Politiets tjenesteproduksjon. En undersøkelse av effektiviteten i politidistriktenes oppgaveløsning

Report 2026/3

Rasmus Bøgh Holmen, Andreas Stranden Hoel-Holt, Kenneth Løvold Rødseth, Sverre A. C. Kittelsen, Annica Allvin og Dag Ellingsen

Politiets tjenesteproduksjon. En undersøkelse av effektiviteten i politidistriktenes oppgaveløsning

Category	Reports
Sub-Categories	Statistics and Empirical Analysis Taxes and public economics
Year	2026
Report Number	3
Author(s)	Rasmus Bøgh Holmen Andreas Stranden Hoel-Holt Kenneth Løvold Rødseth Sverre A. C. Kittelsen Annica Allvin Dag Ellingsen
Download	file_download (4.1 MB)
Read in browser	PDF

Rapport 2026/3	 | Justis	- og beredskapsdepartementet	 	 	
 	
 	
 	
Politiets tjenesteproduksjon	 	
En undersøkelse av effektiviteten i politidistriktenes oppgaveløsning	 	
Rasmus Bøgh Holmen, 	Andreas Stranden Hoel	-Holt	, Kenneth Løvold Rødseth	, 	
Sverre A. C. Kittelsen, 	Annica	 Al	lvin	 og	 Dag Ellingsen

Politiets tjenesteproduksjon	 	
 
Vista Analyse	 | Rapport 2026/3	 	2 	
 
Dokumentdetaljer	 	
 
Tittel	 	Politiets tjenesteproduksjon	. 	
En undersøkelse av effektiviteten i politidistriktenes	 oppgaveløsning	 	
Rapportnummer 	 	Rapport 2026/3	 	
Forfattere	 	
Rasmus Bøgh Holmen, Andreas Stranden Hoel	-Holt, 	Annica Allvin, Dag Ellingsen, 	Kenneth 	
Løvold 	Rødseth	 og Sverre	 A. C.	 Kittelsen	Rasmus Bøgh Holmen, Andreas Stranden Hoel	-	
Holt, Kenneth Løvold Rødseth,	 	
Sverre A. C. Kittelsen, Annica Allvin og Dag Ellingsen	 	
ISBN	 	978	-82	-8126	-760	-2 	
Prosjektnummer	 	02	-RBH	-2023	 	
Prosjektleder	 	Rasmus Bøgh Holmen	 	
Kvalitetssikrer	 	Haakon Vennemo	 	
Oppdragsgiver	 	Justis	- og beredskapsdepartementet	 	
Dato for ferdigstilling	 	14. april 2026	 	
Kilde forsidefoto	 	Vista Analyse basert på ChatGPT	 	
Tilgjengelighet	 	Offentlig	 	
Nøkkelord	 	
DEA; indre effektivitet; kontrollfunksjonsmetodikk; litteraturkartlegging; politidistrikter; 
politiet; produktivitet; SFA; StoNED; teknisk effektivitet; tjenesteproduksjon; vekting av 
produkter

Politiets tjenesteproduksjon	 	
 
Vista Analyse	 | Rapport 2026/3	 	3 	
 
Om Vista Analyse	 	
Vista Analyse AS er et samfunnsfaglig analyseselskap med vekt på økonomisk utredning, evaluering, rådgivning og 
forskning. Vi utfører oppdrag med høy faglig kvalitet, uavhengighet og integritet. Våre sentrale temaområder er 
klima, energi, samferdsel, justi	ssektoren, næringsutvikling, byutvikling og velferd. Våre medarbeidere har meget høy 	
akademisk kompetanse og bred erfaring innenfor konsulentvirksomhet. Ved behov benytter vi et velutviklet nettverk 
med selskaper og ressurspersoner nasjonalt og internasjon	alt. Selskapet er i sin helhet eiet av medarbeiderne.	 	
Nettside:	 https://vista	-analyse.no	 	
Om Frischsenteret	 	
Stiftelsen Frischsenteret for samfunnsøkonomisk forskning er en uavhengig stiftelse opprettet av Universitetet i Oslo. 
Frischsenteret utfører anvendt samfunnsøkonomisk forskning innenfor en rekke ulike temaområder i samarbeid med 
Økonomisk institutt og and	re enheter ved universitetet og støtter den utdanningen som gis i samfunnsøkonomi ved 	
Universitetet i Oslo. Forskningsprosjektene er i hovedsak finansiert av Norges forskningsråd, departementer og in-
ternasjonale organisasjoner. Hovedvekten i forskningstema	er er innen arbeidsmarkedsøkonomi, utdanningsøko-	
nomi, energi	- og miljøøkonomi, samt offentlig økonomi, herunder helseøkonomi og produktivitet i offentlig sektor.	 	
Nettside:	 https://www.frisch.uio.no	 	
Om Transportøkonomisk institutt	 	
Transportøkonomisk institutt 	(TØI	) er et nasjonalt senter for samferdselsforskning med ansvar for å drive og fremme 	
forskning til nytte for norsk samfunns	- og næringsliv. TØI skal også formidle informasjon om forskningsresultater og 	
bidra til at forskningsresultatene blir nyttiggjort i sam	funnet gjennom 	bruker	samarbeid. TØI har 80 forskerårsverk. 	
Det er et mål for TØI at de skal ha ulik fagbakgrunn og at det skal være en balanse i antall med ulik bakgrunn. TØI ble 
opprettet i 1964 og ble en fristilt privat 	stiftelse i 1986. Instituttet mottar basisbevilgning fra Norges forskningsråd.	 	
Nettside:	 https://www.toi.no	 	
Om 	Arbeidsforskningsinstituttet	 	
Arbeidsforskningsinstituttet (AFI) driver tverrfaglig forskning 	med utgangspunkt i samfunnsvitenskap. Våre forskere 	
jobber hovedsakelig med spørsmål	 knyttet til arbeidsliv og samfunnsdeltakelse	. Forskningsinstituttet er tilknyttet 	
storbyuniversitetet OsloMet. AFIs bidrag består både av utviklingsarbeid, kvalitative og kvantitative empiriske studier 
og allmenn teoridannelse. Fagene sosiologi, samfunnsgeografi, psykologi, sosialantropologi, histor	ie, demografi, pe-	
dagogikk, kriminologi og filosofi er represent	ert ved instituttet.	 	
Nettside:	 https://www.oslomet.no/om/afi

Politiets tjenesteproduksjon	 	
 
Vista Analyse	 | Rapport 2026/3	 	4 	
 
Forord	 	
På oppdrag for Justis	- og beredskapsdepartementet studerer 	Vista Analyse, 	Frischsenteret, Transportøkonomisk in-	
stitutt og Arbeidsforskningsinstituttet ved OsloMet	 i denne forskningsrapporten	 effektiviteten og ressursbruken i 	
politidistriktenes oppgaveløsning	. Studien er kvantitativt innrettet og baserer 	seg på 	ledende metodikk for effektivi-	
tetsanalyse	. Forskningsrapporten inngår i et 	større 	forskningsprosjekt 	om effektivitet	en i politiet, som også omfatter 	
en forskningsrapport om kostnadsvariasjoner, en 	tek	nisk 	rapport	 som dokumenterer data og metoder	, samt	 en 	over-	
siktsrapport med 	en bredere inngang til problemstillingen.	 	
Rasmus Bøgh Holmen 	ved Vista Analyse 	har vært prosjektleder 	for studien. Andreas Stranden H	oel	-Holt og Annica 	
Allvin ved Vista Analyse, Sverre Kittelsen ved 	Frischsenteret	, Kenneth Løvold Rødseth ved Transportøkonomisk insti-	
tutt og Dag Ellingsen ved 	OsloMet har vært prosjektmedarbeidere.	 Rapporten 	er 	kvalitetssikret av Haakon Vennemo 	
ved Vista Analyse	. Dag Morten Dalen ved Vista Analyse har vært sparringspartner.	 	
Kjetil Sletteng Ulvik har vært overordnet ansvarlig for oppdraget hos Justis	- og beredskapsdepartementet. Gjennom 	
prosjektet har Britt Kristine Ludvigsen, Ida Thommesen Austad	, Vilde Kvalheim Heggdal 	og Øyvind Ytrestøyl Foldal 	
fungert som departementets kontaktpersoner. I møter med oppdragsgiver har sentrale personer i Justis	- og bered-	
skapsdepartementet og politidirektoratet deltatt.	 Prosjektet har dessuten blitt presentert for Politirolleutvalget.	 	
Prosjektet ha	r mottatt innspill fra en effektivitetsfaglig refera	nsegruppe og en politifaglig referansegruppe. Den ef-	
fektivitetsfaglige referansegruppa besto av	 Emmanuel Thanassoulis	 ved Aston University, 	Jonas Månsson	 ved 	Ble-	
kinge Tekniska Högskola	, Timo Kuosmanen ved 	Universitetet i Åbo	 og Ørjan Mydland 	ved Universitetet i Innlandet.	 	
Den politifaglige referansegruppa besto av	 en rekke 	sentrale personer i kraft av ledende stillinger eller særskilt data-	
kompetanse i p	olitidistriktene	, særorganene, Politidirektoratet	 og fagforeningene. Disse 	inkluderer Anne Engerbrå-	
ten, Britt Hjeltnes, Catherine Janson, Einar Tolo	-Kaldhol, Eli Fryjordet, Elin Knutsen, Geir Kjetil Finneide. Halvor Lie 	
Willadssen, Jørgen Wågan Olsen, Kjell Johann Abrahamsen, Kjetil Mollan, Kjetil Ravlo, Linda Krause, Marianne Bø	r-	
seth Steensby, 	Marius Kvithyl	d, Marit Ellingsen, Nina Karstensen Bjørlo, Ole Petter Ustad, Patrick 	Rasten Kiernan, 	
Runar Skarnes, Steffen Ravnåsen og Tage Stabell	-Kulø.	 	
Politidirektoratet har også bistått forskergruppen med	 innhenting og tolkning av data. Foruten nevnte 	Kiernan	, Knut-	
sen 	og 	Willadssen	 inkluder	er sentrale personer 	i dette 	henseende 	Camilla Lein Damsleth, 	Cristin Bråthen	, Christin 	
Røisland, Claes Lyth Walsø, Eirik Lund Presterud, Frode Aarum, Hallvard Holm Brenna, Helene Jesnes, Håvard Dal-
heim, Monica Elisabeth Kvåle, Niels Christian Hervig, Nina Elisabeth Holt, Robert Lalla, Stian Vatnedal, Stig Leon Jen-
sen og Trond Paul	sen.	 	
Forskergruppen	 ønsker å takke 	alle 	som har bistått med data og innspill for deres bidrag til studien. Gruppen	 vil også 	
takke	 departementet	 for et godt samarbeid.	 	
Rasmus Bøgh Holmen	 	
Prosjektleder	 	
Vista Analyse AS	 	
14. april 2026, Oslo

Politiets tjenesteproduksjon	 	
 
Vista Analyse	 | Rapport 2026/3	 	5 	
 
Ordliste	 	
Allokativ effektivitet	 	I hvilken grad produksjonsinnsatsens sammensetning hensyntar deres priser og marginale avkastning	 	
Boostrrapping	 	En statistisk metode som estimerer usikkerhet i en parameter ved å trekke gjentatte tilfeldige prøver 
med tilbakelegging fra dataene	 	
Dataomhyllinganalyse	 	Kortkortes DEA etter Data Envelopment Analysis på engelsk. En ikke	-parametrisk og deterministisk 	
metode for effektivitetsmåling ut fra «beste praksis»	-fronten	 	
Direksjonell distansefunksjon	 	Estimering eller optimering med flere produkter og innsatsfaktorer samtidig, der man måler hvor mye 
produktene kan økes og innsatsfaktorene reduseres samtidig i en ønsket kombinasjon	 	
Effektivitet	 	Mål av faktisk produktivitet opp mot en målestokk for beste praksis	 	
Endogenitet	 	En forklaringsvariabel i en modell som er korrelert med feilleddet og gir skjeve estimater	 	
Enkeltfaktorproduktivitet	 	Mengde output per enhet av én type produksjonsinnsats	 	
Funksjonell driftsenhet	 	Forkortet FDE. En enhet organisert etter funksjon	 	
Gebyrfinansierte 
publikumstjenester	 	Tjenester finansiert av brukerne som ID	-utstedelse, utlendingstjenester, vakthold og våpenlisenser	 	
Geografisk driftsenhet	 	Forkortet GDE. En enhet organisert etter geografi	 	
Geografisk særenhet	 	Politienhet som dekker spesifikke områder med særskilt funksjon og ansvar	 	
Ikke	-operativt politiarbeid	 	Indirekte politimyndighet som omfatter administrative og støttende funksjoner, inkludert 
gebyrfinansierte publikumstjenester og sivil rettspleie	 	
Indre effektivitet	 	Effektiviteten mål ut fra produksjonsprosessen	 	
Kapitalkostnader	 	Kostnaden ved å ta i bruk kapital, inkludert renter, kapitalslit, nettoprisvekst og interaksjonseffekter	 	
Kontekstuell variabel	 	En forklaringsvariabel i en modell som beskriver egenskaper ved omgivelsene	 	
Kontrollfunksjonsmetodikk	 	Metodikk for produktivitetsestimering som håndterer endogenitet ved å modellere korrelasjonen 
mellom forklaringsvariabler og restledd gjennom en kontrollfunksjon	 	
Kostnadseffektivitet	 	I hvilken grad produksjonen skjer til lavest mulig kostnad for et gitt produksjonsnivå	 	
Nasjonale fagenheter	 	Enheter som har faglig ansvar på nasjonalt nivå innen politiet	 	
Nasjonale fellesenheter	 	Enheter som leverer tjenester til hele politiet på nasjonalt nivå	 	
Namsfogden	 	Offentlig myndighet som gjennomfører tvangsfullbyrdelse av formuesrettslige krav	 	
Operativt politiarbeid	 	Politiarbeid rettet mot direkte utøvelse av politimyndighet, herunder forebygging, håndheving, 
oppklaring og utrykning	 	
Paneldata	 	Data bestående av flere enheter over flere tidspunkter	 	
Partielle produktivitetsmål	 	Produktivitetsmål som relaterer produksjonen til ressursinnsatsen uten at alt er innregnet	 	
Politidistrikt	 	Geografisk inndelt område med ansvar for regional polititjeneste	 	
Produksjonseffektivitet	 	I hvilken grad en enhet produserer maksimalt mulig produksjon gitt resssursinnsatsen	 	
Produktivitet	 	Forholdet mellom produksjon og ressursbruk	 	
Sivil rettspleie	 	Behandling av sivile rettstvister og krav i rettssystemet	 	
Skalaeffektivitet	 	I hvilken valg av nivået på produksjonen utnytter produksjonens skalaegenskaper	 	
Stokastisk frontanalyse	 	Kortkortes SFA etter Stochastic Frontier Analysis på engelsk. En parametrisk og stokastisk metode for 
effektivitetsmåling ut fra «beste praksis»	-fronten.	 	
Stokastisk ikke	-parameterisk 	
omhylling av data	 	
Kortkortes StoNED etter Stochastic Nonparametric Envelopment of Data på engelsk. 	En ikke	-	
parametrisk og stokastisk metode for effektivitetsmåling ut fra «beste praksis»	-fronten	 	
Særorganer	 	Politiske enheter med spesialoppgaver som ikke inngår i ordinære politidistrikt	 	
Teknisk effektivitet	 	Evnen til å produsere maksimalt mulig produksjon fra en gitt ressursinnsats eller motsatt	 	
Teknologifront	 	Grensen som angir den høyeste oppnåelige produksjonen for en gitt produksjonsinnsats	 	
Totalfaktorproduktivitet	 	Forholdet mellom samlet produksjon og samlet produksjonsinnsats	 	
Tverrsnittdata	 	Data bestående av flere enheter på ett tidspunkt	 	
Ytre effektivitet	 	Effektiviteten mål ut oppnåelse av samfunnsmål

Politiets tjenesteproduksjon	 	
 
Vista Analyse	 | Rapport 2026/3	 	6 	
 
Innhold	 	
Sammendrag og konklusjoner	 ................................	................................	................................	................................	......	 7 	
1 	Introduksjon	 ................................	................................	................................	................................	........................	 10	 	
1.1	 	Motivasjon for studien	 	10	 	
1.2	 	Gjennomføring av prosjektet	 	11	 	
1.3	 	Metodisk tilnærming til effektivitetsmålingen	 	12	 	
1.4	 	Implementering av rammeverket i politisektoren	 	13	 	
2 	Litteraturoversikt	 ................................	................................	................................	................................	................	 18	 	
2.1	 	Frontestimeringsstudier om effektiviteten i politisektoren	 	18	 	
2.2	 	Politifaglige studier om effektiviteten i politiets ressursbruk	 	19	 	
3 	Metodikk	 ................................	................................	................................	................................	.............................	 26	 	
3.1	 	Grunnleggende begreper i effektivitetsmåling	 	26	 	
3.2	 	Grunnmodeller for effektivitetsestimering	 	27	 	
3.3	 	Vekting av politiets oppgaveløsning	 	32	 	
3.4	 	Håndtering av intertemporale problemstillinger	 	36	 	
4 	Data	 ................................	................................	................................	................................	................................	.....	 39	 	
4.1	 	Driftskostnader i faste og løpende priser	 	39	 	
4.2	 	Produksjonsvariabler og vektingsstrategier	 	43	 	
4.3	 	Kontekstuelle faktorer og instrumenter	 	64	 	
4.4	 	Datastruktur	 	69	 	
5 	Empiriske hovedresultater	 ................................	................................	................................	................................	.. 73	 	
5.1	 	Hovedresultater for effektivitetsfordelingen	 	73	 	
5.2	 	Hovedresultater for effektivitetsforskjeller over politidistrikter	 	75	 	
5.3	 	Hovedresultater for betydningen av omgivelsene for effektivitet	 	80	 	
5.4	 	Hovedresultater for effektivitets	- og teknologiutviklingen	 	88	 	
6 	Empirisk robusthet	 ................................	................................	................................	................................	..............	 94	 	
6.1	 	Robusthet for effektivitetsfordelingen	 	94	 	
6.2	 	Robusthet for effektivitetsforskjeller over politidistrikter	 	97	 	
6.3	 	Robusthet for betydningen av omgivelsene for effektivitet	 	99	 	
6.4	 	Robusthet for effektivitets	- og teknologiutviklingen	 	102	 	
Referanser	 ................................	................................	................................	................................	................................	 104	 	
Appendikser	 ................................	................................	................................	................................	..............................	 110	 	
A. 	Appendiks: Oppdragsvekting	 ................................	................................	................................	............................	 111

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	7 	
 
Sammendrag og konklusjoner	 	
Vi etablerer 	et rammeverk 	for effektivitetsmåling 	i politiet	 med fokus på politiets ressursbruk	. 	
Gjennom	 datatriangulering og 	metodetriangulering 	med	 tre 	ledende metoder for effektivitets-	
analyse	 – DEA, SFA og StoNED	 – undersøker vi effektiviteten i	nnad i	 norske politidistrikter syste-	
matisk	. Disse metodene	 er godt egnet til prestasjonsmåling i komplekse produksjonsmiljøer og 	
evner å 	absorbere 	kritikk gjennom tilpasninger i rammeverket.	 Vi 	måler effektiviteten 	i norske 	
politidistrikte	r månedlig i perioden 2016 til 2023	 med kostnadsvolum som avhengig variabel	, og 	
straffesaker, politioppdrag og ikke	-operative 	politi	saker	 som 	tjen	est	eprodukter	. Siden det er stor 	
heterogeniteten innad i hvert tjenesteprodukt, vekter vi de underliggende delproduktene etter 
hvordan de påvirker kostnadene	. I tillegg korrigerer vi for forhold i omgivelsene og produksjons-	
innsats som ikke lar seg kvantifisere direkte. 	Vi 	avdekker	 systematiske 	forskjeller mellom distrik-	
tene	, men 	identifiserer ingen	 produktivitetsvekst over tid.	 Rangeringene 	av distriktenes effekti-	
vitet 	er r	elativt 	robuste overfor valg	 av data 	og metode	. Vi finner	 antydninger 	til 	en positiv sam-	
menheng mell	om stramme økonomiske rammer og kostnadseffektivitet.	 	
Prestasjonsmåling 	innenfor	 offentlig sektor 	er 	utfordrende	 å gjennomføre på en helhetlig måte, 	
og politisektoren er intet unntak. 	For det første er tjenesteproduksjonen ikke	-markedsrettet, hvil-	
ket innebærer at den snarere enn å være profittmaksimerende søker å ivareta 	andre 	mål for tje-	
nesteproduksjonen. Det kan	 både	 dreie seg om interne produksjonsmål	, gitt produksjonen	s inn-	
retning,	 og eksterne produksjonsmål	, hvor	 samfunnsmål søkes	 oppnå	dd	 på en best mulig måte.	 	
For det andre vil man som regel være opptatt av å framskaffe gode kvalitetsindikatorer, som eg-
ner seg til å belyse kvalitetsforskjeller i produksjonen, slik at målingen ikke 	blir rent kvantumsfo-	
kusert.	 For det tredje søker man å ta høyde for sentrale forhold i omgivelsene som påvirker ram-	
mevilkårene for produksjonen. I tillegg spiller en rekke forhold inn, som produksjonsteknologiens 
utforming, 	måleproblemer	, og utfordringer med tosidig kausalitet mellom effektiviteten og inn-	
satsen av produksjonsressurser.	 	
Effektivitetsanalyse	 er e	n kraftig verktøy	kasse	 som tillater	 måling av beslutningsenheter	s presta-	
sjoner	 i komplekse beslutningsprosesser 	sammenliknet med beste praksis	. Selv om også denne 	
formen for 	analyse	 har godt av å suppleres med kvalitative betraktninger og sunn fornuft, har den 	
en 	klar fordel ved at den gjennom tilpasninger evner å absorbere mye av kri	tikken som 	analysene	 	
møter	. Mens	 effektivitetsanalyser benyttes 	systematisk som et verktøy for å overvåke 	effektivi-	
teten	 i kommunal sektor	 og 	i kraftsektoren i Norge	 må man flere tiår tilbake	, eller til utlandet	, for 	
å finne 	tidligere	 effektivitetsanalyser	 av politiet.	 I denne forskningsrapporten undersøker vi sys-	
temat	isk	e variasjoner i kostnadseffektiviteten over politidistrikter	, med fokus på 	deres	 tjeneste-	
produksjon	. Rapporten 	inngår i et forskningsprosjekt	 om 	den indre 	effektiviteten i det norske po-	
litiet	, der målsetning	en	 er utvikle et rammeverk for å overvåke 	og analysere 	effektivitetsvariasjo-	
nene i politisektoren	 systematisk	. 	
Siden e	ffektivitetsmåling	 kan gjennomføres 	med flere ulike metoder og forskjellige 	variabel	sett	, 	
har vi lagt vekt på metodetriangulering og datatriangulering.	 Som metodiske hovedtilnærminger 	
bruker vi 	de to mest utbredte metodene innenfor 	effektivitetsanalyse 	– dataomhyllingsanalyse 	
(DEA	) med fleksibel funksjonsform som fortrinn	, og	 stokastisk frontanalyse	 (SFA	) som har fortrin-	
net å være 	mindre sårbar for støy	. I tillegg tar vi bruk	 stokastisk ikke	-parametrisk dataomhylling	 	
(StoNED	) som har begge disse ford	elene, men 	krever relativ kompleks estimering.	 Vår	e tilnær-	
ming	er er kostnadsorientert	e med 	politidistrikter som beslutningsenheter og 	månedlige målinger 	
fra 2016 til 2023	. Vi benytter 	løpende deflaterte kostnader som avhengig variab	el og

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	8 	
 
politioppdrag, straffesaker og ikke	-operative politisaker	, inkludert sivil rettspleie og gebyrfinansi-	
erte publikumstjenester	, som produkter.	 I vår hovedspesifikasjon (	S2	) håndterer vi 	det store spri-	
ket innad i de tre 	produktgruppene 	ved å vekte de underliggende delproduktene i tråd 	med 	hver 	
enkeltes f	orventede ressu	rsbruk.	 Videre korrigerer vi for månedsfaste og årsfaste effekter.	 	
Basert på empirisk uttesting 	har vi 	kommet fram til fire sosioøkonomiske og fire tidsrelaterte kon-	
tekstuelle variabler som fanger opp de viktigste	 forskjellene 	i omgivelsene 	mellom politidistrik-	
tene 	De sosioøkonomiske v	ariablene 	er l	andareal per innbygger	, andelen av befolkningen som 	
bor i tettsteder	, sysselsetting etter bosted per innbygger 	og befolkningsandelen i alder	sgruppen	 	
15 til 39 år	. De fire tidsrelaterte variablene er antall dager i måneden, andel ordinære hverdager 	
i måneden, samt koronasmittetilfeller per innbygger under koronapan	demien, før og etter vaksi-	
neringen av personer i arbeidsfør alder.	 En annen sentral utfordring er at deler av	 politiets tje-	
nesteproduksjon	 ikke lar seg kvantifisere direkte	, deriblant	 forebygging og etterretning. For å 	
håndtere 	denne	 problemstillingen låner og tilpasser vi et grep fra produktivitetsmålinger innenfor 	
konvensjonell økonometri, kjent som kontrollfunksjonsmetodikk. I våre anvendelser betyr det i 
praksis at vi utnytter kontekstuelle variabler til å korrigere for kausalitet	sutfordringer i målinge	ne 	
av produktene i kontrollfunksjoner som estimeres simultant med StoNED	-rammeverket.	 	
Selv om nivåene på effektivitetsscorene varier	er, er v	åre resultater 	for politidistriktenes effektivi-	
tetsscorer 	relativt 	robuste på tvers av 	valg forbundet med metodikk og data	. Videre er hoved-	
trekkene i rangeringen av politidistriktenes effektivitet	 relativt stabile over tid	. V	i identifiserer ikke 	
produktivitetsforbedringer i politiets tjenesteproduksjon.	 Korrigeringen for 	forskjeller i ramme-	
vilkår og 	utelatt tjenesteproduksjon 	bidrar til	 høy grad	 av sammenliknbarhet 	mellom	 politidistrik-	
ter.	 Vi finner ingen produktivitetsvekst.	 På grunn av 	høyere regist	reringsterskel	 og	 et mer kompli-	
sert kriminalitetsbilde	 over tid 	er det vanskelig 	å fastslå	 produktivitetsveksten nøyaktig	. 	
I Figur 	S.1 har vi illustrert effektivitetsscorene over politidistrikter 	for tre 	modell	spesifikasjoner	 – 	
uten kontekstuell kontroll	 (panel a)	, ved bruk av kontrollfunksjonsmetoden og de fire sosioøko-	
nomiske kontekstuelle variablene 	(panel b) 	og ved 	bruk av kontrollfunksjonsmetoden 	og alle de 	
åtte kontekstuelle variablene	 (panel c)	. I figuren markerer de mørkeblå	 strekene i midten av 	hver 	
lyseblå 	boks medianeffektiviteten	 for et gitt 	politi	distrikt, mens 	høyden på boksen	, linjene og 	
punktene rundt markerer spredningen.	 Distrikter 	som ifølge våre sektorinformanter har hatt	 re-	
lativt 	stramme økonomiske rammer	, som	 Agder	, kommer ut som	 kostnadseffektiv	e, og vi	ce versa.	 	
Oslo blir mer lik som de andre politidistriktene etter at man har korrigert for utelatt politiproduk-
sjon.	 I spesifikasjonen 	med åtte kontekstuelle variabler 	tyner man forklaringspotensialet i data-	
ene	 relativt mye	, og effektivitetsforskjellene blir mindre, men 	hovedtrekkene i mønstrene 	består.	 	
Resultatene presentert i denne forsknings	rapporten	 bør ikke ses på som et endelig fasitsvar for 	
effektivitetsmåling i politie	t. Studien	 representerer likevel 	et vesentlig	 skritt i retning av et ram-	
meverk som muliggjør mer systematisk	 overvåking og undersøkelser av politiets effektivitet. 	
Forsknings	rapporten	s analyser og funn	 bør 	også ses i sammenheng med 	de andre 	delene av forsk-	
ningsprosjektet,	 som inkluderer en 	forskningsrapport	 om effektivitet og kostnadsvariasjoner i po-	
litiet, en hovedrapport med en bred	ere tilnærming	, og en teknisk rapport 	om studiegrunnlaget.	 I 	
framtiden	 vil f	orlengede dataserier og forbedret	 datagrunnlag	, samt	 eventuelle metodiske nyvin-	
ninger, kunne gi enda	 mer nøyaktige resultater. Det vil også være mulig å anvende metodikken 	
på	 andre aggregeringsnivåer 	eller	 deler av politiet, eller å undersøke politiets 	ytre	 effektivitet	 i 	
form av oppfyllelse av 	deres 	samfunnsoppdrag	. I det videre arbeidet med effektivitetsanalyser i 	
politiet 	vil vi anbefale at resultatene tolkes i en bredere kontekst og gjerne 	berikes	 med supple-	
rende analyser 	med mindre tekniske metodiske innfallsvinkler	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	9 	
 
Figur 	S.1 	Sammenlikning av 	effektivitetsscore	nes 	fordeling per politidistrikt, estimert 	
med StoNED	, modellspesifikasjon S2	 a) 	uten kontekstuell	 korreksjon	 (ø.)	 og 	
med en 	kontrollfunksjon med 	b) fire proxier (i.m.) og 	c) 	åtte proxier (n.)	 	
a) Uten kontekstuelle variabler	 	
 	
b) Kontrollfunksjonsmetoden med fire proxier	 	
 	
c) 	Kontrollfunksjonsmetoden med åtte proxier	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	10	 	
 	
1	 	Introduksjon	 	
Denne 	forsknings	rapporten 	om 	effektiviteten og ressursbruken i politidistriktenes oppgaveløs-	
ning inngår i et større forskningsprosjekt om effektiviteten i politiet som også omfatter en forsk-
ningsrapport om kostnadsvariasjoner i politiet	 (Holmen med flere 202	6b), en teknisk 	rapport	 som 	
dokumenterer data og metoder	 (Holmen med flere 202	6c), samt	 en oversiktsrapport med en 	
bredere inngang til problemstillingen	 (Holmen med flere 202	6a). Samlet har vi i forskningspro-	
sjektet 	tatt 	sikte på å tilby en helhetlig, forskningsbasert tilnærming 	til effektivitetsmåling 	som vil 	
gi verdifull innsikt i politiets ressursbruk og effektivitet, både på kort og lang sikt.	 	
Evaluering av effektiviteten i politiets ressursbruk er 	et kompleks	t felt	, der fronteffektivitetsana-	
lyser	, som brukes i dette delstudiet,	 kan være en del av løsningen. Vi innleder 	studien	 ved å 	i 	
kapittel 	1 redegjøre for motivasjonen bak og gjennomføringen av denne delen av 	vårt forsknings-	
prosjekt. 	I k	apittel 2 	gir 	vi 	en oversikt over relevant litteratu	r, og d	eretter redegjør vi for vårt 	
studiegrunnlag i form av metodikk og data i henholdsvis kapittel 	3 og kapittel 	4. Våre empiriske 	
ho	ved	resultater	 presenteres	 og drøftes	 i kapittel 	4 med tilknyttede robusthetssjekker presente-	
res i kapittel 	6. Ytterligere resultater er rapportert i appendiks 	A. 	
1.1	 	Motivasjon	 for studien	 	
Norsk politi har som hovedoppgave å håndheve lov og orden	, samt 	å bekjempe kriminalitet over 	
hele landet. 	Både p	olitiets ress	ursbruk 	og effektivitet 	varierer betydelig over 	Norges 	politidistrik-	
ter	, samtidig som	 arbeidsoppgavene	, oppgaveløsningen, 	prioritetene i tjenesteproduksjonen og 	
omstendighetene	 er forskjellige.	 	
Relativt f	å studier 	internasjonalt 	kartlegger 	forskjeller i politiets effektivitet. I Norge er 	studiene	 	
av etatens ressursbruk begrenset til 	effektivitetsanalyser på aggregerte data (	Riksrevisjonen 2000	 	
og 	Edvardsen, Førsund	 og 	Kittelsen 2010)	 og 	deskriptive undersøkelser	 (se for eksempel BDO og 	
Menon Economics 2017	). Effektivitet	sstudier	 oppfattes	 gjerne 	som teknisk og 	krevende	, både når 	
det kommer til utførelse og tolkning.	 Metoden	 muliggjør modellering av relativ	t komplekse pro-	
duksjonsprosesser, men gjennomføringen krever til gjengjeld relativt gode data. 	Datakrav	ene	 vil 	
i utgangspunktet være krevende å oppfylle for mange sektorer	, og blir spesielt utfordrende i en 	
beredskapssektor som politiet der d	atasikkerhet og personvern	 står 	særlig sterkt	. 	
Offentlig sektor skiller seg fra privat sektor 	særlig 	ved 	at den i hovedsak er 	ikke	-markedsrettet	, og	 	
at produksjonen derigjennom søker å	 oppfylle	 andre	 målsetninger enn 	økonomisk overskudd	. 	
Dermed 	vil effektivitetsmåling 	knyttet til	 offentlig	e produksjonsprosesse	r være	 relativt 	kompleks 	
med flere 	former for produkter og	 innsatsfaktorer 	samtidig	. Nettopp av denne grunn foretas ef-	
fektivitetsmålingen i offentlig sektor gjerne 	med såkalt fronteffektivitetsmetodikk 	istedenfor kon-	
vensjonell økonometri. Dette innebærer at man legger vekt på å skille mellom beste praksis og 
effektivitet i forhold til beste praksis, 	framfor	 å bare ta for seg gjennomsnittsproduktiviteten.	 	
Prinsipielt vil effektivitetsmåling i ulike deler av offentlig sektor involvere mange av de samme 
problemstillingene og tilhørende løsninge	r. Som vi vil komme tilbake til i delkapittel 	0, inkluderer 	
fellestrekkene behovet for håndtering av omgivelsene og 	adekvat måling	 av produksjonsproses-	
sen, herunder flere delproduksjoner, måling av kvalitet, samspill mellom effektivitet, sentrale for-
hold som er vanskelig å måle i praksis	, og produksjonsteknologiens virkemåte.	 I og med at

