Svenska tillstånd? Vad kännetecknar egentligen de platser som klassas som utsatta av polisen

 Polisens lista över utsatta områden har blivit ett viktigt fenomen i den svenska samhällsdebatten. Listan uppdateras vartannat år utifrån en nationell inhämtning som polisens Nationella Operativa Avdelning (NOA) genomför, och väcker stor uppmärksamhet. Senaste uppdateringen kom i december 2021, och listan innefattar numera 61 områden. Flera kommuner har som politiskt mål att inte ha några utsatta områden, eller åtminstone att inte ha några särskilt utsatta områden (den mest allvarliga nivån av problem). Det gäller t ex Stockholm och Göteborg , men även regeringen har gjort uttalanden på temat, då på Sverigenivå. 

Den metod som polisen använder för att bedöma om ett område ska vara utsatt eller ej är ganska komplicerad, och innefattar bedömningar av problem på lokalpolisområden följt av bedömningar av hur problemen beskrivs på NOA. Vem som gör bedömningen och hur situationen mer allmänt är i dess lokalpolisområde kan tänkas inverka på utfallet. Somliga har bättre koll på sitt område, och somliga kan vara bättre på att beskriva situationen. Det finns ett visst mått av subjektivitet i metoden, till skillnad från den strikt kvantitativa danska metoden som bara utgår från statistik. För att bättre förstå våra utsatta områden har jag tillsammans med Nicklas Guldåker på Lunds Universitet och Mia Puur som tidigare skrev masteruppsats på detta tema (och som nu ska doktorera hos Nicklas på ett nytt projekt) nu publicerat en studie om utsatta områden i Nordic Journal of Urban Studies. 

I studien använder vi rutnätsdata från SCB över utländsk bakgrund, förvärvsfrekvens, åldersgrupper och hushållstyper samt data från polisen över anmälda brott i en rad olika kategorier plus skjutningsregistret. Totalt handlar det om 116 660 rutor som är 250x250 meter stora, och i analysen tar vi hänsyn till genomsnittet för angränsande rutor. Vi tar dessutom med vilken kommun rutan är i och hur många som bor i kommunen. 
Vi ser sedan vad som skiljer de 1678 rutor som år 2019 låg i utsatta områden från andra rutor. Ett par av de viktigaste variablerna visar sig då vara befolkning - utsatta områden tenderar att vara i kommuner med hög befolkning, och rutor i utsatta områden har också hög befolkning. Utsatta områden framträder alltså där det finns stora koncentrationer av människor. Det är också höga andelar barn och ungdomar i de utsatta områdena, även om det har en mindre betydelse. Utländsk bakgrund är viktigt, utsatta områden kännetecknas av att ha en hög andel utlandsfödda och barn till utlandsfödda. Förvärvsfrekvens har mindre betydelse, liksom flertalet av de brottsvariabler vi inkluderar. Det är dock fler skjutningar och narkotikabrott i utsatta områden, och färre cykelstölder samt fall av våld mot tjänsteman. Det sistnämnda är helt klart förvånande eftersom utsatta områden ju är kända för att präglas av just våld mot tjänstemän såsom poliser och liknande. När vi lägger till valdeltagande i vår modell bortfaller dock det sambandet, liksom sambandet med kommunens befolkning, medan valdeltagandet i sig har en stark koppling till att vara utsatt område. 

I nästa steg kollar vi om det verkar finnas skillnader mellan kommuner. Är det så att det i vissa kommuner verkar som att det skulle kunna finnas fler eller färre utsatta områden utifrån de indikatorer vi tittat på? Svaret verkar vara ja, där Huddinge är ett exempel på en kommun som rent statistiskt borde haft fler utsatta områden än kommunen redan hade jämfört med andra kommuner med utsatta områden. Det har också Huddinge nu, för i december 2021 lades Visätra till på polisens lista, vilket vi tar upp längst ner i detta inlägg. 

