren 

Begreppet socialt kapital har under de senaste åren kommit i fokus som en 

möjlig viktig faktor för hälsoutvecklingen i en befolkning. Begreppet kommer 

från sociologisk och statsvetenskaplig forskning men har snabbt fått 

en internationellt framträdande plats i hälsoekonomisk och socialepidemiologisk 

forskning och debatt. Denna debatt rör i hög grad i vilken utsträckning 

områdesanknutna variabler, respektive variabler på individnivå 

bidrar till hälsa och sjukdom i en befolkning. 

Wilkinsons inkomstfördelningshypotes, social sammanhållning och socialt 

kapital 

Intressant nog kan mycket av ursprunget till intresset för socialt kapital 

som en faktor som påverkar hälsan, härledas till en mycket omdebatterad 

artikel av den brittiske hälsoekonomen Richard Wilkinson publicerad i British 

Medical Journal 1992 (1). Denna artikel citeras fortfarande flitigt såväl 

i debatten om sambandet mellan inkomst och hälsa som i debatten om det 

sociala kapitalets betydelse för hälsan, som pågått ända sedan dess. I artikeln 

analyserades sambandet mellan inkomstspridning och förväntad livslängd 

i ett antal höginkomstländer. Det nya med detta grepp var att analysen 

tog fasta på själva spridningen av inkomsterna i ett givet land, snarare 

än den absoluta nivån, som han justerade för. Wilkinson fann att det fanns 

ett signifikant samband mellan låg inkomstspridning och en hög förväntad 

livslängd i befolkningen. 

I diskussionen om de möjliga mekanismerna bakom denna observation, 

lanserade Wilkinson begreppet social cohesion (översatt till svenska; social 

sammanhållning eller populärt formulerat ”det sociala kittet”), vilket 

uppenbart är en faktor som inte enskilda individer utan grupper av


individer äger. Eftersom Wilkinson använde geografiska enheter i sin studie, 

finns det en tydlig koppling till områdesnivåns betydelse i dessa diskussioner 

(se vidare nedan i detta kapitel). 

Wilkinson postulerade med andra ord att inkomstskillnader, som ju är 

ett mått på materiell ojämlikhet, också är ett mått på social sammanhållning 

(social cohesion) i ett område (land i detta fall). Wilkinson och andra 

författare, till exempel Marmot (2) har senare utvecklat dessa tankar med 

hjälp av ett tvådimensionellt synsätt på sociala relationer, vertikala (hierarkiska) 

och horisontella (solidariska). Intressant nog har djurmodeller 

använts i denna debatt, vilket är ovanligt inom socialepidemiologin, nämligen 

den kände primatforskaren Sapolskys studier av den sociala organisationen 

bland babianer i Östafrika (3). 

Argumentet går ut på att det finns ett samband mellan en ojämlik tillgång 

av resurser (exempelvis inkomst) bland individer i en grupp, och hierarkiska 

sociala relationer i denna grupp. Detta menar man beror på att 

ojämlikheten i gruppen måste upprätthållas med någon form av aktiv maktutövning, 

det vill säga en aktiv repression av de av gruppens medlemmar 

som utmanar individerna i toppen av gruppens hierarki. En sådan maktutövning 

leder till en hierarkisk social struktur (hackordning, klassamhälle etc.). 

I en grupp med uttalad hierarkisk struktur är förutsättningarna därför 

sämre då det gäller att utveckla positiva sociala relationer (sociala nätverksresurser/socialt 

stöd av olika typer) och redan Henry och medarbetare 

(4) visade i djurförsök att en låg social position i gruppen också innebär en 

större stressbelastning. Detta kunde också verifieras genom att mäta biologiska 

stressmarkörer hos de babianer som Sapolsky studerade (3). Det 

väckte därför en viss munterhet när Marmots grupp kunde demonstrera 

samma samband mellan biomarkörer för stress och rank i sina studier av 

brittiska statstjänstemän i den berömda Whitehallstudien (5). 

Försöket att förklara den så kallade inkomstspridningshypotesen på 

detta sätt, det vill säga huvudsakligen med hjälp av stress-sjukdoms-modellen 

(en psykosocial orsaksmekanism), har blivit en måltavla för uttalad kritik 

riktad mot psykosociala förklaringsmodeller för ohälsa i allmänhet, 

men i synnerhet mot inkomstspridningshypotesen, framförd av företrädarna 

för den så kallade neomaterialistiska skolan (6, 7). 

I debatten mellan Wilkinson och hans meningsfränder å den ena sidan 

och företrädarna för den neomaterialistiska skolan å den andra, har tyngd-


punkten huvudsakligen legat på de negativa hälsoeffekterna av den hierarkiska 

sociala strukturen. Detta innebär att det som främst satts i fokus som 

bestämningsfaktor för ohälsa är en hög grad av hierarki genom sin negativa 

betydelse för den sociala sammanhållningen. 

Detta kan tyckas ofullständigt eftersom en låg grad av hierarki, enligt 

Wilkinsons ursprungliga hypotes, är förknippat med en mer gynnsam 

utveckling av social sammanhållning (1), och med tanke på att det knappast 

kan anses att en social struktur med mindre uttalade hierarkier enbart 

är en mekanisk följd av frånvaron av hierarkier, utan på goda grunder kan 

anses indikera närvaron av sociala processer som kan tolkas i helt andra 

dimensioner än graden av hierarki. Wilkinson och hans meningsfränder 

talar om social sammanhållning som kännetecknat av horisontella relationer 

byggda på solidaritet mellan gruppens individer. När Sapolsky för ett 

par år sedan rapporterade att inte alla babiangrupper är hierarkiska, utan 

att det även finns solidariskt organiserade grupper, så väckte detta stor 

uppmärksamhet (8). 

Denna oklarhet i debatten om olika begrepps dimensionalitet kan möjligen 

vara en av orsakerna till den tidvis ovanligt intensiva debatten om betydelsen 

av såväl inkomstspridning som socialt kapital för hälsan i en befolkning. 

Jag kommer nedan att argumentera för att social sammanhållning 

(social cohesion) i allt väsentligt är synonymt med begreppet socialt kapital, 

så som det har kommit att definieras i socialepidemiologisk forskning. 

Putnams definition av socialt kapital 

Intressant nog var det en rent statsvetenskaplig forskningsrapport som 

publicerades 1993 av den amerikanske statsvetaren Robert Putnam (9) 

som verkar att på allvar ha satt igång socialepidemiologernas intresse för 

begreppet socialt kapital, trots att det inte var första gången detta begrepp 

definierades. Möjligen kan Wilkinsondebatten ha jämnat vägen för begreppet 

som på ett ganska uppenbart sätt påminner om begreppet social sammanhållning 

(social cohesion). 

Putnams forskning handlade om faktorer som har främjat social och 

ekonomisk utveckling i Italien under den senare delen av 1900-talet. Putnam 

konstaterade att denna utveckling har varit betydligt mer gynnsam i 

norra Italien, jämfört med i de södra delarna av landet. Detta trots en politisk 

reform i början av 1970-talet som gav alla regioner i Italien samma


politiskt administrativa struktur i samband med en långtgående decentralisering 

av den politiska makten. Detta skapade en situation som skulle 

kunna kallas ett ”naturligt experiment” för statsvetenskaplig forskning; 

vad händer när samma politiska struktur möter olika typer av social organisation 

som dessutom får stort spelrum genom en decentralisering av 

makten? Och om man noterar regionala skillnader, vilka faktorer kan då 

tänkas ligga bakom en sådan utveckling? 

Putnam lanserade hypotesen att skillnader i det sociala kapitalet mellan 

norra och södra Italien var en viktig förklaring till de observerade skillnaderna 

i social och ekonomisk utveckling mellan de båda landsändarna. 

Han definierade socialt kapital som en hög nivå av tillit mellan individerna 

i ett samhälle, det vill säga uppfattningen att de flesta individer är att lita på 

och inte är ute efter att göra andra individer skada utan beter sig väsentligen 

solidariskt. 

Tillit uppstår enligt Putnam då individerna i ett samhälle i hög grad 

delar viktiga värderingar. Detta är i sin tur resultatet av ett högt deltagande 

i gemensamma aktiviteter av alla upptänkliga slag i samhället, till exempel 

kyrkliga eller politiska sammanslutningar, sport eller kulturella aktiviteter 

etc. Av detta följer att förutsättningarna för ett aktivt deltagande i civilsamhället 

blir av avgörande betydelse för utvecklingen av ett socialt kapital. 

En hög grad av tillit medför att samhällets transaktionskostnader generellt 

sett blir låga, vilket starkt underlättar alla sociala och ekonomiska 

aktiviteter. Genom att individerna litar på varandra kan exempelvis även 

betydande affärsuppgörelser beseglas muntligt och sociala problem kan 

lösas informellt, ofta genom frivilliga insatser, utan behov av byråkratiska 

omvägar. 

Begreppet socialt kapital anslöt på ett slående sätt till flera viktiga 

begreppsområden inom det socialepidemiologiska forskningsområdet. 

Inom denna disciplin hade man under ett par årtionden studerat betydelsen 

av sociala nätverk och socialt stöd för individens hälsa och funnit relativt 

starka samband mellan dessa faktorer och en god hälsa hos individen (10). 

Det ensidiga individuella perspektivet som saknade en tydlig anknytning 

till samhällsnivån, var dock ett problem då det gällde möjligheterna att 

effektivt utnyttja forskningsresultaten i förebyggande insatser. Teorin om 

det sociala kapitalet och hur detta skapas genom socialt deltagande, satte in 

hela denna forskning i ett nytt perspektiv med intressanta möjligheter till


intervention på grupp- eller samhällsnivå, exempelvis utifrån geografiskt 

definierade områden (grannskap, stadsdel, kommun etc.). 

Även den forskning som handlat om att åstadkomma hälsofrämjande 

förändringar i ett lokalsamhälle genom att involvera målgruppen i alla steg 

i processen (community participation/involvement) kunde sättas in i ett 

nytt perspektiv där delvis nya strategier för sådant förändringsarbete 

kunde anas. 

Begreppet socialt kapital passar även som hand i handske i förhållande 

till det perspektiv på det nationella folkhälsoarbetet som ligger till grund 

för det betänkande som presenterades av Nationella folkhälsokommittén 

(11). Här ligger fokus på så kallade stödjande miljöer och övergripande 

samhällsinsatser som har betydelse för människors beteenden och vanor, 

exempelvis avseende konsumtion av tobak och alkohol, kost- och motionsvanor 

samt inte minst möjligheterna att undvika stress etc. 

Sambandet mellan socialt deltagande, utvecklingen av gemensamma 

värderingar och tillit är i princip en spiral som kan gå uppåt i en positiv 

riktning eller nedåt i en negativ, beroende på hur omgivningen kan främja 

eller stävja denna process. Intressant nog verkar just förutsättningarna för 

socialt deltagande vara den del av processen som erbjuder den största möjligheten 

för påverkan, såväl negativ som positiv. Detta visar också på möjliga 

samband mellan socialt kapital och sociala exklusionsprocesser av olika 

slag, exempelvis exklusion från arbetsmarknaden, boendesegregation etc. 

Detta blir särskilt intressant ur ett tvärsektoriellt perspektiv på policyformulering 

och implementering av åtgärder för att främja hälsan i en befolkning. 

Kritik mot förenklad modell 

En kritik som tidigt uppstod mot Putnams relativt enkla modell för det 

sociala kapitalet och dess drivkrafter, var att en hög grad av tillit, högt deltagande 

och en stark värdegemenskap inte alltid behöver vara något positivt, 

vare sig för samhället eller för individen (särskilt med tanke på individens 

förutsättningar för en god hälsa). Dessa villkor skulle kunna vara fullt 

uppfyllda för en kriminell subkultur, en fanatisk sekt eller en terroristcell. 

Ur denna diskussion föddes en utvecklad modell av det sociala kapitalet 

som skiljer mellan sammanbindande (bonding), överbryggande (bridging) 

och sammanlänkande (linking) socialt kapital (12). 

Med sammanbindande socialt kapital avses utvecklingen av tillit genom


socialt deltagande och utvecklingen av gemensamma värderingar inom en 

grupp individer som står varandra nära och har en liknande bakgrund 

(familj/släkt, etnisk grupp, socialt homogent grannskap etc.). Med överbryggande 

socialt kapital avses uppkomsten av tillit genom deltagande och 

resulterande gemensamma värderingar mellan individer från olika sociala 

grupper av den förstnämnda typen. Det vill säga, detta förutsätter att det 

existerar mötesplatser av den typ där människor med olika bakgrund kan 

mötas för att delta i processer där gemensamma värderingar kan utvecklas 

(exempelvis arbetsplatser, skolor, bostadsområden, föreningar etc.). Dessa 

båda typer av socialt kapital anses befinna sig på den ”horisontella” nivån, 

det vill säga utvecklas väsentligen mellan individer med likartad position i 

den sociala samhällshierarkin. I den socialepidemiologiska diskussionen är 

det framför allt dessa två typer av socialt kapital som anses vara knutet till 

mindre geografiska områden (grannskap, stadsdelar etc.). 

Den tredje typen, sammanlänkande socialt kapital, anses däremot uppstå 

i en process där tillit utvecklas genom socialt deltagande och utvecklingen 

av gemensamma värderingar mellan individer med olika statusmässig 

social position (exempelvis utbildningsnivå, yrkesbetingad status, ekonomiskt 

eller politiskt inflytande). Denna form av socialt kapital har i diskussionen 

främst knutits till större geografiska områden (kommuner, delstater, 

nationer etc.), eftersom den i högre grad anses förutsätta ett politiskt handlande 

för att den nödvändiga typen av processer ska komma till stånd. 

Olika sätt att mäta socialt kapital 

Sätten att mäta socialt kapital har varierat i hög grad. I många socialepidemiologiska 

studier har begreppet ofta operationaliserats som tillit eller 

sociala relationer (vanligen socialt deltagande) (13, 14). Dessa mått har på 

ett eller annat sätt sitt ursprung i enskilda individers skattning av sin egen 

tillit eller sitt eget sociala deltagande. I några studier har dessa variabler 

använts helt och hållet individanknutet, det vill säga det har handlat om 

individens sociala kapital och dess samvariation med olika individuella 

hälsomått. 

I studier med en så kallad ekologisk design har medelvärden i geografiskt 

definierade områden använts som mått på olika typer av indikatorer 

för socialt kapital, exempelvis tillit, när man testat dessa indikatorers samvariation 

med hälsomått på gruppnivå (exempelvis prevalensen eller


incidens/mortalitet i ett geografiskt område) (14). Denna typ av studier 

påminner för övrigt om studier där man använt fattigdomsindex för att 

karakterisera geografiska områden (15–17). Det kan vara värt att notera 

att alla dessa index innehåller minst en komponent som mäter social marginalisering 

(till exempel prevalensen av arbetslöshet) eller etnisk hetero- 

/homogenitet, det vill säga begrepp som knyter nära an till socialt kapital. I 

vissa studier har man med hjälp av multinivåanalysmetoder försökt skatta 

effekten av denna typ av områdesvariabler (kontextuella variabler) då man 

samtidigt kontrollerat för effekten av vissa individuella (kompositionella) 

variabler (14). 

I några studier har områdets deltagarfrekvens i det senaste allmänna 

valet använts som ett mått på delade värderingar (det vill säga vikten av att 

utnyttja sin rösträtt i ett demokratiskt samhälle). Rädsla för att råka ut för 

våldsbrott är ett mått på tillit som använts i flera studier. Detta bör inte förväxlas 

med ett områdes våldsbrottsfrekvens, som använts som beroende 

variabel där man har analyserat bestämningsfaktorer för socialt kapital 

(18). 

I vissa studier har man försökt att finna en operationalisering av begreppet 

socialt kapital som är specifikt för områdesnivån, det vill säga som inte 

kan härledas till data som samlats in från individer i området i fråga. Ett 

sådant exempel är olika index som mäter den fysiska miljön i ett område 

(till exempel frekvensen trasiga fönsterrutor, antal övergivna bilvrak eller 

nedskräpning på trottoaren) (19). Detta har tolkats som ett mått på (bristande) 

socialt kapital, vilket sannolikt ligger mest i dimensionen gemensamma 

sociala värderingar (styr både nedskräpningsbeteendet och det kollektiva 

kravet på iordninghållande av den offentliga miljön). I detta 

sammanhang har ofta termen kollektiv effektivitet (collective efficacy) 

använts, vilken ligger nära begreppet socialt kapital men som härrör från 

socialpsykologisk teori (20). 

Trots att det nu (2004) gått flera år sedan förslaget att dela upp socialt 

kapital i kategorierna sammanbindande, överbryggande och sammanlänkande 

socialt kapital, finns det få publicerade studier som försökt operationalisera 

begreppet i dessa dimensioner.


Analytiska metodproblem vid studier av socialt kapital och hälsa 

I flera av de studier där man tillämpat metoder för multinivåanalys så har 

man använt samma (eller en snarlik) variabel för att skatta bidraget av den 

kontextuella effekten, då man samtidigt tar hänsyn till den kompositionella 

effekten. I denna typ av studier har den kontextuella effekten (det vill 

säga effekten av områdesexponeringen) oftast bedömts som ringa, jämfört 

med den kompositionella effekten (effekten av den individuella exponeringen). 

Kritiker av denna tolkning har dock påpekat det problematiska 

med att betrakta områdesexponeringar och individexponeringar som confounders 

utan att anta något inbördes kausalitetsförhållande, vilket den 

nämnda tolkningen förutsätter. 

En styrka hos vissa av metodpaketen för multinivåanalys är att de kan 

detektera och skatta effekten av synergi mellan exponeringar på områdesnivå 

och exponeringar på individuell nivå (21), vilket är ett viktigt område 

att belysa vid studier av socialt kapital och hälsa. Detta rör viktiga frågeställningar 

av typen huruvida det har större konsekvenser för hälsan att 

vara arbetslös i ett geografiskt område med en hög tillit eller högt socialt 

deltagande, jämfört med i ett område med låg tillit eller lågt socialt deltagande. 

Ett annat problem i de flesta av dessa studier är användningen av prevalensmåttet 

då effekten av områdesexponeringen skattas, eftersom prevalensen 

inte är ett optimalt sjukdomsmått för att analysera kausalitet (22). 

Detta eftersom prevalensmåttet är en blandning av en viss sjukdoms incidens 

och durationen av detta tillstånd. Rent teoretiskt kan därför en relation 

mellan en viss exponering och högre prevalens av en allvarlig sjukdom 

(exempelvis hjärtsvikt) lätt tolkas som om denna exponering är en orsak till 

detta tillstånd, när i stället denna faktor kanske ökar prevalensen genom att 

fler individer med tillståndet i fråga överlever längre tack vare exponeringen 

(vilket också resulterar i en ökad prevalens i en given befolkning). 

Omvänt skulle en exponering som leder till snabbare död i ett visst tillstånd 

(och därför till en lägre prevalens vid en given incidens), kunna misstolkas 

som en skyddande faktor. 

En annan viktig metodaspekt vid studier av socialt kapital och ohälsa, 

rör begreppet induktionstid, det vill säga den tid som förflyter från en 

exponeringsdebut till dess sjukdomen bryter ut hos en individ (22). Denna 

bestämmer vilka sjukdomstillstånd som lämpar sig bäst för att försöka 

knyta till begreppet socialt kapital. Ofta utgörs den beroende variabeln i


socialepidemiologiska studier av en aggregerad entitet, exempelvis totalmortalitet. 

Denna entitet består givetvis av en rad olika tillstånd med helt 

olika induktionstider (exempelvis hjärt-kärlsjukdom, cancersjukdomar 

eller dödsfall genom skador). Några av dessa tillstånd har induktionstider 

på flera decennier, andra har extremt korta induktionstider. Det blir därför 

problematiskt när man försöker skatta en gemensam områdeseffekt. 

Samma typ av problem uppträder rimligen även då man använder entiteten 

självskattad hälsa som beroende variabel, vilken även denna sannolikt 

beror på en rad olika delkomponenter med mycket varierande induktionstid 

mellan exponering och effekt. 

Dessa metodproblem kan accentueras av att de processer som är viktiga 

för utvecklingen av socialt kapital snabbt kan förändras genom intensiva 

migrationsförlopp. Vissa stadsdelar i storstadsområdena har en årlig inoch 

utflyttning mellan 30 och 50 procent. Slutsatserna då information av 

tvärsnittstyp analyseras i socialepidemiologiska studier, blir då mycket sårbara 

för systematiska felkällor av selektionstyp. 

Tänkbara mekanismer bakom sambandet mellan socialt kapital och hälsa 

En avgörande betydelse för trovärdigheten av hypotesen för hur det sociala 

kapitalet påverkar folkhälsan, är att den grundar sig på en rimlig teori om 

hur sociala fenomen kan påverka biologiska processer. I princip utesluter 

inte definitionen av socialt kapital någon form av orsaksmekanism, även 

om den senare tidens debatt inom socialepidemiologin lätt kan ge intrycket 

av att begreppet socialt kapital är strikt bundet till psykosociala mekanismer. 

Det kunde kanske därför vara klargörande att återknyta diskussionen 

om kausalitet till den ursprungliga definitionen av begreppet som Putnam 

presenterade (9). Putnam hävdade att det sociala kapitalet utövar sin effekt 

genom att minska transaktionskostnaderna för olika sociala och ekonomiska 

förehavanden. Detta betyder i klartext att det kostar/kräver mindre 

(ekonomiskt, kunskapsmässigt, känslomässigt etc.) att genomföra allehanda 

handlingar/projekt i en omgivning där det sociala kapitalet är stort, 

vilket givetvis också innefattar handlingar/projekt som har betydelse för en 

god hälsa. 

Ett väl utvecklat socialt kapital medför därför en högre kostnadseffektivitet 

på alla livets områden. Om man skulle bli ekonomiskt utsatt 

kan det innebära att det är enklare att få låna pengar. Söker man arbete blir


det lättare att finna ett sådant, om man behöver kunskap eller speciell kompetens 

för att lösa ett problem är det enklare att hitta detta och om man 

behöver känslomässigt stöd, är det lättare att få i en omgivning där det 

finns ett brett socialt deltagande i olika processer och stor tillit individer 

emellan. 

Uppenbarligen ligger detta nära ett tänkande om betydelsen av balans 

mellan påfrestningar och resurser. Dessa tankar utgör också grunden för 

stress- sjukdomshypotesen, vilken som tidigare nämnts fått ett stort 

genomslag i den socialepidemiologiska debatten under de senaste årtiondena. 

Samtidigt har denna teori utsatts för en mycket stark kritik från företrädare 

för den neomaterialistiska skolan, som till och med kallat den för den 

moderna miasmateorin (23). 

Miasmateorin (miasma var en eterisk, det vill säga icke-materiell entitet, 

knuten till atmosfäriska processer av inte närmare definierad karaktär) 

konkurrerade med contagion- (smittämnes-) teorin under mitten av 1800talet, 

då det gällde att förklara uppkomsten av svåra epidemier i de snabbt 

växande industristäderna i Europa. Det var de dåtida epidemiologerna som 

med sina studier vid den tiden kunde bidra till att förpassa miasmateorin 

till vetenskapshistoriens soptipp (24). 

Under de senaste årtiondena har dock den så kallade stress- sjukdomshypotesen 

blivit den huvudsakliga teori som knutit ihop det sociala 

systemet med det biologiska (25, 26), varför det kan vara på sin plats att i 

detta sammanhang beskriva detaljerna i denna mekanism lite mer utförligt. 

Stress- sjukdomsteorin är nära förbunden med den moderna fysiologins 

utveckling och till några av denna vetenskaps förgrundsgestalter. I denna 

teoribildning sätts därför förståelsen av olika fysiologiska systems samspel 

med varandra i fokus, snarare än enskilda sjukdomsmekanismer som kan 

hänföras till ett specifikt organ. Det senare var utmärkande för det förhärskande 

sjukdomsparadigmet under den senare delen av 1800-talet som 

dominerades (av mycket förståeliga skäl) av bakteriologin och cellulärpatologin 

som utvecklats genom teknologiska landvinningar, framför allt förbättringar 

av mikroskopet. Den moderna fysiologin bröt på ett dramatiskt 

sätt mot detta paradigm och hämtade sin näring från den moderna fysikens 

genombrott i början av 1900-talet, kanske framför allt från de termodynamiska 

lagarna som handlade om balansen mellan kaos och ordning (25). 

Genom att tänka sig världen i form av olika system som hänger ihop och


ständigt påverkar varandra blir det lättare att acceptera att förändringar i 

den sociala miljön i grunden kan påverka balansen i samspelet mellan en 

rad olika fysiologiska system, till exempel mekanismerna som styr blodtryck, 

blodsockeromsättning, smärtuppfattning, immunförsvar etc. Detta 

sker genom psykofysiologiska mekanismer som påverkas av de kraftfulla 

akuta kroppsreaktioner som följer på psykisk anspänning, bland annat via de 

så kallade stresshormonerna (27). Denna teori har under de två senaste årtiondena 

fått en alltmer etablerad position i det biomedicinska etablissemanget. 

På det psykologiska planet är begreppet coping också ett nyckelbegrepp 

för förståelsen av sambandet mellan socialt kapital, stress och hälsa (28). 

Detta är ett begrepp som används för att beteckna hur individer hanterar 

potentiellt hotande situationer, där hotet kan vara av vilket slag som helst, 

socialt, psykologiskt eller materiellt. Coping, som ibland översätts som förmågan 

att hantera sin livssituation, åstadkoms i två steg. 

Det första steget i copingprocessen innebär att individen gör en bedömning 

huruvida en viss omständighet utgör ett möjligt hot eller inte. Om 

individen då bedömer att det finns ett sådant möjligt hot görs i ett andra 

steg ytterligare en bedömning om detta hot kan hanteras med tillgängliga 

resurser eller inte. Om individen saknar sådana nödvändiga resurser är 

hotet inte bara möjligt utan verkligt för individen, vilket leder till en stressreaktion 

som innehåller de typiska psykofysiologiska mekanismerna, och 

innebär en ökning av så kallade stresshormoner, ökad vakenhet, ökat blodtryck, 

påverkan på immunförsvaret etc. 

Den aktuella forskningen tyder på att individer som utsätts för långvarig 

stress riskerar en försämrad balans i viktiga fysiologiska system (blodcirkulationen, 

ämnesomsättningen, smärtregleringen eller immunförsvaret) och 

löper en ökad risk att drabbas av sjukdom. De blir med andra ord mer sårbara 

för ohälsa. Detta har sammanfattats i den på 1970-talet lanserade så 

kallade sårbarhetshypotesen (29). 

En av de copingmöjligheter som står till buds för individen är att söka 

hjälp från sitt sociala nätverk i form av socialt stöd (10). Kvaliteten på det 

sociala stödet beror till stora delar på hur mycket resurser som finns i det 

sociala nätverket, exempelvis i form av trygga relationer, information eller 

materiella resurser. 

Det sociala nätverkets resurser kan därför anses vara en mycket viktig 

del av det som tidigare i texten kallats socialt kapital.


Socialt kapital är en av flera typer av kapital 

Även om detta kapitel inte handlar så mycket om hur områdesbaserade 

analyser kan översättas till policy, kan några avslutande kommentarer om 

detta vara intressanta eftersom det har betydelse för relevansaspekten på 

denna forskning. Det kan exempelvis vara intressant att begrunda några 

implikationer av begreppet socialt kapital som förvånansvärt sällan förs 

fram i den vetenskapliga diskussionen. Begreppet kapital bär med sig några 

viktiga egenskaper knutna till ekonomiskt tänkande (det är ju en term som 

mycket medvetet hämtats från den ekonomiska begreppssfären), nämligen 

att det går att öka det sociala kapitalet genom investeringar och inte minst 

att det går att minska det genom uttag. Det är också intressant att fundera 

över i vilken utsträckning socialt kapital kan konverteras till andra typer av 

kapital, exempelvis finansiellt, och vice versa. 

Detta synsätt kan användas till en delvis ny vinkling på den debatt som 

redovisades i början av detta kapitel, nämligen den som följde på Wilkinsons 

hypotes om sambandet mellan inkomstfördelning och social sammanhållning 

(social cohesion). Ponera att en jämlik inkomstfördelning i ett 

land/en delstat beror på en utjämningseffekt av beskattning, där skatteintäkterna 

(finansiellt kapital) används för att investera i det sociala kapitalet 

i detta område (det vill säga det finns en konverteringsmöjlighet mellan 

dessa båda typer av kapital). 

En konkurrerande hypotes för att förklara fynden i Wilkinsons studie 

skulle då kunna vara att det är effekten av socialt kapital på hälsan som han 

avläser i första hand (och inte effekterna av inkomstfördelningen som 

sådan). Om det förhåller sig på detta sätt, skulle den inkonsistens mellan 

Wilkinsons resultat och resultaten i senare studier teoretiskt kunna förklaras 

av att det sociala kapitalet beror på många fler faktorer än inkomstfördelning, 

och att dessa faktorer kan se mycket olika ut i olika länder. 

I epidemiologiska termer skulle detta kunna uttryckas i termer av såväl 

confounding och olikheter i orsakskedjor i olika miljöer, som interaktion 

mellan inkomstfördelning och en rad andra determinanter för hälsan. Av 

detta resonemang följer också en möjlighet att sambandet mellan såväl 

inkomstfördelning som socialt kapital och hälsa, inte alls är särskilt beroende 

av den psykosociala orsaksmekanismen (stress-sjukdomshypotesen), 

som debatten hittills relativt ensidigt har indikerat. 

Om vi accepterar Putnams enkla grundmodell av socialt kapital som


presenterades ovan, det vill säga en uppåt- eller nedåtgående spiral av sambandet 

mellan socialt deltagande, gemensamma värderingar och tillit, så 

kan man hävda att det som får denna spiral att drivas uppåt eller nedåt är 

balansen mellan investeringar och uttag i denna process. En investering 

genom att konvertera finansiellt kapital skulle kunna underlätta socialt deltagande. 

Detta skulle exempelvis kunna ske genom att skapa fysiska mötesplatser 

där socialt deltagande är möjligt, genom att finansiellt stödja föreningsverksamhet 

eller förhindra marginalisering från olika sociala arenor 

där människor deltar (arbetsplatser, offentlig miljö etc.). 

Det kan också tänkas att det är fullt möjligt att finansiellt investera för 

att mer direkt påverka individers tillit (exempelvis genom ett gott underhåll 

av den yttre miljön som skapar färre associationer med social fragmentering 

och kriminalitet, planering av utemiljöer som har maximal insyn och 

minkar risken för kriminalitet etc.). 

Investeringar i viktiga gemensamma värderingar (exempelvis demokrati 

och grundläggande mänskliga rättigheter) skulle kunna vara att etablera 

mekanismer för att ta fram och sprida korrekt information om viktiga samhällsförhållanden 

och investeringar i bättre mekanismer för en ökad insyn i viktiga 

samhälleliga processer (exempelvis politiska, juridiska eller ekonomiska). 

Genom det ovannämnda är det kanske lättare att förstå den stora diversifiering 

som man finner då det gäller olika sätt att mäta socialt kapital i 

olika epidemiologiska studier, vilket redovisades tidigare i detta kapitel. 

Samtidigt så inses nog att orsakskedjorna mellan socialt kapital (eller 

inkomstfördelning) i ett samhälle är ytterst komplexa och innefattar alla 

upptänkliga klasser av fenomen, materiella resurser, informationsresurser 

och psykosociala resurser. Detta leder också vidare till debatten om den 

bästa vetenskapliga strategin för att ta sig an detta komplexa forskningsfält, 

vilket har implikationer för kunskapsunderlaget för policy och intervention 

inom folkhälsoområdet. 

Det klarast formulerade förslaget kommer kanske för närvarande från 

företrädarna för den neomaterialistiska skolan (se ovan), som menar att 

många sjukdomar har ett relativt begränsat antal viktiga bestämningsfaktorer, 

vilka ofta är relativt väl kända, exempelvis då det gäller hjärt-kärlsjukdomar. 

Socialepidemiologin bör därför i sin forskning fokusera hur 

dessa bestämningsfaktorer är fördelade i befolkningen i förhållande till 

materiella resurser (där inkomst är en sådan resurs), för att bättre förstå


hälsans ojämlikhet i olika länder eller andra geografiskt definierade områden. 

Deras skepsis mot begreppet socialt kapital och den psykosociala sjukdomsmekanismen 

är därför stor. 

Deras motståndare i debatten menar att detta är ett alltför atomistiskt 

angreppssätt som leder till en ensidigt materiell och biologisk sjukdomssyn. 

I detta perspektiv utgörs de enda vägarna till en jämlikare folkhälsa antingen 

av politiska beslut som leder till mer jämlika materiella förhållanden, 

eller av lösningar på individuell/biologisk nivå, exempelvis i form av specifika 

läkemedel. Neomaterialisternas motståndare hävdar därför att man i 

stället måste sträva efter att bättre förstå orsaksmekanismerna bakom hälsans 

ojämlikhet på flera olika nivåer, såväl på samhällsnivå som på områdesnivå 

och individnivå. Detta för att kunna öka möjligheterna till att 

bedriva ett diversifierat hälsofrämjande arbete baserat på god kunskap 

samt på flera olika nivåer och arenor samtidigt. 

Det är i detta sammanhang som teorierna om socialt kapital och hälsa 

bör ses, och då inte bara som en del av den psykosociala sjukdomshypotesen, 

utan innefattande hela bredden av orsaksmekanismer för ohälsa. 

Referenser 

1. Wilkinson RG. Income distribution and life expectancy. British Medical 

Journal 1992;304:165-8. 

2. Sapolsky RM. Cortisol concentrations and the social significance of rank 

instability among wild baboons. Psychoneuroendocrinology 

1992;17:701-9. 

3. Ely DL, Henry JP. Neuroendocrine response patterns in dominant and 

subordinate mice. Horm Behav 1978;10:156-69. 

4. Steptoe A, Kunz-Ebrecht S, Owen N, Feldman PJ, Willemsen G, Kirschbaum C, Marmot M. 

Socioeconomic status and stress-related biological responses over the 

working day. Psychosom Med 2003;65:461-70. 

5. Lynch J, Davey Smith G, Kaplan GA, House JS. Income inequality and mortality: 

importance to health of individual income, psychosocial environment, 

or material conditions. BMJ 2000;320:1200-4.


6. Lynch J, Harper S, Davey Smith G. Commentary: Plugging leaks and repelling 

boarders-where to next for the SS Income Inequality? Int J Epidemiol 

2003;32:1029-36. 

7. Sapolsky RM, Shar LJ. A pacific culture among wild baboons. Its emergence 

and transmission: PLoS Biol 2004;2:E106 E-pub 2004 Apr 13. 

8. Putnam RD. Making democracy work. Princeton: Princeton University 

Press, 1993. 

9. Cobb S. Social support as a moderator of life stress. Psychosom Med 

1976;38:300-14. 

10. Socialdepartementet. Hälsa på lika villkor - nationella mål för folkhälsan. 

Slutbetänkande av Nationella folkhälsokommittén. SOU 2000:91. 

Stockholm: Socialdepartementet, 2000. 

11. Woolcock M, Narayan D. Social Capital: Implications for Development 

Theory, Research and Policy. The World Bank Observer, 2000;15(2), 

225-49. 

12. Kawachi I, Kennedy BP, Lochner K, Prothrow-Stith D. Social capital, income 

inequality, and mortality. Am J Publ Health 1997;87:1491-8. 

13. Lindström M, Merlo J, Östergren P-O. Individual and neighbourhood determinants 

of social participation and social capital: a multilevel analysis of 

the city of Malmö, Sweden. Soc Sci Med 2002;54:1779-91. 

14. Jarman B. Identification of underprivileged areas. BMJ 1983;286:1705- 

1709. 

15. Townsend P, Phillimore P, Beattie A. Health and deprivation: Inequality in the 

north. London: Croom Helm; 1988. 

16. Carstairs V, Morris R. Deprivation and health in Scotland. Aberdeen: 

Aberdeen University Press, 1991. 

17. Kennedy BP, Kawachi I, Prothrow-Stith, Lochner K, Gupta V. Social capital, 

income inequality and fire arm violence. Soc Sci Med 1998;47:7-17. 

18. Ross CE, Jang SJ. Neighbourhood disorder, fear, and mistrust. The buffering 

role of social ties with neighbours. Am J Community Psychol 

2000;28:401-20.


19. Bandura A. Self-efficacy, toward a unifying theory of behavioural change. 

Psychol Rev 1977:84:191-215. 

20. Goldstein, H. and Spiegelhalter, D. J. League tables and their limitations: statistical 

issues in comparisons of institutional performance. Journal of 

the Royal Statistical Society, A 1996; 159: 385-443. 

21. Rothman KJ. Epidemiology. An introduction. Oxford: Oxford University 

Press, 2002. 

22. Mackleod J, Davey-Smith G. Psychosocial factors and public health: a suitable 

case for treatment? J Epidemiol Community Health 2003;57:566-70. 

23. Snow J. On the mode of communication of cholera. 2nd ed. London: 

John Churchill, 1860. 

24. Cannon WB. Stresses and strains of homeostasis. Am J Med Sci 

1935;189:1-14. 

25. Selye H. The General Adaptation Syndrome and the Disease of Adaptation. 

J Clin Endocrinology 1946;6:112-230. 

26. Henry JP. The relation of social to biological processes in disease. Soc Sci 

Med 1982;16:369-80. 

27. Lazarus RS, Folkman S. Stress, appraisal and coping. New York: Springer 

Publishing Company, 1984. 

28. Cassel J. The contribution of the social environment to host resistance. 

Am J Epidemiol 1976;104-23



Socialt kapital 

Även om uttrycket socialt kapital kan spåras långt tillbaka har det 

under de senaste årtiondena fått ny aktualitet och blivit använt på 

olika sätt. Uttrycket har efter hand kommit att användas i hälsorelaterade 

sammanhang, men det var ursprungligen ett sätt att, utan 

någon uttrycklig anknytning till hälsa, beskriva och analysera relationer 

mellan individer och grupper i ett samhälle. 

Enligt Bourdieu (1979) är socialt kapital ett 

”kapital av kontakter, relationer och umgängeskretsar varifrån man 

vid behov kan hämta erforderligt ’stöd’, ett anseendets och respektabilitetens 

kapital som ofta är nödvändigt för att vinna och behålla det 

respektabla samhällets förtroende … som kan ge utdelning i exempelvis 

en politisk karriär” (1). 

Enligt Coleman (1988) är socialt kapital 

” a variety of entities with two elements in common: they all consist of 

some aspect of social structures, and they facilitate certain actions of 

actors – whether persons or corporate actors – within the structure” (2). 

Putnam har i sina uppmärksammade inlägg särskilt betonat enskildas 

engagemang i samhällsgemenskaper på olika nivåer (3–4) och hälsoekonomen 

Wilkinson har hävdat ett samband mellan resurser, sociala 

relationer och hälsa. (Se Per-Olof Östergrens kapitel här intill.) 

En viktig skillnad mellan de linjer som företräds av å ena sidan 

Bourdieu och å andra sidan Coleman och Putnam har att göra med 

hur och varför sociala processer utvecklas. Medan Bourdieu ser dessa 

som framtvingade av samhällets ekonomiska ordning uppfattar 

Coleman och Putnam dem som frivilliga. Enligt det senare synsättet 

är socialt kapital ett slags kontrakt mellan självständiga individer. 

Försök att använda indikatorer och mäta socialt kapital har lett till 

olika resultat beroende på om man följer Colemans eller Bourdieus 

tankebanor.


Själva uttrycket socialt kapital har kritiserats för att vara alltför 

präglat av ett ekonomiskt sätt att tänka. Kritik har också riktats mot 

Putnams sätt att använda begreppet. Sålunda har Navarro vänt sig 

mot den amerikanska kommunitarism, som han menar att Putnam 

står för, samt bristen på maktperspektiv i dennes analyser (5). 

Olika skolor lägger olika perspektiv på socialt kapital och hälsa. 

En betonar hur det sociala stödet genom informella nätverk gynnar 

välbefinnande, en annan att ekonomisk ojämlikhet leder till ojämlik 

hälsa. Det har på senare tid gjorts försök att förena de olika perspektiven 

på socialt kapital och hälsa (6). 

Statens Folkhälsoinstitut har gjort en aktuell och utförlig genomgång 

av den roll det sociala kapitalet spelar för folkhälsan. I korthet 

kan man se socialt kapital som ett uttryck för hur relationer, attityder, 

värderingar och normer styr samspelet mellan individer och 

institutioner samt hur det bidrar till ekonomisk och social utveckling. 

Man kan särskilja fem typer av indikatorer, som man kan iaktta 

på olika samhällsnivåer. Det handlar om sociala resurser, social 

trygghet, social delaktighet, medborgerligt engagemang, delaktighet 

och inflytande. Vidare kan man skilja mellan tre olika dimensioner 

av socialt kapital: sammanbindande (bonding) inom grupper, överbryggande 

(bridging) mellan grupper samt länkande (linking) mellan 

samhällsnivåer (7). 

Världsbanken har betonat det sociala kapitalets betydelse för 

såväl ekonomisk utveckling som hälsa. En stor mängd abstracts om 

socialt kapital är åtkomlig via Världsbanken på Internet (8).

Referenser 


1. Bourdieu P. (1979) Distinktionen. En social kritik av omdömet. 

(Utdrag s. 109-146, 189-199 ur La distinction, i översättning av 

Barbro Berg, Donald Brody och Mikael Palme. I: Kultursociologiska 

texter, urval av Donald Brody och Mikael Palme. Stockholm: 

Salamander; 1996. 

2.. Coleman J. Social capital in the creation of human capital. 

American Journal of Sociology 1988;94 (suppl):95-120. 

3. Putnam RD. Bowling alone. America’s declining social capital, 

Journal of Democracy Jan 1995;6(1):65-78. 

4. Putnam RD. Bowling Alone: The Collapse and Revival of 

American Community. New York: Simon & Schuster; 2000. (Den 

ensamma bowlaren: Den amerikanska medborgarandans upp 

lösning och förnyelse) 

5. Navarro V. Politics, Power and Quality of Life. A Critique of 

Social Capital. International Journal of Health Services 

2002;32(3):423-32. 

6. Szreter S, Woolcock M. Health by association? Social capital, social 

theory and the political economy of public health. Int J Epidemiol 

Advance Access July 28, 2004 DOI: 10.1093/ije/dyh013. 

7. Wamala S. Socialt kapital och hälsa – begrepp och indikatorer, I: 

Hogstedt C, red: Välfärd, jämlikhet och folkhälsa – vetenskapligt 

underlag för begrepp, mått och indikatorer. Stockholm: 

Statens folkhälsoinstitut; 2003:12. s 221-52. 

8. www1.worldbank.org/prem/poverty/scapital/index.htm 

(Hämtad 2004-12-07).

4. 


GRANNSKAP Danuta Biterman


4. 

GRANNSKAP Danuta Biterman 

grannskap 71 

Segregation och geografi 

Segregationens arena är ett angivet geografiskt område. Ofta har man använt 

begreppet segregerat område för att beskriva ett område med ensidig eller 

homogen befolkningssammansättning. Begreppet är lika negativt laddat 

som segregation. Innebörden av denna och liknande formuleringar är 

egentligen ganska vag. Det är oklart vilken befolkningssammansättning 

som är normal och vilket geografiskt område det handlar om. 

”... med segregationen avser (man) den inre differentieringen inom ett specificerat 

geografiskt område, det vill säga i ett segregerat område bor vissa 

befolkningskategorier på vissa ställen, i ett integrerat område bor de mer 

blandat. Ett segregerat område kan således sägas bestå av ett antal mindre 

områden som är relativt homogena med avseende på befolkningens sammansättning, 

medan däremot ett integrerat område innehåller ett antal 

mindre, heterogena områden. Om man således vill uttrycka att ett 

bostadsområde har en relativt enhetlig befolkningssammansättning, bör 

man inte använda termen ett segregerat område utan hellre termen ett 

homogent område” (1). 

Området vars inre differentiering man önskar undersöka kan återfinnas på 

alla geografiska nivåer. Valet av områdesnivå är centralt vid studier av 

boendesegregation. Ibland vill man undersöka skillnader mellan olika regioner 

i ett land. I andra fall kan skillnader mellan olika hus i ett bostadskvarter 

vara av intresse. Utgången av analysen är avhängig av vilket område 

som har valts till studieobjekt. Undersökningsresultat är också beroende 

av hur man delat in området i delområden. Allmänt gäller att ju större 

delområdena är, desto troligare är det att deras befolkningssammansättning 

blir mera differentierad. Om man alltså delar undersökningsområdet i


några få, stora delområden blir den beräknade segregationsgraden lägre än 

om delområdena är fler och mindre. 

Vid studier av boendesegregation i storstäder utforskar vi vissa förutsättningar 

för det sociala samspelet mellan stadsinvånare. Ett delområde 

bör alltså motsvara ett grannskap – en naturlig social arena för de mellanmänskliga 

interaktionerna. Ett grannskap motsvarar ungefär en stadsdel i 

innerstaden eller ett bostadsområde litet längre bort från stadskärnan. Det 

finns ett annat viktigt skäl till att man i segregationsstudier väljer grannskap 

som delområde men däremot varken kommuner, som är mycket större, 

eller exempelvis kvarter, som är mycket mindre. Ett grannskap kan 

nämligen tillskrivas ett symboliskt värde som är betydelsefullt när människor 

formar sin sociala identifikation (2). Det förefaller vara mindre viktigt 

att välja delområden med avseende på homogenitet vad gäller byggnadsår 

eller hustyp, eftersom skillnader i dessa avseenden kan anses påverka det 

sociala samspelet i mindre grad än exempelvis naturliga gränser mellan 

områdena. 

Ett grannskap kan definieras som ett bebyggelseområde som 

• bestäms av naturliga gränser (större gator eller motorvägar, grönområden 

och dylikt) 

• motsvarar en stadsdel eller ett bostadsområde 

• har tillräckligt många invånare för att utgöra ett naturligt underlag 

för en viss offentlig och privat basservice 

• därför av invånarna betraktas som ”identifikationsområde”. 

Områdesindelning 

I de tillgängliga statistiska källorna fanns ingen färdig indelning i områden 

som skulle kunna uppfylla dessa villkor samtidigt som den skulle ge jämförbarhet 

över tiden. Därför skapades en ny sådan områdesindelning. De 

nya delområdena kallas här i fortsättningen för grannskap 1 . De motsvarar i 

stort sett de ovanstående kraven. Grannskapsbefolkningen är oftast mellan 

1 Grannskap är aggregeringar av mindre områden som kallas här för regionområden (i Stockholms 

län heter de också basområden, tidigare FoB-områden). Dessa består av ett eller flera NYKOområden. 

Regionområden skapas i regel utifrån en homogenitetsprincip med avseende på 

bostadsbebyggelsens sammansättning (hustyp, byggnadsperiod och ägarkategori).

grannskap 73 

fyra och tio tusen invånare. I några enstaka fall var vi dock av tekniska skäl 

tvungna att skapa grannskap med ett större, respektive mindre, antal invånare. 

I Stockholms län bygger denna indelning på en gammal områdesindelning 

från 1975, i så kallade MI-områden (miljöinventeringsområden), som 

till stor del uppfyller ovanstående kriterier. För att den skall kunna användas 

till våra ändamål, gjordes dock vissa ändringar. Dessutom uppdaterades 

denna indelning för varje FoB-tillfälle (till och med 1990) samt för förändringar 

som tillkom i efterhand (fram till 1993). 

Det gjordes en likartad indelning i grannskap i Stor-Göteborg och Stor- 

Malmö. Indelningen är en uppdatering av den områdesindelning som skapades 

för Storstadsutredningen 1989/90. 

Indelningen av regionerna i grannskap, samt indelningen av de största 

kommunerna – Stockholm, Göteborg och Malmö – i mindre delar gjordes 

efter gemensamma principer av Inregia, Malmö stad och Sydvästra Skånes 

kommunalförbund respektive Göteborgs Stad och Göteborgsregionens 

kommunalförbund. Kommunerna Stockholm, Göteborg och Malmö delades 

i mindre delar därför att de är betydligt större än de andra kommunerna 

i respektive region. Dessa kommundelar jämställdes i analyserna med de 

andra kommunerna. I vårt arbete utgår vi ifrån att boendesegregationen är 

en urban företeelse och därför bör studeras i städer. Därför har undersökningsområdet 

avgränsats till tätortsområden. Alla glesbygdsområden samt 

grannskap med färre än 500 invånare (oftast industriområden) har per 

definition inte ingått i analyserna. Det bör påpekas att eftersom städerna 

byggs ut allteftersom befolkningen ökar, ökar också antal grannskap. 

Exempelvis ökade antalet (tätbefolkade) grannskap i Stockholms län från 

245 år 1980 till 250 år 1994. 

Tabell 1. Antal grannskap i storstadsregionerna 

Region antal antal 

totalt exkl. glest befolkade 

Stor-Stockholm 328 250 

Stor-Göteborg 199 118 

Stor-Malmö 146 71 

Totalt 673 439


Stockholms region (Stockholms län) 

I Stockholms region ingår förutom Stockholms stad följande kommuner: 

Solna, Sundbyberg, Danderyd, Ekerö, Järfälla, Lidingö, Sigtuna, Sollentuna, 

Täby, Upplands-Bro, Upplands Väsby, Vallentuna, Österåker, Botkyrka, 

Haninge, Huddinge, Nacka, Salem, Tyresö, Värmdö, samt Norrtälje, 

Nynäshamn och Södertälje. Den största kommunen i Stockholms län, 

Stockholms stad, delades in i tre delar: Stockholms innerstad 2 , Stockholm 

Söderort 3 och Stockholm Västerort 4 . 

Göteborgs region 

Till Göteborgs region räknas utöver Göteborgs Stad också kommunerna 

Kungälv, Ale, Lerum, Partille, Härryda, Mölndal och Kungsbacka. Göteborgs 

Stad delades i Göteborg Södra sektor 5 , Göteborg Hisingen och Göteborg 

Norra sektor 6 . 

Malmö region 

I Malmöregionen ingår förutom Malmö stad också kommunerna Burlöv, 

Kävlinge, Lomma, Lund, Staffanstorp, Svedala, Vellinge och Trelleborg. 

Malmö stad delades i två delar: Malmö Innerstad 7 och Malmö Förort 8 . 

Det finns goda skäl till att använda sig av fler än en aggregeringsområdesnivå. 

Det finns stora skillnader mellan kommunerna med avseende på 

befolkningssammansättning och skatteuttag. Staden har förändrats med 

tiden, vissa områden har tillkommit, andra har ändrat karaktär efter 

ombyggnad. Gränserna har flyttats. Därför kan det vara lättare att följa 

utvecklingen i stora drag på en aggregerad mellanområdesnivå, där föränd- 

2 Till Stockholms Innerstad räknas följande församlingar: Domkyrkoförsamlingen (tidigare 

Storkyrkan, Klara och Jakob), Johannes, Adolf Fredrik, Gustav Vasa, Matteus, Engelbrekt, Hedvig 

Eleonora, Oscar, Kungsholm, S:t Göran, Essinge, Maria, Högalid, Katarina och Sofia. 

3 Med församlingar: Hägersten, Brännkyrka, Vantör, Enskede, Skarpnäck, Farsta och Skärholmen. 

4 Med församlingar: Bromma, Västerled, Vällingby, Spånga, Hässelby och Kista. 

5 I Göteborg Södra sektor ingår Centrala, Södra och Västra distriktet. 

6 I Göteborg Norra sektor ingår Östra och Norra distriktet. 

7 I Malmö Innerstad ingår följande stadsområden: Hamnen, Innerstaden, och en mindre del av 

Limhamn (med delområden Ribersborgsstranden, Västervång, Mellanheden, Bellevue samt Nya 

Bellevue). 

8 I Malmö Förort ingår återstående stadsområden: Kirseberg, Bunkeflo, Hyllie, Fosie, Oxie, 

Rosengård, Husie samt resterande del av Limhamn.

grannskap 75 

ringarna får större genomslagskraft, än att göra det i en region som utgör 

hela undersökningsområdet. Det ligger följaktligen ett värde i att välja 

kommuner med aggregeringar på mellannivåer då man studerar förändringar 

i bosättningsmönstret inom regionen. 

Den ekonomiska boendesegregationen: befolkningskategorier 

Den variabel som man oftast brukar använda för att operationalisera de 

ekonomiska resurserna är inkomst. Inkomst (i detta fall sammanräknad 

inkomst 9 är en relativt väl definierad variabel. Inkomstbegreppet är enhetligt 

över hela landet och inkomstdefinitionen förändras sällan. 

En svårighet vid studier av den ekonomiska boendesegregationens 

utveckling över tiden är att penningvärdet förändras med inflationen. 

Bland annat hade vi på 1970- och 1980-talen i Sverige höga inflationsnivåer. 

Detta gör att det är problematiskt att använda fasta inkomstgränser i 

analyser. För att komma förbi detta problem har andelar av hög- och/eller 

låginkomsttagare i varje område för de olika tidpunkterna beräknats. 

Gruppen inkomsttagare avgränsades till män i åldrarna 25–64 år (ej nollinkomsttagare). 

Denna begränsning görs för att undvika snedvridning i 

inkomstfördelning som annars skulle uppstå om vi inte tog hänsyn till 

arbetstidens längd och sysselsättning, och jämförde personer som har 

inkomst från heltidsarbete med dem som har inkomst från deltidsarbete 

(vilket är majoriteten av förvärvsarbetande kvinnor i Sverige) och/eller med 

de (oftast i ung ålder, 18–24 år) som utbildar sig och som följaktligen har 

mycket låga inkomster under en begränsad tidsperiod. Däremot har de 

allra flesta män i ålder 25–64 år redan avslutat sin utbildning och arbetar 

heltid. 

För att korrekt kunna jämföra andelen inkomsttagare i olika inkomstklasser 

mellan de skilda områdena borde man åldersstandardisera grupperna, 

vilket vi dock inte kunde göra. Detta medför att ett område med huvudsakligen 

äldre befolkning får en kanske något högre andel höginkomsttagare 

än ett område med huvudsakligen ung befolkning. 

9 Sammanräknad inkomst definierades fram till och med 1990 som summan av inkomst av 

tjänst, kapital, annan fastighet, tillfällig förvärvsverksamhet samt rörelse. I inkomstsummorna 

ingick skattepliktiga transfereringar. Till inkomstbegreppet fördes även sjöinkomst. Från 1991 har 

denna definition förändrats något, men detta torde endast mycket marginellt påverka de beräknade 

inkomstmått och kvoter mellan låg- och höginkomsttagare.


Inkomsttagarna delas in i tre klasser: låg-, hög- och normalinkomsttagare. 

Låginkomstgränsen (respektive höginkomstgränsen) definieras som den 

sammanräknade inkomst under (eller över) vilken 20 procent av inkomsttagarna 

i länet med de lägsta (eller högsta) inkomsterna finns. Låginkomsttagare 

(respektive höginkomsttagare) är alltså män vilkas sammanräknade 

årsinkomst understiger låginkomstgränsen (respektive överstiger höginkomstgränsen). 

Inkomstgränserna är beräknade med hela den respektive 

regionen som grund, inklusive glesbygd och industriområden. Av detta följer 

att andelen låginkomsttagare (respektive höginkomsttagare) i respektive 

region sätts definitionsmässigt till 20 procent, på samma sätt som att 

andelen mellaninkomsttagare i regionen sätts till 60 procent. 

Låginkomstgränsen (respektive höginkomstgränsen) är relativ och kan 

variera från år till år beroende på hur den genomsnittliga inkomsten förändras. 

Som framgår av nedanstående tablå förskjuts gränserna över tiden. 

De ligger också lite olika för de tre regionerna. 

Tabell 2. 

Övre gräns för låginkomsttagare Stockholms län Malmöregionen Göteborgsregionen 

1990 112 800 104 200 115 100 

1993 

Nedre gräns för höginkomsttagare 

106 800 99 800 111 700 

1990 265 100 238 200 213 500 

1993 293 000 254 700 263 000 

Det är naturligt att räkna fram gränserna för hög- respektive låginkomsttagare 

för varje region för sig. Som visats skiljer sig inkomststrukturen mellan 

regionerna och det är ju i första hand ett områdes relativa situation i regionen 

som skall beskrivas. Dessutom varierar hushållens levnadsomkostnader 

ganska mycket mellan regionerna. 

Den etniska segregationen: indelning i grupper 

Invandrare i Sverige är en mycket blandad grupp. De kommer från över 

hundra länder från alla världsdelar, vilka i varierande grad skiljer sig från 

Sverige med avseende på bland annat kulturdrag, religion, språk, urbaniserings- 

och industrialiseringsgrad samt historisk utveckling. Dessutom 

finns det stora olikheter inom den invandrade befolkningen vad gäller

grannskap 77 

utbildning samt social bakgrund, invandringsorsaker, språk och religion, 

utseende och beteende, vistelsetid i Sverige, integrationsgrad med mera. 

Inbördesskillnader inom denna grupp med avseende på en rad indikatorer 

är ofta mycket större än skillnader mellan den genomsnittlige invandraren 

och den genomsnittlige svensken. Därför är det olämpligt att behandla alla 

invandrare som en kategori. Å andra sidan är det ofta omöjligt att vid statistiska 

bearbetningar dela hela gruppen i alltför många kategorier. För att 

analysera den etniska boendesegregationen har den utrikesfödda befolkningen 

delats in i tre grupper: personer födda i Västerlandet 10 , i Östeuropa 11 

samt i länder i Sydeuropa och utanför Europa 12 , där den första kategorin 

kan betraktas som de mest osynliga invandrargrupper, den tredje kategorin 

anses vara de synliga minoriteterna och den andra kategorin intar en mellanposition. 

Visualisering av det geografiska segregationsmönstret 

Segregationsmått ger en samlad bild av segregationens omfattning inom ett 

visst område och är väl lämpad att använda för jämförelser över tid eller 

mellan olika regioner eller städer. Nackdelen med den typen av mått är att 

det är ganska abstrakt och att det följaktligen kan vara svårt att förmedla 

dess innebörd. 

Boendesegregation kan man visualisera på olika sätt. Från samhällssynpunkt 

är situationen i bostadsområden/stadsdelar, vilka beskrivs i termer 

som utsatta, resursfattiga, resurssvaga eller fattiga, mest problemfylld och 

därför mest intressant. Skildringar av denna kategori bostadsområden/stadsdelar, 

antingen uttryckta i kvalitativa, beskrivande termer, eller 

i siffror, är vanligt förekommande. Ett ofta använt alternativ är att beskriva 

10 Västerlandet: Västeuropa, Norden, övriga: Danmark, Island, Norge, Finland, Belgien, Frankrike, 

Irland, Liechtenstein, Luxemburg, Nederländerna, Schweiz, Storbritannien, Tyskland, 

(Förbundsrepubliken Tyskland, Saar, Tyska demokratiska republiken), Österrike, Australien, Nya 

Zeeland, Kanada och USA. 

11 Östeuropa: Albanien, Bulgarien, Estland, Lettland, Litauen, Polen, (Danzig), Rumänien, f.d. 

Tjeckoslovakien, Slovakien, Tjeckien, Ungern, f. d Sovjetunion, Ryssland, Moldavien, Ukraina, 

Vitryssland. 

12 Sydeuropa och utanför Europa f.d. Jugoslavien, Bosnien-H, Kroatien, Makedonien, Slovenien, 

Jugoslavien, Grekland, Italien, Portugal, Spanien, Vatikanstaten, Andorra, Monaco, Malta, San 

Marino, Turkiet, Afrika, Asien, Latinamerika.


segregation genom att visa fördelningen över delområdena av en specifik 

grupp, exempelvis socialbidragstagare, låginkomsttagare eller invandrare. 

En stor fördel med en sådan fördelning är att den är lämplig att visa på 

karta och att dess innebörd är lätt att förstå. Svagheten är att man på detta 

sätt inte relaterar till befolkningssammansättningen i hela undersökningsområdet. 

Skildringar av denna typ ger inte någon djupare uppfattning 

om segregationens grad eller omfattning i stadens perspektiv. 

Utgångspunkten vid en klassindelning i denna rapport är att de socialt 

utsatta områdena är sådana inte enbart därför att det finns många resurssvaga 

invånare där, utan också därför att det finns få resursstarka inom 

området. Även om resursstyrka här definieras enbart i ekonomiska termer, 

kan vi förutsätta att högre inkomstnivåer går hand i hand med bättre 

utbildning, högre samhällskompetens samt ökad förmåga att se till sina 

behov. Sådana hushåll efterfrågar till exempel en viss servicenivå och har 

kraft att göra sig hörda när det gäller att ställa krav på kvaliteten på det 

offentliga och kommersiella utbudet. Detta innebär att närvaro av 

resursstarka hushåll inom ett bostadsområde är en stabiliserande faktor 

och kan vara till fördel för hela området. Proportionen av resursstarka och 

resurssvaga invånare påverkar områdenas sociala karaktär och potential. 

Överrepresentation av låginkomsttagare (i förhållande till regionsgenomsnittet) 

förmedlar följaktligen inte hela bilden. Ett exempel kan vara 

jämförelsen mellan två områden 13 där det 1990 fanns ungefär samma höga 

andel låginkomsttagare – cirka 31 procent. Emellertid var andelen höginkomsttagare 

i området A 20 procent, eller lika med regiongenomsnittet, 

medan den i området B var cirka 10 procent, alltså två gånger lägre än regiongenomsnittet. 

Slutsatsen att B är ett mycket mera utsatt område än A, 

bekräftas av sammanställningen av andra välfärdsvariabler för dessa 

områden. Detta visar på behovet av en kategoriseringsmetod där man tar 

fasta på vilket storleksförhållande som råder mellan olika befolkningsgrupper. 

Liknande synsätt kan tillämpas när det gäller att fastställa områdenas 

etniska karaktär. Det är inte enbart höga andelar av invånare tillhörande 

synliga minoriteter som bestämmer områdens karaktär. Lika viktigt – om 

inte viktigare – i detta sammanhang är frånvaro av svenskar. I sin roll som 

13 I Stockholms län.

grannskap 79 

majoritetens medlemmar representerar svenskarna en beteendemässig och 

språkmässig norm. Deras frånvaro gör att ett bostadsområde eller en stadsdel 

saknar en normativ faktor som länkar området med omgivande samhället 

och underlättar integrationen. 

För att på ett enkelt sätt åskådliggöra det geografiska segregationsmönstret 

tillskriver vi olika bostadsområden olika ekonomisk eller etnisk 

status. Klassningen efter ekonomisk status baseras på förekomst av såväl 

den resursstarkaste som den resurssvagaste gruppen inom området. På 

motsvarande sätt baseras klassningen efter etnisk status på förekomsten av 

såväl svenskar som synliga minoriteter inom området. 

Det bör påpekas att områdenas status förändras med tiden. Detta innebär 

att om vid en tidpunkt exempelvis 15 procent av regionens totalbefolkning 

bodde i områden som tillhörde kategorin resursstarka (oberoende av 

på vilket sätt man genomförde kategoriseringen), och om det efter fem år är 

bara 10 procent av regionens invånare som bor där, behöver det inte betyda 

att människor som bott i denna områdeskategori flyttade ut. Det kan också 

vara så att en del av dem fick så mycket lägre inkomster, att ett eller två av 

de förutvarande resursstarka grannskapen fick en annan, lägre status. 

Sådana processer kan också utgöra en utgångspunkt när man kategoriserar 

de urbana bostadsområdena. Således, i stället för att utgå ifrån vilken 

status de hade vid en given tidpunkt, kan man grunda sin indelning på vilken 

typ av statusförändringar de hade genomgått under en bestämd tidsperiod 

– om de blivit rikare, fattigare, mer integrerade, alternativt behållit 

samma status under hela perioden. 

Indelning i områdestyper efter ekonomisk status 

Klassningen av bostadsområden (3) baseras på kvoten mellan andelen 

invånare som är ekonomiskt resurssvaga (låginkomsttagare) och andelen 

invånare som är ekonomiskt resursstarka (höginkomsttagare) (LH-kvoten). 

Resultatet blir då jämförbart såväl över tiden som mellan olika regioner. 

Kvotvärdet för resursstarka områden, där höginkomsttagare är många 

fler än låginkomsttagare, är mycket mindre än 1. På motsvarande sätt har 

områdena med många fler låginkomsttagare än höginkomsttagare kvotvärde 

som många gånger överstiger 1. I de heterogena områdena, där andelarna 

låg- respektive höginkomsttagare inte skiljer sig alltför mycket åt, är 

kvoten omkring 1. Dessa områden uppvisar samma befolkningssamman-


sättning med avseende på förekomsten av olika inkomsttagarkategorier 

som hela regionen, och kan därför kallas för integrerade i ekonomiskt hänseende. 

Bostadsområdena har indelats i klasser, i första hand efter kvotens storlek, 

kompletterat med vissa gränsvillkor. Följande åtta områdestyper har 

särskiljts: 

Tabell 3. 

Klassindelning av grannskap i områdestyper efter ekonomisk status 

Områdestyp med avseende på ekonomisk status Kvot låg-/höginkomsttagare 

Homogena 1 Mycket resursstarka under 0,25 

rika 2 Resursstarka 0,25–0,49 

3 Integrerade resursstarka 0,50–0,79 

Integrerade 4 Integrerade 0,80–1,24 

5 Integrerade resurssvaga 1,25–1,99 

Homogena 6 Resurssvaga 2,00–3,99 

fattiga 7 Mycket resurssvaga 4,00–9,99 

8 Resursfattiga 10,00 och högre 

Klassindelningen är inte helt symmetrisk vad gäller graden av homogenitet. 

Motsvarigheten till områdeskategorin mycket resursstarka är en sammanslagning 

av två kategorier: mycket resurssvaga och resursfattiga. 

Resurssvagaste grannskap indelas på finare sätt eftersom intresset är fokuserat 

på dessa mest utsatta bostadsområden. 

De bostadsområden som identifierats som mycket resursstarka respektive 

mycket resurssvaga och resursfattiga är på olika sätt mycket homogena 

med avseende på invånarnas ekonomiska resurser. I den ena kategorin bor 

till övervägande del höginkomsttagare och nästan inga låginkomsttagare, 

medan förhållandena är omvända i den andra kategorin. Ibland har tre 

bredare klasser använts som förenklat benämns homogena rika, integrerade 

och homogena fattiga. 

Indelning i områdestyper efter etnisk status 

Synliga minoriteter 

Begreppet invandrare håller på att förlora sin ursprungliga betydelse (personer 

som har invandrat) och numera kommit att omfatta grupper som 

ibland avgränsas på ett mycket snävt sätt (till exempel invandrade personer

grannskap 81 

som är ej flyktingar), och ibland definieras på ett sätt som är brett och 

mycket svävande (till exempel alla invandrade personer, deras barn och 

barnbarn). Dessutom skapar termen ett intryck att gruppen är homogen, 

fast den enda säkra likheten invandrare emellan är deras erfarenhet av att 

flytta från ett land till ett annat. Begreppet invandrare har alltså blivit något 

diffust och följaktligen mindre användbart. Detta påkallar ett behov att i 

stället införa andra benämningar. Förslagsvis kan man använda termer som 

synliga och osynliga minoriteter. Begreppen minoritet och majoritet relateras 

här främst till maktförhållanden mellan etniska grupper i samhället, i 

termer av underordning och dominans, och inte till de numerära förhållandena 

mellan dem, och inte heller till deras lagliga status. 

I Kanada är begreppet synliga minoriteter (visible minorities omfattar 

där svarta samt personer med ursprung i Latinamerika, Asien och Afrika) 

väletablerat sedan ett antal år tillbaka. Man uppmärksammar deras situation 

på arbetsmarknaden med avseende på deras deltagande i arbetskraften 

(lägre i förhållande till deras andel i befolkning), löneinkomster (lägre än 

befolkningens i genomsnitt), diskriminering och så vidare. Det finns också 

ett antal policyåtgärder med syfte att förbättra deras situation. Synliga 

minoriteter är också sårbara minoriteter. I det nordamerikanska och det 

kanadensiska samhället är det personer, oftast med ursprung i Tredje världens 

länder, som, generellt sett, utgör den huvudsakliga måltavlan för 

rasism och diskriminering. Dessa grupper är av majoriteten kollektivt 

betraktade som ”ej vita” alternativt som ”ej européer”. En del synliga 

minoriteter, nämligen sådana som kommer från Kina, Japan och sydöstra 

Asien, tillskrivs vanligen mer positiv image än minoriteter med ursprung i 

södra Asien eller svarta. Denna mer synliga grupp är för det mesta nöjd 

med att leva i Kanada, men i jämförelse med mindre synliga minoriteter (till 

exempel italienare, portugiser eller judar) anser de, med tanke på fördomar 

och diskriminering, att de har sämre livsmöjligheter än andra kanadensare, 

speciellt på arbetsmarknad (4). 

