Urban shrinkage has become a prominent global phenomenon, affecting cities acrossEurope, North America, and Asia due to long-term demographic decline, economicrestructuring, and spatial realignment. These shifts increasingly challenge localgovernments as shrinking populations and underutilised housing stock strainplanning, infrastructure, and service provision. Within this global context, Swedenillustrates these dynamics, with numerous municipalities experiencing populationdecline in recent years, exposing regional imbalances and housing marketimplications.

This study applies a data-driven approach to predict changes in population andhousing prices across all 290 Swedish municipalities. Using publicly available datafrom Statistics Sweden (SCB), Random Forest regression models were developed forthe periods 2016–2020 and 2019–2023. The models assess predictive accuracy andidentify which demographic, economic, and housing variables most influencemunicipal-level change, based on Model Performance, Feature Importance analysisand Partial Dependence analysis.

Model results indicate that predictive accuracy is highest in larger, urbanmunicipalities, whereas performance is more variable in smaller or rural areas,especially when modeling housing prices. Despite these differences, the modelsidentify important structural relationships and key factors driving urban shrinkage.Rather than establishing causality, the models serve as anticipatory tools to informevidence-based decision-making. The findings offer valuable insights for planners,policymakers, and real estate stakeholders, highlighting the practical and analyticalpotential of machine learning in understanding demographic shifts and marketdynamics.

Befolkningsminskning i städer och kommuner har blivit ett allt mer påtagligt globaltfenomen som påverkar städer i Europa, Nordamerika och Asien till följd av beståendedemografisk nedgång, omstrukturering av ekonomiska aktiviteter och förändradestadsstrukturer. Dessa förändringar innebär växande utmaningar för lokalamyndigheter, där befolkningsminskning och ett underutnyttjat bostadsbeståndförsvårar planering, infrastruktur- och serviceförsörjning. I det globala sammanhangetär Sverige ett tydligt exempel, med flertalet kommuner som under de senaste årenupplevt kontinuerlig befolkningsminskning och underliggande regionala skillnader.

Denna studie använder en datadriven metod för att förutsäga förändringar i befolkningoch bostadspriser i samtliga av Sveriges 290 kommuner. Med hjälp av offentligttillgänglig statistik från Statistiska centralbyrån (SCB), utvecklades Random Forest-regressionsmodeller för perioderna 2016–2020 respektive 2019–2023. Modellprestanda utvärderas och de variabler (demografiska, ekonomiska ochbostadsrelaterade) med störst inverkan på kommunala förändringaridentifieras, baserat på varje variabels relativa betydelse i förhållande till övrigavariabler i datasetet.

Modellerna presterade bäst i kommuner med större stadsbildning i analysen avbefolkningsförändring, medan modellen för förändring av bostadspriser gav bättreresultat när de mindre kommunerna exkluderades. Trots vissa begränsningar påvisarmodellerna viktiga strukturella samband och lyfter fram centrala indikatorer förbefolkningsminskning. Modellerna är inte tänkta att förklara orsakssamband, utananvänds snarare som verktyg för att identifiera mönster och stödja databaseradebeslut. Resultaten erbjuder insikter för planerare, beslutsfattare och aktörer inomfastighetssektorn och tydliggör det praktiska och analytiska värdet av maskininlärningi hanteringen av demografiska och marknadsdrivna förändringar.