I det sista steget tar vi sedan resultaten från våra statistiska modeller och skickar dom tillbaka in i statistikprogrammet. Baserat på våra analyser, vilka platser tycker datorn "borde" vara utsatta och hur förhåller det sig till de platser polisen betecknat som utsatta? Det visar sig då att vår modell byter ut 40% av de rutor polisen klassat som utsatta mot rutor som den tycker passar bättre. På kartan nedan visas Göteborg, med svarta rutor det som modellen klassar som utsatt. Desto ljusare färger desto mindre utsatt. Modellen tycker att Backa kanske inte borde vara ett utsatt område - eller kanske ett mindre område i alla fall - eftersom det mesta i Backa är grått snarare än svart. Däremot tycker modellen att Kortedala och Angered centrum (ytor med svart uppe i nordöstra Göteborg) borde vara utsatta områden. Det här är absolut inget facit - polisen vet massor av saker som vår dumma statistiska modell inte vet. Men det är ett annat sätt att se på frågan. 

Ett exempel på att vår modell är ganska dum syns precis under "Gothenburg" där ett litet kluster med svarta rutor indikerar att det kanske borde finnas ett utsatt område. Vad är då detta för plats? Det är Nordstan, vid centralstationen i Göteborg. Där finns en ganska ung befolkning, och massor av narkotikabrott. Så vår modell tycker det ser ut som ett utsatt område - fast det såklart är något helt annat. Vår modell har dock vissa poänger - till exempel predicerade den korrekt alla de tre nya utsatta områden som sattes upp på polisens lista i december 2021 - Fisksätra, Visätra och Valsta. Det visas på kartan nedan (som inte är med i studien, klicka på kartan för att få en större version), där de tre nya utsatta områdena är inringade i rött. 

Denna typ av analys kan nog också vara ganska nyttig för att på en strategisk nivå - för hela Sverige - ta fram platser som har liknande kännetecken som våra utsatta områden, och som därmed kanske riskerar att i framtiden utvecklas till att bli mer utsatta.

Olika metoder för att förutspå var brott kommer att ske

Ny studie, ledd av Maria Camacho Doyle som är doktorand vid Örebro Universitet är nu publicerad i Nordic Journal of Studies in Policing och ska härmed sammanfattas. 

Det kan ofta vara väldigt nyttigt att försöka identifiera vilka platser som har mycket brott - eller ännu hellre vilka platser som kan komma att ha mycket brott i framtiden. När man vet det kan man försöka göra något åt det, där den enklaste (och troligen vanligaste) åtgärden helt enkelt är att skicka fler poliser till platsen - så kallad hot spot policing vilket visat sig vara effektivt för att minska brottsligheten. 

Det finns en mängd olika metoder för att identifiera eller predicera platser med mycket brott, t ex riskterrängmodellering som jag tidigare tagit upp på bloggen. Vanligast är dock att utgå från var det tidigare varit mycket brott, men frågan blir då hur det ska beräknas. Ett vanligt sätt att identifiera platser med mycket brott är genom Kernel Density Estimation (KDE), vilket bland annat finns inbyggt i polisens interna system i Sverige. I en KDE låter man brott influera en viss punkt med fallande kraft desto längre bort brotten är. 10 brott på exakt samma plats ger alltså ett högre värde på den platsen än 10 brott som ligger nära varandra, vilket i sin tur ger ett högre värde än om det är 10 brott längre bort eller om det är 5 brott i närheten (Här finns ett exempel på KDE för gatuvåld i Malmö). En KDE medför i praktiken att man slätar ut skillnader mellan platser, så att det blir en ganska jämn yta. Det fungerar också ganska bra för att identifiera platser med mycket brott. Allt bra alltså?

Njae, en nackdel med KDE är att det för de flesta upplevs som ganska tekniskt. Man stoppar in brott i en modell och får ut en densitetsberäkning utan att riktigt förstå hur det går till eller vad det visar mer exakt. Det är en blackbox, och att justera parametrar i beräkningarna (t ex inom vilka avstånd beräkningen ska göras) upplevs för somliga vara väldigt komplicerat och svårt. 