Dessa etniska minoritetsgrupper exkluderas och avhålles systematiskt 

från fullt deltagande i det kanadensiska majoritetssamhället. Synliga minoriteter 

kan på grund av rasistiska fördomar och diskriminering fångas in i 

en socioekonomisk återvändsgränd så att deras tillgång till hela spektrat av 

arbetsmöjligheter (job opportunities) och andra socioekonomiska resurser 

i samhället, kan vara begränsad. Det visar sig att de osynliga minoriteterna


(i det kanadensiska samhället – personer med ursprung i Europa) får högre 

inkomstmässigt utbyte från sin utbildning och arbetslivserfarenhet än alla 

de synliga minoriteterna. Denna skillnad är med största sannolikhet relaterad 

till existerande fördomar och diskriminering. Slutsatsen är att själva 

synligheten som sådan på ett påvisbart sätt ökar inkomstfördelningens 

ojämlikhet (5). Skillnaden mellan de synliga och osynliga minoriteterna 

märks även på bostadsmarknaden. Graden av boendesegregation i kanadensiska 

städer är mycket högre i det första fallet (6). 

När det gäller Europa är det väl dokumenterat att systematisk etnisk 

diskriminering i allmänhet är utbredd i EU-länder och att den i synnerhet är 

riktad mot synliga etniska minoritetsgrupper. Uttryck för denna diskriminering 

är att deras situation, jämfört med majoritetsgrupper och osynliga 

etniska minoritetsgrupper, är sämst vad gäller position på bostadsmarknad, 

utbildning, hälsa och arbetsmarknad. I dagens västeuropeiska länder 

refererar begreppet synliga etniska minoriteter till en mycket stor och heterogen 

grupp av människor, inklusive afrikaner (svarta), asiater, zigenare 

(romer), judar, muslimer, turkar och sådana européer vilkas fenotyp (utseende) 

och/eller beteende betraktas såsom ej vit av majoritetsbefolkningen i 

respektive land. En uppfattning om vilken grupp som är synlig eller osynlig 

varierar mellan olika länder – exempelvis irländare kunde vara igenkända 

som de andra i Storbritannien eller USA, men inte i andra europeiska länder. 

Den diskriminering som förekommer i de olika EU-länderna riktas mot 

olika minoritetsgrupper och sättet på vilket den uttrycks varierar från land 

till land (7). Allt tyder på att det även i Sverige är synligheten snarare än 

ursprunget som spelar störst roll när det gäller diskriminering, deltagande 

på arbetsmarknaden eller boendeförhållanden. 

Vi har tagit fasta på dessa tankegångar och delat in den utrikesfödda 

befolkningen i synliga och osynliga minoriteter. Indelningen grundas på 

resultat i flera undersökningar som hittills har genomförts i Sverige och 

som visar hur olika svenskarna uppskattar olikhetsgraden (8) mellan dem 

själva och olika minoritetsgrupper. Resultaten visar också att det finns 

stora skillnader mellan invandrargrupper med ursprung i olika länder när 

det gäller deras ställning på arbetsmarknaden och vad det gäller arbetslöshet 

och inkomster (9, 10), upplevelse av diskriminering med mera. Med 

synliga minoritetsgrupper refererar vi till invandrare med ursprung i Sydeuropa 

och utanför Europa, och när det gäller osynliga minoritetsgrupper

grannskap 83 

till invandrare från Norden, Väst- och Östeuropa, samt USA, Kanada och 

Australien. 

Mått på relativ etnisk sammansättning (RES) i grannskap 

Relativ etnisk sammansättning (RES) är ett mått som anger grannskapets 

etniska sammansättning i relation till den etniska sammansättningen hos 

befolkningen i hela regionen. 

Det definieras som kvoten mellan andelen personer tillhörande synliga 

minoriteter (födda i Sydeuropa och i länder utanför Europa, exklusive 

USA, Kanada, Australien och Nya Zeeland) och andelen personer födda i 

Sverige, av totalbefolkning i ett grannskap. För att relatera måttet till förhållandena 

som råder i respektive region, dividerar man det med motsvarande 

kvot mellan respektive befolkningsgruppers andelar av totalbefolkningen 

i regionen. 

i i/s i 

RES= IR/S R 

(1) ii andelen personer födda i Sydeuropa och utanför Europa 

(exklusive USA, Kanada, Australien och Nya Zeeland) av den 

totala populationen i ett grannskap i 

(2) si andelen personer födda i Sverige av den totala populationen i 

ett grannskap i 

(3) I R andelen personer födda i Sydeuropa och utanför Europa 

(exklusive USA, Kanada, Australien och Nya Zeeland) av den 

totala populationen i en region R 

(4) S R andelen personer födda i Sverige av den totala populationen i 

en region R 

De delområden som har RES nära 1 har en befolkning vars etniska 

sammansättning liknar den i regionen. Därför kallas dessa delområden för 

integrerade, för om alla delområden i regionen hade en sådan befolkningssammansättning, 

så skulle det inte förekomma någon segregation. Om RES 

är mycket mindre än 1, betyder det att befolkningen huvudsakligen är född 

i Sverige och att inslaget av invandrare i områdets befolkning är litet, mycket 

mindre än i regionen som helhet. Om delområdets RES är mycket större än 1,


betyder det att det finns en betydande koncentration av synliga minoriteter, 

och att andelen personer födda i Sverige är liten i förhållande till situationen 

i regionen. 

På samma sätt som vid indelningen av områden efter ekonomisk status 

var utgångspunkten vid indelningen efter etnisk status, att man mera noggrant 

vill följa processerna i områden med stora koncentrationer av etniska 

minoriteter. Därför är inte heller den här klassindelningen helt symmetrisk. 

Det är alltså två områdeskategorier, områdena med stora och mycket stora 

koncentrationer av synliga minoriteter som utgör motsvarigheten till 

områdeskategorin mycket homogen svensk befolkning. 

Tabell 4. 

Klassindelning av grannskap i områdestyper efter etnisk status 

Områdestyp med avseende på etnisk status RES 

Homogena 1 Mycket homogen svensk befolkning under 0,25 

Svenska 2 Homogen svensk befolkning 0,25–0,49 

3 Integrerade, svenskt prägel 0,50–0,79 

Integrerade 4 Integrerade 0,80–1,24 

5 Integrerade, prägel av synliga minoriteter 1,25–1,99 

Koncentration 6 Koncentration av synliga minoriteter 2,00–3,99 

av synliga 7 Stor koncentration av synliga minoriteter 4,00–9,99 

minoriteter 8 Mycket stor koncentration av synliga minoriteter 10,00 och högre 

Man kan ibland använda tre bredare klasser som förenklat benämns 

homogena svenska, integrerade och koncentration av synliga minoriteter.

Referenser 

grannskap 85 

1. Arnell-Gustafsson U. Blanda eller utjämna? Om strategier mot boendesegregation. 

Meddelande M83:33. Gävle: Statens institut för byggnadsforskning; 

1983. 

2. Walldén M. Social Distance and Residential Segregation – The cases of 

Stockholm and Budapest. In: Bergryd U, Jansson C-G, editors. Sociological 

Miscellany. Stockholm: Department of Sociology, University of 

Stockholm; 1987. pp. 196-212. 

3. Biterman D. Klassindelning av bostadsområden med avseende på sociala 

förhållanden och typ av social utveckling. Intern promemoria. Inregia 

AB; 1995. 

4. Naidoo JC, Edwards RG. Combating Racism involving Visible Minorities. 

Canadian Social Work Review Summer 1991;Vol 8(2):211-36. 

5. Hou F, Balakrishnan TR. The Integration of Visible Minorities in Contemporary 

Canadian Society. Canadian Journal of Sociology 

1996;21(3):307-26. 

6. Breton M, Isajiw WW, Kalbach WE, Reitz JG. Ethnic Identity and Equality: Varieties 

of Experience in a Canadian City. University of Toronto Press; 

1990. 

7. Baibridge M, Burkitt B, Macey M. The Maastricht Treaty; exacerbating 

racism in Europe? Ethnic and Racial Studies July 1994;Vol. 17(3):420- 

41. 

8. Lange A. Invandrare om diskriminering. Stockholm: CEIFO och SCB; 

1995. Invandrare om diskriminering II. Stockholm: CEIFO och SCB; 

1996. 

9. Ekberg J, Gustafsson B. Invandrare på arbetsmarknaden. Stockholm: SNS 

Förlag; 1995. 

10. Ekberg J, Andersson L. Invandring, sysselsättning och ekonomiska effekter. 

Ds 1995:98. Stockholm: Finansdepartementet; 1995.

5. 


EPIDEMIOLOGISK STUDIEDESIGN, 

EKOLOGISK STUDIE OCH 

EKOLOGISK BIAS Owe Löfman


5. 

epidemiologisk studiedesign, ekologisk studie och ekologisk bias 89 

EPIDEMIOLOGISK STUDIEDESIGN, 

EKOLOGISK STUDIE OCH 

EKOLOGISK BIAS Owe Löfman 

”There are only a handful of ways to do a study properly but a thousand 

ways to do it wrong.” – David Sackett 

Valet av design för en epidemiologisk studie är viktigt med tanke på frågeställning, 

budget och typ av data (1). När man karterar sjukdomars utbredning 

är ansatsen oftast deskriptiv, till exempel då man gör en atlas som 

beskriver var en viss cancerdiagnos förekommer. En speciell ställning intar 

den ekologiska studiedesignen, dels på grund av att den har en del fallgropar 

som är viktiga att känna till när resultaten utvärderas (ekologisk 

bias, ecological fallacy), men även för att den har en given plats i den 

rumsliga epidemiologin (kartering av exponering och hälsoutfall) det vill 

säga i studier där ofta geografiska informationssystem används för jämförelse 

mellan områden. 

I den ekologiska studien analyserar (jämför) man sambandet mellan 

utbredningen av en sjukdoms förmodade orsak/er och själva sjukdomen på 

en aggregerad nivå. Det kan till exempel gälla en fysisk exponering i yttre 

miljö och insjuknande i en specifik sjukdom, där man jämför den etiologiska 

faktorns förekomst och sjukdomens utbredning med observationer som 

aggregerats på områden. Detta gäller såväl exponeringsobservationer å ena 

sidan som friska, respektive sjuka individer å den andra. Aggregaten 

(områdena) kan vara olika stora, beroende på att man inte har tillgång till 

högupplösta data eller på grund av att de förts samman medvetet av 

integritetsskäl.


I vissa studiedesigner som tvärsnittsstudier (cross-sectional study) kan 

man inte ens rent teoretiskt påvisa ett äkta kausalsamband även om stark 

statistisk association kan tala för att så är fallet. För att påvisa kausalsamband 

är en longitudinell studie det bästa valet, antingen en fall-kontrollstudie 

(case-control study) eller en kohortstudie (se nedan). Det finns även 

kombinationer eller varianter av dessa studiedesigner (se epidemiologiska 

läroböcker exempelvis Rothmans Modern epidemiologi (2). 

Nedan ges först en kort översikt av de vanligaste typerna av epidemiologisk 

studiedesign och därefter den ekologiska studietypens särdrag, dess 

för- och nackdelar. 

Epidemiologisk studiedesign 

Epidemiologiska studier klassas av tradition som deskriptiva och/eller analytiska 

samt som observerande eller experimentella. I den idealiska situationen 

har undersökaren alla instrument i sina händer för att kunna manipulera 

exponering eller intervention för att sedan kunna studera 

hälsoutfall. Detta beskriver situationen vid en experimentell situation 

(experimentella studier). I praktiken sätter dock ofta etiska aspekter och 

kostnader upp hinder för den typen av studier på människor och att dra 

slutsatser från djurförsök till människa är ofta vanskligt. Flertalet epidemiologiska 

studier är därför observerande (observationella studier). I den 

observerande studien mäter undersökaren exponering eller intervention 

och hälsoutfall men intervenerar inte själv. Det är något av att beskriva 

naturens eget experiment. Om exempelvis sambandet mellan rökning och 

hjärtinfarkt studeras påverkar inte undersökaren vem som röker eller hur 

mycket. I spännvidden av olika observerande studier finns allt från deskriptiva 

studier och ekologiska studier till starkare designmodeller som fallkontrollstudier 

och kohortstudier. 

Vid bedömning av statistiska samband i studier mellan exempelvis 

exponering och hälsoutfall är det viktigt att ta hänsyn till fyndens relevans. 

Ibland rör det sig om ett äkta kausalsamband men det kan även vara ett 

nonsenssamband och ibland korrelerar två variabler via en confounder, se 

figur 1.


Confounders – förväxlingsfaktorer 


Figur 1. Samband mellan exponering och sjukdom i olika kausala förhållanden och 

förekomst av confounder. 

En vanlig confounder är exempelvis rökning som måste hållas 

konstant i studier av till exempel ischemisk hjärtsjukdom och lungcancer. 

Detta kan göras som en stratifierad analys eller genom standardisering. 

En typ av faktorer som i många studier visat sig påverka sjukdomsincidens 

är de socioekonomiska. Dessa faktorer samvarierar med 

livsvillkor, levnadsförhållanden och livsstil och kan påverka hälsoutfallet 

i en befolkning. I en del studier försöker man därför kombinera 

olika socioekonomiska variabler som inkomst, utbildningsnivå, 

bostadstyp, bidrag från sociala försäkringar med mera, i ett index 

(deprivation index) och använda detta för standardisering. Detta 

medför att de riskfaktorer och samband man önskar studera kan 

justeras för socioekonomi om denna faktor kan hållas konstant i 

olika strata.


Kausalitet 

Vid alla typer av studier bör resultaten bedömas utifrån möjligheten av att 

eventuellt funna samband kan vara orsaksrelaterade, kausala, och i de fallen 

är det en fördel att känna till några av de kriterier som uppställts av 

olika forskare. En av dessa är Bradford Hill (3) med sina så kallade Hills 

kriterier, en annan är Kenneth Rothman med sin pajmodell (2). 

Hills sex viktigaste kriterier är: 

1 Konsistens hos sambandet (Consistency) 

2. Styrkan i samband (Strength of association) 

3. Dos-responssamband (Dose-response relationship) 

4. Sambandets specificitet (Specificity of association) 

5. Tidssamband (Temporal relationship) 

6. Koherens (Coherence). 

1. Med konsistens avses att flera studier med olika design, eventuellt 

genomförda vid olika tider och på olika populationer kommit fram 

till liknande resultat. 

2. Ett starkt statistiskt samband (mätt som exempelvis relativ risk) talar 

för ett kausalsamband. 

3. Om ett dos-responssamband kan påvisas talar detta ytterligare för 

orsakssamband. 

4. En hög specificitet hos faktorn, det vill säga i vilken grad en exponering 

ger en särskild sjukdom, talar för ett orsakssamband. 

5. Tidssambandet innebär att orsak skall komma före verkan, det vill 

säga exponering måste föregå sjukdom. 

6. Koherens är i detta sammanhang detsamma som biologisk plausibilitet, 

det vill säga är det rimligt/sannolikt att detta samband existerar – 

utifrån en tidigare kunskap, exempelvis inhämtad från djurexperimentella 

studier. 

Deskriptiva studier 

En deskriptiv studie anses ofta ha en ”svag” epidemiologisk design. Med 

svag avses då framför allt förmågan att bevisa ett orsakssamband (kausalitet) 

även om studien kan ha andra fördelar. Undersökaren beskriver hälsoläge 

och andra karakteristika för en befolkningsgrupp eller för en grupp


patienter i enlighet med det klassiska paradigmet tid-plats-person. Studietypen 

syftar inte till att försöka knyta ihop sambandet mellan orsak och 

verkan (exponering och hälsoutfall) och lämnar därmed frågor om kausalitet 

obesvarade. Den deskriptiva studien är dock ofta det första steget till en 

välkontrollerad epidemiologisk studie. Den är hypotesgenererande och ger 

underlag för en fördjupad studie med longitudinell välkontrollerad design. 

Ett exempel är Gottliebs första deskriptiva ansats att beskriva den ovanliga 

formen av pneumocystis carinii-pneumoni hos unga manliga homosexuella 

1981, något som ledde fram till avslöjandet av hiv-infektionen (4). 

Ekologiska studier 

Ekologiska studier belastas framför allt med svagheter som har sitt 

ursprung i att samband studeras på olika mätentiteter (exempelvis geografiska 

nivåer av upplösning 1 vilka dels kan utgöra aggregat av data, till 

exempel för grupper i befolkningen eller geografiska områden, dels data på 

individnivå. Ett exempel är att jämföra förekomst av en sjukdom och riskfaktorer 

mellan länder. Trots de inbyggda svagheterna avslöjades emellertid 

på detta sätt sambandet mellan kolesterol och risken för ischemisk 

hjärtsjukdom med Finland och Japan som ytterligheterna med högt respektive 

lågt serumkolesterol och dito incidens i hjärtinfarkt. På samma sätt 

avslöjades det negativa sambandet med malariaincidens och sicklecellanemi, 

där den senare sjukdomen skyddar för malaria. Ytterligare ett exempel 

är studiet av sambandet mellan rökning och lungcancer samt kön (där 

männen rökte mer och hade större risk att få lungcancer). Den ekologiska 

studiedesignen har sitt största värde i att generera hypoteser medan möjligheten 

att dra slutsatser om orsakerna från resultaten kan begränsas av problem 

med bristande kontroll av confounders. 

Tvärsnittsstudier 

I denna design mäts till exempel exponering och hälsoutfall vid en punkt på 

tidsaxeln. Den typiska tvärsnittsstudien mäter prevalens av sjukdom och 

olika potentiella riskfaktorer vid en tidpunkt. Utan en inbyggd tidsaxel i 

studien blir det därför svårt att mäta incidens och dra slutsatser om kausa- 

1 Upplösning: geografisk noggrannhet, ett uttryck för hur små detaljer man kan urskilja på en 

karta, en flygbild eller ett satellitfoto.


litet. Däremot ger tvärsnittsstudien en god uppfattning om en sjukdoms 

prevalens och beskriver därmed hälsoläget i en befolkning. Huvudproblemet 

med tvärsnittsstudien är alltså att exponering och hälsoutfall mäts 

simultant, det vill säga vid samma tidpunkt. Därför blir det svårt att avgöra 

om exponeringen eller hälsoutfallet inträffade först. 

Fall-kontrollstudien 

I fall-kontrollstudien jämförs de som inte drabbats av den studerade sjukdomen 

(kontroller) med dem som fått sjukdomen (fallen) med avseende på 

exponering. Genom att exponeringsdata samlas bakåt i tiden kallas denna 

design även retrospektiv. Sambandsmåttet utgör Odds Ratio (OR) och 

beskriver risken för att ett fall är exponerat jämfört med risken hos kontroller. 

Äkta incidensestimat kan inte göras utifrån fall-kontrollstudiens 

design, men om sjukdomen är ovanlig utgör OR ett ganska bra mått på 

relativ risk (RR) (se figur 2). 

Jämför 

rater 

Figur 2. Principen för kontrollstudien. 

Riskfaktorer finns 

Riskfaktorer saknas 

Riskfaktorer finns 

Riskfaktorer saknas 

Fall-kontrollstudien är enklare i sitt genomförande och kan utföras med 

mindre resurser än kohortstudien (se nedan) och lämpar sig därmed även 

för mer ovanliga sjukdoma 

Kohortstudien 

Kohortstudien anses som den starkaste studiedesignen av alla observerande 

studietyper. Idén går ut på att mäta och jämföra incidensen av sjukdom i 

Fall 

Kontroller


två eller flera studiekohorter. Ordet kohort härstammar från den tiondel av 

en antik romersk legion som delade liknande egenskaper och motsvaras i 

epidemiologin av en grupp människor som delar gemensamma egenskaper, 

livsvillkor eller exponeringar. Så utgör exempelvis en födelsekohort en 

grupp individer som delar egenskapen att vara födda samma år, liksom en 

yrkesgrupp med samma typ av exponering kan vara en kohort. En annan 

kohort utgörs av de individer som inte delar denna egenskap – den så kallade 

kontrollkohorten. Ett klassiskt exempel på kohortstudie utgör Dolls och 

Hills studie 1961 av en grupp rökare (5) som följdes upp med avseende på 

lungcancer. En kontrollkohort av icke-rökare utgjorde kontrollgrupp och 

utfallsmåttet (endpoint) var skillnaden i lungcancer-insjuknande mellan 

rökarna och icke-rökarna. Vanligtvis matchas de två kohorterna med avseende 

på kön, ålder och andra confounders för att jämförelsen skall bli så 

valid som möjligt. 

De flesta kohorter är prospektiva, det vill säga grupperna följs framåt i 

tiden, och kallas även longitudinella eftersom en tidsaxel inkluderats i studien. 

Om utfallet (endpoint) utgör insjuknande jämförs incidensen i de 

bägge kohorterna och beskrivs i termer av relativ risk (RR, Risk Ratio) där 

relativ risk är incidensen i exponerad kohort/incidensen i den oexponerade 

kohorten. Den relativa risken mäter alltså sambandet mellan exponering 

och hälsoutfall. Kohortstudien är kostsam och tidsödande att genomföra, 

speciellt för ovanliga sjukdomar (låg incidens), och är därför mer använd 

för sjukdomar med relativt hög incidens. 

Exponerad för riskfaktor 

Ej exponerad för riskfaktor 

Figur 3. Kohortdesign 

Insjuknade 

Ej insjuknade 

Insjuknade 

Ej insjuknade 

Jämför 

kvoterna


Områdesvisa studier med ekologisk design: för- och nackdelar 

Med ökat antal populationsbaserade studier har intresset för ekologiska 

studier fått ett förnyat intresse i syfte att definiera viktiga folkhälsoproblem 

och för att generera hypoteser om deras eventuella orsaker (6). Det har 

även visats att vissa riskfaktorer för sjukdom verkligen opererar på befolkningsnivå. 

Det viktigaste kännetecknet hos en ekologisk (eller aggregerad 

studie) är att exponeringsnivån hos individen inte är kopplad till sjukdomsnivån 

hos dessa individer. Fördelen med den ekologiska studien och att 

använda moderna mjukvaror för geografiska informationssystem, exempelvis 

ArcGis® och MapInfo®, är att mycket stora surveyundersökningar 

omfattande flera hundra tusen individer är möjliga att utföra på ett kostnadseffektivt 

sätt. Nackdelen är, till skillnad från traditionell longitudinell 

epidemiologisk studiedesign, att databaserna vanligtvis byggs upp av data 

från olika register och att tillgången på information om confounders är 

sparsamma i dessa, förutom att kön och ålder vanligtvis är kända. 

Ekologiska studier kan vara allt ifrån explorativa, där det geografiska 

mönstret studeras, och i sin enklaste form är en jämförelse mellan sjukdomsrater 

i olika geografiska områden, till studier av tids-rumskluster. Det 

finns olika varianter och kombinationer av ekologiska studier, se till exempel 

Morgenstern och Thomas (7). Med ökad GIS-användning i den rumsliga 

epidemiologien är det viktigt att känna till studiedesignens svagheter. 

Den ekologiska studien syftar ofta till att relatera en sjukdomsincidens i 

olika områden till någon mätbar förklarande variabel som kan tänkas ha 

med sjukdomens uppkomst (etiologi) att göra. 

Sambandet kan exempelvis åskådliggöras i en regressionsanalys mellan 

sjukdomsincidens och förklaringsvariabel. Sambandet mellan dessa variabler 

är rent statistiska och behöver inte nödvändigtvis ha ett kausalt samband, 

eftersom relationen mäts på aggregerad nivå och kan ses som relationen 

mellan medelvärden för områden. Ibland finns data på två olika 

skalnivåer, exempelvis hälsoutfall på individnivå och exponering (förklaringsvariabel) 

på aggregerad (areell) nivå, det vill säga områdesnivå. Den 

ekologiska fallgropen uppstår när sådana medelvärden för ett område tillskrivs 

alla individer inom området, vilket kan vara sant men inte behöver 

vara det. 

Alla analyser som är baserade på områdesnivå är behäftade med denna 

risk, men ju mindre områdena är, desto mindre tenderar risken för ekolo-


giska felslut att bli. Detsamma gäller för analys av mindre subgrupper inom 

området med det mest optimala exemplet att analysera sambanden på individnivå. 

(Ibland talas även om motsatsen – the atomistic fallacy – som 

inträffar då en analys är baserad på individer och variationen mellan dessa 

inte beaktas när inferens dras till områdesnivån). 

Ekologisk snedvridning (bias) 

I den ekologiska studiedesignen finns en del fallgropar när konklusioner 

skall dras, som är viktiga att känna till (ekologisk bias, ecological fallacy, 

cross level bias). Designen har emellertid en allt större plats i vad man kan 

kalla den spatiala – eller rumsliga – epidemiologin (kartering av exponering 

och hälsoutfall jämförda för olika områden), det vill säga i epidemiologiska 

studier där geografiska informationssystem ofta används. 

Ekologisk bias, ett uttryck som sägs ha myntats av Selvin 1958 (8), men 

egentligen beskrevs redan av Robinson 1950 (9) när korrelationskoefficienterna 

för samband på individ- respektive gruppnivå jämfördes. Ekologisk 

bias kan definieras som skillnaden i samband (riskestimat) mellan 

individuell och aggregerad (grupp-) nivå och problemet tycks först ha 

behandlats i den sociologiska litteraturen. Alla former av studier där olika 

skalnivåer används för exponering och hälsoutfall är behäftade med denna 

risk (7). I Sverige (och övriga nordiska länder) kan hälsoutfallsdata vanligtvis 

erhållas på individnivå medan exponering ofta utgör ett medelvärde för 

ett område (aggregat). Ju större detta område är, desto större är också risken 

för en heterogen exponering för individer och grupper inom området. 

Mindre områden ger vanligen säkrare exponeringsstimat, men belastas av 

risken för större slumpvis osäkerhet i talen för sjukdomsincidens eller SMR 

(Standard Morbidity/Mortality Ratio) och dessutom av risken för att inoch 

utmigration i området påverkar resultatet. 

Ett försök att klargöra begreppen gjordes till exempel av S Richardson 

(1992) (10) som poängterade vikten av följande: 

1. Skillnaden mellan den teoretiska formen av ett individuellt doseffektsamband 

och det samband som erhålls som ett genomsnitt för 

en grupp individer (dos-respons). 

2. Om man utgår från N områden (grupper), kan den totala variationen 

och co-variationen i ett område delas upp i en genomsnittlig inom


variation i respektive grupp (område) och motsvarande variation 

mellan grupperna (områdena, mellanvariation). 

3. Ett lineärt dos-effektsamband inom varje grupp (område) kan 

jämföras med estimerat ekologiskt samband baserad på sambandet 

mellan N gruppers (områdens) medelvärde av sambandet inom dessa 

N grupper. 

Det är förstås viktigt att åstadkomma ett så korrekt estimat av (medel-) 

exponeringen för varje grupp som möjligt. Om exponeringen är mycket 

heterogen finns risk för felklassificering (misclassification bias) och då 

minskar förutsättningarna för ett korrekt estimat. För kroniska sjukdomar 

hos vuxna, kan den relevanta exponeringen dessutom ligga långt tillbaka i 

tiden (för vuxentumörer kanske flera decennier) och hänsyn måste då tas 

till denna fördröjning mellan exponering och sjukdomsutbrott. Förhållandena 

är enklare vid studier av sjukdomar med kort latenstid och för väldefinierade 

grupper. Ett exempel på sjukdomar med kort latenstid är barntumörer. 

Sålunda kan studier av barnleukemi efter Tjernobylolyckan lätt 

identifiera exponering under den känsliga första trimestern av graviditeten 

om man räknar bakåt från barnens födelsedatum. 

Ett annat problem vid studier av sjukdomar med lång latenstid (och 

långa tidsperioder) är att inoch utflyttning i ett område ökar med tiden. 

Detta leder till ett optimeringsproblem eftersom studier baserade på små 

områden tenderar att ha en mer homogen exponering (och mindre risk för 

ekologisk bias) men belastas av större risk för befolkningsdynamikens 

flyttningseffekter, särskilt vid studier av sjukdomar med lång latenstid. 

Dessa problem är större i små geografiska områden. 

Ytterligare en faktor är att flera sjukdomsorsaker samverkar till att 

orsaka många sjukdomar (multifaktoriell etiologi). Exponering för flera 

riskfaktorer kan vara ett problem vid ekologiska studier. De säkraste konklusionerna 

kan förmodligen dras i de fall där den studerade riskfaktorn 

har stark genomslagskraft, eftersom snedvridning orsakad av exponering 

för andra riskfaktorer då vanligtvis blir mindre. Å andra sidan förekommer 

även interaktionseffekter mellan riskfaktorer, såväl additiva som multiplikativa. 

Dessa kan dessutom modifiera hälsoutfallet genom att vara både 

skyddande mot sjukdomen (till exempel intag av antioxidanter eller förekomst 

av sicklecellanemi i malariariskområden) och bidra synergistiskt till


att förstärka sjukdomsrisken (till exempel vid lungcancer och samtidig 

exponering för både rökning och asbest) (11). 

De flesta ekologiska studier har sannolikt sitt största värde som hypotesgenererande 

instrument och syftar mer till att fastställa en association 

mellan exponering och sjukdom än skatta sambandets styrka. Nya, på så 

vis genererade frågeställningar, kan sedan testas i longitudinella studier av 

traditionell design, exempelvis genom fall-kontrollstudier. 

Tolkningen av resultaten från en geografisk studie kan underlättas om 

1. det parallellt studeras hur tidstrender beter sig för både exponering 

och sjukdom samt 

2. om det finns en konsistens i resultat (associationer) 

a. i olika områden 

b. för olika tidsperioder 

c. på olika geografiska nivåer eller för sjukdomar med likartad patologi 

(sjukdomsgenes). 

Läsa vidare 

En bra översikt över metodologiska problem förknippat med olika epidemiologiska 

studiedesigner har bland annat skrivits av Hal Morgenstern 

och Duncan Thomas (7). En teoretisk genomgång av olika risker för ekologiska 

felslut vid ekologiska och flernivåstudier har skrivits av Greenland 

(12).


Referenser 

1. Sackett D, Wennberg J. Choosing the best research design for each question. 

BMJ 1997;315:1636. 

2. Rothman K, Greenland S, editors. Modern Epidemiology. 2nd ed. Philadelphia: 

Lippincott, Williams & Wilkins; 1998. 

3. Hill, AB. The environment and disease: association or causation. Proc R 

Soc Med 1985;58:295-9. 

4. Gottlieb M, et al. Pneumocystis carinii carinii pneumonia and mucosal 

candidiasis in previously healthy homosexual men: evidence of a new 

acquired cellular immunodeficiency. NEJM 1981;305(24):1425-31. 

5. Doll R, Hill A. Mortality in relation to smoking: ten years’ observations of 

British doctors. BMJ 1964;399:1460-7. 

6. Pearce N. The ecological fallacy strikes back. J Epidemiol Community 

Health 2000;54(5):326-7. 

7 Morgenstern H, Thomas D. Principles of study design in environmental epidemiology. 

Environ Health Perspect 1993;101(Suppl 4):23-38. 

8. Selvin HC. Durkheim’s ‘suicide’ and problems of empirical research, Am. 

J. Sociol. 1958;63: 607-19. 

9. Robinson W. Ecological correlations and the behaviour of individuals. 

Am Sociol 1950;15:351-7. 

10. Richardson S, editor. Statistical methods for geographical correlation studies. 

Oxford: Oxford University Press; 1992. 

11. SOU 1984:64. Cancer – orsaker, förebyggande m.m. Betänkande av 

Cancerkommittén. 

12. Greenland S. Ecologic versus individual-level sources of bias in ecologic 

estimates of contextual health effects. Int J Epidemiol 

2001;30(6):1343-50.

6. 


DET GEOGRAFISKA 

PERSPEKTIVET Anders Schærström


6. 

DET GEOGRAFISKA 

PERSPEKTIVET Anders Schærström 

det geografiska perspektivet 103 

Geografiska mönster av sjukdomar och hälsa är ofta av allmänt intresse. 

Det kan man se på massmediernas uppmärksamhet. Till synes oväntat 

många fall av en sjukdom i en trakt kan ge upphov till ”larmrapporter” om 

någon hälsovådlig omgivningsfaktor. Också regelrätta geografiska analyser 

av sjukdomars orsakssammanhang bygger på antagandet att en nyckel 

till sjukdomars orsaker ligger i deras rumsliga utbredning. Om man således 

vet var en sjukdom förekommer – och var den inte gör det – eller var den är 

påfallande vanlig, har man åtminstone den första ledtråden till de omständigheter 

som främjar, orsakar eller motverkar sjukdomen. Genom att kartera 

ohälsan och olika möjliga orsaker eller relevanta omständigheter och 

därefter jämföra kartorna, skall det vara möjligt att spåra samband och 

rentav till sist avslöja orsakssammanhangen – såvida dessa inte redan har 

fastställts med andra metoder – exempelvis genom laboratorieexperiment. 

Från Hippokrates till GIS 

Tanken att hälsa och ohälsa har geografiska mönster och hänger samman 

med omgivningen kan man spåra mycket långt tillbaka i tiden. Det var i de 

hippokratiska texterna som någon veterligen för första gången formulerade 

tanken att hälsan påverkas av den omgivning man lever i – och att sjukdomsmönstren 

därför skiljer sig mellan platser, regioner och länder. Liknande 

föreställningar förekom för ett par tusen år sedan även i Kina och 

Indien. 

Under de stora upptäcktsfärdernas tid under 1500-, 1600- och 1700talen 

blev man i Europa intresserad av de annorlunda sjukdomar och botemedel 

som man kunde möta i andra världsdelar. I slutet av 1700-talet uppstod 

uttrycket ”medicinsk geografi”. Det var länge i hög grad läkare som


tog upp geografiska perspektiv på hälsa och sjukdom, men efter hand har 

medicinsk geografi blivit en visserligen liten men etablerad specialitet bland 

geografer i vissa länder. På senare år har man på engelska börjat använda 

uttrycket health geography för att markera att det är hälsa i vidare mening 

än biologiskt orsakade sjukdomar man intresserar sig för. Intresset har förskjutits 

från tropiska infektionssjukdomar till det moderna samhällets 

ohälsoproblem – cancer, hjärt- och kärlsjukdomar, neurologiska sjukdomar, 

mentalsjukdomar, olyckshändelser, effekter av luft-, vatten- och markföroreningar 

men också, förstås, nya och återvändande infektionssjukdomar. 

I dag förklaras allt fler sjukdomar med genetiska faktorer, men även 

generna har sin geografi – eventuella geografiska koncentrationer av vissa 

sjukdomar kan måhända härledas till genetiska kluster. Omvänt kan geografiskt 

spridda fall av mindre vanliga sjukdomar förklaras med migration 

och mönstret härledas genealogiskt till ett visst geografiskt ursprung. 

Åtminstone sedan början av 1990-talet har Geografiska Informationssystem 

(GIS) allt mer tagits i bruk för epidemiologiska studier. Allt fler 

hälsorelaterade frågeställningar tas upp i geografiskt perspektiv. Man har 

ofta skilt mellan två olika inriktningar under samma paraplybenämning 

”medicinsk geografi”, nämligen epidemiologisk geografi och vårdgeografi. 

Medan den förstnämnda i en huvudsakligen positivistisk anda söker orsakssammanhang 

bakom vissa sjukdomar handlar den andra om tillgången till 

och utnyttjandet av vårdinrättningar. På senare år kan man urskilja flera 

varianter som bygger på olika vetenskapliga synsätt: kritiska, marxistiska, 

humanistiska, strukturalistiska etc. 

Geografi som humanekologi 

Ibland säger man att det är landskapet som är geografins studieobjekt. I 

landskapet möts allehanda objekt som i andra sammanhang studeras av 

olika specialvetenskaper – klimat, jordarter, näringsliv, transporter, människor, 

institutioner – och de påverkar varandra i ett nätverk av ekonomiska, 

sociala, fysikaliska och biologiska samband. Geografins ambition är att 

söka sammanhangen och sambanden mellan vitt skilda objekt i landskapet. 

Med landskap menar man dock inte enbart det synliga, topografiska landskapet 

utan också en mångfald abstrakta företeelser och relationer som på 

något sätt kan knytas till platser eller områden.Eftersom geografin omfattar 

de mest skilda företeelser och deras inbördes samband, kan man beteck-

det geografiska perspektivet 105 

na geografin som en ekologisk disciplin och eftersom människan ofta är i 

centrum för intresset kan man säga att geografi i grunden är humanekologi. 

Dialog med kartan 

Kartan är geografens främsta redskap. Geografens arbete kan ofta beskrivas 

som en dialog med kartan. Geografer ordnar sina data rumsligt och sätter 

dem – antingen manuellt eller numera oftast med hjälp av en dator – på 

kartan! Kartan visar en uppsättning fakta som geografen tolkar med hjälp 

av såväl kvantitativa som kvalitativa metoder. Precis som då det gäller statistik 

behöver man ofta använda kunskaper från andra ämnen för att förstå 

– ekonomi, medicin, kemi, geologi eller biologi. Mönstren på kartan väcker 

nyfikenhet och föreställningar om vad som kan ha orsakat dessa mönster. 

Dessa föreställningar kan formuleras om till frågor som kanske leder till 

nya kartoperationer – man söker kanske nya data, man kan ändra perspektiv 

och skalor – och man får nya kartor, ny information, nya svar och nya 

frågor. Så småningom kan denna dialog leda till att man bättre förstår de 

förlopp som ligger bakom mönstren. 

När det gäller geografi och ohälsa är den centrala frågan: vad är orsaken 

till att en sjukdom har ett visst utbredningsmönster? Att söka efter orsakerna 

till utbredningsmönstret är ungefär detsamma som att söka orsakerna 

till själva fenomenet, det vill säga i det här fallet sjukdomarnas orsaker. 

I de närmaste kapitlen skall vi gå igenom grunderna för hur man gör och 

använder kartor, särskilt för att studera hälsa, sjukdomar och deras sammanhang 

med omgivningen. Vi skall förklara vad GIS är och hur man kan 

använda dem för att bättre förstå ohälsans geografiska sammanhang. 

En förutsättning för att det skall vara meningsfullt att söka geografiska 

korrelationer mellan sjukdomar och miljöfaktorer är att man kan hänföra 

såväl miljöfaktorerna som sjukdomarna till bestämda platser. Idealet – för 

att komma ifrån korrelationsfällor och andra effekter av administrativa 

gränser – vore att samla in data om ohälsa och bestämningsfaktorer så 

detaljerat som möjligt, på individnivå, och därmed bevara friheten att 

aggregera dessa data på sätt som motsvarar de frågeställningar man söker 

svar på. 

Innan vi går in på det skall vi emellertid se på några grundläggande principer 

för att göra kartor.

6.1. 

kort om kartografi 107 

KORT OM KARTOGRAFI Anders Schærström 

Det har hänt mycket med sjukdomskarteringen sedan John Snow gjorde sin 

klassiska karta over kolerafall i Soho 1854. Särskilt under de senaste 

årtiondena har kartografi och geografi utvecklats avsevärt. Datorer har 

gjort det möjligt att snabbt hantera stora datamängder som tidigare inte lät 

sig bearbetas utan ytterst tidskrävande möda. Med IT kan man också 

snabbt konstruera, skriva ut och modifiera kartor. Men det är inte enbart 

bearbetningstekniken som blivit mera sofistikerad. Också tillgången på 

data och dessas geografiska precision har förbättrats, men forskningen har 

ännu inte på långt när utnyttjat de tekniska möjligheterna. IT-utvecklingen 

tillsammans med den geografiska och kartografiska metodutvecklingen är 

grunden för Geografiska Informationssystem, som används i allt fler sammanhang 

men ännu inte har nått sin tillämpningspotential för epidemiologi 

och folkhälsa. 

Efter hand som karteringsmöjligheterna blir kända ökar också intresset 

för att sätta sjukdomar och allehanda bestämningsfaktorer på kartan. Det 

är lätt att bli hänförd av de tekniska möjligheter som GIS erbjuder. Men 

man kan kanske också bli avskräckt av tekniken – dels av de kunskaper 

som man tycks behöva för att använda den, dels kanske också av själva teknifieringen. 

Oavsett om man vill arbeta med GIS eller enbart använda de 

kartor och andra produkter som man kan göra med GIS är det viktigt att 

man sätter sig in i teknikens möjligheter och begränsningar – och inte minst 

att man är klar över de logiska resonemang och de kartografiska principer 

som måste ligga till grund för användningen. 

Vad skall sättas på kartan? 

Kartor förmedlar lägesbestämd information. Det mesta här i världen har 

sin plats (sitt läge), eller sin utbredning. Det gäller inte enbart det man kan


se och ta på – hus, vägar, skogar, floder med mera. Fysiska realiteter som 

man inte alltid kan se – exempelvis luftföroreningar, ljud (buller) och strålning 

– har också geografiska mönster och kan sättas på kartan. Även rent 

abstrakta företeelser kan i princip lägesbestämmas – politiska system, religioner, 

språk, penningflöden, arbetslöshet, sjukdomar och mycket annat 

som man inte kan sätta fingret på, kan lägesbestämmas därför att de kan 

förknippas med vissa individer, institutioner eller områden. 

Geometriskt sett kan information knytas till: 

• Punkter 

• Områden 

• Linjer. 

Man kan ibland ange lägen ytterst exakt med skärningspunkter i ett koordinatsystem 

(så som ett fartyg kan ange latitud och longitud eller som man 

anger fastigheters lägen med fastighetskoordinater kanske på en meter 

när), men det är inte alltid nödvändigt att använda så hög precision. Ibland 

räcker det kanske med att ange en ort, en församling, en kommun eller 

rentav ett län. Vilken noggrannhet som behövs och är ändamålsenlig får 

man bestämma från fall till fall. Detta är i själva verket en av de mest grundläggande 

uppgifterna i geografin och den kräver naturligtvis att man noga 

sätter sig in i det fenomen man vill analysera med hjälp av kartan. 

Och hur åskådliggör man den lägesbundna informationen? 

Det finns kartor av många slag. Med tanke på innehållet skiljer man mellan 

topografiska kartor och tematiska kartor. Om man i stället utgår från formen 

(eller sättet att redovisa information i kartbilden) kan man skilja mellan 

punktkartor, relativa kartor, isaritmkartor, kartdiagram, kartogram 

och geografiska informationssystem (GIS).



Kartor av olika slag 

På topografiska kartor visas i princip allt som finns på jordytan 

inom en viss areal – vegetation, höjdnivåer, sjöar, vattendrag, byggnader, 

vägar, järnvägar med mera – i en och samma kartbild. Den 

gamla svenska generalstabskartan i svart och vitt ersattes 1954 av 

ett kartverk i färg som fick benämningen Topografiska kartan. 

Motsvarande kartverk i dag (sedan 1979) kallas den Gröna kartan 

på grund av den dominerande gröna färgen. 

På tematiska kartor har man valt att visa enbart en viss kategori 

av objekt, en viss företeelse. Det kan vara befolkning, olika slags 

bebyggelse, transportvägar, väder, vattenflöden, energiförbrukning, 

buller kring flygplatser och snart sagt vad som helst. Det behöver 

inte vara påtagliga, konkreta företeelser. Tematiska kartor kan 

också visa abstrakta fenomen som handelsvärde, levnadsstandard, 

arbetslöshet, skatteunderlag, kriminalitet eller valresultat. Kartor 

över sjukdomar och deras bestämningsfaktorer måste betraktas som 

tematiska. 

Ekonomiska kartor kan betraktas som en kategori för sig. På 

engelska heter det cadastral maps. Liksom topografiska kartor 

avbildar de ”allt” som finns på markytan men dessutom markeras 

ägogränser. I Sverige går det kartverk som förr kallades ekonomiska 

kartan numera under namnet Gula kartan. 

Punktkartor (dot map) är kartor där man markerar enskilda 

objekt så noga som möjligt, exempelvis enskilda sjukdomsfall eller 

viktiga industricentra. Man kan också aggregera data – på befolkningskartor 

kan man låta punktsymboler stå för exempelvis en miljon invånare 

och på sjukdomskartor låta en punkt betyda till exempel 10 fall. 

Koropletkartor, (eng. choropleth) visar något slags intensitet som 

lätt kan jämföras områden emellan, men de kan också bli missvisande. 

De ger ett intryck av att värdet är lika för hela ytan och det 

behöver inte alls vara fallet, till exempel om befolkningen är ojämnt 

fördelad inom området eller om variabeln inte är knuten till ett visst 

administrativt område, exempelvis luftföroreningar.


Isaritmkartor – en isaritm eller iso-linje (eng: isopleth, isoline, 

isarithm) är en linje som sammanbinder punkter där en variabel har 

samma värde. Beroende på vilken variabel man åskådliggör kallas 

isaritmerna för exempelvis isobarer (lufttryck), isotermer (temperatur), 

isobater (vattendjup), isogoner (magnetisk deklination), isokroner 

(tid) eller isodapaner (transportkostnad). 

Ett kartdiagram är en kombination av karta och diagram. På en 

konventionell kartbild fogar man in diagram (exempelvis stapeldiagram, 

cirkeldiagram, befolkningspyramid) som hänför sig till vissa platser. 

Kartogram är, som ordet antyder, ett slags korsning mellan karta 

och diagram. Om man vill ange storleksförhållanden för något som 

är knutet till länder (eller andra areella enheter) – exempelvis folkmängd, 

BNP eller malariafall – kan man rita ytor som är proportionella 

mot dessa tal och ge dem former som grovt påminner om ländernas 

konturer. 

Topologiska kartor – topologin är en gren av matematiken och 

kan beskrivas som studier av geometriska objekt med hänsyn endast 

till form och inbördes lägen, inte till avstånd och vinklar. I topologiska 

kartor bortser man från exakta lägen (så som de kan anges 

med koordinater). Topologiska egenskaper är i stället exempelvis 

höger, vänster, innanför, utanför, före, efter – egenskaper som anger 

inbördes relationer mellan objekt. Tunnelbanekartor (som i 

Stockholm och London) är topologiska kartor. 

Dasymmetrisk karta (dasymmetric map) är en karta där glesbefolkade 

eller obebodda områden lämnas blanka. Skälet är framför 

allt att koropletkartor, där man täcker hela administrativa områden 

med en färg eller skuggning, kan ge betraktaren ett felaktigt intryck, 

eftersom stora ytor dominerar på bekostnad av små trots att befolkningen 

kan vara större i de små enheterna och ofta koncentrerad till 

ett fåtal orter i stora enheter.


Hur hamnar informationen på kartan? 

Hur går man då till väga för att sätta data på kartan? När man skall placera 

uppgifter på en karta måste man göra åtskilliga val beror på kartans 

användningsområde, vem man vänder sig till och inte minst karaktären 

hos den information man vill förmedla. 

Kartor är oftast plana ytor, men eftersom jorden är rund är det geometriskt 

omöjligt att överföra den sfäriska ytan till en plan utan att perspektivet 

förvrängs. Det kan uppstå vinkel-, längd- och ytfel, beroende på 

vilken projektion man använder. Så länge vi enbart använder kartor över 

mindre delar av jordytan spelar detta inte så stor roll. Det kan dock ha 

viss betydelse på världskartor, där man vill åskådliggöra exempelvis sjukdomsutbredning. 

Vilken skala man väljer hänger samman med hur stort område man vill 

kartera och hur mycket information man vill få med i kartbilden, men 

också hur kartan skall återges. Skall kartan finnas med i en bok sätter 

bokens format en gräns. Att försumma skalan på en karta är en dödssynd 

i kartografin. Må vara att det inte spelar så stor roll så länge området är 

välkänt för dem som ska använda kartan, men även andra ska kunna förstå 

och tyda den. Skalor kan som bekant anges som decimalbråk, i ord (till 

exempel 1 cm på kartan motsvarar 10 km i verkligheten) eller med 

skalstreck. Skalstreck har den stora fördelen att man vid behov kan förminska 

och förstora kartan utan att skalangivelsen blir felaktig. 

Fokus – avgränsningar av områden 

Alla kartor (utom möjligen världskartor och jordglober) återger endast en 

del av jordytan. När man väljer att endast återge en viss del väljer man ett 

”fönster”, och väljer samtidigt alltså bort den information som kan finnas 

vid sidan. I regel måste man avgränsa ett område. Hur stor del av jordytan 

skall då vara med i kartbilden? Varför skall man välja just ett visst 

fönster? Avgränsning har ett nära samband med skalan, men hur skall 

man göra avgränsningen? Har man möjlighet att själv välja eller använder 

man befintliga grundkartor och deras avgränsningar? Är det bara så att 

man får i uppdrag att göra en karta över en viss region utan att bry sig om 

omgivningen? Det är enkelt att använda kartor över kommuner, län, 

landsting, länder och så vidare, men det innebär i så fall att man använder 

perspektiv som någon annan har gjort för något annat ändamål.


Finns det risk för att man missar någon väsentlig information? Kan 

man få en felaktig bild av det man vill visa på grund av att man utelämnar 

något som finns utanför kartans gräns? 

Symboler 

Endast fantasin sätter gränser för vilka symboler man kan använda på en 

karta, men eftersom den information som man vill kartera kan hänföras 

till punkter, linjer och ytor så är de symboler man kan använda i princip 

av samma tre slag. De kan vara rent abstrakta, geometriska figurer eller 

föreställa något. Punkter kan sålunda vara runda, kvadratiska, triangulära, 

stjärnformade och så vidare, eller figurer i form av hus, människor, 

fabriker, flygplan, stridsvagnar med mera. Storleken kan varieras för att 

återge storleksskillnader. 

Ytor kan markeras med färger eller skraffering 1 (= skuggning) i form av 

prickar, linjer eller rutor. Naturligtvis kan man också kombinera färg och 

skraffering. 

Valet av symboler kan vara avgörande för det intryck kartan ger 

användaren. Ger symbolerna riktiga associationer? Skall man välja punkter 

eller ytor? Det beror i hög grad på om man vill återge ett avgränsat 

objekt eller en variabel som kan anta olika värden. Ifall det handlar om en 

variabel bör man ställa frågan om värdet hänför sig till en begränsad plats 

eller ett större område. Är det en kontinuerlig företeelse (exempelvis svaveldioxid 

i luften eller selenhalten i jordmånen) eller diskreta (tydligt 

avgränsade) objekt och händelser (exempelvis våldsbrott, trafikolyckor, 

missbildningar, SARS-fall)? Finns det skarpa gränser mellan områden med 

olika värden (till exempel selenhalten i vatten från olika distributionsnät) 

eller avtar och ökar intensiteten med avståndet från en källa (till exempel 

tungmetaller i vegetationen)? Hur beständig är företeelsen? Varierar den 

under dygnet (som buller längs en trafikled), under året (som solstrålningen) 

eller i längre tidsperspektiv? 

Hur inverkar allt detta på valet av kartsymboler? Om man skall låta 

ytor (till exempel kommuner) representera olika mätvärden – hur många 

1 Av italienskans sgraffiare = rista. Ordet är besläktat med graffiti. Kommer av grekiskans grapho 

= skriva.


färger (nyanser) eller variationer av någon annan ytmarkering behöver 

man för att visa de klasser man har valt? Har man många klasser kan det 

kanske bli svårt att särskilja dem om man väljer flera nyanser av samma 

grundfärg. Det är inte likgiltigt vilka färger man använder. Skall man ange 

gradskillnader, till exempel i sjukdomsfrekvens, är det lämpligt att använda 

nyanser av samma grundfärg. Skall man däremot åskådliggöra motsatsförhållanden 

bör man använda tydligt kontrasterande färger, gärna 

med nyanser. 

När man skall sätta något på kartan bör man, som i rena statistiksammanhang, 

utgå från de vanliga fyra mätskalorna, det vill säga nominalskala, 

ordinalskala, intervallskala och kvotskala. Vilken skala man mäter 

på har betydelse för vilka ytmarkeringar man skall använda på kartan. 

Geografisk precision 

En förutsättning för att informationen på kartan skall vara meningsfull är 

naturligtvis att den är relevant. Liksom i alla andra vetenskapliga studier 

är validiteten och reliabiliteten hos de data man arbetar med centrala, men 

när man sätter information på kartan tillkommer dessutom ett krav på 

geografisk precision! När man hanterar hälsorelaterade data handlar validitet 

och reliabilitet förstås ytterst om diagnosernas tillförlitlighet och den 

geografiska analysen är beroende av att diagnostiseringen är korrekt. 

Beskrivningen av ett problem är emellertid inte fullständig om problemet 

inte också är geografiskt preciserat och metodproblemen hänger ofta 

samman med just den geografiska noggrannheten hos de data man har att 

arbeta med. Med andra ord: man bör sträva efter att ange lägen så noggrant 

som möjligt i förhållande till behovet. Mycket går att ange exakt 

med hjälp av GPS – men är det alltid nödvändigt med meterprecision? Vi 

skall strax återkomma till detta. 

Hälsa och ohälsa på kartan 

Hur sätter man då hälsa, ohälsa och bestämningsfaktorer på kartan? För 

att kunna besvara den frågan måste vi först reda ut vad vi skall sätta på 

kartan, det vill säga vad vi menar med ohälsa respektive hälsorisker eller 

andra bestämningsfaktorer. 

Det finns två huvudsakliga svar. Sjukdomsförekomst kan hänföras till 

en plats (eller ett område) där drabbade individer finns – eller där sjuk


domsrisker (det vill säga risk för att bli drabbad) råder – vilket inte är riktigt 

samma sak. (Jämför till exempel John Snows karta över enskilda kolerafall 

med en världskarta över kolerans utbredning.) Dessa svar avspeglar 

två olika sätt att se sjukdom. I det första fallet ser man sjukdom som ett 

tillstånd eller en egenskap hos vissa individer. Sålunda – i teoretiska termer 

– kan sjukdom uppfattas som ett antal mer eller mindre mobila punkter 

med varierande livstider, som ibland uppträder i rumsliga och tidsmässiga 

kluster. I det andra fallet förknippar man sjukdomsförekomsten 

med ett område – en yta eller en plats där någon potentiell eller förmodad 

hälsorisk förekommer. Dessa båda synsätt motsvarar två huvudsakliga 

tillvägagångssätt. Det ena går ut på att behandla enskilda fall som punkter 

på en karta. Det andra utgår från summerade värden för områden och 

analysen består i att jämföra värdena och undersöka kvoter. Båda kan 

vara motiverade. 

Läsa mer 

Det finns ett par lättillgängliga och moderna böcker på svenska om kartografi. 

Den ena (1) handlar i hög grad om visualiseringstekniken och vilka 

intryck olika symboler och färger kan ge (1), medan den andra (2) går mera 

in på olika karttyper och mätteknik, inklusive den digitala tekniken. Vill 

man fördjupa sig lite mera i den kartografiska tekniken kan man skaffa sig 

den större boken av Robinson (3). 

Hur man gör kartor för att visa var sjukdomar och misstänkta omgivningsfaktorer 

förekommer behandlas utförligt av Cliff och Haggett som använder 

sig av autentiska, historiska exempel (4). Gatrell (5) ger en aktuell och 

lättillgänglig introduktion till geografiska och kartografiska perspektiv på 

hälsa och ohälsa. 

Geografiska artiklar med hälsorelaterade teman förekommer i flera 

geografiska facktidskrifter bland andra teman. Det finns emellertid även 

ett fåtal tidskrifter som mer eller mindre ägnas åt just geografiska aspekter 

på hälsa, ohälsa och bestämningsfaktorer. En av dessa är: Health & 

Place (Kvartalstidskrift, Oxford, Pergamon). International Journal of 

Health Geographics är en specialtidskrift som publiceras på Internet:


http://www.ij-healthgeographics.com/. Social Science and Medicine innehåller 

också regelbundet artiklar på dessa teman. 

Referenser 

1. Brodersen L. Kommunikation med kartor. Teori och metoder inom kartografin. 

Stockholm: Liber Kartor, Frederikshavn: Forlaget Kortgruppen 

a/s; 2002. 

2. Hall O, Alm G, Ene S, Jansson U. Introduktion till kartografi och geografisk 

information. Lund: Studentlitteratur; 2003. 

3. Robinson AH, et al. Elements of Cartography. 6th edition. New York: 

Wiley; 1995. 

4. Cliff AD, Haggett P. Atlas of Disease Distributions. Analytic Approaches to 

Epidemiological Data. Oxford: Blackwell Reference; 1988. 

5. Gatrell AC. Geographies of Health. An Introduction. Oxford: Blackwell; 

2002.

6.2. 

epidemiologiska data på kartan: sjuklighet och exponering – en översikt 117 

EPIDEMIOLOGISKA DATA PÅ 

KARTAN: SJUKLIGHET OCH 

EXPONERING – EN ÖVERSIKT Owe Löfman 

Syftet med att kartera sjukdom (disease mapping) är att studera sjuklighetens 

geografiska utbredning i befolkningen och variationer mellan 

områden. Man kan använda kartor för att generera hypoteser om olika 

sjukdomars orsaker liksom för att planera och utvärdera folkhälsoarbete. 

Kartan kan även avslöja mönster som inte självklart framgår av aggregerade 

tabelldata och visa högriskområden. Därmed kan man styra samhällets 

alltmer begränsade resurser till områden där de gör mest nytta. 

”Maps provide an efficient and unique method of demonstrating 

distributions of phenomena in space. Though constructed primarily 

to show facts, to show spatial distributions with accuracy which cannot 

be attained in pages of description or statistics, their prime 

importance is as research tools. They record observations in succinct 

form; they aid analysis; they stimulate ideas and aid in the formation 

of working hypotheses; they make it possible to communicate findings” 

Howe GM (1971) The mapping of disease in history. In: Clarke E, 

ed. Modern methods in the history of medicine. London, Athlone 

Press, ch, 20. 

Den geografiska ansatsen går ut på att visualisera sjuklighetsdata på olika 

typer av kartor endera som enskilda observationer, punktdata eller som 

aggregat för områden på olika skalnivåer. Sjukfall som man observerar i en 

befolkning kan omräknas till riskmått för olika områden. I den ekologiska


ansatsen analyseras till exempel samvariationen mellan sjuklighet och faktorer 

i miljön (determinanter) som kan vara kemiska eller fysiska riskfaktorer 

eller områden med olika socioekonomiska nivåer. 

Fyra vanliga syften är: 

1. Beskriva sjukdomsutbredning (Disease mapping), till exempel observerade 

fall, incidens och prevalens. 

2. Analysera sjukdomsrisker (Risk assessment), till exempel som 

standard morbidity ratio (SMR) och relativ risk (RR). 

3. Söka samband genom geografiska korrelationsstudier (ekologiska 

sambandstudier) (Ecological analysis). 

4. Upptäcka förekomst av sjukdomskluster (Cluster detection). 

Vi skall återkomma till vilka datatyper som är lämpliga för kartering och 

lätt tillgängliga i vårt land samt hur det går till att analysera sina geografiska 

data (observationer). 

I den första, deskriptiva ansatsen används ofta punktkartor (dot maps) 

för att illustrera utbredning av sjukdomsfall och befolkning under risk 

(icke-fall eller kontroller). I exemplet, figur 1, illustreras 12 500 incidenta 

höftfrakturer som förekommit under en dryg 15-årsperiod. Fallen är geografiskt 

definierade med centroiden 1 (den geografiska tyngdpunkten) för 

fastigheten där individen var mantalsskriven när frakturen inträffade (diagnosåret). 

Centroiden i sin tur definieras genom sina x- och y-koordinater i 

kartans koordinatsystem, här rikets nät (RT90) 2 . 

1 Centroid: medelpunkten av ett objekt, till exempel en fastighet. I geometrisk mening definieras 

centroiden egentligen som medelvärdet av alla de koordinater som ingår i objektet, men punkterna 

kan också viktas så att centroiden avviker från den geometriska definitionen. I en triangel är 

centroiden den punkt där medianerna skär varandra. För konkava eller vinkelformade objekt kan 

centroiden hamna utanför själva objektet. 

2 Rikets nät är ett koordinatnät som används för geodetiska mätningar i Sverige och ligger till 

grund för bland annat den topografiska kartan (Gröna kartan). X-koordinaterna räknat norrut från 

ekvatorn och y-koordinaterna österut.

Figur 1. Punktkarta (dot map) 

med bostadskoordinater för 

12 500 patienter med höftfraktur 

i Östergötland 

(1982–1996). 

Se vidare kapitel B3, figur 5. 


Utifrån de enskilda punktobservationerna kan man modellera en 

intensitetskarta (intensity map) som visar antal fall per ytenhet och få fram 

en utjämnad bild av den geografiska variationen. (Exemplet i figur 2 visar 

bröstcancerfall, fördelade på 500-metersrutor.) 

Relativ 

intensitet 

Figur 2. Relativ intensitet av 

bröstcancerfall i centrala 

Linköping angivet på 500metersrutor. 

(Kartan schatterad 

efter antal fall per ytenhet. Lägg 

märke till att intensiteten inte 

följer församlingsgränserna = 

ljusa linjer.) 

Med en sådan karta som grund kan man även beräkna isolinjer för olika 

förväntade incidensintervall (isopleth map). I figur 3 är detta gjort med 

prostatacancer som exempel. Isolinjekartor kan man göra i ett GISprogram 

utifrån en rasterkarta (baserad på regelbundet rutnät). För mer


information om vektor- och rasterkartor och konverteringar mellan dessa – 

se kapitlet om GIS. 

Figur 3. Isolinjekarta utvisande den geografiska fördelningen av incidenta fall (n = 5 

982) av prostatacancer (ICD 177) i norra delen av Östergötland under perioden 

1979–1997 (detalj). 

Om man har tillgång till data endast på områdesnivå (regional counts), vilket 

är vanligt, kan en så kallad koropletkarta återge den områdesvisa variationen 

med mönster-, färg- eller gråskaleschattering i intervaller (figur 4). 

Det är vanligt att data tillhandahålls på exempelvis församlings-, kommuneller 

länsnivå men även mindre statistikområden förekommer, till exempel 

så kallade nyckelkodsområden (NYKO), som är ett mindre statistikområde 

inom en del av en kommun. 

När man studerar sambandet mellan en misstänkt riskfaktor i miljön 

(till exempel en immission av en luftburen förorening) och en speciell sjukdom 

är det ofta en stor fördel om man kan frångå i förväg definierade 

statistikområden (ofta administrativa områden) och göra analysen i ett 

område som är definierat av nedfallet. Ett sådant område kan preciseras 

genom utförda mätningar eller spridning skattad med hjälp av en 

spridningsmodell som tar hänsyn till meteorologiska faktorer (såsom 

vindriktning), landskapets topografi etc. Önskar man frångå en sådan


befintlig områdesindelning kan man använda ett geografiskt informationssystem 

för att själv skapa egna polygoner genom digitalisering. En förutsättning 

är att det finns högupplösta observationer på individnivå för såväl 

exponering som befolkning och hälsoutfall. En annan väg kan vara att 

konstruera ett eget rutnät med valfri rutstorlek eller använda så kallade 

buffertzoner runt fastställda punkter (till exempel en utsläppskälla). 

Figur 4. Förekomst av 

bröstcancer(antal i intervall 

enligt skala) återgivet 

på församlingsnivå med 

församlingsnummer 

angivet. Jämför figur 2. 

Observera att ovanstående exempel på kartor visar totalantal och inte är 

justerade för ålders- och könssammansättningen i respektive områden. 

Innan man sedan kan fortsätta analysen är det viktigt att veta vilka tal som 

skulle förväntas i de olika områdena under förutsättning att sjukdomen i 

fråga skulle dyka upp slumpvis. För att man skall kunna avgöra om det 

råder över- eller undersjuklighet i ett område måste man tillföra analysen 

uppgifter om den underliggande befolkningens storlek samt dess åldersoch 

könssammansättning, eftersom riskbidraget är intimt förknippat med 

befolkningsunderlagets struktur. Figur 5 visar en sådan karta där köns- och 

åldersstandardiserad incidens av insulinberoende diabetes hos barn 0–16 

år i sydöstra Sverige beräknats för perioden 1977–1995 (1). 

Beskrivning av sjukdomsförekomst på kartor – vilka mått kan användas? 

I princip kan alla typer av epidemiologiska mått som beskriver sjukdomsförekomst 

och risk visualiseras på kartor, eftersom det alltid förekommer


en viss rumslig variation. Dessa kan till exempel vara incidens, prevalens, 

relativ risk (RR) och standard morbidity/mortality ratio (SMR). Ibland kan 

man vilja se storleken (absoluta antalet) av en variabel, exempelvis när man 

allokerar resurser inom primärvården, och då kan totalantalet fall vara av 

intresse. 

Figur 5. Incidensen (100 000/år) 

på kommunnivå av typ I-diabetes 

bland barn 0–16 år under perioden 

1977–1995 i fem län (E, F, H, 

G och K län) i sydöstra Sverige. 

Källa: Samuelsson U, Löfman O. 

Geographical mapping of Type 1 

diabetes in children and adolescents 

in South-east Sweden. 

Journal of Epidemiology and 

Community Health 

2004;58(5):388-92 (1). 

De sjukfall vi önskar kartera ingår i en bakgrundsbefolkning (population at 

risk), vars totala storlek, täthet och sammansättning varierar från plats till 

plats, från område till område. På grund av dessa variationer har absoluta 

tal (crude counts) begränsat värde i epidemiologiska analyser och sjukdomskartering. 

En meningsfull jämförelse blir inte möjlig då såväl könsoch 

åldersstrukturen som det totala antalet individer kan variera kraftigt i 

den population ur vilken sjukfallen rekryteras. Det gäller såväl mellan olika 

områden vid en viss tidpunkt som i samma område över längre tidsperioder. 

De flesta mått som används i epidemiologin är därför relativa tal, det 

vill säga kvottal med en täljare och en nämnare. 

Ett något bättre mått än absoluta antalet, och som även medger viss 

jämförelse mellan områden, är råraten (crude rate), det vill säga kvoten 

mellan fall och total riskbefolkning. Den tar dock inte hänsyn till åldersoch 

könsfördelningen. För att göra sjukdomstalen mellan områden mer

jämförbara kan man standardisera talen. Metoderna för direkt och indirekt 

standardisering finns i alla epidemiologiska läroböcker (2). Upplösningen 

på åldersintervallen kan alltid diskuteras, men ofta är en uppdelning 

på 5-årsgrupper tillräcklig. Eftersom flertalet sjukdomar även ökar 

med ålder och vissa sjukdomar kan öka kraftigt inom ett 5-årsintervall i 

äldre åldersgrupper, kan andra intervall vara motiverade i högre åldrar. Ett 

alternativ kan vara att göra stratifierade analyser i subgrupper om man har 

mycket observationer. 


Observerade fall och förväntade risker 

Ofta önskar man jämföra ett observerat antal sjukfall med det som 

skulle förväntas utifrån bidraget från den underliggande populationen 

(population at risk) om antalet skulle ha varit slumpvis fördelat 

över studieområdet. Detta kan beskrivas som relativ risk: 

där n i är observerat antal fall i ett område och e i är det förväntade 

antalet utifrån bakgrundsbefolkningen. Det förväntade antalet e i 

kan vara ett värde framräknat på hela studieområdets antal fall och 

respektive riskbefolkning eller exempelvis nationella tal. 

I nomenklaturen används begreppet SMR, standard morbidity 

(levande fall i täljaren) eller standard mortality ratio (döda fall i 

täljartalet), som är just ett relativt riskmått framräknat med hjälp av 

standardiserade, förväntade rater: 

SMR = 


För detaljer hänvisas till den epidemiologiska litteraturen (2). 

De mest basala epidemiologiska kartorna över sjukdom gör man 

genom att lägga ut fallen på kartan (case event map) och räkna dem i 

områden (tract count map). Nästa steg är att lägga in kvoten mellan 

antalet fall och antalet individer i riskbefolkningen i nämnaren för 

respektive områden, helst efter standardisering för kön och ålder


(density map). Man justerar då för de olikheter i riskbefolkning som 

kan finnas mellan olika områden och som kan förväntas ge olika 

antal sjukfall. Därmed blir områdena jämförbara. 

I den vidare analysen är det vanligtvis av intresse att titta på variationer 

i rummet – dels skillnader i sjukdomsrisk mellan olika områden, 

dels eventuella ”hot spots” med hög koncentration av fall 

(kluster) i vissa områden (cluster map). För att göra jämförelsen av 

antalet sjukfall mellan områden mindre beroende av skillnader i 

befolkningsunderlaget introduceras här några enkla riskmått. För att 

bedöma fynden behövs dessutom något mått på osäkerheten i skattningarna, 

eftersom dessa kan variera beroende på områdenas befolkningsunderlag. 

För att skatta den relativa risken av fall beräknas: 

[1] 

där ^ λ(x) är intensiteten (antalet) av fall och ^g(x) är intensiteten av 

kontrollpopulationen, till exempel population at risk eller control 

disease (3). På samma sätt erhålles för områdesvisa jämförelser ett 

relativt riskestimat genom att jämföra observerat och förväntat antal 

(SMR eller bara S): 

[2] 

Genom olika ytutjämnande ”smoothing-metoder” (se nedan) kan 

man därefter framställa en kontinuerlig riskbild över studieområdets 

yta. I tal och rater för små områden som skall jämföras bör den lokala 

variationen och dess fel beaktas när man bedömer resultatet. I ett 

studieområde som består av m mindre områden, exempelvis nyckelkodsområden, 

definierar vi n i som antalet observerade fall med en 

viss sjukdom i det i:e mindre området inom det totala studieområdet. 

Dessutom definierar vi det förväntade antalet (eller raten) för det ingående 

området i som e i. och populationen i område i är p i.


Varifrån kommer våra förväntningsvärden (expected rates)? 

Vanligtvis används en metod där den underliggande lokala populationens 

bidrag med sjukdomsfall beräknas som ei utifrån den generella 

tendensen som finns i ett standardset av data (antal eller rater) och 

som tillämpas (viktas) utifrån det lokala områdets befolkningssammansättning. 