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	11	 	
 
utfordringene og løsningene knyttet til effektivitetsmåling har klare fellestrekk på tvers av offent-
lig sektor, vil rammeverket utviklet i forbindelse med dette prosjektet ikke skille seg radikalt fra 
hva som benyttes for andre offentlige tjenester. Samtid	ig vil både den strukturelle innretningen 	
av produksjonen og måletekniske forutsetninger for effektivitetsmålingen variere over tjeneste-
områder, slik at områdespesifikke tilpasninger vil være nødvendig for å oppnå gode målinger.	 	
For	 den norske	 kommunesektor	en 	foretas årlig	e effektivitetsmålinger	 for en rekke kommunale 	
funksjoner. 	Særlig langt har målingen kommet for grunnskolen og 	eldreomsorgen, der man 	både 	
har identifisert gode kvalitetsmål for produksjonen og 	korrigerer for en rekke kontekstuelle vari-	
abler	 (se 	for eksempel 	Borge, Kråkenes og Wold 2022 og 	Rødseth med flere	 2022	). Det 	har	 også 	
blitt gjennomført effektivite	tsstudier for flere andre deler av 	offentlig sektor i Norge, deriblant 	
helsesektoren 	inkludert	 spesialisthelsetjenesten 	(se Anthun, Kittelsen og Magnussen 2016 og	 Kit-	
telsen 2023	) og justissektoren (	Førsund og Kittelsen 2019	). 	
I dette prosjektet etterspør Justis	- og beredskapsdepartementet mer forskningsbasert innsikt om 	
politiets ressursbruk og effektivitet i politiets oppgaveløsning på tvers av politidistrikter og over 
tid. Departementet ønsker kunnskap som støtter etatsstyrin	g og politikkutvikling, inkludert over-	
sikt over generelle trender i politiets effektivitetsutvikling og variasjoner innad i etaten. Vårt mål 
i prosjektet er å bidra til å fylle dette kunnskapsbehovet gjennom en kombinasjon av effektivitets-
faglig og politif	aglig kompetanse	, og 	ved bruk av 	bedre data enn det man har 	hatt 	tilgjengelig 	eller	 	
koblet sammen tidligere. Prosjektet må anses som et metodeutviklingsprosjekt og utgjør første 
steg på veien for å 	opp	nå målsetning	en	 om å bygge opp et metodisk verktøy for evaluering av 	
effektivitetsforskjeller og ressursbruken i politiet.	 Denne	 delstudie	n etablerer et rammeverk for 	
effektivitetsmåling i politiet med fokus på politiets ressursbruk	. 	
Et mål med våre effektivitetsmålinger vil være å avdekke forbedringspotensialer, enten ved å re-
dusere ressursbruken eller øke tjenesteproduksjonen. Bedre forståelse av hvordan omgivelsene 
påvirker politiets ressursbruk vil også være av interesse.	 En mer langsiktig målsetning	 som går 	
utover dette prosjektet, er at effektivitetsmålinger på 	noe lengre 	sikt kan benyttes som et sty-	
ringsverktøy og som del av et beslutningsgrunnlag.	 	
1.2	 	Gjennomføring av prosjektet	 	
Effektivitetsstudier kan gi klare indikasjoner på effektivitetsforskjeller	 gjennom både kvantifise-	
ringer og rangeringer.	 Vårt utgangspunkt e	r like fullt at vi er tidlig i prosessen med å etablere en 	
effektivitetsmåling i politiet	 og 	at 	våre resultater derfor bør tolkes med varsom	het. I mange tilfel-	
ler vil 	resultatene som effektivitetsmålingene indikerer	 være høyst reelle.	 De kan imidlertid også 	
være 	et 	resultat av 	utelatelse	 eller 	feilmodellering av forhold knyttet til produksjonsprosessen 	
eller omgivelsene.	 En styrke ved fronteffektivitetsmetodikken er at den	 kan innarbeide 	mye av 	
eventuell metodisk 	kritikk	 i estimeringen	 med den konsekvens at konstruktiv kritikk kan gi mer 	
nøyaktige effektivitetsmålinger. I tillegg vil vi legge vekt på å foreta robusthetssjekker og prøve 
alternative tilnærminger til estimer	inger for å oppnå så presise resultater som mulig	. 	
For å kunne foreta gode målinger av effektiviteten i politiet har 	vi vært 	avhengig 	av 	å ha med både 	
forskere med kompetanse 	innen	 effektivitets	analyse	 og forskere	 med kompetanse på politisekt-	
oren.	 For å	 bedre det faglige utgangspunktet for effektivitetsmålingen ytterligere har 	prosjektet 	
blitt fulgt av to referansegrupper, som har 	deltatt på 	to 	referansegruppemøter hver.	 De	n ene 	
referansegruppen har bestått av 	ledende forskere internasjonalt innen produktivitetsforskning	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	12	 	
 
Den	 andre har bestått av	 eksperter innenfor politisektoren fra Politiet, Politidirektoratet og fag-	
foreningene	. I tillegg har	 prosjektet 	gjennom møter med oppdragsgiver 	blitt fulgt av en kompe-	
tent 	faggruppe	 fra Justis	- og beredskapsdepartementet og Politidirektoratet. 	Både referanse-	
gruppene og oppdragsgiver har 	kommet med verdifulle 	innspill som har forbedret vår analyse, 	
uten 	at de har lagt 	seg opp i de faglig	e valgene som 	har blitt foretatt	. 	
1.3	 	Metodisk tilnærming til effektivitetsmålingen	 	
Selv om læringspunktene fra effektivitetsanalyser for politiet er av allmenn interesse, er metodik-
ken teknisk	 avansert	. For oss har derfor pedagogiske framstillinger vært viktig	e. Det samme be-	
hovet har blitt påpekt av våre to referansegrupper 	– særlig den som dekker politifaglig ekspertise, 	
men også den med ekspertise innen effektivitetsanalyse. Siden dette er en forskningsrapport, vil 
den metodiske framstillingen være nokså tekni	sk. Vi har likevel 	vektlagt	 på at det overordnede 	
kapittelet med sammendrag og konklusjoner, og introduksjonen i dette kapittelet, skal være lett 
tilgjengelige for lesere uten noe teknisk bakgrunn. I oversiktsrapporten (Holmen med flere 202	6a) 	
tilbyr vi en	 mer populærvitenskapelig framstilling av studien i korte trekk.	 Der inkluderes også 	
supplerende analyser, både i form av kvalitative drøftelser og enklere kvantitative analyser med 
et bredere tematisk nedslagsfelt. I oversiktsrapporten gir vi også et litterært bakteppe av forsk-
ningstemaet effektivitet og ressursbruk i	 politiet. Denne litteraturkartleggingen omfatter både en 	
kartlegging av tidligere effektivitetsstudier og en systematisk og bredere gjennomgang av den 
politifaglige litteraturen.	 Videre metod	eredegjørelse er gitt i forskningsprosjektets tekniske rap-	
port (Holmen med flere 20	26c), hvor vi også inkludert tekniske detaljer 	i appendi	ks. 	
Effektivitet i politiet kan forstås som hvor mye en driftsenhet får ut av ressursinnsatsen sammen-
liknet med beste praksis. Effektivitet kan dermed forstås som ett tall mellom null og én, der null 
tilsvarer full ressurssløsing og én tilsvarer at hele produk	sjonspotensialet til produksjonsressur-	
sene tas ut. I vårt prosjekt er fokuset på politidistriktenes utnyttelse av produksjonsteknologien 
for polititjenester. Man kan se for seg effektivitetsforskjeller knyttet til produksjonens skalaegen-
skaper. Slike 	forsk	jeller	 vil imidlertid være vanskelig å skille fra andre egenskaper ved politidistrik-	
tene og vil ikke være et fokus i vår studie. 	I denne studien	 vil 	vi heller ikke fokusere på effektivitet 	
i form av effektiv tilpasning til produksjonsressursenes priser. 	Vi kommer inn på 	begge temaene i 	
forskningsstudien andre delstudie om kostnadsvariasjoner i politiet (Holmen med flere 202	6b).	 	
Vår studie fokuserer på indre effektivitet i politiet, 	der spørsmålet er	 om 	politiets tjenesteproduk-	
sjon er 	frambragt med lavest mulig ressursbruk	. I en slik 	analyse tas 	det for gitt hvilke	 samfunns-	
oppgaver	 politiet har fått	 i oppdrag 	å løse	. Ytre effektivitetsmål inkluderer derimot 	adekvat	e re-	
aksjon	er, høy	e oppklaringsprosent	er, høy 	tjeneste	kvalitet, lav saksbehandlingstid, høy tillit til po-	
litiet, trygghetsfølelse blant innbyggerne, få drap og 	begrenset omfang av 	andre former for alvor-	
lig kriminalitet med 	mer	. Slike mål er uten tvil både viktige forklaringer på politiets måloppnåelse 	
og innretningen på produksjonen, men er ikke tema for denne studien.	 	
I vår studie benytter vi oss av ulike varianter av tre alternative metoder for effektivitetsanalyse på 
forskningsfronten. Hensikten med metodetrianguleringen er å belyse resultatenes robusthet og 
nyanser forbundet med politidistriktenes tjenesteproduksjon.	 Innenfor effektivitetsanalyse har to 	
dominerende metoder lenge vært 	stokastisk frontanalyse	 (SFA	) og 	dataomhyllingsanalyse	 (DEA	), 	
som begge benyttes i vår studie. Mens fordelen ved SFA er metodens evne til å håndtere støy, er 
fordelen ved DEA at metoden l	egger relativt svake føringer for produksjonsteknologiens form. I 	
tillegg benytter vi oss av 	stokastisk ikke	-parametrisk dataomhylling	 (StoNED	) som en tredje

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	13	 	
 
metodisk tilnærming. StoNED ivaretar de nevnte fordelene til 	både 	SFA og DEA, men kan til gjen-	
gjeld være vanskelig å estimere når modellene blir komplekse i form av mange variabler og me-
kanismer. Gjennom studien benytter vi varianter av de tre tilnærmingene til å belyse og ta hensyn 
til forskjellige sider ved politidistr	iktenes effektivitet, herunder omgivelsene, variabler som vi ikke 	
har mulighet til å måle, tidsdimensjonen og tosidige 	årsak	-virkning	-forhold	. 	
De empiriske resultatene av vår effektivitetsanalyse presenteres både ved punktestimater av 
gjennomsnitter og medianer, spredningsmål i form av kvantiler for fordelingen av målingene, 
samt konfidensintervaller. 	Effektivitetsanalysers evne til å absorbere kritikk ved å modellere inn 	
flere mekanismer og å inkludere nye variabler gjør metodikken relativt robust og anvendelig, men 
i og med at effektiviteten i politiet er en kompleks tematikk med mange fasetter, 	legger vi	 vekt 	
på ikke å overtolke våre resultater	. Samtidig vil vi være tydelig på hva resultatene tilsier og når 	
robusthetsanalysene peker konsistent i en retning. Dessuten er dette et metodeutviklingspro-
sjekt, der formålet først og fremst er å etablere et velegnet maskineri for effektivitetsmåling. Ogs	å 	
et modent rammeverk kan med fordel suppleres med kvalitative nyansevurderinger og et bevisst 
forhold til metodikkens styrker og svakheter.	 	
1.4	 	Implementering av rammeverket i politisektoren	 	
I denne studien av effektivitet og ressursbruk i politiet undersøker vi hvor mye av ulike former for 
tjenesteproduksjon man får ut av produksjonsressursene. I vårt metodiske rammeverk benytter 
vi oss av et rikt tilfang av data både for politiets tjenestepr	oduksjon og produksjonsmiljøet, der 	
tjenestene finner sted.	 I denne sammenhengen har det vært vesentlig å oppnå et godt samsvar 	
mellom 	avgren	sningen av 	politiets produksjon og 	avgrensningen av 	politiets 	ressursinnsats.	 	
Vi har valgt de tolv politidistriktene etter Politireformen som beslutningsenheter, fordi enhetene 
står for en vesentlig del av politiproduksjonen	, lar seg sammenlikne, 	og	 også	 er mulige å følge 	
over tid.	 Endringer i politidistriktene på grunn av Kommunereformen er tatt høyde for i samtlige 	
variabler i våre estimeringer. Våre analyser er begrenset til politidistriktenes domener med av-
grensninger mot særorganene og høyere påtalemyndigheter. I de supplerende 	analysene i over-	
siktsrapporten tegner vi et bredere	 bilde, blant annet ved å ta for oss utviklingen i særorganene 	
og de geografiske driftsenhetene (Holmen med flere 202	6a).	 	
Produksjonsressursene måles som et felles kostnadsvolum, som innebærer at vi har justert pris-
utviklingen i de ulike kostnadskomponentene i politiets regnskapssystem. I denne sammen-
hengen skjedde prisjusteringen av lønnskostnadene på bakgrunn av kostnadsniv	ået per stilling, 	
mens prisindeksene for produktinnsatsen og ulike former for kapitalkostnader er hentet fra Sta-
tistisk sentralbyrå. Omleggingen av politiets regnskapssystem fra kontantregnskap og periodisert 
regnskap medfører enkelte måleutfordringer, sær	lig innad i år	et. For	 de løpende driftskostna-	
dene	, og da særlig lønnskostnadene, er det flere eksempler på månedlige føringer både i det 	
periodiserte og kontantregnskapet som neppe gjenspeiler når de reelle kostnadene finner sted.	 	
Som følge	 av utfordringer med periodisering over måneder har vi i vår hovedtilnærming fordelt 	
lønnskostnadene og de øvrige driftskostnadene for et gitt år utover måneder basert på henholds-
vis antall dagsverk og antall dager. Dette gir 	litt	 bedre forklaringskraft og mer stabile målinger 	
over tid, der utslaget til en viss grad avhenger av 	håndteringen av 	prisutviklingen. Kapitalkostna-	
dene er utelatt som følge av omleggingen 	av regnskapsstandarder 	og kortere perioder med 	
mangelfull rapportering	. I tillegg 	ligg	er eiendomskapitalen langt på vei utenfor politidistriktenes

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	14	 	
 
kontroll. Robusthetssjekker der kapitalkostnader inkluderes, viser 	små	 utslag, både på grunn av 	
høy korrelasjon med de øvrige driftskostnadene og relativt beskjeden størrelsesorden. 	 	
Vi 	skiller 	i analysene 	mellom tre hoved	grupper av	 tjenesteproduksjon med videre spesifikasjoner 	
av en rekke delproduksjoner innen hver kategori. Disse er straffesaker, oppdrag og ikke	-operativt 	
politiarbeid. Straffesaker og oppdrag representerer hoveddelen av politiets tjenesteproduksjon 
og utgjør fokuse	t i vår studie. Finansieringen av politiaktiviteten er ikke direkte 	av 	betydning for 	
våre effektivitetsmålinger. Den kommer likevel inn om den påvirker politidistriktenes tilpasning 
eller medfører at samsvaret mellom produksjonen og produksjonsinnsatsen svekkes.	 	
Det er ikke gitt hvordan arbeidsmengden forbundet med en sak bør fordeles utover tid. Blant 
langvarige saker kan noen bli liggende lenge før de blir tatt tak i, mens andre saker kan bli jobbet 
kontinuerlig med i løpet av periodene de ligger åpne. Oftest er	 det imidlertid mye aktivitet opp 	
mot datoen for ferdigbehandling i form av henleggelse eller oversendelse til høyere påtalemakt, 
samt eventuelt ved registreringsdatoen. Vi har også forsøkt å spre ressursinnsatsen uniformt over 
tid, fra registreringsdatoen	 til datoen for ferdigstillelse. Denne tilnærmingen ga riktignok en del 	
utfordringer med avgrensningen av saker i begynnelsen og slutten av perioden. Det viser seg at 
behandling av sakene ved bruk av datoen for ferdigbehandlingen gir best forklaringskraft,	 slik at 	
vi i våre analyser primært har basert oss på denne tilnærmingen. Dette innebærer at ulikt samsvar 
mellom ferdigbehandlende saker og restanser i en periode eller mellom politidistrikter kan være 
en feilkilde, men at denne ser ut til å være mindre e	nn merverdien av å tillegge sakene til slutten 	
av perioden framfor å spre dem utover tid.	 Vi fokuserer på oppgavene politiet løser og ikke rest-	
anser, der forebygging av opphopning av restanser kan ses på som et eksternt samfunnsmål.	 	
I Straffesaksregisteret	 (Strasak	) har vi beregnet kostnadene for elleve kriminalitetskategorier, 	
samt tatt hensyn til antallsindikatorer og oppklaringskjennetegn som indikerer omfanget av res-
sursbruk	en i hver sak	. I PO har vi fordelt oppdragene inn i fem prioriteringskategorier, samt even-	
tuelt tatt hensyn til bevæpning og 556 indikatorer for hovedforholdets art.	 Når det gjelder ikke	-	
operative politisaker, skiller vi mellom fire former for sivil rettspleie og sju former for gebyrfinan-
sierte publikumstjeneste	r. 	
Utfordringer med støy og målefeil i dataene er langt fra en unik problemstilling for politisektoren. 
Heldigvis fins det også mange gode måter å håndtere denne typen problematikk på	 og	 dersom 	
støyen er usystematisk	 over politidistrikter og tid	, vil det bare føre til mindre signifikante resulta-	
ter	. Særlig dataene for oppdrag i det politioperative systemet (PO) er i utgangspunktet ikke ment 	
for analyseformål	 og det kan variere hvor nøye, og hvordan, saker registreres	. I hektiske perioder 	
kan det for eksempel v	ære at en del av oppdragene som vanligvis registreres ikke registreres 	
likevel, 	eller at	 andelen feilregistreringer øker. 	Særlig	 i PO	-dataene kan 	også 	kategorisering i en 	
del tilfeller være noe tilfeldig, samtidig som andre variabler mangler for enkelte observasjoner. 
Ettersom våre empiriske analyser innebærer relativt 	god	 forklaringskraft, 	kan man i dette tilfellet 	
langt på vei 	si at 	sakstyngde 	kan forklares 	med de øvrige kjennetegnene	 ved sakene eller oppdra-	
gene	. Forhåpentligvis vil	 kvaliteten 	på	 disse dataene	 bedre	 seg ytterligere i framtiden	, slik at pre-	
sisjonen på denne typen	 analyse	r også vil heves. 	Vi utdyper mer om styrker og svakheter	 ved 	både 	
datagrunnlaget 	og databehandlingen	 vår	 i prosjektets	 tekniske rapport	. 	
Det ikke	-operative politiarbeidet omfatter sivil rettspleie og 	gebyrfinansierte publikumstjenester	. 	
Sivil rettspleie	, også	 kjent 	ved	 namsfogden	, representerer en relativt helhetlig delsektor av poli-	
tiet med ulike underliggende 	enheter	. De 	gebyrfinansierte publikumstjenestene 	omfatter der-	
imot en mer heterogen gruppe av tjenester, herunder ulike typer utlendingssaker, pass og annen

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	15	 	
 
identifikasjon, våpentillatelser og sertifisering av vakthold. 	Basert på politiets Ressursallokerings-	
modell (RAM) og regnskapsrapportering står disse to deltjenestene for om lag fem prosent av 
politiets kostnader hver.	 Politidirektoratet omtaler 	de gebyrfinansierte	 tjenestene i ny og ne som 	
forvaltningstjenester. Vi anser imidlertid dette som et lite dekkende begrep, siden den bryter med 
standard terminologi i økonomisk statistikk. I konvensjonell begrepsbruk defineres forvaltnings-
tjenester som tjenester so	m ikke er selvfinansierte, hvilket står i motsetning til tjenester forbun-	
det med forretningsdrift.	 I prinsippet kunne sivil rettspleie og gebyr	finansierte	 publikumstjenes-	
ter utgjort to ulike former for produksjoner i våre estimeringer. Vårt valg om ikke å gå denne veien 
i vår hovedtilnærming henger sammen med at inkludering av ytterligere en variabel i kost	nads-	
funksjonen vil innebære 	en betydelig uttømming av 	potensialet 	i datasettet, som tross alt kun 	
omfatter tolv beslutningsenheter. Når disse tjenestene ikke utgjør en større andel av politiets 
tjenesteproduksjon enn de gjør	, vil en slik oppsplitting etter vårt skjønn koste mer enn hva den 	
smaker. Isteden har vi beregnet en kostnadsvekt mellom de to deltjenestene innenfor ikke	-ope-	
rativt politiarbeid basert på politiets Ressursallokeringsmodell og regnskapssystem.	 	
Det er ikke gitt hvordan man skal vekte sakene innad i hver saksgruppe. I praksis benytter vi oss 
av fire alternative tilnærminger for den operative delen av politiet. I det første tilfellet vekter vi 
alle saker innad i hver saksgruppe likt, som et nyttig 	referansealternativ. I det andre tilfellet vekter 	
vi sakene basert på ressursbruk. I det tredje estimerer vi vektingen ved en tilnærming kjent som 
«tvilen til gode»,	 der vektingen følger av løsningen av et lineært programmeringsproblem tilsva-	
rende dataomhy	lling av produksjonsinnsatsen uten innsatsfaktorer. I det fjerde og siste tilfellet 	
estimerer vektingen gjennom 	en 	singleindeksmodell, som baserer seg på	 konveks ikke	-paramet-	
risk minste kvadraters metode	 (CNLS) og også utgjør det første steget i StoNED	-metoden.	 	
For de ikke	-operative tjenestene anvender vi en forenklet variant, der vi ved ulik saksvekting ba-	
serer vektingen på kostnadsvekter. For de 	gebyrfinansierte	 publikumstjenestene beregnes disse 	
kostnadsvektene basert på regnskapstall omregnet til faste priser, mens kostnadsvektene for sivil 
rettspleie er mottatt av Politidirektoratet. Generelt viser det seg at valg av prosedyrer for vekting 
av saker ikke slår s	pesielt hardt ut på resultatene.	 	
Omgivelsene er helt vesentlig for å forstå forskjeller i sammenhengen mellom politiets tjeneste-
produksjon og ressursinnsats over politidistrikter. I våre empiriske analyser har vi derfor korrigert 
for disse sammenhengene for å oppnå effektivitetsscorer som	 tar hensyn 	til 	hvert enkelte politi-	
distrikts forutsetninger for å drive politiarbeid. 	For eksempel har Finnmark de klart høyeste reise-	
kostnadene i landet, mens Nordlands hovedsete Bodø er en flytur unna mer 	enn 	halvparten av 	
fylket for øvrig. På den annen	 side tenderer kriminaliteten til å samle seg opp i urbane strøk, mens 	
politioppgaver rettet mot diplomatiet 	og styringsverket 	er konsentrert rundt Oslo.	 Når et politi-	
distrikt får høyere effektivitetsscore etter at man har korrigert for kontekstuelle faktorer, inne-
bærer det at de operer	er under et relativt krevende produksjonsmiljø, og vice versa.	 	
I våre innledende 	undersøkelser	 har vi 	gransket	 innvirkningen av nærmere 30 variabler i omgivel-	
sene, omtalt som 	«kontekstuelle variabler	» eller 	«kovariater	». Dataene 	over disse 	er hentet fra 	
en rekke offentlige kilder med Statistisk sentralbyrå som den viktigste dataleverandøren. Utvalget 
er foretatt med inspirasjon fra både politiets ressursallokeringsmodell (RAM) og andre økono-
miske undersøkelser med et geografisk tilsnitt.	 Selv om	 nettopp 	RAM	-modellen bestemmer poli-	
tidistriktenes bevilgninger, 	skaper ikke 	dette 	problemer for våre 	effektivitetsmålinger. D	et er 	
snakk om forhold 	som 	politiet ikke	 har mulighet til å 	påvirke i vesentlig grad	, i hvert fall ikke i 	
samme periode	. D	erme	d kan	 validiteten	 i våre målinger	 styrkes 	ved at 	man tar hensyn til dette	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	16	 	
 
I praksis viser det seg at mange 	forventede	 sammenhenger mellom politiets produksjon og kova-	
riater ikke 	blir synlige	 når man kun følger tolv politidistrikter, 	særlig når tidsvariasjonen i 	kovaria-	
tene er	 beskjeden. Mange av 	kovariatene 	fungerer	 som former for sentralitetsmål eller region-	
spesifikke mål	 på dette aggregeringsnivået. Variablene er også i flere tilfeller	 sterkt korrelert med 	
hverandre og fanger åpenbart opp andre forhold på et såpass høyt aggregeringsnivå.	 Gjennom 	
uttesting både ved hjelp av korrelasjonsanalyser og empiriske kjøringer har vi luket bort kovaria-
ter som viste seg å gi lite troverdige og robuste resultater, eller i tilfeller der relaterte forklarings-
variabler fanget opp samme forhold med større 	forklaringskraft. 	 	
Etter våre empiriske undersøkelser landet vi på fire sosioøkonomiske variabler, 	det vil si	 landareal 	
per 	innbygger	, andelen av befolkningen som bor i tettsteder	, sysselsetting	sgrad	 og befolknings-	
andel	en	 i alderen 15 til 39 år. De to førstnevnte variablene fanger opp forhold forbundet med 	
tilgjengelighet og sentralitetstendenser i kriminalitetsbildet og omgivelsene. De to sistnevnte va-
riablene representerer forskjeller i sosioøkonomisk bakgrunn og befolkn	ingssammensetning.	 I og 	
med at tidsfrekvensen i vår ef	fektivitetsmåling er på måned	sbasis, og 	datoen	e for 	helger, sann-	
synlige 	ferie	uttak og	 bevegelige høytider	 varierer år fra år, har det vært vesentlig for oss å korri-	
gere for hvilke dager som opptrer i hver måned. I praksis har vi gjort dette ved å inkludere antall 
dager i måneden og andelen ordinære hverdager som kovariater. Ordinære hverdager forstås her 
som 	alle dager utenom helgedager, helligdager, offentlige høytidsdager og sannsynlige feriedager 	
i kraft av dager innenfor de regionale skoleferiene og inn	klemte dager.	 	
Dessuten har data for koronaforekomsten, innhentet fra Folkehelseinstituttet, vært svært viktig 
å håndtere for å få pålitelige målinger under pandemien. Under korona	pandemien	 var det 	relativt	 	
lav kriminalitet, særlig 	i begynnelsen, 	i tilfellet mobil vinningsmobilitet og på det sentrale Østlan-	
det. Videre medførte økt grensekontroll at man oppdaget flere smuglersaker, mens omfanget av 
arrangementer falt dramatisk og dermed også behovet for oppfølging av disse. For å fange opp 
essensen 	av effekten pandemien ha	dde på politiets tjenesteproduksjon har vi inkludert to kova-	
riater som reflekterer smitteandelen i befolkningen i to perioder med ulik grad av nedstenging. 
Den første perioden er fra den første nedstengingen fram til vaksineringen av den voksne befolk-
ninge	n i arbeidsfør alder, mens den andre perioden er fra og med vaksineringen av den voksne 	
befolkningen i arbeidsfør alder til den endelige gjenåpningen.	 	
Samlet sett vil kovariatene fange opp mange av de viktigste forskjellene i omgivelsene som for-
klarer forskjeller mellom politidistriktene over regioner og tid. Likevel kan vi ikke utelukke at det 
kan være forhold i omgivelsene som vi ikke fullt ut har tatt	 høyde for, for eksempel i ytterpunk-	
tene Oslo og Finnmark. I de enklere estimeringsmodellene har vi korrigert for estimert effektivitet 
årlig. I tillegg har vi foretatt estimeringer samlet for hele tidsperioden i et såkalt utvidet panelda-
tasett, der vi har	 kontrollert for faste effekter forbundet med hver måned, år eller politidistrikt.	 	
Kombinasjonen av vårt metodiske maskineri og et relativt rikt datagrunnlag muliggjør relativt 
gode effektivitetsmålinger mellom politidistrikter. En adekvat måling av samlet produktivitetsut-
vikling over tid 	har vært noe mer krevende å måle nøyaktig	, gitt det datagrunnlaget vi har hatt til 	
rådighet. Årsaken til dette er 	til dels 	at vi ikke har hatt gode kvantitative indikatorer på hvordan 	
registreringspraksisen har blitt strammet inn	, og	 hvordan	 kriminalitetsbildet har blitt mer kom-	
plekst over tid.	 Samtidig har vi flere pålitelige vitnesbyrd og skriftlige kilder på endret registre-	
ringspraksis og kompleksitet, som indikerer at gode kvalitative vurderinger er nødvendig for nøy-
aktige tolkninger av effektivitetsmålingen. Ulike geografiske og tidsmessige 	«sjokk	» kan også 	
spille inn, mens heving av tjenestekvaliteten og endringer i omgiv	elsene som ikke fanges opp av 	
modellen kan gi utslag i målingen over tid.	 I framtiden kan imidlertid disse utviklingstrekkene

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	17	 	
 
kunne stabilisere seg eller måles mer nøyaktig, slik at produktivitetsutviklingen over tid også kan 
inngå i denne typen analyser av politiet.	 	
For å justere for dette har vi implisitt tatt hensyn til utviklingen 	i det overordnede kostnadsbildet 	
innad i hver gruppe av straffesaker og politioppdrag	. For straffesakene har vi kontrollert for an-	
meldelsesstatus, oppklaringstype, saksopprinnelsestype og antallsvariabler ved sakene, mens vi 
for politioppdragene har kontroller for	 prioritet	, samtaleklassifisering og bevæpning	. Vi 	har 	også 	
undersøkt betydningen av eksterne henvendelser på nødnummeret 112 og sentralbordnumme-
ret 	02800	 for kostnadene knyttet t	il politioppdragene 	med 	en 	hypotese 	om 	at disse i mindre grad 	
lar seg manipulere	 eller er sårbar for rapporteringspraksis. Selv om disse resultatene viste seg å 	
være signifikante,	 var deres betydning for kostnadene relativt beskjedne.	 	
Dessverre klarer vi ikke å fange opp 	alle 	viktige 	deler av politiets tjenesteproduksjon, i hvert fall 	
ikke direkte. Det	te gjelder særlig 	kriminalitets	forebygging	. Forebygging	 bør medføre	 at innsats i 	
en periode leder 	til 	kriminalitetsnedgang i framtidige perioder	, potensielt	 med en	 betydelig treg-	
het i effektene. Det gjelder også etterforskning, etterretning og kunnskapsstyring, samt bistand 
politidistriktene imellom, og mellom politidistriktene og særorganene. En del av politiets øvrige 
tjenester vil også ha et forebyggende element,	 som for eksempel 	at 	større beslag, trafikksaker, 	
utlendingssaker og vakthold	 kan lede til redusert kriminalitet	. Korona	pandemien	 kan også ha hatt 	
en forbyggende effekt, blant annet gjennom flere bortvisninger på grensen	, færre muligheter	 til 	
å begå ulike typer av kriminalitet,	 og	 sannsynligvis	 vanskeligere arbeidsforhold for kriminelle. 	
Operative politifolk kan ofte oppleve at de	 i større grad driver med etterforskning enn forebyg-	
ging, 	hvilket	 kan henge sammen med	 hva de	 måles på.	 Gjennom såkalt kontroll	funksjonsmetode 	
og data for omgivelsene 	korrigerer vi 	disse utelatte og uobserverbare 	delene av produksjonen. 	
Forhåpentligvis vil bedre indikatorer for den	 forebyggende	 aktiviteten bli tilgjengelig og bidra til 	
mer nøyaktige målinger i fram	tiden. To eksempler er sannsynlighetsanslag på politiets tilstede-	
værelse basert på posisjonsdata, som tidligere foreslått av Riksrevisjonen, og forbedring av over-
våkningen av saksomfanget på etterretningsfeltet ved etterretningssystemet INDICIA.	 	
Som i	 de fleste	 kvantitative forskningsprosjekter må vi	, som 	tidligere	 nevnt,	 håndtere en del stø	y 	
i dataene og at variablene ikke alltid fullt ut fanger opp forholdene vi ønsker å beskrive. Vi har 
flere sikkerhetsventiler for å håndtere dette. For det første vil 	«De store talls lov	» jevne ut usys-	
tematiske feilregistreringer og 	femti	/femti	-beslutninger i innrapporteringen. Loven innebærer at 	
ulik håndtering av data i de enkelte saker jevner seg ut mellom politidistriktene og over tid når 
det er snakk om vel	dig mange saker og oppdrag, jo mindre det er systematiske forskjeller mellom 	
distriktene. Videre spiller valg av forskjellige tilnærminger til vektingen av saker og oppdrag inn, 
skjønt det i praksis viser seg at andre forhold har vesentlig større betydning	. 	
Ytterligere en sikkerhetsventil er modelleringen av omgivelsene, som kan fange opp forhold som 
forklarer forskjeller i ressursbruk utover hva politidataene alene tilsier.	 Det kan fortsatt være feil-	
kilder 	i effektivitetsresultatene, men 	de	t må i så fall	 skyldes	 systematikk i hvordan distriktene 	
håndterer ting forskjellig eller over tid, som ikke jevner seg ut når man ser på mange sakskatego-
rier eller som ikke kan forklares av forhold i omgivelsene eller interne faktorer. Grep som fore-
bygger at dette skal led	e til feiltolkninger inkluderer metodetriangulering, datatriangulering, ro-	
busthetsjekker, nyanserte tolkninger og innhenting av kvalitativ bakgrunnsinformasjon.	 I håndte-	
ringen om omgivelsene har vi også benyttet metodikk der omgivelsene utnyttes for å korrigere 
for eventuelt tosidig påvirkning mellom kostnadene og produksjonen, enten de skyldes utelatt 
produksjonsvariabler elle	r såkalt omvendt kausalitet.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	18	 	
 	
