Fakta om statistiken

Detta omfattar statistiken
Så görs statistiken
Statistikens tillförlitlighet
Bra att veta

Detta omfattar statistiken

Årligen presenteras slutliga skattningar av skörden för de viktigare grödorna. Dessa skattningar har de senaste åren gjorts utifrån intervjuundersökningar efter att tidigare ha byggt på objektiva mätningar av skörden på olika provytor. Preliminära resultat från dessa intervjuundersökningar publiceras under november/december och slutliga resultat under våren nästkommande år.

Då det finns ett behov av skördeinformation som kan redovisas vid ett tidigare tillfälle, har Jordbruksverket utvecklat en prognosmetod för att uppskatta skörden av olika grödor utifrån väderdata och tidigare års skördar. Metoden bygger på statistiska regressionsmodeller där skördarna för olika grödor beskrivs som funktioner av olika mått på väder. Modellerna tar hänsyn till skörde- och väderdata från januari 1965 till och med sommaren 2015.

De grödor som skördeprognosen omfattar är: höstvete, vårvete, höstråg, höstkorn, vårkorn, havre, blandsäd, rågvete, höstraps, vårraps, höstrybs och vårrybs. Från 2015 kan man i stödansökningen ange om rågvete är höst- eller vårsådd. Vi har valt att även i år redovisa rågvete som en gröda.

Så görs statistiken

Prognosmetod

Som underlag för prognoserna har skördedata på länsnivå (med nuvarande länsindelning omfattande 21 län) och väderdata från 21 väderstationer, en station i respektive län, använts samt stödansökta arealer 2015. Väderdata utgörs av månadsmedelvärden för medeldygnstemperaturen och månadsvärden för nederbörden för månaderna januari-oktober 1965–2014 och januari-juli 2015. För varje län och för varje gröda som odlas i någorlunda omfattning i respektive län tas en regressionsmodell fram som beskriver det statistiska sambandet mellan väderdata och hektarskörd. Dessa prognoser viktas sedan samman till en genomsnittlig hektarskörd för riket. Resultat presenteras enbart på riksnivå då prognoserna på länsnivå är alltför osäkra för att särskilt redovisas. Eftersom väderdata för månaderna augusti till oktober innevarande år inte finns tillgängliga vid pro­gnos­tillfället antas att temperatur och nederbörd dessa månader blir ”normala”. Betydelsen av ”normala” är i detta fall medelvärdet av de senaste 50 åren.

Skördens beroende av vädret

Det kan konstateras att sambandet mellan skörd och väder är komplext, kanske alltför komplext för att på ett någorlunda enkelt sätt kunna sammanfattas i
matematiska modeller. Ett problem är att avgöra vilka vädervariabler som på­verkar en viss gröda i ett visst län och hur detta samband är beskaffat. Data­analyser visar att de vädervariabler som statistiskt sett har störst samband med skörden av höstsådda grödor är vädret i början på året (februari och mars) och då främst medeldygnstemperaturen. De variabler som förklarar variationer i avkastning av de vårsådda grödorna är framförallt temperaturen i mars, juni och juli och nederbörden från april t.o.m. juli. Om det är relativt torrt och varmt i mars/april så påverkar det såtidpunkten för vårgrödorna, vilket i sin tur bidrar till hur lång tillväxttid grödan får. Lång tillväxttid ger historiskt sett en större hektarskörd.

Väderförhållandena 2015

Tablå C och D visar hur temperaturen och nederbörden varit under 2015 jämfört med genomsnittet under de senaste 50 åren. För att få jämförbarhet mellan olika typer av väderdata beskrivs dessa i formeln (v‑m)/s där v är årets väderdata,
m är medelvärdet över de senaste 50 åren och s är standardavvikelsen. Värdet 0 betyder att variabeln i år är lika med genomsnittet under de senaste 50 åren. Plusvärden betyder att årets variabelvärde är större än normalt och minusvärden betyder på motsvarande sätt att årets variabelvärde är mindre än normalt.