På så sätt får vi ett förväntat värde på antalet fall i det 

lokala området som sedan jämförs med det verkliga observerade 

antalet n i, den lokala raten (eller antalet). Beräkningen av det förväntade 

antalet fall kan exempelvis göras genom att populationen p i 

bryts ned i subgrupper av köns- och åldersklasser (standardisering). 

På så vis kan den förväntade totala raten för sjukdomen beräknas 

genom att man kombinerar kända rater för sjukdomen i separata 

ålders- och könsgrupper i standardatasetet med subgrupperna i den 

studerade populationen i området. Ett vanligt standardiseringsmaterial 

som används för att beräkna förväntningsvärden är till exempel 

att utgå från kända rater (incidenser) i rikets befolkning uppdelade 

på köns- och åldersklasser, så kallad extern eller direkt standardisering. 

Andra populationer som används för standardisering kan till exempel 

vara baserade på länsbefolkning eller erhållas genom att man 

använder hela studieområdets incidens (indirekt standardisering). 

För- och nackdelar med att använda olika standardpopulationer 

sammanhänger med skillnader i befolkningssammansättning och vid 

jämförelser över tid, om befolkningssammansättningarna förändras 

olika i olika områden mellan undersökningstillfällena. 

När man använder kartor som bygger på SMR för att visa geografiska 

variationer av risken för en viss sjukdom bör man komma ihåg att 

alla statistiskt beräknade estimat är förknippade med en inneboende 

grad av variation. Därför kan det vara av värde att definiera variansen 

eller standardfelet (Standard error) för det lokala skattade värdet 

i ett område. 

Om det karterade värdet för område i är S i (till exempel ett SMR) och 

variansen av detta skattade värde är V i kommer vanligtvis värdet av 

V i också att variera med läget (området). Som en följd av detta kommer 

även reliabiliteten av det skattade värdet att variera över kartan


(studieområdet). Variabiliteten av våra beräknade värden kan förstås 

också ges en spatial dimension och läggas ut på en karta likaväl som 

de ursprungliga karterade, skattade värdena. Standardfelet av exempelvis 

SMR kan beräknas som: 

se (S i) = √ V i = √n i/e i 

[3] (3) 

Ett numera ofta använt sätt att modellera sjukdomsrisk över kartan 

har blivit att använda Bayesisk teori och skatta risk (posterior probabilities) 

med hjälp av hierarkiska modeller och simulering. Detta är 

ett komplicerat förfarande som medför en hel del beräkningar och 

därför har flera särskilda mjukvaruprogram utvecklats för detta 

ändamål, till exempel WinBugs® med modulen GeoBugs® (4). 

Tematiska kartor 

Kartor kan även ges ett tematiskt innehåll på flera sätt. Attributen för olika 

områden kan visas som koropletkartor med mönster, schatteringar, i olika 

färger, gråskalor och så vidare, men även med uppgifterna sammanställda i 

diagramform som definieras geografiskt på kartan vid det aktuella objektet. 

I figur 6 visas några exempel från en undersökning om sjukskrivningar 

i Östergötland 5. Kartorna 6a–d baseras på samma statistiska underlag, 

men de återges i olika tematisk form och med delvis olika attribut. 

I de tematiska kartorna kan man lägga in olika typer av statistisk grafik 

som finns i flertalet GIS-program. I figur 7 har åldersgrupper och fördelning 

av socioekonomisk tillhörighet definierats för fem vårdcentralers upptagningsområden 

(5). Den socioekonomiska indelningen är gjord på aggregerad 

nivå och baserad på nyckelkodsområden i upptagningsområdet. 

Genom så kallad överlagringsteknik (se analyser/metoder) har antalet individer 

i åldersgrupper respektive socioekonomiska grupper definierats för 

de olika vårdcentralsområdena.


Figur 6 a–d. Fyra tematiska variationer på kartor som beskriver sjukskrivningsdata från år 2000 i 

Norrköping. Den areella entiteten utgörs av nyckelkodsområde med varierande demografi och socioekonomi. 

6a. Nyckelkodsområden schatterade efter socioekonomisk nivå. 6b. Antalet sjukskrivningsdagar i 

genomsnitt totalt (per invånare), angivet per nyckelkodsområde i siffror. 6c. Samma information 

som 6b schatterad i intervall. 6d. Antalet sjukdagar dels fördelade på kön, dels totalt som stapeldiagram 

(Bearbetat från datamaterial i: Sjukskrivningsmönstret i Östergötland 1997–2000 (5).


No data 

Soc-ek nivå 1 





Figur 7a. Tematisk karta utvisande befolkningens fördelning på åldersgrupper i fem vårdcentralsområden 

från en studie av sjukskrivningsmönster i Östergötland. 

Figur 7b. Fördelning av socioekonomisk tillhörighet för individer i samma vårdcentralsområden år 

2000. Den socioekonomiska indelningen är gjord på aggregerad nivå och baserad på nyckelkodsområden 

i upptagningsområdet. Genom så kallad overlay-teknik har antalet i varje kategori (åldersgrupper 

respektive socioekonomisk grupp) respektive grupp definierats för de olika vårdcentralsområdena. 

Kanteffekter 

Nära ytterkanterna på ett studieområde (the edge) kan vissa svårigheter 

uppstå om observationerna är få och inte kan relateras till närliggande 

objekt utanför området. Detta kan resultera i en skevhet (bias) eller att precisionen 

försämras på grund av att mindre information kan inhämtas från 

den nära omgivningen och variationen blir större. Denna ”skakighet” i 

data längs kartans (studieområdets) ytterkanter resulterar ofta i oriktigt 

höga värden och brukar kallas edge-effekt. Om SMR är det epidemiologiska 

mått som karteras och detta är baserat på värden från hela studieområdet 

betyder det mindre. Om man emellertid använder metoder som ”lånar” 

information från omgivande områden kan effekten bli påtaglig. Ett sätt att 

kringgå detta kan exempelvis vara att inkludera information från större 

områden, även utanför det aktuella studieområdet. 

Det bör observeras att en förändring av kartans skala (och rutornas 

storlek) kan ge något olika resultat på en z-variabel (till exempel SMR). 

Detta kallas i den anglosaxiska litteraturen för Modifyable Area Unit Problem 

(MAUP) och kan hanteras genom olika ”smoothingtekniker” och 

modellering.


Informationssökning från kartan. 

I exemplet figur 8 nedan, har en karta baserad på GIS-lager med 1) koordinatsatt 

befolkning med sjukskrivna individer; 2) vårdcentralsområden och 

3) NYKO-områden med aggregerad socioekonomisk gradient använts för 

att med överlagringsteknik (overlay) och en sökfunktion (SQL) söka ut 

sjukskrivningar i olika delområden och delpopulationer. 

Dessa karakteriseras av ålder, kön och socioekonomisk tillhörighet på 

områdesnivå, utifrån vårdcentralens upptagningsområden. Målsättningen 

Figur 8. Figuren visar ett exempel på hur man kan hämta och bearbeta data ur ett geografiskt 

informationssystem med hjälp av overlay-analys samt presenterar dem geografiskt. Bilden är framställd 

av data som hämtas med en query (SQL) ur ett GIS som i olika skikt innehåller befolkning, sjukskrivningsfall, 

socioekonimoskt graderade NYKO samt vårdcentralsområden. På kartan visas NYKOområden 

dels med färger som anger socioekonomiska nivåer (1-5), dels med nummer. Kartan visar 

också vårdcentralernas upptagningsområden. Diagrammet visar sjukskrivningen för kön och åldersgrupper 

i respektive socioekonomiska områden jämförda med länsgenomsnittet. Inom parenteser 

anges antalet NYKO-områden på respektive socioekonomisk nivå i hela länet. 

var att beskriva sjukskrivningstalen för individer tillhörande olika åldersklasser, 

kön och socioekonomisk gradient. Tekniken illustreras schematiskt 

i figur 9 och innebär att man med boolesk logik söker delinformation från 

ett antal lager i en GIS-karta genom att ”titta” genom flera lager i samma 

geografiska område på respektive kartskikt.


Tredimensionell karta 

En karta kan även ges en tredje 

dimension, där ett variabelvärde 

som incidens eller en uppmätt 

exponeringsnivå utgör z-variabel 

och visualiseras gentemot höjdskalan. 

Figur 10 visar en sådan 

trendyta (eller wirediagram) där 

Figur 9. Principen för att söka information 

från olika skikt i en digital 

GIS-karta. 

den kommunala incidensen i 50 kommuner (se figur 5) utjämnats med så 

kallad krigingteknik. Beroende på hur många kringliggande värden som 

tas med (radie för att fånga in kringliggande observationer i medelvärdesberäkningen) 

samt teknik för utjämning av ytan (se interpoleringsmetoder 

nedan) erhålles olika kartbilder. 

Figur 10. Incidensvariationer av insulinberoende diabetes hos barn i sydöstra Sverige ”smoothad” 

med krigingteknik och återgiven som trendyta (eller tredimensionellt wirediagram) (från referens 1). 

Tiden i kartan 

Det finns även olika metoder för att ange förändringar över tid. Ett enkelt 

sätt att visualisera detta kan till exempel vara att producera en serie kartbilder 

som fångar olika tidpunkter. Det kan dock vara svårt att skaffa sig en 

helhetsbild av förändringsmönstrets dynamik om serien innehåller observationer 

för många tidpunkter. Ett sätt är att göra beräkningar över förändringar 

med till exempel Map Algebra® som är ett rasterkalkylprogram som 

medger beräkningar mellan olika rasterskikt i ett GIS.


Figur 11a nedan visar den första principen där varje tidpunkt (till exempel 

år) anges i var sitt kartskikt medan figur 11b är resultatet av en beräkning 

av förändringen mellan olika rasterskikt i samma område och där förändringen 

allokerats till höjdskalan. Data baserar sig på en sjukskrivningsstudie 

och visar förändringen mellan åren 1997–2000. Mer om 

kartor och tid återges i nästa kapitel. 

Figur 11 a–b. Två sätt att visa geografiska förändringar i tiden. Kartsviten till vänster visar sjukskrivningen 

under fyra år (1997-2000) uttryckt som antal sjukdagar totalt för män och kvinnor räknat 

per försäkrad individ i befolkningen 16-64 år, fördelad på rasterrutor 5x5 km. I figuren till höger har förändringarna 

mellan 1997 och 2000 beräknats i Raster calculator, Spatial analyst, en tilläggsmodul i 

ArcGis och uttryckts som totala antalet sjukskrivningsdagar (färgskala) och förändring i antalet sjukskrivningsdagar 

(relativ höjdskala). 

Topologisk karta 

Topologiska kartor anger inte exakt objektens rumsliga läge med vinklar 

och avstånd utan deras relativa lägen, det vill säga relationen mellan geografiska 

objekt, ofta på ett stiliserat sätt. Karttypen kan användas för nätverksanalyser 

med mera, till exempel inom transportsektorn. Den mest 

kända topologiska kartan är förmodligen Harry Becks undergroundkarta 

över Londons tunnelbana, som först ritades 1933. Den har senare modifierats 

och blivit modell för andra städers tunnelbanekartor. Avstånden 

mellan stationerna är regelbundna och vinklarna standardiserade.


Referenser 

1. Samuelsson U, Löfman O. Geographical mapping of Type 1 diabetes in 

children and adolescents in South-east Sweden. Journal of Epidemiology 

and Community Health 2004;58(5):388-92. 

2. Rothman K, Greenland S, editors. Modern Epidemiology. 2nd ed. 

Philadelphia: Lippincott, Williams & Wilkins; 1998. 

3. Lawson B, Williams F. An introductory guide to disease mapping. 

Chichester: John Wiley & Sons; 2001. 

4. [http://www.mrc-bsu.cam.ac.uk/bugs/winbugs/contents.shtml]. 

5. Löfman O, Shahirnejad B, Svensson K, Söderlund A. Sjukskrivningar i Östergötland 

1997–2000: tidsmönster och geografiska variationer. Linköping: 

Folkhälsovetenskapligt Centrum; 2004.


Några historiska exempel på sjukdomskartering 

Owe Löfman och Anders Schærström 

Även om det länge funnits ett medvetande om sjukdomars geografiska 

mönster och samband med miljön dröjde det till början av 1800-talet innan 

man på allvar började göra kartor över sjukdomar. Skälen är ganska 

uppenbara – man saknade såväl tillförlitliga data som effektiv teknik. I och 

med att tryckeritekniken förbättrades blev det lättare och billigare att göra 

kartor i stora upplagor. En annan viktig omständighet var att man alltmer 

började föra statistik över befolkningen och sjukdomar. Enstaka hälsorelaterade 

kartor är dock kända från 1700-talet och till och med 1600-talet. 

Det finns exempel på tidiga stadskartor med sjukhus markerade och kartor 

över avspärrningar i samband med pestepidemier (1). Redan på 1600-talet 

gjorde John Graunt en banbrytande statistisk-geografisk insats, då han 

utnyttjade data från London Bills of Mortality för att undersöka spädbarnsdödlighet 

och pestepidemier i London, dock utan kartor. 

En av de första att göra mera omfattande sjukdomskartor var Friedrich 

Schnurrer. Hans Charte über die geographische Ausbreitung der Krankheiten 

(1827) anses vara den första globala sjukdomskartan (2). Den första 

som försökte sig på att skriva en global översikt av sjukdomarna i världen 

var den tyske läkaren Leonhard Ludwig Finke (3), som publicerade Versuch 

einer allgemeinen medicinisch-praktischen Geographie, worin der 

historische Theil der einheimischen Völker- und Staaten-Arzneykunde vorgetragen 

wird, i tre delar (1792–1795). Den karta som han sade sig ha gjort 

har emellertid aldrig återfunnits(2). 

När den ena koleraepidemin efter den andra härjade Europa uppstod ett 

behov av kartor över sjukdomens utbredning och flera sådana kom till 

under åren 1820–1860. Den säkert mest kända insatsen i utvecklingen av 

det geografiska perspektivet på hälsa och ohälsa är läkaren John Snows 

kartering av kolerafall i London på 1850-talet (4, 5). Hans arbete innehåller 

flera av de fundamentala inslagen i en epidemiologisk undersökning av 

sjukdomskluster genom att han analyserade punktmönster av dödsfall. 

Man skall lägga märke till att detta skedde vid en tid då den faktiska orsaken, 

cholera vibrione, ännu inte hade blivit upptäckt. Icke desto mindre gav 

Snows briljanta slutsats – att sjukdomen sprids genom förorenat vatten – 

upphov till framgångsrika preventiva åtgärder, bland annat att stänga av 

den infekterade brunnen i Soho. Samtidigt (1854) presenterade Snows


tyske kollega Max von Pettenkofer en motsvarande karta över koleradödsfall 

i byn Aubing, nära München. Denne drog inte riktigt samma slutsatser 

som Snow men sökte ett samband med jordar, grundvatten och organiska 

föroreningar (2). 

Det gjordes flera andra försök att sätta sjukdomar på kartor och söka 

orsakssamband. I Glasgow, sammanställde sålunda Robert Perry med flera 

en karta över en influensaepidemi 1832. J F Malgaigne publicerade en 

karta över bråck bland franska rekryter och jämförde den med kartor över 

användning av olivolja och trakter där det var vanligare att dricka cider än 

vin, eftersom olivolja och cider antogs kunna orsaka bråck. Visserligen var 

detta ett exempel på rationellt tänkande kring orsaker och samband samt 

hur livsstil skulle kunna inverka på hälsan, men Malgaigne måste förkasta 

båda hypoteserna. 

Senare fortsatte Hirsch på den väg Snow visat genom att dokumentera 

den globala utbredningen av åtskilliga infektionssjukdomar och dra slutsatser 

om deras spridningssätt (6). Andra närbesläktade exempel är Palms 

studie (1890) av samband mellan exponering för solljus och rickets (7) 

samt Lancasters teori för ett halvsekel sedan (1956) om samband mellan 

överdriven exponering för solsken och malignt melanom (8). 

Att militära intressen skyndat på en utveckling som sedan blivit till civil 

nytta är känt från flera sammanhang. Ett exempel på att det också gällt 

sjukdomskartläggning är en stor tysk sjukdomsatlas. Läkaren Helmut 

Jusatz sammanställde under andra världskriget ett kartverk över sjukdomsrisker 

i de områden där tyska trupper befann sig eller kunde komma 

att strida. Efter kriget fick han tillsammans med kollegan Ernst Rodenwalt 

och med amerikanskt stöd tillfälle att utveckla arbetet med kartorna till 

den nu klassiska Welt-Seuchen-Atlas som omfattar 120 kartplanscher (9). 

Det tyska verket inspirerade till en motsvarande, men mindre, amerikansk 

atlas över de stora farsoterna: Atlas of Distribution of Diseases gavs ut av 

American Geographical Society under ledning av dr Jacques May (10). 

Det första försöket att kartlägga cancer var antagligen Alfred Havilands 

karta (1875) över cancer bland kvinnor i England och Wales (11), men 

först hundra år senare blev cancer det främsta temat i sjukdomskartor. 

USA, Japan och Kina gjorde sådana under 1970-talets senare hälft. Under 

1980-talet publicerade det ena europeiska landet efter det andra kartverk 

över olika cancerformers utbredning. I Sverige gjordes ingen nationell

canceratlas, men väl några regionala. 

Snow visade prov på rationellt tänkande, men omständigheterna – en 

sjukdom med kort latenstid mellan exponering och utbrott, en enda 

orsakande faktor och den stora risken att insjukna efter exponering – 

underlättade hans upptäckt, till skillnad från de epidemiologiska problem 

som man ofta står inför i dag. Utbredningsmönster för kroniska sjukdomar 

med multifaktoriella orsakssamband, latenstider mellan exponering och 

tydliga symtom som sträcker sig över årtionden och måttligt förhöjda 

risker är utmanande omständigheter i dagens scenarier, där tidsrelationen 

mellan exponering och sjukdom inte är lika uppenbar. 

I dag använder man emellertid likartade metoder när man undersöker 

förekomsten av sjukdomar i närheten av kärnkraftverk, högspänningsledningar 

och avfallsanläggningar. Detsamma gäller förmodade toxiska 

faktorer som sprids genom dricksvattensystem, liksom hiv- och ebolainfektioner. 

Samma tekniker används också i atlaser över till exempel 

cancermorbiditet. 

Referenser 


1. Jarcho S. Yellow Fever, Cholera and the Beginnings of Medical 

Cartography. Journal of the History of Medicine 1970;25:131-42. 

2. Barrett FA. Disease and Geography. The History of an Idea. Geographical 

Monographs. York University – Atkinson College; 2000. 

3. Finke LL. Versuch einer allgemeinen medicinisch-praktischen 

Geographie, worin der historische Theil der einheimischen Völker- und 

Staaten-Arzneykunde vorgetragen wird. Tre delar (1792–1795). 

4. Snow J. On the Mode of Communication of Cholera. Publicerades i flera 

versioner 1849–1855. 


Epidemiological Data. Oxford: Blackwells; 1988. 

6. Hirsch A. Handbook of historical and geographical pathology. Translated 

from the second German edition. London : New Sydenham Society, 

1883.


7. Palm TA. The geographical distribution and ætiology of rickets. Practitioner 

Oct.–Nov. 1890;Vol 45(4-5). 

8. Lancaster HO Some geographical aspects of the mortality from melanoma 

in Europeans. Med J Aust. 1956 Jun 30;43(26):1082-7. 

9. Rodenwalt E, Jusatz H, eds. Welt-Seuchen-Atlas: Weltatlas der Seuchenverbreitung 

und Seuchenbewegung [World Atlas of epidemic diseases] 3 

vol. Hamburg: Falk-Verlag; 1952–1961. 

10. American Geographical Society of New York. Atlas of Distribution of 

Diseases, 1951–1955. 

11. Haviland A. The geographical distribution of heart disease and dropsy, 

cancer in females and phthisis in females, in England and Wales. Smith, 

Elder and Co; 1875.

6.3.. 

Hälsa, plats – och tid 137 

HÄLSA, PLATS – OCH TID Anders Schærström 

Hittills har vi talat om var sjukdomar förekommer och att detta är en nyckel 

till att förstå ohälsans orsaker. Så långt har vi sett på kartor ungefär som 

frysta ögonblick. Men – varje lägesbestämning är också en tidsbestämning. 

Eftersom världen är föränderlig så är en kartbild giltig vid en viss tidpunkt 

eller under en viss tidrymd. Så: när förekommer sjukdomar? För att svara 

på den frågan måste vi först klara ut vad som menas med att sjukdom förekommer. 

Frågan är inte alls så trivial och enkel som den kan tyckas. 

I formell, statistisk och administrativ mening uppträder sjukdom när 

den upptäcks, diagnostiseras och registreras – om den nu blir registrerad. I 

en mera reell, och personlig, mening inträffar sjukdom däremot när någon 

känner sig dålig, vilket ofta – men inte nödvändigtvis – inträffar innan en 

läkare ställer diagnosen. Det är också möjligt att en sjukdom, exempelvis 

cancer på ett tidigt stadium, blir upptäckt vid en rutinundersökning innan 

den sjuke alls har märkt några symtom eller känt något besvär. I biomedicinsk 

mening kan man säga att sjukdom uppträder när en patogen process 

börjar, exempelvis när en cell börjar växa okontrollerat eller när hormonproduktionen 

rubbas. Sådana processer kan ha pågått i flera år innan de 

upptäcks. Det kan finnas ytterligare ett svar på frågan. Innan någon 

egentlig sjukdomsprocess har börjat kan man – ofta utan att vara medveten 

om det – befinna sig i en riskzon, det vill säga vara exponerad för vissa faktorer 

eller leva på ett sätt som kan leda till eller främja en sjukdomsprocess. 

Man behöver förstås inte alltid ange exakt när en sjukdom börjar. Precis 

som vi har anledning att diskutera hur noga man behöver ange var sjukdom 

förekommer (jfr ovan) måste vi fråga oss hur noga sjukdomen måste 

anges i tiden. Det må vara möjligt att ange exakt på minuten när en hjärtinfarkt 

eller en benskörhetsfraktur inträffar, men eftersom dessa plötsliga 

händelser är resultaten av långa processer, är de exakta ögonblicken för de 

utlösande olyckshändelserna eller det akuta tillståndet mindre väsentliga


när man vill sätta riskerna på kartan. Det är också möjligt att ange 

åtminstone på dagen när någon insjuknar i mässling eller influensa, men 

när det gäller långsamma virus, exempelvis hiv, eller neurologiska sjukdomar 

inträffar inte det akuta tillståndet lika plötsligt. 

Problem: tidsrumsförskjutning 

Eftersom exponering och effekt hänger samman inte bara med plats utan 

också med tid, finns det flera omständigheter som komplicerar sjukdomsgeografiska 

eller epidemiologiska studier i det moderna samhället. Tillsammans 

kan de orsaka en förskjutning mellan orsak och effekt som vi kan 

kalla tids- och lägesförskjutning (spatial-temporal lag eller time-space lag) (1). 

• Vissa sjukdomar utvecklas efter långvarig exponering eller långt efter 

exponeringen. Däremellan ligger en inkubations-, induktions- eller 

latensperiod. Effekten kan vara mer eller mindre omedelbar – eller visa 

sig först efter flera dagar eller veckor. Latenstiderna för cancer, hjärtsjukdomar 

med mera, kan sträcka sig över år och rentav årtionden. 

• Rörligheten är hög. Många människor pendlar dagligen över stora 

avstånd, flyttar kanske flera gånger i livet och reser till främmande platser. 

De kommer därmed att exponeras för olika miljöer. Den sammantagna 

effekten för hälsan är inte uppenbar. 

• Bestämningsfaktorer för hälsa och ohälsa sprids. Det är inte enbart 

människor som rör sig, även djur rör sig över stora områden och kan 

föra med sig smittoämnen, vektorer och parasiter, eller latenta sjukdomar. 

Föremål transporteras över långa och korta avstånd. Livsmedel 

transporteras inte bara från ort till ort, utan även från kontinent till kontinent. 

Sjukdomsframkallande faktorer kan spridas med transporter 

eller vindar, vatten och livsmedel. Utsläpp från industrier och jordbruk 

kan spridas miltals från källan. Avståndet mellan orsak och effekt (hälsa 

och sjukdom) kan därför vara mycket stort i såväl tid som rum. Också 

latenta icke-infektiösa sjukdomar ”flyttar” i och med att människorna 

som bär på dem gör det – och därmed kan sådana sjukdomar dyka upp i 

en helt annan miljö än där sjukdomsprocessen startat.


• Under loppet av decennier hinner vår miljö förändras i många avseenden. 

På några årtionden kan förändringarna bli avsevärda. 

Alla dessa omständigheter komplicerar alltså epidemiologiska och geografiska 

studier av sjukdomar. Den plats eller miljö där fall upptäcks och 

diagnostiseras är inte nödvändigtvis samma plats och miljö där exponeringen 

ägde rum eller började. Följaktligen kan det vara helt vilseledande att 

söka orsakerna i de omedelbara omgivningarna där och då sjukdomsfall 

påträffas. Att söka etiologin till ofullständigt utforskade sjukdomar kan 

alltså bli speciellt komplicerat när vi har att göra med mobila populationer, 

kanske i en föränderlig miljö eller när latensperioderna kan antas vara 

långa. 

Om man kartlägger sjukdomsmönstret i ett område vid ett visst tillfälle 

kan man på grund av denna tids- och rumsförskjutning få endast en skenbar 

bild av de geografiska orsakssammanhangen. Sammantaget kan förskjutningen 

i tid och rum vara avsevärd – men mycket svår att uppskatta. 

Härmed har vi i själva verket reviderat den grundläggande geografiska 

principen och antagandet – att den rumsliga förekomsten av sjukdomar ger 

ledtrådar till orsakerna. Det behövs ett perspektiv och en metodik som tar 

hänsyn till föränderligheten. 

Kartor med tidsdimension 

Sjukdomspanoramat är föränderligt. På en konventionell karta kan vi 

pricka in de individer som är drabbade (fallen) vid en viss tidpunkt (prevalens). 

Tidpunkten kan vara mer eller mindre slumpmässigt vald. Vi kan 

också mäta prevalensen med regelbundna intervall. På motsvarande sätt 

kan man pricka in de fall som inträffar under en viss period. När man 

studerar cancer kan det vara relevant att välja en femårsperiod som grund 

för observation, men studerar man en influensaepidemi är kanske en vecka 

en mera rimlig och relevant observationsperiod. Liksom man väljer att 

avgränsa ett område för sin undersökning så väljer man också ett avsnitt i 

tiden. Vad vi alltså kan observera är det som syns i ett avgränsat ”fönster” i 

tid och rum. Vad vi däremot inte kan se på grundval av en sådan – statisk – 

kartbild (det vill säga ett tvärsnitt) är de processer som har föregått – och 

kanske orsakat – sjukdomsfallen. Vad vi möjligen kan veta om ohälsan ur 

geografisk synvinkel är i bästa fall en ögonblicksbild – men vi saknar en


dynamisk bild av förändringarna i tid och rum. När man påpekar att risken 

för att råka ut för en viss sjukdom är högre på platsen A än på B, bör man 

ha i åtanke att detta inte alltid har varit fallet och att risksituationen inte 

har uppstått från dag till annan. Geografer och kartografer har på flera sätt 

försökt komma till rätta med tidsperspektivet och att fånga in dynamiken i 

kartbilden. 

Om man skall åskådliggöra ett spridningsförlopp – en epidemi eller 

pandemi – så kan man i en och samma kartbild lägga in spridningsvägar 

med pilar och ungefärliga isolinjer som anger när smittan nått en viss del av 

världen. Detta är ett vanligt sätt att visa exempelvis hur pest-, kolera- och 

influensaepidemier dragit fram. Kartorna brukar vara ganska ungefärliga 

men kanske tillräckliga för att vissa spridningen i stora drag. När man i dag 

försöker förbereda sig för framtida epidemier vill man emellertid gärna ha 

så exakta uppgifter som möjligt för att kunna göra simuleringsmodeller 

och med GIS beräkna och visualisera spridningsförlopp i tid och rum. 

Ett annat sätt att visa dynamiken i kartor är att göra en svit av kartor 

som var och en visar sjukdomsutbredningen vid en viss tidpunkt. Har man 

tillgång till noggranna data över sjukdomsfall kan man i bästa fall pricka in 

vart och ett på en karta. Ytterligare ett sätt att åskådliggöra förändringar i 

sjukdomsutbredningen är att göra sviter av ytrelativa kartor (koropletkartor) 

där incidensen eller prevalensen beräknats områdesvis vid olika tider. 

Spridningsförlopp följer ofta en viss lagbundenhet, även om slumpmässig 

spridning också förekommer. Geografisk spridningsteori skiljer 

mellan några olika huvudtyper av spridning, såsom närkontaktspridning 

(contagious) och hierarkisk spridning. I det första fallet sprids något (till 

exempel en smitta) från en plats till en annan, närliggande, plats. I det 

andra fallet sker spridningen från en plats högt upp i en ortshierarki (som 

en huvudstad), inte nödvändigtvis till de närmast belägna orterna utan till 

orter på en nivå närmast under i hierarkin (som regionala centra) för att 

därifrån spridas vidare till mindre orter. Orsaken kan vara kommunikationssystemens 

struktur. I realiteten kan man ofta se kombinationer av 

dessa spridningsförlopp.


Individ, population och område 

Epidemiologiska och geografiska studier av hälsa och sjukdom handlar om 

att jämföra relevanta populationer med varandra och med relevanta 

bestämningsfaktorer eller platser. Skall man jämföra ett visst antal fall med 

en hel population eller endast en del av den och – i vilket fall som helst – 

inom vilket område? Huruvida ett hälsoproblem framstår som vanligare än 

förväntat kan bero på hur man avgränsar sin studie i tid och rum. 

När man summerar incidens och prevalens går individuella variationer 

förlorade. Detta gör förstås inte incidens och prevalens irrelevanta som 

utgångspunkt för epidemiologiska studier, men huruvida analyser skall bli 

meningsfulla beror i hög grad på om man kan jämföra relevanta populationer. 

Därför behövs metoder för att identifiera och avgränsa populationer 

så att de kan jämföras med tanke på fysisk och social miljö, levnadsvanor 

och personliga egenskaper. 

Om vi antar att korrelationer kan ge oss viktiga ledtrådar till de faktiska 

orsakerna till sjukdomar, måste det också vara angeläget att söka dessa 

korrelationer på en så logisk och precis grund som möjligt. När man mäter, 

väger och beräknar måste det finnas ett motiv för att välja vissa parametrar, 

mäta dem på ett visst sätt och för att relatera dem på ett visst sätt till 

varandra. Om det inte finns ett tydligt sådant motiv kan alla beräkningar i 

själva verket visa sig meningslösa. 

Bakom varje enskilt fall finns en kedja av omständigheter som har lett 

fram till expositionen och sjukdomen. Den närmaste uppgiften är därför 

att söka precisera hälso- och sjukdomsdata så noga som möjligt i tid och 

rum – liksom befolkningsdata i allmänhet och relevanta miljödata. För den 

uppgiften behövs en begreppsapparat och en tankestruktur som tidsgegografin 

kan tillhandahålla. 

Tidsgeografi – en kort introduktion 

Den tidsgeografiska tankestrukturen, som lanserades och utvecklades av 

Torsten Hägerstrand på 1960-talet, har utvecklats till en omfattande 

mängd tankeredskap. Tidsgeografi är inte en teori som syftar till att förklara 

ett visst fenomen. Snarare är den ett logiskt system av postulat, 

logiska principer och begrepp som åtföljs av en visualiseringsteknik som 

är besläktad med konventionell kartering, men som också har likheter 

med andra icke-verbala uttryckssätt, till exempel noter och kemins


strukturformler. Tidsgeografin utgör en allmängiltig logisk struktur och 

kan vara användbar i vitt skilda sammanhang som kräver analys och 

problemlösning – också för epidemiologiska problem. 

Tidsgeografin kompletterar konventionella kartbilder med tidsdimensionen 

och gör det möjligt att visualisera och analysera förlopp eller processer. 

Ett tidsgeografiskt axiom är att individen är den minsta odelbara 

enheten i samhället och därför skall man i princip kunna följa individers 

rörelser, uppehållsorter och förehavanden och avbilda dem som obrutna 

linjer genom tid och rum. Den bana som varje individ på så sätt följer kan 

man rita som en så kallad trajektoria. Precis som på konventionella kartor 

kan man visa mer eller mindre detaljer, beroende på vilket syfte man har 

med studien och den information man har tillgång till. 


Tidsgeografi 

Tidsgeografin har beskrivits som ett allmänekologiskt synsätt samt 

som en metod för att beskriva hur händelseförlopp som pågår samtidigt 

flätas samman (Nationalencyklopedin). 

Man kan säga att tidsgeografin består av en uppsättning logiska 

principer, en terminologi och en speciell visualiseringsteknik som 

utgår från tids- och rumsdimensionerna samt mänskliga behov och 

social samverkan. 

En grundprincip är att varje individs levnad kan ses som en obruten 

bana, en trajektoria, (trajcetory) genom tid och rum. Alla enskilda 

människors – och föremåls – banor vävs samman med varandra, och 

löper genom olika miljöer, situationer eller kontexter. Med detta synsätt 

kan man i princip knyta allehanda tillgänglig information till 

punkter på individbanan, till exempel olika slags exponering, och få 

en mera dynamisk bild av händelseförlopp än konventionella kartor 

eller tidsserier medger. En bild av flera trajektorier i ett avsnitt av tid 

och rum kallar man ett tidsgeografiskt diorama. 

Centralt i den tidsgeografiska metodiken är restriktioner. Man 

skiljer mellan tre slag av restriktioner, nämligen kapacitets-, kopplings- 

och styrningsrestriktioner. Kapacitetsrestriktioner (capability


constraints) omfattar alla biologiska och fysiska begränsningar som 

människor (och även andra varelser eller föremål) är underkastade. 

Märk väl att kapacitetsrestriktioner kan vara snävare för vissa människor 

– exempelvis funktionshindrade – än för andra. Kopplingsrestriktioner 

(coupling constraints) är alla de formella och informella 

regler som samordnar mänskliga aktiviteter. Samordning i tid och 

rum är en förutsättning för såväl många arbetsuppgifter som fungerande 

familjeliv, för undervisning, sammanträden, kollektivtransporter, 

teaterföreställningar etc. Styrningsrestriktioner (authority 

contraints) sammanfattar formella och informella förhållanden i 

form av makt, inflytande och kontroll. Styrningsrestriktioner handlar 

också om behörighet och tillträde. 

Domän (domain) är ett begrepp som hänger nära samman med 

styrningsrestriktioner. Det syftar på utrymmen som är avsedda för 

speciella ändamål och som därför inte är fritt tillgängliga. 

Ordningsfickor (pockets of local order) är tidsgeografins sätt att 

beteckna sådana situationer och tillfällen som på något vis är ordnade 

till skillnad från de situationer som uppstår slumpmässigt. Ordningsfickor 

kan alltså vara lektioner, sammanträden, måltider tillsammans 

med familjen, tandläkarbesök, kirurgiska operationer, konserter, 

flygresor, demonstrationer … Ordningsfickorna är med andra ord 

definierade med tanke på rum, tid och aktivitet – till skillnad från 

folkvimmel på gator, oplanerade möten, naturkatastrofer, upplopp 

och rena olyckshändelser. 

Under ett dygn rör vi oss mellan och genom åtskilliga miljöer, särskilt 

bostäder och arbetsplatser, men också yttre miljöer (gator och vägar, 

kollektiva transportmedel, butikslokaler, natur, idrottslokaler etc.). I ett 

längre tidsperspektiv hinner vi resa och flytta åtskilliga gånger över betydligt 

större avstånd. Om vi föreställer oss – och till och med försöker göra kartor 

över – hur folk i allmänhet rör sig skulle resultatet kunna bli en ganska 

invecklad bild. Det viktiga är emellertid inte att rita upp alla upptänkliga 

rörelser i tid och rum utan att tillämpa denna insikt i sina analyser. 

Att många växlar mellan flera olika miljöer kan betyda mycket i 

epidemiologiska sammanhang, eftersom det är på alla dessa platser som vi 

kommer i kontakt med sjukdoms- och skaderisker, men naturligtvis också


Tim 

Sammanträde 

Jobb 1 

Butik 

Jobb 2 

Dagis 

Skola 

Fotbollsplan 

Rum 

Figur 1. En dag i en familjs liv. Det tidsgeografiska dioramat åskådliggör med trajektorier hur de fyra 

medlemmarna i en familj (två vuxna och två barn) rör sig och vad de gör under ett dygn – hur de förflyttar 

sig mellan domäner och tidrumsfickor. Figuren antyder också en del av de hälsorisker som förekommer 

i vår dagliga omgivning. Fetstil anger stationer i dioramat. Svarta pilar och kursivstil anger 

riskfaktorer (2). 

med sådant som kan påverka hälsa och välbefinnande i en gynnsam riktning 

(se figur 1). Under vår livstid exponeras vi alla för en mångfald av miljöfaktorer 

som påverkar oss i många avseenden, inklusive hälsotillståndet, 

till det bättre eller sämre. En fråga som därmed inställer sig är i vad mån vi 

har möjlighet att välja – kan vi undgå dessa exponeringar genom att välja 

bostad, bostadsort, yrke, arbete, livsstil? 

Sjukdomslandskap och hälsolandskap 

Ofta är det svårt att beräkna frekvensen av en sjukdom i förhållande till en 

viss befolkning (exponerade, at risk) eftersom man endast kan använda 

aggregerade befolkningsdata för en viss tidpunkt. Det innebär att befolkningsdynamiken 

går förlorad. I vissa områden – exempelvis studentbostadsområden 

– är omsättningen som man lätt inser mycket hög. Andra 

områden kan vara påfallande stabila. I statistiken brukar man kunna utläsa


brutto- och nettosiffror för kommuner, län och länder – hur många har 

fötts, avlidit, flyttat ut respektive in under loppet av ett år. Men i själva 

verket är dynamiken mera komplicerad än så (se figur 2). Av dem som 

fanns i området vid periodens början kan några ha flyttat och några avlidit 

medan andra finns kvar. Av dem som flyttade in under perioden kan några 

vara kvar, medan andra avlidit eller flyttat vidare. Samma resonemang kan 

man föra beträffande dem som fötts under perioden. På så sätt får man 

flera demografiska förlopp att beakta och andra siffror än brutto- och 

nettosiffrorna anger. Med andra ord kan man särskilja flera delpopulationer 

bland de människor som under en viss tid befolkar ett område, om 

man tar hänsyn till hur länge de finns där, exponeras där och kanske själva 

påverkar området. 

Ur epidemiologisk och folkhälsovetenskaplig synvinkel är det förstås 

väsentligt att veta hur omfattande denna omsättning av personer är. Hur 

Figur 2. Detta tidsgeografiska diorama illustrerar på ett schematiskt vis hur hälsan påverkas längs 

individers livsbanor. Fem personer, a–e, bor i område A under observationsperioden t1–t2 (som exempelvis 

skulle kunna vara ett landstingsområde, där man mäter sjukdomsincidens och -prevalens). 

Emellertid har a, b, d och e flyttat in till detta område vid olika tillfällen i sina liv och de har påverkats 

av olika patogena agens eller bestämningsfaktorer längs vägen, såväl före som efter inflyttningen till 

A, symboliserade av svarta pilar. Lägg märke till hur ett tillfälligt möte mellan ett par individer e och f 

(som inte alls har någon anknytning till området A) kan resultera i att en sjukdomsframkallande faktor 

överförs, vars effekt kanske inte visar sig förrän långt senare (2).


viktiga delpopulationerna är beror givetvis på hur stort området är och hur 

lång period man intresserar sig för. 

Om man för resonemanget ett steg vidare visar detta perspektiv att 

konventionella kartor över incidens eller prevalens, i ett avgränsat område 

under en begränsad tid utan hänsyn till befolkningsdynamiken, kan leda 

till en felaktig kartbild (figur 2). Den insikten är naturligtvis en utmaning 

för framtida geografisk och epidemiologisk forskning. Den öppnar också 

oanade möjligheter om man kan ta geografiska informationssystem i bruk, 

men det förutsätter att man samlar in data på ett sätt som är inte enbart 

medicinskt utan också geografiskt relevant. 

Tidsgeografin – vad tillför den? 

Hittills har tidsgeografin inte i någon större utsträckning använts i 

epidemiologiska studier. Som metodik i det sammanhanget står den för 

något mer än longitudinella studier och tvärsnittsstudier. Det tidsgeografiska 

tillvägagångssättet är mera än bara en konventionell platt karta och något 

annat än statistiska tidsserier. Till skillnad från tvärsnittsstudier inkluderar 

tidsgeografin tidsdimensionen. I det avseendet liknar det tidsgeografiska 

tillvägagångssättet det longitudinella, men en longitudinell studie behöver 

inte ha någon rumslig dimension, vilket är en självklarhet i det geografiska 

arbetssättet. Tidsgeografiska studier kan tillämpas såväl på enskilda individer 

som på kohorter. En poäng med tidsgeografin är att komma dynamiken 

i verkligheten närmare än man gör med statistiska aggregat, tidsserier eller 

konventionella statiska kartbilder. En annan är att upptäcka samband som 

inte syns i sådana. Vidare kan man identifiera relevanta delpopulationer för 

epidemiologiska jämförelser. 

Även om tidsgeografiska analyser ofta fokuserar individer kan vi aldrig 

komma ifrån att individerna ingår i ett vidare sammanhang i tid och rum. 

Man kan säga, att våra biografier formas genom att allehanda omgivningsfaktorer 

och omständigheter projiceras på oss längs levnadsbanan. Ritar 

man ut denna får man en linje, som man kan knyta information till på vilken 

punkt som helst. Varje punkt på individbanan kan användas för att 

samla in information om individernas situation – om social och fysisk 

miljö, om sysselsättning och familjeförhållanden, sociala nätverk, dagliga 

rutiner, vanor etc. – allt insatt i en viss fas av livet (3). Onekligen är detta en 

mycket ambitiös vision, men poängen är att åstadkomma en mera


verklighetsnära beskrivning än många av dem som har använts i epidemiologiska 

sammanhang. Även om man aldrig kan – eller bör – kartlägga 

människors liv i minsta detalj, så kan man se principen som ett ideal. Den 

obrutna livsbanan garanterar att händelser som knyts till den presenteras 

på ett logiskt och korrekt sätt. Därigenom blir inte enbart var händelser 

inträffat tydligt, utan också relationer före och efter händelserna. 

Det avgörande är hur man skall bära sig åt för att finna så precisa data 

som möjligt. En hel del data finns onekligen i arkiv, register och databaser. 

En annan möjlighet att fånga data är att intervjua personer om deras dagliga 

rörelser och förehavanden. Man kan låta försökspersoner beskriva sina liv 

och rörelser i dagböcker på det sätt som Kajsa Ellegård (4, 5, 6)och Kersti 

Nordell (4, 7) har gjort. Och om vi vill mäta någon sorts fysisk eller kemisk 

exponering kan vi låta försökspersoner bära GPS, dosimetrar eller andra 

instrument och dokumentera deras rörelser, kanske i kombination med 

dagböcker. 

Men … 

Ingen metod kan leda till resultat som är bättre än de data som man stoppar 

in i den och tidsgeografin är förstås inget undantag. Den kräver noggrannhet 

i rum och tid, liksom validitet och reliabilitet hos de data man använder. 

Tidsgeografin kommer inte att göra statistiska och matematiska metoder 

överflödiga. Inte heller konkurrerar den med laboratorieexperiment. Men 

med sin strikta logik och struktur kan tidsgeografin bidra till att tydliggöra 

epidemiologiska samband. 

Läsa vidare 

Vill man veta mer om hur olika karttyper kan användas för att åskådliggöra 

ohälsa, kan man läsa Cliff och Haggett (8). Några brittiska geografer 

har lyckats dokumentera samtliga mässlingsepidemier som inträffat på 

Island under 100 år och beskriva dem i kartor (9). 

Beträffande tidsgeografin finns ingen egentlig introducerande lärobok, 

men man kan börja med Ellegård och Nordell (4) och fortsätta med artiklar 

av Ellegård (5, 6), Hägerstrand (10, 11, 12), Lenntorp (3) eller Szegös 

böcker (13, 14). Hur man kan tillämpa tidsgeografin på exponering och 

ohälsa utvecklas av Schærström (2).


Referenser 

1. Picheral H. Géographie médicale, géographie des maladies, géographie de 

la santé. L’Espace géographique no 1982;3:161-75. 

2. Schærström A. Pathogenic Paths? A time geographical approach in medical 

geography. Doktorsavhandling. Meddelanden från Lunds universitets 

geografiska institutioner; Avhandlingar 125; 1996. 

3. Lenntorp B. Biografier, diagnoser och prognoser. I: Självmord som 

existentiellt problem. Rapport 92:7, s. 63-76., Stockholm: Folksams 

vetenskapliga råd Forskningsrådsnämnden, ; 1992. 

4. Ellegård K, Nordell K. Att byta vanmakt mot egenmakt. Metodbok. Självreflektion 

och förändringsarbete i rehabiliteringsprocesser. Johansson & 

Skyttmo Förlag; 1997. 

5. Ellegård K. A time-geographical approach to the study of everyday life of 

individuals – a challenge of complexity. Geojournal 1999;48:167-75. 

6. Ellegård K. Contexts of everyday life – a new time-geographic approach 

to the study of everyday life. Department of Home Economics and 

Craft Science, University of Helsinki; 1999. ISBN 951-45-8554-2, ISSN 

1456-4912. 

7. Nordell K. Kvinnors hälsa – en fråga om medvetenhet, möjligheter och 

makt. Att öka förståelsen för människors livssammanhang med 

tidsgeografisk analys. Serie B, No 101. Publications edited by the 

Department of Human and Economic Geography, Göteborg University; 

2002. 


Epidemiological Data. Oxford: Blackwell 1988. 

9. Cliff AD, Haggett P, Ord JK, Versey JR. Spatial Diffusion. An historical 

geography of epidemics in an island community. Cambridge University 

Press; 1981. 

10. Carlestam G, Sollbe B, red. Om tidens vidd och tingens ordning. Texter av 

Torsten Hägerstrand. Stockholm: Statens råd för byggnadsforskning; 

1991.


11. Hägerstrand T. Survival and Arena. On the life-history of individuals in 

relation to their geographical environment. The Monadnock June 

1975;49. 

12. Hägerstrand T. Samhälle och natur. Rapporter och notiser 110. Institutionen 

för kulturgeografi och ekonomisk geografi vid Lunds universitet; 

1992. 

13. Szegö J. Human cartography. Mapping the world of man. Gävle: Byggforskningsrådet 

(Swedish Council for Building Research); Solna: 

Svensk Byggtjänst,1987. 

14. Szegö J. Mapping hidden dimensions of the urban scene. Gävle: 

Byggforskningsrådet, (The Swedish Council for Building Research); 

1994. Stockholm: Almqvist & Wiksell International.

att använda gis för analyser av hälsa – ohälsa, sjukdomar och deras determinanter 151 

6.4.. 

ATT ANVÄNDA GIS FÖR 

ANALYSER AV HÄLSA – OHÄLSA, 

SJUKDOMAR OCH DERAS 

DETERMINANTER Åke Sivertun 

Geografiska Informationsystem – GIS – blir mer och mer användbara inte 

enbart för att kartera hälsorelaterade ämnen utan också för att analysera 

olika aspekter av hälsa och ohälsa. Data med allt högre upplösning blir tillgängliga 

och det är ibland möjligt att övervaka miljöeffekter i realtid, vilket 

ger oss mycket bättre möjligheter att förebygga och ingripa i tid (early warning 

systems). Sverige och de andra skandinaviska länderna har unika 

förutsättningar att arbeta med GIS-baserade analyser genom att det finns 

åtskilliga databaser som kan användas för att analysera korrelationer mellan 

vissa miljöfaktorer och hälsoutfall, såsom strålning och cancer. 

Vid läsning av vetenskapliga tidskrifter i såväl medicin som informatik 

finner man att flera författare hävdar att frågeställningar kring hälsa och 

sjukdomar har en rumslig – geografisk – komponent. Det gäller såväl uppkomsten 

av ohälsa kopplad till miljöfaktorer som spridningen av smittsamma 

sjukdomar kopplad till miljöfaktorer. 

Tack vare GIS har möjligheterna att göra studier där man tar med såväl 

rumsliga som mångfaktoriella parametrar ökat. Det är inte bara mängden 

data och de områden som är möjliga att studera som förändrats, utan även 

de frågeställningar som är möjliga att ställa och eventuellt besvara. Detta 

kan dock medföra att data som samlats in under tidigare paradigm ibland 

inte passar att använda i motsvarande GIS-baserade undersökningar. När 

man gör GIS-baserade studier är det fördelaktigt om man undersöker hur 

data skall kunna användas även i andra studier. Detta kan i många fall


motivera merkostnaden som följer av att man koordinatsätter data och 

kopplar dessa till andra geografiska databaser. Det kan även vara av värde 

att se till att materialet går att använda i mer traditionella epidemiologiska 

studier för att möjliggöra korsvalidering av de resultat man får med tidigare 

studier. 


Geografiska informationssystem 

Ett geografiskt informationssystem (GIS) är ett datorstött system för 

att samla in, lagra, bearbeta och förmedla lägesbestämd information. 

I varje informationssystem ingår datorer, särskilda inenheter (såsom 

GPS-mottagare, scanners och digitaliseringsbord), register eller 

andra databaser, programvaror och metoder för att göra bearbetningar, 

beräkningar och analyser. Kunskaperna hos de människor 

som utför arbetet och hur organisationerna som utför arbetet är 

organiserade är ytterligare faktorer av betydelse för ett GIS. Det som 

skiljer GIS från andra informationssystem är att informationen kan 

knytas till ett visst läge på jordytan direkt - via en GPS - eller indirekt 

- genom att man kombinerar uppgifter ur olika register, till exempel 

fastighetskoordinater och adresser. Resultatet kan sedan presenteras 

och åskådliggöras i form av bla kartor. Informationen om olika företeelser, 

såsom markanvändning, vegetation, buller och hälsa, kan ses 

som olika skikt som kan kombineras utifrån olika frågeställningar 

(se figur 1). 

Det finns två olika sätt att representera data i ett GIS – raster- och 

vektormetoderna. 

Ett raster åstadkoms genom att jordytan delas in i ett rutnät, där 

varje ruta klassificeras med avseende på sina egenskaper - tex. 

markanvändning, folkmängd ed. Vektorrepresentation innebär att 

de geografiska objekten kodas som punkter, linjer eller polygonytor.


• Markanvändning 

• Vegetation 

• Geologi/jordarter 

• Hydrologi/avrinningsområden 

• Terrängmodeller 

• Lokalklimat 

• Buller 

• Hälsa 

• Socioekonomi etc. 

Figur 1. Principen för ett geografiskt informationssystem. 

GIS-metoder 

GIS som brygga mellan olika kunskapsområden 

och vetenskapliga discipliner 

En av de stora fördelarna med ett geografiskt informationssystem är att det 

kan underlätta och i en del fall till och med möjliggöra analyser av företeelser 

där flera faktorer är med och påverkar. Det kan gälla komplicerade 

analyser av olika miljöfaktorer som kan tänkas påverka människors hälsa. 

Det kan vara naturliga omständigheter som tillsammans med antropogena 

– människogenererade – faktorer skapar problemen. Detta är analyser som 

kräver samarbete mellan geologer, hydrologer, strålningsfysiker, geografer, 

medicinare med flera. Det uppstår då ofta problem genom att man använder 

sig av olika begrepp och modeller (ontologier) inom de olika professioner 

som måste samarbeta för att lösa dessa frågor. Det gäller de grunddata 

och kartor som behövs i analyserna och dessutom skiljer sig ofta analysmetoderna 

åt. Även om vi enas om att använda rumslig statistik för att analysera 

kluster av mätpunkter som gäller en miljöfaktor med misstänkt 

hälsoeffekt, måste olika metoder samverka för att resultaten ska bli rättvisande. 

Många av dem som arbetar med GIS hävdar att kartan i ett GIS 

kan vara en sådan plats där vi kan diskutera hur våra världsbilder skall förenas 

eller åtminstone komma fram till hur de skiljer sig åt så att vi vet hur vi 

skall gå vidare för att söka kunskaper. Att identifiera de vita fläckarna på 

kartan kan ibland vara första steget till att komma överens.


En annan problematik uppstår när vi skall lägga samman delresultaten i 

våra undersökningar och validera dem mot varandra eller analysera var vi 

har samvariation mellan dessa. Här kommer vi till nya utmaningar genom 

att den rumsliga upplösningen – liksom de tidsskalor vi använder – varierar. 

Nu utvecklas teorier och metoder för att hantera dessa tvärvetenskapliga 

problem både inom de olika vetenskapsområden och verksamheter 

som använder sig av GIS men även i de forskargrupper som 

specialstuderar denna problematik. Dessa grupper håller nu på att utveckla 

teorier och metoder som sammanfattningsvis benämns Geographical Information 

Science GISc. 

De rumsliga komponenter som kan vara intressanta att studera kring 

hälsa, ohälsa och sjukdomar gäller såväl analyser av var de förekommer 

som hur dessa är kopplade till miljöfaktorer. När man analyserar spridningen 

av smittsamma sjukdomar kan det även vara intressant att identifiera 

eventuella vektorer och spridningsvägar samt var eventuellt mottagliga 

populationer befinner sig och hur de rör sig. Många livsstilrelaterade sjukdomar 

och annan ohälsa har klara kopplingar till de socioekonomiska och 

psykosociala förhållanden som människor lever under. Detta innebär att 

ett effektivt folkhälsoarbete skulle gagnas av ett intimt samarbete mellan 

alla de aktörer som sysslar med hälsorelaterade frågor. I Sverige finns i dag 

flera huvudmän för detta. Kommuner, landsting och privata vårdgivare 

skall samsas med försäkringskassor och sociala myndigheter, polis, räddningstjänst, 

miljö- och hälsovårdsmyndigheter och så vidare. Tillgängliga 

studier visar att samhället skulle kunna få ett mycket positivt utbyte av att 

satsa på en transparent informationsförsörjning mellan de olika aktörerna 

som även inkluderar kartor och lägesbestämd information. Digital information 

och digitala kartor är dyra att producera och underhålla, men precis 

som all annan digital information kan de mångfaldigas och spridas till 

nya användare och för nya användningsområden till ringa kostnad. Det 

innebär att för varje ny användare blir kostnaden lägre och användbarheten 

bättre genom att nya data och ny information tillkommer. 

I dag har de flesta kommuner, landsting och andra myndigheter samt 

företag GIS-databaser men det saknas på många håll kunskaper om hur de 

skall användas för analyser i exempelvis folkhälsoarbetet. Det finns 

navigationssystem som kombinerar GPS och GIS i en stor del av våra 

utryckningsfordon. Även i andra fordon håller navigatorer på att bli var


mans egendom. Genom att fler har möjlighet att ladda ner relevanta kartor 

och utnyttja tjänster för positionering blir dessa grundläggande data alltmer 

tillgängliga i samhället och snart – förhoppningsvis – till försumbara 

kostnader. Genom att utveckla metoder där man utnyttjar dessa databaser 

– inte bara för att kartera och visa var problemen finns – utan även för 

avancerade analyser, ökar våra möjligheter att intervenera och förebygga. 

Genom att detaljerat kartlägga var miljöstörande faktorer finns kan man 

etablera kunskap om eventuella samband med manifesterad ohälsa och ge 

möjlighet att utveckla riktlinjer och handlingsplaner för att effektivt 

bekämpa orsakerna. 

När det gäller smittsamma sjukdomar kan GIS bidra till att identifiera 

tillväxtområden, vektorer och deras miljöer samt riskpopulationer. Detta 

är metoder som i dag utvecklas internationellt för att bekämpa stora 

infektionssjukdomar, men även för att snabbt och säkert identifiera behov 

av insatser vid större katastrofer eller händelser där man befarar att 

människor kan komma till skada. 

Just vid räddningsinsatser finns ett uttalat behov av samverkan mellan 

olika aktörer. Svenskt och internationellt regelverk prioriterar insatser för 

att rädda människoliv högst – därefter kommer såväl natur- som kulturmiljöer 

följt av egendom och sist verksamhet. Det innebär att de livräddande 

insatserna snabbt måste följas av insatser för att säkra dricksvatten, 

någon form av skydd och bostad, livsmedel, mediciner och hälsovård. 

Att se till att människor känner trygghet mot våld, stöld eller trakasserier 

liksom att skydda kulturella, religiösa och andra institutioner bidrar till att 

hålla människor vid gott mod och till folkhälsan i vidare mening genom att 

bidra till att vidmakthålla positiva sociala strukturer. För att sådana insatser 

skall bli effektiva krävs en samordning av informationen om insatserna i tid 

och rum för beslutsstöd, vilket ett rätt implementerat, avancerat GIS skulle 

kunna bidra med. 

Hur kan man påvisa samband i ett GIS? 

Samma krav på stringens finns när man analyserar ett fenomen i GIS som i 

andra typer av analyser. Det måste alltså (enligt Bradford Hill) finnas: 

1. Ett starkt statistiskt samband mellan de faktorer som skall analyseras.


2. En tidsrelation (temporal effekt) där orsakerna måste komma före 

effekten (problem vid långvarig eller oregelbunden exponering). 

3. En dos-responsrelation så att en förändrad exponering ger en högre 

incidens (problem vid U-format samband). 

4. Biologisk plausibilitet – att sambandet stämmer med tidigare iakttagelser, 

experiment, djurförsök eller dylikt. 

5. En analogi med resultaten från liknande studier. 

6. Experimentella belägg. 

7. Förekomsten av en viss vektor. 

8. Dessutom kan man tänka sig ett rumsligt-geografiskt samband med 

andra förklaringar. 

Det geografiska sambandet visar på samband i rum och tid som är komplext 

eller där koncentrationen av fall gör att en sjukdomsalstrare kan leva 

vidare. Samband som är okända kan visa sig här och ställa krav på förklaringar 

på det sätt som Snows kolerafall i London visade på ett samband med 

vatten, utan att man visste vad i vattnet som orsakade sjukdomen. I ett GIS 

kan man generera sådana hypoteser, få hjälp att formulera nya frågor samt 

få svar på var man kan förvänta sig förekomsten av ett visst ohälsotal. Även 

om man inte till fullo kan bevisa ett kausalt samband ger analysresultaten 

möjlighet till övervakning, alarmfunktioner, jämförelse över tid och att 

prova olika former av prevention och intervention i de områden där man 

hittar stora problem. 

Hur skall data vara ordnade för att passa i ett GIS? 

Den viktigaste egenskapen hos de data man vill använda är att de har en 

geografisk koppling. Denna geografiska koppling bör vara så exakt som 

möjligt eftersom många exponeringar är lokala. Till exempel kan radonvärden 

variera från mycket höga till nästan obefintliga inom endast ett par 

hundra meter beroende på att källorna till radonet följer de geologiska formationer 

som kan innehålla uran. Förekomst av uran kan uppskattas beroende 

på de olika former av berggrund och lösa jordavlagringar som 

erfarenhetsmässigt har höga uran- och därmed radonhalter. Det man då


letar efter är framför allt vissa uranrika graniter, kvartsiter, syeniter, vulkaniter 

och pegmatiter. Alunskiffer och många andra typer av berggrund kan 

innehålla uran som när det sönderfaller ger upphov till radon. Genom 

inlandsisen blev mängder av sådan berggrund krossad till finare fraktioner 

som sedan avsattes i landskapet som bland annat moränryggar och rullstensåsar. 

Genom att kartera var dessa geologiska formationer finns får 

man en god indikation på var man kan befara radon. Halten av uran kan 

variera i de olika materialen, vilket innebär att denna kartering måste kompletteras 

med mätningar. Dessa mätningar måste utföras så att man tar 

hänsyn till lerlager eller andra täta jordar som förhindrar radonet från att nå 

markytan just där. Man kan få en missvisande bild av den generella risken i 

området, eftersom det i sådana områden räcker med att man tar hål i det 

täta lagret genom att borra en brunn eller gräva en grund för att man skall 

få en lokalt mycket hög radonhalt. Problem med lokala gångbergarter, 

sprickor med mera, komplicerar bilden än mer. Flygradiometriska mätningar 

används som en annan metod för att hitta variationer i bakgrundsstrålningen. 

Radon kan även finnas i grundvattnet och därmed transporteras långa 

sträckor för att slutligen följa med in i husen – speciellt genom våtutrymmen 

och genom kulvertar eller dylikt. Det är således bäst om man 

kan genomföra en stratifierad mätning av flera olika utrymmen i det enskilda 

huset om man vill få en någorlunda rättvisande bild av radonhalten i inomhusluften. 

När det gäller exempelvis radon är GIS ett användbart verktyg 

för att integrera dessa olika källor och mätningar. GIS måste dock kompletteras 

med andra undersökningar av vädringsmönster och hur livsstil 

och många andra faktorer (rökning, dusch- och bastuvanor etc.) påverkar 

exponeringen och därefter hur mycket radon man faktiskt får i sig samt 

vilken effekt detta får (figur 2). 

Vill man kartera befolkning och exponering krävs det att man vet var 

varje människa bor med mycket hög precision. Det kan man åstadkomma 

genom att använda adresser – framför allt sådana där man kan identifiera 

bostadshusets exakta position. Fastighet kan vara ett alternativ, men då får 

man oftast bara centrumkoordinaten för fastigheten och är det på landet – 

med stora fastigheter – blir felen stora även om siffrorna som presenteras 

har en fiktiv meternoggrannhet. Andra geografiska referenser och adresser 

som är användbara för hälsorelaterade studier är till exempel nyckelkodområden 

(NYKO) som är de statistikområden många kommuner använder


Figur 2. Dos-respons- och hälsoeffekter. 

sig av. Områdena kan anges på 6 eller 4 – siffernivå beroende på om det är 

ett mindre kvarter som avgränsats eller om det är en lite större stadsdel som 

avses. Dessa områden skall genom sin avgränsning vara socialt homogena, 

men eftersom människor flyttar och man får en naturlig succession genom 

att människor åldras, barnen flyttar ut etc., blir inte ens så små områden 

jämförbara över tiden. Risken blir att man hamnar i en ekologisk fallgrop 

där genomsnitten av ålder, inkomst eller andra faktorer döljer skillnader 

som kan kopplas till och eventuellt bidra till att förklara ohälsa (figur 3). 

Ekologiska fallgropar 

När man arbetar med ohälsodata på aggregerad nivå missar man ibland 

kluster av ohälsa som skulle kunna härledas till miljöfaktorer eller andra 

bakgrundsfaktorer med en utbredning i tid och rum. 

Jämför man geografiska områden och bara ser till den genomsnittliga 

fördelningen av det ohälsotal som studeras, kommer man inte att upptäcka 

det kluster av fall som kan identifieras då man arbetar med de individuella 

fallen i ett GIS. För att kunna utröna om detta kluster bara är tillfälligt eller 

hänger samman med befolkningsfördelningen i områdena finns ett flertal 

tekniker utvecklade. Förutom fallen måste således den övriga befolkningen


Figur 3. Data med olika rumslig upplösning. 

finnas registrerad med motsvarande höga rumsliga upplösning. Därefter 

måste man analysera klustren av fall i relation till befolkningsbasen. För att 

utröna om klustren är äkta kan man med rumsliga statistiska metoder jämföra 

ett antal iterationer 1 av slumpvisa kluster med det kluster man har och 

räkna fram sannolikheten för att det uppmätta klustret skulle vara slumpmässigt. 

De statistiska metoderna skiljer sig mellan kluster av miljöfaktorer 

såsom metaller eller radon och biologiska faktorer och kluster av människor. 

Dessa skillnader har att göra med olikheterna i den rumsliga (spatiala) 

autokorrelationen som finns mellan objekten i dessa olika typer av företeelser 

– klasser av objekt. Radonvärden hänger exempelvis intimt samman 

med den berggrund eller de lösa jordlager som innehåller uran och därmed 

radon. Människor har ett större mått av rörelsefrihet även om bebyggelse 

och vägar skapar zoner och korridorer där de flesta bor och rör sig. Om 

man vill kunna göra ekologiska studier är det därför av vikt att man redovisar 

var de människor bor som drabbas av ohälsa. Eftersom många sjukdomar, 

exempelvis cancer, har långa latenstider mellan exponering och diagnos, 

är det viktigt att kunna följa enskilda patienter och hur de bott och 

levt under ett stort antal år. 

1 Iterationer = upprepade beräkningar som börjar med ett grovt närmevärde och fortsätter med 

bättre approximationer.


Geokodning av adresser 

Geokodning av adresser kan göras på ett flertal sätt. Även om man kopplar 

befolkningen till små statistikområden (se figur 4) får man problem genom 

att den interna sammansättningen kan ändras och att det är svårt att studera 

populationen med avseende på miljöexponeringar. Genom att kunna 

hantera varje individ som informationsbärare undviker man en lång rad av 

dessa problem. Ur registren kan man emellertid inte dra slutsatser om den 

exakta exponeringen eftersom det är fråga om folkbokföringsadressen och 

inte den adress där man faktiskt bor 2 . Bostadsadressen är emellertid ingen 

helt olämplig grund för beräkning av exponering. Våra studier visar att det 

endast är ett fåtal som flyttar runt och att vi trots allt tillbringar en stor del 

av dygnets timmar i hemmet. För äldre och barn är de timmar man vistas 

hemma ännu fler. Människor kan flytta runt och pendlar till och från arbetet 

vilket också gör dem svåra att studera. Om man utvecklar såväl GISverktygen 

som informations- och kommunikationsteknologin kan man 

emellertid följa till och med individer och räkna ut exponeringar av luftföroreningar 

eller annat. Genom att geokoda adresser med geografiska 

koordinater har vi friheten att aggregera de data som personerna har med 

Figur 4. Traditionell statistik på områden visar i detta exempel inte på någon signifikant annorlunda 

förekomst av en sjukdom. (Antalet fall är detsamma i alla fyra områdena.) Det är först när man analyserar 

kluster som man ser att fallen är geografiskt koncentrerade och man kan få uppslag att gå vidare 

med att söka förklaringar. 

2 Ganska många människor vistas mest på en annan adress än den där de är folkbokförda, till 

exempel studenter, veckopendlare och de som vistas på olika slags vårdinstitutioner.


sig på lämplig reduktionsbas (se figur 5). Om det är lämpligt kan hänga 

samman med krav på sekretess eller att man måste ta till ett större område 

för att kunna redovisa ett signifikant samband. Näst efter koordinaten (om 

det inte är fråga om en centrumkoordinat från en stor fastighet) är gatuadressen 

att föredra. Därefter kommer andra typer av kopplingar till 

NYKO-område, församling eller annat område. Genom koordinaterna kan 

dessa data även kopplas till andra typer av data och kartor såsom radonkartor, 

flyg- och satellitscener med mera. I alla lägen måste man emellertid 

hålla reda på noggrannheten i lägesangivelsen. Man kan i normalfallet 

ange en position med ±10 m på en karta med skalan 1:10 000 och ±50 m på 

en karta med skalan 1:50 000 och så vidare. 

Figur 5. Principen för att integrera geokodade objekt. Fem olika slags objekt (fastigheter, adresser, 

topografiska data, administrativa gränser och flygfotodata) geokodas, det vill säga deras exakta lägen 

anges, och integreras i ett geodetiskt referenssystem. På så sätt kan information som är knuten till vart 

och ett av objekten relateras till information om de andra. Figuren återges med tillstånd från European 

Territorial Management Information Infrastructure.


Användandet av GPS-positionering 

Använder man sig av GPS-positionering måste man vara säker på att man 

vid mätningen har tillräckligt många och tillräckligt bra mottagning från 

de satelliter som finns inom ”synhåll”. Problem kan uppstå i städer med 

höga byggnader eller om horisonten är skymd på grund av topografin 

(berg) eller vegetation. Genom att använda ett mobilt GIS som plattform 

vid inmätningen får man direkt en indikation på om mätningen är rimlig 

eller inte, eftersom man på skärmen kan se om man befinner sig på den sida 

av vägen eller utanför det hus där man verkligen är. Flera system använder 

sig av befintliga kartor som har en hel- eller halvautomatiserad verifikation av 

GPS-mätningarna. Det är speciellt användbart för verifikation av positionen 

i bilnavigeringssystem och i tillämpningar där man utgår från att fordonet 

befinner sig på vägen. Inomhusmätningar är inte möjliga med GPS eftersom 

tekniken är satellitbaserad, men även här pågår teknikutveckling med 

andra system. 

Korsvalidering av data 

Alla databaser och kartor är generaliseringar av verkligheten som är oändligt 

komplex. Data är oftast samplade, eftersom det inte finns någon möjlighet 

att mäta allt, överallt och vid varje tidpunkt. Detta gäller för de flesta 

typer av registreringar. GIS ger möjlighet att korsvalidera data genom att 

jämföra olika typer av källor och på så sätt identifiera områden med avvikande 

tolkningar av situationen eller indikera om data saknas. 

I exemplet med olika typer av markklassificeringar (figur 6) framgår det 

tydligt att man använt olika modeller (man har klassificerat efter olika 

markanvändningsklasser) för analys av data. Dessutom har markanvändningen 

ändrat sig mellan de båda mättillfällena även i områden där man 

haft samma grund för klassificering. Den GIS-databas – med varje enskilt 

fält utritat och uppgifter om vilken gröda EU har betalat jordbruksstöd för 

på dessa åkrar – kan visa sig vara ofullständig eller missvisande. När man 

lägger samman de olika utsagorna får man, om de olika informationsskikten 

har någon sanningshalt, emellertid en bättre utsaga än om man bara 

studerat en enskild källa. 

