The Built Environment’s Effect on Car Ownership : Aggregated Linear Modelling of Spatial Factors in Gothenburg

Where we live and how our immediate environment looks and functions affect how we travel. Through changes in the immediate urban area, it seems natural that the choice of car ownership would be affected. This study examines the connection between the physical environment and car ownership in the case study area of Gothenburg. The study is based on previous models and quantitatively examines the variance of car ownership per household at a statistical neighbourhood level through linear regression analysis. The study aims to shed light on how physical variables that can be controlled through municipal planning (factors that can be regulated through detailed planning or, for example, influenced by municipal investment in public streets) can explain the variance in car ownership per household. The City of Gothenburg's work with planning regarding mobility and how individual planners within the municipality evaluates the independent physical variables in the model were examined through a survey and a shorter series of interviews. In tandem with the statistically proven valuation of the variables impact on car ownership, this visualises how the mathematical and professional approaches differ.When developing the model of how the city's network, structure and housing supply potentially affect private car ownership per person, four main physical variable themes were investigated: parking (e.g., bicycle and car), network and density (e.g., building density, traffic network density or distance), housing (e.g., design, owning or renting and average size) as well as public transport (bus and tram networks). The resulting model shown on the right explains 91.5% of the variance of cars per household. A total of 55 different physical or descriptive variables were tested. The study’s model and the survey points to underlying factors that impact car ownership. The method can be criticized based on its delimitation to focus on physical factors whilst leaving out economic factors such as households’ economic prerequisites. Furthermore, private parking is not included in the model due to a lack of data. These two factors are highlighted by the survey respondents as well as the planners who were interviewed as being factors of great importance for the variance of car ownership. Knowing the approximate number of cars in an area after physical urban changes helps not only to see how many parking spaces are needed but also to align car ownership with the current sustainable development goals. However, this does not mean that you can completely trust the model and you will not be able to see any exact effects of restrictions on parking numbers in the model.Var vi bor och hur vår närmiljö ser ut och fungerar påverkar hur vi rör oss. Genom att ändra förutsättningarna i närområdet förefaller det naturligt att valet av bilinnehav skulle påverkas. Denna studie undersöker sambandet mellan den fysiska miljön och bilinnehav i fallstudieområdet Göteborg.Studien tar avstamp i tidigare linjära aggregerade modeller och undersöker variansen av bilinnehav per hushåll på basområdesnivå kvantitativt genom linjär regressionsanalys. Studien ämnar till att belysa hur de faktorer som kan styras genom kommunal styrning (faktorer som kan regleras genom detaljplanering eller exempelvis påverkas genom kommunal investering i gatumark) kan förklara variansen av bilinnehav. Frågeställningar kring Göteborgs Stads arbetssätt och värderingar av de oberoende fysiska variablerna i modellen som lyfts undersöks genom en enkätstudie och kortare intervjuserie i tandem med de statistiskt påvisade förhållandena för att se hur dessa två synsätt skiljer sig åt. I byggandet av modellen över hur stadens nätverk, struktur och bostadsutbud potentiellt påverkar privat bilinnehav per person valdes fyra huvudsakliga fysiska variabelteman: parkering (exempelvis cykel och bil), nätverk och densitet (exempelvis bebyggelsetäthet, trafiknätverksdensitet eller avstånd), bostäder (exempelvis utformning, upplåtelseform och medelstorlek) och kollektivtrafik (buss och spårvagn). Den resulterande modellen som visas till höger förklarar till 91,5% variansen av bilar per hushåll. Totalt testades 55 olika fysiska eller områdesbeskrivande variabler. Modellerna som studerades och enkätstudien pekar på underliggande faktorer som påverkar bilinnehavet. Studiens metod kan kritiseras utifrån sin avgränsning: att fokusera på fysiska faktorer, att utelämna hushållens ekonomiska förutsättningar och att privat parkering inte är inkluderat i modellen på grund av databrist. Dessa två faktorer ansågs vara av stor vikt enligt enkätstudiens respondenter och de planerare som intervjuades. Att känna till approximativa antalet bilar som kommer att finnas i ett område hjälper inte bara till att se hur många parkeringsplatser som behövs men även hur man skulle kunna styra bilinnehavet mot något mer i linje med den nuvarande målsättningen, att minska bilanvändande. Detta betyder inte att man kan förlita sig helt på den presenterade modellen och man kommer heller inte kunna se några exakta effekter från begräsningar av parkeringstal i de