Tilläggas bör att om t.ex. den normerade skillnaden i temperatur är lika för två regioner så betyder det inte nödvändigtvis att båda regionerna har haft exakt lika stor skillnad gentemot genomsnittstemperaturen mätt i grader. Detta eftersom skillnaden mellan årets temperatur och genomsnittstemperaturen divideras med hur stor variationen i temperaturen varit under dessa 50 år. Denna variation skiljer sig åt mellan varje region. T.ex. har Stockholm-Bromma, Uppsala och Örebro alla en normerad skillnad på 1,0 i januari gällande temperaturen. För Stockholm-Brommas del innebär det att årets temperatur var 3,1 grader högre än genomsnittet, i Uppsala var den 3,2 grader högre och i Örebro 3,5 grader högre än genomsnittet. Därav är det svårt att ge en uppskattning om vad värdena i tabellen motsvarar räknat i grader och millimeter.

Tabellerna ger ändå bra information om hur vädret varit jämfört med genomsnittet. Plus- eller minusvärden ger en indikation på att temperaturen eller nederbörden varit högre eller lägre än genomsnittet samt att höga värden (över 1,5) ger en indikation på att skillnaden jämfört med genomsnittet är relativt stor.

I tablå C kan man se att temperaturerna för 2015 har varit över genomsnittet för samtliga stationer i januari-april och under genomsnittet för samtliga stationer i maj-juli.

 

Tablå C. Normerad skillnad för temperatur mellan årets väderdata och genomsnittsdata under de senaste 50 åren

Län	Station	Jan	Feb	Mars	April	Maj	Juni	Juli
Stockholms	Stockholm-Bromma	1,0	1,0	1,4	1,1	-1,1	-0,8	-0,9
Uppsala	Uppsala	1,0	1,1	1,4	1,2	-0,6	-0,3	-0,3
Södermanlands	Floda	0,4	1,0	0,5	0,2	-0,5	-1,5	-1,4
Östergötlands	Norrköping	0,8	0,9	1,3	1,4	-0,9	-0,7	-0,3
Jönköpings	Prästkulla	0,9	0,8	1,2	0,7	-1,7	-1,0	-0,4
Kronobergs	Växjö	0,8	0,7	1,2	0,5	-1,8	-1,1	-0,6
Kalmar	Kalmar	0,9	0,9	1,2	1,6	-0,5	-0,3	-0,4
Gotlands	Visby	0,8	1,0	1,3	0,9	-0,4	-0,5	-0,5
Blekinge	Bredåkra	0,9	0,8	1,1	0,8	-1,1	-1,1	-0,5
Skåne	Malmö	0,9	0,6	1,0	0,7	-0,9	-1,0	-0,3
Hallands	Ullared	0,8	0,5	0,9	0,0	-2,3	-1,5	-0,9
Västra Götalands	Skara	0,9	0,9	1,1	0,5	-1,7	-1,2	-0,8
Värmlands	Karlstad	0,9	1,0	1,3	0,9	-1,7	-0,9	-0,9
Örebro	Örebro	1,0	1,1	1,4	1,3	-1,3	-0,6	-0,4
Västmanlands	Västerås-Hässlö	0,8	1,0	1,2	1,3	-1,3	-0,9	-0,5
Dalarnas	Falun	0,9	1,1	1,4	1,2	-1,0	-0,7	-1,5
Gävleborgs	Järvsö	0,8	1,0	1,1	0,9	-1,5	-1,1	-0,6
Västernorrlands	Lännäs	0,9	1,2	1,3	1,3	-0,6	-1,1	-0,9
Jämtlands	Frösön	0,6	1,2	1,7	0,4	-0,9	-1,4	-1,3
Västerbottens	Umeå	0,9	1,5	1,4	1,6	-0,4	-0,9	-1,0
Norrbottens	Boden	0,5	1,7	1,9	1,9	-0,1	-0,8	-0,7

 

 

Tablå D visar att vädret varierat varje månad jämfört med normalt. I januari, mars, maj och juli har det varit mer nederbörd än normalt i nästan hela landet och i resterande månader har det varit mindre nederbörd än normalt i nästan hela landet.