2	 	Litteratur	oversikt	 	
I dette kapittelet oppsummerer vi den eksisterende forsknings	- og utredningslitteraturen innen-	
for 	feltet	. Vi presenterer først litteraturen om fronteffektivitet innen politisektoren	. Vi vil deretter 	
gi et overblikk over studier 	som omhandle	r effektivitet	en til norsk politi	 med andre faglige ut-	
gangspunkter	. 	
2.1	 	Frontestimeringsstudier	 om	 effektiviteten i politi	sektoren	 	
Litteraturen om måling av effektivitet i politiet er begrenset, noe som kan skyldes utfordringer 
med å operasjonalisere resultater som kriminalitetsforebygging.	 Det 	har like fullt blitt gjennom-	
ført flere studier med overføringsverdi for vår studie, særlig de 	siste 	tjuefem	 årene. I de	t følgende 	
gir vi en kort oversikt over den internasjonale og den norske frontestimeringslitteraturen.	 I tråd 	
med temaet for denne forskningsrapporten vil vi særlig fokusere på politiets ressursbruk.	 En mer 	
generisk og utvidet g	jennomgang er gitt i oversiktsrapporten (Holmen 202	6a).	 	
2.1.1	 	Internasjonale frontestimeringsstudier i politisektoren	 	
Studien til Thanassoulis (1995) representerer det første kjente forsøket på å analysere politiets 
effektivitet ved bruk av frontmetoder. Artikkelen benytter DEA for å undersøke effektiviteten til 
41 regionale politienheter i England og Wales	. Forebygging av kriminalitet er i 	denne 	studien 	og 	
de fleste	 andre	 fronteffektivitets	studier utelatt, eller	 så inngår 	det 	kun indirekte gjennom variab-	
ler som antall anmeldelser per innbygger, andel av tid brukt på patruljering, antall personer stop-
pet og kontrollert, el	ler antall promilletester (	se for eksempel 	Drake og Simper 2005	a og	 Asmild, 	
Paradi og Pastor 2012).	 	
DEA	-studien til Drake og Simper (2000) av engelske og walisiske politienheter finner 	ingen klare 	
stordriftsfordeler	 – de 	minste enhete	ne	 har høyest teknisk effektivitet	. I sine DEA	-undersøkelser 	
av skalafordeler 	avdekker 	Drake og Simper (2005a) 	et sterkt ikke	-lineært forhold mellom krimi-	
nalitetsnivået og antallet oppklarte lovbrudd. 	Resultatene	 antyder at det også eksisterer et ikke	-	
lineært forhold mellom det totale antallet kriminelle hendelser og ressursene som kreves for å 
håndtere og løse dem.	 I en anne	n studie 	av britiske politidistrikter	 viser de samme forskerne, også	 	
ved hjelp DEA	, at bruk av enkle målindikatorer i ressursallokeringen kan bidra til en skjev ressurs-	
fordeling, blant annet på grunn av forskjeller i omgivelsene	 (Drake og Simper 2005b)	. 	
Et viktig skille i modelleringen av straffesaker er imidlertid det som fra banklitteraturen er kjent 
som produksjonstilnærming og mellomkomsttilnærmingen.	 I mellomkomsttilnærmingen	 betrak-	
tes anmeldte saker som input 	(innsatsfaktorer) 	til politiets virksomhet, mens oppklarte saker an-	
ses som output	 (produkter)	. Mellomkomsttilnærmingen var dominerende i den tidlige frontlitte-	
raturen (Thanassoulis 1995	 og	 Drake 	og 	Simper	 2000), 	mens	 enkelte studier 	ikke 	inkluderer res-	
sursbruk overhodet (Drake og Simper 2005	b). 	
I produksjonstilnærmingen	 brukes 	produksjons	ressurser som arbeidskraft i form av tjenesteper-	
sone	ll og kapital i form av bygninger, kjøretøy, maskiner, utstyr og programvare til å behandle 	
straffesaker, uavhengig av om de blir oppklart eller ikke.	 Tilnærmingen dominerer i nyere littera-	
tur 	(Drake	 og	 Simper	 2005a	, Asmild, Paradi og Pastor 2012	, Domínguez, Sánchez og Domínguez

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	19	 	
 
2015	, Benito, Martínez	-Córdoba og Guillamón 2021	, Flegl og Gress 2023	, og 	Alda og Andonoska 	
202	4). En sentral innvending mot denne tilnærmingen er at antall anmeldte saker er en endogen 	
variabel som, i motsetning til andre outputs, helst bør reduseres gjennom forebygging, men som 
samtidig kan manipuleres gjennom hyppige kontroller.	 Enkelte	 benytter oppklaringsprosenter di-	
rekte som 	produkter i effektivitetsestimeringen	 (Diez	-Ticio og Mancebon 2002	, og	 Barros 2007), 	
selv om dette	 kun utgjør et av flere mål for politiet og i visse 	tilfeller	 kan være gjenstand for ma-	
nipulasjon	. 	
Senere studier har i større grad inkludert variabler som ikke direkte defineres som inputs eller 
outputs, ved å analysere 	variablenes 	samvariasjon med effektivitetsestimatene. Slike variabler 	
kan være rammebetingelser og eksogene kjennetegn som organisering, regionalt inntektsnivå, 
andel innvandrere, befolkningstetthet, eller kvalitetsindikatorer som oppklaringsrater og tilfreds-
hetsmålin	ger. I DEA inngår slike variabler ofte i en ettermodell eller to	trinns	modell (Benito, 	
Martínez	-Córdoba og Guillamón 2021	, og	 Flegl og Gress 2023)	, eller til og med 	en 	instrumentmo-	
dell med 	tre trinn	. Vi viser til 	delkapittel 	3.2	 for behandling	en	 av kontekstuelle variabler 	i denne 	
forskningsrapporten og	 til Holmen med flere (2026	a) for alternative tilnærminger.	 	
2.1.2	 	Norske front	effektivitet	sstudier	 i politisektoren	 	
For norsk politi 	fantes det før vårt forskningsprosjekt	 kun to effektivitetsstudier ved bruk av front-	
metoder, begge innen produksjonstilnærmingen. Riksrevisjonen	 (2000)	 gjennomførte	 en DEA	-	
analyse med bistand fra Kittelsen og Førsund ved Frischsenteret for å utvikle analysemetoden, 
modellspesifikasjon og tolkning av resultater. 	Frischsenterets 	forskere fikk imidlertid ikke tilgang 	
til datamaterialet	. A	rbeidet resulterte derfor ikke 	i en fagfellevurdert artikkel.	 	
På oppdrag fra Fornyings	-, administrasjons	- og kirkedepartementet 	gjennomførte 	Frischsenteret 	
ved 	Edvardsen, Førsund og Kittelsen 	(20	10)	 en vurdering av mulighetene for å bruke 	Statistisk 	
sentralbyrå	 StatRes	-database 	for statlig sektor 	til å analysere effektivitet og produktivitet i statlige 	
sektorer. En av analysene omhandlet politietaten.	 Forfatterne finner en gjennomsnittseffektivitet 	
på 68 prosent og ingen vesentlige produktivitetsendringer i perioden 1996 til 1998. Samtidig an-
erkjenner de klare begrensninger på grunn av manglende data på rammevilkår og andre kjenne-
tegn. 	Grunnet manglende oppklaringsdata ble kun antall anmeldte saker brukt som 	produkt.	 	
Ved 	millenniumskiftet	 bisto Frischsenteret 	ved Førsund og Kittelsen 	Riksrevisjonen (2000	) med 	
den første effektivitetsanalysen på norsk politi. 	På oppdrag fra Justis	- og beredskapsdepartemen-	
tet utarbeidet	 BDO og Menon Economics	 (2017)	 en virksomhetsanalyse som drøftet produktivitet 	
og effektivitet i politietaten. Denne analysen gjenga enkelte 	viktige indikatorer	 for effektivitet	, 	
men konkluderte med at datagrunnlaget var utilstrekkelig for en fullstendig analyse.	 Det har også 	
blitt foretatt 	fronteffektivite	tsstudier i tilgrensende 	sektorer, inkludert forsvaret	 (Hanson 201	6 og 	
201	9) og 	lavere påtalemyndighet 	(Kittelsen og Førsund 1992 og Førsund og Kittelsen 2019)	. 	
2.2	 	Politifaglige studier om effektiviteten i politiets ressursbruk	 	
Når man skal vurdere effektiviteten i politiets ressursbruk,	 må	 en rekke	 ulike	 forhold 	tas i betrakt-	
ning	. S	om vist i 	vår 	oversiktsrapport	, har	 den politifaglige litteraturen	 om politiets effektivitet	 i 	
stor grad konsentrert seg om 	hvordan effektivitet i politisektoren kan forstå	s og defineres	, hva 	
som	 påvirker kriminalstatistikken	 og andre 	registerdata som 	har 	vært vanlige i 	mål	inger av

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	20	 	
 
politiets effektivitet	, samt	 hvilke	 virkninger	 Nærpolitireformen og 	innføringen av 	styringsprinsip-	
per fra New 	Public	 Management 	har hatt	 for politiets organisering og arbeidsoppgaver	. 	
I dette 	del	kapit	tel	et går vi nærmere inn på	 noen	 ulike aspekte	r ved dette som 	har stor innvirkning 	
på effektivitetsmålinger i politie	t. Blant disse er	 effekter av politiets tilstedeværelse	, publikums 	
anmeldelsestilbøyelighet	 samt	 politiets prioriteringer.	 Når det kommer til	 politiets	 prioriteringer	, 	
omhandles temaer som 	at 	den registrerte 	kriminaliteten noen ganger er «politidrevet»	, ulike ef-	
fekter 	av mål	- og resultatstyring	, autonomien	 som finnes i 	politiets oppgaveløsning	, samt 	mer 	
uformelle prioriteringer, 	inkludert	 sakstilfang	 fra andre 	aktører	. Kapitlet bygger i hovedsak på	 	
norske, og	 til dels	 nordiske, politifaglige studier basert på an	dre	 metodi	ske tilnærminger enn	 de 	
som er brukt i rene	 fronteffektivitetsstudier.	 	
2.2.1	 	Effekter av politiets tilstedeværelse	 og prioritering	 	
Diskusjonene 	i den politifaglige litteraturen 	om mål	- og resultat	styring	 i og med innføringen av	 	
New Public 	Management (NPM) belyser flere utfordringer med å måle politiets måloppnåelse.	 	
For det første er det	, som vi	 har	 vært inne på tidligere, 	krevende å måle forebygging av krimina-	
litet	. En sammenheng mellom polisiær virksomhet og et redusert kriminalitetsnivå er ikke nød-	
vendigvis et bevis på at politiet er effektivt	. For det andre er e	ffekten av politiets tilstedeværelse 	
et annet komplisert tema.	 Det 	er 	ikke alltid klart hva som menes med for eksempel allmenn til-	
stedeværelse, eller hvordan dette skal kvantifiser	es.	 Politiets tilstedeværelse kan også påvirke 	
statistikken på ulike måter. 	 	
Nærværet kan 	ha en avskrekkende funksjon	, da det øker oppdagelsesrisikoen, eller 	det kan 	bygge 	
tillit	 hos befolkningen	. I disse tilfellene vil tilstedeværelsen kunne ha en forebyggende effekt og 	
altså redusere antallet lovbrudd. Samtidig vil p	olitiet	s nærvær også	 påvirke 	statistikken	 over an-	
meldte lovbrudd den andre veien,	 ved 	at de oppdager flere lovbrudd i de områdene de oppholder 	
seg, eller at deres oppsøkende arbeid kan bidra til stigmatiserende effekter for noen individer 
eller grupper heller enn at de	t bygger tillit. Dette kan i sin tur lede til økt kriminalitet. Politiet kan 	
i så måte 	– enten bevisst eller ubevisst 	– påvirke statistikken ved å	 oppsøke	 områder,	 grupper 	
eller personer der lovbrudd antas å forekomme	, selv om disse ikke nødvendigvis er	 prioritert. 	
Dette kan ha stor innvirkning på 	fram	tidige prioriteringer og tildelinger, ettersom oppklaringspro-	
senten ofte brukes som indikator på et effektivt politi	. 	
Politiutvalget beskriver politiets kjerneoppgaver som å forebygge og forhindre straffbare hand-
linger, opprettholde alminnelig orden, beskytte borgerne og etterforske samt straffeforfølge lov-
brudd. Det understrekes at effektiv utførelse av disse oppgavene k	rever forebygging, respons, 	
etterforskning og straffeforfølgelse. Utvalget påpeker at politiets brede oppgaveportefølje kan 
svekke kapasiteten til å prioritere kjerneoppgavene. Det anbefales derfor å spisse oppgavesettet 
for å styrke politiets evne til å m	øte samfunnets krav til sikkerhet og trygghet (NOU 2013:	 9).	 	
Vestby (2014) argumenterer for at en snever forståelse av politiet som kriminalitetsbekjemper 
kan gi et svakt grunnlag for organisering og reform, 	siden	 fokus på målbare resultater kan gå på 	
bekostning av politiets bredere samfunnsrolle. Forfatteren understreker at politiets funksjon er 
avhengig av tillit og lokal tilstedeværelse, noe som er avgjørende både for operativ effektivitet og 
for å oppnå legitim	itet	 i befolkningen	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	21	 	
 	
2.2.2	 	Politi	drevet eller p	ublikums	drevet kriminalitet	 	
Politiet kan i stor grad påvirke omfanget av anmeldte og etterforskede 	lovbrudd 	gjennom sitt 	
kontrollarbeid	, særlig når det kommer til kategorier som 	trafik	k- og narkotikalovbrudd.	 Dette er 	
typisk «politidrevet kriminalitet»	, da det er politiets initiativ og tilstedeværelse som styrer hvor 	
mye som oppdages, og dermed 	hvor mye som 	registreres i politiregistre	ne	. Motsatt er omfanget 	
av mange typer volds	- og vinningskriminalitet	, som er mer 	avhengig av publikums anmeldelses-	
tilbøyelighet	 enn politiets fokus	. 	
Eventuell u	lik prioritering av politidrevet og publikumsdrevet kriminalitet mellom politidistrikter 	
kan vanskeliggjøre sammenli	kninger	, dersom det	 eksisterer systematiske forskjeller eller ikke tas 	
hensyn til	 i analysene. 	Like fullt er kategorien 	anmeldte lovbrudd	 en bedre indikator på kriminali-	
tetsutviklingen enn både etterforskede lovbrudd og straffereaksjoner	. De sistnevnte indikatorene 	
avhenger 	i enda 	større grad av politiets arbeid og prioriteringer	, og har et større frafall på grunn 	
av personmørketall	. 	
De lovbruddene som kanskje egner seg best til å inngå i en effektivitetsanalyse er	 gjerne 	de	 pub-	
likumsdrevne	 lovbruddene som har veldig høy anmeldelsestilbøyelighet.	 Men s	elv om anmeldt 	
kriminalitet kan være en relativt god indikator på utviklingen 	her, 	må man huske at forandringer 	
i tallene	 ikke nødvendigvis gjenspeiler en reell opp	- eller nedgang. Dette kan for eksempel være 	
effekter av endringer i toleransenivå og at terskelen for å anmelde lovbruddene dermed er end-
ret. Særlig voldslovbrudd kan svinge avhengig av endringer i samfunnsnormer,	 verdier og tole-	
ransenivå. 	 	
Mediefokus kan også påvirke publikums 	anmeldelsestilbøyelighet	, og når mediene driver på en 	
stigende utvikling i kriminalstatistikken omtales dette gjerne som moralsk panikk i 	den kriminolo-	
giske 	forskningslitteraturen.	 Som et eksempel avdekke	t Oslopolitiet i si	n rapp	ort (	Sætre og Gryt-	
dal 	201	2) hv	ordan en oppgang i seksuallovbrudd på tidlig 2000	-tall i Oslo ikke egentlig gjenspeilet 	
en reell økning i 	overfallsvoldtekter	, som det så ut som i medie	oppslagene	, men heller var et 	
uttrykk for hvordan et stort 	medi	efokus gjorde at mange anmeldte 	festrelaterte voldtekter og 	
krenkelser 	som lå noe tilbake i tid	. Det er selvfølgelig viktig at 	slik	 uregistrert kriminalitet kommer 	
til syne og kan prioriteres av rettsapparatet, men det kan gi skjevheter i analyser som fokuserer 
på anmeldelsestidspunkt	 og skape	 uforholdsmessig stor	 frykt i befolkningen	. Her	 kan det å se på 	
registrert gjerningstidspunkt i tillegg til når lovbruddene anmeldes korrigere noe av skjevheten i 
dataene.	 	
Noen 	av de lovbruddene med en mer stabil og høy anmeldelsestilbøyelighet kan være 	vinnings-	
lovbrudd som krever anmeldelse for at publikum skal få forsikringsdekning og hvor tapet ved lov-
bruddet er så betydelig at det er svært kostbart å ikke anmelde.	 En	 kan også 	se for 	seg at noen 	
voldslovbrudd gir så store eller fatale skader at politiet vil opprette sak	, uten at det nødvendigvis 	
foreligger	 en	 anmeldelse	 fra publikum. 	 	
2.2.3	 	M	åloppnåelse	 og	 prioriteringer	 	
Offisielle målsetninger i politiske styringsdokumenter og politiets tildelingsbrev, samt etatens 
egne strategiske målsetninger, er retningsgivende for hva politiet forventes å prioritere og levere 
resultater på. Likevel er det ikke gitt at endringer i prio	riteringer fra ledelsen eller offisielle mål-	
setninger får vesentlige konsekvenser for hverdagen til politiansatte.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	22	 	
 
Hestehave (2021) har gjennomført e	n dansk etnografisk feltstudie	 hvor hun 	arbeidet tett på politi	 	
som ha	dde	 som 	oppgave å jobbe proaktivt og etterretningsbasert mot organisert kriminalitet, 	
hvilket	 i praksis 	vil 	si narkotikaomsetning. Hun har et omfattende materiale med 950 timers felt-	
notater, 29 semistrukturerte intervjuer og gjennomgang av rundt 3 000 dokumenter fra praksis-
feltet. Hennes konklusjon er at politiet her ikke evner å arbeide reelt proaktivt, men i s	tedet ar-	
beider som vanlig. Det vil si at 	politiet	 holder øye med «the usual suspects»	 i form av gjengangere	, 	
samt	 deres aktiviteter. 	Slik overvåkning	 avdekker mange lovbrudd, men sjelden systematisk og 	
organisert kriminalitet av et betydelig omfang og 	med 	høy 	grovhetsgrad	 – som var målet med	 	
arbeidet.	 	
Hestehave forklarer 	prioriteringene	 med økt press fra ledelsen på raske og håndfaste resultater, 	
samt 	en kultur som også verdsetter action og raske resultater	. I tillegg understreker hun	 at det 	
krever egne ferdigheter for å jobbe proaktivt, mens det er det reaktive arbeidet man har erfaring 
med.	 Hestehave legger noe av skylden for dette på den manglende kvaliteten på dansk politiut-	
danning, og mener at dette gjøres langt bedre i 	Storbritannia	 og Norge	 – mye på grunn av vår 	
bedre og mer akademisk	e politi	utdan	ning.	 Dette er en påstand 	som 	ikke	 så lett	 kan belegges	 em-	
pirisk. Det gjelder både innholdet i norsk politiutdanning, og om denne tenkningen har gjennom-
slag i politihverdagen og 	politi	kulturen.	 	
Flere undersøkelser 	fra Norge 	har kartlagt hva norske politifolk og politistudenter oppfatter som 	
det viktigste og mest attraktive politiarbeidet (	se Bjørkelo 	med flere	 2023 og Winnæss 	med flere	 	
2020	 for nyere bidrag	). Svarene peker konsekvent mot operativt politiarbeid som skjer ute i fel-	
ten, ofte forbundet med blålys, spenning og tradisjonell vinnings	- og voldskriminalitet. 	Arbeid 	
med vold i nære relasjoner og forebyggende arbeid, som innsats rettet mot ungdom eller part-
nervold, 	oppfattes 	som langt mindre prestisjefylt	 selv om dette 	har	 vært prioritert politisk og i 	
offentlig debatt	. Dette 	kan	 føre til en skjevfordeling av innsats som ikke nødvendigvis er i tråd 	
med offisielle målsetninger. 	Samtidig er det i	kke nødvendigvis 	slik at det eksisterer systematiske 	
forskjell	er i slike holdninger mellom de ulike 	distrikte	ne, 	som 	vil påvirke våre resultater	. 	
Noe av 	skjevfordelingen	 mellom innsats og målsetninger	 vil kunne avhjelpes ved god ledelse	. 	
Samtidig preges 	politiarbeid i stor grad 	av autonomi og bruk av skjønn, noe vi kommer tilb	ake til	0. 	
I evalueringen av 	Nærpolitireformen understreker Direktoratet for forvaltning og økonomistyring 	
(2022) at det har vært økt vekt på opplæring, fagnettverk og kunnskapsbasert politiarbeid. S	am-	
tidig poengterer rapporten at kompetanseutvikling er tid	- og ressurskrevende o	g at kulturen i 	
politiet er sammensatt. 	I områdegjennomgangen av politiet rettes det klar kritikk mot kvaliteten	 	
på 	ledelsen i politiet generelt. Det kompliserte samspillet med ledelse og fotfolk i politiet kan 	
være noe av grunnen til ledelse i flere sammenhenger ikke lar seg gjennomføre på grunn av util-
strekkelig grunnlagsmateriale for avgjørelser (	Finansdepartementet,	 Justis	- og beredskapsdepar-	
tementet og Politidirektoratet 2024). Dette kan være et tegn på at Hestehave	 (2021) sin opti-	
misme på norske vegne kan være noe overdrevet.	 Kulturelle før	inger i retning av å gjøre «slik vi 	
pleier» kan være sterkere enn effekten av en presumptivt bedre politiutdanning.	 	
Winnæss (2023) har fulgt et utvalg på 30 studenter gjennom hele det treårige utdanningsforløpet 
på 	Politihø	gskolen, hvor han har mange års 	forelesningserfaring	 fra	. Så godt s	om alle studentene	 	
– nærmere bestem	t 27 av 30 og jevnt fordelt på kjønnene	 – kommer inn i politistudiet med en 	
oppfatning av at dette er en handlings	- og ferdighets	utdanning. Når de har slitt seg gjennom sko-	
lefag for å få gode karakterer	, er det bare et middel for å nå et mål: Å få et yrke der praksis teller. 	
Denne holdningen forst	erkes	 i studentkollektivet gjennom de tre årene	. I 	særdeleshet 	skjer for-	
sterk	ningen 	gjennom de praksisorienterte fagene	, der 	læreren 	møter	 i uniform	, som for eksempel

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	23	 	
 
arrestasjonsteknikk. Også trening i leir er populært, og ikke minst 	praksis	en	 i det andre studieåret,	 	
der 	studentene	 som hovedaktivitet 	har erfarne betjenter som mentorer og arbeider operativt 	
sammen med de	m.	 Winnæss konkluderer blant annet slik:	 	
«De får bekreftet fra hverandre og litt senere fra yrkesutøvere at de teoretiske fagene ikke 
bare er mindre relevante	, men at de tidvis også står i veien for å utvikle seg til de beste 	
politifolkene de kan bli. Teorien både tynger og står i veien for viktigere kunnskap.	» 	
Winnæss 	(2023	), side 245	 	
Det er et empirisk spørsmål hva som skjer med studentene videre i karrieren	, ettersom mange av 	
dem kommer inn i 	særlig 	mer etterforsknings	- og foreb	yggings	orientert arbeid	. Her 	er det	 også 	
snakk om 	et system der etterforskning gir færre lønnstillegg enn operativt arbeid	. 	
2.2.4	 	Autonomi 	og målforskyvning 	i utøvelsen av polisiært arbeid	 	
Politifolks autonomi begrenses til en viss grad av rundskriv, tildelingsbrev og omfattende 	juridiske 	
reguleringer av sitt arbeid	, i tillegg til 	sentralenes dirigering av politistyrker	. Samtidig	 ser vi at 	
politifolk prioriterer 	forskjellig, og 	at 	arbeidet 	ofte 	krever betydelig skjønnsutøvelse. 	Studier har 	
også vist at f	okuset på målstyring kan gi regelrette feilrapporteringer	 fra politiet. 	Det har	 blant 	
annet	 blitt vist at ved å fokusere på lovbrudd med høy og rask oppklaring (slik som bruk og besit-	
telse av narkotiske stoffer i byområder hvor dette forekommer synlig)	, har politiet noen ganger 	
«pyntet på statistikken» over oppklarte lovbrudd.	 	
I en anonym elektronisk survey fra 2013 	(Gundhus	, Skjevrak	 og 	Wathne	 2022	, se også Wathne 	
2015	) inngikk følgende spørsmål: 	«Har du noen gang 	“pyntet på resultatene	” som skal inn i mål-	
styringssystemet, d	et vil si	 oppgitt bedre tall enn det str	engt tatt var grunnlag for?	» Erindringsho-	
risonten var siste 12 måneder.	 Surveyen rettet seg mot alle medlemmer av Politiforbundet og har 	
en svar	andel	 på 27	 prosent	. Det oppgis ingen systematiske frafall knyttet til kjønn, alder, rang, 	
geografi og andel ledere. I hele utvalget var det 	bortimot	 halvparten (	nærmere bestemt 	48,7 pro-	
sent) som oppgav	e at de ikke hadde «pyntet på» rapportene en eneste gang 	det 	siste år	et. Vel	 	
en av fem (	nærmere bestemt 	21,9 prosent) oppgav	e å ha gjort dette en gang eller oftere. I tillegg 	
var det nesten en av fire som ikke anså spørsmålet relevant, me	ns knapt 5 prosent svarte «vet 	
ikke». 	 	
Holder vi de to sistnevnte gruppene utenfo	r og regner med at resten er aktuelle rapportskrivere, 	
vil fordelingen være	 som illustrert i 	Tabell 	2.1. 	
Tabell 	2.1 	Andel 	rapportører i politiet som oppgir at de h	ar «pyntet på resultatene»	 	
Svar	 	Antall	 	Prosent av aktuelle rapportører	 	
Nei, aldri	 	1 082	 	68,9	 % 	
Ja, en gang siste 12 	måneder	 	109	 	6,9	 % 	
Ja, 2	 til 5 ganger siste 12 	måneder	 	160	 	10,2	 % 	
Ja, 6	 til 10 ganger siste 12 	måneder	 	45	 	2,9	 % 	
Ja, mer enn 10 ganger siste 12 	måneder	 	74	 	4,7	 % 	
Ja, jeg pynter systematisk på 	resultat	ene	 	100	 	6,4	 % 	
Sum	 	1 570	 	100	 % 	
Kilde:	 	Gundhus, Skjevrak og Wathne 	(2022	)

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	24	 	
 
Tabellen viser at nær en tredel av de som 	trolig	 er aktuelle rapportører, 	pynter på resultatene 	
mer eller mindre	 ofte. Halvparten av	 de som pynter	, gjør det forholdsvis sjelden	, det vil si	 én til 	
fem	 ganger siste år), mens den andre halvparten	 gjør det til dels langt mer frekvent. Over 	ti pro-	
sent av de som svarer totalt må sies å være 	«gjengangere	» i den forstand at de 	pynter 	ti ganger 	
eller mer i året eller 	«systematisk	» på resultatene	. 	
Surveyen gir ikke grunnlag for å tallfeste med noen presisjon hvor mange tall som er pyntet på i 
en vanlig årsstatistikk, hvilke tall som er pyntet på	, og hvor stort avviket er mellom egentlige hen-	
delser og pyntede hendelser. 	Vi vet heller ikke hvor ofte det faktisk er mulig 	eller aktuelt 	å pynte 	
på tallene. 	Forskerne bak undersøkelsen tillegger de som pynter på tallene	, aktverdige motiver 	
for handlingene	. Ifølge forskerne gjør politifolkene	 det	te fordi de har en annen oppfatning av hva 	
som er godt politiarbeid enn den rådende.	 Det skal ikke diskuteres her, men for vårt formål er 	
minst to implikasjoner interessante	. 	
For det første vil	 tall	ene	 som oppgis som resultater i politirapporter ofte være «pyntet på». Hvor 	
stor denne fei	lkilden er kvantitativt	, er vanskelig å si. Mange vil vel oppfatte det som inkrimine-	
rende å oppgi at de har oppgitt falske tall.	 Vi legger vekt på å bruke 	kjennetegn som i minst mulig 	
grad lar seg manipulere.	 	
For det andre bekrefter f	unnene	 mange politifolks oppfatning av at de kan ta autonome avgjørel-	
ser ut fra egne oppfatninger av hva de oppfatter som godt politiarbeid. Dette funnet knytter an 
til en klassiker på feltet, Lipsk	ys arbeid om «bakkebyråkratene» (Lipsk	y 2010). Dette er politifolk, 	
sosialarbeidere, dommere 	med videre	 som må ta avgjørelser under tidspress og med utilstrekke-	
lig informasjon og slik må ta i bruk sitt skjønn.	 Metodene 	våre bør derfor 	ta hensyn til støy i må-	
lingene.	 	
Vi kjenner ikke til at det er foretatt undersøkelser av den typen som Gundhus	, Skjevrak	 og Wathne 	
(2022)	 rapporterer i Norge etter 2013	, da	 de utførte sin survey. Knutsson (2013) finner imidlertid 	
en li	knende situasjon i Sverige	, der politiet en periode ble bedømt etter et veldig konkret og tall-	
festet mål for sin narkotikavirksomhet. Hvert distrikt skulle oppnå et minimumsantall rapporterte 
lovbrudd, noe som ga betydelige dysfunksjoner og en målforskyvning:	 	
I et politidistrikt hvor politisjefen fryktet at kvoten ikke skulle bli fylt 	– en månedsrapp	mort viste 	
«røde tall» 	– ble presset så sterk	t at man begynte å jukse med anmeldelser. Ledere kunne eksem-	
pelvis i etterkant gå inn i datasystemet og feilaktig legge til klassifiseringer 	av 	lovbrudd	 i anmel-	
delser bare for å få opp antall registreringer i den kritiske kategorien. (	se 	side	 57	 i Knutsson 201	3 	
og	 side 95 til 101 	i Holgersson og Knutsson 2011	 for relevante	 beskrivelse	r). 	
Knutsson 	(2013	) påpeker at man ikke kjenner til omfanget av slik målforskyvning utover dette 	
politidistriktet. Samtidig beskriver han samme sted en liknende svensk erfaring med promille-
kontroll 	av	 bilførere. Også her var det oppgitt minimumsantall med slike tester som skulle gjen-	
nomføres for å oppnå målene. Disse testene ble gjennomført der man kunne gjøre mange tester 
på kort tid, men ikke nødvendigvis der man fikk stoppet flest ruspåvirke	de sjåfører. Jo flere tester 	
som viser rus, 	desto	 lengre tid må man 	bruke på hver test, og desto lengre 	går det 	før målet er 	
oppnådd.	 Men målet blir altså forskjøvet fra intensjonen 	– redusere promillekjøringen 	– til å øke 	
antallet tester.	 	
Mange vil kunne tenke at endringer i utdanning, metodikk, organisasjon, arbeidsprosesser, ar-
beidsstyrke	 og 	personell	 mer 	generelt	, så vel som endringer i utfordringsbilde og oppgaver over 	
tolv	 år, gjør at funnene er mindre relevante i dag. I tillegg kommer 	innførte reformer i norsk politi.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	25	 	
 