Ett alternativ till att använda KDE är att helt enkelt räkna hur många brott som finns på en plats, och använda den beräkningen för att identifiera hotspots. Det är något som är lätt att förstå intuitivt, och som kan vara ganska lätt att genomföra. Att det är enklare att förstå är ganska givet och en stor fördel, men huruvida det är lättare att genomföra beror på hur man definierar vad en plats är. Om man utgår från adresser eller koordinater går det ganska lätt att identifiera vilka platser som har mest brott, men det är också en extremt liten analysenhet vilket gör att det kanske inte egentligen är en plats det handlar om. I forskningslitteraturen används ofta gatusegment (från en korsning till nästa korsning på en väg). Ett enkelt sätt att göra det på är också att dela in en stad i rutor och räkna brott i varje ruta. Ett rutnät läggs helt enkelt på staden och sedan beräknas antalet brott i varje ruta enkelt genom olika geografiska informationssystem. 

I vår studie har vi testat att göra just det. Malmö har indelats i 16 737 rutor som är 100x100 meter stora, och sedan räknar vi hur många brott som varit i varje ruta för olika typer av brott. Vi testar sedan olika varianter av KDE jämfört med antalsräkningen för egendomsbrott och våldsbrott, samt nedbrutet på specifika brottskategorier såsom misshandel eller bostadsinbrott. I samtliga fall försöker vi predicera brottsligheten 2017 med tidigare brottslighet, och vi testar olika kombinationer av tidigare tidsperioder för att predicera 2017. Fungerar det bättre att använda 2016 jämfört med 2015? Eller en kombination av 2015 och 2016? Osv osv. 

Jag ska här inte i detalj gå igenom alla analyser och resultat, men istället konstatera att kontentan är att den enklaste och mest rimliga versionen - att ta året innan och bara räkna antalet brott i respektive ruta - ger bra resultat och därför är vettigast att använda. Ibland fungerar KDE något bättre, men skillnaden är ganska marginell, och enkelheten i att bara räkna antal gör att vi föredrar det. 

Vi visar också att det finns skillnader mellan olika brottstyper i hur lätt det är att predicera. Utomhusmisshandel är lättast - och vi visar där att så lite som 0.2% av platserna (rutorna) i Malmö kan fånga upp hela 19% av brotten. Bostadsinbrott däremot är svårare att predicera, och där föreslår vi att analysen kan kompletteras med till exempel near-repeat analyser som jag diskuterat i ett tidigare blogginlägg. Det finns en massa andra nyanser och analyser i studien, och den hågade kan därför med fördel läsa vidare via länken i början av detta inlägg - studien är open access och fritt tillgänglig för alla. 

Skjutningar, utsatta områden och öppen drogförsäljning

För ett par år sen gjorde jag tillsammans med Joakim Sturup, Amir Rostami, Mia-Maria Magnusson, Kim Nilvall och Ardavan Khoshnood analyser av den rumsliga och tids-rumsliga kopplingen mellan skjutningar, utsatta områden och platser med öppen drogförsäljning. Studien är nu publicerad i Journal of Policing, Intelligence and Counterterrorism - och det är därför dags för en populärvetenskaplig sammanfattning. 

Studien bygger vidare på våra tidigare studier om var och när det skjuts samt hur risken för nya skjutningar på en plats är förhöjd efter en första skjutning. Kort sammanfattat så visade vi då att det är väldigt mycket skjutningar i vissa områden - som till stor del sammanfaller med våra utsatta områden - samt att risken är ungefär fyrdubblad för en ny skjutning i närheten under de närmsta veckorna efter att en skjutning inträffat. Det är ett fenomen som kallas nära-återkommande mönster (near repeat patterns) och som påvisats för en mängd olika brott, bostadsinbrott, personrån och terrorattacker i Irak till exempel. För bostadsinbrott brukar det uttryckas som att "om din granne har haft inbrott löper du själv en förhöjd risk att drabbas" - men exakt hur det ser ut varierar såklart mellan olika brottstyper. 

