I detta projekt har vi skattat fördelningseffekter i dimensionerna inkomst och geografi till följd av olika bilstyrmedel för att uppnå 70 %-målet inom transportsektorn till 2030. Analysen genomförs med en kombination av aggregerad bilparksmodell och disaggregerade data över samtliga vuxna svenska individer och deras ägda personbilar. För ett referensscenario och fyra utredningsscenarier prognosticeras bilparker år 2030, vilka sedan fördelas ut i 24 olika individgrupper baserat på gruppernas faktiska bilägande 2019. Scenariernas prisbanor för drivmedel och faktiska körsträckor 2019 används tillsammans med prognosticerade bilparker 2030 och hur de är fördelade i individgrupperna, för att skatta fördelningseffekter. Våra resultat visar att en policy som höjer priset på fossila drivmedel främst drabbar dem i landsbygd och minst drabbar individer i storstad. Dessutom är en sådan policy att betrakta som regressiv, det vill säga att de med låga inkomster drabbas relativt sett mest. Regressiviteten är högst i landsbygd, där höginkomsttagare verkar ha nästan lika lätt som höginkomsttagare i städer att ställa om till följd av höjda bränslepriser. Ett annat viktigt resultat är att en återinförd bonus för elbilar har liten effekt på koldioxidutsläppen, samt tydligt gynnar de i högsta inkomstklassen mest och särskilt höginkomsttagare i storstäder. Flertalet av våra resultat stödjer hypotesen att individer med de högsta inkomsterna kommer bäst ur den omställning till fossilfritt transportsystem som är under genomförande. Känslighetsanalyser visar att fördelningseffekterna är känsliga för vilken egenpriselasticitet för bilanvändning som antas för att modellera anpassningen till följd av nya drivmedelspriser.

In this study, we have estimated distributional effects in the dimensions of income and geography as a result of different policy instruments to reach the 70% goal in the transport sector by 2030.The analysis is carried out with a combination of an aggregated car fleet model and disaggregated data on all adult Swedish individuals and their owned cars. For a reference scenario and four alternative policy scenarios, car fleets in 2030 are forecasted, which are then distributed into 24 different individual groups based on the groups' actual car ownership in 2019.The scenarios’ price trajectories for fuel and actual mileage in 2019 are used together with forecasted car fleets in 2030 and how they are distributed in the individual groups to estimate distributional effects. Our results show that a policy that raises the price of fossil fuels mainly affects those in rural areas and least affects individuals in big cities. In addition, such a policy is regarded to be regressive, that is those with low income are relatively affected the most. Regressivity is highest in rural areas, where high-income earners seem to have almost as easy as high-income earners in cities to adjust as a result of increased fossil-fuel prices. Another important result is that a reintroduced subsidy for electric cars has little effect on carbon dioxide emissions, and clearly benefits those in the highest income class the most and especially high-income earners in big cities. Most of our results support the hypothesis that individuals with high incomes benefit best from the transition to a fossil-free transport system that is currently being implemented. Sensitivity analyzes show that the distributional effects are sensitive to which own-price elasticity of car use that is assumed to model the adjustment as a result of new fuel prices.