For å konk	ludere her må man forholde seg til en del andre problemstillinger	: Man kan spørre seg: 	
«Er det slik at disse endringene er sterke nok til å trumfe en del kulturelle føringer i politiet, hvor 
vekten på autonomi står sterkt i 	mye operativt arbeid?	» og «	Er det slik at målkrav innført 	«top	-	
down	» vil gi målforskyvninger og juks hvis 	endringene	 ikke oppfattes å ha rot i det man oppfatter 	
som realiteter på grunnplanet?	» Gundhus	, Skjevrak	 og Wathne 	(2022) 	påpeker at pyntingen 	av	 	
tall	, som	 de 	finner	, blir 	legitimert av respondentene	 ved at de legger vekt på 	at 	den	 muliggjør	 	
prioritert 	utføre	lse av	 andre oppgaver	, som de finner viktigere.	 	
Knutsson 	(2013, side 56) 	beskriver 	en 	svensk målstyring i politiet	, der man har valgt en tilnærming 	
med mål om	 å høyne antallet registrerte narkotikalovbrudd i et distrikt over en viss periode. 	
Knutsson beskriver en 	tenkt 	situa	sjon der man i en periode virkelig klarer å registrere mange lov-	
brudd. Dette vil igjen legge hardt press på	 miljøene, distribusjonen kan bli mer skjult, prisene vil 	
gå opp, 	og 	det vil bli mindre narkotika tilgjengelig.	 Alt dette er ønskede effekter, men vil gjøre at 	
man ikke oppnår si	ne definerte mål etter denne innsatsen	. En mulig 	tenkt 	tilleggseffekt å nevne 	i 	
tillegg 	er ris	ikoen for profesjonalisering og organisering	, der miljøene som distribuerer blir mer 	
lukkede	 som et mot	svar til politiets innsatser.	 	
Riksrevisjonen 	(2022) undersøkte	 politi	- og lensmannsetatens måloppnåelse	. De	 kom med føl-	
gende forslag	: 	
Politidirektoratet	 og Riksadvokaten vurderer tiltak for å øke oppklaringsprosenten og sikre at 	
fristene for saksbehandlingstiden for prioriterte sakstyper overholdes.	 	
Riksrevisjonen 	(2022, side 25)	 	
Vi kjenner ikke til	 studier som viser empirisk at målene 	er blitt	 manipulert, men 	politiet	s insentiver 	
peker i retning av at 	pynting	 kan 	forekomme, for eksempel gjennom	 relativt raske	 henleggelser.	 	
2.2.5	 	Formelle og uformelle prioriteringer	 	
Flere instanser angir prioriterte oppgaver for politiets arbeid, i særlig grad gjelder dette Riksad-
vokatens årlige rundskriv	 (se for eksempel 	Riksadvokaten 	201	99	 og 	2023)	, som gir eksplisitte fø-	
ringer	 på prioriteringen	. Men b	åde effektivitet og prioritering kan imidlertid også påvirke	s mer 	
indirekte 	av aktører som leverer saker til politiet. 	 	
De største aktørene	 som leverer saker til politiet	 vil være offentlige etater som NAV og skatte-	
myndighetene, eller de private forsikringsselskapene. Anmeldelsene her vil typisk være bedrage-
rier, og mange av sakene vil være tilnærmet ferdig etterforsket. Lovbruddet og antatte gjernings-
personer er dokumente	rt, og oppklaring vil ofte kunne oppnås gjennom ett eller få avhør. Tilsva-	
rende vil tilgangen til godt overvåkingsutstyr, eller innleide detektiver, kunne medføre at tyverier 
fra 	eksempelvis 	butikker kan do	kumenteres godt. Her står vi overfor en situasjon som kan med-	
føre at aktører og publikum generelt kan stille spørsmålstegn ved politiets effektivitet	. Som ek-	
sempel framhever 	Flaatten 	(2024	) denne situasjonen: Saken er oppklart, de skyldige er kjent, 	og 	
her kan man ikke henlegge	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	26	 	
 	
3	 	Metodikk	 	
I d	ette kapittelet 	dokumenterer vi	 metodikken 	benyttet 	i denne 	forskningsrapporten.	 Redegjø-	
relsen følger 	nivået som kreves av en forskningsrapport, hvilket 	kan framstå 	teknisk for de som 	
ikke er inne 	i metodikken. For 	mindre tekniske	 forklaringer referer	er vi til vår 	oversiktsrapport 	
(Holmen med flere 202	6a), men 	en utvidet omtale av metodikken i denne typen studier 	gis i vår 	
tekniske rapport (Holmen med flere 202	6c). I tillegg 	henviser	 vi til forskningsprosjektets andre 	
forskningsrapport for	 utvidelser av modelleringen forbundet med kostnadsvariasjoner 	(Holmen 	
med flere 202	6b). 	
3.1	 	Grunnleggende begreper i effektivitetsmåling	 	
I vår redegjørelse for studiens metodikk ser vi det som hensiktsmessig å etablere klare definisjo-
ner av produktivitet og effektivitet innledningsvis.	 	
3.1.1	 	Produktivitet	skonsepter	 	
Økonomisk 	vekst er	 viktig	 for	 økt velstand og bedre levestandard. På kort sikt kan flere forhold 	
påvirke den økonomiske veksten, inkludert tilgangen på p	roduksjonsressurse	r og	 prisutviklinge	r. 	
På lang sikt vil imidlertid vekst i produktivitet være avgjørende.	 Produktivite	t e	r også et sentralt 	
konsept for å forstå 	variasjoner	 i økonomiske prestasjoner	, uavhengig av tid	. 	
Produktivitet	 kan forstås som forholdet mellom produksjon og ressursbruk.	 Målingen 	av produk-	
tivitet er 	gjerne 	ekstra 	utfordrende innenfor ikke	-markedsrette	de	 virksomheter, da de har flere 	
mål med produksjonen enn 	økonomisk overskudd	. Typisk vil 	tjenesteprodusentene	 stå overfor et 	
lag med interne produksjonsmål og et lag med eksterne 	samfunnsmål 	som 	produksjon	en skal 	
bidra til å løse	. 	
I denne studien fokuserer vi 	på produktiviteten 	i politisektoren	. Vi måler produktiviteten	 ut fra 	
den samlede produksjonsinnsatsen, ofte omtalt som 	totalfaktorproduktiviteten	. Dette står i mot-	
setning til enklere 	mål for 	enkelfaktorproduktivitet	, der man 	tar for seg	 en 	innsatsfaktor om-	
gangen uten å ta hensyn til produksjonsbidraget til andre innsatsfaktorer.	 Slike effektivitetsmål 	
omtales også som 	partielle	 produktivitetsmål	, idet	 man ikke fanger opp hele produksjon	en	 og 	
hele produksjonssatsen.	 	
3.1.2	 	Effektivitet	skonsepter	 	
Effektivitet	 måler	 faktisk 	adferd	 opp mot en målestokk for beste praksis	. Dette innebærer å 	be-	
regne	 faktisk produktivitet 	delt 	på den høyest mulige produktiviteten gitt 	størrelse og sammen-	
setning av tjenestene	. I denne studien vil vi fokusere på innsatsorientert effektivitetsmåling, som 	
i regresjonene innebærer at kostnadene modeller	es som avhengig variabel og produktene i tje-	
nesteproduksjonen modelleres som forklaringsvariabler.	 Vi 	estimerer derved	 teknisk effektivitet	, 	
som 	ved kostnadsorientering 	i effektivitetsmålingen 	angir hvor mye en produksjonsenhet faktisk 	
bruker i kostnader i forhold til hvor mye det minimum ville kostet å produsere samme nivå av 
output med de mest kostnadseffektive kombinasjonene av innsatsfaktorer	 for gitte priser og

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	27	 	
 
skalaegenskaper	. Siden ressursbruken i analys	ene kun fanges opp ved totale kostnader vil teknisk 	
effektivitet her i praksis være det samme som 	kostnadseffektivitet	, det vil si	 nødvendige kostna-	
de	r delt på 	observerte kostnader for gitt tjenesteproduksjon.	 Over tid vil utviklingen i 	politidistrik-	
tenes tekniske effektivitet	 (utvikling i 	avvik fra	 beste praksis)	 og 	teknisk utvikling	 (utvikling	en	 i 	
beste praksisen) være bestemmende for utviklingen i 	teknisk produktivitet	. Vi 	referer	er til Hol-	
men flere (202	6b) for andre effektivitetskonsepter, blant annet knyttet til skala, 	tilpasning til mar-	
kedspriser og teknisk utvikling	. 	
Eksisterende tilnærminger i frontestimeringsstudier kan grovt sett klassifiseres som studier av 
indre effektivitet og ytre effektivitet. 	Indre effektivitet	 går på hvorvidt	 man maksimerer produk-	
sjonen gitt tilgjengelige ressurser	. Ytre effektivitet	 gjenspeiler derimot 	produksjonsavveiningen 	
mellom ulike produkter eller tjenester for å oppnå et overordnet 	samfunns	mål for gitte produk-	
sjonsressurser. I denne studien vil vårt fokus være på politiets indre effektivitet.	 	
I denne studien vil vi fokusere på effektivitetsmålingene for hvert enkelt politidistrikt, år og måned. 
For hver av disse enhetene gir effektivitetsmålingene et tall mellom og 1 som sier noen om 
graden av kostnadseffektivitet. Et effektivitetstall (også 	kalt effektivitetsscore) 	lik 1 sier at politi-	
distriktet er 	på fronten	 i det aktuelle året og den aktuelle måneden: Enheten utviser med andre 	
ord beste praksis. Et effektivitetstall 	under	 1 sier at enheten er kostnadsineffektiv. For eksempel 	
vil et effektiv	itetstall på 0	,6 kunne tolkes som at enheten under observasjon kunne produsert de 	
samme mengde	n politi	oppdrag, straffesaker	 og ikke	-operative politisaker	 for 60 prosent av dens 	
faktiske kostnader, dersom enheten hadde tilegnet seg beste praksis	. Beste praksis innebærer 	
her at de ville operert på 	produksjonsfronten	, altså for	 å få	 mest mulig ut av produksjonsressur-	
sene	. 	
Det er viktig å merke seg at normen for beste praksis beregnes ved å identifisere de mest produk-
tive enhetene i datasettet. Det er naturligvis mulig at det eksisterer en bedre praksis hos enheter 
som 	ikke	 inngår i datasettet vårt. I dette tilfellet vil potensialet for kostnadsreduksjoner gjennom 	
effektivitetsforbedringer være underestimert i våre analyser.	 	
3.2	 	Grunnmodeller for effektivitetsestimering	 	
I vår studie benytter vi oss av tre 	front	metoder for estimering av 	effektivitet og produktivitet. 	
Disse er	 Data Envelopment Analysis	 (DEA	), Stochastic Frontier Analysis	 (SFA	) og 	STOchastic Non	-	
parametric Envelopment of Data	 (StoNED	). I det følgende redegjør vi nærmere for hver av de tre 	
metodene	 med 	utgangspunkt i en 	tilnærming	 med kostnadsminimering for gitt produksjon.	 	
3.2.1	 	Data Envelopment Analysis (DEA)	 	
Data Envelopment Analysis	 (dataomhyllingsanalyse	, forkortet	 DEA	) ble introdusert av Charnes	, 	
Cooper og Rhodes 	(1978) med basis i lineær programmering 	og 	inspirasjon fra Farrell (1957) og 	
Farrell og Fieldhouse (1962)	. I motsetning til SFA og StoNED 	inn	befatter	 DEA 	ikke e	n stokastisk	 	
støykomponen	t tilsvarende det man finner	 i regresjone	rs res	tled	d. DEA	 representeres ved et o	p-	
timaliseringsproblem 	og	 utgjør en	 deterministisk modell	 i den forstand	 at den 	tolker den alle avvik 	
fra beste praksis som ineffektivitet.	 Dette står 	i motsetn	ing til stokastiske 	regresjons	modeller 	
(som SFA redegjort for i seksjon 	3.2.2	 og 	som 	StoNED redegjort for i seksjon 	3.2.3	).

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	28	 	
 
Anta at vi har data for 	forskjellige	 politidistrikt 	benevnt 	� og 	ulike 	perioder 	benevnt	 �. I fravær av 	
modellering av omgivelsene	 blir optimaliseringsproblemet ved DEA	-metoden	: 	
(3.1)	 	
������������	�′,�′	��������	=	min������,������������ gitt	
∑	∑	�������,���,�	��������=1	��=1	≤	��������′,�′	
��,�′,�′≤	∑	∑	�������,���,�,�,�=	1,…	,������	��������=1	��=1
∑	�������,�	��������=1	=	1	
 	
������������	�′,�′	��������	 er med kostnadseffektivitet for enhet 	�′ og tidspunkt 	�′. Skaleringsfaktoren 	������ brukes til å 	
måle den største mulige	 reduksjonen i kostnadene 	��,� for enhet 	� ved tidspunkt 	�, mens	 variab-	
lene 	�������,� er referansevekter	, o	gså	 referert til som skyggepriser	. Disse	 lar oss 	definere produksjons-	
fronten ved å ta konvekse kombinasjoner 	av dataene.	 Produkt	gruppe	 � til enhet 	� sin tjeneste-	
produksjon ved tidspunkt 	� er gitt ved	 produktet	 ��,�,�. 	
Første og andre sett av bibetingelser pålegger at produksjonsfronten alltid har henholdsvis et 
mindre eller likt ressursforbruk (konveksitet) og større eller lik produksjon, sammenliknet med 
enheten under observasjon som indikert ved superskriptet i^' t^' 	(monotonisitet). Disse egenska-	
pene 	– som i praksis innebærer at vi tillater ineffektivitet i produksjonen gjennom at observasjo-	
nene kan ligge enten på eller under produksjonsfronten 	– omtales gjerne som i fri disposisjon. 	
Disse to betingelsene er sammen kj	ent som Afriats ulikheter og utgjør sentrale egenskaper innen-	
for produksjonsteorien (Afriat 1967). Den tredje bibetingelsen representerer en forutsetning om 
variabelt skalautbytte (VRS), hvilket innebærer at vi holder effektivitetsvirkninger knyttet til sk	a-	
laeffektivitet utenfor analysen.	 	
Fordelen med DEA er at metoden muliggjør ikke	-parametrisk estimering av produksjonsteknolo-	
gier	. Det betyr at vi ikke trenger å gjøre antakelser om formen på funksjonen som skal estimeres 	
a priori	 utover de svake egenskapene 	om produksjonsfunksjonens form	, noe som derme	d be-	
grenser	 risikoen for at funksjonen er feilspesifisert.	 Estimatoren baseres 	kun 	på grunnleggende 	
antakelser om konveksitet og monotonitet. Konveksitet innebærer at en kombinasjon av to utfall 
vil ligge innenfor mulighetsrommet, mens monoton	itet sikrer en entydig 	positiv 	sammenheng 	
mellom produksjonen og bruken av produksjonsressurser.	 	
DEA	-modellen	 definert over	 benytter utelukkende sammenhengen mellom politiets ressursbruk 	
og produkter til vurdering av produktivitet og effektivitet.	 Det er velkjent at også andre faktorer 	
som politiet selv ikke har beslutningsmyndighet over	 – ofte	 omtalt som 	kontekstuelle variabler	 – 	
kan påvirke politiets ressursbruk og derigjennom produktivitet og effektivitet. 	Det dreier seg 	
gjerne om forhold i omgivelsene, men også kvalitetsindikatorer ved produksjonen som ikke er 
direkte knyttet til produksjonsvolumene	, kan 	behandles tilsvarende.	 	
I våre analyser 	benytter vi derfor også en lineær regresjon til å forklare	 variasjonen i kostnadsef-	
fektivitet på bakgrunn av kontekstuelle vari	abler. Hensikten er å korrigere for	 sentrale 	sosioøko-	
nomiske og 	eventuelle 	sektorspesifikke forhold med betydning for politidistriktenes forutset-	
ninger for drift.	 Den såkalte etterregresjonen for	klarer effektiviteten ved	 kontekstuelle variabler	 	
og	 er gitt ved:	 	
(3.2)	 	������̂�,�=	∑	��	��	��,�,�+	��,���������	,������̂�,�≥	1,ℎ=	1,…	,������ 	
der ��,�,� er kontekstuell variabel 	� for enhet 	� ved tidspunkt 	� med tilhørende parameter	 ��. 	
��,���������	 representerer 	en kostnads	effektivitetsscore	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	29	 	
 
I tradisjonell	e DEA	-analyser 	beregnes virkningene av kontekstuelle variabler på kostnadene 	
gjerne ved en totrinns tilnærming, der likning 	(3.1)	 og likning 	(3.2)	 utgjør 	henholdsvis 	det	 første	 	
trinnet	 og det andre 	trinnet i estimeringen	. I det 	andre t	rinn	et benyttes t	radisjonelt 	ordinær 	
minste kvadrats	metode	 (OLS)	, en Tobit	-regresjon	 eller en trunkert regresjon	, som legger 	begrens-	
ninger	 på utfallsromme	t for den avhengige variabelen	. Mens OLS	-regresjonen ikke tar hensyn til 	
begrensingene i 	den venstresidevariabelens utfallsrom,	 hån	dterer Tobit	-regresjonen og 	den trun-	
kert	e regresjonen avgrensing ved henholdsvis å se for seg uobserverbare utfall utover mulighets-	
rommet og ved å 	fullstendig utelukke utfall utenfor intervallet	 med korreksjon for 	forventings-	
skjevheten	 som følger	. (Se	 for eksempel 	Wooldridge 2013	 for en innføring i disse økonometriske 	
estimeringsteknikkene)	. 	
I våre 	DEA	-regresjoner	 med kontekstuelle variabler	 benytter vi oss	 av en 	modifikasjon av denne 	
tilnærmingen, utarbeidet av Simar og Wilson (2007). 	Som forfatterne påpeker, innebærer den 	
tradisjonelle tostegsvarianten av DEA med separat estimering et tap av estimeringseffektivitet, 
ettersom estimeringen i det første steget ikke tar hensyn til informasjonen som fr	amkommer i 	
det andre	 steget	. Simar og Wilson	 understreker problemet med ugyldig inferens på grunn av se-	
riekorrelasjon som oppstår når førstetrinns e	ffektivitetspoeng beregnes fra samme utvalg.	 	
Som en respons til denne empiriske utfordringen har 	forskerne	 utviklet et estimeringsopplegg for 	
totrinnstilnærmingen med to runder med bootstrapping som ivaretar disse bekymringene.	 Dette 	
er en	 statistisk metode som estimerer usikkerhet i en parameter ved å trekke gjentatte tilfeldige 	
prøver med tilbakelegging fra dataene	. Metodikken 	er i dag en utbredt måte å håndtere konteks-	
tuelle variabler	 innenfor DEA	-analyser med kontekstuelle faktorer og vil ligge til grunn for våre 	
DEA	-analyser av politisektoren.	 Ulempen med denne metodikken er at den krever s	eparabilitet	 	
mellom produktene og de kontekstuelle variablene når kostnadene 	fastsettes	, kjent 	som 	Hicks	-	
nøytralitet på fagspråket	. De kontekstuelle 	variablene 	bør dermed ikke 	være bestemmende for 	
formen på 	teknologi	fronten.	 Vi refererer til	 Daraio og Simar 	(2005 og 2007	) for en alternativ DEA	-	
metodikk for å håndtere kontekstuelle variabler, kjent som «betinget DEA»	. 	
Ikke	-parametriske 	optimeringer	 er som oftest	 mer krevende å implementere	 enn paramet	riske 	
regresjoner	, spesielt for store datasett. I tillegg er DEA sårbar for støy og uteliggere, siden meto-	
den ikke inkluderer et stokastisk restledd som kan fange opp tilfeldige variasjoner i dataene. En 
svakhet ved standard DEA blir dermed metodens tendens til pessimistis	k skjevhet, ettersom mu-	
lige, men ikke observerte, utfall ikke bidrar til å definere beste praksis	-fronten. Som en konse-	
kvens vil en front som utelukkende b	aserer seg på realiserte data, ligge innenfor den reelle fron-	
ten, noe som fører til overvurdering av effektivitetsscorene. Denne skjevheten er særlig proble-
matisk ved små utvalg og har vært kjent siden Farrell	 (1957	). Metodikken for bootstrapping ut-	
viklet av Simar og Wilson (1999, 2000 og 2001) gir imidlertid en løsning for å korrigere denne 
skjevheten.	 Ettersom vi først og fremst er ute etter effektivitetsscorenes rangering, har vi i de 	
fleste av våre regresjoner ikke benyttet oss av bootstrapping. Bootstr	apping tas likevel i bruk i 	
våre regresjoner med kontekstuelle variabler, som beskriver forhold i omgivelsene.	 	
Vi benytter 	tilnærmingen til 	Simar og Wilson (2007) til effektivitetsanalyse. Mer presist benytter 	
vi Stata	-koden av Badunenko og Tauchmann (2019) gjennom kommandoen 	simarwilson	, der den 	
aktuelle algoritmen for å kjøre estimeringsprosedyren omtales som algoritme 	nummer to	. Regre-	
sjonen håndterer restleddet i etterregresjonen ved å anta 	sammenpresse	t normalfordeling til-	
svarende en trunkert regresjon.	 Vi bruker 10	 000 bootstrapping	sreplikasjoner til å estimere kon-	
fidensintervall og standardfeil for regresjonskoeffisientene og 1	 000 	bootstrappingsreplikasjoner	 	
til å korrigere forventingsskjevheten forbundet med effektivitetsscorene fra DEA	-kjøringene.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	30	 	
 	
3.2.2	 	Stochastic Frontier Analysis (SFA)	 	
Stochastic Frontier Analysis	 (stokastisk frontanalyse	, forkortet	 SFA	) ble introdusert av 	Aigner	, Lo-	
vell og Schmidt	 (1977) 	og	 Meeusen and van den Broeck (1977).	 SFA	 behandler kostnadsfunksjo-	
nen og produktfunksjonen som parametriske funksjoner, noe som innebærer at analytikeren må 
velge en spesifikk funksjonsform for modellen. Dette utgjør en svakhet, da den valgte funksjons-
formen ikke nødvendigvis passer godt til data	ene.	 Til gjengjeld er SFA mindre sårbar for støy i 	
dataene enn DEA.	 	
En enklere og populær funksjonsform er Cobb	-Douglas	-funksjonen, som gir modellen:	 	
(3.3)	 	ln	��,�=	�0+	∑	��,�	�������	ln	��,�,�+	∑	��,ℎ	��	��,�,�+	�������,���������	,�������,���������	=	��,���������	+	��,���������	 	
Her	 er 	�0, ��,� og 	��,ℎ parametere i regresjonen. Videre er	 �������,���������	 regresjonens 	residual	 for enhet 	
� ved tidspunkt 	�, som kan dekomponeres i 	et 	ineffektivitetsledd 	��,���������	 og et	 støyledd	 ��,���������	. 	
Her kan kontekstuelle variabler (	��,�,�) inkluderes som del av modellestimeringen	 sammen med	 	
omfanget av de ulike produktene (	��,�,�). Dette står i motsetning 	til tostegsregresjon	en vi benytter 	
i DEA	, slik vi 	har beskr	evet i 	seksjon 	3.2.1	. I praksis estimeres SFA som regel gjennom en iterativ 	
totrinnsprosedyre basert på Maximum Likelihood. I første steg estimeres modellparameterne ved 
maksimering av 	en	 logaritmisk 	sannsynlighetsfunksjon. I andre steg oppnås et punktestimat for 	
effektivitet ved hjelp av gjennomsnittet eller modusen til effektivitetsfordelingen, betinget av de 
estimerte feilene, slik det først ble foreslått av Jondrow m	ed flere	 (1982).	 	
Vi estimerer 	regresjonen med	 en	 Cobb	-Douglas	-funksjon uten 	å pålegge restriksjoner på skalaut-	
bytte.	 I utgangspunktet antar vi 	at 	effektivitetsleddet	 følger	 den	 halv	e normalfordeling	en	 (Aigner, 	
Lovell og Schmidt 1977), men vi 	har også 	undersøk	t alternative 	forutsetninger	, inkludert	 ekspo-	
nentialfordeling	en	 (Meeusen og van den Broeck 1977)	 og	 den 	sammenpressede normalforde-	
ling	en	 (Stevenson 1980).	 	
3.2.3	 	Sto	chastic Non	-parametric Envelopment of Data (StoNED)	 	
I løpet av de siste 20 årene har metoden 	Stochastic Non	-smooth Envelopment of Data	 (stokastisk 	
ikke	-parametrisk dataomhylling	, forkortet 	StoNED	) etablert seg som en elegant og stadig mer po-	
pulær metodikk	 blant effektivitetsforskere	 (se særlig Kuosmanen 2006 og Kuosmanen	 og	 Korte-	
lainen 2012)	. Denne tilnærmingen kombinerer 	DEAs fordel i form av 	muligheten for å modellere 	
ikke	-parametrisk teknologi med	 SFAs fordel 	i form av muligheten til 	å inkludere	 et stokastisk rest-	
ledd (Kuosmanen 2006	 og	 Kuosmanen og Kortelainen 2012). StoNED representerer en generali-	
sering av både DEA og SFA.	 	
I StoNED	-modellen 	er kostnadsfunksjonen ikke	-parametrisk	 og estimeres	 ved hjelp av	 Convex 	
Nonparametric Least Square	s (konveks ikke	-parametrisk minste kvadraters metode	, forkortet 	
CNLS	). Første steg i StoNED innebærer å løse 	et 	optimeringsproblem:

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	31	 	
 	
(3.4)	 	
min	������������,������,�������,�������,������,������,������������,������∑	∑	�������,������������	2	��	��	 gitt	
ln	��,�=	ln	�������,�+	∑	����,�,�	��	+	�������,������������	,∀ �,�	
�������,�=	�0,�,�+	∑	��,�,�	�������	��,�,�,∀ �,�	
�������,�≥	�0,�′,�′+	∑	��,�′,�′	�������	��,�,�,∀ �,�′,�,�′	
��,�,�≥	0,∀ �,�,�	
�������,������������	=	��,������������	+	��,������������	
 	
Den første	 bibetingelsen angir k	ostnadene som en funksjon av kostnadsoptimum	, de kontekstu-	
elle variablene	 og 	restleddet	. Her representerer vektene i kostnadsfunksjonen 	��,�,� marginal-	
kostnader, tilsvarende skyggeprise	ne 	i DEA.	 Disse angir helningen på produksjonsfronten.	 �������,� re-	
presenterer 	kostnad	sfronten, før de kontekstuelle variablene er tatt hensyn til	, som uttrykt i den 	
andre bibetingelsen	. 	
Det første settet av ulikheter i likning (3.4)	 pålegger	 kurvaturegenskaper, som i dette tilfellet in-	
nebærer at kostnadsfunksjonen er konveks	. Optimeringsproblemet forutsetter 	i den fjerde bibe-	
tingelsen 	at skyggeprisene er ikke	-negative, noe som sikrer at kostnadsfunksjonen oppfyller egen-	
skapen monotonitet	. Med andre ord vil	 en økning av produksjonen kun 	være	 mulig	, dersom res-	
sursbruken blir lik e	ller	 større enn dagens 	nivå	. �� er regresjonskoeffisienten tilknyttet den kon-	
tekstuelle variabelen 	�, mens koeffisienten 	�0,�,� for beslutningsenhet 	� ved tidspunkt 	� sikrer 	
variabelt skalautbytte.	 Den andre 	bibetingelsen 	og den tredje bibetingelsen tilsvarer Afriats ulik-	
heter i produksjonsteorien (jamfør Afriat 1967).	 	
StoNED	-modellens andre steg består av en	 stokas	tisk	 komponentmodell	 tilsvarende SFA	, der man 	
skiller 	mellom in	effektivitet	sleddet	 og	 støy, 	som gjenspeiles i	 regresjonens residual	. Residualen	 	
�������,������������	 for enhet 	� ved tidspunkt 	� kan dekomponeres i et ineffektivitetsledd 	��,������������	 og et 	
støyledd 	��,������������	, som indikert på siste linje 	i optimalise	ringsproblemet. 	I likhet med SFA	-	
prosedyren identifiserer vi punktestimater for effektiviteten ved hjelp	 av metodikken til 	Jondrow 	
med flere (1982)	, som ble beskrevet i 	seksjon 	3.2.2	. I disse utregningene benyttes	 gjennomsnittet 	
eller modusen til effektivitetsfordelingen, betinget av de estimerte feilene.	 I paneldataanalysene 	
over år 	beregner vi persistente effektivitetsforskjeller ved hjelp av 	metoden til Schmidt og Sickles 	
(1984), som beskrevet for StoNED	-metoden i Eskelinen og Kuosmanen (2013)	 	
Et viktig fortrinn ved StoNED er at metoden unngår estimeringsfeilen knyttet til tradisjonell 
totrinns	-DEA, siden 	effekten av kontekstuelle variabler	 estimeres simultant	 på sammen måte som 	
for SFA.	 De fleste utvidelser og varianter som er relevante for DEA og SFA kan også integreres i 	
StoNED	-spesifikasjoner.	 I våre regresjoner inkluderer vi	 kontekstuelle variabler 	som forklarings-	
variabler, tilsvarende metodikken benyttet i 	Rødseth 	med flere	 (2019	 og	 2023).	 I tillegg 	utnytter 	
vi våre data for kontekstuelle v	ariabler til å behandl	e utfordringer 	med at 	produksjonen	 kan være 	
korrigert med 	regresjonens restledd	, jamfør seksjon 	3.4.2	. 	
Vi har beregnet effektivitetsscorene til StoNED med både 	method	 of moment	s (momentmetoden	) 	
og 	quasi	-likelihood	 (kvasisannsynlighet	sberegninger	). Momentmetoden estimerer 	modellpara-	
metere	 som gjennomsnitt og varians ved å likestille teoretiske og empiriske momenter, uten 	at 	
det kreves mye informasjon om den underliggende sannsynlighet	sfordelingen. 	Kvasisannsynli-	
ghetsberegninger 	estimerer paramet	ere ved å maksimere en funksjon basert på antatt forvent-	
ning og varians, uten at hele sannsynlighetsfordelingen spesifiseres.	 Vi 	vil i våre empiriske analy-	
ser hovedsakelig 	basere våre beregninger på 	kvasisannsynlighet	smetodikk	, men 	benytte	 mo-	
mentmetoden	 ved rob	usthetssjekker	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	32	 	
 	
3.3	 	Vekting av politiets oppgaveløsning	 	
Politiet utfører en rekke oppgaver. 	I realiteten er naiv 	summering	 av antall saker og oppdrag dår-	
lige mål for produksjonen, fordi det er stort spenn i både ressursinnsatsen og samfunnsnytten 
knyttet til hva politiet foretar seg. 	Følgelig 	innbefatter politiets tjenesteproduksjon også en lang 	
rekke 	produkter	. I prinsippet 	kunne man inkludert samtlige produkter i dataene i regresjonene. 	
Det er imidlertid gode grunner til å begrense antall 	variabler 	og konsolidere 	produkte	ne	. 	
En utfordring er at ikke	-parametriske estimatorer som StoNED	-estimatoren og DEA	-estimatoren	 	
er sårbare for 	dimensjonalitetens	 forbannelse	 (som 	først 	ble 	beskrevet av Bellman 1957	). Mange 	
variabler sammenliknet med antall observasjone	r bidrar til å redusere presisjonen	 til effektivitets-	
beregningen.	 Når antall variabler i effektivitetsmodellen er høyt i forhold til antall observasjoner, 	
blir 	spesielt DEA	-modellen ute av stand til å skille mellom effektive og ineffektive enheter.	 Med 	
mindre man benytter bootstrapping	-metodikk, vil flere av observasjonene ligge på effektivitets-	
fronten beregnet ved DEA når antall variabler er høyt i forhold til antall observasjoner.	 Bootstrap-	
ping, slik det er beskrevet av Simar og Wilson (2007), innebærer resampling med tilbakelegging 
av de eksisterende observasjonene og 	brukes til å estimere usikkerheten i effektivitetsbereg-	
ningene, for eksempel ved å generere konfidensintervaller. I våre analyser benytter vi bootstrap-
ping kun i forbindelse med Simar og Wilson sin tostegs	-DEA	-metode.	 	
I parametriske tilnærminger	 – som SFA 	– vil antallet observasjoner være vesentlig høyere 	enn	 	
antall variabler for at man skal ha tilstrekkelig antall 	frihetsgrader i regresjonene for å 	oppnå 	tro-	
verdige 	og ikke overdrevne 	effektivitetsestimater.	 Dessuten kan tolkningene av resultatene bli 	
enklere med færre variabler, som	 også 	vil skille seg klar	ere	 fra 	hverandre.	 	
Selv om man 	det er flere gode grunner til å konsolidere antall 	produkter i regresjonene, er det	 	
langt fra 	gitt hvordan 	man 	skal vekte disse	 opp mot hverandre. I effektivitetsanalyse	ne har man 	
to retninger man kan gå i når man skal håndtere vektingen	. Den første er å	 hente 	vektene 	ut 	fra	 	
prioriteringer i	 offentlige styringsdokumenter. Den andre er å estimere vektene 	selv 	utfra 	pro-	
duktenes innvirkning på politiets kostnader.	 	
Politiets styringsdokumenter legger 	føringene 	for politiets 	prioriteringer	, men det er ikke rett 	
fram å oversette disse 	til vekter	 i regresjonsanalysen	, og det er særlige utfordringer ved å tallfeste 	
vektene.	 Prioriteringer kan også endre seg over tid. 	Politiets prioriteringer 	blir	 imidlertid reflektert 	
av hvor de legger ressursinnsatsen, hvilket vil fanges opp av regresjonsanalysen	. 	
For å møte 	dimensjonalitetens	 forbannelse	 og øvrige behov for å begrense antall forklaringsvari-	
abler	 velger vi å vekte sammen prioritets	- og kriminalitetskategoriene	. Med dette	 synliggjør	 vi at 	
sakene er heterogene og krever ulik ressursbruk	, samtidig som vi	 unngå	r å øke antall produkter 	
som inkluderes i kostnadsfunksjonen.	 Vi benytter 	oss av tre hoved	kategorier	 av	 produkter	 i poli-	
tiets tjenesteproduksjon	, nærmere bestemt	 antall 	politi	oppdrag	, antall 	straffesaker	 og	 saksmeng-	
den	 innenfor	 sivil rettspleie	 og gebyrfinansierte publikumstjenester	. Vi 	refererer 	til delkapittel 	4.1	 	
for en nærmere redegjørelse	 for hver kategori.	 	
De to førstnevnte kategoriene representerer det operative politiarbeidet i form av kriminalitets-
bekjempelse	, kriminalitetsforebygging	, etterforskning	, offentlig orden, akuttberedskap, kontrol-	
ler og redningsoppdrag.	 I praksis benytter vi oss av fire 	tilnærmi	nger i vekting	en 	innad i de 	ope-	
rative	 produktkategoriene	: 	
S1	 Lik vekting av alle saker	 innad i hver 	produktgruppe

