Statens Jordbruksverk
Sveriges officiella statistik - Statistiska meddelanden
Skördeprognos för spannmål och oljeväxter 2016

JO 29 SM 1601

 

pil.gifFörsta sidan - I korta drag pil.gifStatistiken med kommentarer
pil.gifFakta om statistiken
pil.gifKontaktpersoner, mer information pil.gifIn English

Fakta om statistiken

Detta omfattar statistiken
Så görs statistiken
Statistikens tillförlitlighet
Bra att veta

Detta omfattar statistiken

Jordbruksverket presenterar årligen 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 än de preliminära skördeskattningarna i november, har Jordbruksverket utvecklat en prognosmetod för att prognostisera 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 2016.

De grödor som skördeprognosen omfattar är: höstvete, vårvete, höstråg, höstkorn, vårkorn, havre, blandsäd, höstrågvete, vårrågvete, höstraps, vårraps, höstrybs och vårrybs. I år är första gången vi gör en prognos för höstrågvete och vårrågvete var för sig. 2014 och tidigare gick det inte att ange i stödansökan om rågvete var en höst- eller vårgröda. Det medförde att det inte fanns några hektarskördar för respektive gröda att basera en prognos på för 2015.

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 2016. Väderdata utgörs av månadsmedelvärden för medeldygnstemperaturen och månadsvärden för nederbörden för månaderna januari-oktober 1965–2015 och januari-juli 2016. 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 55 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 2016

Tablå C och D visar hur temperaturen och nederbörden varit under 2016 jämfört med genomsnittet under de senaste 40 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 40 åren och s är standardavvikelsen. Värdet 0 betyder att variabeln i år är lika med genomsnittet under de senaste 40 åren. Positiva värden betyder att årets variabelvärde är större än normalt medan negativa värden betyder att årets variabelvärde är mindre än normalt.

Tilläggas bör att om till exempel 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 40 år. Denna variation skiljer sig åt mellan varje region. T.ex. har Prästkulla, Bredåkra och Järvsö en normerad skillnad på -0,5 i januari gällande temperaturen. För Prästkullas del innebär det att årets temperatur var 1,5 grader lägre än genomsnittet, I Bredåkra var den 1,4 grader lägre och i Järvsö 2,2 grader lägre än genomsnittet. Därför 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. Positiva respektive negativa värden ger en indikation på att temperatur eller nederbörd 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 2016 har varit under genomsnittet för samtliga stationer i januari och över genomsnittet för samtliga stationer utom Ullared i februari-juli. Ullared var under genomsnittet i april och juli.

 

 

Tablå C. Normerad skillnad för temperatur mellan årets väderdata och genomsnittsdata under de senaste 40 åren

Län

Station

Jan

Feb

Mars

April

Maj

Juni

Juli

Stockholms

Stockholm-Bromma

-0,8

0,7

1,0

0,3

1,2

0,6

0,2

Uppsala

Uppsala

-0,8

0,8

1,1

0,5

1,4

0,9

0,5

Södermanlands

Floda

-1,0

0,7

1,2

0,9

1,4

1,4

0,9

Östergötlands

Norrköping

-0,7

0,7

1,0

0,4

1,6

1,2

0,7

Jönköpings

Prästkulla

-0,5

0,7

0,9

0,2

1,2

1,1

0,3

Kronobergs

Växjö

-0,6

0,6

0,8

0,0

1,4

1,2

0,0

Kalmar

Kalmar

-0,6

0,7

0,9

0,8

1,0

0,9

0,3

Gotlands

Visby

-0,7

0,9

0,7

0,7

1,4

1,0

0,5

Blekinge

Bredåkra

-0,5

0,8

0,9

0,5

1,6

1,3

0,1

Skåne

Malmö

-0,3

0,7

0,6

0,1

2,0

1,6

0,2

Hallands

Ullared

-0,6

0,5

0,4

-0,3

1,2

0,9

-0,3

Västra Götalands

Skara

-0,6

0,6

0,7

0,3

1,0

0,9

0,1

Värmlands

Karlstad

-0,9

0,6

1,0

0,4

1,1

0,8

0,1

Örebro

Örebro

-0,9

0,8

1,2

0,6

1,5

1,2

0,5

Västmanlands

Västerås

-0,8

0,7

0,9

0,4

1,1

0,7

0,3

Dalarnas

Falun

-0,7

0,8

1,2

0,4

1,2

0,8

0,1

Gävleborgs

Järvsö

-0,5

0,6

0,8

0,0

0,6

0,5

0,1

Västernorrlands

Lännäs

-0,6

0,5

1,1

0,3

0,9

0,5

0,4

Jämtlands

Frösön

-0,9

0,7

0,8

0,0

0,7

0,5

-0,0

Västerbottens

Umeå

-0,9

0,6

1,0

0,6

1,2

0,1

0,8

Norrbottens

Boden

-0,7

0,7

1,2

1,0

2,0

0,3

0,9

 

Tablå D visar att vädret varierat i landet jämfört med normalt på respektive mätplats. I januari var det mindre nederbörd än normalt i hela landet förutom i Ullared. I februari och april fick de flesta mätstationerna mer nederbörd än normalt medan det resterande månader, mars samt maj–juli, var mindre nederbörd än normalt vid flertalet av mätstationerna. Norrköping och Prästkulla har under hela perioden januari till juli haft mindre nederbörd än normalt.