I fall där man arbetar med områdesvisa studier, kan man i GIS analysera 

– till och med se med blotta ögat – om de områden man använder sig av i 

studien har gemensamma eller avvikande yttre gränser. Ett av problemen


med alternativet till GIS-analyser ”small area studies” är svårigheten att få 

alla data i samma geografiska upplösning. Det visar sig sedan ofta att de 

determinanter man vill använda som förklaring till lokal ohälsa inte delar 

gränserna med statistikområdena, utan har en av människors administrativa 

system oberoende utbredning (se figur 7a–b samt 8). 

Figur 6. Korsvalidering av markanvändningsdata. 

Basområden i Stockholm Vårdcentralsområden 

Figur 7a–b. Jämförelser av två olika indelningar i ”Small areas” i Stockholm.


Figur 8. Missmatch mellan postnummerområden (tunna linjer) och basområden (grova linjer). 

Analyser i GIS 

Analyser i GIS är beroende av att data är ordnade och indexerade så att 

man kan jämföra olika lager, en så kallad överlagringsanalys. Överlagringsanalyser 

passar bra för att hitta områden där intressekonflikter finns 

eller ohälsa som man vill kunna jämföra med misstänkta miljöfaktorer eller 

för att generera hypoteser om samband och smittspridningsvägar. För att 

detta skall vara möjligt krävs det att man har tillgång till eller skapar geografiska 

kartdatabaser med geokodade data insamlade med en kvalitet och 

i en skala som gör dem möjliga att sambearbeta. Hur dessa data är indexerade 

inverkar även det på möjligheterna till analys. Om vägdata har en 

topologisk struktur kan man analysera kortaste vägen i vägnätet. Detta 

kallas för nätverksanalys och finns som funktion i lite mer avancerade GISprogram. 

Om det finns egenskapsdata eller attributdata kopplade till 

vägsegmenten, kan man dessutom analysera inte bara kortaste vägen utan 

även exempelvis den snabbaste, mest ekonomiska, minst kurviga eller 

backiga vägen. Genom att ha en sådan vägdatabas i ett GIS kan man undersöka 

i vilka miljöer de olika vägalternativen går och på så sätt hitta den 

minst miljöstörande vägen eller den väg som passerar flest personer som är 

i behov av transporter – till exempel färdtjänst.


Vägar, fastigheter och andra människoskapade objekt representerar 

man oftast bäst som vektorelement – punkter, linjer och ytor. Sådana 

vektorbaserade GIS används för lantmäteriändamål och för att hantera 

indata i form av GPS-positionsmätningar. En del program för att visa 

statistik med känd områdesindelning brukar bygga på denna teknik. Att 

representera en modell av verkligheten i form av ett regelbundet rutnät, där 

man i varje ruta klassat viken jordart, markanvändning, befolkningstäthet, 

bakgrundsstrålning eller dylikt som finns, kallas för ett raster-GIS. Raster- 

GIS fungerar bäst när man hanterar alla former av ”naturliga objekt” som 

vegetation, jordarter etc., men även bearbetade data från satelliter eller 

digitala flygbilder. Denna representation är utmärkt för olika former av 

analyser av samband, utbredning och spridning som inte följer givna 

områdesindelningar. Kartografisk algebra är en form av spatial analys som 

går att göra i sådana rasterbaserade digitala kartor. Till detta kommer även 

möjligheterna att använda spatial statistik, som bygger på att man har data 

i rasterform. Genom att översätta individdata till rasterrutor kan man 

undvika att kränka någons integritet. 

De flesta avancerade GIS-program har möjlighet att använda både 

vektordata, fjärranalysdata och rasterdata samt konvertera mellan de olika 

formaten för att möjliggöra analyser med de verktyg som är lämpligast i 

varje situation. Att skapa buffertzoner kring punkter, linjer eller ytor är en 

funktion som är vanlig i både raster- och vektorbaserade system. Detta 

möjliggör analyser av påverkan från olika källor såsom en radiomast 

(punktkälla), bullret från en väg (linjekälla) eller emissioner från en 

industri eller ett flygfält (ytkälla). För mer avancerade buffertzonsberäkningar 

krävs det att man har tillgång till rasterbaserad modell. 

Vid val av datafångstmetod eller vid annan typ av datainsamling måste 

man ta ställning till om de data man får, förutom att vara uppdaterade, blir 

i samma format, samma geografiska och tematiska upplösning samt så fullständiga 

och felfria att de kan användas till de analyser man vill göra. 

Figur 9 visar en klassisk illustration av vad GIS är. I ett GIS har man 

möjlighet att koppla databaser med attributdata till kartans olika objekt, 

men även att överlagra och analysera flera olika kartskikt och andra 

avbildningar (till exempel satellitscener och digitala flygbilder) av jorden 

och dess kolonisatörer.


Figur 9. Principerna för ett GIS. 

Följande exempel visar – förutom överlagring – på analyser där man lagt in 

bullret beräknat efter modeller som beskriver hur mycket olika fordon 

bullrar vid olika hastigheter eller resultatet av faktiska mätningar. Fördelen 

med modeller är att de kan skapas i datorn utan mätningar som måste 

göras över lång tid. Det är emellertid viktigt att modellen tar med olika 

förutsättningar, exempelvis emissionernas variation med årstid, olika väglag 

och så vidare (se figur 10 och 11 a–c ).


Figur 10. Buffertzoner kan varieras beroende på beräknat eller uppmätt buller längs olika vägsegment 

samt olika barriärer. Målet är att beräkna antalet exponerade byggnader och därmed exponerad befolkning. 

Figur 11 a–c. Bullermattor beräknade längs vägar med kända trafikflöden och runt flygfält, uträknat 

efter antal flygföretag och typ. Exponeringen är beräknad på förskolor och skolor.


Figur 12. Tidsgeografisk studie av exponering för luftföroreningar i Helsingborg. Hur mycket man 

exponeras för beror dels på luftföroreningens intensitet (här uttryckt i nyanser av rött), dels på var man 

vistas vid olika tillfällen. Tidsgeografin presenteras i föregående kapitel. 

Tidsgeografisk studie för beräkning av dos-respons 

Exponeringen varierar under dygnet beroende på var man vistas. En GISanpassad 

tidsgeografisk modell kan beräkna exponeringar utifrån registerdata, 

men för att få exakta exponeringsvärden (som kan användas som 

indata i modellen) kan man till exempel göra dosimetermätningar på ett 

antal individer som rör sig i staden. Till detta kommer de problem med 

intag och upptag av olika miljöagens och den individuella känsligheten för 

olika belastningar. För att göra populationsstudier skulle en GIS-baserad 

teknik kunna motsvara en screening av en relativt stor befolkning och på så 

sätt ge en rättvisande bild av förmodat samband mellan en miljöfaktor och 

dess ohälsoeffekter. 

Figur 13 a–b. Beräkning av behovet av barnavårdscentraler i Stockholm. På kartbilden till vänster är stadens 

södra delar inzoomade (jämför bilden till höger). Röda punktsymboler anger tillgängliga lokaler av 

olika slag, blå symboler av olika storlekar representerar antalet barn i åldern 1 – 4 år. Stora gröna cirklar 

markerar zoner med 800 meters radie kring lokalerna.


Även sjukvårdsadministrationen kan ha nytta av GIS för att allokera 

resurserna rätt i tid och rum (figur 13 a–b). I utvecklingsländer där 

resurserna är små och behoven stora är det kanske extra viktigt att insatserna 

får maximal nytta. Om grundläggande data finns kan man spara 

mycket pengar genom att identifiera behov och resurser. 

Forskningsfrågor i GIS och GISc 

En rad forskningsfrågor behandlas i den vetenskapliga litteraturen, i tidskrifter 

samt på konferenser som gäller antingen hälsoområdet, men där 

man arbetar med GIS, eller inom datavetenskap och informatik – men där 

tillämpningsområdet är miljö eller hälsorelaterade frågeställningar. 

Användningen av GIS och villkoren för detta har utvecklats till ett eget 

forskningsområde GISc – Geographical Information Science. 

Det finns även andra forskningsområden som kan bidra med utveckling 

av metoder och modeller, såsom spatial statistik utvecklad för rumslig analys 

(till exempel SpaceStat, ScanStat) men även för analys av brottslighet 

(CrimeStat) eller för miljöområdet. Sensorteknologin utvecklas i dag 

snabbt med sensorer som kan användas antingen för att samla in analyser 

(kliniskt eller i miljön) som indikerar ohälsa eller olika determinanter – 

orsaker eller vektorer som påverkar hälsa och ohälsa. Vad det gäller analyser 

är dessa avhängiga av vilka data man har tillgång till, vilken rumslig och 

temporal upplösning dessa har och vilka system som finns för att använda 

dessa data och resultatet av analyserna i kommunernas arbete med att 

planera var infrastruktur och vägar skall gå, bostäder och verksamheter 

byggas etc. Bara genom att skapa och göra tillgänglig information om i 

vilka områden man har potentiellt höga hälsorisker och var det är olämpligt 

att vistas om man har vissa åkommor skulle man kunna bidra till folkhälsoarbetet. 

Att använda GIS för folkbildning och för att ge beslutsfattare 

ett kraftfullt underlag till deras beslut kräver att analyserna görs tillgängliga 

för en bredare publik – kanske via internet. Liksom med statistik och andra 

sätt att analysera och presentera data krävs det utbildning, kunskaper och 

träning för att tolka och förstå den information som analyserats geografiskt 

och presenteras på kartor.


Läsa vidare 

Andersson L, Sivertun Å. A GIS-supported Method for Detecting the 

Hydrological Mosaic and the Role of Man as a Hydrological Factor. Diss. 

Linköping Studies in Arts and Science no. 33. Linköping. p. 1-27, and 

Landscape Ecology 1991;vol 5(2):107-24. SPB Academic Publishing bv, 

The Hague. 

Eriksson S, Sivertun Å. Calculation of Transports of Nitrogen and 

Phosphorous by Using Satellite Images and GIS. Bornsjön Catchment Area. 

(In Swedish: English Abstract) Vatten 1992;48:117-27. Lund; 1992. 

Henshaw DL, Eatough, JP, Richardson JB. Radon as a causative factor in 

induction of myeloid leukaemia and other cancers. Lancet. 1990 Apr 

28;335(8696):1008-12. Review. 

Kohli S, Sahlén K, Sivertun Å, Löfman O, Trell E, Wigertz O. Distance 

from the primary health center: A GIS method to study geographical access 

to health care. J of Medical Systems 1995;19:425-36. 

Kohli S, Sahlén K, Sivertun Å, Löfman O, Trell E, Wigertz O. Individuals 

living in areas with high background radon: a GIS method to identify 

populations at risk. Computer Methods and Programs in Biomedicine 

1997:53:105-12. 

Lubin JH, Linet MS, Boice JD Jr. Buckley J, Conrath SM, Hatch EE, et al. 

Case-control study of childhood acute lymphoblastic leukemia and 

residential radon exposure. J Natl Cancer Inst. 1998 Feb 18;90(4):294-300 

Löfman O, Sivertun Å, Norlind Brage H, Schærström A. Dödlighet i hjärtoch 

kärlsjukdom samt förekomst av benskörhetsfrakturer i Östergötland – 

samband med dricksvattenparametrar. Rapport 1/92. Modellutvecklingsprojekt 

med GIS. Samhälls- & Miljömedicin; Linköping; 1992. 

Porathe T, Sivertun Å. Information Design for a 3D Nautical Navigational 

Visualization System. Workshop on Visual Computing, September 26–27, 

2002. San Francisco Bay, USA.


Porathe T, Sivertun Å. Real-Time 3D Nautical Navigational Visualization. 

IST-036/RWS-005. Massive Military Data Fusion and Visualisation. Halden, 

Norway; 2002. 

Richardson S, Montfort C, Green M, Draper G, Muirhead C. Spatial variation 

of natural radiation and childhood leukaemia incidence in Great Britain. 

Stat Med. 1995 Nov 15-30;14(21-22):2487-501. 

Salih I, Pettersson H, Sivertun Å, Lund E. Spatial correlation between 

radon (222Rn) in groundwater and bedrock uranium (238U): GIS and 

geostatistical analyses. J. of Spatial Hydrology 2002;Vol.2(2). 

http://www.spatialhydrology.com/journal/paper/radon/radon.PDF 

Schein T, Sivertun Å. Method and Models for Sustainable Development 

Monitoring and Analyses in GIS. Proceedings to International Workshop 

on Geo-Spatial Knowledge Processing for Natural Resource Management 

June 28–29, 2001. Varese, Italy: University of Insubria; 2001. 

SIMLUC, 2000, Spatial Impact of Rural Environment EU Policies: A Regional 

Comparative Analysis of Land Use Changes. Report. Contract number 

15557 – 1999 – 12 F1ED ISP PT. 

Sivertun Å. A Geographical Information system for interdisciplinary analysis 

and communication. To use space as a logical frame. Systems science in the 

21st century; Integrating the new sciences of complexity in service of 

humans and their environment. Proceedings of the 35th annual meeting of 

the International Society for Systems Science, Östersund, Sweden, June 14- 

20, 1991 p.423. 

Sivertun Å. Access to Geographic Information and Participatory Approaches 

in Using Geographic Information. Proceeding to ESF/NSF meeting in Spoleto, 

Italy, Dec 5–9 2001, and Special Issue: URISA Journal 2002 (submitted). 

Sivertun Å. Geographical Information Systems as a Tool for Analysis and 

Communication of Complex Data. Doktorsavhandling. Geographical 

reports no 10. Department of Geography, Umeå Universitet; 1993.


Sivertun Å. Historisk karta som ett informationsskikt i GIS, Historiska 

kartor i forskning och samhällsplaneringen. Dokumentation från ett 

seminarium vid Lantmäteriverket Gävle, 24-25 mars 1992. Borgegård L-E, 

Borgegård S-O, eds. LMV-rapport 1992:13. 

Sivertun Å. Professional training as a resource in education. Proceedings at 

the AGILE conference Palma de Mallorca, April 2002. 

Sivertun Å, Le Duc M. A Systems Analysis of Pollutants Flow in an Area 

and their Environmental Impact Modelled by a Geographic Information 

System (GIS). Proceeding for Systems engineering models for waste 

management International workshop in Göteborg, Sweden. 25 –26 February 

1998. 

Sivertun Å, Prange L. Non-point source critical area analysis in the Gisselö 

watershed using GIS. ENSO:1358 Environmental Modelling and Software 

ELSIVIER. 2003. 

Strid JP, Sivertun Å. Den rumsliga fördelningen av ortnamnen på -stad och 

-by i Linköpingsbygden – en tillämpning av GIS-metoden. Sydsvenska 

ortnamnssällskapets årsskrift 1992. 

Trnka J, Sivertun A. GIS in emergency management as a core information 

system and related new requirements to emergency telecommunication. 

Emergency Telecommunication Work-shop, 26–27 February 2002. 

ETSI/Sophia Antipolis, France; 2002.

Del B: 

platsen, platsen, individen individen och och folkhälsan folkhälsan – teorier, – teorier, platsen, metoder metoder individen och och tolkningar och tolkningar hälsan173 173 

AKTUELLA ANALYSMETODER


1. 


OMRÅDESBEGREPPEN INOM 

SOCIALEPIDEMIOLOGIN Johan Hallqvist


1. 

områdesbegreppen inom socialepidemiologin 177 

OMRÅDESBEGREPPEN INOM 

SOCIALEPIDEMIOLOGIN Johan Hallqvist 

Vad menas med en ”områdeseffekt” och vad krävs för att man skall kunna 

studera den empiriskt? 

Syftet med detta avsnitt är att presentera några olika användningar av 

områdesbegreppet inom epidemiologin för att tydliggöra vad som menas 

med en ”områdeseffekt” och vad som krävs för att man skall kunna studera 

den empiriskt. Flera av de viktigaste frågeställningarna vid den socialepidemiologiska 

forskningsfronten under det senaste decenniet handlar om 

sådana effekter. Sambandet mellan en ojämlik inkomstfördelning och ökad 

ohälsa är ett exempel, konsekvenserna av bristfälligt socialt kapital ett 

annat. Det gemensamma är att det inte bara handlar om variationer i ohälsa 

mellan områden utan om att specifika egenskaper hos området i sig kan 

vara riskfaktorer för sjukdom. 

Skillnader i sjuklighet och dödlighet mellan geografiska områden eller 

platser var en viktig del av den klassiska epidemiologin. Läroböcker som 

inte hunnit ta intryck av den moderna epidemiologins genombrott under 

1970- och 1980-talen inleds ofta med långa avsnitt som tar upp hur ohälsan 

kan beskrivas och analyseras i relation till begreppstriaden tid, plats och 

person (till exempel 1, 2). Att ”område” sedan mitten på 1990-talet ånyo 

fått en mera central roll i den epidemiologiska begreppsvärlden skall inte 

ses som en återgång till äldre metoder utan har att göra med ett ökat intresse 

för mera distala orsaker, det vill säga sådana som ligger längre ifrån de biologiska 

sjukdomsförloppen i människokroppen. Det handlar om faktorer i 

den sociala miljön eller strukturen, så kallade makrodeterminanter eller, 

med epidemiologins ibland haltande metaforer, om faktorer som ligger 

uppströms i orsakskedjan eller initialt i orsaksväven. Ett framträdande skäl 

till den epidemiologiska forskningens nyorientering är att efterkrigstidens


livsstilsinriktade riskfaktorepidemiologi alltmer uttömt sina möjligheter. 

Sökarljuset riktades då inte bara uppåt mot samhällsstrukturen utan också 

nedåt mot förhållanden som den moderna molekylärbiologin gett oss 

möjlighet att särskilja och åt sidorna mot riskfaktorer tidigt i livet på ena 

hållet och mot orsaker som verkar utlösande strax innan man insjuknar på 

det andra hållet (3). Vissa socialepidemiologer har i anslutning till denna 

utveckling påpekat behovet av en integrerande teoribildning (4, 5) medan 

andra mera velat öka fokuseringen på så kallade fundamentala orsaker (6). 

Parallellt med denna omorientering har en metodutveckling skett som 

inte bara gett oss nya instrument utan också en mera detaljerad förståelse 

för problemen med äldre metodik, till exempel den ekologiska studiedesignen 

(7). 

En områdeseffekt kallas också för en kontextuell effekt. Inom socialepidemiologin 

handlar det förstås framför allt om det sociala sammanhanget, 

det vill säga om egenskaper i det sociala rummet eller aspekter av 

ett samhälles sociala struktur. Även om den geografiska områdesbestämningen 

är sekundär, är den ändå instrumentell eftersom vi så ofta avgränsar 

de grupper eller populationer vi studerar i epidemiologin med hjälp av det 

område de bebor. Ur ett socialepidemiologiskt perspektiv är det också ofta 

en relevant koppling, eftersom vi människor förhåller oss till det område vi 

bor i genom att till exempel känna samhörighet. Geografin avgränsar dessutom 

politiskt relevanta entiteter. Den klassiska definitionen av en nation 

är exempelvis ett sammanhängande landområde med ett sammanhållet 

folk som har politisk autonomi. 

Sjuka individer eller sjuka populationer? 

I en med rätta berömd artikel från 1985 (8) som trycktes om i International 

Journal of Epidemiology 2001 (9) förespråkar Geoffrey Rose att epidemiologin 

framför allt borde fråga sig varför olika populationer är olika sjuka, 

och inte varför individer blir sjuka. Skälet är att man då skulle ägna sig åt 

de rätta etiologiska frågeställningarna och få rätt perspektiv på vilka 

preventiva åtgärder som krävs. En viktig punkt i hans framställning är det 

lätt att hålla med om; begränsar man sökandet efter ohälsans bestämningsfaktorer 

till det som skiljer individer inom en population så har man också 

inskränkt vad man kan finna. Rose ger som exempel att vattnet är mjukt i 

alla skotska regioner och en kontrast uppstår först om även engelska regioner


inkluderas i studien, att normalfördelningen för blodtryck är förskjuten åt 

vänster för kenyanska nomader jämfört med engelska statstjänstemän och 

att fördelningarna för kolesterolvärden i Japan och Finland knappast överlappar 

alls. Men man kan också tänka i termer av fattigdom, krig och svält 

och det blir då ännu mera uppenbart att en studie genomförd i ett enda 

västeuropeiskt land inte kommer att innehålla en för den globala situationen 

relevant exponeringskontrast. 

Det är en rimlig tanke att stora skillnader i ohälsa mellan populationer 

framför allt beror på populationsegenskaper, exempelvis strukturella förhållanden 

som påverkar alla. Däremot förefaller det orimligt att gå så långt 

som Rose och förneka att det skulle kunna bero på karakteristika hos individerna. 

Att det bakom populationsskillnader i incidens oftast döljs en 

enda main determinant är en annan av Roses ståndpunkter som saknar 

belägg och ofta är orimlig. Även om enkla förklaringar skulle göra livet 

lättare så är multikausalitet oftast en mer fruktbar utgångspunkt, innebär 

att det krävs flera samverkande orsaker och att ett förhållande kan förklaras 

på flera olika sätt. Rose skriver också lite polemiskt att det enda 

populationsbaserade kohort- eller fall-kontrollstudier bidrar med är kunskap 

om indikatorer på individuell mottaglighet för den mera avgörande 

orsak som driver incidensskillnader mellan populationer och tidstrender. 

Resonemanget bygger på en föreställning att det bakom de stora folkhälsoproblemen 

finns dominerande orsaker som åtminstone i vissa populationer 

är vanligt förekommande, som medför stora riskökningar och som i 

det närmaste är nödvändiga för att sjukdomen skall utvecklas. Ändå känner 

vi ännu inte till dem! 

I ett avseende har Rose en viktig poäng, nämligen att vi lätt blir våra 

föreställningars fånge. Fenylketonuri till exempel, är en sjukdom som vi 

testar alla nyfödda för i Sverige. Tillståndet beror på en genetisk mutation 

som leder till dålig funktion i vissa leverenzymer och en ofullständig nedbrytning 

av aminosyran fenylalanin med toxiska restprodukter. Utan åtgärder 

leder fenylketonuri till svåra skador på nervsystemet hos den växande 

individen och utvecklingsstörning. Det som varierar mellan människor i 

en population är genetiken, medan fenylalaninet finns i praktiskt taget all 

kost och mängden i kroppen varierar ganska lite i en population. Därför 

klassificeras sjukdomen som genetisk trots att den främsta åtgärden är att 

ta bort aminosyran ur kosten för dem med den genetiska faktorn. Detta


trots att det ur ett principiellt orsaksperspektiv finns en ömsesidig samverkan 

mellan exponering för miljöfaktorn fenylalanin och den genetiska 

skadan på vissa leverenzymer som medför en ömsesidig sårbarhet för de två 

riskfaktorerna. Om man gör tankeexperimentet att fenylalanin bara hade 

funnits i destillerade drycker, är det lätt att föreställa sig att tillståndet kan 

uppfattas som en alkoholrelaterad sjukdom eftersom sjukdomen samvarierar 

med alkoholbruk, oavsett om alla eller bara några få var utsatta för den 

mera osynliga genetiska kofaktorn. 

Den andra viktiga punkten i Roses framställning är att distinktionen 

mellan individ och population också tydliggör betydelsen av olika strategier 

för prevention. Hans beskrivning av skillnaderna mellan högriskstrategier 

och befolkningsstrategier är klassisk och förtjänar fortfarande att läsas. 

Den av honom påvisade preventiva paradoxen borde vara allmänkunskap 

bland professionella inom folkhälsoområdet, eftersom dess konsekvenser 

är långtgående vad gäller synen på inriktning, metoder och beslutsfattande 

i det förebyggande arbetet. Själv formulerar han paradoxen så här: ”en 

förebyggande åtgärd som medför stor nytta för en befolkning har lite att 

erbjuda för varje individuell deltagare”. 

Geoffrey Rose gör således två mycket framsynta påpekanden. För det 

första att det finns goda skäl för den epidemiologiska forskningen att 

intressera sig för distala sjukdomsorsaker som ofta påverkar hela befolkningar 

likformigt. För det andra att man för att förstå de preventiva möjligheterna 

bör intressera sig för varför olika befolkningar har olika grader och 

typer av hälsoproblem. Tyvärr förenas de med ganska outvecklade tankar 

om epidemiologisk metodologi. Han kritiserar individbaserade populationsstudier, 

gör en direkt felaktig presentation av fall-kontrollstudier och 

propagerar i stället för ekologiska jämförelser mellan länder och inom länder 

över tid. Det är lätt att förstå den metodologiska hållningen. Bör fokus 

ligga på orsaker på grupp- eller områdesnivå och är man framför allt intresserad 

av hälsoeffekter i grupper eller populationer, ligger det nära till hands 

att se den ekologiska studien som den som tillhandahåller svaret. Rose var 

inte heller ensam om att tycka att ekologiska studier fått ett oförtjänt dåligt 

rykte, särskilt i relation till frågor om samband på ekologisk nivå. Under 

1990-talets debatt om ”the new public health” fanns flera efterföljare 

(10–13).


Skilj på ekologiska mått, ekologisk analys och ekologisk inferens 

För att komma ifrån denna sammanblandning av ekologiska perspektiv i 

frågeställningarna och ekologisk metodik krävs större komplexitet i 

begreppsanvändningen. Morgenstern skiljer i sin lärobokstext på individuell 

respektive ekologisk nivå vad gäller mått, analys och inferens. Det senare 

handlar om på vilken nivå man vill dra slutsatser om (kausala) samband. 

Individuella mått utgår från direkta observationer av eller mätningar på 

individer och avser individuella egenskaper. Ekologiska mått däremot gäller 

grupper, organisationer eller platser. De kan förstås användas i studier 

både på individnivå och på ekologisk nivå. Poängen är att de ekologiska 

exponeringarna definieras av egenskaper hos dessa grupper, organisationer 

eller områden och inte hos individen själv. Används de i en individstudie är 

naturligtvis de individer som är under risk att bli sjuka i vanlig ordning 

antingen exponerade eller inte exponerade även för dessa ekologiska riskfaktorer. 

Man brukar skilja på tre typer av ekologiska mått: 

1. Aggregerade individmått: mått som beräknats, exempelvis medelvärden 

eller proportioner, av mätvärden från individerna i varje grupp. 

Exempel är andelen rökare eller medianinkomst. 

2. Miljömått: fysiska egenskaper i ett område där individer antingen bor 

eller arbetar, exempelvis förekomst av olika typer av luftförorening. 

Varje områdesbaserat miljömått har i princip en individuell motsvarighet 

och den individuella dosen varierar vanligtvis mellan olika individer 

vilket man inte tar hänsyn till i ett områdesbaserat miljömått. 

3. Globala mått: egenskaper hos grupper, organisationer eller områden 

men där det inte finns någon individuell motsvarighet, till exempel 

inkomstfördelning, befolkningstäthet, lagstiftning eller typ av sjukvård. 

Analysnivån definieras av om det är individ eller område/grupp som är den 

analytiska enheten, det vill säga den gemensamma nivån för informationen. 

Man skiljer där mellan individstudier som till exempel kohort- eller 

fall-kontrollstudier, och så kallade ekologiska studier på grupp- eller områdesnivå. 

Multi-levelstudier använder en särskild teknik som kombinerar 

analyser utförda på två eller flera analytiska nivåer. Sambandet mellan 

mätnivå och analysnivå illustreras av tabell 1. På tredje raden finns två


varianter. I en typ av studie som är vanlig i miljö- eller yrkesepidemiologi 

används exponeringsuppgifter bestämda på grupp- eller områdesnivå för 

att skatta individuella exponeringsförhållanden. Det är då fortfarande en 

vanlig individstudie. Om gruppnivåvariabeln i stället antas mäta en genuin 

områdesegenskap handlar det om någon form av multi-levelstudie och det 

är först i sådana studier som det är möjligt att identifiera kontextuella 

effekter. 

Tabell 1. Typ av studier (= analytisk nivå) i relation till mätnivån, det vill säga 

om exponerings- och utfallsinformationen finns på individ- eller gruppnivå. 

Exponering Utfall Analytisk nivå: typ av studie 

Gruppnivå Gruppnivå Ekologisk studie 

Individnivå Individnivå Individnivå (kohort etc.) 

Grupp- och individnivå Individnivå Individ- eller multi-levelstudie 

En typisk ekologisk studie är att studera sambandet mellan genomsnittlig 

fettkonsumtion i olika svenska län, mätt till exempel genom försäljningsstatistik 

över feta mejeriprodukter från livsmedelshandlarna, och dödligheten 

i hjärt-kärlsjukdom i samma län. Både exponeringen och utfallet är 

mätta som aggregerade individdata. Motsvarande individstudie skulle 

kräva att man via till exempel en enkät kartlägger varje individs intag av 

fett och sedan följer upp alla individerna för att se vilka som insjuknar och 

dör i exempelvis hjärtinfarkt. 

På vilken nivå vill man dra sina slutsatser, det vill säga göra sin inferens 

om kausalitet? Är frågan om egen fattigdom ökar risken för ohälsa, handlar 

det om att orsakssambandet skall gälla på individnivå. Är hypotesen i stället 

att nationer med många fattiga har en högre frekvens av ohälsa bland sina 

medborgare, är målet i stället att hitta evidens för en ekologisk effekt. Det 

finns också en tredje typ av frågeställning som handlar om det som brukar 

kallas kontextuell effekt; medför det faktum att en individ lever i ett samhälle 

med många fattiga en ökad risk för ohälsa oavsett om man själv är fattig? 

Skillnaderna i inferensnivå kan exemplifieras med Durkheims klassiska 

studie av suicid i tyska stater under slutet av 1800-talet. Ur ett socialepidemiologiskt 

perspektiv har den studien ett särskilt intresse eftersom Durkheims


teorier om social integration tjänat som inspirationskälla både för de 

forskningstraditioner som intresserat sig för hälsoeffekter av individers 

sociala nätverk och för dem som senare fokuserat på socialt kapital och liknande 

aspekter av den sociala kontexten. Exemplet har dock på epidemiologiskt 

vis gjorts lite fyrkantigt. Kanske kan man också säga att det gör 

Durkheim orättvisa eftersom han egentligen inte studerade sambandet 

mellan religion och suicid som epidemiolog. Han såg snarare suicidfrekvensen 

som en indikator på eller empiriskt stöd för sociologiska teorier 

om anomiska samhällen och deras effekter på människor. 

Den individuella inferensnivån handlar om att vilja uttala sig om vad 

som ökar individernas risk för självmord, exempelvis att ha en viss religion 

med till den hörande normer, i det här fallet att vara protestant jämfört med 

att vara katolik. Motsvarande ekologiska inferens är att ju mer protestantiskt 

eller anomiskt ett samhälle är, ju högre suicidincidens har det. Det 

finns också en intressant frågeställning om förekomst av en kontextuell 

effekt, exempelvis att det är särskilt farligt för en protestant att leva i ett 

samhälle dominerat av protestanter eftersom det skapar just en anomisk 

effekt. I grunden är det en fråga om inferens på individnivå eftersom hypotesen 

är att kontexten ökar individens risk för suicid. Man kan också tänka 

sig andra kontextuella hypoteser, exempelvis att det är särskilt riskabelt 

från suicidsynpunkt att leva med en minoritetsreligon, det vill säga som 

katolik i ett av protestanter dominerat samhälle. 

Ekologisk bias och andra typer av felslut 

Med hjälp av de distinktioner som presenterats kan vi nu identifiera några 

olika typer av felslut som kan uppstå om man okritiskt tolkar resultatet 

från studier utöver de begränsningar som upplägget tillåter. Risken för ekologiska 

felslut är ett välkänt och centralt problem med ekologiska studier. 

Att det finns många storkar i områden där det föds många barn betyder 

inte att storken nödvändigtvis är inblandad i de olika individuella mekanismer 

som ligger bakom barnafödandet. Det ekologiska felslutet uppstår i en 

situation med cross-levelinferens, det vill säga när man försöker dra slutsatser 

om ett samband på individnivå från data på aggregerad nivå. Den 

empiri som Durkheim redovisade var bland annat att suicidincidensen i 

olika tyska stater samvarierade med andelen protestanter i småstaternas 

befolkningar. En nutida beräkning baserad på data från denna ekologiska


studie visar på ett samband mellan protestantism och suicid motsvarande 

en oddskvot på nära åtta. Det finns intressant nog också vissa data på individnivå 

tillgängliga och används i stället dessa så visar sig protestantiska 

individer bara ha en fördubblad risk för suicid jämfört med katolska. Det 

vill säga givet att syftet var inferens på individnivå uppvisar den ekologiska 

analysen en ekologisk bias i den meningen att effekten överskattas. 

Potentiella orsaker till det ekologiska felslutet kan preciseras. Det finns 

två källor till cross-level bias. Den första brukar kallas confounding by 

group och innebär att det finns ett samband mellan exponeringsnivå i gruppen 

(det vill säga andelen protestanter i staten) och suicidfrekvens bland de 

icke-exponerade. I det här fallet att risken för suicid bland katoliker ökar ju 

större andel protestanterna utgör. Anledningen kan vara antingen en 

kontextuell effekt enligt ovan eller att förekomsten av andra riskfaktorer 

för suicid är korrelerade med andelen protestanter. Den andra källan är 

effect-modification by group och innebär att suicidrisken bland protestanterna 

är korrelerad med proportionen protestanter. Också denna mekanism 

kan vara kontextuell eller beroende av yttre faktorer som inte direkt 

har med de anomiska normerna att göra. Till exempel kan de stater som 

domineras av protestantiska kyrkor ha hunnit längre i riktning mot en 

marknadsekonomi med under instabila perioder ökade finansiella risker 

för enskilda medborgare. Det ekologiska felslutet finns med på första raden 

i tabell 2. 

Psykologistiskt felslut innebär att man anser sig se ett samband mellan 

att vara protestant som individ och en ökad risk för suicid där ytterligare 

information i studien och en mer komplicerad analys skulle ha visat att 

sambandet bara finns för de protestanter som lever i en av protestanter 

präglad kontext, det vill säga med starka inslag av anomi. Att de individkarakteristika 

som kan komma ifråga inte bara handlar om psykologiska 

variabler har fått somliga att kalla felslutet för individualistiskt. Ett psykologistiskt 

felslut medför att man missar en kontextuell effekt. 

Om syftet i stället är ekologisk inferens, det vill säga man vill veta vad 

som förklarar den olika suicidförekomsten i småstaterna, är det lätt att inse 

att den ekologiska analysens oddskvot som tillskrivs anomin i stället kan 

vara orsakad av allt möjligt slags confounding på individnivå. På fjärde 

raden i tabell 2 kallas detta för en sociologistic fallacy och det är inte bara 

en konsekvens av en brist på perspektiv och information. Greenland har


skrivit en utmärkt översikt om detta som bland annat innehåller utförlig 

argumentation mot den ståndpunkt som fortfarande ibland framförs, 

nämligen att ekologiska studier är mindre problematiska när syftet är ekologisk 

inferens (14). 

Tabell 2 och resonemanget kring olika typer av felslut är delvis hämtade 

från publikationer av Diez-Roux (15, 16). Tabellen är ofullständig då den 

inte visar alla kombinationer av inferensnivå och mätnivåer för exponering 

och utfall. Vissa kombinationer är teoretiskt otänkbara, exempelvis individuell 

exponeringsmätning, analys på ekologisk nivå och inferens på ekologisk 

nivå. Den rad som framför allt saknas är den som ger förutsättning för 

att identifiera en kontextuell effekt, nämligen den som har exponeringsinformation 

på gruppnivå, analys på individnivå och syftar till inferens på 

individnivå. Kanske kan man säga att Durkheims hypotes framför allt 

handlar om en kontextuell effekt av anomi och det han gör med en ekologisk 

analys är potentiellt ett sociologistiskt felslut. 

Tabell 2. Typ av felslut i relation till analytisk nivå och inferensnivå. 

Analysenhet (analytisk nivå) Inferensnivå Typ av felslut 

Grupp Individ Ekologiskt 

Individ Grupp Atomistiskt/individualistiskt 

Individ: relevanta gruppnivåvariabler exkluderade Individ Psykologistiskt/individualistiskt 

Grupp: relevanta individnivåvariabler exkluderade Grupp Sociologistiskt 

Områdeseffekter 

Med hjälp av begreppen ovan har vi kunnat särskilja vad som kallas en 

områdeseffekt eller kontextuell effekt. Vad är då en områdeseffekt? Det 

handlar inte om att se område som en proxy-variabel för en mera specifik 

individuell exponering. Med kontextuella faktorer avses orsaker som ligger 

”uppströms” i ofta långa och komplicerade orsaksmekanismer och som 

definieras av det sociala rummets egna egenskaper. Man kan kalla det att 

intresset har förskjutits från effekter som kan knytas till områden till 

områdeseffekter, det vill säga områdesegenskapernas egeneffekter (17). 

Inte minst inkomstfördelningshypotesen har bidragit till att skärpa 

definitionen av vad en områdeseffekt är för något. En enskild individ kan


ha en viss inkomst men inte en inkomstfördelning. Exponering för en 

bestämd inkomstfördelning uppkommer först då individen ses som medlem 

i en population, det vill säga då enskilda individers individuella karakteristika 

aggregeras till områdesnivå kan man ibland identifiera nya fenomen som 

kan tänkas vara intressanta i sig som riskfaktorer för ohälsa. Att studera 

effekten av miljötobaksrök är ett analogt problem. Den egna rökningen är i 

viss mening ett individuellt fenomen som avsätter sina effekter hos den 

individ som röker. Å andra sidan är exponeringen för andras rök, det vill 

säga miljötobaksrök, ett områdesfenomen. 

Ofta används begreppsparet kontextuell-kompositionell för att skilja på 

områdeseffekten och den effekt som beror på summan av de enskilda individernas 

egna egenskaper. Motsättningen mellan kontext och komposition 

är dock formulerad ur ett geografiskt perspektiv som om det grundläggande 

vore att jämföra områden. Om grundfrågan i stället är etiologisk och gäller 

hur en kontext påverkar individers risk att insjukna så bör motsvarande 

problem i stället beskrivas som confounding, det vill säga att jämförelsen 

mellan de individer som är exponerade respektive oexponerade för en viss 

kontext störs av att de också i olika grad är utsatta för andra riskfaktorer. 

Den sociala segregationen i boendet medför till exempel att de individer 

som selekteras till områden med viss social karaktär i sitt tidigare liv redan 

har varit utsatta för en rad exponeringar (selektiv social migration). Och 

det är inte det man vill avläsa när det är den isolerade kontextuella effekten 

som skall identifieras. 

Att det överhuvudtaget finns sociala områdeseffekter har ifrågasatts. 

Med utgångspunkt från en studie som visade att ”sämre ställda människors 

kortare livslängd inte ytterligare förkortades om de bodde nära andra 

människor i samma situation” konstaterade författarna lite raljant att de 

inte funnit belägg för förekomsten av någon sådan form av ”social miasma” 

(18). Å andra sidan uttrycker Sally Macintyre sin förvåning över att någon 

kan vara skeptisk till förekomsten av kontextuell påverkan. ”We tend to 

take it for granted that persons of similar sex, age, occupation, and income 

would have different health and health behaviour experiences according to 

whether they live in Japan, France, or the United States, because of differing 

cultural, economic, political, climatic, historical, or geographical contexts” (13).


Multi-levelmetodik 

Uppenbarligen krävs information både på grupp- och på individnivå för att 

hantera de två frågeställningar som vi pekat ut; att identifiera distala, 

ibland kontextuella riskfaktorer och att dra slutsatser om vad som ökar 

befolkningars sjuklighet (ekologisk inferens). Multi-levelmetodik har alltmer 

framstått som lösningen på problemet. Det kan dock vara värt att 

påminna sig att det i första hand handlar om en statistisk teknik som löser, i 

och för sig viktiga, statistiska problem i sammanhanget; grundproblemet är 

ändå epidemiologiskt. Hur skall man lägga upp studier som innehåller relevanta 

exponeringskontraster utan att dessa blir ojämförbara på grund av 

confounding, särskilt om man vill studera kontexter från vitt skilda delar 

av världen. 

Det kan vara värt att jämföra med hur man gör vid studier av miljötobaksrök. 

För att isolera effekten av miljötobaksrök är det naturligtvis 

utomordentligt viktigt att ta bort eller kontrollera för effekten av individens 

egen rökning. Det är samma problem som då man försöker identifiera 

effekten av en bestämd inkomstfördelning och måste hålla effekten av individens 

egen inkomst under kontroll. Vad gäller rökningen brukar man göra 

en restriktion till dem som aldrig rökt för att kunna isolera effekten av 

miljötobaksrök från egenrökning. I det fallet är det ett rimligt antagande 

att miljötobakseffekterna kan generaliseras också till rökarna. 

Multi-levelmetodik löser inte heller det teoretiska problemet att integrera 

olika vetenskapliga perspektiv för att bättre förklara komplexa 

fenomen. Genetisk konstitution, fysiologiska faktorer, beteendemönster, 

psykosociala förhållanden och social struktur representerar olika förklarings- 

nivåer med hemvist i olika vetenskapliga discipliners teoribildningar 

men detta är inte nivåer i samma mening som elev, klass, skola, 

distrikt och nation från vilka man kan sampla olika många enheter till sin 

studie om exempelvis vad som är viktigt för en elevs skolprestationer. 

Varför har en population en viss sjuklighet 

All sjuklighet i en population innebär i något skede av förloppet en sjukdomshändelse 

i individuella kroppar. Varje förståelse av varför populationer 

har en viss sjuklighet måste därför innehålla något slags föreställning 

om en trovärdig mekanism för hur individer blir sjuka. Kontextuella riskfaktorer 

kan förstås vara en del i dessa mekanismer. I princip kan en


beskrivning av populationssjuklighetens orsaker baseras på uppgifter om 

prevalensen och effekten (relativa risken) av olika riskfaktorer. Denna kunskap 

kan man bara få från studier på individnivå som innehållit relevant 

information. För att man skall få en realistisk bild av vad man skulle kunna 

uppnå för hälsosituation i en befolkning, måste förstås bestämningen av de 

relativa riskerna ske med en referensgrupp som representerar det kausala 

alternativet, det vill säga en exponeringssituation som är rimlig med hänsyn 

till preventiva åtgärder eller en alternativ utveckling. I figur 1 används 

prevalens- och relativa riskuppgifter för att beräkna den befolkningseffekt 

som kan tillskrivas en riskfaktor. Effekten uttrycks som den andel av det 

totala antalet sjukdomsfall i befolkningen som skulle försvinna om exponeringen 

eliminerades. Måttet brukar kallas etiologisk fraktion eller tillskriven 

populationsrisk. Figuren visar att om överrisken på grund av en 

riskfaktor är hög, behöver inte så många vara exponerade för att befolkningseffekten 

skall vara stor. Å andra sidan så behöver sådana kontextuella 

riskfaktorer som hela befolkningen (100 %) är exponerade för inte medföra 

så stor överrisk för att ändå ha stor betydelse för antalet sjukdomsfall i 

befolkningen. Figuren antyder också en annan viktig insikt, nämligen att 

sjukdomar har flera samverkande orsaker, det vill säga det som brukar kallas 

multikausalitet, innebärande att sjukligheten i en befolkning kan förklaras 

Figur 1. Kurvorna visar hur stor andel av sjukdomsfallen i en befolkning som skulle försvinna om man 

kunde eliminera riskfaktorer med olika kombinationer av relativ risk och prevalens. Exempelvis kan en 

tredjedel av sjukligheten tillskrivas en riskfaktor som hela befolkningen är utsatt för och som har en relativ 

risk lika med 1,5. Samma befolkningseffekt får man av en riskfaktor som ökar risken tre gånger men 

där bara 25 procent är exponerade.

(och potentiellt åtgärdas) på flera olika sätt. Att en riskfaktor svarar för 

60 procent av fallen är fullt förenligt med att en annan orsakar 70 procent. 

Sammanfattning 

Kontextuella faktorer kan tänkas vara viktiga orsaker till skillnader i ohälsa 

mellan populationer och grupper men handlar om inferens på individnivå. 

För att studera kontextuella faktorer måste man ofta mäta områdesegenskaper 

och skapa en bas för studien som innehåller relevanta och tillräckligt 

stora exponeringskontraster. För att identifiera en områdeseffekt 

krävs studier på individnivå, så att man kan utesluta confounding på 

individnivå. Den likaledes viktiga uppgiften att kartlägga vad som påverkar 

sjukligheten hos populationer, till exempel de människor som bor i 

ett visst område, är en komplicerad uppgift. Korrekta resultat kräver tillgång 

till data på både individ- och gruppnivå. Den ekologiska studiedesignen 

har sin plats i den epidemiologiska metodarsenalen men den är 

inte något självklart förstahandsval för någon av dessa frågeställningar. 

Referenser 


1. MacMahon B, Pugh T. Epidemiology. Principles and methods. Boston: 

Little, Borwn and Company; 1970. 

2. Lilienfeld AM, Lilienfeld DE. Foundations of Epidemiology, 2nd ed. New 

York: Oxford University Press; 1980. 

3. Poole C, Rothman K. Our conscientious objection to the epidemiology of 

wars. J Epidemiol Community Health 1998;52:613-4. 

4. Susser M, Susser E. Choosing a future for Epidemiology: I. Eras and 

Paradigms. Am J Public Health 1996;86:668-73. 

5. Susser M, Susser E. Choosing a future for Epidemiology: II. From black 

box to Chinese boxes and eco-epidemiology. Am J Public Health 

1996;86:674-7. 

6. Krieger N. Epidemiology and the web of causation: Has anyone seen the 

spider? Soc Sci Med 1994;39:887-903.


7. Morgenstern H. Ecologic studies. In: Rothman K, Greenland S, eds. 

Modern Epidemiology. 2nd edition. Chapter 23. Philadelphia: 

Lippincott-Raven; 1998. 

8. Rose G. Sick Individuals and sick populations. Int J Epidemiol 

1985;14:32-8. 

9. Rose G. Sick Individuals and sick populations. Int J Epidemiol 

2001;30:427-32. 

10. Susser M. The logic in ecological. Am J Public Health 1994;84:825-35. 

11. Pierce N. Traditional epidemiology, modern epidemiology, and public 

health. Am J Public Health 1996;86:678-83. 

12. Macintyre S, Ellaway A, Cummins S. Place effects on health: how can we 

conceptualise, operationalise and measure them? Social Science & 

Medicine 2002;55:125-39. 

13. Macintyre S, Ellaway A. Ecological approaches: rediscovering the role of 

physical and social environment. In: Berkman LF, Kawachi I, eds. 

Social epidemiology. Oxford University Press; 2000. 

14. Greenland S. Ecologic versus individual-level sources of bias in ecological 

estimates of contextual health effects. Int J Epidemiol 2001;30:1343- 

50. 

15. Diez-Roux A. Bringing context back into epidemiology: variables and 

fallacies in multi-level analysis. Am J Public Health 1998;88:216-22. 

16. Diez-Roux AV. Investigating neighborhood and area effects on health. Am 

J Public Health 2001;91:1783-9. 

17. Blakely TA, Woodward AJ. Ecological effects in multi-level studies. J Epidemiol 

Community Health 2000;54:367-74. 

18. Sloggert A, Joshi H. Higher mortality in deprived areas: community or 

personal disadvantage? Br Med J 1994;309:1470-4.

2. 


KONTEXTUELLA ANALYSER 

Maria Kölegård, Stjärne, Peeter Fredlund, Michael Lundberg


2. 

KONTEXTUELLA ANALYSER 

Maria Kölegård, Stjärne, Peeter Fredlund, Michael Lundberg 

kontextuella analyser 193 

Inledning 

Avsikten med detta avsnitt är att belysa analysansatser som syftar till att 

mäta kontextuella effekter på hälsa. När vi här talar om kontextuella 

effekter avser vi påverkan från egenskaper i miljön som bidrar till att ohälsa 

uppstår, det vill säga när det finns ett kausalsamband. 

Geografiskt skilda områden har olika nivå av ohälsa, men bara för att 

hälsoutfall varierar geografiskt är det inte givet att området orsakar 

skillnaden. Det finns naturligtvis många andra skäl till att ohälsa, sjuklighet 

och dödlighet inte har en jämn geografisk fördelning. Ett exempel kan 

vara de förändringar i åldersstrukturen som sker i samband med urbanisering 

och avbefolkning. Kombinerat med hälsobetingade selektionsprocesser 

som ofta pågår parallellt blir resultatet en yngre och friskare 

befolkning i storstadsområdena och en äldre befolkning med högre sjuklighet 

i avfolkningsbygder. Alltså geografiska skillnader i demografisk och 

social komposition med nivåer av sjuklighet och dödlighet som inte är ett 

resultat av miljömässiga faktorer 

Kontextuell kontra kompositionell effekt 

”Kompositionell” är en term som används för att skilja den geografiska 

variabiliteten av hälsa, som hör samman med sammansättningen av invånare 

i området, från den kontextuella effekten som orsakats av någon exponering 

på områdesnivå. Termen härrör från ekologiska analyser men 

används även vid analyser av individdata. Med kompositionell avses alltså 

det faktum att vissa människor, som löper större risk att utveckla ohälsa på 

grund av individuella karakteristika, lever på vissa platser. En kontextuell


effekt däremot, är en påverkan på individen av den sociala eller fysiska 

miljön som inverkar på sjuklighetsrisken. 

För att öka förståelsen för de mekanismer som gör att den plats där 

människor lever också påverkar dem, krävs analysmetoder som parallellt 

hanterar flera strukturella nivåer. I dag hanteras detta sannolikt bäst med 

en flernivåanalysansats. 

Här följer några exempel på forskningsfrågor som kan besvaras med 

denna ansats: 

• Kan förhållanden i boendemiljön påverka individers hälsotillstånd? 

• Påverkas ohälsotalen av regionala skillnader i t.ex. nivån på sociala utgifter 

per capita? 

• Kvarstår dessa effekter efter att hänsyn tagits till individuella egenskaper 

som också påverkar var man bor 

och vidare utvecklat: 

• Är vissa grupper av individer särskilt sårbara för miljöer av en viss karaktär, 

eller uttryckt på annat sätt, finner man interaktionseffekter av kontextuella 

och individuella exponeringar på sjuklighet och dödlighet? 

• Påverkas effekten av en viss kontextuell egenskap, t.ex. socioekonomiska 

resurser, av andra kontextuella egenskaper som t.ex. socialt kapital 

Det är framför allt dessa typer av frågeställningar som behandlas i detta 

kapitel, men samma analysstrategier och statistiska modeller används 

inom en mängd olika discipliner för att svara på helt andra frågor. Den 

gemensamma nämnaren är att frågorna kräver hantering av en hierarkisk 

datastruktur, med information från datakällor på olika nivåer. 

Som exempel kan nämnas hälsoekonomiska studier av vårdbehovsutveckling 

i olika regioner. För beräkning av resursfördelning ger flernivåmetoder 

möjlighet att skapa predikativa modeller av vårdbehovet som 

beaktar både strukturella bestämningsfaktorer, t.ex. utbud av hälso- och 

sjukvård, och den samhällsdemografiska sammansättningen av individer i 

olika områden. Inom den pedagogiska forskningen har modellerna 

används sedan länge för t.ex. prestationsutvärdering av skolor och elever. 

Andra exempel är longitudinella studier med flera mätpunkter och metaanalyser. 

Det ligger dock utanför ramarna för detta kapitel. 

Tack vare ett ökat och tvärvetenskapligt intresse har metodutvecklingen


varit omfattande och det finns nu ett antal dataprogram som utför 

beräkningar med flernivåmodeller. 

Analysnivåer 

Människor lever sina liv i olika miljöer som grannskap, arbetsplatser och 

skolor, och på högre makrostrukturell nivå, i storstadsområden, regioner 

och länder. I varje miljö kommer människor att ha en gemensam erfarenhet 

av rådande förhållanden. Det är denna gemensamma erfarenhet som utgör 

rationaliteten i att använda de specifika geografiska områdena som analysenheter. 

Vi är normalt inte intresserade av enheterna som sådana, utan av 

de förhållanden som råder inom dem. 

Vilken enhet vi väljer beror på vår frågeställning samt på vilka teorier 

om den underliggande processen som kan åstadkomma variationer av de 

förhållanden som vi är intresserade av. Med andra ord: vilken spatial enhet 

kommer att ge uttryck för effekterna av denna differentiering? 

Nedan har vi listat några exempel på val av analysnivåer för analyser av 

hälsoeffekter av olika kontextuella exponeringar. Hälsoeffekter av: 

• inkomstojämlikhet – nationer eller stater 

• etnisk och social segregation – storstadsområden 

• kollektiva sociala och ekonomiska resurser – grannskap 

• miljöexponering – relevant avstånd omkring källan 

Kontextuell exponering 

Gemensamt upplevda förhållanden kan hanteras och analyseras som kontextuella 

exponeringar. I litteraturen används dessutom benämningar som 

grupp – och makronivåexponering. Kontextuella exponeringar är indikatorer 

för gruppnivåbegrepp och de tillhandahåller information som inte 

fångas upp genom data på individnivå. Nedan ges exempel på tre undergrupper. 

1. Härledda variabler 

konstrueras genom att individernas särdrag i gruppen summeras, t. ex 

hushållens medianinkomst, andelen arbetslösa, inkomstspridning osv. 

Dessa variabler har motsvarigheter både på individ- och områdesnivå 

men de mäter olika egenskaper. Arbetslöshetsnivån i samhället kan 

påverka alla individer som lever där, oavsett om de är arbetslösa eller ej.


2. Integralvariabler 

beskriver kontextuella särdrag utan motsvarigheter på individnivå och 

kan därför endast mätas på den kontextuella nivån, t.ex. förekomsten 

av särskilda typer av lagar eller politiska system, eller på lägre nivåer 

social disorganisation, social cohesion eller befolkningstäthet etc. 

3. Miljövariabler 

används, till skillnad från härledda variabler och integralvariabler, 

endast som approximation för exponeringsnivåer på individnivå. De 

mäter nivån av kemisk eller fysisk exponering såsom avgasnivå, antal 

soldagar, osv. 

Den begreppsmässiga distinktionen mellan kontextuell exponering och 

exponering på individnivå blir viktig när variabeln har motsvarigheter på 

båda nivåerna men mäter olika begrepp, samt när den kontextuella exponeringen 

bara kan definieras på kontextuell nivå därför att den inte finns 

på individnivå. 

En introduktion till linjär regression 

För att kunna följa med i resonemangen kring (och uppbyggnaden av) flernivåmodeller, 

krävs en grundläggande kunskap om enklare former av 

regressionsmodeller. Vi inleder därför med en kort introduktion till linjär 

regression och visar hur man med dess hjälp kan börja tänka i termer av 

flernivåanalys. 

Genomgången illustreras med ett exempel som baserar sig på en tänkbar 

frågeställning om samband mellan ålder och blodtryck, eller om man så 

vill; ”hur mycket av variationen i blodtryck förklaras av ålder”. 

I vårt exempel har vi information om blodtryck (utfallsvariabel) och 

ålder (exponeringsvariabel) för 15 individer (tabell 1).

Tabell 1. Ålder och blodtryck 

OBS Ålder Blodtryck 

1 30 85 

2 38 94 

3 50 88 

4 55 100 

5 70 110 

6 75 100 

7 25 85 

8 30 95 

9 50 95 

10 60 110 

11 25 85 

12 40 110 

13 50 100 

14 60 120 

15 70 120 


I ett punktdiagram (figur 1) kan vi få en första uppfattning om sambandet 

mellan ålder och blodtryck. Vi ser med blotta ögat att det verkar finnas ett 

Figur 1. Punktdiagram. Blodtryck och ålder.


samband – blodtrycket stiger med stigande ålder. Variationen i blodtryck 

tycks, åtminstone delvis, förklaras av ålder. Naturligtvis är inte ålder den 

enda variabeln som förklarar variationen i blodtryck men i vårt exempel 

har vi förenklat verkligheten en aning. 

Det vi uppfattar med ögat kan beskrivas mer exakt med en ekvation för 

det linjära sambandet mellan ålder och blodtryck. Vi anpassar därför en 

regressionslinje med hjälp av minsta kvadratmetoden, vilket innebär att vi 

placerar en linje exakt där summan av de kvadrerade avstånden (från 

punkterna till linjen) är som kortast – där den minsta kvadratsumman är 

uppnådd (figur 2). Om vi tänker oss utfallsvariabeln Y (i vårt fall blodtryck) 

och exponeringsvariabeln X (i vårt fall ålder) så ser ekvationen för 

det linjära sambandet mellan X och Y ut som 

Y = β0 + β1X1 + ε, 

där β0, interceptet, beskriver var linjen skär Y-axeln om man drar ut både 

X- och Y-axeln till noll. β1 är lutningskoefficienten och talar om för oss hur 

kraftigt sambandet är – ju brantare lutning desto kraftigare samband. Tolkningen 

av lutningen i figur 2 är att för varje ökning i ålder med ett år ökar 

blodtrycket i genomsnitt med 0,516. Lutningen kan också vara negativ 

(Y = β0 - β1X1 + ε), vilket i vårt exempel skulle motsvaras av att blodtrycket 

minskade med stigande ålder. Den avslutande termen _ i ekvationen är vad 

som brukar kallas för residualvariansen – den anger storleken på den del av 

Figur 2.

variationen i blodtryck som inte förklaras av ålder. Ju lägre residualvarians, 

desto bättre är ekvationen (modellen) anpassad till data. När ε = 0 har vi 

uppnått en regressionsmodell där exponeringsvariablerna förklarar all 

variation i utfallsvariabeln (figur 3). 

Ytterligare en term som brukar nämnas i det här sammanhanget är 

modellens förklaringsgrad eller förklarade varians (R 2 ). Förklaringsgraden 

kan sägas vara residualvariansens motsats eftersom den beskriver hur 

mycket av variationen i utfallsvariabeln (blodtryck) som förklaras av 

exponeringsvariabeln (ålder). 

Förklaringsgraden uttrycks som den andel av variationen i Y som förklaras 

av X (0 ≤ R 2 ≤ 1). När R 2 = 1 har vi uppnått en regressionsmodell där 

all variation i utfallsvariabeln statistiskt förklaras av exponeringsvariablerna. 

Om ålder hade förklarat all variation i blodtryck skulle det kunna se ut som 

i figur 3. 

Figur 3. 


I verkligheten är det naturligtvis högst osannolikt att ålder skulle kunna 

förklara all variation i blodtryck. Det är mer sannolikt att sambandet 

mellan ålder och blodtryck liknar situationen i figur 2. 

Vi vet nu alltså att ålder är en av de variabler som förklarar det varierande 

blodtrycket. Ålder och blodtryck är dock uppmätta på individnivå vilket 

medför att det krävs ytterligare information om man vill utvidga analysen


till att också inkludera andra nivåer, t.ex. bostadsområde. Kanske är det 

också av betydelse var individerna bor? För att studera om sambandet 

mellan ålder och blodtryck ser olika ut beroende på var individerna bor, 

inkluderar vi en områdesvariabel till våra data (tabell 2) och analyserar 

samma data ytterligare en gång, nu med en uppdelning på område (figur 4). 

Tabell 2. Ålder och blodtryck uppdelad på områden. 

OBS Ålder Blodtryck Område 

1 30 85 1 

2 38 94 1 

3 50 88 1 

4 55 100 1 

5 70 110 1 

6 75 100 1 

7 25 85 2 

8 30 95 2 

9 50 95 2 

10 60 110 2 

11 25 85 3 

12 40 110 3 

13 50 100 3 

14 60 120 3 

15 70 120 3 

Variationen mellan individerna kvarstår men vi kan också se att det 

finns en variation mellan områden – vi får en ekvation för respektive område 

och därmed också en regressionslinje per område. 

Vi har visserligen ingen färdig flernivåmodell än eftersom vi med en 

enkel linjär regression inte kan dela upp den totala residualvariansen (ε) i 

två separata varianser, en för individnivån och en för områdesnivån. De tre 

residualvarianser som ges efter stratifiering på område i figur 4 anger fortfarande 

bara variansen mellan individer (inom varje område). Endast med 

hjälp av en flernivåanalys är det möjligt dela upp varianserna. Exemplet 

tydliggör ändå att var man bor spelar en roll – det verkar i det här fallet 

meningsfullt att inkludera område i en flernivåanalys.

Figur 4. 


Om det inte funnits några skillnader i blodtrycksnivå mellan områden 

skulle vi ha fått tre identiska ekvationer och linjerna hade varit placerade 

på exakt samma ställe. Vi hade fortfarande haft variation mellan individer 

men ingen variation mellan områden. I det läget hade inte en flernivåanalys 

varit nödvändig – den hade inte genererat mer förklaring än den enkla 

linjära regressionen i figur 2. 

När vi inte har tillgång till data på individnivå kan en ekologisk analys 

vara ett alternativ. Ekologiska data är aggregerade till den nivå analysen 

ska utföras på (t.ex. andelen låginkomsttagare per kommun, hjärtinfarktincidensen 

per län etc.). Om vi i vårt exempel inte hade tillgång till ålder 

och blodtryck på individnivå utan bara som medelvärden för de tre 

bostadsområdena skulle en analys av sambandet mellan ålder och blodtryck 

se ut som i figur 5. 

Om vi inte redan visste att ålder och blodtryck samvarierar skulle den 

ekologiska analysen i figur 5 kunna leda oss till slutsatsen att det inte finns 

något samband (ekologiskt felslut). Ett annat exempel på ekologiskt felslut 

är samband som finns på den ekologiska nivån men inte på individnivån. 

Att använda aggregerade data på det här sättet och dra slutsatser på den 

individuella nivån bör alltid göras med försiktighet.


Figur 5. 

En introduktion till flernivåmodeller 

För att lättare förstå skillnaden mellan modeller på en nivå och flernivåmodeller, 

börjar vi med att beskriva en så kallad varianskomponentmodell 

eller ”tom” modell. Med tom avses att modellen inte innehåller några 

exponeringsvariabler som skulle kunna förklara skillnader i utfallsvariabeln 

(i vårt fall blodtryck). I notationen nedan betyder j områden och i 

individer. 

Figur 6. Varianskomponentmodell (”tom” modell) 

Yij = β0ij 

β0ij = γ0 + uj + εij 

Yij = Utfallsvariabel (blodtryck) för individer inom områden 

γ0 = Medelvärde för områdesintercepten (där regressionslinjen korsar 

Y-axeln) 

uj = Variationen mellan områden 

εij = Variationen mellan individer inom områden 

Total variation (ε) = uj + εij


Med denna modell kan vi studera individ- respektive områdesvariationen 

i blodtryck utan hänsyn tagen till någon exponeringsvariabel. 

Om vi inte finner någon variation på områdesnivå så finns det ingen anledning 

att gå vidare med en flernivåmodell. 

I denna modell så har varje område ett eget intercept (β0ij) med ett medelintercept 

(γ0), uj är variationen runt medelinterceptet och eij är variationen 

mellan individer inom områden. 

Varianskomponentmodell med blodtryck som utfall. 

Yij = β0ij 


vilken i detta fall blir: 

Blodtryck=99,283(3,362) + 12,500(33,818) + 134,262(54,725) 

Först har vi blodtryck (Yij). Därefter kommer medelinterceptet (γ0), det vill 

säga punkten där regressionslinjen skär y-axeln (99,283). Nästa värde (uj) 

är variationen mellan områden, följt av variationen mellan individer inom 

områden (εij). Siffrorna inom parenteser är så kallade standardfel som 

används för att beräkna konfidensintervall (för att se om värdena är signifikanta 

eller ej). 

Vi kan använda εij och uj för att beräkna den så kallade intraklasskorrelationen 

(ICC). Den mäter i vilken grad individer i samma område 

”liknar” varandra, jämfört med individer i allmänhet. Vi dividerar helt 

enkelt områdesvariationen med den totala variationen enligt följande: 

(12,5 / (12,5 + 134,262) = 0,085. Det ska tolkas som att 8,5 % av variationen 

ligger på områdesnivån och 91,5 % på individnivån. 

Tolkningen blir att individer inom samma områden är mer lika varandra 

än individer mellan olika områden. Det innebär att antagandet om oberoende 

observationer inte uppfylls. En flernivåmodell är med andra ord det 

korrekta i detta fall. 

I nästa steg går vi vidare och lägger in en exponeringsvariabel på 

individnivå (ålder).


Figur 7. Linjär flernivåmodell med en exponeringsvariabel 

Yij = β0ij + β1*X1ij 

β0ij = γ0 + uj+ εij 

Yij = Utfallsvariabel (blodtryck) 

X1ij = Exponeringsvariabel (ålder) 

γ0 = Medelvärde för områdesintercepten (där regressionslinjen korsar 

Y-axeln) 

β1 = Regressionslinjens lutning 

uj = Den “oförklarade” variationen mellan områden 

εij = Den “oförklarade” variationen mellan individer inom områden 

Total ”oförklarad” variation (ε) = uj + εij 

I denna modell har vi lagt till en exponeringvariabel (ålder). Ålder förklarar 

en del men inte all variation i blodtryck. Den variation som ”blir 

över” brukar kallas oförklarad variation eller residualvariation. 

Som tidigare påpekats så ser ekvationen för den elementära flernivåmodellen 

ut som den för enkel linjär regression, med ett undantag. Den 

”oförklarade” variationen är uppdelad i två delar, en för variationen mellan 

individer inom områden (εij) och en för variationen mellan områden (uj). 

Med andra ord så räknar modellen ut vilken effekt ålder har på blodtryck 

på individnivå (β1), och hur mycket av den ”oförklarade” variationen som 

kvarstår på individ- respektive områdesnivå. 

Modellen korrigerar dessutom för att observationerna inte är oberoende 

av varandra inom områdena, det vill säga att variationen för β1 blir för liten 

(=falskt signifikant) på grund av att individer inom samma områden är mer 

lika varandra än individer i allmänhet.

Flernivåmodell med ”random” intercept och ”fixed” lutning 

Yij = β0ij + β1*X1ij 


vilket i detta fall blir: 

Blodtryck = 73,599(6,009) + 21,466(24,533) + 41,706 (17,047) + 

0,547(0,107)*ålder. 

Ett ”random” intercept innebär att skärningspunkten på Y-axeln tillåts 

variera beroende på område. Lutningen på linjen hålls däremot ”fixed” vid 

totalmedelvärdet för alla områden. Hur skall man då tolka resultatet? 

Först har vi blodtryck följt av medelinterceptet (73,599). Därefter kommer 

den “oförklarade” variationen mellan områden (21,466) och den “oförklarade” 

variationen mellan individer inom områden (41,706). Sist kommer 

lutningen på linjen (0,547) multiplicerat med ålder. Det innebär att för 

ett års ökning av ålder så ökar blodtrycket med 0,547. 

Flernivåmodell med ”random” intercept och ”random” lutning 

Yij = β0ij + β1j*X1ij 

β0ij = γ0 + u0j + ε0ij 

β1j= γ1 + u1j 



Blodtryck = 74,767(6,555) + 0,0 (0,0) + 64,251(23,461) + 0,516 

(0,128)*ålder + 0,0 (0,0) 

Vi ser att modellen nu utökats med ytterligare en parameter som är 

”random”-delen av lutningen (u1j) En modell med ”random” intercept och 

”random” lutning innebär att man tillåter både skärningspunkten på Yaxeln 

och lutningen på regressionslinjen variera mellan områdena, i stället 

för att använda totalmedelvärdena (”fixed”). Detta innebär dock inte att vi 

redovisar β-värden för varje område. Det är den ”oförklarade” variationen


(residualvariationen) mellan områden som är ”random”-delen i modellen, 

det vill säga u0j och u1j i formeln ovan. (På grund av för få observationer i 

vårt exempel får vi inga värden på u0j respektive u1j). Dessa värden används 

sedan för att beräkna en kovariansmatris, med andra ord hur mycket de 

samvarierar. 

Kovariansmatrisen kan användas för att beräkna korrelationen mellan 

intercept och lutning över områdena. Man kan exempelvis studera om 

områden med högt intercept också har hög lutning, det vill säga att områden 

med högt medelblodtryck också har ett starkare samband mellan blodtryck 

och ålder. 

Vilken modell är då att föredra? Grundregeln är att använda en så enkel 

modell som möjligt. Ett sätt att testa om en modell är bättre anpassad till 

data än en annan är att tillämpa en ”-2 log likelihood ratio”- test, som 

baseras på χ 2 -fördelningen. Om värdet är signifikant lägre så är den modellen 

bättre anpassad till data. Det finns också flera andra möjligheter att studera, 

diagnostisera och testa modeller. 

Tabell 3. Ålder och blodtryck i kategorier 

Blodtryck Ålder 

Hög Låg 

Högt 7 1 

Normalt 2 5 

Tabell 3 visar samma data som tabell 1 men med ålder och blodtryck 

uppdelat i två kategorier. Data där utfallsvariabeln är dikotom (tvådelad) 

är vanliga inom epidemiologi och kräver en annan metod än linjär regression. 

Logistiska regressionsmodeller brukar tillämpas i dessa fall. Logistisk 

betyder här att man, i stället för ett kontinuerligt värde på blodtryck, 

beräknar en sannolikhet (logit) att tillhöra kategorin högt blodtryck om 

man har hög ålder, jämfört med låg ålder. 