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	33	 	
 	
S2	 Vekting ved hjelp av ressursbruk	 	
S3	 Vekting ved hjelp av metodikken «	tvilen til gode	» 	
S4	 Vekting basert på singelindeksmodellen	 	
Vi vil redegjøre nærmere for hver	t enkelte tilnærming i de følgende seksjonene.	 Merk at vi i de 	
tre sistnevnte tilfellene vil basere oss 	på regresjonsanalysene.	 	
Sivil rettspleie og gebyrfinansierte publikumstjenester kunne	 i prinsippet vært representert 	som 	
to separate produkter i 	kostnads	funksjonen. 	Begge	 tjenestekategoriene	 utgjør imidlertid en rela-	
tivt beskjeden andel av politiets samlede tjenesteproduksjon.	 Politiets ressursallokeringsmodell 	
(RAM) og politiets regnskap tilsier at de ikke	-operative polititjenestene står for omtrent ti prosent 	
av etatens samlede driftskostnader, med en relativt jevn fordeling seg imellom.	 På grunn av hen-	
synet 	til 	dimensjonalitete	ns forbannelse	n og behovet for tilstrekkelig mange frihetsgrader har vi 	
valgt å	 la den ikke	-operative tjenesteproduksjonen være representert ved et felles produkt i po-	
litiets kostnadsfunksjon.	 	
Vi har ikke fått tilgang til mikrodata på for 	de ikke	-operative tjenestene, slik vi har for de opera-	
tive tjenestene.	 Siden vi ikke har de samme mulighetene til å utteste et bredt spek	ter av tilnær-	
minger til vektingen av saker,	 benytter vi oss 	isteden 	av e	n forenklet tilnærming til vekting	en	. I 	
den uvektede variante	n teller vi	 alle sakene innenfor	 sivil rettspleie og gebyrfinansierte publi-	
kumstjenester	. Det hører til historien at kostnadene relatert til en gjennomsnittlig sak innenfor 	
sivil rettspleie ikke skiller seg radikalt fra kostnadene relatert til en gjennomsnittlig sak innenfor 
gebyrfinansierte publikumstjenester, 	selv om det er vesentlig heterogenitet innenfor begge ka-	
tegoriene. 	I de vekte	de regresjonene benytter 	vi oss av 	kostnadsvekter	 inna	d i de to 	delkatego-	
riene. Disse er nærme	re redegjort for i seksjon 	4.2.3	. 	
For straffesaker og oppdrag bruker vi tilnærmingene S1	-S4, hvor formålet er 	å teste ut hvordan 	
ulike måter å vekte ulike delprodukter 	��,������,�,� sammen til 	et 	hoved	produkt, 	��,�,� for politidistrikt 	
� ved tidspunkt 	�. Merk at 	������ her benyttes som indeks for et delprodukt under hovedproduktet 	
�. Hvis f	or eksempel	 hoved	produkt 	� angir 	straffesaker	 vil delprodukt 	������ beskrive	 sakskategorier 	
som vinningssaker, voldssaker, trafikksaker og liknende.	 	
Vi lar	 ��,������ beskrive vekten 	av hvert delprodukt 	������, og 	definer 	hvert hovedprodukt som en vektet 	
som av delproduktene	: 	
(3.5)	 	��,�,�=	∑	��,��������,������,�,�,	�������������	 �=	1,…	,������ 	
I de følgende	 kapitlene	 diskuterer vi ulike valg for bestemmelsen av 	��,������. 	
3.3.1	 	Lik vekting av alle saker innad i hver saksgruppe	 	
Ved lik vekting antar vi at 	��,������=	1,∀�,������. Dette innebærer helt enkelt at alle delprodukter 	teller 	
like mye, og at hovedproduktet for straffesaker	 (oppdrag) vil inneholde en ren opptelling av	 un-	
derkategorier av	 straffesaker (	oppdrag). 	 	
(3.6)	 	��,�,�=	∑	��,������,�,�,	�������������	 �=	1,…	,������ 	
Denne type	n vekting reflekterer ikke at 	ulike delprodukter kan 	bidra ulikt til Politiets produktivitet 	
og ressursbruk. Vektingen 	fungerer derfor best som et sammenlikningsgrunnlag for andre alter-	
native vektinger som 	aktivt 	søker å	 identifisere vekter som beskriver de ulike 	delproduktenes rolle 	
i Politiets overordnede tjenesteproduksjon	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	34	 	
 	
3.3.2	 	Vekting ved hjelp av ressursbruk	 	
Med	 denne tilnærmingen vektes antall oppdrag etter 	forventet 	bruk av mannskaper	 og andre 	
ressurser	, men	s antall 	straffesaker	 vektes etter 	forventet 	saksbehandlingstid. 	For ikke	-operative 	
tjenester vektes igjen sivil rettspleie og gebyrfinansierte publikumstjenester i tråd med delkate-
gorienes andeler av samlede driftskostnader.	 For alle vektingsvariantene utenom 	lik vekting av 	
saker benyttes kostnadsvekter innad i de to delkategoriene.	 	
En viktig forskjell mellom vektingen definert i dette 	del	kapitlet 	og de øvrige vektingene er at 	be-	
regningene tar utgangspunkt 	i den enkelte	 straffesak (eller oppdrag	) �, og 	ikke	 delkategoriene av	 	
straffesaker (eller oppdrag) 	������ brukt for de øvrige vektingene	. La 	��,�,�,� definere 	faktisk bruk av 	
ressurser	 til 	enhet (d	et vil si	 en konkret 	straffesak eller 	et 	oppdrag) 	� tilknyttet hovedprodukt 	� 	
ved politidistrikt 	� og tidspunkt 	�. Vi kan da fastsette vektene	 ������� gjennom å benytte regre-	
sjonsanalyse 	 	
(3.7)	 	��,�,�,�=	�1+	∑	��,�������������,�,������,�,� 	�������������=2	+	�������,�,�,�,∀�,�,�,� 	
hvor 	�������,�,������,�,� er en indikatorfunksjo	n/dummyvariabel	 som tar verdien 1 dersom straffesak (eller 	
oppdrag) 	� tilhører delprodukt 	������, og 	verdien	 hvis ikke	 og 	�������,�,�,� er et restledd. 	 	
De	t vektede hovedproduktet kan da defineres ved forventet ressursbruk per sak, 	det vil si:	 	
(3.8)	 	�̂�,�,�=	∑	[�̂1+	∑	�̂�,�������������,�,������,�,� 	�������������=2	],∀�,�,� 	�	 	
Her er da 	fortsatt 	hver sak vektet med en konstant vekt 	(�̂1+	�̂�,������) i samme	 delprodukt 	������, der 	
�̂1 er vekten til referansekategorien	 ������	=	1. 	
I vektingene med ressursbruk 	har 	vi derimot 	mulighet til 	også 	å inkludere	 andre 	kjennetegn ved 	
hver enkelt sak som høyresidevariable i regresjonen	. Dette kan gi 	økt forklaringskraft og dermed 	
mer presise 	estimater	. Øvrige kjennetegn kan for eksempel bestå av dummyvariable for samtale-	
klassifisering, bevæpning, oppklaringstype, årstall og liknende, eller av antall vitner, antall ofre, 
antall sakkyndige etc. Med andre ord 	– jo flere ofre og gjerningspersoner, desto ty	ngre saker må 	
håndteres av politiet. 	Når slike variabler inkluderes i estimeringen, 	vil 	likningen bli avh	engig av 	
kjennetegnene til den enkelte saken	 j utover 	delprodukt 	q: 	
(3.9)	 	�̂�,�,�=	∑	[�̂1+	∑	�̂�,�������������,�,������,�,� 	�������������=2	+	∑	�̂���,�,�,�,�	�	],∀�,�,� 	�	 	
hvor 	��,�,�,�,� er en vektor av 	ulike 	kjennet	egn.	 	
3.3.3	 	Vekting ved hjelp av «	tvilen til gode	»-metodikken	 	
Tilnærmingen 	tvilen til gode 	(«Benefit of the Doubt	», forkortet 	BoD	) innebærer at man bestem-	
mer vektingen ut	fra	 DEA	-kjøringer uten innsatsfaktorer	. Hensikten er å identifisere vekter som 	 	
gjør at politidistriktene 	fram	står som mest mulig produktiv	e (se 	Charles, Aparicio og Zhu 2019)	. I 	
disse utregningene har vi benyttet elleve sakskategorier og fem prioriteringskategorier	, som 	tid-	
ligere	 angitt ved indeksen 	������.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	35	 	
 
I likhet med 	beskrivelsen 	i foregående seksjon	 søker vi vekter 	� til delproduktene 	��,������,�,�. I BoD	-	
analysen tillater vi imidlertid at vektene 	kan variere over politidistrikt og periode, 	i tillegg til over 	
hoved	- og 	delprodukter. 	Ved bruk av 	tvilen til gode	-tilnærmingen implementerer vi følgende 	
totrinns metode:	 I det første steget e	stimer	er vi vektene	 ��,������,�,� ved å løse følgende 	lineære pro-	
grammerings	problem:	 	
(3.10)	 	
max������	∑	��,������,�,���,������,�,�	������	 gitt	
∑	��,������,�,���,������,�,�	������	≤ ∑	��,������,�,�	������	,∀�,�,�	
��,������,�,�≥	0,∀ �,������,�,�	
 	
Optimeringsproblemet innebærer at v	ektene bestemmes	, slik at enheten 	fram	står som mest mu-	
lig effektiv under visse felles begrensninger.	 Den første bibetingelsen 	sikrer 	en øvre grense for 	
benchmarkingen	, mens den andre	 bibetingelsen 	begrenser vektene til å være ikke	-negative. 	
Dette innebærer at komposittindikatoren	e til produktene 	� er 	monoton	t økende i delprodukt 	������. 	
I det andre trinnet b	ruk	er vi	 estimerte verdier for	 ��,������,�,� fra Trinn 1 til å 	beregne 	��,�,�=	
∑	�̂�,������,�,���,������,�,�,	�������������	∀�,�,�, og deretter å 	estimere kostnadsfunksjonen	 basert på de tre hoved	-	
metoden	e for effektivitetsanalysen benyttet i denne rapporten. 	 	
3.3.4	 	Vekting basert på singelindeksmodellen	 	
En ulempe med de tidligere gjennomgåtte tilnærmingen	e – det vil si tilnærmingen 	basert på res-	
sursbruk 	(jamfør seksjon 	3.3.2	) og «	tvilen til gode	»-tilnærmingen	 (jamfør seksjon 	3.3.3	) – er at 	
estimeringen foregår i to steg, hvilket impliserer 	tap av estimeringseffektivitet	. I en fjerde variant 	
benytter vi en	 singelindeksmodell	, som estimeres i kun e	tt steg med kun implisitt måling av 	��,�,�. 	
Dette er en egenutviklet 	og ny 	metodikk	. B	ruken av den må derfor 	gjøres med varsomhet.	 	
Vi har definert singleindeksmetoden kun for CNLS	-estimatoren	. Derfor ønsker vi	 å bruke 	estima-	
toren	 spesielt i beskrivelsen av vektingen i dette kapitlet. 	Vi viser til kapittel 3.2.3 for en beskri-	
velse av estimatoren. Denne metoden inneholder 	i utgangspunktet 	individuelle variabler for alle 	
delprodukter, 	politidistrikter og perioder. Vi gjør i dette delkapitlet en forenklende antakelse om 	
at vekten til hvert delprodukt 	består av en individspesifikk del og en 	del som er identisk over alle 	
enheter, 	det vil si	 ��,������,�,�=	(��,�,�+	��,������). Dette pålegger mer struktur på estimatoren, men be-	
holder fortsatt	 fleksibiliteten til CNLS	-estimatoren	: Det 	er 	fortsatt 	mulig å estimere en unik	 	
skyggepris (	marginalkostnad	) per 	produkt, enhet og tidsperiode. 	 	
Under forutsetningen	 gitt ovenfor	, kan vi	 definere CNLS	-estimatoren som	: 	
(3.11)	 	ln	��,�=	ln(�0,�,�+	∑	∑	(��,�,�+	��,������)��,������,�,�	�������������	�������	)+	������,�,� 	
Dette 	uttrykket	 kan skrives 	om	 til en lineær regresjonsmodell som kan estimeres med kvadratisk 	
optimering. 	 	
(3.12)	 	ln	��,�,�=	ln(�0,�,�,�+	∑	��,�,�	�������	(∑	��,������,�,�	�������������	)+	∑	∑	��,��������,������,�,�	�������������	�������	)+	��,� 	
Merk at den eneste forskjellen mellom modellen i likning 3.11 og 	CNLS	-estimatoren for 	modell 	S1 	
(det vil si	 modellen 	uten vekting) er leddet 	∑	∑	��,��������,������,�,�	�������������	�������	. Dette 	vekter følgelig de ulike del-	
produktene ved å bruke 	standard minste kvadrats metode, hvor parameterne	 ��,������ er identiske

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	36	 	
 
over 	politidis	trikter og tid	. Det er 	verdt	 å merke seg at 	denne egenskapen gjør at 	vektene 	��,������ 	
ikke	 påvirker Afriat	-ulikhetene til CNLS	-estimatoren: Det betyr at de ikke påvirker formen på (det 	
vil si. kurvaturen til) kostnadsfunksjonen	. I likhet med 	den vanlige CNLS	-estimatoren	 og	 «tvilen til 	
gode»	-tiln	ærmingen	 antar vi at	 ��,������≥	0,∀�,������ for å sikre	 at kostnadene øker med produksjon	en	 	
(det vil si	 at 	kostnads	funksjonen 	er monotont økende i produksjonsnivået). 	 	
3.4	 	Håndtering av	 intertemporale problemstillinger	 	
Vi vil 	nå 	redegjøre for hvordan vi utnytter tidsdimensjonen i dataene. Derette	r gjør vi greie for 	
hvordan vi håndterer at både produksjonen og 	kostnadene kan være korrelert med regresjonens 	
restledd på et gitt tidspunkt og at produksjonsstatistikken 	til en viss grad 	kan m	anipuleres	. 	
Utover	 metodiske grep har det vært viktig for oss å korrigere for strukturelle skift og	 samtidens 	
hendelser. Vår studie 	foregår 	i perioden fra og med	 innføringen av 	Politireformen i 2016	 og ut	 	
2023	. Det var ikke reformer av samme 	størrelsesorden 	i perioden	 og 	heller ikke reformer med en 	
tilsvarende klar geografisk dimensjon.	 Endringer i omgivelsene er håndtert gjennom inkludering 	
av kontekstuelle variabler, som 	redegjøres for	 i delkapittel 	4.3	. Blant de kontekstuelle variablene 	
fanger særlig kontrollene for koronapandemien opp et betydelig sjokk i politiets tjenesteproduk-
sjon, med en tydelig geografisk komponent	. 	
3.4.1	 	Utnyttelse av	 tidsdimensjonen	 i dataene	 	
I utgangspunktet 	foretar vi estimeringen 	i regresjoner på 	paneldata	 innad i år	et og 	over år. Dette 	
står i motsetning til regresjoner på 	tver	rsnittsdata	, som ikke innebærer muligheten for utnyttel-	
sen av en tidsdimensjon.	 De årlige regresjonene gjennomføres med 	månedsfaste effekter, mens 	
regresjonene over år også innbefatter år	sfaste 	effekter.	 	
Utregningene foretas ved DEA, SFA og StoNED	, som redegjort for i delkapittel 	3.2	 med vekting av 	
politiets oppgaveløsning, som redegjort for i delkapittel 	3.3	. Metodikken 	innebærer at man esti-	
merer teknologifronten 	– som reflekterer beste praksis 	– årlig og at 	man tillater 	teknisk	 tilbake-	
gang.	 Som nevnt i delkapittel 	3.2	 benytter vi metodikken Jondrow med flere (1982) om utnyttelse 	
av restleddets momenter for å identifisere enhetsspesifikke effektivitetsscorer.	 	
Bruk av paneldata over flere år gjør det mulig å vurdere persistente effektivitetsforskjeller mellom 
politidistriktene. Til dette bruker vi 	metod	ikk	en	 til 	Schmidt og Sickles (1984)	, som 	innebærer en 	
sammenlikning av 	gjennomsnittlig avvik fra beste praksis over tid mellom politidistriktene. Dis-	
triktet 	med	 minst avvik fra beste praksis brukes som en 	referanse for de andre distriktene, og får 	
dermed et effektivitetstall lik 	én	. De andre enhetenes effektivitetstall baseres deretter 	på avviket 	
mellom deres og referanseenhetens avvik fra beste praksis. 	 	
3.4.2	 	Håndtering av endogenitetsutfordringer	 	
Endogenitetsutfordringer	 innebærer at 	minst en av	 forklaringsvariable	ne i en regresjon er korre-	
lert med regresjonens restledd. Dette	 kan gi opphav til systematiske feilestimeringer.	 Slike ut-	
fordringer kan blant annet skyldes 	utelatte 	variabler av betydningen	 eller at de 	kausale virk-	
ninge	ne går begge veier	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	37	 	
 
Eksempler 	på forhold som kan gi slike utfordringer i en politikontekst inkluderer 	arbeid med 	fo-	
rebygging, manipul	asjon	 av 	den 	rapporte	rte tjenesteproduksjonen	, tilpasning av produksjonsinn-	
satsen til 	politiets	 vurderte 	resultater	 innad i en periode	 og	 ignorering av hendelser i omgivelsene 	
som koronapandemien.	 Vi vi	l fokusere på at problemene 	kan	 oppstå 	ved at	 politiet kan påvirke 	
antall saker som behandles. Dette kan blant annet skje 	gjennom 	politiets 	prioriteringe	r, for ek-	
sempel 	ved at	 flere trafikkontroller innebære flere 	anmeldte 	trafikklovbrudd	. Det kan også skje	 	
gjennom	 det	 forbyggende arbeidet	, som er vanskelig å kvantifisere direkte, me	n til en viss grad 	
gjenspeiles av forholdene i omgivelsene og den øvrige tjenesteproduksjonen.	 	
En måte å imøtegå dette problemet på er ved bruk 	en variant av den såkalte	 kontrollfunksjons-	
metodikk	 (se Olley og Pakes 1996 og Levinsohn og Petrin 2023 for tidlige banebrytende bidrag, 	
Van Beveren	 2013 for en bredere innføring og Rødseth, Kuosmanen og Holmen 2025 for en an-	
vendelse innenfor effektivitetsmåling). Metodikken tar sikte på å håndtere endogenitet knyttet 
til at forklaringsvariablene er korrelerte med regresjonens restledd. I kontrollfunk	sjonstilnær-	
mingene til produktivitetsestimering utnyttes en eller flere proxyer for produktivitetssjokket til å 
håndtere endogenitet i forklaringsvariablene i 	en kontrollfunksjon. For eksempel benytter Olley 	
og Pakes (1996)	 og Levinsohn og Petrin (2023) henholdsvis investeringer og produktinnsatsen 	
som proxyen for å håndtere endogeniteten i kapitalinnsatsen, som i utgangspunktet antas å 
kunne justeres innad i perioden. Metodikken forutsetter monotone sammenhenger mellom 
proxy	ene og de endogene variablene.	 	
Vi kommer et 	godt 	stykke på vei med å spesifisere kostnadsfunksjonen mest mulig realistisk	, ved 	
bruk	 av fornuftige former for vekting av	 tjenesteleveransene innad i hver	 tjenest	ekategori	 og 	ved 	
å korrigere for forhold i omgivelsene som både har 	betydning for produksjonen og forhold som	 	
ikke har vært mulig å måle skikkelig. For å 	redusere 	endogenitet	sproblemene	 ytterligere er vi 	
nødt til å gripe tak i 	endogenitets	utfordringene	. 	
Vi ønsker å estimere kostnadsfunksjonen	: 	
(3.1)	 	ln	��,�=	ln�∗(�1,�,�,…	,�������,�,�,�̆�,�,�,…	,�̆�,�,�)+	��,�+	��,�+	�������,� 	
hvor 	��,� er effektivtetsleddet,	 �������,� definerer	 en 	uforklart variabel	 som beskriver politiets tiltak	 	
som er vanskelig å måle som etterretning og	 forebygging	, mens	 ��,� er 	øvrig 	stokastisk restledds-	
variasjon. Siden antall 	rapporterte 	saker 	�1,�,� avhenger av forebygging	sinnsatsen	, er kostnads-	
funksjonen sårbar for endogenitetsproblemet.	 	
I vår tilnærming tar vi 	utgangspunkt i at det finnes en teoretisk	 og trolig empirisk	 sammenheng 	
mellom 	antall 	rapporterte 	saker	, forebygging	 og andre variabler	 som påvirker 	omfanget av krimi-	
nalitet	. Det kan eksempelvis dreie seg om	 sosioøkonomiske forhold og 	andre	 kontekstuelle vari-	
abler som 	er kjent å samvariere med omfanget av kriminalitet i samfunnet	. Vi kan uttrykke pro-	
duksjonen 	som:	 	
(3.2)	 	��,�,�=	ℎ(�̆�,�,�,…	,�̆�,�,�,�������,�) 	
Under en 	matematisk 	forutsetning om egenskapen til funksjonen 	ℎ(∙) kan vi 	løse den med hensyn 	
til den uobserverbare forebyggingsvariabelen	, �������,�. Det innebærer at den uobserverbare variabe-	
len nå beskrives 	ved en funksjon av observerbare variabler 	og som 	kan 	estimer	es simultant med 	
kostnadsfunksjonen	. Kostnadsfunksjonen	 i logaritm	eform 	kan da skrives som	:

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	38	 	
 	
(3.3)	 	ln��,�=	ln�∗(�1,�,�,�2,�,�,�3,�,�)+	������−1(�̆�,�,�,…	,�̆�,�,�,�������,�)+	��,�+	��,� 	
Siden 	������−1(�̆�,�,�,…	,�̆�,�,�,�������,�) nå 	an	gir en 	observerbar 	beskrivelse av omfanget av forebygging	, 	
vil ikke	 lenger	 ������� være	 en utelatt variabel	, hvilket	 vil si	 at den 	ikke lenger 	er 	en uforklart del av 	
restleddet	. Dette	 forebygger endogenitetsproblemet	 og hindrer forventningsskjeve estimater. 	 	
I kontrollfunksjonslitteraturen beny	ttes 	hovedsakelig parametriske metoder. O	fte 	brukes 	flek-	
sible funksjonsformer til å beskrive 	������−1(∙). I vårt arbeid benytter vi 	derimot 	en enkel, lineær kon-	
trollfunksjon	 for å redusere antall parametere som skal estimeres. Det er allikevel 	noen 	klare 	for-	
dele	r med vår metodikk	. 	
For det første benytter vi	 semi	-parametrisk estimering, 	hvilket innebærer	 at kostnadsfunksjonen 	
�∗(∙) er ikke	-parametrisk	 mens kontrollfunksjonen 	������−1(∙) er parametrisk. Siden	 formen til	 �∗(∙) 	
hovedsakelig 	er 	bestemt av 	såkalte formbetingelser (	engelsk:	 shape constraints), vil modellen selv 	
skille mellom bidraget til kostnads	- og kontrollfunksjonene 	til beskrivelsen av variasjonen i politi-	
ets kostnader. 	I konvensjonell kontrollfunksjonsmetodikk må 	de to 	funksjonene skilles fra hver-	
andre etter estimeringen av funksjonen.	 For å sikre et klart skille mellom kostnads	funksjonen 	og 	
kontrollfunksjonen i vår estimering benytter vi 	vektede produkter i kostnadsfunksjonen og uvek-	
tede produkter i kontrollfunksjonen	. Merk at vi anser	 endogenitet	sutfordringene	 primært 	å være 	
knyttet	 til de uvektede 	produkte	ne,	 og ikke 	hvor ressurskrevende gjennomsnittsproduktene er	. 	
For det andre anvender vi	 fortegnsbetingelser (	engelsk: 	sign constraints) til å sikre at kontroll-	
funksjonen 	(som fanger opp	 forebygging	 og annen utelatt politiproduksjon	) er avtakende i antall 	
straffesaker og oppdrag	 og økende i antall oppdrag innenfor 	ikke	-operative politisaker, altså 	sivil 	
rettspleie og 	geby	rfinansierte publikums	tjenester. 	Denne egenskapen (kalt monotonisitet) er en 	
viktig 	teoretisk 	forutsetning for kontrollfun	ksjonsmetoden.	 Likevel 	blir den sjelden pålagt som e	n 	
bibetingelse i selve estimeringen av kontrollfunksjonen. Vår metodikk sikrer at	 de teoretiske be-	
tingelsene for bruken av metoden er oppfylt.	 	
I vår variant av kontrollfunksjonsmetoden operer	er vi med mange proxier for endogeniteten, hvil-	
ket setter begrensninger i form av færre gjenværende frihetsgrader og gjennom 	dimensjonalite-	
tens	 forbannelse	. Samtidig 	anvender	 vi med en fleksibel kostnadsfunksjon, hvilket gjør det enk-	
lere å skille ut simultaniteten fra regresjonens restledd enn i konvensjonelle kontrollfunksjons-
analyser (for eksempel 	Olley og Pakes 1996 og Levinsohn og Petrin 2023	). Følgelig operer	er vi 	
med en lineær kontrollfunksjon og en ikke	-parametrisk variant, som er vanlig innenfor konven-	
sjonell økonometri.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	39	 	
 	
4	 	Data	 	
I det følgende 	gir vi en oversikt over data	ene	 benyttet i analysene	 inkludert	 kilder	, deskriptiv sta-	
tistikk	 og vektingsstrategier.	 Med dette redegjør vi for data benyttet for å måle politidistriktenes 	
produksjon og kostnader, samt 	omgivelser	 og variabler som utnyttes til 	å korrigere for forven-	
tingsskjevheter i estimeringen.	 Mot slutten av kapittelet redegjør vi for datasettets dimensjoner 	
og hvordan vi tilrettelegger for bruk av dataene i våre empiriske undersøkelser.	 	
4.1	 	Driftskostnader	 i faste og løpende priser	 	
Politidirektoratet	 (POD) 	har 	levert	 et uttrekk av politiets regnskap, som gir 	oss 	detaljert informa-	
sjon om kostnadene i hvert politidistrikt over tid. Regnskapet bruker en månedlig oppløsning for 
hvert politidistrik	t og 	standard kontoplan for statlige virksomheter	. Vi har 	kontrollert 	rådataene 	
for å fange opp eventuelle mangler, brudd i ID	-rekker, manglende data og andre uklarheter som 	
måtte oppklares med 	Politidirektoratet	, samt	 nye data som måtte leveres av 	Politidirektoratet	. 	
På grunn av strukturelle endringer i politiet er regnskapet for 	forskjellige	 år levert i ulikt format 	
og på ulikt aggregeringsnivå	. Nærpolitireformen tredde i kraft 1. januar 2016, men politiets regn-	
skapssystemer brukte fremdeles de gamle distriktene i bokføringen fr	am til noen måneder ut i 	
2017. I denne perioden ble også noen av kostnadene for politidistriktene ført i politiets hovedbok, 
før alle enheter ble samlet i én hovedbok ved overgangen til 	Direktoratet for forvaltning og øko-	
nomistyring 	som regnskapsleverandør.	 Vi har kombinert alle 	råfilene på en måte som tar høyde 	
for dis	se endringene.	 	
4.1.1	 	Valg av regnskapsstandard	 	
Gjennom	 vår 	analyseperiode	 fra	 2016	 til 	202	3 har politiet gått fra å føre regnskap	 utelukkende	 	
etter kontantprinsippet	, til 	å føre 	periodisert regnskap i tråd med 	statlig	e regnskap	sstandard	er 	
(SRS). 	I kontantregnskap	 blir inntekter og 	utgifter ført	 når	 betaling faktisk skjer, mens i periodisert 	
regnskap blir de ført når de	 påløper	 – altså når inntekten er opptjent og 	innkjøpet	 er forbrukt	. I 	
pe	riodisert regnskap	 bala	nseføres	 investeringer i 	varige driftsmidler og immateriell kapital	, før de 	
kostnadsføres over levetiden gjennom av	- og nedskrivninger.	 Derfor 	vil periodisert regnskap gi	 et 	
mer presist bilde 	av sammenhengen mellom kostnader og tjenesteproduksjon	, dersom periodi-	
seringen gjøres korrekt og konsekvent	. Kontantregnskap 	reflekter	er derimot 	hva 	etaten eller fo-	
retaket	 faktisk må ut med 	til hvilket tidspunkt,	 og avhenger ikke av 	valg av avskrivningsmetodikk	. 	
Til tross for 	fordelen	e med 	periodisert regnskap benytter vi i vår analyse regnskapstall som er ført 	
etter kontantprinsippet, for alle årene i analysen. Det er	 to grunner til at vi har valgt å bruke kon-	
tantregnskapet	. For det første ønsker vi r	egnskapsmessig konsistens over tid	, slik at vi unngår et 	
tidsseriebrudd i dataene.	 Periodisert regnskap ble innført i 2021, altså i løpet av analyseperioden 	
vår. Fra og med dette året foreligger både periodiserte tall og kontantregnskapstall. Imidlertid 
finnes ikke periodiserte tall fra årene fø	r SRS ble innført. Ved å bruke kontantregnskapstall gjen-	
nom hele perioden sikrer vi konsistent behandling av regnskapet over tid, og unngår risikoen for 
at skiftet av regnskapsstandard i seg sel	v påvirker resultatene.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	40	 	
 
For det	 andre er regnskapene i praksis ikke	 fullt ut	 periodisert innad i år	et, hvilket er en desto 	
viktigere grunn for vårt valg.	 Deler av politiets 	kostnader bokføres derfor ikke i den måneden 	
aktiviteten skjer. 	For eksempel faller lønnskostnadene i	 de periodisert	e regnskapene nær null i 	
juni hvert år. Dermed blir kostnadene i juni tilsynelatende lave, selv om det foregår minst like mye 
tjenesteproduksjon hos politiet i denne måneden som ellers i året. Det er i prinsippet mulig å 
delvis korrigere for denne	 feilen, for eksempel ved å benytte balanseendringer på relevante pos-	
ter i juni måned eller inngående balanse av skyldige feriepenger ved årets begynnelse, men denne 
informasjonen er ikke tilgjengelig i dataene.	 	
I o	mrådegjennomgangen av økonomistyringen av politiet (Finansdepartementet	, Justis	- og be-	
redskapsdepartementet og Politidirektoratet 	2024) påpeke	s det	 at SRS i praksis benyttes i liten 	
grad i politiet, og at det jobbes med å heve kvaliteten på dataene og hente ut gevinster fra skiftet 
av regnskapssystem. Bruk av kontantregnskapstall innebærer på sin side at juni	-utbetalingene blir 	
noe 	høyere	 enn i andre måneder, fordi denne måler feriepengeutbetalingen direkte. Verken kon-	
tantregnskapet eller SRS behandler f	eriepenger på en måte som gir et helt korrekt bilde 	av lønns-	
kostnadene i juni. 	Andre	 komponenter av driftsresultatene er gjenstand for liknende	 sesongmes-	
sige	 uregelmessigheter	. I delkapittel 	4.1.3	 beskriver vi hvordan vi ved hjelp av utglatting delvis 	
kompenserer for denne feilen, når kontantregnskapet er brukt for hele perioden.	 	
4.1.2	 	Valg av kostnadskontoer til bruk i analysen	 	
I denne analysen bruker vi 	samlede	 løpende 	driftskostnader per måned i hvert politidistrikt som 	
målet på ressursinnsats. 	Kostnader til kjøp og vedlikehold av varige driftsmidler (kapital) er 	holdt 	
utenfor, som beskrevet i delkapittel 	4.1.1	. Vi har 	summert 	kostnader ført under følgende konto-	
klasser for å gi oss en samlevariabel 	for	 samlede	 løpende 	driftskostnader	 med angivelse av 	eks-	
kludert	e kapitalkostnader	: 	
• 	Var	eforbruk	 (kontok	lasse 4	), e	kskludert 	større utstyrsanskaffelser	 og	 anskaffelse	 av varige 	
driftsmidler	 	
• 	Lønnskostnader 	(kontok	lasse 	5) uten unntak	 	
• 	Andre driftskostnader 	(kontok	lasse 	6 og 7	), ekskluder	t kostnader til reparasjon	, tapte for-	
dringer	 og vedlikehold av varige driftsmidler	 	
Vi benytter driftskostnader som kostnadsvariabel i hovedanalysen (se delkapittel 	4.1.2	) og eks-	
kluderer kapitalkostnader	, herunder 	kapitalslit, rentekostnader, prisutvikling på kapital	 og inter-	
aksjonseffekter	. En betydelig del av kapitalbruken håndteres gjennom husleieavtaler og ligger 	
derfor implisitt i driftskostnadene. Kapitalkostnader knyttet til egenkapitalisert eiendom	 for øvrig, 	
maskiner,	 utstyr	, transportmidler og 	immateriell	 kapital 	utgjør imidlertid en liten andel av totalen	 	
og er	 utfordrende å måle presist på grunn av lav datakvalitet.	 Det er derfor	 vi har 	utelatt	 disse 	
kapitalkostnadene fra denne studien, men undersøker dem nærmere i Holmen med flere 
(2026b)	. 	
Robusthetssjekker der kapitalkostnader inkluderes i årene med tilgjengelig data 	eller på en im-	
perfekt måte for alle år 	viser 	riktignok 	at dette gir et neglisjerbart utslag, både på grunn av høy 	
korrelasjon med de øvrige driftskostnadene og 	en 	relativt beskjeden størrelsesorden.	 Kapitalkost-	
nader er nærmere behandle	t i forskningsprosjekts delprosjekt om kostnadsvariasjoner knyttet til 	
politiets tjenesteproduksjon (Holmen med flere 202	6b).