Det där var intressanta fynd - men samtidigt var det en ganska grovmaskig analys. Visst att risken ökar kraftigt för en ny skjutning, men risken för att en specifik plats ska få en skjutning är ju i utgångspunkten så låg att även en stor ökning fortfarande landar i en ganska liten risk. Så hur användbart var det egentligen för polis eller andra aktörer som vill arbeta mot gängvåldet?

Metod och data

För att hantera det problemet - och för att mer allmänt få en bättre förståelse för var och när det skjuts har vi i den nya studien gjort lite mer detaljerade analyser. Framför allt så har vi nu explicit tagit med det polisen definierar som utsatta områden, samt lagt till information över var polisen upplever att det förekommer öppen drogförsäljning. Öppen drogförsäljning har länge varit diskuterat som en högriskplats i relation till skjutningar och följdskjutningar i litteraturen, men det är få som direkt studerat det - och det finns nästan ingenting om det i Europa. 

För öppen drogförsäljning har vi två olika data-set, som båda bygger på var polisen anser att/upplever att det förekommer öppen drogförsäljning. Det ena data-setet togs fram som ett pilotprojekt med polismyndigheten 2017 där vi i denna analys fokuserar på Malmö, och det andra är framtaget av polisens region Stockholm där Mia-Maria Magnusson som är polis och samtidigt doktorerar i kriminologi har varit drivande. De mäter lite olika saker - Magnussons data utgår från var ett lokalpolisområde anser att det finns varaktiga platser med öppen användning och försäljning av droger som upplevs som problematiskt. Det fångar då upp ganska stora ytor där det över tid funnits en etablerad drogscen. Den mest kända är väl Sergels torg i Stockholm, men totalt 48 platser identifierades i polisregion Stockholm under 2017. 

Det andra data-setet har en mer detaljerad, men också mindre stabil, inriktning. Där satt vi ner med områdespoliser i respektive område och ritade in på en karta exakt var de ansåg att det fanns problem med öppen drogförsäljning. Det blir då mycket fler - och mycket mindre - platser, som också är mer varierande över tid. För Botkyrka hade vi under 2017 data från båda metoderna - vilket visas på Figur 1 nedan. Cirklarna är de stora stabila öppna drogscenerna (Fittja och Alby), de orangea ytorna är mer specifika platser där polisen då upplevde att det förekom drogförsäljning. Som vi kan se finns det en samvariation - de båda cirklarna har en massa orange. Men det finns också skillnader - tydligast i detta fall utifrån att Hallunda-Norsborg i 2017 års version inte ansågs ha någon öppen drogscen men ändå har en massa orange. 

Figur 1. Två olika sätt att mäta var polisen upplever att det finns problem med öppen drogförsäljning. 

Vår studie utgår från platser med öppen drogscen i Stockholms län och specifika platser med öppen drogförsäljning i Malmö kommun. Vi har sedan räknat på hur många skjutningar per kvadratkilometer det är på drogplatser i och utanför utsatta områden och hur det förhåller sig till skjutningar på andra platser. 

Huvudnumret är dock att försöka beräkna hur många skjutningar som följer efter en första skjutning inom olika tidsramar och olika stora geografiska ytor. Om en första skjutning sker på en plats med öppen drogförsäljning, hur många skjutningar följer då den inom x veckor och y meter? Och hur förhåller det sig till hur det ser ut på andra platser?.