En tilltalande egenskap med den logistiska regressionsmodellen är att 

antilogaritmen av estimaten (i detta fall ålder) går att tolka som oddskvoter, 

det vill säga oddset att ha högt blodtryck vid hög ålder jämfört med 

låg ålder. Dessutom, om utfallet är relativt ovanligt kan oddskvoten användas 

som en skattning av relativ risk (kvoten mellan två incidenser).

I denna 2x2-tabell kan oddskvoten beräknas för hand som: (7*5) / (2*1) 

= 17,5. Detta kan tolkas som att ”äldre” löper nästan 18 gånger högre risk 

att ha högt blodtryck än ”yngre”. 

Figur 8. Varianskomponentsmodell med binär utfallsvariabel 

Logit(πij) = β0j 

β0j = ε0 + uj 

πij = Utfallsvariabel (sannolikhet för högt blodtryck ) 

ε0= Medelvärde för områdesintercepten 

uj = Variansen mellan områden 

Precis som vid linjär regression börjar vi med att studera om vi har 

någon områdesvariation. Som synes så har vi ingen term för variationen 

mellan individer inom områden. Detta beror på att vi inte har en kontinuerlig 

variabel utan en övergångssannolikhet som utfall. Variationen på individnivå 

är i detta fall bara en funktion av logit. 

Om vi finner att vi har en områdesvariation så går vi vidare med att 

lägga in ålder som exponeringsvariabel på individnivå. 

Figur 9. Logistisk flernivåmodell med en exponeringsvariabel 

Logit(πij) = β0j + β1*X1ij 

β0j = ε0 + uj 

πij = Utfallsvariabel (sannolikhet för högt blodtryck) 

X1ij = Exponeringsvariabel (ålder i 2 kategorier, låg ålder jämförelsekategori) 

β1 = exp b1 = Oddskvot 

ε0= Medelvärde för områdesintercepten 

uj = Den ”oförklarade” variationen mellan områden 

kontextuella analyser 207


Som synes påminner den logistiska regressionsmodellen mycket om den 

linjära. Den största skillnaden är att modellen är logaritmerad och 

utfallsvariabeln är en övergångs-sannolikhet. Det bör dock påpekas att 

variationen inte kan tolkas på samma sätt som vid en linjär regression, vilket 

följande exempel visar. 

Flernivå logistisk regressionsmodell med ”random” intercept och ”fixed” 

lutning 

Logit(πij) = β0j + β1*X1ij 

β0j = ε0 + uj 


Logit(högt blodtryck) = -1,069(1,244) + 1,039(1,859) + 2,825(1,358)*hög 

ålder 

Som vi kan se så skiljer sig resultatet något från den linjära flernivåmodellen. 

Interceptet (-1,069) går inte att tolka på samma sätt som vid en 

linjär regression då vi inte har ett kontinuerligt utfall utan en övergångssannolikhet. 

Det värde vi får på b1 (2,825) är ingen lutning utan det logaritmerade 

oddset att ha högt blodtryck vid hög ålder, jämfört med att ha det 

vid låg ålder. 

Efter antilogaritmering erhålles värdet 16,86. Det är med andra ord nästan 

17 gånger högre odds att ha högt blodtryck vid hög ålder, jämfört med vid 

låg ålder. 

Det finns flera olika sätt att försöka beräkna intraklasskorrelationen, 

dvs. hur stor del av variationen som beror på individer inom områden 

respektive mellan områden. Då individvariationen är en funktion av 

utfallsvariabeln är det inte helt enkelt att göra denna beräkning. Det finns 

dock simuleringsmetoder tillgängliga för detta ändamål. Genom att studera 

det erhållna värdet på uj kan man också få en uppfattning om den oförklarade 

variationen på områdesnivå. 

De exempel vi visat i detta avsnitt är elementära. Det går att genomföra 

betydligt mer komplicerade analyser med flera variabler i modellen, flera 

nivåer än två, interaktion mellan de olika nivåerna etc. Dessutom går det


att genomföra flernivåanalyser på överlevnad, Poissonfördelade variabler 

mm. 

För den som vill gå vidare på egen hand rekommenderar vi Internetlänken 

http://multilevel.ioe.ac.uk/index.html. Där finns gratis manualer 

som även fungerar som läroböcker. Man kan också gratis ladda ner en 

övningsversion av analysprogrammet MLwiN. 

Analysstrategier 

För att bättre förstå vad som orsakar ohälsa behövs strategier och verktyg 

som kan hantera påverkan från flera nivåer. I en flernivåansats analyseras 

kontexter samtidigt med individerna som lever i den undersökta miljön, 

vilket gör det möjligt att undersöka hur faktorer på kontextuell och individuell 

nivå är kopplade till hälsoutfall. Införandet av flera nivåer i analyserna 

hanterar även de felslut som diskuterats i tidigare kapitel. Det säkerställer 

att tolkning och slutsatser görs från rätt analytisk nivå. 

Tidigare har ekologiska analyser utförts för att ge svar på frågor om 

kontext–individsamband, vilket fortfarande är fallet när utfallsdata inte 

finns tillgängligt på individnivå. Det finns flera problem med en sådan strategi. 

Dels är risken för ekologiskt felslut vid tolkningen av resultaten stor, vi 

får inte veta hur andra individuella förutsättningar påverkar sambandet, 

dels sker även en reduktion av datamängd som leder till att de statistiska 

analyserna förlorar i styrka. 

Om utfallsdata på individnivå finns tillgänglig, har en annan strategi 

varit att tillskriva alla individer en kontextuell exponering (t.ex. medelinkomst 

i området) och sedan utföra en analys med lämplig regressionsmodell. 

Medelinkomst i området blir på detta sätt modellerad som en 

individegenskap och antalet frihetsgrader kommer felaktigt att blåsas upp 

till stickprovsstorleken för individer i stället för till stickprovsstorleken för 

områden. Som en konsekvens av detta underskattas standardfelen för 

parameterestimaten (β-värden) och därmed kommer även konfidensintervallen 

skattas för snäva då standardfelen ligger till grund för beräkningar 

av dessa. Ju färre antal enheter på nivå två (områdesnivå), desto större blir 

felet. 

Om studien baseras på klusterpopulationer eller slumpmässiga klusterurval, 

är det mer troligt att observationer relaterade till individer inom 

samma kluster liknar varandra än om individerna tillhör olika kluster. Ett


grundantagande i alla regressionsmodeller är antagandet om oberoende 

observationer. Att bryta mot detta antagande leder till en underskattning 

av standardfelen för parameterestimaten, vilket i sin tur leder till för snävt 

skattade konfidensintervall och därmed en överskattning av precision. 

Sammanfattningsvis kan man säga att man vid användandet av flernivåmodeller: 

• Kan adressera frågor rörande både individnivåprocesser och 

områdesnivåprocesser baserade på samma dataanalys 

• Mäter effekt av exponering på flera nivåer, före och efter att confoundingfaktorer 

inkluderats på relevant nivå 

• Justerar för observationskluster inom enheter, med förbättrade 

beräkningar av standardfelen för regressionskoefficienter baserade 

på data med klusterurval 

• Erhåller bättre regressionsestimat på individnivå genom ”lånad 

styrka” från andra enheter 

• Utför beräkningar av varianskomponenter, oförklarad varians 

indelas i komponenter som kan tillskrivas olika nivåer. 

Generaliserade Linjära Modeller 

Som standard används någon form av Generaliserade Linjära Modeller 

(GLM) för beräkningar av exponeringseffekter på utfall i epidemiologiska 

studier. Dessa innefattar t.ex. multipel linjär regression, logistisk regression 

och Poisson-regressionsmodeller. Tidiga kontextuella modeller var GLMmodeller 

i vilka grupp- eller kontextvariabler inkluderades i modellen med 

individer som analysenhet (vilket är detsamma som en flernivåmodell där 

residualvariansen på områdesnivå satts till 0). Dessa kallas även fixed 

effects models (se t.ex. 1). Som tidigare nämnts kan relevant ennivå-GLM 

vara det enklaste och därmed bästa valet av analysmodell om den hierarkiska 

datastrukturen inte är statistiskt signifikant, det vill säga om man i en 

”tom” flernivåmodell (varianskomponentsmodell) inte finner någon residualvarians 

på områdesnivå. 

Flernivåmodeller 

Flernivåmodeller bygger på samma regressions- och variansanalysmetoder 

som GLM. De används i studier med dataobservationer på två eller flera


analysnivåer. Modellen kan ses som ett tvåstegssystem av ekvationer där 

variansen i utfallet mellan individer (inom områden/enheter) förklaras 

genom en ekvation på individnivå och variansen i utfallet mellan områden 

förklaras genom en ekvation på områdesnivå. 

Precis som i en ordinär regressionsmodell anger betakoefficienten för 

exponeringsvariabeln vilken effekt exponeringen har på utfallet, exponeringsvariabeln 

kan dock härröra från både individ och områdesnivå. Utöver de 

parametrar som ingår i en ordinär regressionsmodell innefattar flernivåmodeller 

dessutom parametrar som beskriver residualvariansen mellan 

individer inom områden och residualvariansen mellan områden (residualvariansen 

är alltså den variation i utfall som inte förklaras av de variabler vi 

lagt in i modellen). Det dessa parametrar mäter beskrivs ofta som random 

effects vilket inte skall förväxlas med effekten av de kausala parametrar 

som studeras. Om syftet som i vårt fall är att studera vilken effekt specifika 

kontextuella exponeringar har på sjuklighet och dödlighet, tillför dessa 

variansparametrar ingen ytterligare kunskap om effekten av exponeringen. 

Däremot kan vi utläsa hur stor del av utfallets varians som de oberoende 

variablerna (exponering, confoundingfaktorer) förklarar och på vilken 

nivå. 

I följande avsnitt presenteras grafiska illustrationer över två typer av 

modeller, båda med individer som första nivå och områden som andra nivå. 

Det första diagrammet visar resultat från en random intercept-modell. 

Denna modell tillåter områdesnivåinterceptet att variera men behåller en 

fast lutning. På Y-axeln visas sannolikheten för utfallet, t. ex hjärtinfarkt, 

och på X-axeln visas blodtrycksnivå, båda på individnivå. Den vertikala 

Figur 10. ”Basic variance component/random intercept model”.


linjen markerar blodtryckets urvalsmedelvärde. Relationen mellan hjärtinfarkt 

och blodtryck i sex olika områden representeras av linjerna, varav 

den tjockare linjen representerar det generella sambandet tvärsöver alla sex 

områdena (totalmedelvärdet). Som vi kan se skiljer sig hjärtinfarktsnivån i 

alla sex områden, men sambandet mellan hjärtinfarkt och blodtryck är detsamma. 

Individer med för högt blodtryck löper högre risk för hjärtinfarkt. 

I det andra diagrammet visas resultat från en modell med random intercept 

och random slope. Detta innebär att både interceptet och lutningen tillåts 

att variera i modellen. Som vi kan se är det fortfarande skillnader i hjärtinfarktsnivån 

inom olika områden och här finns även en variation på 

linjernas lutning. Det allmänna mönstret visar att det finns en större områdesvariabilitet 

för hjärtinfarkt bland de patienter som har för högt blodtryck 

än bland patienter med för lågt blodtryck. Dessa är elementära 

modeller som endast ger svar på hur variabiliteten fördelar sig mellan nivåer. 

De mäter alltså inte ”effekter” av enstaka geografiska enheter även om det 

är möjligt att kartlägga varje områdes regressionslinje som vi gjort här. 

Dessutom är dessa två exempel hypotetiska, eftersom sex områden i normala 

fall är för få. Ett mer realistiskt antal vore fler än 30. 

Figur 11. ”Basic random intercept/random slope model”. 

Kontextuella effekter 

Hur kan man då gå till väga för att analysera vilka effekter specifika 

områdesegenskaper har på risken för sjuklighet och dödlighet? Om vi 

börjar med att se på genom vilka olika sätt en områdesegenskap kan påverka 

hälsoutfall, så ser vi snart att frågan är komplex men i stort kan hanteras 

med sedvanlig epidemiologisk metodik. I figuren nedan illustreras tre


exempel på mekanismer genom vilka en kontextuell exponering kan påverka 

individens hälsa. 

I det första exemplet modifierar den regionala förekomsten av 

inkomstojämlikhet effekten av individens sociala klasstillhörighet, det vill 

säga i regioner med liten inkomstspridning har individers egen klasstillhörighet 

mindre betydelse för sjukdomsrisken medan det i regioner med stor 

inkomstspridning finns en kraftig riskökning för sjuklighet bland individer 

i lägre sociala strata. 

I exempel två har inkomstojämlikheten en direkt effekt, vilket innebär 

att den påverkar alla individer oavsett egen klasstillhörighet. 

I exempel tre påverkar kontexten förekomsten av en individuell riskfaktor 

som i sin tur orsakar ohälsa. 

Figuren har lånats från Ekologiska effekter inom flernivåstudier av Blakely 

och Woodward. (2) I figuren används uttrycket ”ekologisk effekt”, vilket 

har samma innebörd som ”kontextuell effekt”.


Figur 12. Tre typer av kontextuella effekter 

Exemplet visar egentligen att även om den studerade exponeringen härrör 

från en högre strukturell nivå, blir hanteringen av mekanistiska frågeställningar 

densamma som vid analyser av individuella exponeringsförhållanden. 

Exempel på analysstrategi 

Det finns givetvis många analysstrategier som kan användas för utvärdering 

av dessa effekter. Som ett hypotetiskt exempel visar vi nedan en strategi 

som kan användas för att utröna om det föreligger en direkt kontextuell 

effekt på risken för sjuklighet. Data kommer från SHEEP, en fall-kontroll

studie av orsaker till förstagångsinsjuknande i hjärtinfarkt, samt CHESS 

databas Hälsa, Arbete och Inkomst 1. Vår fråga är om boende i låginkomstområden 

påverkar risken att insjukna i hjärtinfarkt. 

Logit (πij)= β0j + β1*C1ij + …. + β9*C9ij 

β0j = β0j + β*X1j + uj 

πij = Utfallsvariabel (sannolikhet för förstagångsinsjuknande 

i hjärtinfarkt) 

β1…..β3 = Lutningskoefficienter för confoundingvariablerna 

C1ij…..C3ij = Confoundingvariabler på individnivå (t.ex. ålder, 

inkomst, utbildning, SEI) 

ε0 = Grand mean för områdesintercepten 


ε1 = Lutningskoefficienten för områdesexponeringen ( ε exp 

ε1 = Oddskvot för områdesexponeringen) 

X1j = Exponeringsvariabel (medianinkomst i bostadsområdet) 

uj = Den ”oförklarade” variationen mellan områden 

(residualvarians) 

Vi använder oss av en multinivåansats och anpassar en logistisk 

regressionsmodell med random intercept där vi definierar individer på nivå 

ett och bostadsområden på nivå två. I steg ett vill vi veta om det finns någon 

variation i hjärtinfarktsinsjuknande mellan bostadsområden. Vi anpassar 

en elementär varianskomponentsmodell eller vad som också kallas en tom 

modell. 

1 Exemplet bygger på data från M Kölegård Stjärnes pågående doktorandarbete.


Logit (πij)= β0j 

β0j = β0j + uj 

Variance component model 

Män N=2 428 

Bostadsområden=665 

Logit(hjärtinfarkt) = -0,252 + 0,295 (0,074) 

Som vi kan se är variansen i hjärtinfarktinsjuknande mellan områden 

(0,295) en bra bit större än standardfelet x 2 (0,074 x 2) vilket är en grov 

approximation av att områdesvariansen är signifikant och att det finns 

skillnader i förekomsten av hjärtinfarkt mellan bostadsområden. Detta 

betyder också att vi bör fortsätta att anpassa flernivåmodeller. 

I nästa steg specificeras den kontextuella exponeringen, inkomstnivå i 

bostadsområdet. Eftersom formen för sambandet med hjärtinfarkt inte är 

känd, inkluderas den som kategoriindelade dummyvariabler. 

Logit (πij)= β0j 

β0j = ε0 + ε1*X1j + uj 

Random intercept model 

Män N=2 428 

Bostadsområden=665 

Logit (hjärtinfarkt) = β0j 

β0j = –0,105(0,126) + 0,693(0,124)*låginkomstområde 

+ 0,578(0,124)*medelinkomstområde + 

0,083(0,060) 

Log-oddset att få hjärtinfarkt i låginkomstområden jämfört med att få det i 

höginkomstområden är alltså 0,693. Efter antilogaritmering (exp) får vi 

oddskvoten 2,0. Det är med andra ord dubbelt så vanligt att få hjärtinfarkt 

i låginkomstområden jämfört med i höginkomstområden. Styrkan i sambandet 

är fortfarande ”stört”, det innehåller alltså confounding från de 

variabler som selekterar individer till låg- respektive höginkomst områden

och som också i sig innebär en ökad risk för hjärt-kärlsjuklighet. 

I det tredje steget inkluderar vi de confoundingfaktorer som vi (av teoretiska 

skäl) vet kan påverka utfallet och som sannolikt samvarierar med den 

kontextuella exponeringen, i det här exemplet ålder, disponibel inkomst, 

utbildning och familjens socioekonomiska status. För att inte överjustera, 

måste en övervägning också göras så att de faktorer vi justerar för inte är en 

del av mekanismen i det samband vi försöker fånga. I vårt fall kan det 

handla om faktorer som matvanor, fysisk aktivitet och rökning, vilka 

mycket väl kan påverkas av den sociala miljön och därför vara mellanliggande 

faktorer. Dessa hanteras lämpligen i ett senare mekanistiskt 

analyssteg. I övrigt hanteras confoundingkontrollen på sedvanligt sätt, så 

att kombinationen av confoundingfaktorer med störst förklaringsgrad (på 

kontextvariabelns effektestimat) bibehålls. 

Logit (πij)= β0j + β1*C1ij + …. + β4*C4ij 

β0j = ε0 + ε1*X1j + uj 

Logit (hjärtinfarkt) = β0j+β2*C2ij …. β4*C4ij 


β0j = –0,732(0,172) + 0,456(0,136)*låginkomstområde 

+ 0,403(0,132)*medelinkomstområde + 

0,108(0,064) 

I vårt exempel ser vi att efter confoundingkontrollen är utförd blir log-oddset 

att få hjärtinfarkt i låginkomstområden jämfört med i höginkomstområden 

0,456, vilket ger en oddskvot på 1,6 dvs. en överrisk på 60% hos individer 

boende i låginkomstområden. Vi tolkar detta som en första indikation på 

att det kan finnas en direkt kontextuell effekt av inkomstnivå i bostadsområdet 

på risken att insjukna i hjärtinfarkt. Det kan också ses som den 

kontextuella effekt som kvarstår efter det att den kompositionella effekten 

är justerad för. Vi har dock inte studerat om individ- och kontextfaktorer 

samverkar och inte heller de eventuella mekanismerna bakom. 

Ett kritiskt perspektiv 

Även om det har gjorts metodologiska framsteg i hanteringen av multinivåanalyser, 

finns det ytterligare behov av teoretisk utveckling som beskriver 

hur kontextuella faktorer kan påverka hälsan. Modellerna är bara så bra


eller dåliga som de underliggande teorierna som används för att motivera 

valda nivåer och valet av variabler på varje nivå. Trots utvecklingen på den 

statistiska sidan finns det fortfarande komplexa metodologiska frågor som 

behöver hanteras. Vad gäller bedömning av studiernas validitet krävs 

samma beaktande av systematiska felkällor som vid epidemiologiska studier 

i allmänhet (se t.ex 3) Vi tar här avslutningsvis upp några ytterligare exempel 

av confounding som särskilt bör beaktas. 

Confounding 

Confounding uppstår när exponeringens effekt sammanblandas med 

effekten av en annan variabel. För att klassificeras som en confounder 

måste variabeln påverka resultatet, samvariera med exponeringen men inte 

vara en del av mekanismen i sambandet mellan exponering och utfall. 

Mycket av den kritik som riktar sig mot kontextuella analyser relateras 

till vad som kallas omitted variable bias. Med detta avses att den kontextuella 

effekten kan bero på utelämnandet av variabler på individnivå som 

är relaterade både till utfallet och till den studerade exponeringen. Som 

synes rör det sig alltså om confounding eller residualconfounding som är 

vanliga problem vid epidemiologiska studier i allmänhet. Observera att 

confounding inom den individuella nivån endast kan påverka en kontextuell 

effekt om den samvarierar med den kontextuella exponeringen.

Nedan illustreras crosslevel confounding samt within ecological level 

confounding i en figur som lånats från Blakely och Woodward (2). 

Figur 13. Exempel på confounding från faktorer på både individ, och områdes nivå. 


Residualconfounding 

Om en confounder är felklassificerad är det möjligt att en del av dess effekt 

förblir ojusterad och alltså även efter confoundingkontrollen stör effektestimatet. 

Detta blir ett större problem i kontextuella studier, då effekten av 

individuella förhållanden lätt ”sugs upp” av det kontextuella måttet. 

Intermediärer eller mellanliggande faktorer 

Ett närliggande problem är bedömningen av huruvida en individvariabel är 

en confounder eller en mellanliggande faktor i ett orsakssamband. Om vi 

t.ex. justerar den kontextuella effekten för rökning, kommer vi också att ta 

bort effekten som kontexten har på sannolikheten att människor fortsätter 

röka eller får dem att börja. Samma sak kan gälla för många andra faktorer,


exempelvis fysisk aktivitet och diet, som också är beroende av tillgänglighet 

och samhällets normer. Genom att studera dessa mekanismer separat 

blir det möjligt att förstå hur den kontext människor lever i också påverkar 

deras hälsa. 

Blakely och Woodward (2) har publicerat en användbar lista med specifika 

rekommendationer som kan användas av vid genomförandet av flernivåstudier: 

• Beakta var och en av de tre olika typerna av kontextuella effekter 

(direct contextual effect, crosslevel effect-modification, indirect 

crosslevel effect) 

• Beakta om det finns tillräcklig variation i den ekologiska exponeringen 

i datamaterialet 

• Gör en bedömning av möjliga felkällor (selektion, confounding 

samt felklassificering) 

• Redovisa resultat både med och utan individnivåvariabler i modellen 

om det är möjligt att variabeln är en mellanliggande faktor i orsakssambandet 

• Beakta även tidsintervallet mellan exponering och utfall. 

• Beakta begränsningarna med vald geografisk enhet, i synnerhet om 

administrativa enheter används 

• Utför känslighetsanalyser med olika modeller och datamängder. 

Referenser 

1. Diez-Roux AV. Multilevel analysis in public health research. Annu Rev 

Public Health 2000;21:171-92. 

2. Blakely T, Woodward A. Ecological effects in multi-level studies. J Epidemiol 

Community Health 2000;54:367-374. 

3. Kaplan G. What is wrong with social epidemiology? Epidemiologic Reviews 

2004;26:124-135. 

Läsa vidare 

Diez-Roux AV. Bringing context back into epidemiology: variables and 

fallacies in multilevel analysis. Am J Publ Health 1998;88:216-22.


I Kawachi & L F Berkman (Eds). Neighbourhoods and Health. New York: 

Oxford Press. 

J. Rasbach, W. Browne, H. Goldstein, M. Yang, I. Plewis, M. Healy, G. 

Woodhouse, D. Draper, I. Langford, T. Lewis. A user’s guide to MLwiN, 

version 2.1. Multilevel Models Project. Institute of Education, University 

of London. London 2000. Gratis tillgänglig på Internet: 

http://multilevel.ioe.ac.uk/index.html

3. 


GEOGRAFISKA ANALYSER 

Anders Schærström Owe Löfman


3. 

GEOGRAFISKA ANALYSER 

Anders Schærström Owe Löfman 

geografiska analyser 225 

Geografin är ett ämnesområde med många sidor och spänner över såväl 

naturvetenskapliga som samhällsvetenskapliga företeelser och frågeställningar. 

Ofta är just mötet mellan natur och samhälle kännetecknande 

för geografiska studier. Därför använder geografer också en mångfald 

olika metoder för att analysera samband, såväl kvantitativa som kvalitativa 

(icke-kvantitativa). 

Visserligen kan man säga, att allt här i världen finns eller sker någonstans, 

men det innebär inte att allting därför är geografi. En sociologisk, 

epidemiologisk, ekonomisk eller historisk studie kan helt och hållet sakna 

en egentlig geografisk dimension, men enbart det faktum att data kommer 

från en viss plats – en ort, en stadsdel, ett län eller ett land – gör inte studien 

geografisk. I en regelrätt geografisk studie har däremot rummet en avgörande 

roll för analys och förklaring. Med rummet menar vi områden och 

punkter på jordytan samt avstånd och kontakter mellan dem. I princip kan 

geografiska studier variera i omfattning från hela jordytan till en enskild 

byggnad. 

En utgångspunkt för den geografiska studien är därför att man så noggrant 

som möjligt försöker pricka in var den företeelse man är intresserad 

av förekommer (lägesbestämning). Hur noggrant man behöver precisera 

beror på frågeställningen. Hur noggrant man kan precisera beror på de 

data man har tillgång till. Många gånger kan man tvingas att använda en 

sämre precision än önskvärt. 

Märk väl att även om man använder uppgifter med en mycket hög 

precisionsnivå, rentav individer och fastigheter, så är det inte alltid nödvändigt 

eller lämpligt att redovisa allt på kartor med den noggrannheten. För 

det första kan man av hänsyn till personlig integritet inte redovisa sina upp


gifter så att enskilda personer kan identifieras av obehöriga. För det andra 

beror det på vilka orsakssamband man söker – alla förutsätter inte lika hög 

precision. 

Nu behöver det inte vara så att läget eller platsen i sig själv är orsaken till 

det man vill förklara, exempelvis en viss sjukdom. Däremot förutsätter 

man i en geografisk studie, att observerbara skillnader mellan områden, 

platser eller lägen kan leda tankarna till de verkliga orsakerna. Det viktiga 

är, om man söker orsakssamband, att beroende och oberoende variabler 

kan knytas till samma lägen – med hänsyn också till tidsaspekten. Om riskfaktorn 

som man vill komma åt har en sammanhängande utbredning – 

exempelvis en luftförorening eller vissa egenskaper hos dricksvatten – så 

kan det vara tillräckligt om man kan hänföra individer till det utbredningsområdet. 

Ett vanligt geografiskt tillvägagångssätt kan vara att jämföra områden. 

Man kan jämföra områden rent visuellt genom att granska kartbilder med 

olika slags uppgifter om sjukdomsförekomst respektive fysiska och socioekonomiska 

uppgifter. Man kan göra en kvantitativ, statistiskt grundad, 

jämförelse genom regressionsanalys. Man kan vidare göra en djupare analys 

av möjliga orsakssammanhang, vilket ofta förutsätter kunskaper på andra 

sakområden. 

Ett annat sätt är att göra en regional analys. En sådan kan gå ut på att 

inventera och beskriva ett område så utförligt som möjligt, men gärna med 

ett visst syfte, exempelvis att göra en bakgrund till den hälsoprofil man kan 

finna i området. Man kan göra flernivåanalyser. En regional analys får 

emellertid inte stanna vid total- eller genomsnittsuppgifter. Den skall också 

ta hänsyn till de skillnader som förekommer inom området, mellan dess 

delar. 

Ett tredje geografiskt tillvägagångssätt är att studera förändringar. Världen 

är föränderlig och det måste också ingå i det geografiska perspektivet dels 

vilka förändringar som sker inom området, dels hur området utvecklas i 

förhållande till omvärlden. 

Geografiska studier kan därför omfatta såväl miljöförändringar som 

andra förändringar i rummet – sociala och demografiska förändringar 

samt migration, resande, pendling och andra rörelser. Hur stor roll dessa 

spelar beror naturligtvis på hur stort område och hur lång tidsperiod man 

studerar.


Ytterligare en variant kan vara att utgå från människorna, snarare än 

området. Man kan välja att följa hur grupper av människor rör sig mellan 

olika områden eller miljöer för att ta reda på vilka effekter det får dels för 

just deras exponering och hälsa, dels för kontrollgrupper. Se till exempel 

Schærström (1). 

Ambitionsnivåer 

Den enklaste ambitionsnivån är förstås att enbart beskriva en situation i 

geografiska termer – visa på en karta och kommentera hur hälsoprofiler ser 

ut på olika platser och hur bestämningsfaktorerna skiljer sig åt mellan 

platserna. 

Nästa steg är att använda dessa kända uppgifter för att formulera hypoteser 

om vad som orsakar skillnaderna i hälsoprofiler. 

Man kan också vända på tillvägagångssättet och undersöka om geografiska 

mönster ger stöd för en hypotes. Det var i själva verket just det 

John Snow gjorde när han prickade in kolerafallen på en Londonkarta och 

fann att hans misstanke om att kolera sprids med vatten verkade riktig. 

Från senare tid kan man nämna försök att finna samband mellan sjukdomar 

och omgivningsfaktorer med hjälp av GIS, till exempel diabetes och 

kemiska egenskaper hos dricksvatten (2). 

Enbart med geografiska metoder kan man kanske sällan eller aldrig nå 

fram till bevis i strikt mening – lika litet som man kan göra det med enbart 

statistiska metoder. Man kan finna stöd för en hypotes, men för att bevisa 

orsakssambanden krävs att man kompletterar med andra metoder, till 

exempel laboratorieexperiment eller kanske djupintervjuer. Ett alternativ 

till att vetenskapligt bevisa ett samband kan vara att påvisa regelbundna 

mönster och måhända formulera teorier om sjukdomsgeografiska samband. 

Att experimentera är inte så lätt i geografin, men tack vare datorer 

kan man använda empiriskt belagda mönster för att simulera sjukdomsspridning 

i såväl tid som rum, till exempel för hiv (3). 

En ambition som man inte får försumma är möjligheten att omsätta den 

geografiska kunskapen i praktisk handling. Man kan använda kunskapen 

om geografiska hälso- och ohälsomönster i samhällsplanering och miljövård 

– med folkhälsan för ögonen. Det kan till och med gå att använda geografisk 

kunskap terapeutiskt. Sålunda kan man låta långtidssjukskrivna 

beskriva, och i dialog med en terapeut, analysera sin vardag i geografiska 

termer för att finna sätt att bli mindre stressade och må bättre (4).


Ambitionsnivåer för geografiska analyser 

• Beskrivning 

• Hypotesgenerering 

• Hypotesprövning 

• Bevisning 

• Konstatera regelbundna mönster – konstruera modeller/teorier 

(alternativ till att i egentlig mening bevisa något), eventuellt simulera 

förlopp. 

• Praktisk tillämpning. 

Metoder 

Eftersom geografen söker samband och sammanhang med hjälp av rummet, 

är kartor av olika slag ett oumbärligt redskap för beskrivning och analys. 

Som vi förklarat tidigare finns kartor av många slag och de kan även på 

olika sätt omfatta tidsdimensionen. Men kartorna behöver kompletteras 

med andra metoder, såsom statistik eller hermeneutisk analys. Korologi 

kallas den metodik som tillämpar statistiska formler på rumsliga mönster 

(grek. Choros = rum). Inom geografin förekommer i dag vitt skilda vetenskapliga 

metoder och synsätt – positivistiska, kritiska, marxistiska, strukturalistiska, 

humanistiska och så vidare. Förutom forskarens egen grundinställning 

är det i hög grad frågeställningen som styr metodvalet. 

Datafångst 

Om man har möjlighet att själv samla in de uppgifter man vill ha, kan man 

också själv bestämma vilken geografisk noggrannhet man skall använda. 

Många gånger är man emellertid hänvisad till tabeller/databaser där uppgifter 

redovisas aggregerade på exempelvis kommun eller län. Men som vi 

sett i föregående kapitel finns det också uppgifter som redovisas för vissa 

mätpunkter valda på andra grunder – exempelvis meteorologiska och hydrologiska 

mätstationer. 

Man kan samla in uppgifter genom enkäter, intervjuer, dagböcker, 

observationer på fältet, befintliga kartor, flyg- och satellitfotografier, tabeller, 

register etc. Det kan mycket väl tänkas att man måste kombinera uppgifter 

från två eller flera källor. I en källa finns kanske uppgifter om enskilda 

personer och deras hälsotillstånd men inga adressuppgifter. I så fall kan 

man behöva hämta adresserna på annat sätt.


Att dra slutsatser 

Likheter mellan geografiska mönster kan tyda på någon gemensam orsak 

men kan också vara tillfälligheter. Korrelation betyder inte nödvändigtvis 

att det finns ett orsakssamband. Det gäller såväl för geografiska som statistiska 

analyser. Geografiska mönster kan, liksom statistiska samband, hjälpa 

oss att förstå orsakssammanhang. Det förutsätter att vi söker relationer 

mellan olika storheter, men alla relationer som kan beräknas är förstås inte 

lika relevanta. 

Praktiska tillämpningar 

Ett klassiskt exempel på praktisk planering som fortfarande citeras är Sven 

Godlunds omlandsanalys som lades till grund för indelningen i Sveriges 

sjukvårdsregioner (5). Genom att beräkna restider till olika sjukhus som 

skulle kunna få ställning som regionsjukhus och åskådliggöra dem med 

isartimkartor, visade han fördelar och nackdelar med olika alternativ. Liknande 

beräkningar på tidsgeografisk grund gjorde Hägerstrand i samband 

med urbaniseringsutredningen (6). På motsvarande sätt tillämpar man geografiska 

modeller för att förbättra sjukvårdens tillgänglighet i utvecklingsländer, 

inte minst på landsbygden (7). I dag använder man GIS bland annat 

till att bättre anpassa sjukvårdens inriktning till patienternas behov (8). 

Vi skall nu gå närmare in på några geografiska analysmetoder som kan 

användas för att söka hälsorelaterade mönster och eventuella samband 

med omgivningsfaktorer. 

Läsa vidare 

Bra introduktion till geografiska analyser av ohälsa finner man i 

Gatrell A. The Geographies of Health. Oxford: Blackwell; 2001. 

Meade MS, Earickson RJ. Medical geography. 2nd ed. New York: Guilford 

Press; 2000. 

En bok som belyser hälsorelaterade GIS-tillämpningar ur flera synvinklar är 

Gatrell A, Löytönen M, eds. GIS and Health. GISDATA 6. European Science 

Foundation. Taylor & Francis; 1988.


Ett vetenskapligt resonemang kopplat till aktuella hälsoproblem möter man hos 

Curtis S, Taket A. Health and Societies – changing perspectives. London, 

Edward Arnold; 1996. 

Referenser 

1. Schærström A. Pathogenic Paths? A time geographical approach in 

medical geography. Doktorsavhandling. Meddelanden från Lunds 

universitets geografiska institutioner. Avhandlingar 125. Lunds 

universitet; 1996. 

2. Moltchanova E, Rytkönen M, Kousa A, Taskinen O, Tuomilehto J, Karvonen M, for the 

Spat Study Group and the Finnish Childhood Diabetes Registry Group. Zinc and 

nitrate in the ground water and the incidence of Type 1 diabetes in Finland. 

I: Rytkönen M. Geographical study on childhood type 1 diabetes 

mellitus (T1DM) in Finland. A 410. Oulu/Uleåborg: Department of 

Geography, University of Oulu Acta universitatis ouluensis; 2004. 

3. Löytönen M. The spatial diffusion of Human Immuno-Deficiency Virus 

Type 1 in Finland 1982–1996. Annals of AAG March 1991;Vol 81: 

127-151 


makt. Att öka förståelsen för människors livssammanhang med 

tidsgeografisk analys. Meddelanden från Göteborgs universitets 

geografiska institutioner Serie B, No 101. Kulturgeografiska 

institutionen, Handelshögskolan Göteborgs universitet; 2002. 

5. Godlund S. Befolkning, regionsjukhus, resmöjligheter, regioner. Avhandlingar 

34. Meddelanden från Lunds universitets geografiska institution; 

1958. 

6. Hägerstrand T. Tidsanvändning och omgivningsstruktur. Bilaga 4 till SOU 

1970:14 Urbaniseringen i Sverige – en geografisk samhällsanalys. 

7. Kumar N. Changing access to and locational efficiency of health services 

in two Indian districts between 1981 and 1996. Social Science and 

Medicine May 2004;Vol 58(10):2045-67.


8. Lovett A, Haynes R, Bentham G, Gale S, Brainard J, Suenennberg G. Improving 

Health Needs Assessment using Patient Register Information in a GIS. 

I: Gatrell A, Löytönen M, red. GIS and Health. London: Taylor & 

Francis; 1988. GISDATA 6. European Science Foundation.


Finns det något mönster i mina observationer? 

Owe Löfman 

Analys av punktmönster (Point pattern analysis) 

Ofta utgår den geografiska analysen av punktobservationer från en punktkarta 

(dot map) som är en lättillgänglig form av information för att visuellt 

bilda sig en uppfattning om spatiala företeelser och mönster. Eftersom varje 

urskiljbart mönster är resultatet av en process i tid och rum, bör analysen 

Figur 1. Tre exempel på olika spridningsmönster. 

inkludera en idé om hur mönstret kan ha uppstått och helst ledas av à priorikunskap 

baserad på tidigare studier som genererat hypoteser. Två exempel 

på sådana metoder är analys av observationer i rutnät (quadrat sampling) 

och inbördes avstånd (distance sampling). I den förra räknas antalet observationer, 

exempelvis individer, för en yta medan den senare baseras på 

avståndet mellan observationer/individer. Båda dessa metoder kan användas 

för att upptäcka om punkter är exempelvis slumpvis fördelade. Läget 

för en punkt i en slumpvis fördelning är oberoende av läget för varje annan 

punkt över en oändligt stor yta, vilket i princip innebär att alla inbördes 

avstånd är olika, liksom att det saknas tydlig gradient mellan tätt respektive 

glest befolkade områden. Observationerna kan bilda kluster, det vill 

säga förekomma i ansamlingar av varierande täthet och storlek, eller vara 

jämnt fördelade, det vill säga maximalt spridda från varandra (se figur 1).

Det mänskliga ögat och hjärnan kan visserligen analysera komplexa mönster 

men kan ändå vilseledas av bildens information och därför kan det vara 

önskvärt med en viss objektivitet i beskrivningen av spatiala mönster. Ett 

enkelt exempel för att ta reda på om observationerna är slumpvist fördelade 

eller inte, är att konstruera ett rutnät och se detta som en flerfältstabell. 

Om denna läggs ned på kartan och punkterna räknas i respektive ruta, kan 

en enkel chisquare-analys genomföras där observerat och förväntat antal 

jämförs (se figur 2). 

Punkters rumsliga distribution kan även beskrivas med enkla sammanfattande 

mått på centraltendens och spridning, i analogi med måtten 

medelvärde och standardavvikelse (varians) inom statistiken. Dessa mått 

utgör alltså den tvådimensionella (spatiala) ekvivalenten till deskriptiva 

statistiska standardmåttet för en enskild variabel. Dessa kan förutom för 

punktobservationer även användas för att hantera ett set av polygoner där 

först centroiden för varje polygon som innehåller ett antal punktobservationer 

beräknas och sedan hanteras som punktobservation. Centralmåttet 

mean center definieras som medelvärdet av koordinaterna för X respektive 

Y för ett dataset [1] och ger en samlad lägesbestämning för hela punktsvärmen. 

Måttet kallas ibland även för tyngdpunkt (center of gravity) eller kort 

och gott centroiden: 


Figur 2. Slumpvis fördelning? 

Chi-två analys 

av punktdistributionen 

visar att punkterna 

inte är slumpvis 

fördelade på kartan 

men säger inget om 

typen av mönster.


Summan av skillnaderna mellan medelvärdet för X respektive Y och alla 

X och Y är 0. (Mean center minimerar summan av kvadrerade distanser 

mellan sig själv och alla punkter). 

Centroiden för polygoner är motsvarigheten till mean center för en 

punktsvärm. Den utgörs av balanspunkten (center of gravity) för en polygon. 

Beräkningen för komplext formade polygoner kan vara lite knepigt. 

Ibland används centroiden för den omskrivna rektangeln vilket inte alltid 

är den bästa lösningen. Genom att beräkna centroiden för ett dataset med 

polygoner i ett område kan man använda samma mått som för punktobservationer. 

Ett annat begrepp är Center of Minimum (ibland kallad point of 

minimum aggregate travel) och definieras som den punkt där summan av 

avstånden till alla andra punkter i svärmen är som minst. (Flera punkter 

kan uppfylla detta kriterium.) Spridningsmåttet standard distance deviation 

[2] är den tvådimensionella motsvarigheten till standardavvikelsen för 

en enskild variabel. Den utgörs alltså av standardavvikelsen av avståndet 

från varje punkt till mean 

center och kan beskrivas av: 

Standard distance deviation är ungefär detsamma som medelavståndet 

från alla punkter till centrum och ger ett enkel mått på spridningen i en 

punktsvärm men tar inte hänsyn till den rumsliga formen (riktningen) på 

spridningen. Standard Deviational Ellipse (SDE) ger ett mått på spridningen 

i två dimensioner och minskar därmed i någon mån riktningsfelet (directional 

bias) i ett osymmetriskt spridningsmönster. SDE definieras av tre 

parametrar: vinkeln på rotationen, spridningen längs den långa diametern 

som är riktningen på den maximala spridningen av distributionen och 

spridningen längs den korta (mot långa diametern vinkelrätta) diametern 

som utgör den minimala spridningen (formel för beräkning av SDE finns i 

referenslitteratur (se till exempel 1, 5).

Några analyser i GIS 

Overlayanalysen – ett verktyg för att hämta information från den digitala 

kartan 

Ett geografiskt informationssystem hanterar rumslig information antingen 

enligt en vektorbaserad princip som använder punkter, linjer och ytor 

(polygoner) eller enligt en rasterbaserad princip som hanterar informationen 

i rutor, pixlar. Ett GIS består vanligen av flera digitala kartlager som 

hämtar sin information från (styrs av) databaser vilka representerar antingen 

områden, såsom en kommuns avgränsning (yta), individer (punkter) 

Figur 3. Principen för så kallad overlayanalys i ett GIS. 


eller vägar (linjer) och tillhörande attribut som till exempel kommunens 

namn eller individens kön, ålder (6–8) eller diagnos. Genom att ”titta” rakt 

genom flera kartskikt kan selekterad information inhämtas för ett speciellt 

område (se figur 3). Tekniskt sker detta genom att delmängder av information 

definieras genom användandet av SQL-frågor i enlighet med den så 

kallade booleska logiken (mängdläran). Ett praktiskt exempel kan vara att 

undersöka vilka individer som bor i ett visst område, deras köns- respektive 

ålderssammansättning och så vidare. 

Överlagringsanalys innebär att man söker ut geografiskt definierade 

data. För att exempelvis räkna antalet individer i ett område (såsom en 

vårdcentrals upptagningsområde) eller i en ruta i ett rutnät, hämtas informationen 

selektivt från respektive kartlager inom den yta (polygon) som 

informationen skall gälla (se figur 4). Detta sker med hjälp av SQL-frågor


Figur 4. Selektiv utsökning av information i ett GIS med så kallad overlayteknik och boolesk logik. 

till de databaser som representerar de olika skikten i den digitala kartan 

enligt vad som beskrivits ovan i figur 3. Den definierade (utsökta) befolkningsandelen 

kan på detta sätt i datafilen tilldelas attributet att tillhöra ett 

speciellt socio-ekonomiskt område (aggregat på areell nivå), vårdcentralsområde 

eller både och, det vill säga både tillhöra ett vårdcentralsområde 

och en viss socioekonomisk nivå. Urvalet (utsökningen) kan sedan delas 

upp i köns- och åldersspecifika grupper i den vidare analysen. 

Rutnätsanalys 

I vissa fall kan det vara av värde att frångå administrativa områden som 

kommuner, församlingar eller nyckelkodsområden (NYKO), eftersom 

dessa kan dela naturligt sammanhörande observationer mellan områden 

eller vara för stora eller för små för att ge den bästa kombinationen av lokala 

variationer men ändå täcka en stor yta. En rutnätsanalys kan användas 

för att räkna observationer eller kvoter mellan olika skikt vilket kan göras 

mellan rasterfiler (med till exempel MapAlgebra“, som är ett rasterkalkylprogram 

i ArcGis). En ruta kan även utgöra entiteten för en summerad 

z-variabel (till exempel incidenstal) framräknat för rutan och som sedan 

betraktas som en punkt (centroiden) och kan ligga till grund för en modellering 

av en större yta om man önskar fånga den globala variationen. 

Exempel på gången från punktkarta till ett rutnät, där varje ruta kan hanteras 

som enskilda polygoner och schatteras efter variabelvärde som kan 

vara antal, incidens eller andra epidemiologiska mått, visas i figur 5. 

Det bör observeras att en förändring av kartans skala (och rutornas 

storlek) kan ge något olika resultat på en z-variabel (till exempel SMR).


Figur 5. Drygt 12 000 höftfrakturer (män och kvinnor) i Östergötland. En schatterad karta baserad på 

kvadratanalys har framställts genom att observationerna för varje enskilt fall först koordinatsatts, geokodats 

och lagts ut på kartan som rådata (a). Därefter har ett rutnät omfattande 131 stycken 10-kilometersrutor 

konstruerats som omsluter observationerna och lagts över ursprungskartan (b). Genom 

en SQL-rutin har därefter fallen allokerats till respektive ruta. Rutorna har sedan aggregerats med en 

rutin som räknar antalet i var och en av dessa (c). I nästa karta, (d), har värdena för de respektive rutorna 

schatterats i intervaller. På samma sätt kan sedan motsvarande bakgrundsbefolkning definieras i 

de respektive rutorna för olika köns- och åldersintervall för beräkning av standardiserade incidenser. 

Detta kallas i den anglosaxiska litteraturen för Modifyable Area Unit Problem 

(MAUP) och kan hanteras genom olika utjämningstekniker 

(smoothing) och modellering. 

Buffertanalyser 

En buffertzon kan läggas kring såväl punkter som linjer och ytor. Exempelvis 

kan man lägga en buffertzon kring en väg (det vill säga ett linjeobjekt) 

och använda den för att identifiera människor som påverkas av buller och


Figur 6. Buffertzon runt vattendrag 

Figur 7. Diffus källa 

med deponi vars 

lakvatten kan kontaminera 

vattentäkter 

kan analyseras med 

buffertanalys. 

avgaser från biltrafik. Exemplet nedan (figur 6) visar buffertzoner runt vattendrag 

i Emåsystemet och kan exempelvis användas för att definiera 

potentiellt exponerade i en ekologisk korrelationsstudie. 

Buffertzoner runt punktkällor kan på motsvarande sätt vara emissioner 

från en skorsten eller lakvattenspridning och kontaminering av grundvatten 

(figur 7) och brunnar runt en deponi. 

Koncentriska ringbuffertanalyser används för att beräkna gradienter 

Figur 8 a. Koncentrisk ringbuffertanalys kring Linköpings tätortspolygons mittpunkt med 1 km inbördes 

avstånd vilket ökar mot periferin. 

Figur 8 b. antalet sjukskrivningsdagar per individ i populationen i förhållande till avståndet från 

Linköpings tätorts mittpunkt. För buffertringarnas läge – se figur a. En linjär kurvanpassning till trenden 

för sjukdagar per individ i populationen har infogats i figuren.


runt punkter, linjesegment och ytor (polygoner). Gradienterna kan vara 

incidenstal, grad av exponering (där ofta avståndet i praktiken används 

som proxy för exponering) eller för analys av samspelet mellan dessa. I 

figur 8 ges ett exempel på ringbuffertanalys för att studera sjukskrivningsintensiteten 

med minskande urbaniseringsgrad från en tätorts centrum. 


Något om spatial autokorrelation och rumslig interpolering. 

Begreppet spatial autokorrelation 

Innan vi går in på olika interpoleringstekniker bör vi klargöra 

begreppet spatial autokorrelation, eftersom det har fundamental 

betydelse för en del modeller som används vid interpolering och där 

en variabels variation över en yta beskrivs genom yt-utjämnande 

teknik och okända punkters värden skall skattas. 

Hög positiv autokorrelation Negativ autokorrelation 

Figur 9. Schematisk illustration av förekomsten av hög positiv eller negativ autokorrelation. 

Spatial autokorrelation kan definieras som korrelationen för en variabel 

med sig själv i rummet. I enlighet med Toblers ”geografins första 

lag” innebär det att en observations värde för en variabel korrelerar 

med andra närliggande observationers värde av samma variabel och 

att denna korrelation är större ju närmre observationerna ligger 

varandra i rummet (se figur 9).


Everything is related to everything else, but near things 

are more related than distant things 

Tobler´s first law of geography (1970) 

Spatial autokorrelation beskriver alltså i vilken grad egenskaperna 

hos närliggande observationer är lika och blir därför ett mått på 

sannolikheten för att egenskaperna för ett område eller en punkt liknar 

egenskaperna i områden (punkter) som ligger nära. Förhållandet kan 

illustreras med figuren här intill (figur 10) som beskriver relationen 

mellan en variabels värden i olika punkter efter deras inbördes 

avstånd. 

Figur 10. Exempel på sambandet mellan punkters värden 

och inbördes avstånd vid spatial autokorrelation. 

Om det till exempel regnar där jag står är det sannolikt att det även 

regnar på min kompis som står 10 meter bort, medan den som står 1 

km bort kanske det inte regnar alls på och den som står mitt emellan 

har då troligen mindre eller mer regn. Detta är ett typiskt exempel på 

en företeelse som ofta uppvisar autokorrelation. Det gäller för övrigt 

många meteorologiska parametrar (temperatur, nederbörd, luftfuktighet 

och så vidare). Vid analys av mönstret för distributionen av 

ett set punkter med så kallad kvadratanalys eller Nearest Neighbour 

Analys (1) behandlas alla punkter bara i förhållande till sin lokalisation 

utan att skilja på dess attribut. Distributionsmönstret för ett set 

punkter kan emellertid beskrivas genom att ta hänsyn både till 

geografisk lokalisation (avstånd och riktning) och till dess attribut. 

Detta kan ske genom att beräkna en spatial autokorrelationskoefficient. 

Med en spatial autokorrelationskoefficient kan man alltså mäta 

både närheten av punkternas lägen och likheten i deras karakteristika


(någon mätt variabel), det vill säga hur attributvärden förändras i 

rummet beroende på lägen. 

Det finns olika samlande mått på graden av spatial autokorrelation, 

bland annat: 

• Moran’s I 

• Geary’s C ratio 

• General G 

• Anselin’s Local Index of Spatial Autocorrelation (LISA). 

Ett ofta använt mått på graden av spatial autokorrelation är Moran’s 

I som appliceras på en kontinuerlig variabel och kan tillämpas på 

attributdata mätta enligt både kvot- och intervallskala för punkter 

eller polygoner: 

där N är antalet observationer, X är variabelns medelvärde, Xi är 

variabelns värde i en punkt i , Xj är värdet i en annan punkt och Wij är 

en vikt som definierar lokalisationen av i relativt j. Moran’s I har viss 

likhet med korrelationskoefficienten men gäller bara en variabel (ej 

två) och innehåller en vikt (Wij) som väger avståndet mellan punkter/ 

polygoner). Moran’s I varierar mellan –1,0 och + 1,0, där 0 indikerar 

avsaknad av autokorrelation och värden nära –1 och +1 en hög negativ 

eller positiv autokorrelation. Resultatet av beräkningen för Moran´s 

I kan signifikanstestas genom antagande av normalfördelning enligt: 

Där I är värdet för det beräknade Moran’s I, E(I), är förväntat värde 

(medelvärde) och S är standardfelet. E(I) = -1/(n-1). (För beräkning 

av SE se till exempel Lee and Wong s. 82 och s. 160–161) (1). Z utanför 

intervallet +/- 1,96 innebär (baserat på normalfördelning) en 95 % 

konfidensnivå (p < 0.05). 

Att det finns en spatial autokorrelation har betydelse eftersom det 

innebär att en spatialt beroende process ligger bakom, vilket kan


utnyttjas i olika beräkningar. Av detta följer att observationerna inte 

är oberoende vid positiv spatial autokorrelation, vilket man bör 

komma ihåg vid statistiska beräkningar, eftersom flertalet statistiska 

analyser baseras på antagandet att observationernas värde från ett 

sample är oberoende. Detta kan medföra en bias vid exempelvis en 

regression baserad på autokorrelerade värden, eftersom korrelationskoefficienterna 

blir högre (och SE lägre = överskattad precision) 

än de i själva verket skulle vara om observationerna vore oberoende. 

Sannolikheten att nå signifikans ökar även på grund av detta. 

Interpolering över ytor 

Spatial interpolering används för att skatta ett värde för en variabel 

på en inte uppmätt eller observerad punkt, det vill säga där data saknas. 

Detta sker genom att utnyttja informationen från närliggande 

punkter. För en ansamling punkter med en konvex inneslutning brukar 

detta fungera hyggligt och baseras på antagandet om en spatial 

autokorrelation, det vill säga att punkter som är närbelägna tenderar 

ha mer liknande attributvärden för en variabel (positiv autokorrelation), 

än de som är längre bort belägna från varann, en egenskap som 

alltså i detta fall utnyttjas för att skatta okända värden från kända. 

Det finns två huvudgrupper av interpoleringstekniker: deterministiska 

och geostatistiska. Deterministiska interpoleringsmetoder skapar 

ytor från uppmätta punkter (punkters värden) baserade på graden av 

likhet eller grad av utjämning, exempelvis inversed distance weighting 

(IDW) eller genom att anpassa en matematisk funktion (polynom), 

så kallad global och lokal polynonom-anpassning. 

Geostatistiska tekniker, som kriging å andra sidan, tar hänsyn till 

de statistiska egenskaperna hos punkter med kända värden och kvantifierar 

graden av spatial autokorrelation mellan punktvärden samt 

de geografiska lägena (spatiala konfigurationen) av punkter runt den 

punkt vars värde skall skattas. I de geostatistiska metoderna kan ytor 

predikteras och osäkerheten i skattningarna beräknas och karteras. 

Vid inversed distance weighting antas observationer som är närliggande 

vara mera lika än de som ligger längre ifrån varandra och alltså 

ge högre vikt åt den punkt som skall skattas. Det finns såväl dis-

Figur 11. Exempel på Voronoi-diagram. 


kreta modeller för interpolering som kontinuerliga. Till de första hör 

en metod som har getts olika namn och bygger på principen om 

”natural neighbourhood” där varje punkt i en polygon tilldelas 

samma värde: Thiessen-polygoner, Zero-order Interpolation, Voronoipolygoner 

eller Dirichlet Celler (tesselering). Voronoi-kartan byggs 

upp aven serie polygoner där varje polygon är formerad runt en 

punkt på så sätt att varje läge (punkt) som faller inom polygonens 

avgränsning ligger närmare den punkt som polygonen skapades av 

än någon annan punkt (se figur 11). Teorin är enkel: i ett givet set 

datapunkter tilldelas en punkt utan uppmätt värde det värde som 

närmsta punkt har, det vill säga polygonens ursprungliga punkt. 

Denna ansats delar upp rummet utifrån ett antal punkters geografiska 

lägen och där avståndet från varje Voronoi-punkt till polygongränsen 

mot närliggande område är lika stort. 

De oftast använda interpoleringsmodellerna baseras dock på 

antagandet att en mjuk kontinuerlig övergång finns mellan punkterna. 

Denna gradient kan vara lineär eller icke-lineär. De två vanligaste 

interpoleringsmetoderna som baseras på antagandet av en kontinuerlig 

gradient är ovannämnda inversed distance weighting och kriging. 

Kriging 

Kriging är således en geostatistisk interpoleringsmetod, där de statistiska 

egenskaperna vägs in och hänsyn tas till graden av autokorrelation 

mellan punkters variabelvärden. Det finns olika typer av geostatistisk 

interpolering i krigingfamiljen (simple, ordinary, universal, probability,


Figur 12. Schematisk illustration av trend, spatialt korrelerade data (z-variabeln) och bakgrundsbruset. 

indicator och disjunctive kriging samt cokriging) som kan vara ganska 

komplexa och används på olika typer av geografiska mönster och 

egenskaper i datasetet. I princip finns (liksom för andra dataset) tre 

komponenter att ta hänsyn till för en variabel i rummet: 

1. En strukturell komponent som kan vara ett medelvärde eller en 

trend över ytan 

2. En spatialt korrelerad komponent som ofta är positiv (autokorrelation) 

3. Ett bakgrundsbrus som är en summakomponent av mätfel och 

andra fel/störningar (residualen). 

Sambandet illustreras i figur 12. 

Principen för den mest använda (och robusta) metoden beskrivs 

översiktligt här. För detaljer hänvisas till litteraturen och manualer 

för de geostatistiska dataprogrammen, till exempel Spatial Analyst® 

och Geostatistical Analyst® eller Vertical Mapper®. Kriging 

används för att göra kartor som avser att visa den globala och lokala 

variationen i en variabels mönster. 

Kriging beaktar såväl inbördes lägen för punkter (avstånd, riktning) 

som variationen av kända punkters värden, när punktvärden 

skall skattas i okända områden. Ett kriging-estimat är en viktad


Figur 13. Ett schematiskt semivariogram med dess olika komponenter och den modell som 

anpassat till spridningen av världen (se text). 

linjärkombination av kända punkters värden runt den punkt som 

skall skattas. Tekniken är beroende av modeller för spatial autokorrelation 

som kan formuleras i ett så kallat variogram (eller 

covariogram). 

Ett variogram (semivariogram, figur 13) beskriver den ökande 

skillnaden eller minskande korrelationen eller, om man så vill, kontinuiteten 

mellan två observationers (punkters) värden när samtidigt 

det inbördes avståndet mellan dem ökar. Det används för att bestämma 

värdet i en okänd punkt i ett heterogent rutnät utifrån kända 

punkters värden i närheten. Till punktparens spridning i variogrammet 

anpassas en modell (ekvation, curve fit) som sedan används 

för viktning när man skall skatta punktens värden. Metoden utnyttjas 

framför allt inom geovetenskaperna och kan användas för inter 

polering av ytor och även jämföras med en smoothing-teknik som 

utjämnar värdena i rummet. 

I sin enklaste form innebär ett kriging-estimat av en icke uppmätt 

punkt som skall skattas alltså en optimerad linjär kombination av 

data från närliggande observerade lägen (punkter). Det estimerade 

värdet (koefficienten och mätfelet) är båda beroende av den rumsliga 

konfigurationen av data. Den icke uppmätta punktens värde (det 

som skall estimeras) blir alltså beroende av lägena i förhållande till


Figur 14. Vid anisotropi får semivariogrammet ett annorlunda utseende beroende på i vilken 

riktning punkterna samplas. Detta kan till exempel vara fallet vid emission från en punktkälla 

som en skorsten där röken och platsen för nedfallet (immissionen) påverkas av vindriktning, 

topografi med mera. 

Figur 15. Global trend av andel kvinnor som varit sjukskrivna per kvinnlig befolkning år 2000 

framtagen med ordinär kriging genom viktning av värden från en modell som anpassats till 

det empiriska variogrammet. (Vårdcentralers upptagningsområden överlagrade.) 

kända närliggande mätvärden och den spatiala korrelationen eller 

graden av förutsägbarhet från andra närliggande punkters värden 

som en funktion av avståndet dem emellan. 

I ett semivariogram representerar ”sill” den totala variationen av 

data och ”range” är avståndet (lag distance) mellan punkter när 

autokorrelationen försvinner (figur 13). På grund av mätfel eller 

skillnader som inte är detekterbara med den mätskala som används 

blir inte alltid punkternas värden noll trots att avståndet mellan dessa 

minskas till nära noll. Denna effekt kallas nugget-effekten och


Figur16. Mark-pH-karta a) framställd genom utjämning med kriging. En kontinuerlig yta har 

framställts I Spatial Analyst®, som en integrerad statistikmodul i ArcGis. Detta har skett 

genom interpolering utifrån punktmätningar med 1 km inbördes avstånd. Validiteten hos 

modellen punktmätningar med 1 km inbördes avstånd. Validiteten hos modellen kan skattas 

genom att överensstämmelse mellan predikterade och observerade värden analyseras i ett 

scattergram med inlagd regressionslinje b) och beräkning av determinationskoefficienten. 

representerar en del av den totala variationen: nugget + partial sill = 

sill (figur 13). 

Det finns två typer av riktningskomponenter som kan influera den 

slutliga kartans utseende: förekomsten av en global trend och att 

variationerna har olika egenskaper i olika riktningar, så kallad 

anisotropi. Anisotropi innebär att autokorrelationen är större i en 

riktning än i en annan. Anisotropi kan illustreras i ett semivariogram 

där punkternas relationer i två olika riktningar visas (se figur 14). 

Exemplet kan illustrera fallet med emission från en punktkälla (till 

exempel industriskorsten eller lakvatten från en deponi) där vindens 

inverkan eller topografi ger dessa riktningsskillnader och semivariogrammet 

får därför olika utseende i olika riktningar. I figur 15 visas 

sjukskrivningsmönstret hos kvinnor i Östergötland år 2000 som en 

modellerad yta utförd med ordinär kriging. Figur 16 visar ett exempel 

på kriging av pH-värden i norra Östergötland och är baserad på 

markkemiska pH-mätningar med 1 km mellanrum över hela länet. 

Den globala trenden kan beskrivas matematiskt (till exempel som ett 

polynom) och exkluderas vid modellbyggandet, så kallad detrending, 

och sedan läggas tillbaka när den slutliga kartan framställs.


Figur 17 a–i. Vid miljömedicinska studier tvingas man ofta hålla till godo med befintliga uppgifter 

om mätningar eftersom många analyser är ganska dyra och ett tätt provtagningsnät inte 

ryms inom projektbudgeten. Ett sätt att prediktera värden i icke uppmätta områden för att 

erhålla ett proxy-mått på exponering, eller helst intervaller av en exponering som kan beskriva 

en gradient, är att göra skattningar mellan punkter, linjekällor och ytor. Dessa kan förstås 

göras åt båda hållen (punkt till yta och viceversa). Om ett hälsoutfall studeras i samband med 

en gradient av exponering, kan ett dos-responsförhållande beskrivas som med viss sannolikhet 

talar för ett kausalitetssamband. Figur efter förlaga av Briggs (10). 

Interpolering mellan punkter, linjer och ytor 

Särskilt vid beskrivning av exponeringsdata i yttre miljö kan det 

ibland vara lämpligt att interpolera mellan punkter (se ovan), linjer 

till punkter eller punkter till ytor och så vidare i enlighet smed vad 

som illustreras i figur 17 (efter Briggs, 9). I 17a (punkt-till-punkt) kan 

det till exempel röra sig om att prediktera ett värde för en punkt 

utifrån två eller fler andra punkter, exempelvis uppmätta halter av 

luftförorening. Figur 17b kan på samma sätt illustrera en skattad 

nivå av elektromagnetisk strålning i μTesla på ett visst avstånd från 

en högkilovoltsledning eller, som i 17c, kontaminering av brunn från 

en deponi. Figur 17f visar påverkan av vattendrag från deponi och så 

vidare. Exemplen kan göras många och endast fantasin sätter gränser,


men i verkligheten blir denna typ av skattningar ganska vanliga 

utifrån sparsamma uppgifter (mätningar) i olika miljömedicinska 

frågeställningar där någon typ av exponering, eller proxy för dito, 

skall kvantifieras. Detta tvingar ofta undersökaren att försöka prediktera 

värden utifrån olika modeller, eftersom det är dyrbart att 

göra många mätningar i miljön. Exemplet i 17g visar typfallet skattning 

punkt-till-yta (tesselering, se ovan) vilket är vanligt vid till 

exempel skattning utifrån mätta punkter av markkemiska data. På 

samma sätt kan 17h illustrera luftföroreningar eller buller från en 

genomfartsväg i ett urbant område, som exemplet i figur 18 som 

visar dygnsmedelvärden för NOx (kväveoxider) runt en genomfartsväg 

i Söderköpings tätort, Östergötland (10). 

I följande avsnitt görs en fördjupning i förhållningssätt till personlig 

integritet i samband med GIS. 

Figur 18. Zoner med olika nivåer av uppmätta och skattade dygnsmedelvärden för kväveoxider 

runt en genomfartsväg i en tätort. I det urbana området har gatunät runt 

bebyggelsen lagts in liksom olikfärgade polygoner för två haltnivåer av NOx



Befolkning och sjukfall på digital karta i ett GIS 

De uppgifter som skall placeras ut på kartan i ett GIS måste först definieras 

rumsligt, till exempel med koordinater. Befolkningsregistret 

kan då via personnumret matchas till mantalsskrivningsadressens 

fastighetsbeteckning i fastighetsregistret (källa: Centrala fastighetsdatanämnden 

(CFD)/Lantmäteriet och SCB) där även centroiden 

(geometriska mittpunkten) för fastigheten finns definierad som Xrespektive 

Y-koordinat i rikets nät. Rutinen kan upprepas för respektive 

årgång i befolkningsdatabasen som ingår i den planerade studien 

(se figur 19). Till denna fil kan sedan andra register som skall ingå i 

studien matchas via personnumret, till exempelvis cancerregistret, 

dödsorsaksregistret eller som i det illustrerade fallet ett sjukskrivningsregister. 

Metoden har för svenska förhållanden tidigare beskrivits 

i andra arbeten (2–4, 11). Det vanligaste är att register matchas 

på personnummer som gemensam variabel antingen i sin ursprungliga 

form eller avkodat med till exempel envägskryptering. 

Figur19. Matchning av koordinater till befolkningsdatafiloch därefter andra data med hjälp av 

personnummer. I det exemplifierade fallet har fyra årgångar av länsbefolkning (1997–2000) 

påmatchats ett sjukskrivningsregister från Riksförsäkringsverket i en studie av sjukskrivningar 

i Östergötland (11).


Integritet 

Då många epidemiologiska studier hanterar känslig information knuten 

till personnummer kan det vara lämpligt att avidentifiera uppgifter som 

gör det möjligt att identifiera en enskild individ. Detta kan ske till exempel 

genom programvaran AVID‚ som medger envägskryptering. Figur 20 

visar ett exempel på hur dataflödet kan hanteras och där avidentifiering 

sker i ett steg av uppbyggandet av en projekt-databas. 

Figur 20. Matchningsflöde med avidentifiering av personnummer och den resulterande databasen. 

Personnumret konverteras därmed till ett 20-siffrigt kodnummer. Det kan 

vara lämpligt att behålla detta nummer även efter matchning (nyckelfil, 

mellan personnummer och kodnummer) så att validering av källdata är 

möjlig tills dess att projektet är slutfört, även om en avkodad fil används i 

det löpande arbetet. Det är även möjligt att matcha mot andra datafiler 

som dessförinnan krypterats med samma nyckel och på så sätt arbeta med 

avidentifierade data rakt igenom hela projektet. Datafilerna lagras lämpligen 

på en säker server i ett datasystem som är skyddat av brandvägg, endast 

tillgängligt för medverkande i de aktuella projekten. Eftersom ett GIS medger 

att data kan visualiseras med hög upplösning kan eventuellt enskilda


individer/hushåll urskiljas (så kallad bakvägsidentifiering) när de visas som 

punkter i ett kartlager. Dessa bör därför aggregeras vid visualisering på 

kartor eller återges med låg upplösning på dessa, exempelvis genom att 

avlägsna en eller två siffror i koordinatangivelsen. Personer bosatta i glesbygder 

med ovanliga diagnoser kan därigenom ges anonymitet. Vid analys 

i rutmönster (se nedan) redovisas lämpligen inte statistik där befolkningen 

omfattar ett alltför begränsat antal individer, till exempel < 15 (se figur 21). 

Figur 21. Principen för sammanslagning av rutor med 

alltför få individer. 

Figur 22. Den färdiga filstrukturen och innehållet i 

de olika geodatabaserna för det nämnda sjukskrivningsprojektet 

i programvaran ArcGIS ® (1). 

Områden (polygoner och rutor) kan i vissa fall därför användas för att 

medvetet aggregera information och därmed avidentifiera individdata och 

minska risken för bakvägsidentifiering genom att upplösningen minskas. 

På samma sätt kan en summering i tätbebyggda områden däremot ge en 

alltför stor generalisering om antalet individer är mycket stort i polygonen 

och medföra felslut i analysen (så kallad ekologisk bias). Eftersom hög upplösning 

på data minskar risken för ekologisk bias är det därför en god rutin 

att matcha och analysera data på individnivå men i presentationsfasen 

aggregera dessa. Balansen mellan upplösning, integritetsskydd och risken 

för ekologisk bias blir därmed i verkligheten något av ett optimeringsproblem.

De databaser som skall användas för olika analyser i ett GIS kan ges egenskaper 

som knyter attributdata till geometrin. Därigenom skapas så kallade 

geodatabaser med egenskapsdata, som till exempel diagnoskod eller 

sjukfallsdata tillsammans med demografi och de polygoner som beskriver 

rummet inom vilka de områdesvisa analyserna skall utföras. En geodatabas 

möjliggör att information från olika filformat kan länkas till geografiska 

objekt. Geodatabaserna innebär att data till exempel kan göras tillgängliga 

i både ett databasprogram som Access ® och ett GIS-program som ArcGIS ® 

(se figur 22). Fördelen med en geodatabas är att uppdatering av data kan 

ske direkt från ett GIS-program. 

När data läggs in i en geodatabas infogas alltså både den spatiala komponenten 

(rumsliga, geografiska definitioner) och den icke-spatiala informationen 

för data. Detta innebär att såväl geometri (i ArcGIS den så kallade 

shape-filen) som attributinformation kan hanteras. 