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	41	 	
 
Det er to grunner til at kapitalkostnadene er ekskludert. For det første er det et lengre brudd i 
tidsserien for kapital, kapitalkostnader og investeringer i dataene vi har mottatt. I prinsippet er 
det mulig å forene investeringer og kapitalkostnader på tv	ers av regnskapsstandarder ved bruk 	
av ulike kapitalestimeringsprosedyrer der man regner seg bakover fra en kapitalbeholdning ved 
hjelp av investeringer, vedlikehold og andre kapitalkostnader. Imidlertid er bruddet i tidsserien så 
langt at vi hadde måttet 	interpol	ere kapitaldata over en lengre periode, som vi mener blir for 	
upresist. Dermed får vi ikke estimert en sammenhengende og presis tidsserie for kapitalbehold-
ningen og tilhørende kostnader. Da bortfaller også en viktig motivasjon for å bruke to ulike regn-
skap	sstandarder i samme analyse. For det andre har den enkelte beslutningsenhet i vår modell 	– 	
politidistriktene 	– begrenset direkte innflytelse på en viktig andel av kapitalen, nemlig investe-	
ringer i bygg og eiendom. Samlede kapitalkostnader utgjør en	 liten del av de totale kostnadene, 	
mens kapitalen domineres av eiendomskapital. 	På bakgrunn av kombinasjonen av bruddet i tids-	
serien og den begrensede størrelsesordenen på kostnadene har vi valgt å ekskludere kapitalkost-
nader og kun inkludere løpende driftskostnader.	 	
Vi inkluderer for øvrig kun 	realøkonomiske poster. Dette innebærer at f	inansposter, overføringer, 	
periodens resultat og avregninger	 (kontoklasse 8	) ikke inkluder	es. 	
4.1.3	 	Deflatering av kostnadene for 	å sammenlikne kostnadsvolum	 	
For å få et godt mål for produksjonsinnsatsen 	justerer 	vi for prisutviklingen i lønnskostnadene og 	
produktinnsatsen, 	altså vare	- og tjenesteforbruket inkludert energikostnader og leiekostnader. 	
Dette gjør vi ved å	 deflatere 	de 	bokførte driftskostnade	ne	 fra kontantregnskapet t	il faste 20	23	-	
priser. 	Lønnskostnader og øvrige driftskostnader	 deflateres hver for seg, for å 	ta hensyn til	 ulike 	
prisstigning på ulike innsatsfaktorer	. 	
For å deflatere 	vare	forbruket	 og andre	 driftskostnader	 (det vil si 	tjenesteforbruk	 og	 energi	kost-	
nader	) bruker vi	 den impliserte 	produktinnsats	deflatoren for «offentlig administrasjon og for-	
svar» 	fra	 Statistisk sentralbyrå	s nasjonalregnskap	. Vi 	har 	interpolert	 månedlige prisjusteringer ba-	
sert på en geometrisk utvikling mellom år	, da d	eflatorene vi 	har hentet inn 	kun 	er 	tilgjengelig	e på 	
årsbasis.	 	
Vi har	 testet flere ulike metoder for å deflatere lønnskostnader. 	Vi bruker	 en 	deflator per år 	�� 	
etter formelen:	 	
(4.1)	 	��=	
������������������� 	
������2023�2023	
 	
Her er �� samlede lønnskostnader og 	�� er samlede 	dagsverk	, for alle distrikter 	på tidspunkt	 �. 	
2023 er benyttet som baseår, hvilket innebærer at vi måler 	de deflaterte størrelsene i 2023	-priser 	
over hele året 	og med 	det 	låser prisforholdene mellom ulike komponenter til prisforholdene som 	
var gjeldende i 2023.	 	
I vår hovedtilnærming 	benytter 	årlige deflatorer	, slik at likning 	(4.1)	 regnes ut på årsbasis	. Deret-	
ter sprer vi 	lønnskostnadene 	og produktinnsatsen over måneder innad i år	et basert på henholds-	
vis antallet dagsverk 	og antall	et dager.	 Dette grepet gjør vi på grunn av utfordringer med perio-	
disering over måneder i kontantregnskapet	, som diskutert i	 seksjon	 4.1.1	. I vår alternative tilnær-	
ming 	regner vi ut likning 	(4.1)	 på månedsbasis, hvilket innebærer at vi oppnår månedlige	 deflato-	
rer. I og med at vi benytter tall fra kontantregnskapet, vil denne tilnærmingen være mer sårbar

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	42	 	
 
for 	når utgiftene finner sted. Samtidig 	vil den månedlige deflateringen til en viss grad ta høyde for 	
disse variasjonene når det kommer til lønn	skostnader	. 	
4.1.4	 	Deskriptiv statistikk 	for 	drifts	kostnadene	 	
Som diskutert i seksjon 	4.1.1	 og 	4.1.3	 medfører	 utfordringer med periodisering over måneder i 	
kontantregnskapet	 at vi i vår hovedtilnærming forde	ler kostnadene for et gitt år utover måneder, 	
basert på antallet dagsverk for lønnskostnader og antallet 	dager for produktinnsatsen.	 I en alter-	
nativ tilnærming deflaterer vi isteden 	kostnadene månedlig basert på lønnskostnader per dags-	
verk og produktinnsats per dag.	 Her gjøres utglattingen implisitt ved hjelp av deflatoren	e, og vi 	
gjør ingen eksplisitt utglatting av kostnadene.	 	
Vår hovedtilnærming	 gir noe bedre forklaringskraft og noe mer stabile målinger over tid	 enn den 	
alternative tilnærmingen	, idet	 utslaget avhenger noe av hvordan variasjonene er håndtert i jus-	
teringen for prisutviklingen	. Tilnærmingen	 gir 	samlede månedlige driftskostnader 	utenom kapi-	
talslit	et lik den blå linjen i 	Figur 	4.1. 	
Figur 	4.1 	Sammenli	kning av variabler for driftskostnader i faste 2023	-priser	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet	 og TØI	, basert på data fra Politidirektoratet	 	
Den oransje linjen i samme figur 	viser 	den 	alternativ	e deflaterings	metode	n (de	r deflatoren	 �� 	
varierer over hver måned 	�, og vi lar 	�� indikere samlede dagsverk	, jamfør likning 	(4.1)	 i seksjon 	
4.1.3	). Vi finner imidlertid at denne metoden	 bevarer mer av de regnskapstekniske årsakene til 	
kostnadsvariasjoner. Derfor forkaster vi den til fordel for	 vår foretrukne metode	 i våre hovedbe-	
regninger	. Forskjellene mellom de to tilnærmingene går først og fremst på	 de månedlige syklu-	
sene innad i hvert år, men trendbildet er omtrent det samme for begge	, hvilket følger av deres 	
metodiske konstruksjon	. Felles for begge metodene er at kostnadsvolumet 	– som reflekterer pro-	
duksjonsinnsatsen i politiets tjenesteproduksjon 	– har en svakt økende trend i perioden.	 	
I Figur 	4.2 har vi illustrert 	månedlige	 deflaterte	 driftskostnader etter politidistrikt	 med vår fore-	
trukne metode	. Figuren	 viser	 at Oslo politidistrikt skiller seg ut fra resten av di	striktene, ved at de 	
månedlige 	kostnadsvolumene er rundt dobbelt så høye som 	distriktet med nest høyest kostna-	
der. I tillegg er d	et en viss månedlig variasjon innad i hver	t distrikt	. Felles for distriktene er at 	
0	
200
400
600
800
1 000
1 200
1 400
1 600
1 800	
2016	2017	2018	2019	2020	2021	2022	2023	
Millioner kroner	
Utjevning av årlige kostnader over den månedlige produktinnsatsen
Månedlig deflatering som hensyntar variasjoner i arbeidsinnsatsen

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	43	 	
 
kostnadene faller periodisk i februar	, hvilket kan ses i sammenheng med at det er færre dager og 	
dermed også nedlagte dagsverk denne måneden enn i øvrige måneder	. 	
Figur 	4.2 	Månedlige	 driftskostnader	 i faste 20	23	-priser	, etter politidistrikt	 	
 	
Merknad:	 Variabelen framkommer ved å jevne ut årlige kostnader over månedlig produksjonsinnsats, hensyntatt 
forskjeller i antall dager.	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	, basert på data fra Politidirektoratet	 	
4.2	 	Produksjonsvariabler	 og vektingsstrategier	 	
Vi bruker tre mål 	på politidistriktenes tjenesteproduksjon	 i denne rapporten:	 	
• 	Oppdrag, registrert i 	Politioperativt System 	(PO	) 	
• 	Straffes	aker, registrert i 	Straffesaksregister	et (Strasak	) 	
• 	Et aggregat av saker i	nnenfor ikke	-operative polititjenester, herunder 	sivil rettspleie 	regi-	
strert	 i Saksbehandlingssystem	et i saker om tvangsfullbyrdelse og gjeldsordning 	(SIAN	) og 	
gebyrfinansiert publikumstjenester	 basert på ulike tjeneste	statistikker	 	
I det følgende	 beskriver vi datakildene vi bruker for å 	beregne 	omfanget av tjenesteproduksjon 	
under hvert av målene. Vi legger også fr	am deskriptiv statistikk og beskriver vektingsstrategier.	 	
4.2.1	 	Oppdrag	smengde	 	
Den første av de tre produksjonsvariablene som brukes i 	denne 	undersøkelsen er en kvantifise-	
ring av politidistriktenes oppdragsmengde. 	Vi bruker 	data fra 	Politioperativt 	System 	(PO	) for å 	
kvantifisere denne mengden.	 PO er et register og operativt verktøy som er ment å gi sanntidsin-	
formasjon om hendelser, oppdrag, ressursbruk og operasjonssentralens prioritering.	 Vi viser til	 	
Tekstboks 	4.1 for viktige forbehold ved bruk av statistikk fra PO.	 Vi 	fikk	 utlevert et uttrekk fra PO	 	
som inneholder alle registrerte oppdrag	 i landet 	i vår analyseperiod	e. Uttrekket	 inneholder en 	
rekke variabler for hver observasjon, med informasjon om egenskaper ved 	oppdraget	. Herunder 	
kommer	 tid	spunkt 	og 	tidsbruk	, priori	tet som er satt på oppdraget, 	antall mannskap og ressurser 	
satt på oppdraget, 	oppdragstype, status	, bev	æpningsstatus	, forholdets art og så videre.	 	
0
50
100
150
200
250
300
350
400	
2016	2017	2018	2019	2020	2021	2022	2023	
Millioner kroner	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Innlandet pd
Agder pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	44	 	
 
Tekstboks 	4.1 	Forbehold ved bruk av statistikk fra 	Politioperativt System	 	
Politioperativt System 	(PO	) er en vaktjournal og et loggføringsverktøy for operasjonssentralene, 	
som hovedsakelig føres i sanntid. Det som loggføres er basert på subjektive tolkninger og umid-
delbare forståelser av det som kan være nokså kaotiske hendelser, og det er ikke alltid logg	en 	
samsvarer med forståelsen av oppdraget som vokser fr	am over tid (Lungaard 2021). 	 	
Selv om PO er et register, er det altså ikke først og fremst et statistikkverktøy. 	Registreringsprak-	
sisen	 kan være ulik mellom ulike operasjonssentraler, og kan endres over tid. Strukturelle end-	
ringer som reformer og sammenslåinge	r bidrar også til endret praksis over tid.	 Vi viser til 	delka-	
pittel 	1.4	 for en diskusjon om hvordan dette spiller inn på våre analyser	. 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
I PO vil antall loggførte oppdrag være avhengig av antallet operatører på jobb, i tidsperioder med 	
ekstremt stort press. Med flere operatører på jobb ville man kunne	t registrere	 flere oppdrag. 	
Mange innringinger blir ikke loggført. Det er mulig at feilregistreringene øker i hektiske perioder, 
fordi man «velter flere kjegler når man må kjøre fort». 	Hendelser som koronapandemien og tids-	
punkt i året, herunder forskjeller i antall arbeidsdager i en måned, spiller også inn.	 	
De enkelte oppdragene er åpenbart svært forskjellige i ressursbehov og kan dessuten være for-
skjellige i både kvaliteten og effektiviteten i utførelsen, samt i registreringen. Å skille de ulike fak-
torene er krevende. I vår analyse vil vi måtte anta at kvali	teten i utførelsen og registreringen er 	
tilnærmet den samme mellom politidistrikter. Effektiviteten i utførelsen vil vi fange opp i de over-
ordnede effektivitetsmodellene rapportert nedenfor. Forskjeller i underliggende ressursbehov vil 
derimot bli analyser	t på flere måter.	 	
Figur 	4.3 	Utvikling i antall registrerte oppdrag	 per måned, totalt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
Den enkleste analysetilnærmingen er å kun telle antall oppdrag i hver observasjon (hvert politi-
distrikt i hver måned). En må da anta at de store talls lov sørger for at gjennomsnittsoppdragene 
i de ulike observasjonene er omtrent like ressurskrevende. Denn	e tilnærmingen er brukt i enkelte 	
av 	effektivitetsmodellene	 vi rapporterer.	 I Figur 	4.3 ser vi at oppdragene har en sesongvariasjon 	
0	
10 000
20 000
30 000
40 000
50 000
60 000
70 000
80 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	45	 	
 
innad i året, samt en fallende trend over tid. Antallet registrerte oppdrag på landsbasis øker om 
sommeren og faller på vinteren. Denne variasjonen holder seg relativt vedvarende over tid.	 	
Sesongvariasjonen 	finner man også igjen ved å se på 	månedsvariasjonen i antallet 	registrerte 	
oppdrag per distrikt, som vist i 	Figur 	4.4. 	
Figur 	4.4 	Utvikling i antall registrerte oppdrag	 per måned	, etter politidistrikt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
Figur 	4.5 illustrerer	 tilsvarende 	data	, på logaritmisk skala. 	Den logaritmiske skalaen gjør det noe 	
enklere å 	sammenlikne relativ variasjon	 for distrikter av ulike størrelse	. Den fallende trenden i 	
registrert oppdragsmengde, som trendlinjen i figuren, indikerer på nasjonalt nivå, er ikke like ty-
delig når vi ser på utviklingen i hvert enkelt distrikt.	 	
Figur 	4.5 	Utvikling i antall registrerte oppdrag	 per måned	, etter politidistrikt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
 	
0	
2 000
4 000
6 000
8 000
10 000
12 000
14 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Sør-Øst pd
Øst pd
Oslo pd
Vest pd
Trøndelag pd
Innlandet pd
Sør-Vest pd
Agder pd
Møre og Romsdal pd
Nordland pd
Troms pd
Finnmark pd
Gjennomsnitt	
100
1 000
10 000
100 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall (logaritmisk skala)	
Sør-Øst pd
Øst pd
Oslo pd
Vest pd
Trøndelag pd
Innlandet pd
Sør-Vest pd
Agder pd
Møre og Romsdal pd
Nordland pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	46	 	
 
Figur 	4.6 viser at 	oppdragsmengden har hatt en fallende trend 	i politidistriktene 	Sør	-Øst	, Oslo, 	
Øst	, Vest	, Sør	-Vest	 og Nordland. 	Mellom enkelte år har fallet i antall registreringer vært markant, 	
for eksempel 	mellom 2017 og 2018 for Vest politidistrikt. 	De øvrige distriktene har hatt en økende 	
eller 	flat	 trend.	 I tillegg viser figuren at det er 	Sør	-Øst	 og Øst politidistrikt som 	har registrert flest 	
oppdrag i perioden, mens Oslo	 politidistrikt	 har tredje flest registrerte oppdrag.	 	
Figur 	4.6 	Utvikling i antall registrerte oppdrag	 per år	, etter politidistrikt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	 
En fallende trend i registrerte oppdrag kan være en indikasjon på fallende oppdragsmengde, men 
kan også skyldes endringer i registreringspraksis, sammenslåinger av operasjonssentraler og kom-
munesammenslåinger. I vektingene rapportert nedenfor har vi antatt	 at den fallende tidstrend	en	 	
er uttrykk for endret registreringspraksis og/eller økt oppdragstyngde og korrigert for dette.	 	
To ulike oppdrag kan ha vidt forskjellig ressursbehov. 	For å ta bedre hensyn til forskjeller i res-	
sursbehovet kan en dele opp oppdragene i ulike grupper som er homogene i ressursbehovet	. Det 	
er 	likevel 	begrenset hvor mange slike tjenestegrupper som kan benyttes direkte i effektivitetsmo-	
dellene. Det er få 	variabler	 i PO som kan brukes til en enkel inndeling av oppdragene	. Vi har brukt 	
variabelen «prioritet», som indikerer oppdragets prioritet på en 	femdelt skala	. Prioriteringsnivået 	
kan settes flere ganger i	 løpet av et oppdrag.	 I våre analyser bruker vi 	den prioriteten som er	 satt 	
ved oppdragets slutt	. Denne skal 	i prinsippet 	være justert	 i løpet av 	oppdraget,	 men 	blir 	nok ikke 	
alltid 	endret slik at den gjenspeiler alvorlighetsgraden	 slik oppdraget 	faktisk utviklet seg	. Figur 	4.7 	
viser at d	et er i hovedsak prioritetskategori 1	 til 	3 som brukes i praksis, mens «Alarm»	-kategorien 	
brukes svært sjeldent. Noen ganger 	registreres	 ingen prioritet.	 	
0	
20 000
40 000
60 000
80 000
100 000
120 000
140 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Sør-Øst pd
Øst pd
Oslo pd
Vest pd
Trøndelag pd
Innlandet pd
Sør-Vest pd
Agder pd
Møre og Romsdal pd
Nordland pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	47	 	
 
Figur 	4.7 	Utvikling i antall 	registrerte oppdrag, per prioriteringsnivå	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
En noe mer avansert tilnærming er å bruke flere av de tilgjengelige variablene til å simultant for-
klare forskjellene i ressursbruk. En vil da bruke en regresjonsmodell med ressursbruk som av-
hengig variabe	l, og der ulike forklaringsvariable	r benyttes til å forutsi ressursbruken. Dermed kan 	
regresjonen brukes til å predikere forventet ressursbruk for hvert enkelt oppdrag ut fra de andre 
kjennetegnene. En slik modell vil fange opp systematiske forskjeller mellom oppdragene. Andelen 
av variasjon	en som forklares	 ved en slik modell vil være gitt ve	d R2. D	et innebærer en anta	kelse 	
om at resten av variasjonen vil skyldes tilfeldigheter ved oppdraget og registreringspraksis.	 	
I PO er det ikke opplagt hvor mye ressurser som medgår til oppdragene. Det er loggført ulike 
tidspunkter og tidsbruk i 	de 	ulike 	fasene av oppdraget. Bortsett	 fra starttidspunktet er 	denne in-	
formasjonen imidlertid ofte mangelfull	, noe som 	gjenspeiler	 at registeret 	primært fungerer som 	
et arbeidsverktøy	, og at	 statistikkhensyn kommer i annen rekke. Det ser ut som den variabelen 	
som best fanger opp ressursbruk er 	det som i rådataene kalles 	«antall	 ressurser	 ekstern fil	», som 	
stammer fra en egen loggføring av h	ver enkelt kall til en «ressurs»	, men der duplikater er fjernet	. 	
En «ressurs» kan i denne sammenhengen være en politibil, men også en ambulanse, brannbil 	og 	
så videre	. Ressursen	 vil kun delvis beskrive omfanget av politiets ressursbruk på oppdraget. Det 	
er også en variabel «antall	 mannskap» som angir antallet 	politifolk	 som er tilgjengelig i det dis-	
triktet på det tidspunktet	. Denne variabelen mangler 	imidlertid for	 en stor andel av oppdragene	. 	
Det er forsøkt med ulike avhengige 	variabler	 som ressursindikato	r, men det er «antall	 ressurser	 	
ekstern fil	» som har klart størst statistisk forklaringskraft målt ved R	2. 	
Figur 	4.8 viser utviklingen i antall 	oppdragsressurser 	satt per måned på landsbasis. 	I likhet med 	
antall oppdrag har ressursene også en 	fallende trend	 med sesongvariasjon.	 	
0	
50 000
100 000
150 000
200 000
250 000
300 000
350 000
400 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Prioritet 1	Prioritet 2	Prioritet 3	Alarm	Ingen

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	48	 	
 
Figur 	4.8 	Utvikling i antall 	oppdragsressurser satt per måned	, totalt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
Vi finner igjen sesongvariasjonen 	også 	per politidistrikt,	 som vist	 i Figur 	4.9, for de fleste distrikter 	
og spesielt de s	tørste	. For de mindre distriktene er variasjonen ikke markant. Det er verdt å merke 	
seg at fordelingen av antall oppdragsressurser ikke er lik som fordelingen for antallet oppdrag. 
Som vist i 	Figur 	4.4 hadde Oslo tredje flest oppdrag i perioden. I antall oppdragsressurser er Oslo 	
imidlertid størst.	 	
Figur 	4.9 	Utvikling i antall 	oppdragsressurser satt per måned	, etter politidistrikt	 	
 	
Merknad:	 Figuren viser antall registrerte oppdrag i PO, basert på oppdragets iverksettelsesdato	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI, basert på data fra Politidirektoratet	 	
 	 	
0	
10 000
20 000
30 000
40 000
50 000
60 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
0	
2 000
4 000
6 000
8 000
10 000
12 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Oslo pd
Sør-Øst pd
Øst pd
Vest pd
Trøndelag pd
Sør-Vest pd
Agder pd
Innlandet pd
Møre og Romsdal pd
Nordland pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	49	 	
 
Tabell 	4.1 viser 	to regresjonsmodeller med antall	 ressurser	 som avhengig variabel. 	Analysen om-	
fatter kun PO	-oppdrag med registrert ressursbruk, d	et vil si	 der antall ressurser 	er 	større enn null. 	
Fordelingen	 av antall ressurser p	er oppdrag	 er svært skjev	, med et snitt på 1,67 og en fordeling 	
fra 1 til 4219 for de som har loggført minst en ressurs	. For å ta høyde for skjevheten har vi forsøkt 	
å modellere	 sammenhengen mellom ressurser og egenskaper ved oppdraget	 ved hjelp av ulike 	
funksjonsformer, inkludert logaritmiske funksjonsformer. 	Den	 forklarte variansen i ulike modeller 	
er 	målt ved R	2 og vil ved dette målet være 	høyest ved en lineær 	sammenheng	. Det innebærer at 	
tolkningen av koeffisientene 	i tabellen 	er 	behovet for 	økning i 	antall 	ressurs	er når 	en	 forklarings-	
variabel går fra til 1	, gitt at de andre forklaringsvariablene holdes fast	. 	
Modell PO.1 	i tabellen 	svarer til en ren inndeling etter prioritet	. Sammen med en dummyvariabler 	
for årstall 	– altså en indikatorvariabler som enten har verdien eller 1 	– har 	denne modellen 	en 	
forklart varians	 (R2) på 16	 prosent	. Med 3,5 ressurser p	er oppdrag i prioritet 1, og nesten 5 i 	
prioritet ALARM, skiller denne inndelingen klart mellom oppdragene. 	Det er også en tydelig tids-	
trend, ved at gjennomsnittlig antall ressurser per oppdrag øker fra omtrent 1,5 i 2016 til omtrent 
1,8 i 2023. Denne trenden k	an selvsagt reflektere redusert effektivitet over tid, men ved å inklu-	
dere tidsvariabelen i regresjonen vil det heller tolkes som enten endret registreringspraksis eller 
at oppdragene har blitt mer krevende over tid, selv om en her kontrollerer for sammens	etningen 	
av prioritetsgrupper. Regresjonsresultatene viser en gradvis økning i alvorlighetsgraden fra prio-
ritetsnivå 3, der oppdragene uten registrert prioritetsnivå er hakket mer ressurskrevende.	 Videre 	
blir oppdragene noe mer ressurskrevende over tid. Me	ns økningen i gjennomsnittlig ressursbruk 	
per oppdrag økte med omtrent 0,3 i rådataene ser en at den øker med drøyt halvparten (0,165) 
når en kontrollerer for prioritetsgruppe.	 	
I modell PO.2 er det 	inkludert flere variabler som 	bidrar klart 	til å forklare variasjon i ressursbru-	
ken	, med en R	2 som øker til 	31 prosent	. Forklaringsvariablene inkluderer «Samtaleklassifisering», 	
«bevæpning» og	 «hovedforholdets art»	. Denne siste har hele 	556 ulike kategorier	 og de enkelte 	
koeffisientene er derfor henvist til appendiks 	A. Det er	 mange 	kategorier	 som brukes lite, eller 	
som har hver for seg mindre forklaringskraft, og tilfeldigheter i registreringspraksis gir grunn til å 
advare mot å overfortolke virkningen av de enkelte kodene. Som samlet blokk er forklaringskraf-
ten likevel klart statistisk signif	ikant. Modell PO.	2 er derfor vår primære modell for å predikere 	
ressursbehovet for hvert enkelt oppdrag.	 Tidstrenden forsterkes litt i den foretrukne modellen, 	
mens effekten av prioriteringsgruppe dempes noe.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	50	 	
 
Tabell 	4.1 	Ulike regresjonsmodeller for Oppdrag i PO	 fra 	2016 til 2023	 	
 	Deskriptivt	 	 	Regresjonsmodeller	 	
 	 	 	 Modell PO.1 	 	 	 Modell PO.2 	 	
Avhengig variabel	 	 	 	 Antall ressurser 	 	 	 Antall ressurser 	 	Antall observasjoner	 	med avhengig variabel 	>0 	 	 	2,788,077 	 	 	2,069,638 	 	
 R2 	 	 	0.156 	 	 	 0.308 	 	
 	
 Antall valide observasjoner med avhengig variabel >0	 	
 Gj.sn.	 	ressurser p	er 	oppdrag	 	Koeffisient	 	 Std. 	feil 	Koeffisient	 	 	Std. feil 	
Total	 	2,788,077	 	1.674 	 	 	 	 	 	 	Konstantledd	 	 	 	1.238 	 *** 	 	0.002 	 	0.997	 	 *** 	 	0.003 	 	
Prioritet	 	 	 	 	 	 	 	 	 	
1 	165,511	 	3.495 	 	2.090 	 ** 	0.003 	 	1.214	 	 *** 	 	0.004 	 	2 	1,254,970	 	1.726 	 	0.346 	 *** 	 	0.001 	 	0.208	 	 *** 	 	0.002 	 	3 	1,241,431	 	1.370 	 	(referanse)	 	 	(referanse)	 	Alarm	 	2,664	 	4.918 	 	3.504 	 *** 	 	0.023 	 	2.382	 	 *** 	 	0.025 	 	Ingen	 	123,501	 	1.695 	 	0.145 	 *** 	 	0.003 	 	0.060	 	 *** 	 	0.004 	 	
År 	 	 	 	 	 	 	 	 	
2016	 	411,788	 	1.492 	 	(referanse)	 	 	(referanse)	 	2017	 	383,710	 	1.562 	 	0.050 	 *** 	 	0.003 	 	0.009	 	 ** 	0.003 	 	2018	 	343,565	 	1.679 	 	0.112 	 *** 	 	0.003 	 	0.037	 	*** 	 	0.003 	 	2019	 	334,560	 	1.698 	 	0.112 	 *** 	 	0.003 	 	0.043	 	 *** 	 	0.003 	 	2020	 	324,880	 	1.739 	 	0.156 	 *** 	 	0.003 	 	0.191	 	 *** 	 	0.003 	 	2021	 	322,528	 	1.749 	 	0.161 	 *** 	 	0.003 	 	0.208	 	 *** 	 	0.003 	 	2022	 	334,699	 	1.751 	 	0.151 	 *** 	 	0.003 	 	0.183	 	 *** 	 	0.003 	 	2023	 	332,347	 	1.787 	 	0.165 	 *** 	 	0.003 	 	0.175	 	 *** 	 	0.003 	 	
Samtaleklassifisering	 	 	 	 	 	 	 	 	 	
Ikke registrert	 	846,827	 	1.506 	 	 	 	 	(referanse)	 	02800	 	814,337	 	1.497 	 	 	 	 	-0.042	 	 *** 	 	0.002 	 	112	 	689,324	 	1.928 	 	 	 	 	0.096	 	 *** 	 	0.002 	 	Alle andre innkomne 	samtaler	 	437,124	 	1.930 	 	 	 	 	0.037	 	 *** 	 	0.002 	 	
Tetra individanrop	 	42 	1.357 	 	 	 	 	-0.029	 	 	0.167 	 	Tetra nødalarm	 	423	 	1.300 	 	 	 	 	-0.065	 	 	0.062 	 	
Bev	æpnet	 	 	 	 	 	 	 	 	 	
Nei	 	2,729,825	 	1.611 	 	 	 	 	(referanse)	 	Ja 	58,252	 	4.652 	 	 	 	 	2.041	 	 *** 	 	0.006 	 	
Hovedforholdets art	 	 	 	 	 	 	 	 	 	
Trafikk diverse	 	164,742	 	1.296 	 	 	 	 	(referanse)	 	556 dummyvariable	r 	 	 	 	 	 	 (se Appendiks	 A) 	
Signifikansnivå angi	s med *** (0.1%),** (1%),* (10%)	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	 	 	 	 	 	
Koeffisientene for de største kategoriene og de med størst signifikant effekt er vist i 	Tabell 	4.2. 	
Den største kategorien «Trafikk diverse» er brukt som referansekategori med cirka 1,3 ressurser 
per oppdrag gitt at de er i referansekategorien også for de øvrige variablene. De ni neste grup-
pene er relativt like i ressursbehov, og samtlige har under 0,64 	flere ressurser per oppdrag enn 	
referansekategorien i predikert behov.	 	
Kategoriene med størst effekt har til dels betydelig større utslag, med et tillegg på 8,1 ressurs per 
oppdrag for terrorberedskap og 6,2 for drap, gitt referansekategori for øvrig. Siden disse oppdra-
gene vanligvis også vil ha bevæpning og høy prioritet vil	 de ha enda høyere predikert ressursbruk 	
og derfor høyere vekt i effektivitetsmodellene.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	51	 	
 
 
Tabell 	4.2 	Største grupper og største effekter for dummyvariablene for	 	
hovedforholdets art for oppdrag i regresjonsmodellen PO.2 	fra 	2016 til 2023	 	
 	Deskriptivt	 	 	 Regresjoner ved modell PO.2 	 	
 	 Antall valide observasjoner 	 	 Gj.sn.	 	ressurser per oppdrag 	 	 	Koeffisient	 	 	Std. feil	 	
Største grupper	 	 	 	 	 	 	 	
Trafikk diverse	 	164,742	 	 1.296 	 	(referanse)	 	
Kontroll person	 	135,005	 	 1.408 	 	 	0.068	 	 *** 	 	0.004 	 	
Kontroll kjøretøy	 	126,841	 	 1.235 	 	0.008	 	 * 	0.004 	 	
Kontroll sted	 	85,463	 	 1.464 	 	0.125	 	 *** 	 	0.004 	 	
Trafikkontroll	 	71,547	 	 1.365 	 	0.236	 	 *** 	 	0.005 	 	
Ordensforstyrrelse på offentlig sted	 	69,767	 	 1.474 	 	0.115	 	 *** 	 	0.005 	 	
Undersøkelsessaker	 	66,978	 	 1.478 	 	0.138	 	 *** 	 	0.005 	 	
Bistand helsevesen	 	64,398	 	 2.086 	 	0.634	 	 *** 	 	0.005 	 	
Beruset person	 	55,234	 	 1.295 	 	0.017	 	 ** 	0.005 	 	
Trafikkuhell	 	46,703	 	 1.946 	 	0.515	 	 *** 	 	0.005 	 	
Størst effekt	 	 	 	 	 	 	 	
Terrorberedskap	 	10 	 43.100 	 	8.055	 	 *** 	 	0.322 	 	
Drap	 	32 	 10.594 	 	6.240	 	 *** 	 	0.180 	 	
Trafikkulykke dødsulykke	 	253	 	 6.763 	 	4.210	 	 *** 	 	0.064 	 	
Plivo	 	122	 	 6.885 	 	3.873	 	 *** 	 	0.093 	 	
Savnet luftfartøy	 	2 	 5.500 	 	3.718	 	 *** 	 	0.720 	 	
Søk etter savnet person	 	300	 	 5.580 	 	3.606	 	 *** 	 	0.059 	 	
Leteaksjon	 	363	 	 5.251 	 	3.452	 	 *** 	 	0.053 	 	
Tunnelulykke	 	21 	 5.476 	 	3.392	 	 *** 	 	0.222 	 	
Luftfartsulykke land	 	19 	 5.526 	 	3.278	 	 *** 	 	0.234 	 	
Tvangsmessig stans	 	11 	 4.909 	 	3.200	 	 *** 	 	0.307 	 	
Vakthold	 	3,726	 	 9.857 	 	3.070	 	 *** 	 	0.017 	 	
Signifikansnivå angis med *** (0.1%),** (1%),* (10%)	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	 	 	
Ettersom 	26	 prosent	 av oppdragene 	ikke har fått angitt hovedforholdets art bruker vi 	den enklere 	
modell	en	 PO.	1 til å forklare ressursbehovet i disse oppdragene. Det predikerte ressursbehovet i 	
hvert oppdrag etter disse modellene normaliseres deretter til relative vekter ved å dele på gjen-
nomsnittlig ressursbehov. Dermed vil vektene ha et gjennomsnitt på 1,0, og an	tall vektede opp-	
drag vil være lik	t antall uvektede oppdrag for hele landet og alle tidsperiodene under ett. De vek-	
tede oppdragene aggregeres så for hvert politidistrikt og hver måned.	 	
Figur 	4.10	 viser resultatet av vektingen på observasjonsnivå sammen med antall ressurser	 i eks-	
tern fil	, som var den avhengige variabelen brukt i estimeringen.	 Det 	øvre	 panelet viser den parti-	
elle sammenhengen mellom antall oppdrag og antall ressurser. Oslo PD skiller seg klart ut ved å 
bruke flere ressurser per oppdrag. Dette kan skyldes at oppdragene i Oslo i snitt er tyngre	 og har 	
større ressursbehov 	enn i resten av landet, men det kan også skyldes 	flere ressurser er tilgjengelig 	
og derfor blir brukt på oppdrag der det neppe hadde skjedd i mer spredtbyg	de strøk. Regresjons-	
modellen er ment å 	vekte oppdrage	ne etter ressursbehov	. De	t nedre	 panel	et i figuren viser sam-	
menhengen mellom antall oppdrag og den vektede o	ppdragsmengden. Her er det mer samsvar 	
og Oslo skiller seg ut i betydelig mindre grad.	 Oslo får mindre uttelling i det vektede målet enn i 	
den faktiske ressursbruken	, men har likevel noe høyere ressursbehov per oppdrag enn i resten 	
av landet. En kan si at vektingsmodellen som er brukt 	tar ned produksjonsmålet for Oslo fra den 	
faktiske ressursbruken, men at en del av merforbruket 	likevel tilskrives at 	Oslo har tyngre oppdrag.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	52	 	
 
Figur 	4.10	 	Uv	ekt	ede	 oppdrag sammenli	knet med a) antall ressurser	 (ø.) og b) vektede 	
oppdrag (	n.). Hver prikk representerer et politidistrikt i en måned. 	Oslo	 politi-	
distrikt 	er markert 	i rødt.	 	
 	