Resultat

Resultaten är rätt tydliga. Det är mycket mer skjutningar vid platser med öppen drogförsäljning än på andra platser. Och det är mycket mer skjutningar i utsatta områden än på andra platser. Kombinationen av öppen drogscen och utsatt område i sin tur har de högsta nivåerna - särskilt i Stockholm där kombinationen är mer än dubbelt så utsatt som en av variablerna i sig. De beräkningarna är dock per area - eftersom vi inte har befolkningsdata för platserna med drogförsäljning - vilket innebär att det i Malmös fall finns åkrar - och i Stockholms län dessutom massor av skog. Det finns helt enkelt en massa platser där det inte är några människor - vilket gör att siffermässiga jämförelser som "100 gånger mer skjutningar på öppen drogscen i utsatt område jämfört med resten av Stockholms län" blir missvisande. I en mer rättvis jämförelse jämför vi de platser i Malmö som har flest lokalbusspassagerare (i praktiken centrum inklusive krogområden) med de platser som har drogförsäljning i utsatt område. Det är då 12 gånger mer skjutningar på platserna med drogförsäljning i utsatt område. 

Samtidigt är det viktigt att understryka att de flesta skjutningarna inte sker på högriskplatserna. I Stockholm är det till exempel 26% av skjutningarna som sker vid öppen drogscen. Det är mycket mer än förväntat givet att öppna drogscener utgör en pytteliten del av regionen, men det är fortfarande en minoritet av alla skjutningar. 

Hur ser det då ut med risken för följdskjutningar på de platserna jämfört med andra platser? Jo, som vi trodde är det mycket fler följdskjutningar om den första inträffar på en högriskplats. Vi testar en rad olika kombinationer av avstånd i tid (14 dagar, 28 dagar) och rum (200-400-600 meter) och i samtliga fall finner vi att det är betydligt högre sannolikhet för en ny skjutning om den första skjutningen var vid en högriskplats. Inom 400 meter och 4 veckor från en första skjutning är det till exempel 0.23 följdskjutningar om den första skjutningen var vid drogscen i utsatt område, men bara 0.05 om den första skjutningen skedde på annan plats. I Malmö är skillnaden mellan högriskplatser och andra platser lägre - men alla värden är högre. Motsvarande som ovan är 0.4 och 0.16. Detta beror på att den data vi använde i denna studie gick fram till år 2017 - när Malmös skjutvapenvåld var nära sin topp och låg klart högst i Sverige. Sedan dess har skjutningarna i Malmö minskat i antal, medan Stockholm hade en kraftig ökning av skjutningar under 2020. 

Figur 2. Följdskjutningar i Stockholms län baserat på om första skjutning varit vid drogscen i utsatt område eller inte. Värden anges för inom 2 eller 4 veckor, samt inom 200, 400 eller 600 meter.

Diskussion och slutsats

Det är väldigt starka koncentrationer av skjutningar till platser med öppen drogförsäljning i utsatta områden, och det är också en ganska hög risk för en ny skjutning på en sådan plats efter en första skjutning. Det innebär att det enlig min mening är rimligt med riktade åtgärder kort i tid efter en skjutning på en sådan plats. Det här görs ofta också, normalt under några dagar inom ramen för trygghetsskapande åtgärder och utredningsinsatser - och åtminstone i Malmö görs det också under lite längre tid för att försöka förhindra följdskjutningar. 

Samtidigt ska detta inte tolkas som att det är drogförsäljningen i sig som orsakar skjutningarna. Det kan vara så, men den enklaste förklaringen är kanske snarast att de platser där det säljs droger i utsatta områden frekventeras av de kriminella nätverk som skjuter - och blir skjutna. Samma nätverk är också inblandade i drogförsäljningen, men utan fördjupade analyser ska man nog vara försiktig med att dra slutsatsen att skjutningarna är på grund av drogförsäljningen. 

Det kan finnas viktiga anledningar att arbeta mot den öppna drogförsäljningen dock - inte minst för att den påverkar många boende. I Stockholms stads trygghetsmätning 2017 var det t ex 42% av invånarna i utsatta områden som upplevde att öppen handel med droger var ett litet eller stort problem. I de tre särskilt utsatta områdena, Husby, Rinkeby och Tensta, var det 67% av invånarna. Öppen drogförsäljning kan sända en signal om laglöshet och är därmed ej önskvärt. Dessutom finns det ett egenvärde i att försöka reducera brottsvinsterna de kriminella nätverken kan göra. 