Attributinformation lagrar objektens egenskaper, exempelvis variabeln 

”socioekonomisk nivå” inom ett nyckelkodsområde, medan den geografiska 

informationen lagrar geometri, exempelvis ett områdes utbredning i 

rummet. 

I figur 22 visas ett exempel på filstruktur i ArcGIS ® och de olika databasernas 

innehåll som kan hämtas direkt ur filsystemet. En databas kan 

som synes bestå av olika typer av filer. På bilden visas även databaserna för 

rutnätsanalys och statistik. 

Referenser 


1. Lee J, Wong D. Statistical analysis with ArcView GIS. New York: Wiley; 

2001. 

2. Kohli S, Sahlén K, Löfman O, Sivertun A, Trell E, Wigertz O. Individuals Living in 

Areas with high background Radon: A GIS method to identify populations 

at risk. Computer Methods and Programs in Biomedicine 

1997;53:105-12. 

3. Blomberg M, Selbing A, Löfman O, Källén B. Chlorination byproducts and 

nitrate in drinking water and risk for congenital cardiac defects. 

Environmental Research 2002;Section A 89:124-30.


4. Samuelsson U, Löfman O. Geographical mapping of Type 1 diabetes in 

children and adolescents in South-east Sweden. Journal of Epidemiology 

and Community Health 2004;58(5):388-92. 

5. Levine N, et al. CrimeStat II. A Spatial Statistics Program for the Analysis 

of Crime Incident Locations (v 2.0). Ned Levine & Associates, 

Houston, TC, and the National Institute of Justice; Washington, D.C. 

May 2002. http://www.icpsr.umich.edu/NACJD/crimestat.html 

6. Bernhardsen T. Geographic Information Systems. Arendal: Viak IT; 1991. 

7. DeMers M. Fundamentals of geographic information systems. New York, 

Chichester: Wiley; 2000. 

8. Eklundh L. Geografisk informationsbehandling: metoder och tillämpningar. 

Borås: Byggforskningsrådet; 2001. 

9. Briggs D. Mapping environmental exposure. In: Elliott P, Cuzick J, English 

D, eds. Geographical and environmental epidemiology. Methods 

for small area studies. Oxford: Oxford University Press; 1992. 

10. Hagström I, Hedberg P, Löfman O, Noorlind Brage H, Sahlén K. Östgöten i miljön. 

Linköping: Samhälls- och miljömedicinska enheten, Landstinget i 

Östergötland; 1996. 

11. Löfman O, Shahirnejad B, Svensson K, Söderlund A. Sjukskrivningar i Östergötland 

1997–2000: tidsmönster och geografiska variationer. Linköping: 

Folkhälsovetenskapligt Centrum; 2004.

Sammanfattning – geografiskt tillvägagångssätt 

1. Du utgår från en frågeställning – du vill exempelvis veta om det finns 

ett samband mellan en viss sjukdom eller någon form av ohälsa och 

vissa sociala eller fysiska omständigheter. Du vill ta reda på om de som 

drabbas av ohälsan befinner sig i en viss riskzon och kan ha blivit exponerade. 

Ett alternativ: du vet att en viss omgivningsfaktor – exempelvis 

radon – är en hälsorisk. Du vill veta vilka personer som löper risk att 

drabbas. 

2. Hur uppträder omgivningsfaktorn (den oberoende variabeln) geografiskt? 

Har den skarpa gränser eller diffusa? Är utbredningen sammanhängande 

eller spridd? Varierar dess intensitet i tid och/eller rum? Hur 

och var mäts den? (Tänk på buller, luftföroreningar, bakgrundsstrålning, 

trafik, brottslighet, arbetslöshet och så vidare.) 

3. Definiera området/områdena som skall undersökas – avgränsa. 

Motivera. 

4. Precisera den tidsperiod du vill studera. Motivera. 

5. Bestäm den grupp av individer du vill studera och välj om du vill jämföra 

med en kontrollgrupp eller hela populationen i området. 

6. Bestäm hur noga du vill ange lägen för dina ”fall”. Om du har tillgång 

till uppgifter om individer – vill du veta deras exakta bostadsadresser, 

deras arbetsplatsers adresser, andra platser de brukar besöka, vägen 

mellan bostad och arbete eller något annat? Räcker det kanske med att 

ange kvarter, stadsdel eller ort? Om du har exakta lägen kan du alltid 

aggregera för större områden. Om du enbart har uppgifter om antalet 

individer med en viss ohälsa i ett område så kan du råka ut för korrelationsfelslut 

(eller ekologiska felslut). 

7. Bestäm hur du skall samla in uppgifter. 

geografiska analyser 255


Efter insamlingen: 

8. Bearbeta 

• Ordna dina data – se till att varje post har en klar lägesbestämning 

• Sätt dina fall på kartan 

• Sätt omgivningsfaktorn på kartan. Kan du använda punktanalys eller 

rutnätsanalys? 

• Jämför förekomsten av fall med omgivningsfaktorns utbredning – visuellt, 

statistiskt/korologiskt. Beräkna eventuellt korrelationer. 

9. Välj vilken typ av karta du vill använda för att presentera resultaten. 

Tänk på integriteten. Hur gör du med glesbefolkade eller obebodda 

områden i jämförelse med tätorter?

4. 


KVALITATIV METODOLOGI: 

SITUATIONELL INTERAKTION 

OCH POSITIONERAD KUNSKAP 

Katarina Schough


4. 

kvalitativ metodologi: situationell interaktion och positionerad kunskap 259 

KVALITATIV METODOLOGI: 

SITUATIONELL INTERAKTION OCH 

POSITIONERAD KUNSKAP Katarina Schough 

Introduktion 

Kvalitativ metodologi är som bekant ett samlingsbegrepp för en mångfald 

vetenskapliga förhållningssätt, metoder, analytiska grepp och kunskapsformer. 

Vilka kritiska omständigheter eller dilemman som kommer i förgrunden 

för respektive studie skiftar beroende på kunskapsteoretiska ideal, 

ämnestradition och studiens specifika karaktär. De reflektioner jag tar upp 

här bottnar i den teoritradition jag själv arbetar inom – en post-strukturalistisk 

feministisk kulturgeografi. Men jag utgår även från min egen bakgrund, 

från sådant som varit viktigt för mig då jag omskolat mig från mätningsingenjör 

till kvalitativt orienterad samhällsforskare. Min resa tror jag 

har beröringspunkter med många samhällsvetare, både forskare och praktiker. 

I dag ser situationen (åtminstone i svensk kulturgeografi, där jag har 

min nuvarande hemvist) något annorlunda ut. Även om den post-positivistiska 

kunskapskritiken och den kvalitativa metodutvecklingen i hög grad 

präglas av den kvantitativa revolution som föregått den, behöver eller bör 

en specifik kvalitativ studiedesign inte i första hand relatera till ett positivistiskt 

forskningsideal, utan hellre motivera och nyansera vilken kvalitativ 

metod som appliceras, och hur den skall genomföras. I det här kapitlet presenterar 

jag ett kontextuellt förhållningssätt till detta hur, och framhåller 

det fruktbara i att tänka på kvalitativ metod och analys som situationell 

interaktion. Jag diskuterar också vad det kan innebära att introducera och 

tillämpa ett förändrat metodologiskt förhållningssätt, i detta fallet vad kvalitativ 

metodologi skulle kunna innebära för (folk)hälsoforskning samt ger


förslag på ingångar till att reflektera kring hur den kunskap vi producerar 

präglas av oss som skapar den, och av våra sammanhang. 

Vad skiljer då egentligen en kvalitativ ansats från en kvantitativ? Med 

utgångspunkt i både WHO:s definition av hälsa som ett tillstånd ”of complete 

physical, mental and social well-being, and not merely the absence of 

disease or infirmity”, och influerat av den utbredda ”kulturella vändning” 

som präglat delar av geografiämnet, har det formulerats ett behov av att 

komplettera extensiva, kvantitativa metoder med mer intensiva, kvalitativa 

undersökningar. En av orsakerna till detta behov är, framhålls i The Dictionary 

of Human Geography (1), att de förra är metodologiskt begränsade 

eftersom de inte förmår skilja mellan kontextuella effekter (hur saker hänger 

samman på en plats) och kompositionella effekter (det som finns på en 

plats). Å andra sidan finns det en rad forskningsfält och frågeställningar (se 

tidigare kapitel i denna bok) som kräver kvantitativa ansatser och analyser, 

och där en kvalitativ metod vore missriktad. Gemensamt för såväl kvalitativa 

som kvantitativa ansatser är att de bottnar i ontologiska och epistemologiska 

antaganden som återspeglas i respektive metodologi. Diskussioner 

om och inom kvalitativ metodologi och kunskapsproduktion har under 

senare decennier präglats av en kunskapsfilosofisk problematisering inspirerad 

av tänkare från en rad skilda discipliner, exempelvis filosofi, vetenskapshistoria, 

språkvetenskap och psykoanalys samt en rad olika vetenskapsteoretiska 

traditioner. Vid presentationen av en kvalitativ studie 

brukar därför författaren mer eller mindre omsorgsfullt redogöra för den 

kunskapssyn som ligger till grund för arbetet och forskaren framträder 

själv som tolkande subjekt och som explicit medskapare av kunskap. Det 

är snarast denna ofta förekommande praktik – att integrera positionering 

och presentation – som många gånger skiljer kvalitativ metodologi från 

kvantitativa studier i allmänhet. En principiell gränslinje som definierar 

ansatserna som fullkomligt åtskilda – vad gäller antal studieobjekt, nyansrikedom, 

förbestämda kategorier etc. – är svårt att dra, och inte heller 

särskilt meningsfullt att konstruera. Tyvärr återskapas emellertid kvantitativa 

och kvalitativa metoder som strikt isärhållna vägar till och former av 

kunskap, ibland även i studier avsedda att integrera dem, exempelvis fallstudier 

eller större mångfacetterade projekt. Kvalitativt får då stå för subjektiva 

åsikter, medan kvantitativt får stå för objektiva fakta. Alternativt 

antas att den kvalitativa analysen genererar teori, medan den kvantitativa


metoden används för att pröva teori. En komplementär syn motiverar då 

kombinationen och vidmakthåller (med ett post-positivistiskt språkbruk) 

en olycklig dikotomi. 

En förutsättning för ett ömsesidigt berikande (vilket jag menar absolut 

är att föredra framför ett epistemologiskt sammansmältande) är att kvantitativt 

orienterade forskare och praktiker, utvecklar former för att behandla 

statistiska och kartografiska presentationsformer såsom lokaliserbara, 

strategiskt konstruerade skapelser. De utsnitt, kategorier, variabler eller 

koder som byggs upp och framställs ur databaser (inklusive de kartografiska) 

behöver problematiseras och positioneras. Förslagen på ingångar till 

reflekterande arbete som presenteras i det här kapitlet kan därför med fördel 

läsas och beaktas av såväl kvalitativt som kvantitativt orienterade forskare 

och praktiker. Samtidigt betonas att det kan finnas anledning att 

utveckla ett mer gemensamt samtalsrum för utvärderingskriterier för kvalitativ 

rumslig analys (2, 3). Baxter och Eyles (2) föreslår en sådan begreppsapparat 

centrerad kring kriterier för trovärdighet, överförbarhet, tillförlitlighet 

och konfirmerbarhet (tillämpad på en konkret studie exempelvis av 

Schough, 4). Men listan är inte avsedd som en absolut måttstock, så att ju 

fler delkriterier som bockas av desto bättre eller säkrare är resultaten, utan 

utgör snarare ett redskap för att reflexivt diskutera en studies styrkor och 

svagheter, begränsningar och utgångspunkter, samt inte minst relationen 

mellan de olika kontexter som via forskaren möts i studien. Den stora 

utmaningen är att bedöma var, när och hur gränsen skall dras mellan 

reflekterande, relevant och rigorös kontextualisering å ena sidan, och centristisk, 

narcissistisk självbespegling å andra sidan (5). Svaret på den frågan 

kan bara besvaras preliminärt och är bara giltigt inom varje kunskapskollektiv. 

Som framgår av det här kapitlet vill jag argumentera för en metodutveckling 

och en metodtillämpning som är förenlig med en syn på kunskap 

som skapad kontextuellt, producerad från situationer vars sociala och geografiska 

relationer inte går att avgränsa från den värld som skall representeras. 

Ett geografiskt, eller rumsligt, perspektiv på kvalitativ metodologi 

erbjuder möjligheter att skapa begrepp för den praktik och rumslighet som 

karakteriserar situationell interaktion. Men för att undvika det Haraway 

(6) kallar ”Gudstricket”, det vill säga avstå från att presentera kunskap 

som en spegelbild av världen, skapad från ingenstans eller från närmast


oändligt avstånd, ställs forskaren inför uppgiften att relatera sina praktiker 

och representationer både till inomvetenskapliga kriterier och till en vidare 

samhällskontext, till en global makt-geometri (7, 8). 

Kvalitativa studier: individ, område och hälsa 

Geografi har ibland beskrivits som vetenskapen om sammanhang. En 

sådan utgångspunkt innebär att det blir meningsfullt att försöka skapa 

kunskap om plats, person och hälsa som invävda i och skapade genom sin 

kontext. Applicerat på kvalitativ metodologi innebär det att studierna av 

de handlingar och texter (i vidaste bemärkelse) som omformar världen kan 

betraktas som situationella, och som kunskap skapad av sitt sociala och 

geografiska sammanhang. Den här dubbelheten antyder något av den 

mångfald och komplexitet som är förbunden med kvalitativ metodologi. 

Att försöka spänna över alla de relevanta frågor som finns förbundna med 

kvalitativa rumsliga studier är naturligtvis inte möjligt eller önskvärt. I stället 

fokuseras denna framställning på ett specifikt förhållningssätt till kvalitativ 

analys såsom situationell interaktion, som ett möte där människors 

meningsskapande och materiella omständigheter samspelar, varvid ny förståelse 

utvecklas. Därifrån går jag vidare till att föreslå några ingångar till 

att positionera kunskapsanspråk, det vill säga reflektera kring hur kontextuella 

omständigheter är med och skapar kunskapen i fråga. 

Först ges dock en kortfattat introduktion av kvalitativ metodologi som 

instrument för att söka fördjupad kunskap om rumsliga fenomen – närmare 

bestämt om relationer mellan plats, person och hälsa/hälsovård. Den 

forskare, student eller utredare som står i färd med att utforma en kvalitativ 

studie befinner sig i ett gynnsamt läge vad gäller metodfrågor. Inom 

många teoretiska skolbildningar har det utvecklats en nyanserad kunskapsteoretisk 

debatt, och det finns i dag en rik flora av speciallitteratur om 

metoder för exempelvis etnografi, intervjuer, deltagande observationer 

samt text- och bildanalys. Varje kvalitativ studie är unik, och det finns all 

anledning att gå över ämnesgränserna i sökandet efter den litteratur som är 

mest relevant för den aktuella studiens ansats. 

Inom kulturgeografi har det ökade intresset för kvalitativa metoder i 

hög grad sammanfallit med den teoretiska utveckling som går under 

benämningen ”den kulturella vändningen”. En kvalitativ ansats medger 

formulering av andra sorters frågor än vad en kvantitativ design gör, och


ofta är det just behovet av att ställa och finna svar på nya sorters frågor som 

driver metodutveckling inom ett fält. Intresset för kvalitativa ansatser 

bland geografer med fokus på hälsofrågor är växande, se till exempel 9–11 

samt temanumret The Professional Geographer 1999 med fokus på kvalitativa 

ansatser inom hälsogeografi (12). För att antyda något av den variation 

som finns inom denna hälsogeografi eller medicinska geografi, men 

även i gränslandet mot socialgeografi och politisk geografi, kan nämnas 

bland annat studier med fokus på globala relationer, som av care-drain, det 

vill säga det transnationella flödet av omsorgsarbetare från tredje världen 

till industriländer. Här finns studier av föreställningar om regioner och 

kontinenter som sjukdomsbärande och av therapeutic places, hälsobringande 

platser. Här görs också undersökningar med fokus på kartering av 

regional och lokal variation vad gäller hälsorisker och hälsofaktorer. Vidare 

bedrivs studier relaterade till hälsopolitik och intervention, som till 

exempel Roberts och medarbetare (13) arbeten om barnolycksfall och preventionsarbete. 

Ett centralt område för folkhälsoforskning och hälsogeografi 

rör kropp och normer, relationellt fångat i begreppet ableism vilket 

Chouinard och Grant (14) definierar som varje social relation, praktik eller 

föreställning som antar eller förutsätter att alla människor lever i och med 

fullkomligt handlingsdugliga kroppar. 

Ett centralt tema i dessa forskningsströmningar är föreställningar om 

rum – eller olika rumsligheter – som sociala och relationella. Med andra 

ord, när vi försöker förstå människor och mening så är det fruktbart att 

betrakta det materiella som integrerat i människors förståelsevärld, inte 

som en stum yta gentemot vilken människors liv utspelar sig. Om vi talar 

ett dikotomiskt språk och därmed återskapar ett isärhållande, kan vi 

uttrycka det så här: människor – en social eller kulturell dimension – tolkar 

och formar sina rum. Genom dessa rums materiella dimension hanteras 

och formas människors villkor och handlingsutrymme. Rum blir då hela 

tiden till genom handling, omformas och återskapas på ett vis som ibland 

kan förutses, ibland inte. Massey (8), en förgrundsgestalt i diskussionen om 

plats och rum inom kulturgeografi, framhåller att rum med nödvändighet 

omfattar mångfald, förändring och tillblivelse.


”Far from space being the fixed and frozen – the ’dead’ […] – it is 

now more usually constructively theorized as being fully involved in 

the modulations of tension and transformation.” 

Dictionary of Human Geography 2000:772 (1). 

Ordet kontext har ibland både i dagligt tal och i en vetenskaplig diskurs 

kommit att användas om en omgivning, med syftning på det som finns runt 

omkring ett fenomen. Men den geografiska tradition som betonar sammanhang, 

till exempel genom en teoretisk förståelse av rum som relationella, 

kan bidraga med att översätta en komplex förståelse av rumslighet till 

en forskningsdesign och en kvalitativ analys. Det finns anledning att framhäva 

möjligheterna att berika en kvalitativ ansats genom att applicera en 

metodologi som betonar tidrumsliga skeenden, sammanhang, ömsesidighet, 

tillblivelse, handlingar och texter (i vidaste bemärkelse) som medskapare 

av kunskap, och denna kunskap i sin tur som medskapare i världen. 

Det är således utifrån en sådan kontextuellt orienterad metodologi som en 

kvalitativ analys med fokus på situation och sammanhang presenteras. 

Kvalitativ metodologi: en introduktion till översättningens forskningsformer 

Metodologi kan sägas utgöra den kunskapsteoretiska resonansbotten som 

ligger bakom en studiedesign och ett metodval. En kvalitativ metodologi 

kommer därför att genomsyra alla aspekter av en forskningsprocess: hur 

kunskap betraktas, hur frågor ställs, hur intryck tolkas och analyseras samt 

hur resultat formuleras (15). Kvalitativ metodologi kan beskrivas som en 

rad översättningar, eller transformationer, där kunskap utvecklas och 

växer. Hanne Haavind (16), norsk psykolog och framstående metodiker, 

har skissat den modell som återges i modifierad form i figur 1.


Från Via Till 

kunskapssituation kritik, erkännande, fokus problemställning 

problemställning empiriskt fält, engagemang interaktion 

interaktion olika tekniker material 

material analys, återkoppling resultat, översikter 

resultat, översikter argument, textuella strategier resultat, presentation 

resultat, presentation avhandling, inlemmande reviderad kunskapssituation 

Fig. 1. Transformationskedjan i en kvalitativ forskningsprocess, reviderad efter Haavind (16). 

Matrisen i figur 1 ser systematisk ut. Med översättningar från vänsterspalten 

via mittenspalten till högerspalten, rad för rad, illustrerar den olika 

steg i en forskningsprocess. För den som skall ta sig an ett kvalitativt projekt 

är detta en utmärkt översikt. Jag kommer emellertid här att beskriva 

teori, analys och representation som ännu mer sammanflätade än vad en 

matris ger intryck av. 

Varje analys är teoretisk 

Den kunskapssituation kvalitativa studier utgår från och avser att revidera 

uttrycks som bekant med ord. Precis som ett statistiskt/matematiskt 

uttryck är avsett att återge en abstraherad och förtätad beskrivning av ett 

tillstånd eller en relation, bär också dessa ord en stor ”börda” – de skall 

säga något signifikant och de skall säga mycket på ett begränsat utrymme. 

Teori spelar en framträdande roll i kvalitativa studier; det språkbruk varmed 

frågor formuleras är teoriimpregnerat, analysen är ofta teoretiskt 

informerad, och teori är det språk varmed resultat uttrycks. Relationen 

mellan teoretiska beskrivningar och det de är avsedda att representera har 

varit föremål för en intensiv debatt inom den strömning som lite grovt kan 

betecknas som postpositivistisk. Representationerna själva – geografiska 

teorier (se till exempel Rose 17) och kartor (se till exempel 18, 19) – har 

kommit i blickfånget för kritisk analys. Teorierna och kartorna kan säga 

mycket om den tid och den värld där de framställts, likaväl som om det de 

är avsedda att representera. 

Vi kan måhända urskilja två ytterligheter vad gäller den roll teori spelar 

i en kvalitativ kunskapsprocess. Den ena varianten betonar den empiriska 

grund varifrån teori genereras (20), och den systematiska bearbetningen av 

materialet. Denna tradition av grounded theory finns på svenska beskriven


i läromedelsform (21) med exempel från studier av hälsa och arbetsliv. I 

den andra, mer tongivande kvalitativa ansatsen, inkluderas samhällsteori 

medvetet i hela forskningsdesignen, inte minst i det analytiska arbetet. Hur 

detta kan gå till och flera av de dilemman forskaren har att hantera vid 

utformningen av en sådan studie beskrivs förtjänstfullt och ur ett geografiskt 

perspektiv i boken Using Social Theory (22). 

Oavsett utgångspunkt måste varje kvalitativt orienterad forskare balansera 

mellan tidigare kunskap, som ju är teoretiskt formulerad, och det specifika 

som framträder i varje ny studie, inklusive dess kontext. Erfarenheter 

av att hantera dessa dilemman har resulterat i en kritik av vad som går 

under beteckningen grand theory; teorier med ”alltför” stora anspråk (23). 

I stället har mycket av den kunskapsteoretiska utvecklingen fokuserat på 

och efterlyst begränsade, positionerade och kontextkänsliga teorier, vilka 

på sikt förhoppningsvis kan utgöra sökljus för fler teoretiskt informerade 

kvalitativa studier. Begrepp som exempelvis plats, individ och hälsa, blir 

således i kvalitativ analys att betrakta som ingångar till medvetet valda teoretiska 

begrepp, med varierande innebörd beroende på hemvist. Eller snarare; 

varje kvalitativt orienterad forskare som ämnar analysera (folk)hälsorelaterade 

fenomen har behov av att identifiera ett teoretiskt fält, varifrån 

analytiska redskap kan utvecklas i relation till respektive material. Inte sällan 

är detta ett omfattande arbete, som ibland utgör en viktig aspekt av studiens 

bidrag till kunskapssamhället. 

Varje representation är analytisk 

I en teoretiskt informerad kvalitativ studie är det inledande teoretiska arbetet 

sammanflätat med interaktion, med framställning av material och med 

analys, till en integrerad process. Analysarbetet påbörjas i och med att arenan 

för interaktion väljs och material börjar produceras. Material kan därför 

knappast redovisas obearbetat, i betydelsen ”otolkat”, eftersom forskarens 

arbete redan är påbörjat. Det går aldrig att få med ”allt”, ”från alla 

håll”, utan varje representation som forskaren genererar är att betrakta 

som analytisk. I och med att kvalitativ analys i hög grad handlar om att 

analytikern ”går fram och tillbaka” mellan teori och material, en interaktion 

mellan tidigare kunskap och informanter där forskaren spelar rollen 

av uttolkare och förmedlare, är det viktigt att utveckla redskap för ett självkritiskt 

och reflekterande förhållningssätt. Hur präglar forskarens olika


teoretiska, sociala och geografiska positioner interaktionen? Vilka val och 

relationer finns det anledning att behandla mer ingående? Många gånger är 

det vid reflektioner kring interaktionens relationella karaktär som frågor 

om föreställningar, det förgivettagna, det outtalade och det oväntade kan 

formuleras och därmed bidraga med perspektiv på materialet och det som 

det är avsett att representera. 

Resultat i en kvalitativ studie kan framställas i många olika former; som 

beskrivningar presenterade enligt en eller annan princip, som begrepp, 

kategorier, typer eller modeller. Även om dessa resultat inte nödvändigtvis 

betecknas som teorier i betydelsen att de utgör ”en uppsättning relaterade 

begrepp som anses ha förklaringsvärde”, är de att betrakta som teoretiska. 

Som bekant varierar dock innebörden av detta begrepp mellan olika traditioner. 

Valet av presentationsform grundas på i vilken form tidigare kunskap 

presenterats (studien kan ju till exempel vara designad för att nyansera, 

utveckla eller utmana resultat inom en viss skolbildning och behöver 

därför tala samma språk) och på undersökningsmaterialets innehåll och 

form, men också på forskarens färdigheter och kreativitet. Även om det 

mer eller mindre per definition är värdefullt att ha ett öppet förhållningssätt 

till frågan om presentationsformer, kan det vara angeläget att redan i 

forskningsdesignen formulera någon eller några preliminära idéer och riktlinjer. 

Ofta kan även ämnesmässigt relativt ”avlägsna” studier tjäna som 

förebilder, inspirationskällor och goda exempel, och allteftersom studien 

fortgår kommer det att finnas anledning att modifiera, utvidga eller stryka 

olika varianter av framställningsformer. Många gånger är det också så att 

den presentationsform som väljs för att framställa materialet som genererats 

i interaktionen är länkad till hur hela boken eller artikeln skrivs. 

Situationell interaktion och integrerad analys – några glimtar 

I detta avsnitt berörs hur engagemang i ett empiriskt fält, interaktion mellan 

forskare och informanter, framställning av material samt preliminär 

analys flätas samman i situationell interaktion. För den som är intresserad 

av och uppmärksam på hur plats, person och hälsa skapas kontextuellt, 

och vill veta mer om hur de hänger samman, blir det viktigt att identifiera 

tidrum där sådana sammanhang kan uttolkas. Vi har anledning att begrunda 

hur relationer mellan människor och deras omgivning kan te sig och 

uttryckas i handling och text och varthän vi skall bege oss för att fånga


detta. Den interaktion som utspelar sig på sådana arenor involverar i allra 

högsta grad forskaren själv, och kvalitativ metod innebär att vi skapar och 

reflekterar kring dessa tidrumsliga möten. 

Kvalitativt analysarbete är så tidskrävande att det är viktigt att materialet 

som en analys grundas i är signifikant, det vill säga strategiskt utvalt för 

att berika en beskrivning eller belysa en frågeställning. Utifrån en teoretiskt 

informerad frågeställning vidtar således arbetet att successivt söka sig fram 

mot företeelser och framträdelseformer som kan överföras till ett material 

lämpat för en fördjupad analys. Skapandet av sådana interaktionssituationer 

och valet av specifika tekniker kan gärna genomföras i etapper och 

bör förstås präglas av flexibilitet och lyhördhet för de specifika omständigheterna. 

Snarare än att bortse från denna sökprocess och all den kunskap som 

genereras på vägen fram mot det signifikanta materialet vill jag argumentera 

för att det i många fall kan vara lämpligt att integrera, dokumentera och 

behandla även det kringland som omgärdar materialet i fokus. Det är bland 

anant genom förtrogenheten med detta kringland som materialets signifikans 

kan motiveras och trovärdighet styrkas. För att inte överväldigas av 

material (alltför många forskare har exempelvis överväldigats av alltför 

många och långa intervjuutskrifter) bör dock varje steg dokumenteras på 

det sätt som är mest relevant – det kan vara fältanteckningar i dagboksform, 

skisser eller dokument med ursprung i det sammanhang som studeras. 

Bara fragment, eller kanske inga delar alls, av dessa material kommer 

att framträda i den slutliga produkten, men forskaren har ändå behov av 

att kunna redogöra för och motivera valet av just det material som presenteras 

i form av exempelvis citat eller exempel. Interaktionssituationer som 

medvetet designas för att generera kvalitativa material kan konstrueras på 

många olika vis, liksom även möten som initierats med fokus på exempelvis 

utvärdering eller aktionsforskning kan betraktas som arena för kvalitativ 

forskning. Ju fler syften som en situation skall uppfylla, desto mer angeläget 

är det att explicit tydliggöra förutsättningar och förväntningar hos 

samtliga parter. 

Kreativitet, respekt och flexibilitet utgör kvalitetsfaktorer vid utformandet 

av interaktionssituationer. Det finns forskare som genomför intervjusamtal 

promenerande (24), som skickar med informanterna engångskameror 

(25), eller som samlar texter som representerar en konventionell bild av


en plats och som dessutom intervjuar människor om hur dessa texter skapas, 

sprids och tas emot (26). Många gånger kan det finnas anledning att 

”följa med” på offentliga eller privata möten, att besöka platser, organisationer 

och personer, eller att bosätta sig kortare eller längre tid i ett område. 

En specifik metodvariant där det tidrumsliga avståndet mellan forskaren 

och informanten förhandlas, är genom bruket av tidsgeografiska dagböcker. 

Metoden som har utvecklats, inledningsvis främst av Ellegård (27, 28), 

ur den traditionella tidsgeografin, grundlagd av Torsten Hägerstrand (se 

till exempel 29, 30) och beskriven av Schærström i denna bok, är avsedd 

att användas som ett redskap för att beskriva vardagsaktiviteter, men framför 

allt för att reflektera kring aktiviteterna (4, 24, 31–35). Denna variant 

av tidsgeografi kan betraktas som kontextkänslig och kvalitativ, eftersom 

redogörelser behandlas som meningsfylld kunskap som behöver förstås 

och tolkas. Å andra sidan omfattar metoden en minimalistisk beskrivningsform, 

och bejakar den tredimensionella kartografin som en tredje 

part i interaktionssituationen. Metoden går ut på att informanterna för 

dagböcker med kolumner rubricerade: när, var, med vem, aktivitet, samt 

ofta ytterligare ett sidospår avsett för någon specifik aspekt (se figur 2 för 

ett exempel). Med hjälp av dessa noteringar kan forskaren konstruera tidsgeografiska 

beskrivningar (se åter Schaerström, denna bok), och problematisera 

meningsskapande, tanke- och handlingsmönster, samband och 

motiv. Dessa reflektioner kan sedan ligga till grund för uppföljande möten 

med kontextuellt relevanta frågor och samtalsämnen.


När Var Vad jag gör Med vem Irritationsmoment 

och glädjeämnen 

torsdag 16.25 skolan hämtar S - S:s skor ej på plats 

S glad för att jag kommer 

S lite sjuk 

16.30 busshållplatsen väntar på buss S 

16.45 dagis hämtar P P S missnöjd, vill inte hämta P, 

vill vara utan lillasyster med 

mig bara 

P har dåliga kläder, gummistövlar 

(?), smutsig jacka etc. 

P jätteglad 

Figur 2. Exempel på renskriven (anonymiserad) tidsgeografisk dagbok avsedd för kvalitativ studie. 

Hur kan då kvalitativ analys betraktad som situationell interaktion te 

sig mer specifikt, och för olika parter? Vi är här nästan helt utlämnade åt de 

redogörelser som forskarna själva lämnar, eftersom beskrivningar ur andra 

perspektiv är sällsynta (se dock 36). Ensidigheten problematiseras inom 

bland annat feministisk och postkolonial teori, inte för att komma runt 

problemet, utan för att hantera det. Ett exempel på en kanske inte alldeles 

osannolik forskningsdesign beskrivs i filmen Psalmer från köket av Bent 

Hamer. Försöken att minimera den mellanmänskliga interaktion i studien, 

för att etablera distans mellan forskare och objekt (i filmen benämnd 

”värd”), får här besvärande och oväntade konsekvenser. När den postivistiska 

designen börjar krackelera, då forskaren och värden kommer närmare 

varandra, får även detta starka effekter på människors liv. Den gamle 

ungkarlen och forskaren möts i ett kök, och interaktionssituationen präglas 

i hög grad av studiens teoretiska ansats och av den materialinsamlingsteknik 

som används. På sätt och vis kan vi betrakta alla redskap – anteckningsblock, 

bandspelare, noteringshäften, videokameror eller 

dataprogram – som ytterligare en part, en materiell part, som är med och 

skapar de tidrum där kunskap produceras. De situationer vi glimtvis möter 

i Psalmer från köket präglas således av flera olika parter, av hur materialitet 

och mening samspelar relationellt. Men även representationer: dokument, 

kartor, texter, bild, musik – skapas, transporteras och bemöts i situationer.


De har en tidsgeografisk historia, de skapas, ges mening och används kontextuellt. 

Vetenskaplig kunskap och kritik kan kontextualiseras 

Då så småningom en studie inlemmas i vetenskapssamhället mottas den 

med kritik och erkännande i olika former och från olika utgångspunkter. 

En explicit uttalad och kontextkänslig metodologisk medvetenhet och 

reflexivitet ökar möjligheterna att få tillgång till relevant kritik av både 

form och innehåll. Vidare är en kontextualisering av studien avgörande för 

hur, var och när de teoretiska resultaten kan anses gälla. Att bedöma graden 

av teoretisk generaliserbarhet är sällan en uppgift som faller inom 

ramen för respektive undersökning, men genom att kontextualisera forskningsprocessen 

öppnas möjligheter för andra forskare och för praktiker att 

inspireras av, nyansera, utmana eller utvidga en studies teoretiska resultat. 

Som framgår finns det inom den kvalitativa metodtraditionen knappast 

sådana standardvarianter av material, analys och presentation, att valet 

kan uttryckas i kodform. Även vid de tillfällen då en analys genomförs med 

hjälp av någon dataprogramvara avsedd för kvalitativ analys är ett sådant 

förfarande ”bara” ett sorteringsinstrument. Hur materialet skall tolkas, 

vilken innebörd och mening som kommer att presenteras via analys, avgörs 

av forskningsprocessens sammanhang. 

Ingångar till reflektion och positionering av kunskap 

I en situationell forskningsinteraktion och i en efterföljande reflekterande 

analys integreras intentioner från aktörer som initierar forskning eller 

betraktas som avnämare, vetenskapliga teorier (till exempel om plats, person 

och hälsa), analytikerns erfarenhetsvärld, arbetsrutiner och metodtekniker 

som den enskilda forskaren eller en viss skolbildning behärskar och 

föredrar, samt hela det komplex av framträdelseformer som skall beforskas, 

den så kallade empirin. Resultatet präglas av alla dessa ingredienser, 

därom är de flesta akademiker ense, och det finns inom respektive disciplin 

en vedertagen praktik av att kritiskt granska egna och andras studier gentemot 

specifika och avgränsade inomvetenskapliga kriterier. De senare 

decenniernas utveckling inom kvalitativ metodologi har emellertid vidgat 

dessa praktiker till att omfatta vidare och djupare spörsmål. Medan Gunnar 

Myrdal konstaterade att han arbetade utifrån ett subjektivt förhåll


ningssätt som vit man (ett radikalt påpekande inom samhällsvetenskapen 

på 1950-talet), rör dagens frågor snarare hur en rad olika omständigheter 

präglar ett vetenskapligt arbete. Skolbildningar som brukar benämnas som 

poststrukturalistiska, postkoloniala och feministiska har drivit dessa frågor 

hårt, och samtidigt har discipliner som science studies, idé- och lärdomshistoria 

och vetenskapssociologi övertygande visat hur kunskapsproduktion 

bedrivs och kan beskrivas som mänsklig aktivitet, präglad av sin 

kulturella, samhälleliga och historiska kontext. Vetenskap och modernt 

samhällsbygge är intimt sammanlänkade (ofta ingår vetenskaplighet i själva 

definitionen på modernitet), men hur denna sammanlänkning ser ut ter 

sig olika på olika platser och förändras över tid. 

Att kontextualisera en kvalitativ analys kan utifrån denna presentation 

te sig som ett oöverstigligt projekt, möjligen lämpat för filosofer med åratal 

av tom skrivbordstid att fylla, men knappast något för den ”vanliga” utredaren, 

doktoranden eller projektledaren. Jag vill emellertid hävda att ett 

rimligt mått av reflexivitet och uppmärksamhet på ”det förgivettagna” är 

väl använd tid inom ramen för ett akademiskt arbete. I dag finns det dessutom 

gott stöd att hämta i tidigare forskning vilket underlättar en sådan 

process. Formerna för hur en kontextualisering och positionering av kunskapsprocessen 

presenteras bör självfallet anpassas till respektive forsknings- 

eller utredningsprojekt; ofta infogas diskussionen i teoretiska och 

metodiska resonemang, men ibland ges de en särställning. Det händer även 

att forskare finner det angeläget att författa en särskild produkt, en bok 

eller en artikel, som kan fungera som referens i andra sammanhang. Maktrelationer 

som har att göra med klass, kön, etnicitet, sexuell läggning, hälsa 

och så vidare (listan kan utvecklas), brukar framhållas som betydelsefulla 

då kunskapsproduktionens sociala karaktär diskuteras. Marginalisering, 

eller begreppsparet ”Self-Other”, används också för att problematisera 

kunskapsrelationer som tycks oss förgivettagna. 

Jag skulle vilja föreslå tre användbara ingångar för ”den ordinarie skribenten” 

1 

att inledningsvis förhålla sig till dessa frågor om hur förgivettagna 

1 Med ”den ordinarie skribenten” syftar jag här på den forskare, forskarstuderande eller praktiker 

som till huvudsyfte har att producera resultat som är av inomvetenskaplig relevans för respektive 

disciplin, till exempel folkhälsoforskning, sociologi eller kulturgeografi, eller är av mer tematisk 

karaktär. Syftet med att framställa kunskapsanspråken som positionerade är då huvudsakligen att 

höja den vetenskapliga kvaliteten och öka studiens användbarhet och överförbarhet.


och outtalade inslag i forskningspraktik och analys kan börja benämnas, 

behandlas och problematiseras. Man kan kanske säga att det handlar om 

att skissa kartor och identifiera positioner i ett tyst landskap. Det säger sig 

självt att våra mest grundläggande antaganden inte finns inom räckhåll för 

en sådan reflektion, men genom individuellt arbete och gemensamma samtal 

kan vi flytta gränserna för det självklara, samt höja kvaliteten och 

användbarheten på vår forskning. 

1. Den första ingången rör relationen mellan grundforskning, tillämpad 

forskning, och utredning. Grundforskning kan definieras som ett fritt kunskapssökande 

där det långsiktiga sökandet efter kunskap utgör själva 

målet för verksamheten (37). ”Fritt” innebär här att den enskilda forskaren 

själv formulerar såväl problem som studiedesign. 2 

Samhällsrelevansen för 

den fria grundforskningen är relaterad till den tillämpade forskningen, som 

den tillför vetande. Men den fria grundforskningen har också en framtidsrelevans 

och en kulturaspekt – det gäller att ”öka kunskapen om och förståelsen 

för den värld vi lever i och att kritiskt granska dagens kunskap, 

uppfattningar och samhällsfunktioner” (37, s. 308). 

För den tillämpade forskningen är kunskapsprocessen ett medel, en väg 

att nå ett praktiskt och konkret mål. Kvalitetsbedömningen är givetvis 

kopplad till ordinarie vetenskapliga kriterier, men i lika hög grad till i vilken 

mån kunskapen bidrar till att lösa ett specifikt praktiskt problem. 

Utredning slutligen, eller andra slag av professionellt arbete som bygger på 

akademisk kompetens, är en tillämpning av vedertagen vetenskaplig kunskap 

på enskilda problemområden. Utredning kräver omsorgsfull källhantering, 

metodredovisning och dokumentation, men ställer inga krav på 

återrapportering till det akademiska kunskapskollektivet. Det är i stället 

den enskilda uppdragsgivarens behov som står i fokus. 

Grundforskning och tillämpad forskning har stora kontaktytor och 

erfarenheten visar att ju tätare och livligare utbyte, desto mer fruktbart för 

bägge inriktningarna. Då en studie skall ”positioneras” och förgivettagna 

inslag problematiseras, finns det anledning att konstruera fri grundforskning 

och tillämpad forskning som separata storheter. Grundforskning och 

tillämpad forskning arbetar med olika mål och med olika tidshorisonter, 

2 Begreppet ”fritt” fungerar här relativt, inte absolut. Forskaren har mer frihet i relation till finansiär 

eller uppdragsgivare än i mer styrd eller ”beställd” forskning. Därmed inte sagt att forskaren i 

någon mån skulle stå bortom eller över sin samhälleliga och historiska kontext.


och forskningsproblem identifieras och formuleras på olika sätt. Ett 

(kanske övertydligt) exempel illustrerar denna poäng: En doktorand presenterade 

sitt avhandlingsprojekt på ett seminarium vid mitt universitet. 

Studien rörde utnyttjande av kollektivtrafik, och seminariedeltagarna ställde 

en rad frågor rörande bland annat familjesammansättning, boendesegregation 

och inkomstfördelning, aspekter aktuella inom grundforskning på 

området. De menade att detta var aspekter som borde beaktas i relation till 

bilinnehav och arbetspendling. Misskommunikationen berodde på vissa 

forskares förgivettaganden och på att doktoranden inte hade formulerat 

studiens grundläggande premiss: att identifiera omständigheter kring valet 

av färdmedel som går att påverka på kort sikt, i detta fall av en myndighet. 

Problemformulering, fokus och avgränsning präglades av intervention som 

intention, och valen borde således motiveras med utgångspunkt i den 

tillämpade forskningens kriterier. Det är inte sällan som tillämpade studier 

eller arbeten av utredningskaraktär ligger som grund för avhandlingsarbete 

– i dess vidaste bemärkelse kan ju till och med hela fält betraktas som 

tillämpningar, exempelvis av matematik. Även om det i vissa discipliner 

inte finns en tradition av att inlemma reflexivitet och kontextualisering i 

vissa former av publikationer, bör det ovillkorligen (menar jag) ingå ett 

sådant moment i forskarutbildningen. 

När den tillämpade forskningen influeras av andra discipliner eller av 

grundforskning till att förändra och utveckla frågeställningar, metodansatser 

och presentationsformer, får det konsekvenser för relationen till avnämaren. 

De organisationer och praktiker som tillämpar (folk)hälsoforskningens 

resultat har en väl beprövad erfarenhet av att arbeta med 

kvantitativa forskningsresultat, eftersom forskning och tillämpning varit 

integrerade verksamheter som vuxit fram interaktivt. Oavsett vem som 

först tar initiativet (forskare eller avnämare) till att uttala behov av, samt 

introducera, kvalitativt formulerade kunskapsformer, bör man vara medveten 

om att vid tillämpad forskning innebär detta en dubbel läroprocess. 

För det första skall forskarna sätta sig in i och handla enligt perspektiv som 

delvis kolliderar med deras tidigare tankemönster. För det andra behöver 

de praktiker och organisationer som skall använda kunskapen upparbeta 

en förtrogenhet med hur problemställningar kan formuleras, så att de förmår 

lämna realistiska och relevanta ”uppdrag”, och organisationspraktiker 

behöver modifieras för att kvalitativa resultat skall kunna införlivas


och nyttiggöras. Bägge dessa processer tar tid och innebär merarbete. De 

goda nyheterna är att inom framgångsrika fält där forskning och praktiknära 

tillämpning interagerar väl, har det visat sig att det livaktiga utbytet 

varit ömsesidigt utvecklande och lett till höjd kvalitet för bägge parter. 

2. Den andra ingången till att benämna och behandla förgivettagna premisser 

och tolkningsramar går via begreppen ontologi, epistemologi och 

axiologi. Med andra ord genom läror om det verkliga, det sanna och det 

goda i relation till akademisk kunskap. 3 

Introduktionen av kvalitativa 

ansatser inom (folk)hälsoforskning och folkhälsoarbete kan innebära att 

ontologiska, epistemologiska och axiologiska brottytor friläggs. Uttalade 

och outtalade föreställningar om hur världen är beskaffad, vilket slags kunskap 

om världen som är möjlig eller eftersträvansvärd samt vilken positiv 

roll denna kunskap kan eller bör spela, präglar ju problemformulering, 

genomförande, presentation och tillämpning av all kunskap. Olika kunskapsaktörer; 

politiker, beställare, forskningsråd, handledare, kollegor, 

avnämare, samarbetspartners, informanter och förstås forskaren själv, har 

olika perspektiv på dessa frågor. Ofta faller det på den enskilda forskarens 

lott att försöka jämka mellan dessa föreställningsvärldar, vilket kan ske 

med större eller mindre framgång. Forskaren kan sträva efter samsyn, harmonisering 

och konsensus, eller bejaka paradoxer, motsättningar och konflikter 

som tecken på problematiseringens relevans. 

Att betrakta mötet mellan forskaren och andra kunskapsaktörer som 

situationell interaktion kan öppna möjligheter för samtal och samarbete 

trots skilda ontologier, epistemologier och axiologier. Kunskapsmålen för 

den forskande akademikern och praktikern i en organisation är till exempel 

inte identiska, varken till innehåll, form eller vad gäller tidshorisont. 

Trots det öppnar många organisationer sin verksamhet som resurs för den 

kvalitative forskaren; organisationen med förhoppning att det gagnar och 

utvecklar verksamheten, forskaren med förhoppning att generera empiri. 

Det ömsesidiga utbytet för de inblandade parterna ökar om intressekonflikter 

och intressegemenskap kan formuleras och diskuteras på ett tidigt 

stadium i processen. Se figur 3. 

3 Vad som räknas som ontologiska respektive epistemologiska frågor varierar självfallet inom olika 

traditioner. Ett vetenskapligt faktum kan till exempel å ena sidan förstås som ontologi, ett ”sakernas 

tillstånd”, ett naturligt fenomen i världen, eller å andra sidan förstås som epistemologi, en 

kunskapsform, en vetenskapens nuvarande och tillfälliga ståndpunkt.


Figur 3. Generell metodologi för generering av kunskap och praktik i samarbete mellan praktiker och 

andra kunskapsaktörer. Modifierad efter Bergman och Schough (38). 

Varje kunskapsaktör måste själv överväga vilka förskjutningar och 

kompromisser i de egna utgångspunkterna som är möjliga och rimliga. 

Sådana bedömningar måste grundas i vetenskapliga och etiska principer 

samt infogas i respektive verksamhets övergripande målsättning. Det är 

vidare en bedömningsfråga hur långt från den egna studiens ontologi, epistemologi 

och axiologi ett reflexivt positioneringsarbete bör föras. Ett annat 

sätt att formulera detta dilemma är: Hur mycket energi är det rimligt att 

lägga på att förhålla sig till kritik som kommer väldigt ”långt bortifrån”? 

I dagens skandinaviska kulturgeografiska och samhällsvetenskapliga 

akademi skulle jag vilja våga mig på att föreslå följande riktlinje: ju mindre 

det talas om ontologiska, epistemologiska och axiologiska frågor, ju mer 

som framställs som självklart, ju vidare det tysta landskapet framstår, desto 

mer angeläget för den enskilda forskaren eller praktikern att försöka kartera 

och begreppsliggöra det förgivettagna, identifiera sin studies position 

där, och inte minst diskutera hur resultaten präglas av detta landskap. Ofta 

är det individer som ännu inte är fullständigt insocialiserade, eller som på 

grund av dubbla eller flerdubbla exkluderingsprocesser aldrig riktigt blir 

betraktade som inkluderade, som genom sin position förmår identifiera det 

förgivettagna. Det är ingen tillfällighet att det ofta är doktorander som står 

för förnyelse inom humaniora och samhällsvetenskap. Inte heller är det en 

tillfällighet att kvinnors och etniska eller sexuella minoriteters inträde i 

akademin medför att nya frågor formuleras, att andra representationer av 

världen skapas. En lyhördhet för och legitimering av sådana förslag är således 

att betrakta som kvalitetshöjande inslag i den akademiska och praktikernära 

verksamheten. Men minst lika vitalt med avseende på kvalitet är 

att individer som förkroppsligar olika normer; till exempel vita, medelålders, 

friska västerländska män inom akademin generellt, eller vita


medelklasskvinnor inom feminismen specifikt, inleder ett systematiskt 

arbete om innebörden och konsekvensen av en privilegierad kunskapsposition. 

3. Den tredje och avslutande ingången till hur den ”ordinarie” skribenten 

förslagsvis kan ta sig an de förgivettagna premisser och perspektiv som 

präglar forskningsprocess och analytiskt arbete handlar på sätt och vis om 

skala eller om nivå. Ett sådant reflexivt arbete kan med fördel bedrivas runt 

såväl kvantitativa som kvalitativa studier. Den enskilde forskaren behöver 

identifiera var de förgivettagna premisserna och perspektiven är grundade 

för att kunna börja analysera hur de inverkar på studien och dess resultat. 

Scheurich (39) föreslår nivåerna individ, institution, samhälle och civilisation 

som lämpliga arbetsbegrepp. Individen är då inkluderad i institutionen, 

som är inkluderad i ett avgränsat samhälle (till exempel ett land), som 

i sin tur är del av en civilisation, till exempel en västerländsk kultursfär. Den 

västerländska kultursfären utgör ju den dominerande plattformen för den 

akademiska kunskap som räknas som vetenskap, medan andra civilisationers 

kunskapsformer kan betraktas som marginaliserade. Då exempelvis 

Scheurich (39) diskuterar epistemologisk rasism hänför han den till den 

civilisatoriska 4 

sfären. Det innebär att en enskild forskare, öppet eller dolt, 

individuellt kan omfatta en viss ideologi med avseende på exempelvis 

rasism, ja till och med ihärdigt bedriva vetenskapligt arbete som är avsett 

att underminera grunden för rasistiska praktiker. Den situationella interaktionen 

och analysen kommer ändå att präglas av en institutionell, samhällelig 

och civilisatorisk rasism i den mån en sådan föreligger. På samma vis 

kommer förgivet-tagna föreställningar djupt integrerade i en civilisation, 

till exempel dualistiska principer om manligt-kvinnligt, friskt-sjukt, kulturnatur, 

ordning-kaos etc., att prägla vetenskaplig ontologi, epistemologi och 

axiologi. 

Ett forskningsprojekt och dess tillämpningsformer, likaväl som en situationell 

forskningsinteraktion, kommer således att präglas av såväl individuella, 

institutionella, samhälleliga som civilisatoriska förgivettaganden. 

Det innebär dock inte att den ordinarie skribenten har anledning att känna 

sig nödd att bidraga till en civilisationskritisk kunskapsuppbyggnad inom 

4 Jag använder här provisoriskt begreppet civilisatorisk i analogi med termerna individuell, institutionell 

och samhällelig.


ramen för en avgränsad studie. Däremot finns det all anledning att tillämpa 

de resultat av grundforskningskaraktär – det vill säga olika former för 

reflexivt arbete – som står till förfogande, och ställa dem i relation till 

respektive studiers förgivettagna premisser, perspektiv och situationella 

interaktion. Vad gäller folkhälsoforskning framstår i första hand kanske 

närheten, men också avståndet, mellan institutioner i form av folkhälsobefrämjande 

myndigheter och samhälle i form av statliga politiska intentioner, 

som betydelsefull för folkhälsokunskapens former och utveckling. 

Om kvalitativa metoder skall introduceras och nyttiggöras i ett sammanhang 

där vetenskapliga resultat, styrning, intervention och utvärdering 

nästan genomgående redovisas i kvantitativ eller statistisk form, får det 

konsekvenser för politiker, tjänstemän, forskare och inte minst dem som är 

föremål för dessas intresse; medborgarna. Det finns en rad problem med 

avseende på kvalitativa framställningsformer, inte minst av axiologisk och 

etisk karaktär. I kunskapsintensiva organisationer är det av vikt att kontinuerligt 

utvärdera befintliga kunskapsformer samt bygga arenor där 

reflektioner kring kunskapens mål och medel kan tillämpas vid samtal mellan 

forskare och praktiker. I vilken mån bör/behöver kunskapsproduktionen 

anpassas till institutionaliserade former för kunskapsanvändning? I 

vilken mån behöver institutionell praktik utvecklas i samklang med olika 

kunskapsformer? En sådan tillämpning kräver ett visst, men ändå begränsat, 

mått av inläsning och kunskap om samhällsteori och vetenskapsteori, 

som måhända tidigare legat något utanför ramen för traditionell studiedesign 

och metodundervisning. Dessutom krävs uppmuntran och övning i att 

på ett kreativt vis utmana det förgivettagna. Inga orimliga krav enligt min 

mening. Men vilka kunskapsområden som har ”rätt” att vara ”svåra” är i 

hög grad en fråga om rätten till definition av vad som är väsentligt, och 

ibland är måhända akademins och andra institutioners tveksamhet inför 

det ”svåra” i att arbeta med ontologiska, epistemologiska och axiologiska 

frågor, snarare uttryck för ett odefinierat obehag än för en reell oförmåga 

till kunskapsutvidgning. Mitt förslag är att vi preliminärt behandlar våra 

egna och andras obehagskänslor som indikationer på att vi är på ”rätt” 

väg, på att våra frågor träffar ömma punkter, på att vår kunskapsproduktion 

är en genuint mänsklig verksamhet präglad av oss och vår värld, men 

också med förmåga att förändra både oss och vår värld.

Avslutning 

Kvalitativ metodologi, med dess olika metoder och analytiska grepp, öppnar 

för annorlunda frågor, annorlunda beskrivningar, och inte minst 

annorlunda förhållningssätt till kunskap. Oavsett om våra kartor av områden, 

individer och hälsa består av punkter, linjer, teorier eller berättelser så 

är dessa kartor med och formar den värld de beskriver. Det är bland annat 

med hjälp av dessa kartor som politiker, praktiker och medborgare orienterar 

sig, fattar beslut och väljer vägar. Innehållsrika och variationsrika kartor, 

kartor som ger insikter i andra människors hälsolandskap, kartor med 

marginalanteckningar om sådant som inte riktigt passar in i mallen, allt 

detta bidrar till ödmjukhet inför uppgiften och respekt för komplexiteten i 

fenomen som har att göra med oss människor, vår värld och vår hälsa. 

Referenser 


1. Johnston RJ, Gregory D, Pratt G, Watts M. The Dictionary of Human 

Geography. Oxford: Blackwell Publishing Ltd; 2000. 

2. Baxter J, Eyles J. Evaluating qualitative research in social geography: 

establishing ”rigour” in interview analysis. Transactions of the Institute 

of British Geographers 1997;22:505-25. 

3. Bailey C, White C, Pain R. Evaluating qualitative research: dealing with the 

tension between ”science” and ”creativity”. Area 1999;31(2);169-78. 

4. Schough K. Försörjningens geografier och paradoxala rum. Karlstad: 

Karlstad University Studies; 2001. 

5. Ley D, Mountz A. Interpretation, representation, positionality: issues in 

field research in human geography. In: Limb M, Dweyer C, eds. 

Qualitative Methodologies for Geographers. Issues and Debates. 

London: Arnold; 2001. 

6. Haraway D. Simians, Cyborgs, and Women: the reinvention of nature. New 

York: Routledge; 1991.


7. Massey D. Imagining globalisation: power-geometries of time-space. In: 

Brath A, Hickman MJ, MacanGhaill, M, eds. Future Worlds: 

migration, environment and globalization. London: Macmillan; 1998. 

8. Massey D. Spaces of politics. In: Massey D, Allen J, Sarre P, eds. Human 

Geography Today. Cambridge: Polity Press; 1999. 

9. Dorn M, Laws G. Social theory, body politics and medical geography. 

Professional Geographer 1994;46:106-10. 

10. Kearns R. Putting health into place: an invitation accepted and delined. 

Professional Geographer 1994;46:111-5. 

11. Gesler WM, Kearns RA. Culture/Place/Health. London and New York: 

Routledge; 2002. 

12. The Professional Geographer Focus: Qualitative approaches in health 

geography. May 1999:vol. 51(2). 

13. Roberts H, Smith S, Bryce C. Children at risk? Buckingham: Open University 

Press; 1995. 

14. Chouinard V, Grant A. On being not even anywhere near ”the project”. In: 

Duncan N, ed. BodySpace. London and New York: Routledge; 1996. 

15. Women and Geography Study Group. Feminist Geographies – 

Exploration in Diversity and Difference. Essex: Longman; 1997. 

16. Haavind H, red. Kön och tolkning. Metodiska möjligheter i kvalitativ forskning. 

Stockholm: Natur och Kultur; 2000. 

17. Rose G. Feminism & Geography. The limits of geographical knowledge. 

Cambridge: Polity Press; 1993. 

18. Pickles J, red. Ground Truth. The Social Implications of Geographic 

Information Systems. New York and London: Guilford Press; 1995. 

19. Pickles JA. History of Spaces. Cartographic reason, mapping and the 

geo-coded world. London and New York: Routledge; 2004. 

20. Glaser B, Strauss AL. The discovery of grounded theory: Strategies for 

qualitative research. Chicago: Aldine; 1967.


21. Starrin B, Larsson G, Dahlgren L, Styrborn S. Från upptäckt till presentation. 

Om kvalitativ metod och teorigenerering på empirisk grund. Lund: 

Studentlitteratur; 1995. 

22. Pryke M, Rose G, Whatmore S. Using Social Theory. Thinking through 

Research. London: SAGE Publications; 2003. 

23. Thrift N. Spatial formations. London: SAGE Publications; 1996. 

24. Kjellman C. Ta plats eller få plats? Studier av marginaliserade människors 

vardagsliv. Lund: Lunds universitet; 2003. 

25. Brandin E. Spatializing canoue tourism. Negotiating practices in Dalsland- 

Nordmarken. Karlstad: Karlstad University Studies; 2003. 

26. Pettersson K. Företagande män och osynliggjorda kvinnor. Diskursen om 

Gnosjö ur ett könsperspektiv. Uppsala: Uppsala universitet, Kulturgeografiska 

institutionen; 2002. 

27. Ellegård K. Olikadant. Aspekter på tidsanvändningens mångfald. 

Occational papers 1993:4. Göteborg: Göteborgs universitet, 

Kulturgeografiska institutionen; 1993. 

28. Ellegård K. Att fånga det förgängliga. Utveckling av en metod för studier 

av vardagslivets skeenden. Occational papers 1994:1. Göteborg: Göteborgs 

universitet, Kulturgeografiska institutionen; 1994. 

29. Hägerstrand T. Time-Geography: Focus on the corporeality of man, 

society, and Environment. The United Nations University; 1985. 

30. Carlestam G, Sollbe B, red. Om tidens vidd och tingens ordning. Texter av 

Torsten Hägerstrand. Byggforskningsrådet; 1991. 

31. Friberg T. Kvinnors vardag. Om kvinnors arbete och liv. Anpassningsstrategier 

i tid och rum. Lund: Lund University Press; 1991. 

32. Ellegård K, Wihlborg E. Fånga vardagen, ett tvärvetenskapligt perspektiv. 

Lund: Studentlitteratur; 2001. 


makt. Att öka förståelsen för människors livssammanhang genom tidsgeografisk 

analys. Meddelanden från Göteborgs universitets geografiska 

institutioner, serie B, nr 101. Göteborg; 2002.


34. Scholten C. Kvinnors försörjningsrum: hegemonins förvaltare och murbräckor. 

Lund: Institutionen för kulturgeografi och ekonomisk geografi; 

2003. 

35. Westermark Å. Informal livelihoods: women’s biographies and reflections 

about everyday life: a time-geographic analysis in urban Colombia. 

Göteborg: Kulturgeografiska institutionen, Handelshögskolan, 

universitetet; 2003. 

36. Magnusson E, Sjöquist Andersson L, Wännman L. Forskarens projekt och deltagarens 

– en återblickande granskning av forskningsprocessen och relationen 

mellan forskare och deltagare i ett longitudinellt forskningsprojekt 

om kvinnors arbetsliv. Kvinnovetenskapligt forum. Rapportserie 

Nr 7. Umeå: Umeå universitet; 1998. 

37. Öquist G. Vetenskapens behov av frihet. I: Jacobsson R, Öquist G, red. 

Vetenskapens rymder. Stockholm: Kungl. Skytteanska Samfundet, 

Carlssons; 1997. 

38. Bergman A, Schough K. Brytande handling. Karlstad: Karlstads universitet, 

Avdelningen för geografi och turism; 2002. 

39. Scheurich J. Research method in the Postmodern. London and 

Washington, DC: Falmer Press; 1997.

5. 


QUALITATIVE COMPARATIVE 

ANALYSIS, QCA 

– EN METOD VID SKÄRNINGS- 

PUNKTEN MELLAN KVALITATIVA 

OCH KVANTITATIVA METODER 

Karin Melinder


5. 

QUALITATIVE COMPARATIVE 

ANALYSIS, QCA, 

– EN METOD VID SKÄRNINGS- 

PUNKTEN MELLAN KVALITATIVA 

OCH KVANTITATIVA METODER 

Karin Melinder 

qualitative comparative analysis, qca 285 

Bakgrund 

Qualitative Comparative Analysis (QCA) är en relativt ny metod. Den presenterades 

första gången i boken The Comparative Method som kom ut 

1987 (1). Boken är skriven av Charles Ragin som är sociolog. Ragin hade 

syftet att skapa en syntes mellan kvalitativ och kvantitativ forskning. Målet 

var att integrera det bästa ur den kvalitativa metoden med det bästa ur den 

kvantitativa metoden. 

Ragin ansåg att både de variabelinriktade (kvantitativa) och de fallinriktade 

(kvalitativa) metoderna har sina begränsningar. De variabelinriktade 

metoderna är alltför inställda på att hitta en variabel eller en modell som 

förklarar allt, medan de fallinriktade metoderna begränsas av att man 

enbart kan göra djupstudier på enstaka fall. 

QCA har senare tagits upp och spritts i Europa av framför allt Benoît 

Rihoux och Gisèle De Meur från Belgien. Dessa har skapat ett nätverk 

framför allt med hjälp av hemsidor (http://smalln.spri.ucl.ac.be). De föredrar 

att kalla metoden quali-quantitative comparative analysis eftersom 

QCA ligger i skärningspunkten mellan kvalitativa och kvantitativa metoder.


Likheter och skillnader gentemot kvalitativa respektive kvantitativa metoder 

QCA innehåller en del element som är förknippade med den kvalitativa 

inriktningen, vilka brukar ses som styrkor hos metoden. 

En viktig sådan faktor är dess holistiska karaktär. Varje fall ses som en 

enhet som måste förstås och även behållas genom hela analysen. QCA är 

case-sensitiv, det vill säga ett enstaka fall kan påverka utgången kraftigt. 

Detta kan ses både som positivt och negativt. 

Det finns utrymme för en komplex kausalitet. Det är en styrka eftersom 

den sociala verkligheten som skall studeras med hjälp av QCA är komplex. 

Hur en viss faktor fungerar beror på omständigheterna. 

Den komplexa verkligheten förstås med hjälp av ”Multiple conjunctural 

causation”, det vill säga en kombination av förutsättningar som eventuellt 

ger samma utfall. Beroende på kontexten kan en given förutsättning 

fungera olika. En konsekvens av detta är att olika kausala vägar kan ge 

samma utfall. Detta skall särskiljas från motstridiga fall, där samma mönster 

kan ge olika utfall. 

Ragin avvisar alla former av permanent kausalitet eftersom kausaliteten 

är beroende både av kontexten och omständigheterna. Som användare av 

QCA uppmanas man att inte peka ut en orsaksmodell som den bästa, utan 

snarare ”Determine the number and character of the different causal 

models that exist among comparable cases” (1). 

Samtidigt har QCA vissa egenskaper förknippade med kvantitativa 

metoder. 

Först och främst tillåter den analys av mer än ett fåtal fall och ger möjlighet 

till generaliserbarhet. 

QCA baseras på boolesk algebra och kräver att varje fall reduceras till 

ett antal variabler, förutsättningar och utfall. Analysen blir därigenom 

reproducerbar, såtillvida att två forskare som använder samma variabler 

och kodar dessa på samma sätt kommer fram till samma slutsatser. Det är 

därför också möjligt för andra forskare att bekräfta eller vederlägga resultaten 

av en analys. Den booleska tekniken gör det också möjligt att identifiera 

de mest reducerade orsakssammanhangen. 

QCA är också speciellt lämplig för att studera Small-N (mellan 5 och 50 

fall) som inte lämpar sig för vanliga kvantitativa analyser.

Vad är QCA? 

I QCA används boolesk addition och boolesk multiplikation. Dessa skiljer 

sig från vanlig, aritmetisk addition och multiplikation, samt är logiska men 

inte matematiska. 

Addition uttrycks som OR, det vill säga eller. I boolesk algebra är 1 + 1 = 

1. ”The basic idea in Boolean addition is that if any of the additive terms is 

satisfied (present), then the outcome is true (occurs).” Grunden i Boolesk 

addition är att om någon av de additiva termerna är närvarande, så blir 

också utfallet närvarande. Additionen är detsamma som det logiska 

uttrycket OR. 

För att förstå detta bör man tänka logiskt och inte aritmetiskt. Ett exempel 

kan vara att det finns flera olika saker man kan göra för att förlora jobbet. 

Man förlorar inte jobbet mer för att man gör flera av dem. Om man 

gör något av de olika sakerna får man sparken. 

OR: 

a b ab 

0 0 0 

0 1 1 

1 0 1 

1 1 1 

Boolesk multiplikation är inte heller den aritmetisk, utan innebär att en 

kombination av flera variabler är nödvändig för ett speciellt utfall. Man 

talar om att Boolesk algebra är conjunctural, det vill säga intresserar sig för 

olika faktorers förbindelse eller sammanträffande. Boolesk multiplikation 

uttrycks som AND, det vill säga både den ena och den andra faktorn måste 

vara närvarande för att utfallet skall inträffa. 

AND: 

a b ab 

0 0 0 

0 1 0 

1 0 0 

1 1 1 

qualitative comparative analysis, qca 287


Om man jämför tabellen för additionen (OR) och multiplikationen 

(AND) ser man att det bara är i ett fall som utfallet blir 1 i multiplikationen. 

Alla ingående variabler som skall studeras indelas i 1:or och 0:or, det vill 

säga förekomst/icke förekomst. Detta innebär att alla variabler skall vara 

nominalskalebaserade. I senare versioner kan en uppdelning ske i fler klasser, 

att göra en dikotomisering är dock det grundläggande. Om detta anses 

alltför problematiskt kan man dela upp en variabel i flera. 

Av dessa 1:or och 0:or bildas kombinationer i form av en sanningstabell 

(truth table). Kombinationerna av 1:or och 0:or analyseras med hjälp av 

Boolesk algebra. För att göra detta har speciella program utvecklats. 

I QCA benämner man variablerna förutsättningar (conditions) och 

utfall (outcome). En skillnad gentemot klassiska kvantitativa metoder, till 

exempel regressionsanalyser, är att man utgår från utfallet och ser vilka 

mönster som ett positivt eller negativt utfall ger. Om man exempelvis jämför 

självmordsfrekvensen i olika länder, tar man fram vilka kombinationer 

av förutsättningar som de länder med hög självmordsfrekvens har, respektive 

hur mönstren är för de länder som har en låg självmordsfrekvens. 

De mönster man får fram analyseras med hjälp av ett dataprogram. 

Målet är en minimisering. Det finns regler för hur man minimerar de 

uttryck som skapas i tabellerna. Den mest grundläggande är att om två 

Booleska uttryck skiljer sig bara vad gäller en förutsättning och ändå skapar 

samma utfall, kan den förutsättning som skiljer sig mellan de två 

uttrycken anses som irrelevant och därmed tas bort för att skapa ett enklare 

utryck. 

I de ursprungliga tabellerna finns ofta motstridiga fall (contradictions), 

det vill säga att samma mönster ger olika utfall. Här kommer ett interaktivt 

moment in, i och med att de motstridiga fallen bör elimineras, genom att 

man går tillbaka till fallen och ändrar exempelvis klassindelningen eller 

vilka variabler som ingår i analysen. 

Rihoux (2) ser detta interaktiva arbetssätt som mycket väsentligt och 

betraktar QCA inte i första hand som en metod, utan snarare ett förhållningssätt 

till hur relationen mellan data och teori skall fungera, som en dialog 

och iterativt. Man kan säga att i detta sätt att arbeta liknar QCA kvalitativa 

metoder, där man arbetar med ett material tills det känns färdigt.


Hur QCA fungerar 

QCA är både induktiv och teoriavhängig. Den är induktiv i och med att 

forskaren bör kunna ha en dialog med data. QCA är också teoriavhängig 

genom att urvalet av vilka variabler man använder, och hur dessa operationaliseras, 

bör bygga på teoretiska antaganden. 

QCA är synnerligen genomskinlig, transparent, såtillvida att forskaren 

själv måste göra val och dessutom måste rättfärdiga och beskriva varför 

hon/han gör dessa speciella val. När man använder QCA måste man tänka 

både på teorier och på fallen. 

Det finns i dag cirka 250 applikationer på QCA, inklusive working 

papers och föredrag på konferenser. Användningsområden är till stor del 

inom sociologi och statskunskap, till exempel välfärdsteori och demokratistudier. 

Dessa finns och uppdateras regelbundet på www.compasss.org. 