Kilde:	 	Vista Analyse, 	Frischsenteret, OsloMet	 og TØI	 	
4.2.2	 	Straffesak	sbehandling	 	
Det andre	 måle	t på tjenesteproduksjon 	i vår analyse 	er 	omfanget av	 straffe	saker	 til behandling	 i 	
politidistriktene. Vi baserer 	denne variabelen 	på	 informasjon fra 	Straffesaksregister	et (Strasak	) til 	
politiet	. Strasak	 fungerer som en straffesaksjournal og inneholder opplysninger om mottatte an-	
meldelser og oppfølging av straffesaker langs hele sakskjeden.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	53	 	
 
Det er ikke rett fr	am å fastslå hvor mange straffesaker som etterforskes til enhver tid i politidist-	
riktene. 	Hvis man for eksempel teller opp antall nyregistrerte	 eller oppklarte	 saker per måned	, 	
som 	rapportert	 i Figur 	4.11	, fanger man ikke opp 	at etterforskningen ofte pågår betydelig leng	re 	
enn en måned. 	I tillegg kan en sak skifte eierdistrikt, 	noe 	som 	medfører	 at distriktet som opprin-	
nelig registrerte saken ikke er distriktet som faktisk etterforsker saken	. 	
Figur 	4.11	 	Utvikling 	antall saker 	etter oppklaringsdato	 per år	, etter politidistrikt	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet	 og TØI	, basert på data fra Politidirektoratet	 	
En alternativ måte å kvantifisere saksomfanget på, er å telle opp antallet ekspedisjoner per må-
ned. En ekspedisjon i 	Stra	sak betyr at det er foretatt en registrering på saken, og er en indikasjon 	
på at saken jobbes med. 	Figur 	4.12	 viser antallet ekspedisjoner, etter politidistrikt. 	En mulig fordel 	
med en slik metode er at 	tyngden	 i saksarbeidet i større grad 	kommer fr	am, dersom 	flere ekspe-	
disjoner innebærer at saken er mer krevende. Imidlertid er ikke dette alene en god nok indikasjon 
på sakstyngden	. 	
Vår første strategi for å kvantifisere etterforskningsarbeidet er 	å telle opp antall 	distinkte 	saker 	
som har en ekspedisjonsregistrering i hver måned, som et uttrykk for at 	en sak	 har vært behandlet 	
i den måneden og derfor medført ressursbruk	. Sakene er henført til de politidistriktene som har 	
sendt eller mottatt saken den måneden, men inkluderer ikke tiden hos statsadvokat. Sakstallet 
blir da beholdningen av aktive saker, og ikke strømmen av nye eller avsluttede saker. Fr	amgangs-	
måten gir en form for vektin	g etter behandlingstid (i kalendertid	 og	 ikke arbeidstid)	. Saken telles 	
med i alle måneder	, der den har ekspedisjonsregistreringer i politidistrikte	ne	. 	
0	
10 000
20 000
30 000
40 000
50 000
60 000
70 000
80 000
90 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Agder pd
Innlandet pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	54	 	
 
Figur 	4.12	 	Utvikling i antall 	ekspedisjoner per år	, etter politidistrikt	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	, basert på data fra Politidirektoratet	 	
Figur 	4.13	 viser utviklingen i antall distinkte ekspedisjoner per år, etter politidistrikt	. Saksom-	
fanget, uttrykt ved antall distinkte ekspedisjoner per måne	d, har 	hatt en fallende trend på lands-	
basis i perioden. Imidlertid 	er trenden flat eller stigende for de fleste distrikter fra og med 2021.	 	
Figur 	4.13	 	Utvikling i antall 	distinkte ekspedisjoner per år	, etter politidistrikt	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet	 og 	TØI	, basert på data fra Politidirektoratet	 	
Saksomfanget per år skjuler en betydelig månedlig variasjon, som vist i 	Figur 	4.14	, uten en 	domi-	
nerende	 sesongvariasjon.	 	
0	
100 000
200 000
300 000
400 000
500 000
600 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Innlandet pd
Agder pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd
Gjennomsnitt	
0	
50 000
100 000
150 000
200 000
250 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Innlandet pd
Agder pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	55	 	
 
Figur 	4.14	 	Utvikling i antall 	distinkte 	ekspedisjoner per måned	, etter politidistrikt	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet	 og TØI	, basert på data fra Politidirektoratet	 	
Vår andre vektingsstrategi	 bruker den samme fr	amgangsmåten som for PO	. Denne innebærer	 å 	
kjøre en regresjon basert på kjennetegn ved de enkelte sakene. 	Som venstresidevariabe	l er det 	
brukt antall dager 	fra registrering	en	 til 	avslutningen av saken	. Dette er	 for det meste samme dato 	
som oversending til statsadvokat, uavhengig av om saken faktisk er oppklart eller ikke. 	Igjen er 	
det ikke fullt samsvar mellom variabelen tidsbruk 	– målt 	i antall 	dager	 – og det underliggende 	
ressursbehovet som vi egentlig forsøker å fange opp	. Det	 foreligger 	heller 	ikke direkte data for 	
antall arbeidstimer eller e	tterforskere	, som ville fanget opp dette mer direkte	. Derimot 	finnes det	 	
opplysninger 	i dataene 	om både kriminalitetstype, oppklaringsstatus og antalle	ne av	 ulike etter-	
forskningsskritt (avhør, åstedsundersøkelser o	g li	knende	) og roller (vitner, fornærmede, siktede 	
og så videre	) som har vært involvert. Disse kan da utnyttes som forklaringsvariable	r i regresjonen 	
og bidra til å predikere ressursbehovet.	 Som t	idspunkt er det brukt oppklaringsdato ut fra den	 	
tanken at mye av arbeidet foretas i den nærmeste perioden før oversending	 til statsadvokat. 	Al-	
ternativet med å henføre en forholdsmessig andel av sakene til alle måneder med ekspedisjoner 
ga lavere forklaringskraft.	 	
Tabell 	4.3 gir resultatene av 	to 	regresjonsmodeller der antall dager er avhengig variabel.	 Som for 	
PO	-modellene er det testet ulike funksjonsformer for regresjonene, men ingen ga vesentlig høy-	
ere forklaringskraft målt ved	 R2 enn den lineære som gir de enkleste tolkningene.	 I dette tilfellet 	
er en del av forklaringsvariablene antall fra 	null	 og oppover, men med en svært skjev fordeling for 	
hver variabel.	 	
Modell SAK.1 er en inndeling etter kriminalitetstype	 og årsdummyer.	 Antall dager er til dels svært 	
ulik	e mellom 	kriminalitets	typer	 og varierer også mellom år	. Likevel har modellen kun en forkla-	
ringskraft på 	6,8 prosent	. Inkluderes oppklaringstype i modellen stiger forklaringskraften kun litt, 	
selv om gjennomsnittlig antall dager er omtrent det dobbelte for oppklarte saker enn for uopp-
klarte saker	. Inkluderes også	 variablene «har anmeldt» (at noen har blitt anmeldt i saken), saks-	
opprinnelsestype og	 antallsvariablene 	i modell SAK.2, 	forsvinner 	mye av 	forklaringskraften til opp-	
klaringstypen, 	og oppklarte saker har faktisk lavere tidsbruk enn uoppklarte saker når en tar hen-	
syn til disse øvrige variablene. F	orklaringskraften til kriminalitetstypene består	 i hovedsak	. An-	
tallsvariablene som gruppe	 bety	r svært	 mye, og R	2 øker til 	20,1 prosent	. 	 	
0	
2 000
4 000
6 000
8 000
10 000
12 000
14 000
16 000
18 000
20 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Amtall	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Innlandet pd
Agder pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd
Gjennomsnitt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	56	 	
 
Tabell 	4.3 	Ulike regresjonsmodeller for 	saker i 	Strasak	 2016 til 2023	 	
 	Deskriptivt	 	 	Regresjonsmodeller	 	
 	 	 	 	Modell SAK.1	 	 	Modell SAK.2	 	
Avhengig variabel	 	 	 	 	Antall dager	 	 	Antall dager	 	Antall observasjoner	 	 	 	 	2 638 496 	 	 	2 610 755 	 	 	R2 	 	 	 	0.068	 	 	 0.201 	 	 	
 	 Antall valide	 	observasjoner 	 Gj.sn. dager 	per sak 	 	Koeffisient	 	Std. feil	 Koeffisient	 	Std. feil	 	
Total	 	 2 638 496 	 	70.02 	 	 	 	 	 	 	 	 	Konstantledd	 	 	 	 	37.666	 *** 	 	0.239 	 	-8.970	 *** 	 	0.309 	 	
 Kriminalitetstype 	 	 	 	 	 	 	 	 	 	 	1 Økonomi	 	217 841 	 	91.32 	 	 	56.898	 *** 	 	0.304 	 	37.130	 *** 	 	0.302 	 	2 Vinning	 	834 014 	 	34.42 	 	 	(referanse)	 	 	(referanse)	 	3 Vold	 	257 865 	 	118.47 	 	 	83.903	 *** 	 	0.285 	 	11.506	 *** 	 	0.307 	 	4 Seksuallovbrudd	 	59 746 	 	180.65 	 	 145.952	 *** 	 	0.535 	 	55.094	 *** 	 	0.549 	 	5 Narkotika	 	240 380 	 	97.34 	 	 	61.340	 *** 	 	0.293 	 	0.689	 	 * 	0.336 	 	6 Skadeverk	 	152 801 	 	38.77 	 	 	4.634	 *** 	 	0.352 	 	2.058	 *** 	 	0.329 	 	7 Miljø	 	18 615 	 	106.27 	 	 	71.650	 *** 	 	0.936 	 	39.867	 *** 	 	0.912 	 	8 Arbeidsmiljø	 	6 688 	 	175.13 	 	 140.520	 *** 	 	1.550 	 124.323	 *** 	 	1.459 	 	9 Trafikk	 	441 848 	 	65.63 	 	 	31.064	 *** 	 	0.235 	 -17.281	 *** 	 	0.295 	 	10 Annen	 	319 031 	 	85.08 	 	 	50.502	 *** 	 	0.263 	 	1.219	 *** 	 	0.289 	 	11 Undersøkelsessaker	 	89 667 	 	68.94 	 	 	34.129	 *** 	 	0.444 	 	58.716	 *** 	 	0.559 	 	
År 	 	 	 	 	 	 	 	 	 	2016	 	359 307 	 	72.21 	 	 	(referanse)	 	 	(referanse)	 	2017	 	330 091 	 	73.47 	 	 	-0.015	 	 	0.304 	 	2.120	 *** 	 	0.284 	 	2018	 	336 935 	 	77.63 	 	 	3.161	 *** 	 	0.303 	 	9.149	 *** 	 	0.283 	 	2019	 	327 813 	 	75.79 	 	 	1.744	 *** 	 	0.305 	 	8.710	 *** 	 	0.285 	 	2020	 	326 181 	 	72.03 	 	 	-1.886	 *** 	 	0.306 	 	4.002	 *** 	 	0.292 	 	2021	 	297 323 	 	70.01 	 	 	-4.152	 *** 	 	0.313 	 	2.977	 *** 	 	0.301 	 	2022	 	314 812 	 	62.48 	 	 	-9.031	 *** 	 	0.309 	 	1.538	 *** 	 	0.298 	 	2023	 	346 034 	 	56.53 	 	 -14.324	 *** 	 	0.301 	 	-0.900	 	 ** 	0.293 	 	
Har	 anmeldt	 	 	 	 	 	 	 	 	 	 	Nei	 	990 873 	 	19.28 	 	 	 	 	 	(referanse)	 	Ja 	 1 647 623 	 	100.53 	 	 	 	 	 	69.289	 *** 	 	0.346 	 	
Oppklaringstype	 	 	 	 	 	 	 	 	 	 	Ikke oppklart	 	 1 216 372 	 	48.27 	 	 	 	 	 	(referanse)	 	Oppklart	 	 1 159 728 	 	97.82 	 	 	 	 	 -33.698	 *** 	 	0.248 	 	Oppklart tidligere ved hjelp 	40-kodene	 	 655 	 	116.47 	 	 	 	 	 	-7.627	 	 * 	4.581 	 	
Trekkes ut før oppklarings-	prosenten beregnes	 	261 058 	 	47.30 	 	 	 	 	 -22.286	 *** 	 	0.312 	 	
Andre oppklaringskoder	 	 2 	286.50 	 	 	 	 	 138.858	 	 * 	82.795 	 	
 Saksopprinnelse	 	 	 	 	 	 	 	 	 	 	 Vanlig 	 	 2 103 675 	 	82.60 	 	 	 	 	(referanse)	 	 Digital anmeldelse 	 	263 135 	 	9.52 	 	 	 	 	 	-2.590	 *** 	 	0.307 	 	 Nettanmeldelse 	 	146 228 	 	9.56 	 	 	 	 	 	-3.585	 *** 	 	0.362 	 	 UP 	 	125 458 	 	56.38 	 	 	 	 	 -14.692	 *** 	 	0.379 	 	
Antallsvariab	el 	Gjennomsnittlig antall p	er sak	 	 	 	 	 	 	 	 	Ekspedisjon	 	5.873 	 	 	 	 	 	 	5.940	 *** 	 	0.022 	 	Åstedsund	ersøkelse	 	0.063 	 	 	 	 	 	 	1.610	 *** 	 	0.437 	 	Sporsikret	 	0.089 	 	 	 	 	 	 	6.924	 *** 	 	0.371 	 	Avhør 	0.491 	 	 	 	 	 	 	-0.039	 	 	0.070 	 	Bistandsadvokat	 	0.028 	 	 	 	 	 	 	34.766	 *** 	 	0.445 	 	DNA	-prøvetaking	 	0.000 	 	 	 	 	 	 -18.952	 *** 	 	3.130 	 	Domfelt	 	0.169 	 	 	 	 	 	 	22.663	 *** 	 	0.330 	 	Fornærmet	 	0.668 	 	 	 	 	 	 	2.339	 *** 	 	0.143 	 	Implisert	 	0.013 	 	 	 	 	 	 	20.264	 *** 	 	0.426 	 	Melder	 	0.051 	 	 	 	 	 	 	6.591	 *** 	 	0.340 	 	Mistenkt	 	0.187 	 	 	 	 	 	 	-0.004	 	 	0.229 	 	Savnet 	0.005 	 	 	 	 	 	 -18.182	 *** 	 	1.098 	 	Siktet	 	0.332 	 	 	 	 	 	 	3.598	 *** 	 	0.238 	 	Skadd	 ved	 ulykke	 	0.001 	 	 	 	 	 	 	3.639	 	 * 	1.780 	 	Underretningsmottaker	 	0.038 	 	 	 	 	 	 	8.137	 *** 	 	0.382 	 	Vitner	 	0.356 	 	 	 	 	 	 	2.662	 *** 	 	0.049 	 	
Signifikansnivå angitt med *** (0.1%),** (1%),* (10%).	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	57	 	
 
I effektivitetsmodellene med vektede variable	r bruker vi prediksjonen i modell SAK.	2 til å vekte 	
sakene. Igjen normaliseres vektene slik at gjennomsnittssaken får vekt 1,0, og antall vektede saker 
totalt 	blir likt antall uvektede saker	 totalt	. Derimot fordeles de vektede sakene ulikt på politi-	
distrikt og måneder. 	I den forrige aggregeringen ble antall åpne saker brukt som uttrykk for pro-	
duksjonen for hver observasjon	, ettersom den ga en implisitt vekting av saker som var åpne i lang 	
tid.	 I den eksplisitte vektingen basert på regresjonene 	henføres	 nå i stedet de vektede sakene 	på 	
eierdistri	kt og oppklaringsdato	. Dermed unngås dobbeltvekting.	 	
Figur 	4.15	 viser hvordan disse vekt	ede	 sakene samvarierer med de uvekt	ede	 sakene	. I 	det øvre	 	
panel	et vises 	den faktiske 	samvariasjonen. Oslo skiller seg 	lite	 ut når en ser bort fra størrelsen. I 	
det nedre	 panel	et vises samvariasjonen 	mellom uvektede saker	 og	 produksjonsmålet 	når sakene 	
vektes 	etter forventet ressursbruk	. Her er det en rekke enkeltobservasjoner der tunge saker øker 	
produksjonsmålet forholdsmessig mer enn for de fleste. 	Vektingen gir også Oslo større uttelling 	
enn den rene tellemetoden.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	58	 	
 
Figur 	4.15	 	Antall 	uvekt	ede	 saker sammenli	knet med a) 	tidsbruk	 (ø.) og b)	 antall 	vektede 	
saker	 (n.). Hver prikk representerer et politidistrikt i en måned.	 Oslo	 politi-	
distrikt 	er markert 	i rødt.	 	
 
 	 
Kilde:	 	Vista Analyse, 	Frischsenteret, OsloMet	 og TØI	 	
4.2.3	 	Ikke	-operative polititjenester	 	
Den tredje	 og siste	 produksjonsvariabelen er ment å fange opp arbeidet som 	utføres	 av politiet	 	
utover	 kjerneoppgavene. Denne variabelen inkluderer arbeid	 innen sivil rettspleie	, og det vi kaller 	
gebyrfinansierte publikumstjenester	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	59	 	
 
Vi viser til	 Tekstboks 	4.2 for en beskrivelse av disse tjenestene. 	For å unngå problematikk med 	få 	
frihetsgrader og 	dimensjonalitetens forbannelse	 i estimeringen 	(se delkapittel	 3.3	), vekter vi disse 	
to 	tjenestetypene sammen i et felles aggregat. 	Denne tilnærmingen	 støtte	t også opp 	under foku-	
set	 på politiets kjerneoppgaver	 i vårt mandat	. 	
Tekstboks 	4.2 	Beskrivelse av sivil rettspleie og gebyrfinansierte publikumstjenester	 	
Den sivile rettspleien i politiet omfatter blant annet behandling av sivile saker i forliksrådene, 
tvangsfullbyrdelse, gjeldsordning og forkynnelser. 	Finansieringen	 skjer i stor grad gjennom retts-	
gebyrer, som skal dekke kostnadene ved tjenestene. Dette gjelder blant annet saker i forliksråd 
og tvangsfullbyrdelse. Gjeldsordning er unntatt gebyrfinansiering. Politiet har ansvar for sekreta-
riatsfunksjonen til forliksråd	ene, mens selve domsmyndigheten ligger hos rådsmedlemmene. Det 	
er normalt ett forliksråd per	 kommune, men mindre kommuner kan samarbeide. Oslo er et unn-	
tak med fem avdelinger under ett råd. Arbeidet er organisert i namsfogdkontorer, og det fore-
kommer noe bistand mellom distrikter ved kapasitetsutfordringer	. Dette tar ikke	 dataene 	som 	vi 	
har mottatt	, høyde for. Det arbeides for tiden med et betydelig digitaliseringsarbeid som sammen 	
med en ny innkrevingslov fra 2026 vil påvirke politiets arbeid innen sivil rettspleie (Skatteetaten 
2025	). Oppgavene innen den sivile rettspleien har endret seg etter p	olitireformen	. 	
Gebyrfinansierte publikumstjeneste	r omfatter utlendingsforvaltningen, utstedelse av pass og 	an-	
nen ID	, vaktholdskontroller	, statsborgerskapssøkn	ader	 og våpentillatelser.	 Merk at Politidirekto-	
ratet jevnlig omtaler de gebyrfinansierte publikumstjenestene som forvaltningstjenester. Vi anser 
imidlertid dette som et lite dekkende begrep, siden de	t bryter med standard terminologi i øko-	
nomisk statistikk. I konvensjonell begrepsbruk defineres forvaltningstjenester tjenester som ikke	-	
selvfinansierte	 tjenester	, hvilket står i motsetning til tjenester forbundet med forretningsdrift. Ut	 	
fra en vanlig fagterminologi vil dermed gebyrfinansierte publikumstjenester falle utenfor det man 
no	rmalt mener med forvaltning, mens operativ	e polititjenester faller innenfor, stikk i motsetning 	
til hvordan Politidirektoratet praktiserer begrepet. For å unngå forvirring har 	vi derfor valgt å 	
unngå bruken «forvalting»	. 	
Mens 	mange ansatte 	kombinerte 	gebyrfinansierte publikumstjenester	 og sivil rettspleie	 før 2016	, 	
behandler	 mange distrikter sivil rettspleie som egen stillingsstatus	 etter reformen	. Gebyrfinansi-	
erte publikumstjenester omfatter blant annet utlendingsforvaltning, hvor politiet har ansvar for 
kontroll med innreise og opphold, samt behandling og oppfølging av søknader om visum, opp-
holdstillatelse og statsborgerskap. I tillegg ivaretar pol	itiet administrative oppgaver som utste-	
delse av pass og 	annen 	ID, behandlin	g av tillatelser og kontrollfunksjoner.	 	
Kilde:	 	Vista Analyse, 	Frischsenteret, OsloMet	 og TØI	 	
Politiet ser både 	gebyrbaserte 	publikumstjenester	 og sivil rettspleie som en del av sitt forebyg-	
gende arbeid	 (Politidirektoratet 2020)	. Dette ble også 	fram	hevet under referansegruppemøter	, 	
beskrevet som	 «forebyggi	ng ved forvaltning». 	Under publikumstjenester	 handler det	 blant annet	 	
om å vurdere om enkeltpersoner oppfyller vilkår for tillatelser, og å tilbakekalle disse dersom 
vilkårene faller bort. 	Det legges en lav	 terskel for å melde bekymring 	i dette sporet	. I den sivile 	
rettspleien inngår tiltak som tvangsfullbyrdelse og gjeldsordning som forebyggende elementer, 
ved at økonomiske konflikter 	mellom 	ulike aktører i samfunnet 	håndteres innenfor retts	pleien	. 	
Vi bruker to ulike datakilder for å kvantifisere arbeidet med disse to tjenestene	: 	
• 	Data for d	en sivile rettspleie:	 Vi har fått levert et uttrekk	 fra 	Politidirektoratet	 fra 	Saksbe-	
handlingssystem i saker om tvangsfullbyrdelse og gjeldsordning 	(SIAN	), tidligere	 kjent som

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	60	 	
 	
«Saksbehandlingssystem for informasjon og analyse i namsmannen	, etter å ha sendt en da-	
taforespørsel med ønske om så disaggreg	erte data som mulig.	 Datasettet	 vi har fått 	viser 	
antall saker 	av ulike sakstyper, per måned og politidistrikt	. Det	 inkluderer både nye saker og 	
avsluttede saker. I vår analyse bruker vi antallet avsluttede saker	 totalt	 per måned	 som pro-	
duksjonsmål innen den sivile rettspleien	, for hvert politidistrikt	. 	
• 	Data for g	ebyrfinansierte publikumstjenester:	 Disse t	jenestene er sammensatt 	av en 	flere	 	
ulike tjenester,	 som hver 	har saksdata i en rekke ulike registre og kilder. 	I mangel på tilstrek-	
kelig disaggregerte og komplette volumdata utnytter vi informasjon om samlede inntekter 
per tjeneste fra regnskapet, kombinert med prisutviklingen på gebyrene sendt til oss av 	Poli-	
tidirektoratet	, for å beregne saksvolumet via inntektssiden.	 Våre forespørsler om å få til-	
sendt månedlig statistikk fra alle de ulike relevante reg	istrene ble ikke fullstendig in	nfridd. 	
Kun unntaksvis var dataene på månedlig form, per politidistrikt. Noe data var kvartalsvis, og 
for noen av tjenestene manglet data helt. Metoden som brukes utnytter at kostnad per må-
ned defineres som pris ganger kvantum. Med korrekte tall for både ko	stnad og pris per må-	
ned vil vi kunne beregne kvantum indirekte	 som en form for kvasivolum	. Denne metoden	 	
krevde noe bearbeiding av data. For det første var enkelte av observasjonene negative, som 
ifølge	 Politidirektoratet	 skyldes feilrettinger. Disse ble satt lik null. 	For det andre, legger vi til 	
én	 krone på alle inntekter, for å unngå 	potensielle estimeringsproblemer ved nullobserva-	
sjoner	 og logaritmer som ikke kan være lik nu	ll. For det 	tredje, 	mangler vi priser på kontroll 	
av vaktselskaper, så disse settes lik prisutviklingen på våpengebyrer. For det fjerde, består 
inntakskontoen for familieinnvandring av 	tre typer gebyrer. Vi 	lager en vektet indeks for 	
denne tjenesten, basert på vekter	 tilsendt fra	 Politidirektoratet	. Vektene er basert på saks-	
andeler for de tre tjenestene i 2023, som brukes gjennomgående over analyseperioden.	 For 	
det femte	, var våpeninntekter sterkt fallende i andre halvdel av 2023, som 	følge 	av at innbe-	
talinger for våpengebyrer ble overtatt av Statens innkrevingssentral i løpet 	av 2023. For å 	
korrigere for denne målefeilen bruker vi predikerte 	tall basert på 2022	-data i tilsvarende 	
måned	 for juni til desember	, skalert for 	forholdet mellom inntektene i 2022 og 2023 i januar	 	
til 	mai (før skiftet av system).	 I tilfellet Nordland	 begynner fallet i Nordland tidligere, så pre-	
diksjonen er for mars 	til 	desember.	 I tillegg til dette operer	er politiet med differensierte sat-	
ser 	på våpentillatelser (	halv pris til de som har våpen fra før) og pass	 og 	annen 	ID (barn be-	
taler 60 prosen	t av voksne).	 Dette har vi ikke tatt eksplisitt høyde for, og vil kunne innebære 	
at nivåene 	på saksmengden 	ikke blir helt presis. Imidlertid vil relative forskjeller 	mellom dis-	
trikter	 bli mindre berørt av en slik feilmåling, og systematiske forskjeller vil kunne håndteres 	
av kontekstuelle variabler i regresjonene.	 	
De fleste sakene i sivil rettspleie er såkalte tvangssaker	, s	om 	Figur 	4.16	 vise	r, med flere hundre 	
tusen saker i året	. Forliks	- og stevnevitnesaker utgjør mindre andeler, mens gjeldssaker 	kun har 	
noen få tusen saker i året på landsbasis	 (og vises derfor på høyreaksen)	. Antallet saker nådde en 	
topp i 	koronaåret 2020	, etter en jevnt stigende trend	. Påfølgende år har hatt	 færre saker	, med 	
det laveste antallet i 2022.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	61	 	
 
Figur 	4.16	 	Antall saker i den sivile rettspleie	, over alle distrikter	 	
 	
Merknad:	 Gjeldssaker 	telles på høyre akse, mens øvrige sakskategorier telles på venstre akse.	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet	 og TØI	, basert på data fra Politidirektoratet	 	
Forskjellen i antallet saker mellom distriktene vises i	 Figur 	4.17	. Oslo har flest saker, etterfulgt av 	
Øst og 	Sør	-Øst	. 	
Figur 	4.17	 	Antall saker i den sivile rettspleie, per distrikt	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	, basert på data fra Politidirektoratet	 	
Våre estimater på antall saksekvivalenter innen gebyrfinansierte publikumstjenester vises i	 Figur 	
4.18	. Den klart største kategorien er utstedelse av pass og 	annen ID	, vist på høyre akse. I begyn-	
nelsen av perioden var antallet saksekvivalenter 	for	 leveranser av pass og annen ID jevnt, men 	
antallet ble mer enn halvert i koronaåret 2020. I 2021 var antallet tilbake til normalen før pande-
mien, før det høyeste antallet i perioden ble nådd i 2022. De resterende sakstypene estimerer vi 
til å utgjøre omtr	ent 10 til 15 prosent av saksomfanget for pass	 og annen ID	, i gjennomsnitt.	 	
0
1 000
2 000
3 000
4 000
5 000
6 000
7 000
8 000	
0	
100 000
200 000
300 000
400 000
500 000
600 000
700 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall saker (gjeld)	
Antall	
Stevnevitne	Forlik	Tvang	Gjeld	
0	
20 000
40 000
60 000
80 000
100 000
120 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Antall	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Trøndelag pd
Innlandet pd
Sør-Vest pd
Agder pd
Nordland pd
Møre og Romsdal pd
Troms pd
Finnmark pd

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	62	 	
 
Figur 	4.18	 	Estimert antall saksekvivalenter i gebyrfinansierte publikumstjenester 	 	
 	
Merknad:	 I mangel på tilstrekkelig disaggregerte og komplette volumdata utnytter vi informasjon om samlede inn-
tekter per tjeneste fra regnskapet, kombinert med prisutviklingen på gebyrene sendt til oss av 	Politidirek-	
toratet	 for å beregne saksvolumet via inntektssiden	. Politiet opererer med differensierte gebyrsatser for 	
flere av tjenestene, som sammen med andre forhold beskrevet i rapporten kan medføre at det estimerte 
saksomfanget ikke samsvarer 	med	 det reelle saksomfanget.	 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	, basert på data fra Politidirektoratet	 	
Effekten av koronapandemien blir tydeligere hvis man ser på alle sakskategoriene samlet, som 
gjøres i	 Figur 	4.19	. På grunn av det store antallet pass	- og 	ID-saker faller det totale antallet saks-	
ekvivalenter i 2020 i alle distrikter	, før alle distrikter ser en økning til og med 2022. I 2023 har alle 	
distrikter 	igjen fallende antall sak	sekvivalenter.	 	
 	 	