Tablå D. Normerad skillnad för nederbörd mellan årets väderdata och genomsnittsdata under de senaste 50 åren

Län	Station	Jan	Feb	Mars	April	Maj	Juni	Juli
Stockholms	Vallentuna	1,9	0,2	0,5	-1,0	4,1	-0,6	0,5
Uppsala	Uppsala	2,3	-0,3	0,2	-0,9	1,7	-0,6	1,2
Södermanlands	Floda	1,6	-0,6	1,6	-1,4	2,3	-1,1	0,3
Östergötlands	Norrköping	2,4	-0,2	1,6	-1,1	3,0	0,0	0,5
Jönköpings	Prästkulla	1,3	-0,5	0,0	-0,7	2,1	-0,4	0,5
Kronobergs	Växjö	1,6	-0,9	1,3	-0,6	1,6	-0,3	-0,3
Kalmar	Kalmar	1,7	-1,3	0,7	-0,3	0,8	-1,0	0,1
Gotlands	Vänge	1,8	-0,6	1,3	0,5	1,8	0,6	0,5
Blekinge	Lyckeby	1,8	-1,2	1,1	1,1	1,0	-1,3	-1,2
Skåne	Malmö	1,7	-1,0	1,3	-0,3	0,3	-0,3	-0,2
Hallands	Ullared	2,2	0,1	0,4	0,7	1,9	0,2	0,6
Västra Götalands	Skara	0,6	-0,7	0,3	0,0	1,8	-0,2	0,8
Värmlands	Väse	1,6	-0,6	0,6	-1,1	2,4	-0,7	0,8
Örebro	Örebro	2,4	-0,9	0,6	-1,4	2,1	-1,3	1,6
Västmanlands	Västerås-Hässlö	3,0	-0,6	1,1	-1,5	3,6	-0,5	1,4
Dalarnas	Falun	1,9	-0,8	-0,1	-0,8	2,2	0,0	1,8
Gävleborgs	Järvsö	3,4	0,1	0,2	-0,9	1,6	-0,7	1,8
Västernorrlands	Lännäs	1,4	-0,3	0,7	-0,4	1,1	-1,0	-0,3
Jämtlands	Tandsbyn	2,6	-0,2	0,5	0,1	2,8	-0,4	1,0
Västerbottens	Tavelsjö	2,0	-0,3	1,1	0,0	2,6	-0,7	0,1
Norrbottens	Harads	2,0	-0,7	0,3	0,0	3,1	-0,4	-1,1

 

Statistikens tillförlitlighet

Felkällor

Precis som för de flesta andra prognoser finns det problem och källor för osäkerhet även i denna prognosmetod. Några av dessa är:

¨           De gjorda prognoserna bygger på verkliga uppgifter av väderdata fram till och med juli år 2015. För efterföljande månader har årets väderdata satts till normalvärden, vilket gör att prognoserna kan slå fel om årets väder i augusti och september skiljer sig markant från normalåret.

¨           Varje väderstation motsvarar ett län. Vilket kan påverka resultaten betydligt då förhållandena kan skilja sig åt inom ett län. Vissa stationer har lagts ner och vissa har tillkommit sedan 1965 vilket gör att alla tidsserier inte utgörs av data från en station utan har tagits fram utifrån olika stationer.

¨           Modellen med de vädervariabler som används, månadsmedelvärdet för dygnsmedeltemperaturen och månadsvärde för nederbörden, tar inte hänsyn till hur temperatur och nederbörd fördelar sig över månaden. Om exempelvis nederbörden kommit under en kort period en månad påverkar detta skörden annorlunda än om nederbörden varit jämnt utspridd över månaden.

¨           De slutliga skördeuppskattningarna, som delvis ligger till grund för denna prognos, har inte tagits fram med samma metod genom åren. Tidigare ba­serades dessa skördeuppskattningar främst på provtagningar i fält medan de sedan 1998 baseras på telefonintervjuer. Som en följd av metodbytet har hektar­skörden fått en något annorlunda innebörd. När statistiken baserades på skörden från provytor avsåg hektarskörden skörd per besådd areal. När uppgifterna nu hämtas från jordbrukarna blir det mer fråga om en hektar­skörd som avser skörd per bruttoareal av grödan. Det skulle i så fall ge en något mindre hektarskörd. Effekten blir dock inte så stor eftersom de uppmätningar av arealerna som har gjorts efter EU-inträdet har medfört att lantbrukarnas redovisning av grödarealerna under senare år överens-stämmer allt bättre med den besådda arealen. De prognosmetoder som använts här blir något osäkrare om nivån på den faktiska skörden ändrats till följd av metodbyte.