Att genomföra en analys med hjälp av QCA 

När man skall genomföra en analys är arbetsordningen: 

1. Skapa utifrån rådata en tabell där varje fall har en specifik 

kombination av förhållanden med 0:or och 1:or och ett utfall, 

också i form av 1:or och 0:or. 

2. Använd ett dataprogram för att skapa en tabell som visar data i 

form av olika konfigurationer. En konfiguration är en kombination 

av förutsättningar och utfall. En speciell konfiguration kan 

finnas i flera olika fall. Program kan laddas ner från Internet: 

http://smalln.spri.ucl.ac.be 

3. Nästa steg är en Booleansk minimisering, det vill säga reducering 

av ett långt uttryck till det minsta möjliga uttrycket för att visa 

den orsaksmässiga regelbundenheten (mönstret av orsaker). 

4. Slutligen skall forskaren tolka detta minimiuttryck. 

QCA skall dock användas kreativt och iterativt. I det första steget måste 

man ha god kännedom om de ingående fallen för att kunna skapa en bra 

råtabell och sedermera en sanningstabell (truth table). Målet är att få en 

tabell som inte innehåller några motsättningar. Motsättningar är de fall där 

samma konfiguration av förutsättningar skapar olika utfall. En motsättning 

måste lösas innan man kan fortsätta. För att göra detta skall man åter


vända till fallen och studera dessa. På samma sätt skall man också göra i 

slutfasen av analysen när man skall tolka resultatet. Detta innebär att man 

skall gå tillbaka och undersöka varje fall i sin helhet. 

Användningsområden 

QCA har huvudsakligen använts på makronivå, det vill säga man har jämfört 

länder eller regioner. Det är dock möjligt att använda metoden även 

inom andra områden, exempelvis lingvistik där man kan se hur kombinationer 

av olika ljud förekommer i olika språk och dialekter. 

Metodologiskt har QCA följande tre användningsområden: 

1. Den kan beskriva de olika fallen genom en syntes i form av en tabell med 

olika konfigurationer. På detta sätt kan den skapa en typologi bestående av 

olika fall. 

Som exempel på detta visas en analys av västeuropeiska länder. Utfallet är 

dödlighet i självmord och trafikolycksfall. Denna studeras i relation till 

olika strukturella förhållanden, GNP, utbildningsnivå, arbetslöshet och 

religion (3).


Tabell 1. GNP, antal utbildningsår, arbetslöshet, andel katoliker i befolkningen och alkoholkonsumtion 

liter per år relaterade till trafikolyckor med motorfordon SDR per 100 000 invånare, självmord SDR per 

100 000 invånare för olika europeiska länder. År 1990. 

Nation GNP, US Utbildning, Årlig Arbetslösa Romersk- SDR motor SDR 

dollar per antal år alkohol- (%) katoliker trafikolyckor Självmord 

capita konsumtion (%) /100 000 och 

(liter) inv. självtillfogad 

skada/ 

100 000 inv. 

Belgien 15 440 10,7 9,9 9,60 84 17,16 17,53 

Danmark 22 090 10,4 9,7 9,70


Tabell 2. Dikotomiserade värden av GNP, antal utbildningsår, arbetslöshet, andel katoliker i befolkningen, 

alkoholkonsumtion liter/år, trafikolyckor med motorfordon SDR per 100 000 invånare, självmord 

SDR per 100 000 invånare för olika europeiska länder. År 1990. 

Nation GNP Utbildning, Alkohol- Arbetslösa Romersk- SDR motor SDR 

antal år konsumtion (%) katoliker trafikolyckor Självmord 

(%) olyckor och 

100 000 inv. självtillfogad 

skada/ 

/100 000 inv. 

Belgien 1 1 1 1 1 1 1 

Danmark 1 1 1 1 0 0 1 

Finland 1 1 0 0 0 0 1 

Frankrike 1 1 1 1 1 1 1 

Irland 0 0 0 1 1 1 0 

Italien 1 0 1 1 1 1 0 

Nederländerna 1 1 0 0 0 0 0 

Norge 1 1 0 0 0 0 1 

Portugal 0 0 1 0 1 1 0 

Spanien 0 0 1 1 1 1 0 

Sverige 1 1 0 0 0 0 1 

Storbritannien 1 1 0 0 0 0 0 

Dessa värden anordnas sen efter utfallet i tabell 3.


Tabell 3. Dikotomiserade värden av GNP, antal utbildningsår, arbetslöshet, andel katoliker i befolkningen 

och alkoholkonsumtion liter per år ordnade efter trafikolyckor med motorfordon SDR per 100 000 invånare, 

självmord SDR per 100 000 invånare för olika europeiska länder. År 1990. 

SDR SDR GNP Utbild- Alkohol Arbets- Romersk- Nation 

motor- själv- ning, konsum- lösa katoliker 

trafik- mord och antal år tion (%) (%) 

olyckor självtillfogad 

skada 

1 1 1 1 1 1 1 Belgien 

1 1 1 1 1 1 1 Frankrike 

1 0 0 0 0 1 1 Irland 

1 0 1 0 1 1 1 Italien 

1 0 0 0 1 0 1 Portugal 

1 0 0 0 1 1 1 Spanien 

0 1 1 1 1 1 0 Danmark 

0 1 1 1 0 0 0 Finland 

0 1 1 1 0 0 0 Norge 

0 1 1 1 0 0 0 Sverige 

0 0 1 1 0 0 0 Nederländerna 

0 0 1 1 0 0 0 Storbritannien 

Tabellen visar ett mönster där utfallet i kombination med förutsättningarna 

bildar fyra grupper. Dessa är: 

Grupp 1, som har höga värden både på trafikdödlighet och självmord 

består av Belgien och Frankrike som visar på samma mönster. Både Belgien 

och Frankrike har höga värden på både potentiellt negativa och potentiellt 

positiva förutsättningar, det vill säga de har både hög arbetslöshet och hög 

alkoholkonsumtion, en hög utbildningsnivå och hög GNP. De är också 

huvudsakligen katolska länder. 

Grupp 2 har hög trafikdödlighet och få självmord, låg utbildningsnivå, 

hög arbetslöshet, låg GNP, många katoliker och en hög alkoholkonsumtion. 

Det finns vissa undantag; Irland har låg alkoholkonsumtion, Portugal 

har låg arbetslöshet medan Italien har hög GNP.


Grupp 3, som har låg trafikdödlighet och många självmord visar ett 

motsatt mönster mot grupp 2. De ingående länderna har en hög utbildningsnivå, 

låg arbetslöshet, hög GNP, få katoliker och en låg alkoholkonsumtion. 

Ett undantag är Danmark som visar på en hög arbetslöshet och en 

hög alkoholkonsumtion. 

Grupp 4, som har både låg trafikdödlighet och få självmord, har låga 

värden på alla ingående förutsättningar förutom utbildning och GNP. 

2. Testa samstämmigheten i data, beskriva olika förhållanden som förekommer 

samtidigt som en viss företeelse förekommer/ej förekommer. 

Ett exempel på detta är hur olika variabler förekommer samtidigt i olika 

kommungrupper i Sverige (4). 

I tabell 4 och 5 görs ett försök att se vilka mönster som skapas av socioekonomiska 

variabler och deras relation till ohälsotalet och medellivslängden. 

De kommungrupper som har sämst värden har tilldelats en (röd) 3:a, 

de med bäst värden en (blå) 1:a och de mittemellan en (orange) 2:a. I vissa 

fall är det inte självklart vad som är bäst respektive sämst, och siffrorna 

uttrycker då ett kvantitativt mått, inte en värdering. 

Tabellerna visar att den kommungrupp som generellt har flest bra värden 

är förortskommunerna. De enda variabler där förortskommunerna har 

höga (dåliga värden) är antal brott och andel som är född i Sverige. Om 

andelen född utomlands, eller inte i Sverige, är ett problemmått kan självklart 

diskuteras. 

Storstäderna har antingen bra eller dåliga värden. Inkomstvariablerna 

är ofta bra, utbildningen är bra, men det finns också mycket brott och lågt 

valdeltagande. Behörigheten till gymnasieskolan är också låg. 

Större städer har många bra och medelbra värden samt några dåliga. De 

har många brott, många arbetslösa och många med låg disponibel inkomst. 

De bra värdena är att de har lågt ohälsotal, hög medellivslängd och en bra 

relation mellan låginkomsttagare och höginkomsttagare. Större städer kan 

ses som ett mellanting mellan storstäder och förortskommuner i och med 

att de har en del, men inte alla storstadens nackdelar. 

Medelstora städer och övriga större kommuner har många medelbra 

värden. Skillnaden dem emellan är att de medelstora städerna har en hög 

andel brott, medan övriga större kommuner har en hög medellivslängd.


Industrikommuner har många medelbra värden. För kvinnorna är dock 

ohälsotalet högt men för männen lågt. Männen har låg arbetslöshet. Den 

disponibla inkomsten för sammanboende med barn är låg. 

I de övriga kommungrupperna (landsbygds-, glesbygds- och mindre 

kommuner) är inkomsten lägre, ohälsotalet högre, andelen född i Sverige 

högre och man har mindre andel brott. Tydligt är också att dessa kommuner 

har högst behörighet till gymnasieskolan. Vad gäller antalet förtidspensionerade 

ligger detta i glesbygdskommunerna högt över de övriga kommungrupperna. 

Män har höga ohälsotal i glesbygdskommuner men också i storstäder 

och övriga mindre kommuner. Kvinnor har höga ohälsotal framför allt i 

glesbygdskommuner, industrikommuner och övriga mindre och större 

kommuner. Ohälsotalen är låga framför allt i förortskommuner för både 

män och kvinnor. 

För flera indikatorer finns ett mönster där glesbygdskommuner och 

förortskommuner kan ses som ytterligheter, ofta har förortskommunerna 

det bästa värdet och glesbygdskommunerna det sämsta. Detta gäller för 

olika ekonomiska mått – andelen låginkomsttagare i relation till andel 

höginkomsttagare är åtta gånger större i glesbygdskommuner än i förortskommuner. 

Det gäller också för arbetsrelaterade mått, som förtidspensionerade 

och arbetsskador. 

Det finns andra indikatorer där glesbygdskommuner och storstäder 

delar på de dåliga värdena. Det gäller exempelvis disponibel inkomst totalt, 

där även ensamstående personer ingår, och valdeltagande. 

Andelen utrikesfödda är fler större i städer, inklusive förortskommuner, 

och lägre i glesbygdskommuner och mindre kommuner. Antal anmälda 

brott per 100 000 invånare är också vanligare i städer, även medelstora 

sådana.


Tabell 4. Män 

Kommungrupp Befolkning Ohälsotal Medel- Fattiga Inkom Inkomst Födelse- Brott Valdel- Behörig Arbets- Förtids- 

25–54 år tal livslängd kommu- samband total land tagande Gymnasie- lös pens. 

ner med barn kommunval skolan 20–64 år 60–64 år 

1998 

Storstäder 1 3 3 1 1 3 3 3 3 3 3 2 

Förortskommuner 1 1 1 1 1 1 3 3 1 1 1 1 

Större städer 1 1 1 1 1 3 3 3 2 2 3 2 

Medelstora städer 2 2 2 2 2 2 2 3 2 2 3 2 

Industrikommuner 2 1 2 2 3 2 2 2 2 2 1 2 

Landsbygdskommuner 3 2 2 3 3 3 1 2 2 2 1 2 

Glesbygdskommuner 3 3 3 3 3 3 1 1 3 1 3 3 

Övriga större kommuner 2 2 1 2 2 2 2 2 2 2 2 2 

Övriga mindre kommuner 2 3 2 3 3 2 2 1 3 1 2 2

Tabell 5. Kvinnor 

Kommungrupp Befolkning Ohälsotal Medel- Fattiga Inkom Inkomst Födelse- Brott Valdel- Behörig Arbets- Förtids- 

25–54 år tal livslängd kommu- samband total land tagande Gymnasie- lös pens. 

ner med barn kommunval skolan 20–64 år 60–64 år 

1998 

Storstäder 1 1 3 1 1 3 3 3 3 3 3 1 

Förortskommuner 1 1 1 1 1 1 3 3 1 2 1 1 

Större städer 1 1 1 1 1 3 3 3 2 3 3 2 

Medelstora städer 2 2 2 2 2 2 2 3 2 3 3 2 

Industrikommuner 2 3 2 2 3 2 2 2 2 2 2 2 

Landsbygdskommuner 3 2 2 3 3 3 1 2 2 2 2 1 

Glesbygdskommuner 3 3 3 3 3 3 1 1 3 1 1 3 

Övriga större kommuner 2 3 2 2 2 2 2 2 2 1 2 2 


Övriga mindre kommuner 2 3 2 3 3 2 2 1 3 1 2 2


Definitioner 

Arbetslösa 

Andelen öppet arbetslösa i åldern 20–64 år. Mars 2002. Öppet 

arbetslösa är de som registreras i kategorierna 11 Arbetslösa, platsförmedlingsservice; 

12 Arbetslösa, vägledningsservice och 13 

Arbetslösa, erbjuden samt väntar på beslutad åtgärd. Statistiken över 

arbetssökande framställs från ett register som förs av Arbetsmarknadsstyrelsen. 

Uppgifterna hämtas kontinuerligt från de registerkort 

som arbetsförmedlingarna upprättar för varje arbetssökande. 

Källa: Arbetsmarknadsstyrelsen. 

Behöriga till gymnasiet 

Andelen behöriga till gymnasieskolan. Vårterminen 2001. Andelen 

beräknas av dem som fått eller skulle ha fått betyg enligt det mål- och 

kunskapsrelaterade betygssystemet. Elever som lämnat årskurs 9 

utan slutbetyg ingår således. Betygen mäts före prövning. För att en 

elev skall vara behörig till gymnasieskolan krävs minst betyget godkänd 

i ämnena svenska/svenska som andraspråk, engelska och matematik. 

Källa: Skolverket. 

Brott 

Antalet anmälda brott per 100 000 invånare. 2001. Medelfolkmängden 

har använts i beräkningarna. Vissa brott ingår inte på kommunnivå, 

på grund av att brott under resor och brott utomlands inte har 

kunnat registreras. Uppgifter om dessa finns dock på läns- och riksnivå. 

År 2001 var de drygt 6 procent av totalt anmälda brott för riket. 

Källa: Brottsförebyggande rådet. 

Förtidspensionärer 

Andelen förtidspensionärer i åldern 60–64 år. December 2001. Som 

förtidspensionärer räknas personer med deltidspension samt personer 

med sjukbidrag. Endast förtidspensionärer bosatta i riket ingår. 

Källa: Riksförsäkringsverket.


Inkomst familjer 20+ 

Disponibel medianinkomst för familjer där hushållsföreståndaren är 

minst 20 år gammal. 1999. Disponibel inkomst är vad som återstår 

för konsumtion och sparande sedan man från bruttoinkomsten 

dragit slutlig skatt och lagt till skattefria bidrag, till exempel barnbidrag 

eller bostadsbidrag. Uppgiften gäller befolkningen den 31 

december 1999. 

Källa: SCB, Totalräknad inkomst och förmögenhetsstatistik. 

Inkomst par med barn 

Disponibel medianinkomst för gifta par som bor tillsammans samt 

ogifta sammanboende med gemensamma barn. Paren har minst ett 

hemmavarande barn yngre än 18 år. 1999. Disponibel inkomst är 

vad som återstår för konsumtion och sparande sedan man från bruttoinkomsten 

dragit slutlig skatt och lagt till skattefria bidrag, till 

exempel barnbidrag eller bostadsbidrag. Uppgiften gäller familjer 

enligt befolkningen den 31 december 1999. 

Källa: SCB, Totalräknad inkomst och förmögenhetsstatistik. 

”Fattiga kommuner” 

Kvoten mellan andelen låginkomsttagare och andelen höginkomsttagare 

kan sägas vara ett fattigdomsmått. Ju högre siffra, desto större 

fattigdom i ett område. Det finns då många låginkomsttagare och få 

höginkomsttagare. Värdet 2 anses vara en fattigdomsgräns. Kvoten 

är däremot inget ojämlikhetsmått. En kommun kan få ett lågt värde 

om det finns både många höginkomsttagare och många låginkomsttagare. 

Se förklaringarna för respektive gräns nedan. 

Födelseland 

Andelen födda i Sverige, OECD-länderna, Finland, Sydeuropa, 

Östeuropa och övriga länder (utomeuropeiska). 2001. Till födda i 

Sverige räknas personer födda inom riket, oavsett om föräldrarna är 

födda i eller utanför riket. Indelningen utgår från rapporten Födelselandets 

betydelse – en rapport om hälsan hos olika invandrargrupper


i Sverige. Rapporten är utgiven av Statens folkhälsoinstitut. 

Källa: SCB, Befolkningsstatistik. 

Förtidspensionärer 

Andelen förtidspensionärer i åldern 60–64 år. December 2001. Som 

förtidspensionärer räknas personer med deltidspension samt personer 

med sjukbidrag. Endast förtidspensionärer bosatta i riket ingår. 

Källa: Riksförsäkringsverket. 

Höginkomsttagare 

Höginkomstgränsen definieras som den sammanräknade inkomst, 

som de 20 procent av de manliga inkomsttagarna i riket som har 

högst inkomst, ligger över. Gränsen varierar således mellan olika år, 

och har beräknats utifrån männens inkomst. Kvinnor har oftare deltidsarbete, 

därför har vi valt att inte ha med kvinnor. Höginkomstgränsen 

var 298 300 kronor år 1998. 

Källa: Socialstyrelsen, Epidemiologiskt centrum. 

Låginkomsttagare 

Låginkomstgränsen definieras som den sammanräknade inkomst, 

som de 20 procent av de manliga inkomsttagare i riket som har lägst 

inkomst, ligger under. Gränsen varierar således mellan olika år, och 

har beräknats utifrån männens inkomst. Kvinnor har oftare deltidsarbete, 

därför har vi valt att inte ha med kvinnor. Låginkomstgränsen 

var 135 000 kronor år 1998. 

Källa: Socialstyrelsen, Epidemiologiskt centrum. 

Medellivslängd 

Återstående medellivslängd vid födelsen. 1991–2000, genomsnitt. 

Källa: SCB, Befolkningsstatistik. 

Ohälsotal 

Ohälsotalet för personer i åldern 20–64 år. 2000. Ohälsotalet kan 

tolkas som ohälsodagar per person och år. Summan av antalet sjuk-


penningdagar, dagar med förtidspension eller sjukbidrag, dagar med 

rehabiliteringsersättning och dagar med förebyggande sjukpenning, 

divideras med summan av antalet sjukförsäkrade och förtidspensionärer. 

De första 14 dagarna av en sjukperiod betalas av arbetsgivaren 

och ingår därför inte. 

Källa: Riksförsäkringsverket. 

Valdeltagande kommun 

Andelen röstande i kommunalvalet av de röstberättigade. 1998. Med 

röstberättigade menas personer som är inskrivna i röstlängden. 

Källa: SCB, Allmänna valen 1998. 

3. Att testa teorier gentemot empiriska data och antingen förkasta eller 

stärka teorier. 

Sakura Yamasaki (5) analyserar kärnkraftsavvecklingen i relation till den 

politiska debatten i olika länder. Hon testar olika hypoteser: 

1. När kärnkraftsavveckling ägs av ett politiskt parti och/eller diskuteras 

offentligt, har den större chans att genomföras. 

2. Kärnkraftsavvecklingen har större möjlighet att genomföras i ett samhälle 

med postmateriella värderingar och om det finns allierade i de etablerade 

politiska partierna. 

Elva europeiska länder har haft kärnkraft: Österrike, Belgien, Schweiz, 

Tyskland, Spanien, Finland, Frankrike, Italien, Nederländerna, Sverige och 

Storbritannien. I sju länder har en avveckling skett: Österrike 1987, Belgien 

2002, Tyskland 2000, Spanien 1984, Italien 1987, Nederländerna 1994 

och Sverige 1997. Även Japan inkluderas i studien. Belgien, Spanien och 

Finland är inte med i analysen här på grund av att data saknas. 

Varje land redovisas för två tidpunkter, före och efter 1986, det vill säga 

före och efter kärnkraftolyckan i Tjernobyl. 

När begrepp skrivs med versaler är det en hög förekomst, medan gemena 

(små) bokstäver betyder att förekomsten är liten.


Förutsättningar: 

AGENDA – kärnkraftspolitiken har varit varit på agendan 

OWNED – varit i något partis program 

PUBLIC – kärnkraftspolitiken har diskuterats 

ALLIA – när politiken hade allierade bland politiska partier 

MOOD – being post-material 

Vid analysen får man fram följande uttryck: 

AGENDA = MOOD*ALLIA + PUBLIC*ALLIA 

Det innebär att kärnkraftsavveckling är på agendan när det finns postmateriella 

värderingar (MOOD) i kombination med att den har allierade i 

politiken (ALLIA) eller när den diskuteras allmänt (PUBLIC) i kombination 

med att den har allierade i politiken (ALLIA). 

Eftersom ALLIA förekommer i båda deluttrycken kan formeln förkortas 

till: 

ALLIA(MOOD + PUBLIC) 

Avveckling av kärnkraften är på agendan när det finns allierade i traditionella 

partier i kombination med att det antingen finns postmateriella 

värderingar i samhället eller att frågan diskuteras allmänt. 

Det negativa uttrycket, det vill säga det som beskriver icke-förekomst av 

det studerade utfallet är: 

agenda = allia (owned + public mood + PUBLIC MOOD) 

Om det inte finns några allierade bland traditionella partier, spelar det 

ingen roll om kärnkraftspolitken diskuteras eller om det finns post-materiella 

värderingar. Enbart det faktum att det finns allierade leder inte till att 

frågan kommer på agendan (se ovan). 

Kritik 

QCA är fortfarande en relativt ny metod och har utsatts för en del kritik. I 

en review-artikel av Benoit Rihoux (2) beskrivs denna och svaren på kritiken 

på följande sätt: 

1. Dikotomiseringen av data ger förlust av information. Skälen för tröskelvärden 

är ibland oklara och redovisas inte. 

Svaret på kritiken är att tröskelvärdena skall vara teoretiskt motiverade


eller att tröskelvärdena kan utarbetas induktivt, det vill säga under analysens 

gång. Det finns i dag metoder för att undvika tudelningen, med hjälp 

av dataprogrammet Tosmana. I Tosmana kan man visuellt se var de olika 

fallen ligger längs en X-axel och med hänsyn till detta bestämma var man 

vill lägga de olika gränserna (http://www.compasss.org). 

2. I analysen uppkommer rent logiska fall, som enbart finns i teorin och 

ej i verkligheten. En sanningstabell, ett begrepp som används av Ragin, 

skall innehålla alla teoretiskt möjliga kombinationer, inte bara de som finns 

i verkligheten. 

Svaret på den kritiken är att alla analyser är förenklande, till skillnad 

från många andra metoder syns detta i QCA. 

3. QCA är alltför känslig för enskilda fall, eftersom ett fall kan förändra 

resultatet totalt. 

Svaret på den kritiken är att avsikten inte är att hitta den enda lösningen 

utan olika lösningar och hur dessa är kopplade till det enskilda fallet. Därför 

kan ett enstaka fall göra att man upptäcker en ny lösning. 

4. Urvalet av variabler är enligt vissa svårare att göra i QCA än i andra 

analyser, eftersom forskaren är begränsad till ett fåtal variabler. 

Svaret på detta är att det är en utmaning för alla forskare att välja vilka 

variabler man skall studera. QCA kan hjälpa till genom möjligheten att 

genomföra olika explorativa analyser där forskaren undersöker varje variabel 

för sig och ofta sedan sammanfogar flera variabler till en makrovariabel. 

5. I samhällsvetenskapen är oberoende variabler ofta inte oberoende av 

varandra utan ihopkopplade. 

Svaret är att QCA inte talar om beroende eller oberoende variabler utan 

förutsättningar (conditions). 

6. Problemet med svarta lådan, det vill säga att man inte ser hur slutsatserna 

dras. 

Svaret på detta är att det inte är ett mål för QCA att visa upp innehållet i 

svarta lådan, utan att detta är en uppgift för forskaren. 

7. QCA är statisk vilket även författaren tycker är ett problem. Tidsdimensionen 

går inte att inkludera i analysen. Tidsdimension kan dock införlivas 

i QCA genom att bland annat operationalisera vissa förhållanden så 

att de blir dynamiska. Fallen kan också väljas med den utgångspunkten.


Man kan till exempel ha fall från olika tidpunkter, före och efter en viss viktig 

händelse. 

Jämförelse med andra metoder 

Olli Kangas (6) har gjort en jämförelse mellan regressionsanalyser, klusteranalyser 

och QCA. 

Han utgick från en indelning i tre typer av välfärdsnationer: den socialdemokratiska, 

den liberala och den korporativistiska. Studieobjektet var 

betydelsen av en mobiliserad arbetarklass, styrkan i de kristdemokratiska 

partierna och den politiska högerns svaghet. Den beroende variabeln var 

ett additivt index som mätte kvaliteten på sjukförsäkringen. Ingående faktorer 

i denna var inkomstbortfall, karensdagar och hur länge man skulle ha 

varit anställd innan försäkringen börjar gälla. Hypotesen var att välfärden 

ansågs viktigare om de borgerliga partierna var splittrade, om arbetarklassen 

var mobiliserad och om de kristdemokratiska partierna var starka. 

I regressionsanalysen användes ordinary least square (OLS), som exkluderar 

outliers. Två tidpunkter mäts, 1950 och 1985. För 1985 styrks betydelsen 

av kristna partier, för 1985 betydelsen av en enad arbetarklass och 

även en splittrad borgerlighet. 

I QCA-analysen använder man medelvärdet som gräns. De länder som 

överskrider gränsvärdet får en 1:a, övriga tilldelas en 0:a. QCA bekräftade 

resultaten. Före 1950 var kristna partier den viktigaste orsaken till högt 

skydd. För 1985 visade resultaten att ett högt skydd kan fås både i länder 

med starka kristdemokratiska partier och i länder med en stark mobilisering 

av arbetarklassen och ett svagt borgerligt block. En viss nyansering av 

resultaten skedde, en stark arbetarklass kombinerad med en enad borgerlighet 

ger ett svagt försäkringsskydd. QCA visar också att ett relativt starkt 

borgerligt block inför ett starkt försäkringssystem enbart om detta har religiös 

förankring. QCA visar lättare på flerorsakssamband där ett relativt 

litet antal fall inte tillåter ett nyanserat användande av regressionsanalyser. 

Svagheten med QCA är att en förändring för ett enstaka värde kan leda 

till stora förändringar i orsaksanalysen. Dessutom kan den dikotoma indelningen 

av variabler leda till överförenkling. I jämförelse med regressionsanalyser 

är det svårare att bestämma hur stor inverkan olika variabler har. 

Även en variabel som har liten betydelse blir kvar om den inte är logiskt 

onödig. Detta kan dock tas hänsyn till genom urvalet av förklaringsvariab-

ler. Kangas förordar en parallell användning av regressionsanalys jämsides 

med QCA för att lösa detta problem. 

”All in all, although the different approaches can be regarded as appropriate 

tools when seeking answers to different kinds of research problems, 

this study has shown that the results from analyses using divergent methods 

seem to be fairly compatible with each other, at least in the area of welfarestudies. 

Therefore, treating these approaches as mutually exclusive – not to 

speak of epistemologically contradictory – would be an exaggeration. Rather 

than mutually exclusive, they are alternative or parallel research 

options for expanding our understanding of social reality.” (6 sid. 18). 

Gemensamma problem för alla metoder är: hur väljer man relevanta variabler 

och hur kodas och presenteras empirin – dikotomt eller kontinuerligt? 

Referenser 


1. Ragin C. The Comparative Method: Moving Beyond Qualitative and 

Quantitative Strategies. Berkeley: University of California Press; 1987. 

2. Rihoux B. Bridging the Gap between the Qualitative and Quantitative 

Worlds? A Retrospective View on Qualitative Comparative Analysis. 

Field Methods 2003;Vol 15(No 4):351-65. 

3. Melinder K, Andersson R. The impact of structural factors on the injury rate 

in different European countries. European Journal of Public Health 

2001; 11:301-8. 

4. Melinder K. Hälsan och dess bestämningsfaktorer i olika typer av kommuner. 

Rapport 2003:49. Stockholm: Statens folkhälsoinstitut; 2003. 

ISSN 1651-8624. 

5. Yamasaki S. Testing hypotheses with QCA: application to the nuclear 

phase-out in 9 OECD countries. Working paper. 

http://smalln.spri.ucl.ac.be 

6. Kangas O. Macrosociological Comparative Methodology. On 

Regressions, Qualitative Comparisons and Cluster Analysis in the 

Politics of Socal Security. Meddelande 2/1992. Institutet för Social 

Forskning; 1992.

Del C: 

DATAKÄLLOR 

platsen, individen och folkhälsan – teorier, metoder och tolkningar 307


1. 


VAD KAN MAN VETA? 

Anders Schærström, Owe Löfman, Danuta Biterman, Susanne Holland


1. 

VAD KAN MAN VETA? 

Anders Schærström, Owe Löfman, Danuta Biterman, Susanne Holland 

I den här avdelningen går vi igenom flera viktiga källor till data som är 

användbara när man vill söka sammanhang mellan hälsa och de förhållanden 

som råder i olika geografiska områden. Som vi tidigare har beskrivit är 

området ett begrepp som kan uppfattas på otaliga sätt – baserade på såväl 

subjektiva som objektiva kriterier – och att intrycken av samband mellan 

hälsa och omgivning kan skifta beroende på områdesindelningen. Vi går 

framför allt igenom var man kan finna uppgifter om socioekonomiska 

bestämningsfaktorer och om den fysiska miljön. Vi diskuterar var uppgifterna 

kommer ifrån och betonar särskilt hur uppgifterna är knutna till 

olika områden eller lägen. Vi berör också i förbigående var man finner 

demografiska data och bakgrundsuppgifter om hur Sverige officiellt är 

indelat i olika slags områden. 

Vad kan man veta? 

vad kan man veta? 311 

Register, databaser och statistik – individmått och områdesmått 

Vi vill gärna förstå sambanden mellan hälsa eller ohälsa och omgivningen i 

olika områden. Därför söker vi efter korrelationer mellan hälsotillståndet 

och vissa omständigheter för att kanske finna orsakssamband och kunna 

jämföra förhållanden i olika områden. 

Men vad kan vi egentligen veta och hur kan vi veta det? Det finns gott 

om redan insamlat material i form av register, databaser och statistik, men 

för att man ska uppfatta informationen rätt och dra riktiga slutsatser behöver 

man reflektera över vad uppgifterna står för. Var kommer uppgifterna 

ursprungligen ifrån? Hur tillförlitliga är de? Låter de sig jämföras med 

andra uppgifter?


Bestämningsfaktorer och hälsoindikatorer 

Det är två slags information vi främst har anledning att söka efter, nämligen 

hälsoindikatorer och bestämningsfaktorer. Hälsoindikatorer är betydligt 

mer än uppgifter om morbiditet, mortalitet eller enskilda sjukdomsdiagnoser 

(hälsoutfallet). Bestämningsfaktorer är den term man brukar 

använda i folkhälsosammanhang som gemensam benämning på alla faktorer 

som påverkar hälsotillståndet. Man kan också tala om determinanter 

och bakomliggande orsaker. Bestämningsfaktor är ett mycket vidare 

begrepp än orsaker, eftersom många omständigheter kan samverka i kedjor 

och många tillstånd av ohälsa är mångfaktoriella – de har inte bara en viss 

orsak utan hänger samman med flera samverkande förhållanden. När det 

inte finns någon mätbar faktor som entydigt kan kopplas till hälsoeffekter 

kan man använda andra indikatorer som proxies (ställföreträdande variabler). 

Var kommer uppgifterna ifrån? 

Man kan skilja mellan olika slags mått utifrån var man hämtar ursprungsinformationen. 

Informationen kan ursprungligen härröra från och avse 

enskilda individer (ibland hushåll), anläggningar eller andra objekt av 

något slag (exempelvis fastigheter eller juridiska personer såsom företag), 

enskilda mätpunkter i landskapet eller ett helt område som sådant. 

Ytterligare ett ursprung till data är händelser. Sådana kan ofta knytas till 

viss plats och tid. Vissa händelser, exempelvis trafikolyckor, brott eller 

bränder, kan i regel lägesbestämmas mycket noggrant till en fastighet eller 

en punkt på en väg. I andra fall kan det visserligen vara lätt att fastställa var 

och när något har inträffat, men händelserna kan få ett mera långdraget 

förlopp som berör större områden – exempelvis utsläpp av gaser och radioaktivitet. 

För att man ska kunna se mönster måste de enskilda uppgifterna på 

något vis ställas samman och jämföras i vidare perspektiv. Information om 

enskilda individer kan aggregeras på olika vis – summeras eller anges med 

statistiska mått (centralmått och spridningsmått) – antingen för en population 

som bor inom ett visst område eller för någon annan gruppering. På 

liknande sätt kan man hantera hushåll, fastigheter och händelser. Viss 

information om kontinuerliga variabler hämtas från mätpunkter i terrängen 

(meteorologisk information, uppgifter om luftföreningar, buller etc.).


Med hjälp av mätvärdena kan man eventuellt antingen interpolera värden 

mellan mätpunkterna för att få fram nyanser eller låta värdena gälla för 

större områden. Information kan också gälla ett helt administrativt område 

i sig (exempelvis areal, områdestyp eller kommuntyp). 

Vidare kan man härleda nya uppgifter genom att kombinera data 

(exempelvis genomsnittlig folktäthet, inkomstspridning [Gini-koefficient 1 

], 

bostadsbeståndets ålder, sjukpenningdagar per person eller andel arbetslösa). 

Många uppgifter är på så sätt härledda från mätningar som ytterst bygger 

på enskilda individer eller juridiska personer och dessa uppgifter får 

känneteckna hela områden. Andra uppgifter är inte hämtade från enskilda 

personer eller hushåll utan uppmätta exempelvis för en hel kommun, men 

Primäruppgifter Härledda uppgifter 

Typ Exempel Typ Exempel 

Individdata Inkomst Aggregerade individdata Folkmängd 

Sysselsättningsstatus Median disponibel inkomst 

Sjukfrånvaro Andel arbetslösa 

Andel sjukskrivna 

Fastighetsdata Byggnadsår Summerade data Andel hus byggda under en 

Byggnadsmaterial viss period. 

Andel hus med förhöjda 

radonvärden 

Företagsdata Antal anställda 

Näringsgren 

Summerade data Näringsstruktur 

Miljödata från Dricksvattenkvalitet Genomsnittsdata, pH-värde i områdets 

mätpunkter Buller, t.ex. dB i interpolerade data, dricksvatten 

gatukorsning summerade data Genomsnittlig dB i området 

Utsläpp Utsläpp av fosfor från 

reningsverk ton/år 

Områdesanknutna Areal Genomsnittsdata Invånare/km 2 

egenskaper Politisk majoritet Typdata (nominal- eller kommuntyp (bygger på folkordinalskala) 

mängd, näringsstruktur m.m.) 

Mätningar som utföresAvfallsmängd Genomsnittsdata Hushållsavfall ton/capita 

på annan nivå än Försäljning i Försäljning av alkohol/capita 

hushåll och individer systembutik 

Energibalans 

Händelser Trafikolycka Summerade data Antal trafikolyckor ett visst år 

Brand Antal utryckningar ett visst år 

Dödsfall i trafikolyckor visst år 

1 Gini-koefficienten är ett mått på inkomstdistributionen. Att koefficienten är 0 betyder att inkomsten 

är helt jämnt fördelad och värdet 1 betyder en extremt sned fördelning. Måttet är uppkallat 

efter ekonomen Corrado Gini (1).


genomsnitt för individer kan ändå beräknas, exempelvis hushållsavfall som 

mäts vid uppsamlingsplatsen, eller alkoholförsäljning. 

Validitet, reliabilitet och mätbarhet 

Således har vi att göra med data som avser områden i sig själva, data som 

avser summan av de människor som bor inom ett områdes gränser (eller 

summor av annat som förekommer inom området) och data som är härledda 

ur dessa, exempelvis som kvoter. Vi har kanske också information som 

är uppskattad för ett område på grundval av punktvisa observationer. Hur 

tillförlitliga är då alla dessa uppgifter? Kan de jämföras med varandra på 

ett meningsfullt sätt? Det finns flera skäl att reflektera kring mätbarheten, 

validiteten och reliabiliteten hos de variabler som hänförs till områden. 

En fråga man först och främst har anledning att ställa är hur valida uppgifterna 

är. Hur väl motsvarar variabeln det man vill mäta? Täcker uppgifterna 

i källorna vad de avser att visa? Omfattar de hela populationer eller 

urval? Hur representativt är urvalet? Vad redovisas om bortfall i urvalsundersökningar? 

Om materialet bygger på en total population – hur väl stämmer 

det med faktiska förhållanden? Saknas individer eller objekt som 

borde ha varit med (undertäckning) eller finns några med som inte borde 

vara där (övertäckning)? 

Mätbarhet, precision 

Många omständigheter som man vill komma åt är svåra att mäta, därför 

att de inte entydigt kan knytas till ett visst läge eller område eller på grund 

av att de varierar i tiden. Mätfel kan inträffa och det händer ibland att 

sakuppgifter blir felklassificerade eller felregistrerade i register, exempelvis 

beträffande sjukdomsdiagnoser och andra uppgifter som rör enskilda fall. 

Ytterligare en omständighet som man har anledning att tänka på är om 

uppgifterna är jämförbara i tiden. Det mesta här i världen är föränderligt, 

åtminstone i långa perspektiv. Därför bör man se upp med variationer – 

antingen cykliska sådana (såsom konjunkturer eller årstidsväxlingar) eller 

långsiktiga (trender och förändringar). Det kan vara särskilt problematiskt 

med slumpmässiga variationer som kan ge sig till känna när man studerar 

ganska ovanliga sjukdomar med små områden som grund. Enstaka fall kan 

ha stor procentuell betydelse och därför påverka intrycket.


När vi vill göra områdesbaserade analyser är vi dessutom särskilt intresserade 

av de uppgifter som rör den geografiska anknytningen. Lägesbestämning 

är A och O när man är ute efter samband mellan ohälsa och 

omgivning, men i praktiken kan det ofta bli problem. Vi har redan berört 

svårigheter med data som kommer från vissa mätpunkter, då man inte 

säkert kan säga hur långt ifrån själva mätpunkten som mätvärdet är relevant. 

Att lägesbestämma individdata är inte heller alltid så problemfritt 

som det skulle kunna tyckas. Människor är rörliga och i vissa fall kan det 

vara diskutabelt hur man hänför dem till platser med tanke på vad de eventuellt 

exponeras för. Bostäder och arbetsplatser kan visserligen i princip 

lägesbestämmas mycket exakt – men människor flyttar, pendlar och byter 

arbetsplatser. Att knyta individer till arbetsplatser och den exponering 

arbetet eventuellt medför innebär speciella problem. Många har rörliga 

arbeten. Arbetstagare i Sverige skulle kunna registreras på sitt egentliga 

arbetsställe, men det finns risk för felaktigheter om exempelvis alla som är 

anställda av ett större företag eller en kommun kodas på huvudkontoret 

respektive kommunkontoret i stället för filialen eller det specifika daghemmet. 

Sist men inte minst måste man reflektera över hur själva området är 

avgränsat. I det föregående har vi gång på gång hänvisat till olika sätt att 

dela in jordytan enligt olika kriterier. Vi har också talat om hur man kan 

säga att områden äger vissa egenskaper. Frågan är nu hur man kan belägga 

områdesanknutna egenskaper och vilken information som finns om sådana. 

Man kan inte heller komma undan frågan om hur relevant själva områdesindelningen 

är i det sammanhang som man är intresserad av. Eftersom 

den administrativa områdesindelningen ibland ändras kan det bli problem 

med att jämföra uppgifter vid olika tillfällen. 

Felkällor? Validitet och reliabilitet 

Generellt kan de svenska registren och databaserna sägas ha god täckning 

och hygglig validitet, men trots att de erbjuder unika möjligheter i internationell 

jämförelse så är de inte fullkomliga. Tillförlitligheten i centrala 

register beror bland annat på inrapporteringen från de primära källorna. 

Man bör dock vara medveten om att även de noggrannaste kontrollerna 

inte helt och hållet kan eliminera felen. Vid insamlingen av data kan det 

förekomma både systematiska och slumpmässiga fel. Systematiska fel kan


exempelvis uppstå beroende på vilket sätt man kodar uppgifterna eller 

uppdaterar olika definitioner och indelningar. Därför bör man sträva efter 

att alltid genomföra logiska kontroller av de registerutdrag som man har 

fått i syfte att eliminera förekomsten av systematiska fel så långt som möjligt. 

Det är svårare att komma åt slumpmässiga fel. Ibland kan man göra en 

egen validering med hjälp av stickprovskontroller mot andra källor (golden 

standard). Om projektbudgeten medger kan mer omfattande validering 

göras till exempel mot journalhandlingar, men detta tar mycket tid i 

anspråk och är därför kostsamt. Man bör också alltid undersöka om det 

redan har genomförts valideringsstudier. 

En annan omständighet att besinna är att registeruppgifterna återger 

enbart den information som myndigheterna har om individen. Uppgifter 

om hushållssammansättning och yrke för totalbefolkningen som tidigare 

var tillgängliga via Folk- och bostadsräkning (FoB) är inte längre åtkomliga 

på samma sätt. Eftersom dessa uppgifter är centrala för att korrekt framställa 

statistik och bedriva forskning om befolkningens sociala förhållanden 

med mera, har regeringen beslutat att skapa en registerbaserad folkoch 

bostadsstatistik (arbetet påbörjas år 2005 och första uppgifterna blir 

tillgängliga 2006) samt yrkesregister (första årgång 2001). Uppgifter om 

yrke lämnas av arbetsgivare, inte av individen själv, och det har rests farhågor 

att de inte återger individens yrke utan aktuella arbetsuppgifter på en 

viss arbetsplats. Dessutom samlas uppgifterna enbart för den förvärvsarbetande 

befolkningen. För övrigt kommer inte klassificeringen enligt den gällande 

socioekonomiska indelningen (SEI) att finnas i yrkesregistret, vilket 

kan ställa till besvär i vissa situationer. Därför blir uppgifterna i dessa register 

inte sinsemellan jämförbara. 

Tillgänglighet 

Man bör vara medveten om att även om många data finns i register och 

databaser är de inte alltid lätt tillgängliga. Det kan krävas ansökan och det 

kan bli kostsamt. 

All hantering av registerinformation på individnivå kräver respekt för 

den personliga integriteten och regleras av flera lagar som har syftet att 

både skydda den enskilda individen och att beakta samhällsintresset i 

sökande efter ny kunskap.


Personuppgifter är skyddade av författningar, framför allt personuppgiftslagen 

(PUL) (1998:204), personuppgiftsförordningen (1998:1191), 

sekretesslagen (1980:100) och lagen (2003:460) om etisk prövning av 

forskning som avser människor. För att hantera personuppgifter krävs i 

regel anmälan enligt PUL och tillstånd från Datainspektionen, forskningsetisk 

kommitté eller i organisationen utsedd PUL-ansvarig. De myndigheter 

som hanterar personregister, som Socialstyrelsen och SCB, prövar också 

ansökningar om registeruttag med hänsyn till personlig integritet. 

För att få tillgång till persondata kan det alltså krävas tillstånd efter 

ansökan. Ansökan kan vid vissa tillfällen även genomgå en etisk prövning. 

Det kan hända att man får avslag och behöver överklaga, vilket kan bli 

både tidsödande och kostsamt. Möjligheten att få tillgång till personnummerdata 

från SCB att matcha med andra register och koordinater är 

begränsad, men det finns exempel på att man kan få tillgång till motsvarande 

personuppgifter om man själv kan tillhandahålla personnummer, till 

exempel hämtade ur Riksarkivets historiska uppgifter. 

Vidare kan det bli ganska kostsamt att beställa data från SCB och Lantmäteriet 

(kartor och koordinater) om det till exempel rör sig om hela länsbefolkningar 

som dessutom koordinatsätts, medan data från Riksarkivet 

och Socialstyrelsen belastas av mer marginella kostnader (några tusenlappar). 

Inom de flesta landsting finns lokala ohälsoregister över öppen och 

sluten vård och tumöruppgifter finns även på regionala onkologiska centra. 

Demografiska bakgrundsdata 

Demografiska databaser med uppgift om befolkningens fördelning på 

ålder och kön utgör en förutsättning för att kunna beräkna olika epidemiologiska 

mått. Till skillnad från många andra länder har vi i de nordiska länderna 

en hög kvalitet på våra demografiska data. Den svenska folkbokföringen 

är ständigt aktuell med högst ett par veckors eftersläpning och så gott 

som heltäckande. (De individer som av olika anledningar inte kan återfinnas 

– försvunna – registerförs i ett särskilt obefintlighetsregister.) Eftersom 

vi dessutom numera har koordinatsättning av fastigheter, kan vi i princip 

även ange med meterprecision var varje invånare bor. 

Befolkningsdata och annan statistik på aggregerad nivå kan köpas från 

SCB på exempelvis 200-metersrutor och på nyckelkodsområden (NYKO) 

eller församlingar. Koordinatsatt befolkning på individnivå kan ha en teo


retisk noggrannhet på en meter när, som motsvarar centroiden på den fastighet 

där man är mantalsskriven. En kvalitetsvariabel för koordinatangivelsen 

brukar medfölja en sådan beställning och särskilt för äldre årgångsbefolkningar 

(1970-talet) kan kvaliteten vara ofullständig. Ibland anges till 

exempel ”på församlingen skrivna”, vilket resulterar i en sämre geografisk 

upplösning 2 

eftersom det kan motsvara koordinaten i församlingspolygonen. 

Med hjälp av historiska data från folkbokföringen är det – åtminstone i 

princip – möjligt att följa varje individs flyttväg (inom landet) med samma 

noggrannhet. I studier som löper över flera år behöver man vanligtvis inte 

så hög noggrannhet. Ofta räcker det med att veta var personen bodde den 

sista december varje år. Vill man följa individers flyttvägar, till exempel för 

att få en mera nyanserad bild av exponeringen under en längre tid. kan man 

dessutom inhämta historiska årgångar av befolkningen från demografiska 

register. Senare årgångar av befolkningsdata kan man skaffa från SCB som 

även kan matcha på koordinater från lantmäteriet, till och med på individnivå 

(Fastighetsdataregistret). Äldre demografiska data kan beställas från 

Riksarkivet. 3 

Tack vare vårt unika personnummer går det att matcha data från olika 

register, till exempel hälsoutfall som tumör-, dödsorsaks- och slutenvårdsregister. 

Detta medför att vi sällan tappar några individer i uppföljningen 

av epidemiologiska studier. 

För framtiden har SCB utvecklat en ”Regional portal” som är i drift från 

årsskiftet 2004/2005. Det finns konkreta planer på ett lägenhetsregister 

och folkbokföringen ska därmed kunna baseras på lägenheter. Detta skulle 

innebära ytterligare precisering i förhållande till nuvarande registrering på 

adress och fastighet. Som geografisk lägesbestämning betyder detta kanske 

mindre än möjligheten att kombinera flera uppgifter som är knutna till 

individer och hushåll. 

2 Upplösning: geografisk noggrannhet, ett uttryck för hur små detaljer man kan urskilja på en 

karta, en flygbild eller ett satellitfoto. 

3 I andra länder baseras ibland demografiska uppgifter i epidemiologiska studier på befolkningstal 

som är interpolerade utifrån till exempel två folkräkningar som kan ligga 10 år från varandra. I 

England och USA används till exempel folkräkningsområden (enumeration districts, ED, eller 

census tracts). Engelska postkodsområden kan ha en relativt hög upplösning, medan ”block 

groups” och censusområden i USA har en grövre geografisk upplösning. Med viss bearbetning 

och adressmatchning kan den rumsliga upplösningen förfinas ytterligare även i dessa länder.



Platser och områden – karakteristika och indelningar 

SCB har uppgifter om Sveriges areella administrativa indelningar 

(län, kommuner, församlingar, försäkringskassor etc.), liksom om 

flera icke-adminstrativa indelningar till exempel postnummerområden, 

A-regioner, H-regioner, EU:s NUTS-områden). 

Landets kommuner är klassificerade i nio typer. Själva klassificeringen 

är en angelägenhet för Kommunförbundet och bygger på egenskaper 

som folkmängd, folktäthet, näringsstruktur och utpendling. 

H-regioner är en områdesindelning som utvecklades på 1960-talet. 

Enligt denna består landet av sju regioner. Dessa är de tre 

storstadsområdena, ”Större städer”, ”Mellanbygden”, ”Tätbygden” 

och ”Glesbygden”. Grunden för indelningen är kommunerna samt 

hur stor andel av befolkningen som bor på olika avstånd från kommunernas 

centra. 

Glesbygdsverket tillämpar andra definitioner på glesbygd än SCB. 

http://www.glesbygdsverket.se 

SCB ger årligen ut handboken Rikets indelningar, dels som bok, 

dels som CD, med kartor. 

Om man vill komma åt fysiska geografiska data om Sverige, kan 

man finna dessa hos Lantmäteriverket. Geografiska Sverigedata 

(GSD) är en grupp av produkter som omfattar bland annat läns- och 

kommungränser, höjdkurvor, tätortsavgränsningar och fastigheter. 

www.lantmateriet.se 

SCB är värd för Sveriges Statistiska Databaser (Statistikdatabasen), 

en samling data som är gratis tillgängliga via internet och programmet 

PC-Axis som man kan hämta på samma adress. 

(http://www.ssd.scb.se/databaser/makro/start.asp). Om man dessutom 

via SCB hämtar PX-Map kan man själv göra kartor. PX-Map 

är ett gratisprogram för Windows som arbetar mot PC-AXIS-filer 

och semikolonseparerade textfiler.



Bakgrundskartor 

Digitala kartdatafiler med lämplig (lagom) mängd bakgrundsuppgifter 

behövs för att man skall kunna orientera sig i rummet och kartans 

koordinatsystem är en förutsättning för att placera ut sjukdomsdata 

i rummet. I GIS-programmen kan lämplig typ och mängd av 

objekt lätt väljas från olika skikt, så att en för uppgiften lämplig bakgrundskarta 

(backcloth map) erhålls med rätt avvägd mängd detaljer 

(vägar, sjöar, tätorter, vattendrag etc.). Skalan kan självfallet variera 

efter behov och flertalet av de vanligaste kartorna finns numera i 

digital form och kan beställas från Lantmäteriverket. Tillgång till 

olika typer av kartor framgår av den samlade kartplan som utgivits 

av Lantmäteriet, SGU, SMHI och Sjöfartsverket (Kartplan 2004). 

Den kan även besökas på webben: www.lm.se/kartplan. Flertalet 

kartor finns i digital form i vektorformat, som är det mest användbara. 

Olika attributdata (kartlager) kan köpas separat. Exempelvis kan 

en karta med höjdkurvor köpas med olika upplösning (ekvidistans 

mellan höjd-isolinjer). Behövs enbart en bakgrundskarta kan en rasterkarta 

ibland vara tillräcklig och denna kan inlemmas med rätt 

koordinater i andra digitala karttyper (vektorformat) som en bild. 

För många tillämpningar kan det räcka det med Röda kartans skala 

(översiktskarta i skala 1:250 000) från Lantmäteriet/Metria, men 

kartor med högre upplösning är ibland nödvändiga. Det är viktigt att 

alla skikt i den slutliga digitala kartan har samma projektion och 

koordinatsystem, vanligen RT90 (2,5 gon väst) som är något av 

svensk standard. Effekterna blir annars att kartans perspektiv deformeras 

eller att olika skikt hamnar på olika ställen på jordens yta i 

GIS-programmet. I många fall behöver man själv tillverka sina kartor 

(till exempel exponeringskartor) genom digitalisering i ett GIS-program.

Läsa vidare 

Haldorson M. Statistiken i områdesdatabasen. Beskrivning av register och 

variabler samt en allmän inledning om nationell och regional statistik i Sverige. 

Version 4, 2004-02-11. SCB och Regionplane- och trafikkontoret, 

Stockholm läns landsting; 2004. 

Referenser 


1. Janlert U. Folkhälsovetenskapligt lexikon. Stockholm: Natur och Kultur, 

Folkhälsoinstitutet; 2000.

2. 

platsen, individen och folkhälsan – teorier, metoder vad och kan tolkningar man veta? 323 

UTFALLSDATA – HÄLSA OCH 

OHÄLSA Anders Schærström, Susanne Holland


2. 

utfallsdata – hälsa och ohälsa 325 

UTFALLSDATA – HÄLSA OCH 

OHÄLSA Anders Schærström, Susanne Holland 

Hälsoutfall – inte bara diagnostiserbara sjukdomar 

”Hälsoutfallet” är ett begrepp med många sidor. Det handlar förstås om 

sjukdomar och skador (såsom hjärt- och kärlsjukdomar, cancer, allergier, 

hjärnskakning eller diskbråck) – men också om motsatsen, mätbar hälsa i 

positiv mening, exempelvis försök att mäta långtidsfriska. Funktionsnedsättningar 

(av till exempel rörelseförmåga, syn och hörsel) – som inte nödvändigtvis 

är orsakade av sjukdomar eller olycksfall men resultat av långvarig 

förslitning, eventuellt påskyndad av arbetsförhållanden eller andra 

levnadsförhållanden, är en annan del av hälsoutfallet. Den subjektiva uppfattningen 

– självskattat hälsotillstånd – är ytterligare en aspekt. Till hälsoutfallet 

kan man dessutom räkna händelser som inte i sig själva är olycksfall 

eller sjukdomar, men som kan vara tecken på att något inte står rätt till, 

exempelvis aborter eller konsumtion av läkemedel. 

Flera myndigheter och institutioner har till uppgift att hålla register och 

sammanställa statistik över delar av hälsoutfallet. Vi skall här, till att börja 

med, se vilka uppgifter som några av dem samlar in och tillhandahåller för 

forskning och praktiskt hälsofrämjande arbete. 

Riksförsäkringsverket 

Riksförsäkringsverket (RFV) har hand om statistik inom socialförsäkringsområdet. 

Hit hör uppgifter om sjukförmåner, pensioner samt förmåner 

relaterade till barn, familj och handikapp. Särskilt intressant i sammanhanget 

är statistiken över sjukförmåner som omfattar ohälsotalet, sjuktalet 

och sjukpenningtalet. Uppgifterna redovisas fördelade på län. Ohälsotalet 

redovisas dessutom på kommunnivå. Ohälsotalet omfattar antalet utbetalda 

dagar med sjukpenning, arbetsskadesjukpenning, rehabiliteringspenning,


förtidspension eller sjukbidrag per individ i åldern 16–64 år. Antal sjukfall 

(eller sjukfallsfrekvens) är ett mått på hur ofta individer sjukskrivs. 

Smittskyddsinstitutet 

Smittskyddsinstitutet (SMI) följer och analyserar det epidemiologiska läget 

nationellt och internationellt i fråga om smittsamma sjukdomar liksom 

immunitetsläget i utvalda befolkningsgrupper efter genomförda vaccinationsprogram. 

Hos SMI finner man statistik över anmälningspliktiga sjukdomar, 

antibiotikaresistens, vaccination av barn, influensa samt RSVinfektioner 

(Respiratory syncytial virus). 

SmiNet är ett nationellt system för att hantera anmälningar enligt smittskyddslagen 

elektroniskt. Systemet har varit i bruk sedan 1997. Enligt 

smittskyddslagen är 54 sjukdomar anmälningspliktiga, det vill säga läkare 

som konstaterar eller misstänker fall av sådana sjukdomar skall omedelbart 

anmäla detta till landstingets smittskyddsläkare. På institutets 

internetadress finns statistiska tabeller och interaktiva kartor som redovisar 

förekomsten av sjukdomarna – samtliga anmälda fall respektive per 

100 000 invånare – på landstingsnivå och årsbas. Grafer visar antal fall per 

vecka samt trender för hela landet. Uppgifterna rapporteras av både 

behandlande läkare och laboratorier som identifierar smittämnena i de 

enskilda fallen. Här finns också fakta om sjukdomarna, deras orsaker, 

smittvägar, symtom, behandling och andra åtgärder. 

Internet: http://www.smittskyddsinstitutet.se/ 

Statistik och kartor finns på adressen: http://gis.smittskyddsinstitutet.se/ 

Socialstyrelsen 

Socialstyrelsen har hand om flera register, däribland hälsodataregister – 

Cancerregistret, Patientregistret och Medicinska födelseregistret. Samtliga 

hälsoregister regleras av lagen om hälsodataregister (1998:543) och förvaltas 

centralt vid Epidemiologiskt Centrum (EpC). EpC har också ansvar för 

ytterligare ett register, Dödsorsaksregistret, som regleras av annan lagstiftning. 

Samtliga dessa innehåller uppgifter om personnummer, diagnos och 

hemort. De personuppgifter som finns i hälsodataregistren är skyddade 

enligt sekretesslagen och får endast lämnas ut för statistik och forskning 

efter särskild prövning.


Cancerregistret upprättades 1958 och uppdateras årligen av de regionala 

cancerregistren. Bortfallet varierar från diagnos till diagnos. Patientregistret 

innehåller uppgifter om vårdtillfällen i sluten vård. Uppgifter finns 

sedan 1964, men täckningen har varierat genom åren. För den somatiska 

vården finns rapporter från samtliga sjukvårdshuvudmän sedan 1987 och 

för den psykiatriska vården med enstaka undantag sedan 1973. Kvalitetskontroller 

sker regelbundet och vissa diagnoser har validerats vid några 

tillfällen. Det medicinska födelseregistret innehåller uppgifter om alla graviditeter 

som lett till förlossning sedan 1973 samt om själva förlossningarna 

och de nyfödda. Registret har utvärderats några gånger, senast 2002. 

Dödsorsaksregistret är ett annat hälsorelaterat register som förvaltas av 

EpC. Det innehåller data sedan 1961 och uppdateras årligen. Registret, 

som är individbaserat, innehåller uppgifter om avlidnas hemorter på församlingsnivå. 

Missbildningsregistret innehåller uppgifter om allvarliga missbildningar 

som rapporterats inom sex månader efter födelsen. Uppgifterna är geografiskt 

relaterade till förlossningssjukhusen. Övriga uppgifter är moderns 

personnummer, barnets födelsedatum och kön, födelsevikt, födelselängd, 

huvudomfång, graviditetsvecka samt missbildningsdiagnos. 

Socialstyrelsen håller dessutom flera andra register som inte är direkt 

relaterade till hälsoutfall men som kan vara av intresse i folkhälsosammanhang, 

till exempel Registret över ekonomiskt bistånd. 

Utöver de uppgifter som finns i dessa register ställer Socialstyrelsen 

samman statistik över bland annat aborter, amning, medicinsk födelseregistrering 

samt sjukdomar, skador och förgiftning i sluten vård. 

Folkhälsan i Siffror är ett interaktivt program där man kan hämta statistik 

om hälsa, vårdutnyttjande och sociala förhållanden. Statistiken redovisas 

per kön, ålder och län som diagram, kartor och tabeller. I modulen Hur 

mår Sverige? finns uppgifter även på kommunnivå. Här finns uppgifter inte 

enbart om hälsoutfall (diagnoser, sjuklighet och dödlighet) utan även om 

flera sociala förhållanden. Detta presenteras utförligare senare i detta 

kapitel. 

Internet: www.socialstyrelsen.se


Statistiska centralbyrån 

Tillsammans med RFV publicerar Statistiska centralbyrån, SCB uppgifter 

om sjukfrånvaro och sjukskrivning. Sedan 1991 gör SCB på uppdrag av 

Arbetsmiljöverket (AV) en årlig enkät om arbetsorsakade besvär. Vartannat 

år sedan 1989 gör SCB en enkät om arbetsmiljöförhållanden. 

De årliga Undersökningarna av levnadsförhållanden (ULF), som började 

1975, ger uppgifter om många välfärdskomponenter samt om vissa hälsoförhållanden 

så som de svarande själva bedömer dem. Undersökningarna 

bygger på stickprov och redovisas som statistik per landstingsområde. 

Statistiken omfattar dels rena hälsoutfall eller diagnoser (såsom diabetes, 

hjärtsjukdomar och sjukdomar i andningsorganen), dels andra uppgifter 

om hälsorelaterade tillstånd eller beteenden (såsom högt blodtryck, 

rökning, BMI och läkarbesök). Tabeller och diagram är tillgängliga via 

internet. 

Internet: www.scb.se 

Läsa vidare 

Många sammanställningar av statistik om hälsoutfall är tillgängliga via Statistiska 

centralbyrån, även om andra institutioner och myndigheter beställt eller medverkat 

i insamlingsarbetet 

Arbetsorsakade besvär 2003. Sveriges Officiella Statistik. Stockholm: 

Arbetsmiljöverket och Statistiska centralbyrån. 

Ohälsa och sjukvård 1980–2000. Levnadsförhållanden rapport 95. 

Statistiska centralbyrån; 2002. 

Perspektiv på välfärden 2004. Del 3 Hälsa. Statistiska centralbyrån. 

Samlad statistik från SCB avseende ohälsa. Bakgrundsfakta till Arbetsmarknads- 

och Utbildningsstatistiken 2004:01. Statistiska centralbyrån. 

Sjukfrånvarande enligt SCB och sjukskrivna enligt RFV. Statistiska centralbyrån. 

Bakgrundsfakta till Arbetsmarknads- och Utbildningsstatistiken 

2003:4.


Sjukfrånvaro och ohälsa i Sverige – en belysning utifrån SCB:s statistik. 

Bakgrundsfakta till Arbetsmarknads- och Utbildningsstatistiken 2004:3. 


Andra källor till statistik över ohälsa finner man hos Riksförsäkringsverket (RFV) 

och Smittskyddsinstitutet (SMI) 

RFV analyserar 2003:17. Sjuka kommuner. Skillnader i sjukfrånvaro mellan 

Sveriges kommuner år 2000. 

EPI-Aktuellt. Elektroniskt nyhetsbrev som ges ut av Smittskyddsinstitutet, 

Avdelningen för epidemiologi. 

Smittskydd. Utges av Smittskyddsinstitutet (6 nummer per år). 

Folkhälsan i Siffror 

– interaktivt statistikpresentationsprogram om hälsa, vårdutnyttjande och sociala 

förhållanden 

Bakgrund 

Epidemiologiskt Centrum (EpC) vid Socialstyrelsen har som övergripande 

mål att följa och analysera befolkningens hälsa och sociala förhållanden i 

Sverige. Ett av delmålen är att stödja och stimulera användningen av epidemiologiska 

register för planering, uppföljning, utvärdering och forskning. 

Som ett första led i detta arbete utvecklade EpC Hur mår Sverige?, ett databaserat 

presentationsprogram som baserades på Health for All, utvecklat 

av WHO:s Europakontor. För att möta nya krav på tillgänglighet och 

flexibilitet utvecklades sedan det interaktiva programmet Folkhälsan i 

Siffror. 

Syfte 

Huvudsyftet med Folkhälsan i Siffror är att på ett lättillgängligt sätt förse 

olika målgrupper med aktuell statistik från de nationella hälsodataregistren 

och andra officiella statistikkällor. EpC får cirka 10 000 förfrågningar 

om statistik per år. Ytterligare ett syfte är också att data blir mer 

jämförbara, att det är mer ekonomiskt och tidsbesparande samt att 

användarna får mer tid att analysera data.


Applikationen är flexibel, framför allt i och med att den tillåter 

användaren att själv välja detaljerad statistik utifrån exempelvis åldersgrupp, 

kön, diagnoser eller geografisk nivå. 

Målgrupper 

Statistikprogrammet riktar sig såväl till flera specifika målgrupper som till 

allmänheten. De främsta användarna finns bland personal inom hälso- och 

sjukvården, samhällsmedicinska enheter, kommuner, olika myndigheter, 

forskare, studerande, politiker och journalister. Antalet som använder 

Folkhälsan i Siffror ökar stadigt. För närvarande är det omkring 5 000 

användare per månad. 

Länk till programmet 

Folkhälsan i Siffror nås via Socialstyrelsens webbplats www.sos.se/epc/fs 

Innehåll i Folkhälsan i Siffror 

Uppgifterna är hämtade från Socialstyrelsens hälsodataregister och andra 

officiella statistikkällor. Generellt är uppgifterna i Folkhälsan i Siffror tillgängliga 

med cirka 2 års eftersläpning, vilket är relativt kort tid i detta 

sammanhang. I de olika statistikmodulerna kan man studera utvecklingen 

över tid och jämföra hur det ser ut i olika delar av landet. Statistiken redovisas 

per kön, ålder och län och i Hur mår Sverige? även på kommunnivå. 

Sökning sker utifrån de olika modulerna eller statistikområdena. Inom 

respektive modul finns ett antal huvud- och undergrupper på olika detaljeringsnivå. 

Folkhälsan i Siffror presenterar statistik i följande åtta moduler: 

• Abortstatistik från och med år 1990 

Statistik avseende verkställda aborter (avidentifierad form) Tillgänglig 

statistik omfattar: 

• Antal aborter eller aborter per 1 000 kvinnor 

• Kvinnans ålder i femårsintervall eller alla åldrar sammantaget, 

graviditetslängd, abortmetod, tidigare aborter etc. 

• Enskilt år eller tidsserie 

• Uppgifter för hela riket eller för ett eller flera län (kvinnans 

hemortslän).


• Cancerstatistik från och med år 1970 

Uppgifterna hämtas från Cancerregistret. Tillgänglig statistik omfattar: 

• Antal nya cancerfall per 100 000 eller cancerincidens per 100 000 av 

medelbefolkningen efter kön, åldersstandardiserad incidens (baserad 

på olika standardpopulationer) 

• Respektive ICD kod för sig (3- eller 4-siffernivå) eller alla koder 

sammanslagna till en grupp 

• Ålder i femårsintervall eller alla åldrar sammantaget 


• Uppgifter för hela riket eller för ett eller flera län. 

• Dödsorsaksstatistik från och med år 1997 

Statistiken är baserad på Dödsorsaksregistret. Resultaten kan sammanställas 

på tre olika sätt. Man kan få en jämförelse mellan dödsorsaker, 

regioner eller åldersgrupper. Flera olika mått kan presenteras. Tillgänglig 


• Antalsuppgifter, dödstal per 100 000 av medelbefolkningen eller olika 

standardbefolkningar för åldersstandardiserade dödstal per 100 000 


• Uppgifter för hela riket eller för ett eller flera län 

• Ålder i femårsintervall eller alla åldrar sammantaget. 

• Förlossningsstatistik från och med år 1990 

Statistiken är baserad på uppgifter från det Medicinska födelseregistret. 

Man kan få uppgifter om mammor, förlossningar och nyfödda barn. 

Resultaten presenteras för hela riket, uppdelat på landsting där förlossning 

skett eller uppdelat på moderns hemortslän. Tillgänglig statistik omfattar: 

• Dödlighet (dödföddhet och död under första levnadsveckan), flerbörd 

(exempelvis tvillingar), låg födelsevikt, kort graviditetstid, kejsarsnitt, 

instrumentell förlossning (sugklocka eller tång), smärtlindring och 

rökning under graviditet 

• Enskilt år eller en tidsserie 

• Uppgifter för hela riket eller för ett eller flera län. 

I början av år 2005 kommer denna modul att utvecklas både vad gäller 

innehåll och redovisningsperiod, vilken kommer att utökas, det vill säga


från år 1973. En annan förändring är att vissa variabler kan presenteras per 

sjukhus från och med år 1999. 

• Slutenvårdsstatistik från och med år 1998 

Statistik avseende diagnoser i sluten vård från Patientregistret kan 

sammanställas på tre olika sätt. Man kan få en jämförelse mellan diagnoser, 



• Antal vårdtillfällen, vårdtillfällen per 100 000 av medelbefolkningen, 

antal patienter, patienter per 100 000 av medelbefolkningen samt 

medelvårdtid 


• Uppgifter för hela riket eller för ett eller flera län 

• Ålder i femårsintervall eller alla åldrar sammantaget. 

• Hjärtinfarktstatistik från och med år 1987 

Hjärtinfarktstatistiken baseras på en sambearbetning av Patientregistret 

och Dödsorsaksregistret och omfattar således både personer med infarkter 

som slutenvårdats och infarkter som resulterat i död utanför sjukhus. Tillgänglig 


• Antal personer, antal incidenta fall, antal skattade förstagångsfall 

samt antal döda 

• Incidens per 100 000 i medelbefolkningen samt motsvarande åldersstandardiserad 

incidens. Beräkningarna finns för såväl incidenta fall 

(attack rate) som för skattade förstagångsfall 

• Mortalitet per 100 000 i medelbefolkningen samt motsvarande 

åldersstandardiserad mortalitet 

• Letalitet beräknat som andelen döda på infarktdagen, inom 28 dagar 

samt inom ett år efter infarkt. Letaliteten kan fås även för skattade 

förstagångsfall och specifikt för sjukhusvårdade infarktpatienter. 

Statistiken kan fördelas på år, kön, ålder och län. Län kan väljas antingen 

som fallens hemortslän eller län motsvarande de landsting som bedrev vården. 

Det finns även möjlighet att jämföra olika metoder för att mäta hjärtinfarktincidensen.