Samtidigt är det viktigt att betona att den internationella forskningen om tillslag mot drogmarknader pekar mot att det snarare ökar våldet än minskar det. Min kollega Kim Møller har också dragit liknande slutsatser utifrån sina analyser i Danmark. Om målet är att minska våldet kan det därmed vara kontraproduktivt att slå mot drogmarknaden - åtminstone på kort sikt. 

Det hela är, som vanligt, inte helt enkelt. Men nu vet vi i alla fall att den typen av platser har väldigt mycket skjutningar, och att de ganska ofta ser följdskjutningar efter att en första skjutning inträffat. En pusselbit i taget får vi lägga hela pusslet. 

 

Varierar det för olika brottstyper i hur hög grad platser med mycket folk genererar platser med väldigt mycket brott (hotspots)?

Nu har en ny studie accepterats för publicering, och min vana trogen ska jag därför försöka skriva en kort populärvetenskaplig sammanfattning. Studien är accepterad för publicering i European Journal on Criminal Policy and Resarch och heter Does the association between flows of people and crime differ across crime types in Sweden? (Pre-print länk) 

 Studien bygger vidare på en tidigare studie där jag analyserade våldsbrott vid busshållplatser, och bland annat kom fram till att många av de variabler som förutspår vilka busshållplatser som har mycket brott egentligen snarast mäter var det är mycket folk - och busshållplatser med mycket folk får mer brott eftersom det uppstår fler tillfällen då potentiella gärningspersoner interagerar med potentiella offer på en plats där många människor passerar. 

 I den nya studien bygger jag vidare på de fynden på flera sätt. Dels så studerar jag nu sex olika brottstyper och jämför resultaten för dessa; misshandel utomhus, personrån, cykelstölder, bilinbrott, skadegörelse och anlagda bränder. Dessutom så fokuserar jag nu på sambandet mellan platser med väldigt mycket brott, vilket ofta kallas hotspots, snarare än på ett mer generellt samband. Det här låter kanske nördigt och konstigt, men det är möjligt att en del av de samband som gäller generellt ser annorlunda ut när vi tittar på den väldigt lilla mängden platser som har väldigt höga nivåer av brott, och det finns faktiskt inte så många studier som explicit studerar just de platser som har väldigt höga brottsnivåer. En ytterligare sak jag lägger till i den nya studien är att jag tydligare försöker återkoppla till ett teoretiskt perspektiv - rutinaktivitetsperspektivet - vilket säger att brott uppstår i situationer där en motiverad gärningsperson möter ett lämpligt offer samtidigt som det inte finns tillräckligt med kapabla väktare för att avskräcka från eller förhindra brottet. 

Det här är intressant i relation till platser där det passerar mycket folk, eftersom det kan tänkas påverka alla tre variablerna. En plats med mycket folk kommer i genomsnitt också ha fler förövare. Och offer. Vilket bör öka brottsligheten. Men samtidigt bör platsen ju också ha fler kapabla väktare, vilka kan reducera risken för brott (Figur 1). Totalt sett är det väl etablerat att mer folk leder till mer brott, men flera studier har också visat att även om det blir fler brott kan antalet brott per person som finns på platsen faktiskt minska. En plats där väldigt många brott begås är alltså paradoxalt nog ofta en plats där varje enskild individ löper en mindre risk att utsättas för brott än på en plats med färre brott. 

Figur 1. Förenklad modell av hur stora flöden av människor teoretiskt kan tänkas påverka brottsligheten.