Föregående års prognoser

För att belysa osäkerheten i skördeprognoserna redovisas i tablåerna E och F den procentuella skillnaden mellan publicerade prognoser och utfallet av de slutliga skördeskattningarna för åren 2010–2014. Påpekas bör att i de slutliga skördeuppskattningarna exkluderas arealer som valts att skördas som grönfoder. Prognosen tar ingen hänsyn till detta vilket bidrar till en systematisk överskattning av totalskördarna. Storleken på denna överskattning varierar från år till år beroende på hur stor andel som valts att skördas som grönfoder.

Positivt värde betyder att prognosen för hektarskörd respektive totalskörd var högre än den slutliga skördeuppskattningen och negativt värde betyder på motsvarande vis att prognosen var lägre än den slutliga skördeuppskattningen.

 

Tablå E.  Skillnader i hektarskörd mellan tidigare års prognoser och utfallet i de slutliga skördeuppskattningarna, %

Gröda	2010	2011	2012	2013	2014
Höstvete	11	12	2	4	0
Vårvete	11	15	11	-2	1
Höstråg	11	9	-11	3	-4
Höstkorn	23	24	-3	1	-6
Vårkorn	7	2	0	-8	-6
Havre	4	8	18	-9	-9
Rågvete	16	20	-10	10	-7
Blandsäd	1	13	18	-9	2
Höstraps	7	12	-15	-5	-8
Vårraps	19	-10	-6	-6	-1
Höstrybs	-1	.	2	.	14
Vårrybs	19	-1	-1	0	38

 

 

Tablå F. Skillnader i totalskörd mellan tidigare års prognoser och utfallet av de slutliga skördeuppskattningarna, %       

Gröda	2010	2011	2012	2013	2014
Höstvete	14	14	3	5	0
Vårvete	12	14	14	-1	3
Höstråg	17	14	-11	4	-3
Höstkorn	31	33	-1	2	-5
Vårkorn	9	2	2	-7	-4
Havre	9	12	24	-6	-6
Rågvete	22	26	-9	10	-6
Blandsäd	-22	-18	0	-19	-10
Summa spannmål	12	10	6	-2	-2
Höstraps	7	23	-14	-5	-7
Vårraps	15	-12	-8	-5	-1
Höstrybs	1	.	3	.	17
Vårrybs	15	4	0	2	35
Summa oljeväxter	7	13	-12	-5	-7

 

För höstkorn, rågvete, blandsäd och höstrybs baseras inte prognoserna direkt på väderdata då skördeuppskattningar inte gjorts under en tillräckligt lång period. Prognoserna för dessa grödor baseras istället på vilka samband de har med andra grödor. Detta förklarar de något större avvikelserna för just dessa grödor. Tilläggas bör också att den prognostiserade totalskörden för blandsäd systematiskt underskattas. Orsaken till detta är att prognosen, till skillnad från de slutliga skördeuppskattningarna, inte tar hänsyn till att vissa arealer baljväxt/stråsädesblandningar skördas som mogen gröda och inte som grönfoder.

Prognosen för spannmål 2014 stämde relativt bra (en underskattning med 2 % totalt) mot de slutliga skördeuppskattningarna. Prognosen bygger på att vädret fr.o.m. augusti ska bli enligt ett normalår. Totalskörden för oljeväxter under­skattades med 7 % för 2014.

Bra att veta

I november redovisas preliminära skörderesultat på riksnivå, med ett urval av ca 1 000 lantbrukare som undersökningsunderlag.

I början av december redovisas preliminär skörd av potatis.

Preliminär skörd av spannmål, trindsäd och oljeväxter med redovisning på län, produktionsområden och riksnivå baserade på hela urvalet (drygt 4 000 lantbruk) redovisas i mitten av december.

Slutlig statistik om 2015 års grödarealer redovisas under 1:a kvartalet 2016.

Slutliga resultat från skördeundersökningar år 2015 redovisas under 2:a kvartalet 2016. Där räknas majs in i summan av den totala spannmålsskörden, vilket inte görs i detta Statistiska meddelande.

 

Elektronisk publicering

Detta Statistiska meddelande finns kostnadsfritt åtkomligt på Jordbruksverkets webbplats http://www.jordbruksverket.se under Statistik samt på SCB:s webbplats http://www.scb.se under Jord- och skogsbruk, fiske.

Mer information om statistiken och dess kvalitet ges i en särskild Beskrivning av statistiken.