• DRG-statistik från och med år 1997 

Statistik avseende diagnoser i sluten vård från Patientregistret kan 

sammanställas på tre olika sätt. Man kan få en jämförelse mellan diagnoser, 



• Antal vårdtillfällen, medelvårdtid, medelålder, andel patienter över 75 

år, antalet diagnoser, medelvikt samt summa vikt (uttryckt i DRGpoäng) 

per DRG och huvudgrupper (Major Diagnostic Categories = 

MDC) enligt NordDRG 


• Uppgifter för hela riket, för ett eller flera län, för ett eller flera sjukhus. 

• Hur mår Sverige? från och med år 1985 

I Hur mår Sverige? presenteras statistik om befolkningens sociala förhållanden, 

hälsa, sjuklighet, dödlighet, levnadsvanor och vårdutnyttjande 

och består av cirka 1 000 indikatorer. Uppgifterna inhämtas från såväl 

interna som externa register eller andra statistikkällor (SCB, AMS, RFV, 

BRÅ etc.). Resultaten visar nuläget eller utvecklingen de senaste 10–15 

åren. Man kan studera skillnader mellan län och kommuner samt samband 

mellan olika indikatorer. 

Indikatorerna är indelade i sju huvudgrupper: 

• Demografi, sociala förhållanden, levnadsvillkor och arbetsmiljö 

• Sjuklighet med mera 

• Dödlighet 

• Förlorade år före 65 respektive 75 års ålder 

• Socioekonomiska skillnader 

• Levnadsvanor 

• Vårdutnyttjande med mera. 

Presentation av resultat 

I Folkhälsan i Siffror kan man studera utvecklingen över tid och jämföra 

hur det ser ut i olika delar av landet. Statistiken redovisas efter kön, ålder 

och län. Det finns även uppgifter på kommunnivå. Data presenteras 

antingen i form av linje- eller stapeldiagram, kartor och tabeller. I figur 1 

visas den översiktsbild som presenteras.


Funktioner i Folkhälsan i Siffror 

Programmet innehåller en rad olika funktioner såsom att spara, exportera, 

kopiera och skriva ut resultaten. För att få tillgång till applikationens olika 

funktioner är det viktigt att man svarar ”Ja” vid den säkerhetsvarning som 

visas. Vidare finns det en sökfunktion vad gäller diagnoser samt även en 

hjälpfunktion med bland annat definitioner på några vanliga begrepp i de 

olika statistikmodulerna. 

Figur 1. Exempel på tillgänglig information i Folkhälsan i Siffror. 

Exempel på användningsområden 

Folkhälsan i Siffror används för att framställa olika typer av faktaunderlag 

på nationell, regional och lokal nivå. Uppgifterna används bland annat för 

folkhälsorapportering samt som underlag för målformulering, planering, 

resursfördelning, prioritering, uppföljning och utvärdering inom kommuner 

och hälso- och sjukvårdssektorn. Data från hälsodataregister används 

flitigt av forskare. Folkhälsan i Siffror ger bland annat uppslag till nya idéer 

som sedan analyseras noggrannare. Lokala, jämförande data skapar debatt 

och ökar sannolikheten för att åtgärder vidtas.


Uppföljning och utvärdering 

I Folkhälsan i Siffror finns en e-postlåda för förfrågningar och synpunkter, 

vilket möjliggör dialog med användarna. Webbstatistik följs kontinuerligt 

och ger uppfattning om antalet besök och resultatsammanställningar. En 

webbenkät har genomförts för att få ytterligare synpunkter och bättre 

kunskap om vem som använder Folkhälsan i Siffror och hur den används. 

Tolkning av data 

Regionala och lokala data är mycket användbara då de synliggör problem, 

beskriver fördelningen i olika befolkningsgrupper och förändringar över 

tid. Data bör användas med försiktighet eftersom det finns metodologiska 

problem som kan uppkomma vid regionala jämförelser. Problem kan 

exempelvis uppstå när data är nedbrutna på ett mindre geografiskt område, 

för en viss åldersgrupp eller för en mer sällsynt sjukdomsgrupp. 

Osäkerhet kan även uppstå på grund av att antalet inträffade händelser 

(observationer) är för litet. Skillnader kan då bero på slumpmässiga variationer. 

Det är också viktigt att vara observant på att indikatorer kan mäta olika 

saker, exempelvis behöver vårdutnyttjande i en viss diagnos inte nödvändigtvis 

spegla sjuklighet i det geografiska området. Skillnaderna kan 

bero på att tillgängliga vårdresurser varierar och/eller på hur vården är 

organiserad. 

Materialet presenteras på ett sådant sätt att risken för feltolkningar ska 

motverkas. Sålunda har indikatorerna valts med omsorg och likaså 

detaljeringsgraden för diagnoser och geografisk indelning. Vidare presenteras 

åldersstandardiserade data och glidande flerårsmedelvärden. 

Utveckling 

Programmet utvecklas kontinuerligt både vad gäller layout och innehåll. 

Förutom längre tidsserier och ytterligare uppgifter för redan befintliga 

moduler planeras även nya statistikmoduler. 

Läsa vidare 

Lindberg G, Rosén M, red. Folkhälsa och sjukvård. Uppsala: Sveriges 

Nationalatlas; 2000.


Epidemiologiskt Centrum, Socialstyrelsen. Hälsodataregister räddar liv 

och förbättrar livskvalitet. Broschyr. Stockholm, 2002. 

Rosén M. A Finger on the Pulse. Monitoring public health and social conditions 

in Sweden 1992–2002. Stockholm: Centre for Epidemiology, The 

National Board of Health and Welfare; 2003. 

Weinehall L, Johansson K. Hela Sverige. En bok om hälsoklyftor och med 

recept för att hela Sverige. Sundbyberg: Centerpartiets Riksorganisation; 

2002. 

Lagen (1998:543) om hälsodataregister och förordningar knutna till lagen 

(SFS 2001:707-709).

3. 


SOCIALA BESTÄMNINGSFAKTORER 

Karin Melinder


3. 

SOCIALA BESTÄMNINGSFAKTORER 

Karin Melinder 

sociala bestämningsfaktorer 339 

Utvecklingen av folkhälsovetenskap/samhällsmedicin kan sägas ha haft två 

olika utgångspunkter. Den ena utgångspunkten har gällt själva arbetssätten, 

att man skall arbeta tvärsektoriellt och på samhällsnivå. Den andra 

har gällt vad som skapar ohälsa och framför allt skillnader i ohälsa. Redan 

tidigt fann man att arbetslöshet var en viktig orsak till skillnader i ohälsa. 

Successivt har intresset ökat för att studera socioekonomiska förhållanden 

och att även se etnicitet och skillnader mellan könen som uttryck för sociala 

förhållanden. 

Det samhällsmedicinska arbetssättet som lärdes ut på 1980- och 1990talen 

innefattade förebyggande arbete på lokalsamhällesnivå. I Att förebygga 

– samhällsmedicin i praktiken (1) som kom ut 1987 står: 

”De lokala levnadsvillkoren i en by, det kvarter, det bostadsområde eller 

den kommun vi lever i är av stor betydelse för vårt vardagsliv och vår 

möjlighet att uppnå och upprätthålla ett gott hälsotillstånd” (sid. 85). 

”Kunskap om lokalsamhället fås genom samhällsdiagnostik, alternativt 

kommundiagnoser. Syftet med samhällsdiagnosen är att identifiera 

problem, sätta upp prioriteringar för planering och utvecklande av 

hälsoprogram, men även sjukvårdande aktiviteter i lokalsamhället. Vid 

beskrivningen av hälsomönstret är den socioekonomiska fördelningen 

utgångs- punkten. Lokalsamhällets befolkning skall beskrivas i förhållande 

till ålder, kön, ras- och etniska grupper, socioekonomiska faktorer och 

andra personrelaterade karakteristika som civilstånd, familjestruktur, 

socialt nätverk men också levnadsvanor då vi vet att dessa faktorer starkt 

samvarierar med behov av såväl sjukvård som förebyggande program på 

alla nivåer” (sid. 87).


Redan 1987 beskrevs också ett gott socialt nätverk som ett skydd för 

hälsan, även om detta gjordes utifrån de enskilda individernas synpunkt 

och inte som ett samhälles sociala kapital. 

Dessa samhällsdiagnoser skulle användas till att svara på frågorna: 

Vilka bor i området? Vilka är levnadsbetingelserna? 

Ovanstående visar att det sedan länge har funnits en insikt om områdets 

och de sociala förhållandenas betydelse. Samhällsdiagnoserna användes 

dock huvudsakligen som en bakgrund för ett förebyggande arbete och inte 

för analyser av områdets betydelse för ohälsan. 


Flera myndigheter har till uppgift att samla in uppgifter om sociala data. 

Statistiska centralbyrån (SCB) har i sin egenskap av central förvaltningsmyndighet 

till uppgift att samordna och stödja det svenska systemet för 

officiell statistik. 

SCB har ansvar för urvalsundersökningar som Arbetskraftsundersökningarna 

(AKU), Konsumentprisindex (KPI) och Undersökningarna 

om levnadsförhållandena (ULF). SCB har en omfattande statistik på låg 

regional nivå – i huvudsak kommun eller lägre nivå. Denna finns redovisad 

i Förteckning över SCB-producerad statistik på länsnivå eller lägre (2). En 

indelning är gjord i Färdiga statistikpaket, Skräddarsydda paket, Basstatistik 

och Longitudinella databaser. Med Färdiga statistikpaket avses 

fasta tabeller över olika områden, såsom arbetsmarknad, befolkning etc. 

Skräddarsydda paket innehåller färdiga sätt eller system för att bearbeta 

data, men här kan kunden påverka vilka data som skall bearbetas. Regional 

basstatistik är det grundmaterial som är insamlat och utgör underlag för 

statistikframställning. Publicering av SCB:s statistik sker i statistiska meddelanden 

på SCB:s webbplats och i tryckt form. Mycket av basstatistiken 

ligger även i Sveriges statistiska databaser och är därmed gratis tillgänglig 

via internet. De rubriker under vilka basstatistiken redovisas är desamma 

som förekommer i databaserna. I longitudinella databaser finns data från 

olika tidpunkter och register samlade för samma objekt, vilket gör det 

lättare att följa en utveckling över tiden. I Regionala indelningar hänvisas 

till relevanta dokument på SCB:s hemsida (se nedan). 

Färdiga statistikpaket utgör underlag för samhällsplanering på regionaloch 

lokalnivå. Paketen innehåller fasta tabeller över olika områden.


Det finns en områdesindelning av kommunerna, som kallas nyckelkodsområden 

(NYKO) och ägs av respektive kommun. Statistikpaketen omfattar: 

Arbetsmarknad som omfattar bland annat AMPAK, sysselsättning och 

näringslivets struktur, som finns på NYKO-nivå. 

Befolkning – folkmängd, befolkningsförändringar och områdesbeskrivningar 

som innehåller uppgifter om befolkningens storlek, sammansättning, 

utländsk bakgrund och förändringar i befolkningen. Uppgift finns 

även om ohälsotal per område som kan tas fram för önskad geografisk 

indelning. 

Boende, byggande och bebyggelse omfattar bland annat FASTPAK som 

redovisar typ av fastighet, markens användning, ägare, antal byggnader, 

lokal- och bostadsyta etc. Olika indelningar bland annat på postnummerområden 

är möjliga. 

Inkomster – inkopak har uppgifter om befolkningens inkomster, bidrag, 

avdrag, sparande och skatter kompletterat med befolkningsuppgifter samt 

uppgifter om skattefria ersättningar och bidrag. Statistiken kan tas fram 

ned till delområden i kommuner. 

Transporter omfattar BILPAK som har uppgift om fordonsbestånd och 

ägarförhållande. 

Utbildning – högskolestatistik redovisas på riket, län, kommun, universitet/högskola 

och gymnasieskola. 

Skräddarsydda produkter innehåller färdiga sätt eller system för att 

bearbeta data men kan även påverkas av kunden. De skräddarsydda 

produkterna omfattar marknadsprofiler, boendeprofiler och GISPAK – 

produkter för geografiska informationssystem. 

Regional basstatistik omfattar statistik om. 

Arbetsmarknad – lönesummor och arbetsmarknadsstatistik. 

Befolkning – folkmängd och befolkningsförändringar och folkmängd i 

tätorter 

Boende, byggande och bebyggelse – bostadsbyggnadsstatistik, bygglovsstatistik 

för bostäder och lokaler, fastighetspriser med mera. 

Hushållens ekonomi – totalräknad inkomstoch förmögenhetsstatistik 

(IoF) som är en årlig undersökning som omfattar hela Sveriges befolkning. 

Indelning görs efter ålder, kön, familjetyp, län och kommuner. 

Hälso- och sjukvård – dödsorsaksstatistik. 

Jord- och skogsbruk – skördestatistik.


Kultur – folkbibliotekens verksamhet, kulturutgifter och planerat om 

skolbibliotek. 

Medborgarinflytande – valstatistik. 

Miljö – landareal, luftkvaliteten i tätorter (finns för cirka 50 kommuner), 

skyddad natur och vattenuttag och vattenanvändning. 

Nationalräkenskaper – regionala beräkningar av produktionen. 

Näringsverksamhet – företagsregistret, företagsstatistik, regionalt fördelad 

omsättning och regionala branschnyckeltal. 

Religiösa samfund – ekonomisk redogörelse av Svenska kyrkan ned till 

församlingsnivå. 

Offentlig ekonomi – kommunernas bokslut, kommunal kreditmarknad, 

kommunalskatter och statsbidrag och utjämningssystem för kommuner 

och landsting. 

Socialtjänst – socialbidragsstatistik. 

Transporter – fordonsstatistik. 

Utbildning – befolkningens utbildning, uppgifter om folkhögskolan, 

grundskolan, gymnasieskolan, högskolestatistik, kommunal vuxenutbildning, 

lärarregister, personer i utbildning, studiecirkeldeltagare/1 000 

invånare per kommun och Svenska för invandrare (SFI). 

Longitudinella databaser har data från olika tidpunkter och register 

samlade för samma objekt, vilket gör det lättare att följa en utveckling över 

tiden. 

LINDA – longitudinell inkomstdatabas LINDA är en longitudinell 

databas omfattande cirka 725 000 individer med tyngdpunkt på 1994 och 

särskilt omfattande urval av utrikes födda. Uppgifter finns från Inkomstoch 

förmögenhetsregistret 1968–, Registret över totalbefolkningen, 

högskoleregistret 1977– samt Folk- och bostadsräkningarna från 1960 och 

framåt. Registret används för att följa inkomstutvecklingen för olika grupper 

av individer över tiden. LINDA går att använda för län och vissa 

kommuner. 

LOUISE – longitudinell databas för utbildning, inkomst och sysselsättning. 

LOUISE är en longitudinell databas som är individbaserad och 

omfattar alla personer i åldern 16–64 år. Med hjälp av databasen är det 

möjligt att framställa statistik om utbildning, arbetsmarknad och om personer 

som befinner sig utanför arbetsmarknaden. Den statistik som ligger i 

databasen omfattar för närvarande perioden 1990–1997. Den regionala


redovisningen är på lägst kommunnivå. Det ges även möjlighet att redovisa 

statistiken på delar av kommuner eller koordinater. 

LUCAS – longitudinell databas för utbildnings– och arbetsmarknadsstatistik. 

LUCAS är en longitudinell databas som används för att ta fram 

statistik som beskriver strömmar inom utbildningsväsendet, verksamhet 

efter utbildning, inträde och etablering på arbetsmarknaden för elever och 

studenter som avslutat utbildning på olika nivåer. Uppgifter finns från 

1990 och framåt. Registret är totalräknat och uppdateras årligen. Möjlighet 

finns att göra uttag och bearbetningar på kommunal nivå. 

Regionala indelningar 

SCB har i uppgift att hålla register över de vanligast förekommande regionala 

indelningarna, såväl administrativa som icke-administrativa, och att 

informera om förändringar i dessa. Mest grundläggande är indelningen i 

län/kommuner/församlingar. Andra indelningar som SCB àjourhåller i sina 

register är: skatte-, tull-, polis-, åklagar-, kronofogde-, kriminalvårds- och 

lantmäterimyndigheter, domstolsväsendet, stift/kontrakt/pastorat, lokala 

arbetsmarknader samt H-, A- och EU:s NUTS-regioner. 

http://www.scb.se/regionalt#adm 

Statens folkhälsoinstitut 

Statens folkhälsoinstitut ansvarar bland annat för att ta fram statistik över 

den registrerade försäljningen av alkoholdrycker i Sverige. Målet med 

alkoholstatistiken är att ge en god bild av alkoholhanteringens omfattning 

och utveckling över tid i Sverige. Statistiken ligger till grund för kontroll, 

utvärdering och uppföljning inom alkoholområdet. Den alkoholstatistik 

som Statens folkhälsoinstitut ansvarar för innefattar bland annat: 

• Försäljning (detaljhandel och servering) av alkoholdrycker 

• Produktion av alkoholdrycker i Sverige 

• Antal detaljhandels- och serveringsställen där alkoholdrycker säljs 

• Partihandel och import/export. 

De huvudsakliga källorna för denna statistik är de uppgifter som varje 

partihandlare och tillverkare av alkoholdrycker och varje restaurang med 

tillstånd att servera alkoholdrycker är skyldig att lämna till Statens 

folkhälsoinstitut, samt de uppgifter som kommunerna lämnar om meddelade 

och upphörda serveringstillstånd.


Statens folkhälsoinstitut har utvecklat en Nationell folkhälsoenkät som 

genomfördes för första gången 2004, vilket innebär att det framdeles 

kommer att finnas tillgång till flera hälsorelaterade uppgifter. Den första 

nationella folkhälsoenkäten riktades till ett slumpmässigt nationellt urval 

på 20 000 personer i åldern 18–84 år, och kan numera kompletteras med 

tilläggsurval som kommuner och landsting har möjlighet att göra. Enkäten 

omfattar allmän kroppslig och mental hälsa, tandhälsa, vårdutnyttjande, 

fysisk aktivitet, kostvanor, tobaks- och alkoholvanor, spelvanor, 

sysselsättningsstatus, arbetsmiljö, bostadsförhållanden, hushållsarbete, 

fritidssysslor samt trygghet och sociala relationer. http://www.fhi.se. 

Brottsförebyggande rådet 

Brottsförebyggande rådet (BRÅ) ansvarar för den officiella statistiken om 

brott och brottslingar i Sverige. På rådets hemsida (http://www.bra.se) kan 

man söka fram statistik om anmälda brott, uppklarade brott, misstänkta 

och lagförda personer samt återfall i brott. På hemsidan för lokal brottsstatistik 

finns kommunal statistik över anmälda brott från år 1975. 

Övriga datakällor 

Det finns stora mängder statistik och andra data om hälso- och sjukvårdens 

verksamhet, framför allt hos Socialstyrelsen, Landstingsförbundet och 

landstingen själva. Vårdsystemets egna verksamhetsredovisningar är viktiga 

källor. Många grundläggande fakta finns i Hälso- och sjukvårdsstatistisk 

årsbok och en del av uppgifterna är fördelade på landstingsområden. Där 

kan man även utläsa något om tillgängligheten och kvaliteten i regional 

statistik över väntetider, hur många som avstått från besök i sjukvården 

eller från läkemedel på grund av kostnader, liksom i beräkningar av 

förlorade levnadsår och återstående medellivslängd. 

Beträffande smittskydd finns flera relevanta källor. Uppgifter finns 

främst hos Smittskyddsinstitutet (SMI) och Socialstyrelsen. SMI registrerar 

exempelvis vaccinationer samt incidens av anmälningspliktiga sjukdomar, 

såsom sexuellt överförda sjukdomar, inklusive hiv, bland ungdomar. 

(Hiv-fall redovisas enbart för riket.) Statistik över dödsorsaker och 

uppföljning av barnvaccination är tillgänglig på kommunnivå. I övrigt är 

länet hittills den mest detaljerade områdesnivå som redovisas i statistiken. 

Livsmedelsverket har uppgifter om smitta via livsmedel.

Folkhälsomålen 


Det övergripande folkhälsomålet är att skapa samhälleliga förutsättningar 

för en god hälsa på lika villkor för hela befolkningen, det vill säga ett i 

grunden socialt mål. I arbetet med att utveckla ett uppföljnings- och 

utvärderingssystem för folkhälsoarbetet gjordes en lång lista på möjliga 

indikatorer för de elva målområdena. Sammanlagt listades på det sättet 

mer än 200 relevanta indikatorer. Eftersom flertalet av de folkhälsopolitiska 

målområdena är av social, snarare än fysisk, natur är också 

indikatorerna framför allt sociala och ekonomiska. Många av de föreslagna 

indikatorerna finns redan i den statistik som publiceras eller kan baseras på 

befintliga register. Vissa önskvärda mått finns emellertid inte ännu, men det 

pågår utvecklingsarbete på flera håll. http://www.fhi.se. 

Kommunala basfakta för folkhälsoplanering 

Syfte och målgrupper 

Statens folkhälsoinstitut har tagit fram kommunala basfakta för folkhälsoplanering 

(KBF). Syftet är att underlätta kommunernas planering och uppföljning 

av folkhälsoinsatser samt att sätta fokus på de målområden för 

folkhälsan som antagits av riksdagen. Målgrupper är folkhälsoplanerare, 

beslutsfattare och förtroendevalda i landets kommuner med flera. 

Kommunala basfakta för folkhälsoplanering finns på Statens folkhälsoinstituts 

webbsida www.fhi.se som Faktablad med färdiga tabeller och som 

Databas med statistik, som går att bearbeta. 

Innehåll 

Den första versionen av KBF presenterades 2002. Arbetet bedrivs som ett 

försöksprojekt fram till år 2005 och skall sedan utvärderas. Under projekttiden 

har KBF uppdaterats en gång per år och från år 2003 finns data även 

för stadsdelarna i Stockholm, Göteborg och Malmö. Under hösten 2004 

presenteras data också genom kartor. 

Uppgifterna i KBF kommer huvudsakligen från nationella, officiella 

databaser och är indelade efter de elva nationella målområdena för folkhälsan. 

Statistiken presenteras kommunvis, dock så långt det är möjligt 

uppdelad på åldersklasser och kön. Jämförelse görs mellan län och riket. 

Data är inte åldersstandardiserade, vilket betyder att åldersfördelningen i


respektive kommun bör uppmärksammas vid jämförelser mellan 

kommuner. Statens folkhälsoinstitut planerar att lägga in retrospektiva och 

åldersstandardiserade data i databasen under 2005. 

I Kommunala basfakta för folkhälsoplanering finns dels vissa bakgrundsfakta 

om kommunerna, dels fakta som är direkt relaterade till folkhälsopolitikens 

elva målområden. 

Exempel på bakgrundsfakta om kommunerna och deras invånare är 

uppgifter om folkmängd, medellivslängd, andel invånare efter födelseland 

liksom förekomst av handlingsplan för folkhälsoarbete, folkhälsoråd, folkhälsosamordnare 

och liknande. Exempel på indikatorer med statistik 

kopplat till målområdena är: 

• Valdeltagande och jämställdhet (Målområde 1: delaktighet och inflytande) 

• Uppgifter om arbete, arbetslöshet, inkomst och utbildning (Målområde 

2: ekonomisk och social trygghet) 

• Serveringstillstånd, alkoholförsäljning och alkoholrelaterad dödlighet 

samt uppgifter om rökande blivande mödrar och dödlighet i lungcancer 

och KOL (kronisk obstruktiv lungsjukdom) (Målområde 11: 

minskat bruk av tobak och alkohol). 

Presentation av samtliga elva målområdena för folkhälsan och deras 

indikatorer med statistik i Kommunala basfakta för folkhälsoplanering 

finns på webbsidan www.fhi.se. 

Statistik om bakgrundsfakta och målområden 

Bakgrundsfakta om kommunerna 

Förutom statistik kopplad till målområdena för folkhälsa presenteras 

följande bakgrundsfakta om kommunerna och deras invånare: 

• Folkmängd 

• Medellivslängd 

• Andel invånare efter födelseland 

• Andel familjer under 18 år 

• In- och utflyttning 

• Folkhälsoarbete såsom förekomst av handlingsplan, folkhälsoråd, 

folkhälsosamordnare med mera

• Skattesats 


1. Delaktighet och inflytande i samhället 

Delaktighet och inflytande i samhället är en av de mest grundläggande 

samhälleliga förutsättningarna för folkhälsan. För att nå det övergripande 

nationella folkhälsomålet med en god hälsa på lika villkor för hela 

befolkningen, skall särskild vikt läggas vid att stärka förmågan och möjligheten 

till social och kulturell delaktighet för ekonomiskt och socialt utsatta 

personer samt på barns, ungdomars och äldres möjligheter till inflytande 

och delaktighet i samhället. 

Indikatorer med statistik 

Indikatorer kopplade till delaktighet och inflytande i samhället är till 

exempel uppgifter om valdeltagande och jämställdhet. 

2. Ekonomisk och social trygghet 

Ekonomisk och social trygghet tillhör de mest grundläggande samhälleliga 

förutsättningarna för människors hälsa. En stark samhällsgemenskap, 

präglad av solidaritet mellan människor, anses vara själva grunden för en 

god hälsa på lika villkor. Det finns ett tydligt samband mellan å ena sidan 

folkhälsan, å andra sidan ekonomisk trygghet, jämlikhet i levnadsvillkor 

och samhörighet i hela samhället. 


Indikatorer kopplade till ekonomisk och social trygghet är till exempel 

uppgifter om arbete, arbetslöshet, inkomst och utbildning. Andra indikatorer 

är uppgifter om brott. 

3. Trygga och goda uppväxtvillkor 

Trygga och goda uppväxtvillkor är avgörande för barns och ungdomars 

hälsa och för folkhälsan på lång sikt. Det finns också en stark koppling 

mellan barns uppväxtvillkor och vuxnas ekonomiska och sociala trygghet, 

delaktighet och inflytande i samhället. 


Indikatorer kopplade till trygga och goda uppväxtvillkor är till exempel


uppgifter om behörighet till gymnasieskolan och kommunala resurser för 

barn. Eftersom det finns vissa belägg för en koppling mellan låg födelsevikt 

och sämre uppväxtvillkor har också uppgifter om låg födelsevikt tagits 

med. 

4. Ökad hälsa i arbetslivet 

Ett bra arbetsliv med väl fungerande arbetsvillkor minskar den arbetsrelaterade 

ohälsan och bidrar till en allmänt förbättrad folkhälsa samt 

minskar de sociala skillnaderna i ohälsa. 


Indikatorer kopplade till arbetslivet är till exempel uppgifter om arbetsskador, 

förtidspensioneringar och sjukskrivningar. Självskattad (o)hälsa 

kopplad till arbetsorsakade besvär, ackumulerad belastning och lågt inflytande 

i arbetet är andra exempel på indikatorer på hur arbetsmiljön 

fungerar. Här saknas dock statistik för samtliga kommuner i landet. 

5. Sunda och säkra miljöer och produkter 

Sunda och säkra inom- och utomhusmiljöer är av grundläggande betydelse 

för folkhälsan. Bland annat är det väsentligt att minska risken för skador i 

både den inre och den yttre miljön. 


Indikatorer kopplade till sunda och säkra miljöer är till exempel uppgifter 

om skador och förgiftningar. Om en kommun är utsedd till en säker och 

trygg och allergianpassad kommun visar det på miljöinsatser i kommunen. 

Självmord är också en indikator med koppling bland annat till detta 

målområde. Anpassade boenden för äldre och funktionshindrade, tillgängliga 

grönområden och tillgång till rökfria miljöer är andra exempel på 

indikatorer. Liksom för luftföroreningar, samhällsbuller och inomhusmiljö 

saknas dock ännu så länge statistik för samtliga kommuner i landet. 

6. En mer hälsofrämjande hälso- och sjukvård 

Hälso- och sjukvården har stor betydelse för den långsiktiga hälsoutvecklingen 

genom sin specifika kompetens, auktoritet, breda kunskap och 

stora kontaktyta mot befolkningen. Ett hälsofrämjande och sjukdomsföre-

yggande perspektiv skall genomsyra hela hälso- och sjukvården och vara 

en självklar del i all vård och behandling. 


Hälsofrämjande sjukhus inom länet och ungdomsmottagningar i kommunen 

är exempel på hälsofrämjande hälso- och sjukvård. 

7. Gott skydd mot smittspridning 

Insatser för att förebygga smittspridning är en del av folkhälsoarbetet och 

därmed viktigt för att nå det övergripande folkhälsomålet. Samhällets 

skydd mot smittsamma sjukdomar måste bibehålla en hög nivå, för att inte 

de framsteg skall gå förlorade som gjorts i avsikt att minska förekomsten 

av smittsamma sjukdomar. 


Indikatorer kopplade till ett gott skydd mot smittspridning är till exempel 

uppgifter om barnvaccinationer. Uppgifter om förekomsten av klamydia 

och andra sexuellt smittsamma sjukdomar saknas på kommunnivå. 

8. Trygg och säker sexualitet och en god reproduktiv hälsa 

Möjligheten till trygg och säker sexualitet är grundläggande för individens 

upplevelse av hälsa och välbefinnande. Samhället måste värna om de 

framsteg som gjorts inom sex- och samlevnadsundervisning, familjeplanering, 

mödravård etc. 


En indikator inom området är uppgifter om aborter. Uppgifter om klamydia 

saknas på kommunnivå. 

9. Ökad fysisk aktivitet 

Fysisk aktivitet är en förutsättning för en god hälsoutveckling. Målet skall 

vara att samhället skall ge förutsättningar för en ökad fysisk aktivitet för 

hela befolkningen. 


Statistik på kommunnivå saknas. 

sociala bestämningsfaktorer 349


10. Goda matvanor och säkra livsmedel 

Goda matvanor och säkra livsmedel är förutsättningar för en god hälsoutveckling 

hos befolkningen. 


Amningsfrekvens ses här som en indikator på goda matvanor. Dödlighet i 

hjärt-kärlsjukdomar har koppling till matvanor, men också till andra 

målområden och faktorer som fysisk aktivitet och tobaksbruk. 

11. Minskat bruk av tobak och alkohol, ett samhälle fritt från narkotika och 

dopning samt minskade skadeverkningar av överdrivet spelande 

Bruket av beroendeframkallande medel är en viktig bestämningsfaktor för 

hälsan. Även spelberoende kan leda till ohälsa. Det krävs ett ökat fokus på 

dessa faktorers samlade effekter och inbördes kopplingar. Det behövs 

åtgärder mot skador som orsakas av tobak, alkohol och spel och för ett 

samhälle fritt från narkotika och dopning, för att nå det övergripande folkhälsomålet 

om en god hälsa på lika villkor för hela befolkningen. 


Indikatorer kopplade till alkohol är till exempel uppgifter om serveringstillstånd, 

alkoholförsäljning och alkoholrelaterad dödlighet. Uppgifter om 

den totala alkoholkonsumtionen inom respektive kommun saknas. 

Indikatorer kopplade till rökning är till exempel uppgifter om rökande 

blivande mödrar och dödlighet i lungcancer och KOL (kronisk obstruktiv 

lungsjukdom). Uppgifter om tobaksbruket inom respektive kommun 

saknas. 

Uppgifter om narkotika, dopning och spel saknas helt på kommunnivå. 

Den statistik som finns om narkotika på kommunnivå berör nästan enbart 

storstäderna. 

Begränsningar i materialet 

Det finns vissa begränsningar i materialet. Indikatorerna med tillhörande 

statistik inom olika målområden behöver utvecklas. Den statistik som 

presenteras i Kommunala basfakta har valts utifrån vilka uppgifter som för 

närvarande finns tillgängliga på kommunal nivå i officiella nationella databaser. 

Uppgifterna är därför på intet sätt heltäckande utan skall i första


hand ses som exempel från respektive målområde. 

Statistik för Målområde 9, ökad fysisk aktivitet, saknas fortfarande på 

kommunnivå, liksom statistik inom Målområde 11 om narkotika, dopning 

och minskade skadeverkningar av överdrivet spelande. Viss statistik som 

trots allt finns om narkotika, exempelvis dödlighet, berör huvudsakligen 

storstadskommunerna. 

I takt med att indikatorer och statistik utvecklas kommer de att läggas in 

i Kommunala basfakta för folkhälsoplanering. För att ge möjlighet till jämförelser 

har bara statistik som finns för samtliga kommuner i landet tagits 

med, utom i undantagsfall. Undantag kan bero på att sifferunderlaget varit 

otillräckligt för att kunna publiceras eller att uppgifter saknats för enstaka 

kommuner. Vid jämförelser mellan kommuner bör man uppmärksamma 

eventuella skillnader i åldersfördelning eftersom data ännu inte är åldersstandardiserade. 

Kommunala basfakta kan användas för Lokala välfärdsbokslut 

Kommunala basfakta för folkhälsoplanering kan användas som statistikstöd 

när kommunerna gör Lokala välfärdsbokslut. Projektet Lokala välfärdsbokslut 

är ett utvecklingsarbete som drivs av Statens folkhälsoinstitut, 

Svenska Kommunförbundet och Landstingsförbundet. 

Läsa vidare 

Hallqvist, Johan (1984) Varför blir vi sjuka? En antologi om några av våra 

viktigaste hälsoproblem. ABF/Brevskolan. 

Janlert, Urban (2000) Folkhälsovetenskapligt lexikon. Natur och Kultur i 

samarbete med Folkhälsoinstitutet. 

Socialstyrelsen (2004) Folkhälsa och sociala förhållanden. Lägesrapporter 

2003. 

Statens folkhälsoinstitut (2003) Förslag till mål och indikatorer inom folkhälsoområdet. 

Redovisning av regeringsuppdrag att utveckla ett 

nationellt uppföljnings- och utvärderingssystem för det samlade folkhälsoarbetet 

(Socialdepartementet projektet S2002/5085/FH) Dnr 02-0368 

Huvudrapport 2003-03-31.


Statens folkhälsoinstitut (2004) På väg mot en mer hälsofrämjande hälsooch 

sjukvård. Sammanfattning av utredningsunderlag, proposition, riksdagsbeslut, 

indikatorsförslag och exempel på tillämpning. Rapport R2004:33 

Statistiska centralbyrån (2004) Förteckning över SCB-producerad 

statistik på länsnivå eller lägre. http://www.scb.se 

Läsa mer om välfärdsbokslut: 

Svenska Kommunförbundet, Välfärdsbokslut 

Svenska Kommunförbundet. Nyckeltalskatalog – att göra ett välfärdsbokslut. 

Svenska Kommunförbundet, Välfärdsbokslut – en introduktion. 

Svenska Kommunförbundet, Lokala välfärdsbokslut – uppföljning och 

utvärdering. 

Svenska Kommunförbundet. Jag hör av mig när jag känner mig redo – 

Medborgarinflytande i 27 kommuner: demokratiredovisning oktober 

2004. 

Referenser 

1. Svanström, Leif & Haglund Bo J A. Att förebygga – samhällsmedicin i praktiken. 

Studentlitteratur, Lund 1987 

2. http://www.scb.se

4. 

platsen, individen och folkhälsan – teorier, sociala metoder bestämningsfaktorer och tolkningar 353 

FYSISK EXPONERING – 

DATAKÄLLOR Anders Schærström


4. 

FYSISK EXPONERING – 

DATAKÄLLOR Anders Schærström 

fysisk exponering – datakällor 355 

Hälsan är ofrånkomligen beroende av vår materiella omgivning. Vi intar 

ämnen som finns i luften, vattnet och livsmedlen vi äter. Vi utsätts för strålning 

från solen, berggrunden vi lever på, byggnaderna vi vistas i och från 

apparater vi använder. Vi kan bli smittade med bakterier, virus och andra 

organismer av människor och djur. 

Ett av den svenska folkhälsopolitikens 11 målområden handlar om vår 

materiella omgivning och syftar till hälsosamma miljöer och ting. I förslaget 

till nationellt uppföljningssystem för folkhälsopolitiken anges 

följande delområden för målområdet: 

• Sund yttre miljö/luftkvalitet 

• Sunda produkter 

• Sund inomhus- och närmiljö 

• Säkra miljöer och produkter. 

Som bestämningsfaktorer för hälsan inom målområdet anges: 

• Kemiska (föroreningar i luft och föda) 

• Biologiska (pollen, kvalster och mögel) 

• Fysikaliska (strålning, buller) 

• Psykosociala (stress och otrygghet). 

Vissa miljöer innebär speciella risker för skador, såsom trafiken, arbetsplatser, 

hem, skola och fritidsmiljö. Utöver själva folkhälsopolitiken berör 

målområdet därför tolv andra politikområden: miljö-, transport-, konsument-, 

bostads-, arbetslivs-, näringslivs-, energi-, barn-, äldre-, handikappoch 

storstadspolitik samt skydd mot olyckor.


Var sker exponeringen? 

För att komma åt var själva exponeringen sker kan man tänka på olika 

miljötyper, såsom utomhus- och inomhusmiljö, arbetsmiljö, bostadsmiljö 

och trafikmiljö med allehanda undergrupperingar. Eftersom vi människor 

oupphörligt rör oss genom flera miljöer och från den ena situationen till 

den andra kommer vi i kontakt med olika agens på flera ställen. På så sätt 

ändras exponeringen efter hand, både långsiktigt och kortsiktigt. Den kan 

bli ganska komplex och den sammanlagda effekten varierar individuellt. 

Ofta väljer forskare att inrikta sig på en typ av exponering eller en viss 

miljö i taget. 

Om man vill undersöka hur hälsan påverkas i olika områden, är lägesbestämningen 

väsentlig. Till vilket område eller vilken mätpunkt hänför sig 

den information man kan finna i tabeller och databaser? Vad områden 

beträffar, vill man kanske använda rent administrativt eller subjektivt 

avgränsade områden. Till skillnad från sociala och ekonomiska uppgifter, 

som ofta redovisas i form av genomsnitt eller fördelningar per län, 

kommun eller eventuellt delar av kommuner, är dock uppgifter om luft, 

mark och vatten ofta knutna till punkter (till exempel mätstationer) eller 

ytor som inte sammanfaller med administrativa gränser (till exempel sjöar, 

skogsområden, vissa berggrunds- eller jordartsområden). 

En annan omständighet att tänka på är att mätvärden kan variera såväl i 

det långa tidsperspektivet som i kortare, exempelvis regelbundet under året 

eller mera oregelbundet med vädrets växlingar. När man söker eventuella 

samband mellan miljöfaktorer och hälsotillståndet måste man dessutom 

beakta, att hälsoeffekterna kan visa sig först efter långvarig exponering 

eller rentav långt efter att exponeringen upphört. 

Politik och miljö 

Miljömålen 

Riksdagen har beslutat om 15 miljökvalitetsmål och 69 nationella delmål, 

som direkt eller indirekt har betydelse för folkhälsan. Länsstyrelserna har 

dessutom uppdraget att konkretisera regionala mål. Flera av miljömålen 

har egenvärden som hänger samman med att vi värdesätter ren omgivning 

och rikt djurliv, men till miljömålen hör också tre uttryckliga hälsoperspektiv, 

nämligen att


• förhindra uppkomst av miljörelaterad ohälsa 

• förhindra att sjukdomssymtom förvärras av föroreningar i miljön 

• förbättra förutsättningarna för god hälsa i samhällsplaneringen. 

Aktörer – myndigheter och organisationer 

Åtskilliga myndigheter, institutioner och organisationer arbetar med att 

samla in och i viss mån tillhandahålla miljörelaterade data. Eftersom 

mängden data är svåröverskådlig och formerna för att redovisa dem varierar 

avsevärt, kan man ha hjälp av några portaler där man når flera av källorna, 

till exempel den nationella miljöövervakningen, Miljömålsportalen och 

Svenska statistiknätet. 

Nationella miljöövervakningens portal når man via Naturvårdsverkets 

hemsida. (www.naturvårdsverket.se) 

På Miljömålsportalen (http://www.miljomal.nu/index.php# ) kan man 

följa upp arbetet med de riksomfattande 15 miljökvalitetsmålen liksom de 

69 nationella delmålen och de regionala målen. Uppföljningen sker med ett 

sjuttiotal indikatorer som redovisas länsvis med diagram och kartor på 

portalens hemsida. Eftersom dessa indikatorer inte täcker alla aspekter på 

miljön och arbetet med att förbättra miljön, pågår samtidigt ett arbete med 

att utveckla fler indikatorer. SCB är centrum för Svenska statistiknätet 

via vars internetadress man kan nå ett tjugotal myndigheter. 

(http://www.svenskstatistik.net/Index.htm). 

Flera av de befintliga källorna till miljödata har ingen lägesbestämning 

alls utan innehåller endast totaluppgifter för hela landet. Enstaka har uppgifter 

på läns- eller kommunnivå. Mera typiskt för miljödata är emellertid 

att uppgifterna samlas in från sjöar, vattendrag eller enskilda mätpunkter 

utan att knytas till någon administrativ enhet. I stället kan vissa uppgifter 

åskådliggöras i kartor som bygger på isaritmer eller rutnät. 

Den nationella miljöövervakningen 

Den nationella miljöövervakningen samordnas och finansieras av Naturvårdsverket, 

men flera institutioner och myndigheter är datavärdar, nämligen 

SMHI, IVL Svenska Miljöinstitutet AB, Lantbruksuniversitetet, Institutet 

för Miljömedicin, Fiskeriverket och Sveriges geologiska undersökning 

(SGU). Det är datavärdarna som lagrar, kvalitetssäkrar och tillhandahåller 

data. I deras uppdrag ingår också att göra vissa bearbetningar av de data


som finns. På Naturvårdsverkets hemsida finns en portal till datavärdarna 

och deras databaser. 

Den nationella miljöövervakningen är indelad i tio programområden: 

Luft, Kust och hav, Sötvatten, Fjäll, Skog, Jordbruksmark, Hälsorelaterad 

miljöövervakning, Landskap, Våtmark samt Miljögiftssamordning. Den 

hälsorelaterade miljöövervakningen omfattar studier av exponering för 

cancerframkallande ämnen i tätortsluft, halter av cancerframkallande 

ämnen i tätortsluft, luftföroreningsstudier inom det europeiska programmet 

APHEIS 1 

, exponering för miljöföroreningar (kadmium, organiska ämnen, 

metaller, vissa riskgrupper) samt exponering via livsmedel. 

Svenska Miljöinstitutet (IVL) (http://www.ivl.se/miljo/) är en av de mest 

omfattande källorna till miljödata. IVL arbetar med ett brett spektrum av 

uppdrag och forskning. Institutet utvecklar och tillämpar metoder och 

kunskap för att hantera miljöfrågor i ett helhetsperspektiv. IVL är på uppdrag 

av Naturvårdsverket datavärd för resultat från den nationella miljöövervakningen 

inom: 

• Luft- och nederbördskemi i bakgrundsmiljön 

• Luftkvalitet i tätort (URBAN-projektet) 

• Regional miljöövervakning av nedfall och effekter i skog (krondroppsmätningar 

2 

) 

• Halter av miljögifter och metaller i biologiskt material (dock ej i 

människor). 

Resultat från dessa och andra miljöundersökningar som IVL utför kan 

man hämta i tabellform från databasen på IVL:s hemsida eller beställa via 

e-post (datamanager@ivl.se). Vissa data presenteras i form av kartor 

och/eller diagram. 

IVL har tagit över ansvaret från SCB om publicering av resultaten från 

luftmätningar i tätorter. Urbanmätnätet är ett långsiktigt mätprogram för 

luftkvalitetsövervakning. Det har funnits sedan 1986 som ett samarbete 

mellan IVL Svenska Miljöinstitutet AB och cirka 40 svenska kommuner. 

IVL är Sveriges länk i EMEP (European Monitoring and Evaluation 

Programme) – ett FN-program om långväga gränsöverskridande luftföroreningar. 

1 Air Pollution and Health: a European Information System. 

2 Med krondropp menas den del av fuktigheten – regn och dimma – som silar igenom trädens 

bladverk i stället för att avdunsta eller tas upp av växterna.


Institutet för Miljömedicin (IMM) är datavärd för svenska miljöövervakningsdata. 

Här lagrar och tillhandahåller man data som samlats in 

inom ramen för den nationella och regionala hälsorelaterade miljöövervakningen 

på uppdrag av Naturvårdsverket. På IMM:s hemsida kan man 

hämta sammanställningar av resultat från den hälsorelaterade miljöövervakningen. 

Det rör sig om tidsbegränsade studier som fokuserar: 

• Metaller i humanbiologiska media (bröstmjölk, blod, urin, hår, andra 

vävnader) 

• Organiska ämnen i humanbiologiska media (bröstmjölk, blod, urin, 

hår, andra vävnader) 

• Exponeringsmätningar av luftföroreningar på individnivå 

• Intagsberäkningar av miljöföroreningar i födan 

• Studier av besvär och hälsoeffekter av luftföroreningar. 

Sveriges Meteorologiska och Hydrologiska Institut (SMHI) förvaltar 

åtskilliga källor till data om den fysiska miljön, särskilt förstås luft och 

vatten. SMHI samlar in och bearbetar uppgifter om luft, sjöar, vattendrag 

och hav i sina databaser. Man beräknar normaltillstånden i atmosfär, 

hydrosfär, liksom avvikelser från det normala. SMHI är datavärd för 

programområdena Luft och Hav inom den svenska miljöövervakningen. I 

programområdet Luft ingår delprogram om ozonskiktet och UV-strålningen, 

Spridningsberäkningar, Klimatpåverkande ämnen och växthusgaser. Från 

programområdet Luft finns beräknade dataserier av halter i luft och deposition 

3 

. Programområdet Hav omfattar fysiska och kemiska data från 

Östersjön och Västerhavet. 

Sveriges Lantbruksuniversitet är värd för åtskilliga källor till data om 

den yttre miljön. På Institutionen för markvetenskap finns sökbara databaser, 

som är åtkomliga via hemsidan. De omfattar den svenska åkermarkens 

markkemiska egenskaper, små jordbruksdominerade avrinningsområden 

(med data om bland annat halter av kväve och fosfor); 

bekämpningsmedel i svenska vatten samt cesiumhalter i älg, rådjur och 

jordbruksväxter (REK-databasen). På samma adress kan man dessutom 

3 Deposition innebär att ämnen som förekommer i luften avsätts på mark eller övergår till vatten 

eller växter. Om det sker genom nederbörd talar man om våtdeposition och om det sker genom 

sedimentation eller liknande kallar man det för torrdeposition. Med totaldeposition avses summan 

av alla bidrag från svenska antropogena, utländska antropogena och från naturliga källor.


söka uppsatser i databasen VäxtEko (texter om växtskydd, växtnäring och 

ekologisk odling). Uppgifter om kemiska ämnen i marken redovisas i kartform. 

Institutionen för miljöanalys tillhandahåller databaser – men inte 

kartor – över kemiska och biologiska egenskaper i landets sjöar, vattendrag 

och kustområden. Institutionen för vattenvårdslära har uppdraget att 

dokumentera bekämpningsmedel i svenska vatten samt följa förändringar. 

Sedan 1985 har uppgifter om pesticider i yt-, grund- och dricksvatten samlats 

in till en databas. Uppgifterna i denna databas kommer från olika slags 

undersökningar utförda av exempelvis länsstyrelser, kommuner och 

vattenvårdsförbund. 

Fiskeriverket är på uppdrag av Naturvårdsverket datavärd för data som 

insamlats inom den nationella och den regionala miljöövervakningen. 

Fiskeriverkets programområden är Sötvatten, Kust och hav samt Integrerad 

kalkningseffektsuppföljning (IKEU). Via hemsidan kan man hämta 

kartor och dataserier. 

Institutet för ekologisk hållbarhet (IEH) har en faktabank som är tillgänglig 

via hemsidan. Här finns emissionsfaktorer för energibränslen och 

transporter, energiindikatorer, indikatorer för hållbar utveckling, indikatorer 

för uppföljning av miljömålen samt gröna nyckeltal för kommuner. 

Informationen är emellertid inte lägesbestämd. 

Sveriges geologiska undersökning (SGU) arbetar med miljökvalitetsmålet 

Grundvatten av god kvalitet och ett delmål som avser användningen 

av naturgrus under miljökvalitetsmålet God bebyggd miljö. Hos SGU kan 

man nå ett tiotal kartbaserade informationskällor. En av dessa är Brunnsarkivet. 

4 

Det finns också ett system av referensstationer för grundvatten, 

men de uppgifter man har är inte heltäckande. Det så kallade Kemiarkivet 

byggs upp av uppgifter som lämnas frivilligt. En databas för grundvattentäkter 

är under uppbyggnad. Den Biogeokemiska databasen innehåller 

analyser för ett 15-tal grundämnen, huvudsakligen tungmetaller, i vattenlevande 

växter. Den biogeokemiska undersökningen visar områden med 

stor belastning av miljöfarliga ämnen, till exempel kadmium och kvicksilver, 

samt var det finns områden som kan vara intressanta för prospek- 

4 På grund av att Brunnsarkivet innehåller information om vilken fastighet brunnen är belägen på, 

vilket betraktas som en personuppgift enligt personuppgiftslagen, är uppgifterna inte utan vidare 

tillgängliga.


tering efter malmer och mineral. Undersökningen identifierar också 

områden med låga halter av exempelvis spårämnen som är viktiga för 

människor och djur. Andra informationskällor hos SGU är Källarkivet, 

Markgeokemi – koppar, Ballast och industrimineral. 

Mera om yttre miljö 

Flera andra myndigheter har ansvar för delar av vår miljö som har betydelse 

för hälsa och säkerhet. En del av dem tillhandahåller statistik eller annan 

information som kan vara användbar i hälsorelaterade undersökningar. 

Boverkets roll i sammanhanget rör särskilt den fysiska samhällsplaneringen. 

Institutet för ekologisk hållbarhet (IEH) har regeringens uppdrag att 

rapportera miljöeffekter, goda exempel, forskningsrön och att öka samverkan 

mellan offentlig sektor, forskning och företag. IEH samarbetar med 

kommuner, forskare, myndigheter, näringsliv och ideella organisationer för 

att aktuell kunskap skall användas i samhällsutvecklingen. IEH beräknar 

emissionsdata och energibalanser per kommun. 

Jordbruksverket är statistikansvarig myndighet för den officiella 

statistiken på jordbruksområdet. All officiell statistik inom Jordbruksverkets 

ansvarsområde återfinns på verkets webbplats www.sjv.se. Förutom 

den officiella statistiken finns där också vissa rapporter och andra 

publikationer med verkets egen jordbruks- och livsmedelsstatistik. 

Livsmedelsverket utövar tillsyn också över dricksvatten och publicerar 

kommunbaserade uppgifter om provtagningar samt uppgifter om anmärkningar, 

tillbud och sjukdomsutbrott. 

Statistiska centralbyrån tillhandahåller statistik på vissa teman som kan 

vara relevanta för exponering och hälsa. Här finns bland annat rubriken 

”Miljö”. Under denna finns tabelldata om bebyggelse, grönytor i och 

omkring städer, tillförsel av gödselmedel i jordbruket, industriella utsläpp, 

industriella vattenuttag, markanvändning, skyddad areal etc. Vissa uppgifter 

är tillgängliga i kartform. 

Mer om klimat och hälsa 

Klimatkommunerna är ett nätverk av kommuner som strävar efter att 

minska utsläppen av växthusgaser. Nätverket syftar bland annat till att 

sprida information, utbyta erfarenheter, stödja ansökningar om pengar,


samarbeta i projekt samt att visa nationella myndigheter på hinder och 

möjligheter i det lokala klimatarbetet. För närvarande (2004) ingår fjorton 

kommuner i nätverket. 5 

Tillsammans har de nära 1 100 000 invånare. 

Källa: http://www.ieh.se/klimatkommunerna/ 

SNAP, Swedish National Air Pollution and Health Effects Programme, 

är ett forskningsprogram som initierats av Institutet för Miljömedicin vid 

Karolinska Institutet, Arbets- och miljömedicin vid Stockholms läns landsting, 

Yrkes- och miljömedicin vid Göteborgs respektive Lunds universitet, 

Stockholms luft- och bulleranalys (Slb), Stockholm och Uppsala läns Luftvårdsförbund, 

samt Institutet för vatten- och luftvårdsforskning (IVL). 

Bakgrunden är att aktuell forskning gett anledning att skärpa riskbedömningen 

för luftföroreningar, men att det också fortfarande saknas 

mycken kunskap, bland annat om hur de luftföroreningar som förekommer 

i Sverige påverkar hälsan. Inom SNAP pågår flera delprojekt 

(www.snap.se). 

Strålning 

Radon finns naturligt i omgivningen – i mark, luft och vatten. Det mesta 

kommer från marken och omfattningen beror i hög grad på berggrunden 

och jordarna. I ytvatten är radonhalten i regel låg, men i vissa brunnar kan 

den vara hög. Radon finns också i stenbaserade byggnadsmaterial, särskilt 

i blå lättbetong. De flesta kommuner har låtit göra kartor över radonhalten. 

Strålskyddsinstitutet har faktaupplysningar om strålning och risker, 

men ingen egen statistik. 

Om produkter, risker och olyckshändelser 

Elsäkerhetsverket upprättar statistik över elolycksfall – år, inblandad 

utrustning och situation men utan platsbestämning. Den statistik som 

Kemikalieinspektionen (KemI) tillhandahåller omfattar försäljning och, 

industriell användning. Man kan hämta uppgifter om ämnen, produkter, 

företag och branscher, men uppgifterna är inte geografiskt bestämda. KemI 

har hand om följande databaser: begränsningsdatabasen, bekämpningsmedelsregistret, 

flödesanalys, företagsregistret, klassificeringslistan, data- 

5 De fjorton kommunerna är Malmö, Lund, Kristianstad, Växjö, Götene, Helsingborg, Hässleholm, 

Falköping, Lidköping, Mölndal, Säffle, Södertälje, Uppsala och Östersund.


basen N-Class, prioriteringsguiden, riskline, SPIN-databasen och ämnesregistret. 

SPIN on the Internet är en nordisk databas om kemikalier i 

Danmark, Finland, Norge och Sverige. 

Räddningsverket har på sin hemsida interaktiv statistik över bränder, 

trafikolyckor, drunkningar samt utsläpp av farliga ämnen. För bränder 

redovisas bland annat de utrymmen, föremål och orsaker som varit inblandade 

i att elden uppstått. Trafikolyckor redovisas per ”trafikelement”. 

För utsläpp anges de typer av anläggningar, transportmedel och verksamheter 

som berörts av olyckan. Exempel är lastning och lossning av vägfordon, 

försäljning vid bensinstation eller under transport med tåg. Det 

finns däremot ingen form av geografisk redovisning. Det finns rapporter 

över ”Olyckor i siffror”, men dessa innehåller inte heller någon form av 

lägesbestämning eller geografisk översikt. Räddningsverkets statistik är 

sammanställd på grundval av de rapporter om olyckor och räddningsinsatser 

som landets räddningstjänster gör efter varje räddningsinsats. 

Rapporterna lämnas månadsvis till SCB som har ansvar för en statistisk 

databas över olyckor och räddning. Även länsstyrelserna samlar in uppgifter 

om räddningsverksamheten. Räddningsverket ställer samman de 

uppgifter som samlats in av SCB och länsstyrelserna samt kompletterar 

med statistik från Sveriges Försäkringsförbund, Vägverket och Svenska 

Livräddningssällskapet. 

Läsa vidare 

Om miljö och hälsa 

Bilaga 5 till regeringsuppdrag att utveckla ett nationellt uppföljnings- och 

utvärderingssystem för det samlade folkhälsoarbetet. Socialdepartementet 

S2002/5085/FH. Målområde 5: Sunda och säkra miljöer och produkter. 

Analys och förslag avseende mål och indikatorer. Stockholm: Statens folkhälsoinstitut; 

2003-03-31 

Hur påverkar miljön människors hälsa? Mått och resultat från miljöövervakningen. 

Rapport 5325. Naturvårdsverket; oktober 2003. 

Institutet för Miljömedicin. Tema Miljö och Hälsa. Miljöfaktorers påverkan 

på människors hälsa. Sammanfattning av seminarium på Institutet för 

Miljömedicin, Karolinska Institutet 16-17 oktober; 2001.


Möller L. red. Environmental medicine. Stockholm: Arbetarskyddsnämnden, 

Karolinska Institutet; 2000. 

Om geologi och hälsa 

Selinus O. Red. Essentials of Medical Geology. Elsevier; 2004. 

Skinner HCW, Berger AR Geology and Health. Closing the Gap. Oxford 

University Press; 2003. 

Om klimat, luft och hälsa 

APHEIS Air Pollution and Health: A European Information System Health 

Impact Assessment of Air Pollution and Communication Strategy Third 

Year Report 2002-2003. July 2004. 

MATCH, publikationer från SMHI. 

Persson C, Ressner E, Klein T. Nationell Miljöövervakning – MATCH-Sverigemodellen. 

Metod- och resultatsammanställning för åren 1999–2002 

samt diskussion av osäkerheter, trender och miljömål. Meteorologi nr 113. 

SMHI; 2004. 

Om olyckshändelser 

Björk S. Schelp L. Melinder K. Registrering av skadefall vid akutmottagningar: 

kartläggning av personskador som finns registrerade på vissa akutsjukhus 

i Sverige. Rapport 2003:33. Stockholm: Statens Folkhälsoinstitut; 

2003. 

Räddningstjänst i siffror. Årligen. Räddningsverket.

SÖKORDLISTA 

Sökord 

Grundläggande epidemiologiska termer ingår inte i listan 

sökordlista 365 

Ableism 263 

Aggregational fallacies 16 

Aggregerade individmått 181 

A-regioner 45, 319 

Atomistic fallacies 16 

Atomistiskt felslut 16 

Autokorrelation 239-243, 245 

Axiologi 275-277 

Bayesisk teori 126 

Bestämningsfaktorer 7, 12, 25, 39, 41, 55, 61, 105, 107, 109, 

113-114, 138, 141, 145, 178, 194, 305, 

311-312, 337, 339, 355 

Boolesk addition/logik/multiplikation 12, 129, 287 

Bourdieu, P. 65, 67 

Boverket 361 

Brottsförebyggande rådet 5, 298, 344 

Buffertzon 237-238 

Carstairs index 40 

Centroid 118 

Choropleth, se koropletkarta 109 

Coleman, J. 36, 41, 65, 67 

Community 43-44, 53, 63-64, 67, 100, 122, 132, 148, 

189-190, 220, 254 

Confounders, se också störande variabler 11, 36, 42, 56, 91, 93, 95-96 

Contextual fallacies 16 

Coping 11, 59, 64 

Correlational fallacies 16 

Dagböcker, tidsgeografiska 141-142, 144-147, 228, 369


Dasymmetrisk karta 110 

Distance sampling 232 

Durkheim. E. 100, 183 

Ecological fallacy, se ekologiska felslut 13, 89, 97, 100 

Edge effect, kanteffekt 128 

Ekologi 15-16 

Ekologisk bias 87, 89, 97-98, 183-184, 252 

Ekologisk design 54, 96 

Ekologiska fallgropar, ekologiska felslut 10, 13, 15-16, 37, 99, 

158, 183, 255 

Ekologiska felslut, ecological fallacies 10, 13, 15-16, 37, 99, 183, 255 

Ekologiska studier 10, 15-16, 90, 93, 96, 98-99, 159, 

180-181, 183, 185 

Elsäkerhetsverket 362 

Epidemiologisk studiedesign 87, 89-90, 96 

Epidemiologiskt Centrum (EpC) 8, 30, 300, 326-327, 329-330, 335 

Epistemologi 275-277 

Etisk prövning 317 

Fallacies, se aggregational, atomistic, contextual, correlational, ecological, 

sociological 13, 15-16, 89, 97, 100, 190, 220 

Fattigdomsindex 55 

Felslut, se atomistiskt, ekologiskt, individualistiskt, psykologistiskt 

respektive sociologistiskt felslut 10, 13, 15-16, 37, 99, 183-185, 255 

Feministisk teori 270 

Fiskeriverket 357, 360 

Flernivåanalys 196, 200-201 

Flernivåmodeller 12, 195-196, 202, 210-211, 216 

Folkhälsan i siffror 8, 327, 329-330, 333-334 

Folkhälsoenkät, nationell 344 

Folkhälsoinstitut, Statens 7, 9, 41, 66-67, 300, 305, 343-346, 

351- 363-364 

Folkhälsopolitiska målområden 7, 25, 345 

Folkhälsorapport 38 

Generaliserade Linjära Modeller (GLM) 5, 210 

Gentrifikation 27 

Geografiska Sverigedata (GSD) 319


Geokodning 160 

Gini-koefficient 313 

GIS 5, 9-10, 12, 43, 96, 103-105, 107-108, 119-120, 126, 129, 130, 

140, 151-158, 160, 162-166, 168-172, 227, 229, 231, 235-236, 

249-251, 253, 320, 326 

Glesbygd 11, 24, 37, 40, 45, 76, 319 

Global Positioning System, GPS 5, 21, 43, 113, 147, 152, 154, 162, 165 

Globala mått 181 

GPS 43, 113, 147, 152, 154, 162, 165 

Grannskap 11, 29, 37, 42-43, 53-54, 69, 71-73, 80, 83-84, 195 

Grounded theory 265, 280 

Gudstricket 261 

Halpern, D. 36, 41 

Hierarkisk spridning 140 

Hierarkiska modeller 126 

Hills kriterier 92 

Hofstede, G. 37, 41 

Homogena regioner 44 

H-regioner 39-40, 45, 319 

Hur mår Sverige? 8, 38, 327, 330, 333 

Hägerstrand, T. 141, 147-149, 229-230, 269, 281 

Hälsoindikatorer 312 

Härledda variabler 195-196 

Individualistiskt felslut 184-185 

Inkomstfördelningshypotes 49 

Inofficiell funktionell indelning 24 

Institutet för ekologisk hållbarhet 5, 360-361 

Integralvariabler 196 

Interpolering 239, 242-245, 247-248 

Intervening variable, mellanliggande variabel 42 

Isaritmkarta 110 

Isolinje 119, 140, 320 

IVL Svenska Miljöinstitutet AB 357-358 

Jordbruksverket 361 

Kanteffekt, edge effect 123, 128 

Kartdiagram 108, 110


Kartogram 108, 110 

Kemikalieinspektionen 5, 362 

Klimatkommunerna 361-362 

Kollektiv effektivitet 55 

Kommunala basfakta 5, 7, 9, 39, 41, 345-346, 350-351 

Kommundiagnos 44 

Komposition 27, 35, 186, 193 

Kompositionella variabler 55 

Kontext 8, 27, 35, 84, 186, 209, 220, 262, 264, 266, 272-273 

Kontextuell 11, 178, 182-186, 193-196, 213-214, 217-218 

Kontextuell effekt 11, 178, 182-185, 193, 213-214, 217-218 

Kontextuella variabler 55 

Koropletkarta 120 

Korsvalidering 152, 162-163 

Kovariansmatris 206 

Kriging 242-247 

Kvadratanalys 237, 240 

Kvalitativ metod 259-260, 268, 281 

Kvalitativa metoder 12, 14, 105, 260, 262, 278, 288 

LH-kvot (låg- och höginkomsttagare) 5, 39, 75 

Linjär flernivåmodell 204 

Linjär regression 196, 200, 204, 2067-208, 210 

Livsmedelsverket 344, 361 

Logistisk regressionmodell 206-208, 210, 215 

Lokala arbetsmarknader (LA) 44, 343 

Lokalsamhällen 11, 35 

Lägesbestämning 21-22, 137, 225, 233, 256, 315, 138, 357, 363 

Macintyre, S. 35-37, 41, 186, 190 

Marmot, M. 50, 62 

Medicinsk geografi 9, 103-104 

Mellanliggande variabel, intervening variable 42 

Miasma 58, 186 

Miljömål 364 

Miljömått 181 

Miljövariabler 196 

MI-områden 73


Modifyable Area Unit Problem 128, 237 

Multi-level analysis 31, 190 

Multinivåanalys, multi-level analysis, flernivåanalys 31, 56, 190, 

196, 200-201 

Målområden, folkhälsopolitiska 7, 25-26, 345-346, 350, 355 

Nationell folkhälsoenkät 344 

Nationella miljöövervakningen 357-358 

Neomaterialistisk skola 50, 58, 61 

NUTS 319, 343 

NYKO 5, 24, 42, 72, 120, 129, 157, 161, 236, 317, 341 

Närkontaktspridning 140 

Närmaste-granne-analys 240 

Omland 43, 45 

Områdeseffekt 11, 57, 177-178, 185, 189 

Ontologi 275-277 

Personuppgiftslagen 317, 360 

Postkolonial teori 270 

Psykologistiskt felslut 184 

Punktdiagram 197 

Punktkartor 108-109, 118 

Punktmönster, analys av 133, 232 

Putnam, R. 51-52, 57, 63, 65-67 

QCA 5, 12, 37, 283, 285-290, 302-305 

Quadrat sampling 232 

Qualitative Comparative Analysis, QCA 5, 12, 37, 283, 285-290, 

302-305 

Raster 131, 152, 165 

Region, homogen region, funktionell region, centrerad region 11, 21, 37, 

44-45, 73-76, 83, 111 

Regression 196, 200, 204, 206-208, 210, 242 

Relativ etnisk sammansättning (RES) 5, 83-84 

RES (Relativ etnisk sammansättning) 5, 83-84 

Reliabilitet 113, 147, 314-315 

Rikets nät 118, 250 

Riksförsäkringsverket 5, 250, 298, 300-301, 325, 328 

Rutnätsanalys 236, 253, 256


Räddningsverk, Statens 363-364 

Samhällsdiagnos 44 

Sampling 232 

Segregation 8, 71, 78, 83, 85, 195 

Sekretesslagen 317, 326 

Selektionsprocesser 27, 193 

Simulering 126 

Situationell interaktion 257, 259, 261-262, 267, 270, 275 

Sjukdomsekologi 15 

Sjukdomskartering 122, 133 

Small area studies 163, 254 

Smittskyddsinstitutet 5, 326, 328-329, 344 

Smoothing 124, 237, 245 

Snow, J. 64, 107, 134-135, 227 

Social cohesion 49-51, 60, 196 

Social rapport 39 

Socialt kapital 10, 14, 47, 49, 51-57, 59-62, 65-67, 177, 183, 194 

Sociokulturella egenskaper 36 

Sociologistiskt felslut 185 

Sociotopkartor 24 

Statistiska centralbyrån 5, 30, 39, 328, 340, 352, 261 

Stress-sjukdomshypotesen 60 

Störande variabler, se också confounding 11, 36, 60, 184, 186-187, 

189, 216, 218-220 

Swedish National Air Pollution Programme 362 

Svenska statistiknätet 357 

Sveriges geologiska undersökning 5, 357, 360 

Sveriges Meteorologiska och Hydrologiska Institut (SMHI) 5, 320, 357, 

359, 364 

Sveriges Statistiska Databaser 319, 340 

Sårbarhetshypotesen 59 

Tematisk karta 128 

Therapeutic places 263 

Tids- och rumsförskjutning 139 

Tidsgeografi 141-142, 269 

Tillit 52-56, 58, 61


Topografisk karta 108-109, 118 

Topologisk karta 131 

Townsends index 40 

Trajektoria 142 

Transaktionskostnader 52 

Trendyta 130 

Typområde 45 

Tätort 24, 37, 40, 249, 358 

Tätortsnära landsbygd 40 

ULF 6, 38, 328, 340 

Undersökningarna av levnadsförhållanden (ULF) 6, 38, 328, 340 

Utrymme 21, 45, 265, 286 

Validitet 113, 147, 218, 314-315 

Varianskomponentmodell 202-203 

Vektor 120, 156, 165 

Welt-Seuchen-Atlas 134, 136 

Whitehallstudien 50 

Wilkinson 49-51, 62, 65 

Wirediagram, se trendyta 130 

Överlagring, overlay 128-129, 166 

Överlagringsteknik, overlay-teknik 126, 128-129

Att områden och platser har betydelse för hälsan är uppenbart, men 

exakt hur orsakssambanden ser ut är däremot inte helt givet. Det 

handlar om faktorer av vitt skilda slag som - ibland direkt men 

oftast indirekt - i komplicerade kedjor inverkar på invånarnas hälsotillstånd 

och välbefinnande. 

Forskare med olika inriktning – epidemiologer, geografer, statsvetare 

och sociologer – har olika metoder och uppfattningar om hur man 

kan utforska och förstå detta samband. Dessa behöver inte nödvändigtvis 

konkurrera med varandra, snarare komplettera. Det är 

väsentligen vad den här boken handlar om – att göra hälsoanalyser 

med platsen och det geografiska området som utgångspunkt – 

men med olika infallsvinklar. 

Boken vänder sig till forskare och folkhälsoplanerare som vill få en 

överblick av olika metoder och tillvägagångssätt samt ger idéer och 

uppslag för den som funderar på att göra egna analyser. Boken 

består av tre avdelningar och belyser perspektiv, metoder och 

datakällor. 

Statens folkhälsoinstitut 

Distributionstjänst 

120 88 Stockholm 

Fax 08-449 88 11 

E-post: fhi@strd.se 

Internet: www.fhi.se 

R 2005:16 

issn 1651-8624 

isbn 91-7257-345-7

Platsen, individen och folkhälsan, 3.06 MB - Statens folkhälsoinstitut

Transform your PDFs into Flipbooks and boost your revenue!

Platsen, individen och folkhälsan, 3.06 MB - Statens folkhälsoinstitut

Transform your PDFs into Flipbooks and boost your revenue!

Delete template?

Save as template ?