I analysen visar jag att sannolikheten för att en plats ska uppfylla kriteriet om att vara en hotspot (2,3 eller 4 standardavvikelser högre densitet av brottstypen) ökar tydligt om platsen också har många busspassagerare som passerar. Att så skulle vara fallet var väntat, men är ändå av visst intresse eftersom det som sagt är väldigt få studier som har analyserat just dessa platser i relation till andra faktorer. Som kan ses av de blåa prickarna i Figur 2 är dock sambandet betydligt svagare för skadegörelse och anlagd brand än för de andra brottstyperna. Min hypotes är att det åtminstone delvis har att göra med att du kan begå skadegörelsebrott nästan var som helst. Du kan klottra på en lyktstolpe, rispa eller elda på en parkbänk, tända eld på eller rispa en papperskorg eller bil. Osv osv. 

 Figur 2. Oddskvoter för hotspots för sex olika brottstyper i relation till densitet av buspassagerare.

Jag drar sedan den hypotesen ett steg längre, och antar att det finns oändligt med mål för att begå dessa brott. Jag antar dessutom att sambandet mellan de tre olika variablerna i Figur 1 ovan ser likadant ut för alla brottstyper. Båda dessa antagandena är kraftigt förenklade - och felaktiga. Men genom att göra sådana antaganden kan jag testa att teoretiskt lösa ut ekvationen i Figur 1 och försöka sätta en siffra på hur mycket av ökningen i brott som kan kopplas till fler potentiella offer/måltavlor för brott. Jag landar då i att anledningen till att en plats med många busspassagerare oftare också är en hotspot för brott till ca 70-80% beror av att det finns fler potentiella offer/måltavlor där. Det här behöver undersökas noggrannare med en mer exakt metod för att avgöra den relativa vikten av gärningspersoner, offer och kapabla väktare på en plats för den platsens brottslighet, men denna studie är ett försiktigt försök att utveckla vårt tänkande kring hur dessa variabler samvarierar, vilket i sin tur kan bidra till en bättre förståelse för hur vi kan förebygga brott. 

Bostadsområden som förklaring till var det anläggs bränder

I helgen kom min senaste vetenskapliga artikel ut online i Journal of Quantitative Criminology . Den behandlar ett viktigt geografiskt problem, att dom definitioner av bostadsområden och liknande som vi använder i forskningen sällan kan beskrivas som perfekta. Problemet kan indelas i två delmängder, dels hur stora bostadsområden (eller stadsdelar, grannskap etc) ska vara för att fånga det vi är intresserade av att mäta, och dels hur gränserna mellan områden ska dras för att på ett bra sätt fånga det vi är intresserade av.

I min artikel försöker jag utforska dessa problem när det gäller anlagda bränder i Malmö. Jag har delat in Malmö i 65 000 små fyrkanter, och sedan räknat hur många bränder som anlagts i respektive fyrkant under åren 2007-2011. I dom allra flesta fyrkanterna är det 0 bränder, men i ett par tusen är det åtminstone en anlagd brand, och i en handfull är det över tio.
Jag använder sedan en statistik metod för att försöka ta reda på hur mycket av bränderna i dessa små fyrkanter som verkar ha att göra med själva fyrkanten kontra hur mycket som kopplas till fyrkantens omgivning (bostadsområde). Fyrkanterna placeras in dels i Malmö stads indelning av bostadsområden (genomsnitt ca 2300 invånare) och dels i statistiska centralbyråns indelning av bostadsområden (~750 invånare), där båda dessa bostadsområdesindelningar utgår från hur staden ser ut, var vägar går, och liknande. För att testa bostadsområdets betydelse skapar jag dessutom påhittade bostadsområden av sex olika typer. Dom sex olika typerna av bostadsområden motsvarar ovan nämnda storlekar, samt en mycket mindre storlek, och fördelas på dels helt framslumpad placering av bostadsområdena, och dels en mindre slumpmässig placering där områden placeras ungefär som dom är placerade i Malmö stads / SCBs indelning. Totalt finns här alltså tre olika storlekar som jämförs (2300, 750 och 300 invånare i genomsnitt) och tre grader av slumpmässighet (helt slumpmässiga, delvis slumpmässiga samt ej slumpmässiga - malmö stads och SCBs). I bilden nedan som kommer från artikeln ges exempel på hur dessa ser ut. A visar byggnader i Malmö, D visar SCBs indelning, G visar Malmö stads indelning, B, E, H visar exempel på delvis slumpmässiga i tre olika storlekar och C, F, I visar exempel på helt slumpmässiga i tre olika storlekar.