 

 

Tablå D. Normerad skillnad för nederbörd mellan årets väderdata och genomsnittsdata under de senaste 40 åren

Län

Station

Jan

Feb

Mars

April

Maj

Juni

Juli

Stockholms

Vallentuna

-0,6

-0,1

-0,8

0,1

-1,0

0,5

-0,1

Uppsala

Uppsala

-0,2

1,0

-0,8

0,3

-0,8

-0,6

0,7

Södermanlands

Floda

-0,8

0,2

-0,3

0,7

0,2

-0,7

-0,0

Östergötlands

Norrköping

-0,4

-0,2

-0,8

-0,7

-0,9

-1,1

-0,9

Jönköpings

Prästkulla

-0,5

-0,0

-0,5

-0,3

-0,4

-0,8

-1,1

Kronobergs

Växjö

-0,5

0,7

-0,7

0,6

-0,7

-1,5

0,0

Kalmar

Kalmar

-0,9

-0,7

-0,1

-0,3

-0,2

0,2

0,2

Gotlands

Vänge

-0,9

0,1

-0,2

0,1

-0,9

2,1

-1,1

Blekinge

Lyckeby

-0,8

-0,3

-0,6

0,7

-0,2

0,2

-0,1

Skåne

Malmö

-0,7

0,9

-0,5

1,4

-0,7

1,2

0,5

Hallands

Ullared

0,4

1,0

-0,4

1,7

-0,8

-0,1

1,4

Västra Götalands

Skara

-0,7

0,8

0,3

0,7

-0,7

-0,2

-0,5

Värmlands

Väse

-0,5

-0,3

-0,3

1,5

0,4

-1,2

-0,9

Örebro

Örebro

-0,5

-0,3

0,6

1,4

0,2

-1,4

-1,0

Västmanlands

Västerås

-0,3

0,9

-0,3

1,9

-0,2

-0,5

-0,0

Dalarnas

Falun

-0,0

0,5

-0,4

0,8

1,7

-1,1

1,0

Gävleborgs

Järvsö

-0,0

1,0

0,5

0,9

1,8

-1,1

-0,5

Västernorrlands

Lännäs

-0,8

0,5

-1,4

1,1

0,5

-0,1

-0,1

Jämtlands

Tandsbyn

-0,0

0,2

3,1

1,9

0,2

-0,6

-0,6

Västerbottens

Tavelsjö

-0,9

1,5

-1,1

2,2

-0,8

0,2

-0,0

Norrbottens

Harads

-0,7

1,6

-1,3

3,4

-0,9

-0,3

0,8

 

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 2016. 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 2011–2015. 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 större än den slutliga skördeuppskattningen och negativt värde betyder på motsvarande vis att prognosen var mindre än den slutliga skördeuppskattningen. Tablå E visar att prognosen 2015 förväntade sig större hektarskördar för höstkorn, rågvete, blandsäd och höstrybs än vad de slutliga skördeuppskattningarna blev. För resterande grödor var prognosen samma som den slutliga skördeuppskattningen eller något mindre.

 

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

Gröda

2011

2012

2013

2014

2015

Höstvete

12

2

4

0

-1

Vårvete

15

11

-2

1

-1

Höstråg

9

-11

3

-4

0

Höstkorn

24

-3

1

-6

3

Vårkorn

2

0

-8

-6

-6

Havre

8

18

-9

-9

-7

Rågvete1

20

-10

10

-7

3

Blandsäd

13

18

-9

2

2

 

 

 

 

 

 

Höstraps

12

-15

-5

-8

-11

Vårraps

-10

-6

-6

-1

0

Höstrybs

.

2

.

14

1

Vårrybs

-1

-1

0

38

-7

1 Efter 2014 är rågvete uppdelat i höst- respektive vårrågvete. Vårrågvete svarar för ca 9 % av den totala arealen rågvete under 2015 och 2016. 2015 gjordes dock enbart prognos totalt för rågvete. Den prognosen jämförs här med en genomsnittlig hektarskörd för höstrågvete och vårrågvete.

 

 

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

Gröda

2011

2012

2013

2014

2015

Höstvete

14

3

5

0

-1

Vårvete

14

14

-1

3

2

Höstråg

14

-11

4

-3

1

Höstkorn

33

-1

2

-5

5

Vårkorn

2

2

-7

-4

-4

Havre

12

24

-6

-6

-2

Rågvete1

26

-9

10

-6

4

Blandsäd

-18

0

-19

-10

-12

Summa spannmål

10

6

-2

-2

-2

 

 

 

 

 

 

Höstraps

23

-14

-5

-7

-11

Vårraps

-12

-8

-5

-1

0

Höstrybs

.

3

.

17

3

Vårrybs

4

0

2

35

-6

Summa oljeväxter

13

-12

-5

-7

-11

1 Efter 2014 är rågvete uppdelat i höst- respektive vårrågvete. Vårrågvete svarar för ca 9 % av den totala arealen rågvete under 2015 och 2016. 2015 gjordes dock enbart prognos totalt för rågvete. Den prognosen jämförs här med totalskörden för höstrågvete och vårrågvete.

 

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.

Tablå F visar att prognosen för spannmål 2015 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 11 % för 2015. Prognosen underskattade totalt hälften av grödorna.

Bra att veta

I november redovisas preliminära skörderesultat på riksnivå, med ett urval av cirka 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 2016 års grödarealer redovisas under 1:a kvartalet 2017.

Slutliga resultat från skördeundersökningar år 2016 redovisas under 2:a kvartalet 2017. 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.