Quantitative model of present and future well-being in the EU-28 : a spatial multi-criteria evaluation of socioeconomic and climatic comfort factors

Abstract

Both within the EU and within other regions/countries, there is a need to measure and monitor the well-being/Quality of Life (QoL) of people, in order to identify, anticipate, and address potential social or economic problems, at national and regional levels.
This study presents a model to quantitatively estimate the spatial well-being (QoL) distribution across the EU-28 member states down to the municipal level, using tools offered by GIS. The model is weight-driven and based on Eurostat statistics on objective key QoL indicators, identified by the 2016 Eurostat Analytical report on subjective well-being and the 2013 EU-SILC ad-hoc module on well-being. Additionally, some Europe 2020 strategy targets of the European Commission, deemed to be important to a sense of personal well-being, are included, such as the risk of poverty or social exclusion and advanced educational attainment.
A climatic comfort component based on 1961-1990 climatic normals is added to estimate the importance of (a static) climate to QoL. Thermal comfort levels are obtained using the Universal Thermal Climate Index (UTCI) and Predicted Mean Vote (PMV), and overall climatic comfort levels are obtained as a weighted linear combination based on the classical Tourism Climatic Index (TCI).
To evaluate the performance of the model, individual mean country results for year 2014 are compared to actual country results of the 2013 EU and 2014 OECD subjective well-being surveys. The modeled spatial QoL distribution is also forecast into year 2020, using simple linear regression of the selected socioeconomic factors.
The findings suggest that the model is able to estimate actual well-being levels from quantitative country statistics. Even closer agreement should be possible with careful calibration of the model weights to the prevailing attitudes and priorities of each individual region/member country and using more sophisticated regression methods for forecasting. The findings also suggest that subjective well-being components could be isolated from the objective model baselines. Furthermore, a (static) climate seems to play a less important, and perhaps even negative, role than we might think, compared to most of the selected socioeconomic factors.

Popular Abstract (Swedish)

Hur mår Europas befolkning och hur mår den i framtiden? Går det att förutspå var och varför välbefinnandet kan komma att ändras, så att eventuella problem kan förutses och åtgärdas?
EU tar befolkningens välbefinnande, eller livskvalitet, på stort allvar och mätningar utförs regelbundet för att ge beslutsfattare ett mått på hur väl den sociala och ekonomiska politiken fungerar. Makroekonomiska storheter som BNP har länge använts som mått på ett lands välbefinnande; dock kan inte enbart ekonomisk tillväxt användas som en tillförlitlig prediktor och idag, inom de 28 EU-medlemsländerna (EU-28), uppskattas välbefinnandet genom regelbundna mätningar baserade på viktiga objektiva välbefinnande- eller livskvalitetindikatorer, samt subjektivt välbefinnande. Objektiva indikatorer är demografiska och socioekonomiska storheter som anses viktiga, vissa i högre grad än andra, för en känsla av personligt välbefinnande, t.ex. nationalitet, kön, ålder, hälsa, materiella levnadsförhållanden, jobb, fysisk säkerhet, meningsfulla sociala relationer, disponibel inkomst, utbildningsnivå, social inklusion osv. Dock kan mätningar, undantaget generella, historiska trender, bara beskriva hur folk känner sig vid själva mätningstillfället. Dessutom, hur viktigt är egentligen (det statiska) klimatet för välbefinnandet?
En spatiell modell har här skapats för att uppskatta och förutspå det rent objektiva välbefinnandet inom EU-28 (undantaget Cypern p.g.a. en avsaknad av data) ned på lokalnivå, med hälp av geografiska informationssystem (GIS): Historiska data (2014) från Eurostat för 11 utvalda välbefinnandeindikatorer plus en klimatkomfortfaktor draperas som ett rutnät av celler (~17 km x17 km) över Europa, där varje indikator tilldelas ett relativt inflytande (vikt) baserat på analyser av den senaste EU-mätningen (2013). Alla dessa indikatorer läggs därefter ovanpå varandra för att beräkna den kombinerade välbefinnandenivån för varje enskild rutnätscell. Slutligen kartläggs varje cell. Framtida välbefinnandenivåer (2020) kan erhållas genom att uppskatta den framtida trenden för varje enskild indikator innan de kombineras. Rent teoretiskt skulle mycket lokala välbefinnandenivåer kunna uppskattas, förutsatt tillgång till tillräckligt detaljerade geografiska data (dvs. nationella mikrodata).
Det modellerade nationella (objektiva) välbefinnandet för 2014 och 2020 jämfört med två nyligen genomförda subjektiva mätningar (EU 2013, OECD 2014) ger en uppfattning om hur väl modellen fungerar, på grundval av de valda indikatorerna och viktningen.
Rent generellt underskattar modellen välbefinnandet (undantaget i synnerhet Sverige) jämfört med EU-mätningen. Dock är överensstämmelsen för Bulgarien, Tjeckien, Luxemburg och Frankrike särskilt god. Överensstämmelsen med OECD-mätningen är också generellt bättre. Den skiftande överensstämmelsen mellan olika länder mellan modellen och mätningarna kan tyda på att denna analys bör avpassas (avseende indikatorer och viktning) till de attityder och prioriteter som råder inom varje medlemssland. Den kan även indikera storleken/tecknet på det subjektiva välbefinnandet, dvs. hur folk uppfattar hur de mår, vilket verkar sjunka med ett ökat objektivt välbefinnande.
Kanhända i motsats till den gängse uppfattningen pekar resultatet på att ett behagligt klimat verkar spela mindre roll än man kanske kunde tro jämfört med övriga indikatorer: Klimatet gavs här en relativ betydelse på bara drygt 3 % medan antalet friska levnadsår (procentandel friska år av den förväntade livslängden) gavs drygt 21 %.

• author: Jörwall, Joakim
• supervisor: Micael Runnström
• organization: Dept of Physical Geography and Ecosystem Science
• course: GISM01 20162
• year: 2017
• type: H2 - Master's Degree (Two Years)
• subject: Earth and Environmental Sciences
• keywords: GIS, well-being, multi-criteria evaluation, EU-28, physical geography and ecosystem analysis, UTCI, Tourism Climatic Index, Predicted Mean Vote, Analytic Hierarchy Process, Fuzzy membership
• publication/series: Master Thesis in Geographical Information Science
• report number: 71
• language: English
• id: 8905790
• date added to LUP: 2017-04-18 12:20:09
• date last changed: 2017-04-18 12:20:09