Fyrkanten, som alltså är en liten, specifik plats har den största förklaringskraften. Det handlar t ex om fyrkanter med skolor (skolor är särskilt utsatta för anlagd brand), parkeringsplatser (bilbränder) eller sophus som också brinner relativt ofta. Men det finns också en tydlig skillnad mellan områden, och cirka 25% av variationen i anlagda bränder kan hänföras till platsernas omgivning.

När det gäller effekten av var gränser dras noterar jag att de delvis slumpmässiga områdena (B, E, H) har lägre förklaringskraft än de områden som definierats av Malmö stad och SCB. Skillnaden är signifikant, men motsvarar mindre än 20% minskning i förklaringskraften. Däremot är de helt slumpmässiga områdena (C, F, I) mycket sämre på att förklara variationen i anlagda bränder.  Min tolkning av det är att det viktiga är att bostadsområdena någorlunda utgår från stadens struktur (dvs ej är helt slumpmässiga), sedan har det en ganska marginell skillnad exakt var gränserna placeras - gränser som kastats ut på en karta av ett dataprogram utan någon som helst kunskap om hur staden faktiskt ser ut är inte så värst mycket sämre än de gränser som till exempel Malmö stad använder.

När det gäller skillnaden kopplat till storlek noterar jag att det inte finns någon signifikant skillnad mellan de stora och mellanstora områden jag tittat på. Malmö stads områden är ungefär lika bra eller dåliga på att säga något om var det anläggs bränder som SCBs betydligt mindre områden, och detsamma gäller för helt eller delvis slumpmässiga områden av dessa storlekar (E vs H, F vs I). Det här är av intresse eftersom flera forskare kring detta har argumenterat för att "smaller is better", vilket alltså inte dessa fynd stödjer.* Däremot hittar jag en stark ökning av förklaringskraften i de minsta områdena - och därav titeln på denna artikel, "Smallest is Better? The Spatial Distribution of Arson and the Modifiable Areal Unit Problem". Dessa fynd sammanfattas grafiskt i bilden nedan som är tagen från artikeln, där jag också har justerat alla modeller för andelen byggt land för att säkerställa att detta ej endast är en effekt av var byggnader har hamnat.



 Som nämndes ovan är det de specifika platserna som till största delen förklarar var det anläggs bränder - men omgivningen har också en effekt. Det kan förstås genom att närmare titta på dom platser där det varit mest anlagda bränder. Där finns till exempel ett par skolor, men det handlar då om skolor som ligger i väldigt fattiga bostadsområden. Andra platser som noteras för väldigt många bränder är av typen gator med mycket parkerade bilar - men sådana platser finns i hela staden, och de platser där det faktiskt är väldigt många bränder hittar vi i fattiga bostadsområden på platser där ungdomar bråkar med polisen. Både själva platsen och dess omgivning spelar roll, men när vi vill titta på omgivningen verkar det som att vi ska utgå från en väldigt liten omgivning. När det gäller den här typen av företeelser kan vi alltså tänka oss att stora områdesutvecklingsinsatser är lite för generella, utan förebyggande insatser bör istället inriktas mot gator, kvarter eller andra mindre geografiska enheter som verkar ha en större betydelse. Det här är också i linje med vad jag för ett par år sedan konstaterade avseende nivåer av samarbete och sammanhållning i en fallstudie av några bostadsområden i Malmö.

* Wikström med flera utgår dock i sitt argument från små områden när de argumenterar för smaller is better, så min studie bekräftar egentligen deras fynd, men nyanserar det något och pekar mot en eventuellt icke-linjär effekt av storleken.