0
200 000
400 000
600 000
800 000
1 000 000
1 200 000
1 400 000	
0	
20 000
40 000
60 000
80 000
100 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Saksekvivalenter pass/id (estimat)	
Saksekvitalenter (estimert)	
Kontroll av vaktselskaper	Arbeidstillatelser	Familieinnvandring	
Våpen	Oppholdstillatelser	Statsborgerskap	
Pass/ID (høyre akse)

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	63	 	
 
Figur 	4.19	 	Estimert antall sak	sekvivalenter	 i gebyrfinansierte publikumstjenester, per 	
distrikt 	 	
 	
Merknad:	 I mangel på tilstrekkelig disaggregerte og komplette volumdata utnytter vi informasjon om samlede inn-
tekter per tjeneste fra regnskapet, kombinert med prisutviklingen på gebyrene sendt til oss av 	Politidirek-	
toratet	 for å beregne saksvolumet via inntektssiden	. Politiet opererer med differensierte gebyrsatser for 	
flere av tjenestene, som sammen med andre forhold beskrevet i rapporten kan medføre at det estimerte 
saksomfanget ikke samsvarer 	med	 det reelle saksomfanget.	 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	, basert på data fra Politidirektoratet	 	
De ulike sakstypene varierer i kompleksitet og 	tyngde	. For å ta høyde for dette har vi beregnet 	
ressursvekter som uttrykker anslått ressursbruk per sak	, til bruk i 	vår hovedspesifikasjon (	S2	). Til-	
nærmingen varierer mellom 	de to 	tjenestetypene	 sivil rettspleie og gebyrfinansierte publikums-	
tjenester	. I tillegg har vi beregnet en vekt mellom 	hver av tjenestetypene	, til bruk i produksjons-	
aggregatet.	 De tre vektingskategoriene er beregnet ved hjelp av følgende metoder:	 	
• 	Vekter f	or 	saker innen den 	sivil	e rettspleie	: Vektene	 er basert på	 (den inverse av)	 et estimat 	
av hvor mange saker	 av hver type	 som i gjennomsnitt behandles per årsverk. Dette anslaget 	
er utarbeidet av 	Politidirektoratet	 basert på en oppfatning om ressursbehovet i 	innevæ-	
rende	 år og de siste ett til to årene.	 Vi benytter disse estimatene som vekter for hele perio-	
den.	 Politidirektoratet	 har bevisst	 lagt seg	 lavt i anslaget for å unngå overestimering av ef-	
fektiviteten	, ifølge 	direktoratet	. Det finnes	 forskjell	er mellom distriktene i hvordan oppgave-	
løsningen er organiser	t bakover i tid	. Noen har samlet ansvaret for namsmannsoppgaver un-	
der én ledelse, mens andre har fordelt dette på flere enheter. Erfaring tilsier	 – ifølge 	Politidi-	
rektoratet	 – at enhetlig organisering, hvor ledelsen har ansvar for både ressursbruk og opp-	
gaveportefølje, gir mer effektiv drift.	 Vi har ikke hensyntatt slike forskjeller eksplisitt i vår 	
analyse, utover 	det som er implisitt hensyntatt via vekting.	 	
• 	Vekter for saker innen	 gebyrfinansierte publikumstjenester	: Her 	bruke	r vi	 gebyrinntekter til 	
å anslå 	tidspersistente 	kostnadsvekter	, basert på en tanke om at gebyrinntektene 	grovt 	til-	
nærmet	 gjenspeiler 	de underliggende kostnadene	. Vekte	ne	 per sakstype	 er beregnet ved	 å 	
beregne hver sakstypes del av samlede 	kostnader for	 porteføljen per år	 først og deretter	 	
regne gjennom	snittet av saksvekter på tvers av år.	 Ved å dele på antall saksekvivalenter	 får 	
vi en vekt per saksekvivalent.	 	
• 	Vekt mellom den sivile rettspleien og gebyrfinansierte publikumstjenester	: I dokumentasjo-	
nen til Politidirektoratets ressursallokeringsmodell (RAM)	 defineres vektene 	til 	sivil 	
0	
50 000
100 000
150 000
200 000
250 000	
2016	2017	2018	2019	2020	2021	2022	2023	
Saksekvivalenter (estimat)	
Oslo pd
Øst pd
Sør-Øst pd
Vest pd
Sør-Vest pd
Trøndelag pd
Innlandet pd
Agder pd
Møre og Romsdal pd
Nordland pd
Troms pd
Finnmark pd

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	64	 	
 	
rettspleie	 og 	utlendingsforvaltningen 	blant	 de variable 	komponenten	e i ressursallokeringen 	
(Politidirektoratet 2024)	. Vi 	avleder	 forholdet mellom 	politiets	 kostnader	 til u	tlendingsfor-	
valtningen 	og 	gebyrfinansierte 	publikumstjenester 	samlet 	fra politiets	 regnskap. 	Ved å ut-	
nytte 	at utlendingsforvaltningen er fellesnevneren, kan vi beregne vektene mellom sivil 	
rettspleie og 	de	 gebyrfinansierte 	publikums	tjeneste	ne samlet	. I de vektede analysene nor-	
maliseres saksmengden for både sivil rettspleie og gebyrfinansierte publikumstjenester til 
gjennomsnittssaken, slik at antallet vektede saksekvivalenter blir likt antall uvektede.	 	
Kort oppsummert baserer 	de a	nvendte 	vektene	 for sivil rettspleie 	og gebyrfinansierte publikums-	
tjenester	 seg	 på 	kostnadsforskjeller. D	isse	 illustreres i 	Figur 	4.20	. 	
Figur 	4.20	 	Vekter brukt i den sivile rettspleie	n og 	gebyrfinansierte publikumstjen	ester	 	
 	
Merknad:	 Blå 	søyler er for den sivile rettspleien, mens turkis gjelder gebyrfinansierte publikumstjenester.	 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	, basert på data fra Politidirektoratet	 	
4.3	 	Kontekstuelle faktorer	 og instrumenter	 	
Forutsetningene for å få mye produksjon ut av produksjonsressursene i politisektoren avhenger 
betydelig av omstendighetene. Følgelig vil det være viktig å identifisere og ta hensyn til konteks-
tuelle variabler i effektivitetsmålingen, altså viktige variable	r som er utenfor politiets kontroll. 	
Noen av de kontekstuelle forholdene som påvirker politisektoren vil være sektorielle, som 	for 	
eksempel 	forhold 	forbundet med kriminalitetsbildet	 og ulike krav til organisering. Andre konteks-	
tuelle variabler vil 	gjelde	 generelle geografiske og sosioøkonomiske forhold.	 I tillegg kan kvalitets-	
forskjeller i tjenesteproduksjonen mellom politidistriktene 	og kjennetegn ved produksjonen 	
håndteres innenfor rammeverket av kontekstuelle faktorer. 	 	
Betydningen av omgivelsene vil avhenge av hvilken polititjeneste som undersøkes og aggrege-
ringsnivået undersøkelsen foretas på. 	For eksempel vil tjenester rettet mot gjengkriminalitet ofte 	
være mest relevante i urbane områder med betydelige sosioøkonomiske utfordringer. På den 
annen side vil geografiske avstander og graden av utrykkingsintensitet ha større betydning for 
effektivite	ten til operative tjenester knyttet til utrykking.	 På et såpass høyt aggregeringsnivå vil 	
mange av de potensielle kontekstuelle 	variablene være korrelerte med hverandre, samtidig som 	
en del av forskjellene mellom regionene hviskes ut. Sammen med behovet for tilstrekkelig mange 	
0.59
0.68
0.81
1.09
1.56
1.58	
4.42	
5.45	
6.32
6.56	
20.45	
0	5	10	15	20	25	
Pass/ID	
Stevnevitne	
Tvang
Forlik
Våpen	
Vakthold	
Oppholdstillatelse
Statsborgerskap	
Familiegjenforening	
Arbeidstillatelse	
Gjeld	
Vekt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	65	 	
 
frihetsgrader og 	dimensjonalitetens	 forbannelse	 taler disse faktorene for å begrense antallet kon-	
tekstuelle variabler i de empiriske kjøringene med basis i styrken, robustheten og påliteligheten 
knyttet til variablenes forklaringskraft, samt deres innbyrdes korrelasjon.	 	
Det er verdt å merke seg at en del av de kontekstuelle variablene utforsket i analysen er beslektet 
med variablene som benyttes i politiets Ressursallokeringsmodell (RAM)	. Modellen 	ligger til grunn 	
for politidistriktenes finansiering	 og er dokumentert i	 Pol	itidirektoratet 	(2024)	. Dette er uproble-	
matisk for våre effektivitetsmålinger, ettersom politiet ikke kan påvirke de kontekstuelle variab-
lene som benyttes i vesentlig grad, især ikke i samme periode.	 	
4.3.1	 	Tverrsektorielle 	omgivelser	 	
I innsamling	en	 av 	kontekstuelle	 variabler 	har vi gått relativt bredt ut	. Samlet har vi 	i våre initiale 	
undersøkelser tatt for oss	 mellom 30 og 40 variabler	. Disse fanger vi op	p geografisk befolknings-	
struktur	, demografi, inntektsfordeling, kompetanse	, sosiale tiltak, 	koronasmitte, 	sammensetning 	
av dage	r og 	sysselsetting	. Utvalget er basert på 	vurderinger av	 innspill fra prosjektets referanse-	
grupper	, politiets Ressursallokeringsmodell (RAM)	, i tillegg til	 hvilke variabler som vi vet fra	 egne 	
erfaringer og andre studier at kan ha betydning for produksjonssektoren og samfunnslivet	. Vi 	
oppsummer	er datasettet i 	Tabell 	4.4, der variablene 	benyttet i de innledende undersøkelsene 	
utgår fra	 dataene	. 	
I og med at effektivitetsmålingene 	foretas med måne	dbasis som tidsoppløsning, har vi lagt vekt 	
på å framskaffe 	data	 på månedsbasis.	 Enkelte variabler har imidlertid kun vært tilgjengelige på 	
kvartalsbasis og 	årsbasis	. I tilfeller der det har vært grunn til å tro at utviklingen har vært	 glidende	, 	
som 	for 	befolkningsgrupper	, har vi benyttet	 geometrisk 	interpolering	 av andeler når mer aggre-	
gerte variabler er tilgjengelige	, og av antall når 	mindre	 aggregerte variabler er tilgjengelige.	 For	 	
andre variabler som inntektskarakteristika har vi forutsatt like nivåer innad i år	et. 	
I utvelgelsen av variabler har vi testet ut signifikans, robusthet og pålitelighet knyttet til variabel-
kandidatene for kontekstuelle variabler, samt innbyrdes korrelasjonsmønstre. Vi har testet ut ef-
fektene av kovariatene ved hjelp av korrelasjonsmatriser,	 OLS	-regresjoner, fasteffektregresjoner 	
(se Wooldridge 2013 for en innføring) 	og ulike SFA	-regresjoner	 (jamfør seksjon 	3.2.2	). 	
I våre innledende analyser av sammenhengene mellom kovariatene og politiets produksjonspro-
sess viser det seg at enkelte av kovariatene gir kontraintuitive resultater i form av motsatt fortegn 
av de	t man skulle forvente 	eller	 usannsynlige størrelser på koeffisientene. Videre kommer andre 	
kovariater ut med relativt lav forklaringskraft og med begrenset robusthet i form av skiftende 
utslag. Det er også eksempler på kovariater som gir liv til eller tar liv fra hverandre gjennom 	mul-	
tikollinearitet	, og som tilsyn	elatende fanger opp andre ting enn det de egentlig representerer.	 	
Det er naturlig å se disse tendensene i sammenheng med at vi kun operer	er med tolv regioner og 	
ellers har lite tidsvariasjon i variablene. I praksis fungerer flere av variablene som former for 
sentralitetsmål eller som proxier for regionspesifikke kjennetegn. En del kovariater har 	noe	 for-	
klaringskraft, men henger tett sammen med 	kovariater	 med høyere forklaringskraft, deriblant 	
flere av variablene knyttet til RAM	-modellen.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	66	 	
 
Tabell 	4.4 	Oversikt over 	tverrsektorielle	 kontekstuelle variabler i studiens datasett	 	
Kontekstuelle faktorer	 	
Andelen av befolkningen over 16 år som er høyere utdannede	, der høyt utdannede personer er perso-	
ner som har fullført en universitets	- og høgskoleutdanning (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som bor i tettsted	, justert for ukjent bosted (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som er første	- eller andregenerasjonsinnvandrere	, utenom norskfødte med 	
minst én norsk forelder og utenlandsfødte med minst én norsk forelder (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som er kvinner	 i alle aldre (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som er uføretrygdede	, helt eller delvis (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som har skilt eller separert	 som sivil status, hvilket ekskluderer personer som 	
senere har inngått nytt formelt partnerskap (	Statistisk sentralbyrå	) 	
Andelen av befolkningen som tilhører ulike aldergrupper	, 15 til 17 år, 18 til 20, 21 til 24 år, 25 til 29 år, 	
30 til 39 år, 40 til 49 år, 50 til 59 år, 60 til 69 år og over 70 år (	Statistisk sentralbyrå	) 	
Andelen av husholdningene som er trangbodde	. Husholdninger regnes som trangbodd dersom antall 	
rom i boligen er mindre enn antall personer eller én person bor på ett rom og antall kvadratmeterer 
under 25 kvm per person, eller det ene kriteriet er oppfylt med manglende data for det andre kriteriet. 
(Statistisk sentralbyrå	) 	
Antall dager	 i form av helgedager 	(utenom helligdager og offentlige høytidsdager), helgedager og of-	
fentlige høytidsdager, sannsynlige feriedager (fellesferien på sommeren, hverdager i påskeuka, hverda-
ger fra og med lille julaften til og med nyttårsaften, høstferien, inneklemte dager og vin	terferien) og 	
ordinære hverdager (øvrige hverdager) (	egengenerert	) 	
Barneverntiltak per innbygger	, der barnevernssaker inkluderer omsorgstiltak, hjelpetiltak, akuttiltak og 	
atferdstiltak (	Statistisk sentralbyrå	) 	
Befolkning per landareal	, der totalarealet tilsvarer totalarealet fratrukket ferskvannsarealet (	Statistisk 	
sentralbyrå	) 	
Gjennomsnittlig inntekt	 i form av bruttoinntekt og personinntekt (	Statistisk sentralbyrå	) 	
Registrert arbeidsledighetsrate	, målt som antall registrerte ledige over arbeidsstyrken (	NAV Arbeids	- 	
og velferdsforvaltningen	) 	
Registrert koronasmittetilfeller per innbygger	, mellom nedstigningen og påbegynnelsen av vaksinasjo-	
nen av folk i arbeidsfør alder (12. mars 2020 til 31. mai 2021) og mellom påbegynnelsen av vaksinasjo-
nen av folk i arbeidsfør alder og gjenåpningen (1. juni 2021 til 12. februar 2022), justert for andele	n 	
dager som faller utenfor perioden mellom nedstigningen og gjenåpningen (	Folkehelseinstituttet og	 Sta-	
tistisk sentralbyrå	) 	
Sysselsettingsgrad	, målt som sysselsetting på bosted over befolkningen (	Statistisk sentralbyrå	) 	
Ulikhetsmålene til EU og OECD	, befo	lkningsandelen med mindre enn 50 og 60 prosent av medianinn-	
tekt, tilsvarende andelen personer med ekvivalert disponibel inntekt (bred forstand i EU	-målet og sne-	
ver forstand i OECD	-målet) under 50 og 60 prosent av medianinntekten (	Statistisk sentralbyrå	) 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	 	
Samlet sett 	har	 vi 	endt	 opp med åtte kontekstuelle variabler	, som vi mener 	fanger 	opp sentrale 	
forskjeller mellom politidistriktene og over tid	. Deskriptiv statistikk for de åtte kovariatene er rap-	
portert i 	Tabell 	4.5. De åtte variablene er:	 	
• 	Landareal per 	innbygger	 	
• 	Andelen av befolkningen som bor i tettsteder	 	
• 	Sysselsetting etter bosted per befolkning	 	
• 	Befolkningsandel i alderen 15 til 39 år	 	
• 	Koronasmittetilfeller per innbygger mellom 	vaksinering av arbeidsfør befolkning	 og gjenåp-	
ningen

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	67	 	
 
• 	Koronasmittetilfeller per innbygger mellom nedstengingen og 	vaksinering av arbeidsfør be-	
folkning	 	
• 	Dager 	i måned	en	 	
• 	Andel ordinære hverdager i måneden	 	
I spesifikasjonene med kontrollfunksjoner tar vi sikte på å behandle den eventuelle tosidige kau-
saliteten mellom produksjonen og produksjonsinnsatsen, jamfør seksjon 	3.4.2	. Slike endogeni-	
tetsutfordringer	 kan blant annet oppstå på grunn av utelatte variabler som beredskap eller mu-	
ligheter for tilpasninger i produksjonsprosessen innad i måneder etter hvert som resultater skri-
der fram.	 De kontekstuelle variablene benyttes som proxier for produktivitetssjokket i kontroll-	
funksjonene. I den første spesifikasjonen bruker vi ikke tidsvariabler eller variabler knyttet til hen-
delser i regresjonen	 (de fire første variablene liste	t opp	). I den andre 	spesifikasjonen	 benytter vi 	
alle de kontekstuelle variable	ne	 (alle va	riablene listet opp). Den andre spe	sifikasjonen tar dermed 	
mer hensyn til omgivelsene	, men 	er 	også mer sårbar overfor 	dimensjonalitetens	 forbannelse	. 	
Tabell 	4.5 	Deskriptiv statistikk for utvalgte kovariater	 	
 	Nivå	 	Absolutt m	ånedlig vekst	 	
Kontekstuelle faktorer	 	Gj.sn.	 	Std.	 	Min	 	Maks	 	Gj.sn.	 	Std.	 	Min	 	Maks	 	
Landareal per	 	befolkning	 	0.11303 	 	0.15725 	 	0.00103 	 	0.61959 	 	-0.00002 	 	0.00013 	 	-0.00122 	 	0.00088 	 	
Befolkningsandel i	 	tettsteder	 	0.78968 	 	0.09875 	 	0.57439 	 	0.99169 	 	0.00020 	 	0.00018 	 	-0.00053 	 	0.00063 	 	
Sysselsetting etter	 	bosted per befolkning	 	0.54980 	 	0.14267 	 	0.29544 	 	1.17507 	 	-0.00022 	 	0.01633 	 	-0.22098 	 	0.35773 	 	
Befolkningsandel i	 	alderen 15 til 39 år	 	0.32327 	 	0.02406 	 	0.28696 	 	0.38517 	 	-0.00005 	 	0.00038 	 	-0.00512 	 	0.00221 	 	
Dager per måned	 	30.43965 	 	0.80191 	 	28.00000 	 	31.00000 	 	0.00000 	 	1.37411 	 	-3.00000 	 	3.00000 	 	
Andel ordinære	 	hverdager i måneden	 	0.42668 	 	0.16178 	 	0.00000 	 	0.61290 	 	-0.00095 	 	0.20970 	 	-0.53333 	 	0.48037 	 	
Koronasmitte	hyppighet	 	mellom 	vaksinering av 	arbeidsfør befolkning	 og 	gjenåpningen	 	
0.19657 	 	0.90204 	 	0.00000 	 	14.34538 	 	0.00000 	 	0.64295 	 	-5.31892 	 	9.22413 	 	
Koronasmitte	hyppighet	 	mellom nedstengingen og arbeidsfør	 	vaksinering	 	
1.54657	 	8.91183 	 	0.00000 	 	159.39089 	 	0.00000 	 	8.19207 	 	-108.30000 	 	108.21446 	 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	 	
I en alternativ tilnærming benytter vi oss isteden av 	ti kontekstuelle variabler valgt etter inspira-	
sjon fra RAM	-modellen	. Sammenliknet med vårt hovedutvalg er disse av mer 	sosioøkonomisk ka-	
rakter	. Av disse er de to første også med i vår hovedtilnærming, mens de øvrige kun 	åtte 	benyttes 	
i sensitivitetsanalysene:	 	
• 	Befolkningsandel i alderen 15 til 39 år	 	
• 	Landareal per 	innbygger	 	
• 	Andelen av befolkningen som er uføretrygdede	 	
• 	Andelen av befolkningen som er første	- eller andregenerasjonsinnvandrere	 	
• 	Befolkningsandelen med mindre 	enn 	60 prosent av 	OECD	-definert 	medianinntekt	 	
• 	Andelen av husholdningene som er trangbodde

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	68	 	
 	
• 	Summen av barn med omsorgstiltak og barn med andre tiltak med mulig overlapp	 	
• 	Andelen av befolkningen som 	er skilt eller separert	 	
• 	Andelen av befolkningen som er kvinner	 	
• 	Registrert arbeidsledighetsrate	 	
4.3.2	 	Politis	ektoriel	t produksjonsmiljø	 	
I tillegg til 	tverrsektoriell	e kontekstuelle variabler	 har vi 	testet og 	vurdert å benytte oss av 	sekto-	
rielle kontekstuelle variabler 	knyttet til politisektoren.	 Vi har også 	testet sektorielle variabler som 	
instrumenter 	for å	 korrigere for 	eventuell endogenitet 	forbundet med	 faktorinnsatsen	, jamfør 	
delkapittel 	1.4	 og delkapittel 	3.4	. 	
Både 	Politioperativt System 	(PO	) og 	Straffesaksregister	et (Strasak	) innbefatter 	en lang rekke va-	
riabler	 som angir kjennetegn ved 	henholdsvis 	oppdragene og 	straffesakene	. I operasjonalise-	
ringen av 	PO 	benytter vi	 557 kategorier for hovedforholdets art, sju kategorier for samtaleklassi-	
fisering, fem kategorier for prioritet og to kategorier for bevæpning.	 I operasjonaliseringen av 	
Strasak	 anvender vi	 antallsvariabler som kjennetegner saken (seksten 	kategorier	), oppklarings-	
type (fem kategorier), saksopprinnelsestype (fire kategorier) og anmeldelse (to kategorier).	 For 	
sivil rettspleie har v	i også data for 	innkommende henvendelser 	og en kategori for andre typer 	
saker, som visstnok omfatter mye forskjellig og nærmest er neglisjerbar i antall.	 Etter råd fra Po-	
litidirektoratet har vi ikke benyttet oss av disse variablene.	 Dataene for gebyrfinansierte publi-	
kumstjenester innbefatter ikke variabler som beskriver sakenes kjennetegn.	 	
Vi har vurdert eksterne henvendelser som mulig kilde for eksogen variasjon 	knyttet til	 saksmeng-	
den	, som ikke kan manipuleres av politiet. 	Mest lovende 	av tilgjengelige variabler 	var 	henvendel-	
ser 	til 	politiets nødnummer 112 og 	politiets sentralbord 	02800	 i PO	, men det viser seg i praksis at 	
disse variablene har lav forklaringskraft som instrumentkandidater.	 	
Kontekstuelle variabler spesifikke for politisektoren kan 	ellers 	involvere	 retningslinjer for priori-	
teringer og organisering i hvert enkelt politidistrikt. Dette kan omfatte informasjon om prioriterte 
områder som gir kontekst til ressursbruk og resultater. Videre blir forhold som organisatorisk 
størrelse indirekte behandlet gjen	nom frontestimeringsmetodenes evne til å håndtere skalaegen-	
skaper. Kostnader knyttet til sentraladministrasjon, andre distrikter og særorganer, samt hetero-
genitet og kvalitet i polit	itjenestene, kan også modelleres som kontekstuelle variabler.	 Konkret 	
har vi undersøkt 	om 	andelen	 som jobber i særorganer som en mulig proxy for 	mer komplekse 	
saker og bistand utenfra, men vi har ikke funnet en god måte	 å relatere denne variabelen til geo-	
grafi.	 Vi har også 	mottatt	 innspill i og u	tenfor prosjektet 	om at terskelen for å regist	rere	 oppdrag 	
i PO har økt i senere år, uten at vi har funnet gode indikatorer for dette heller.	 	
Selv om denne studien først og fremst omhandler 	politiets interne effektivitet, har vi også vurdert 	
å benytte 	indikatorer	 for	 ekstern måloppnåelse 	som kontroller eller som proxier 	for 	politiets in-	
terne effektivitet	. Saksbehandling er tatt hensyn 	til 	i vektingen av saker. Vi har ellers ikke forfulgt 	
andre eksterne måloppnåelsesindikatorer blant annet framhevet i Riksadvokaten (201	9 og 2023) 	
sine rundskriv, da de ikke ble vurdert som tilstrekkelig relevante for undersøkelsen 	av	 intern ef-	
fektivitet. Disse inkluderer oppklaringsprosenter, adekvat reaksjon og kvaliteten i politiarbeidet.	 	
Lengst i uttestingen 	av indikatorer for ekstern måloppnåelse 	kom vi med dataene fra Politiets 	
innbyggerundersøkelse, der 	andelen med positiv og negativ respons 	på spørsmål om 	tilliten til

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	69	 	
 
politiet og trygghetsfølelse i eget nabolag utgjorde relevante variabler	 med data for hele perio-	
den.	 Andre indikatorer 	i datasettet	 måler befolkningens inntrykk av politiets arbeid i sitt nærom-	
råde og generelt.	 Befolkningens tillit til politiet finner vi også igjen som en styringsparameter i 	
tildelings	brevet	 til 	politi	et (se for eksempel Justis	- og beredskapsdepartementet 2022)	, som også 	
fastslår hvilken indikator som skal brukes for å måle graden av 	mål	oppnåelse	. En høy andel av 	
respondentene	 i politiets i	nnbyggerundersøkelse 	svarer 	at de har ganske eller svært stor tillit til 	
politiet, både i landet som helhet og i ulike tettstedskategorier. 	Dataene rapporteres årlig, men 	
vi har 	interpol	ert 	dem mellom målepunktene for å oppnå 	månedlige	 data	. Sett opp mot 	de andre 	
kontekstuelle 	variable	ne	 nådde ikke 	disse variablene opp 	basert på 	vurderinger av 	forklaringskraft 	
og	 relevans.	 	
4.4	 	Datastruktur	 	
I det følgende beskriver vi kort datasettets dimensjoner, før vi går nærmere inn på vår empiriske 
bruk	 av dataene	. 	
4.4.1	 	Datasettets dimensjoner	 	
I analysen bruker vi et balansert paneldatasett som består av 	1 152 	observasjoner, 	som inkluderer	 	
landets 	tolv	 politidistrikt for hver måned i perioden 2016 til 	2023	. Innad i hvert 	år 	har vi dermed	 	
et paneldatasett på 144 observasjoner. 	For hver observasjon har vi kostnadsvariabler og variabler 	
som indikerer ulike former for tjenesteproduksjon.	 	
Norges politidistrikter er oppsummert i 	Figur 	4.14	, inkludert endringene som fulgte med kommu-	
nereformen i 2020. Endringene er implisitt tatt hensyn til i 	de behandlede 	politidataene som vi 	
benytter	. Samtidig har	 vi eksplisitt	 tatt hensyn til 	disse 	i utregningen av kontekstuelle variabler.	 	
Tabell 	4.6 	Endringer i kommunestruktur som har påvirket politidistriktene	 	
Politidistrikt	 	Geografisk omfang	 	Til og med 2019	 	Fra og med 2020	 	
Oslo	 	Oslo, Asker og Bærum	 	 	Hurum og Røyken (deler av 	
nye Asker)	 	
Øst	 	Østfold og Akershus utenom 	
Asker og Bærum	 	
 	Jevnaker og Lunner	 	
Innlandet	 	Innlandet	 	Jevnaker og Lunner	 	 	
Sør	-Øst	 	Telemark, Vestfold og	 	
Buskerud	 	
Hurum og Røyken (deler av 	
nye Asker)	 	
 	
Agder	 	Agder	 	 	 	
Sør	-Vest	 	Rogaland	 	 	 	
Vest	 	Vestland	 	Hornindal (del av nye Volda)	 	 	
Møre og Romsdal	 	Møre og Romsdal	 	Halsa (del av Heim) og Rindal	 	Hornindal (del av nye Volda)	 	
Trøndelag	 	Trøndelag	 	 	Halsa (del av Heim) og Rindal	 	
Nordland	 	Nordland	 	Gamle Tjeldsund og Skån-	
land (del av nye	 	
Tjeldsund)	 	
 	
Troms	 	Troms	 	 	Gamle Tjeldsund og Skån-
land (del av nye Tjeldsund)	 	
Finnmark	 	Finnmark	 	 	 	
Kilde:	 	Vista Analyse, Frischsenteret, 	OsloMet og TØI	, basert på data fra Politidirektoratet

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	70	 	
 	
4.4.2	 	Anvendelse	 av dataene	 	
I operasjonalisering	en	 av dataene benytter vi 	oss av 	følgende kostnadsfunksjon:	 	
(4.2)	 	�=	������(������),������=	{�1,�2,�3}∈ℛ+3 	
Her står 	� for deflaterte kostnader	 (se delkapittel 	4.1	). Blant produksjonsvariablene 	– ofte refe-	
rert til 	som produktene 	– står 	�1 for antall oppdrag (PO), 	�2 for 	antall 	straffe	saker (	Strasak	) og 	�3 	
for saker hos sivil rettspleie (SIAN)	 og gebyrfinansierte publikumstjenester (ulike tjenestestatistik-	
ker)	, men 	med 	en gitt vekting innad i hver kategori	 (se delkapittel 	4.2	). 	
I realiteten er en ren opptelling av antall oppdrag og saker dårlige mål på produksjonen, eksem-
pelvis fordi noen saker er mer komplekse og krever flere ressurser enn andre. Dette reflekteres 
av politiets egne data, hvor det er 	fem	 prioritetskategorier for oppdrag i PO	, og	 elleve kriminali-	
tetskategorier i 	Strasak	. I tillegg komme	r elleve kategorier innenfor ikke	-operative politi	saker	, 	
herunder fire 	kategorier	 innenfor sivil rettspleie og 	sju kategorier innenfor gebyrfinansierte pub-	
likumstjenester.	 	
Det kan være fristende å benytte antall 	straffe	saker	, antall	 oppdrag 	og antall ikke	-operative poli-	
tisaker 	som egne produkter i kostnadsmodellen. Utfordringen 	ved en slik tilnærming	 er at de	n er 	
i konflikt med 	dimensjonalitetens	 forbannelse	: Dersom det blir mange variabler sammenliknet 	
med observasjoner	, vil ikke	-parametriske modeller som DEA i liten grad kunne skille effektive fra 	
ineffektive enheter. 	I tillegg 	vil det i 	en 	regresjonsanalyse være behov for 	et 	tilstrekkelig antall 	
frihetsgrader	, hvilket inne	bærer at det	 er 	begrenset hvor mye man kan tyne data	ene	 med mo-	
dellering av mange variabler.	 Vi referer	er til delkapittel 	3.3	 for en nærmere redegjørelse for 	di-	
mensjonalitetens	 forbannelse	 og delkapittel 	4.2	 for en nærmere beskrivelse av de anvendte kost-	
nadsvektene.	 	
For å møte denne utfordringen velger vi å vekte sammen prioritets	- og kriminalitetskategoriene. 	
For det første gjør dette	 oss i stand til å	 synliggjøre at sakene er heterogene og krever ulik res-	
sursbruk	. For det andre	 unngå	r vi	 å øke antall produkter som inkluderes i kostnadsfunksjonen. 	
Som redegjort for i delkapittel 	3.3	 definerer 	vi fire	 ulike vektinger:	 	
S1	 Disse beregningene bruker ikke vekter, men bruker variablene som definert ved 	�1−	�3 	
ovenfor.	 	
S2	 Disse beregningene vekter oppdrag med 	politiets eget 	rapportert	e ressursbruk per opp-	
drag, straffesaker med normert tidsbruk per kriminalitetskategori	 og enhetskostnader for 	
ikke	-operative polititjenester	. 	
S3	 Disse beregningene vekter oppdrag og straffesaker med «	tvilen til gode	»-estimatoren	. 	
S4	 Disse beregningene 	vekter	 oppdrag og straffesaker som del av modellestimeringen	. 	
Merk at	 vi f	or ikke	-operative polititjenester ikke har 	disaggregerte data 	og 	derfor ikke har mulig-	
het til	 å implementere 	framgangsmåten 	skissert i 	S3	 og 	S4	. For disse tjenestene har vi derfor 	
basert oss på kostnadsvekter (	S2	) i alle 	tilnærmingene med vekting (	S2 til S4	). 	
Hovedresultatene for analysene er estimert basert på saksvekting innad i hver produktkategori	, 	
som gjenspeiler 	hvor ressurskrevende de underliggende sakene og oppdragene er (det vil si mo-	
dellspesifikasjon 	S2	). Denne modellen benytter dermed data om politiets ressursinnsats innen 	
straffesaker og oppdrag til å vekte delproduktene (det vil si saks	- og oppdragskategorier) sammen 	
til de tre hovedproduktene (jamfør seksjon 	3.3.2	).

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	71	 	
 
Vi beregner effektivitet med effektivitetsestimeringsprosedyrene DEA, SFA og StoNED, der 
method	 of moment	s benyttes i fastsettelsen av feilleddet i det sistnevnte tilfellet.	 Som beskrevet 	
i delkapittel 	3.2	 er fordelen ved DEA i	kke	-parametrisk estimering, slik at man slipper unna et sub-	
jektivt valg av funksjonsform 	for	 kostnadsfunksjonen.	 SFA tillater derimot stokastisk variasjon i 	
dataene og tolker dermed ikke alle avvik fra beste praksis som ineffektivitet. StoNED ivaretar 
begge disse hensynen	e og kan ses på som en generalisering av både DEA og 	SFA	. Trolig er StoNED 	
også mer sammenliknbar med 	henholdsvis DEA og SFA enn de to andre tilnærmingene er med 	
hverandre. 	I en del av våre empiriske undersøkelser vil vi derfor fokusere på resultatene fra Sto-	
NED som vår foretrukne metode	. Vi vil likevel nevne metodens kompleksi	tet, særlig i kombinasjon 	
med store datasett som vi her opererer med, som en svakhet.	 	
Modellene implementeres med 	årlige fronter. Dette gjøres 	med 	to hovedtilnærminger	, i tråd med 	
redegjørelsen i seksjon 	3.4.1	. For det første foretar vi årlige beregninger basert på 	årlige panel-	
data	. Denne tilnærmingen innebærer at vi benytter årlige 	data 	til føyning av fronten og effektivi-	
tetsscore. For det andre foretar vi beregninger basert på paneldata med kontroller	 for 	sesongva-	
riasjon med og uten faste effekter.	 Fordelen med den sistnevnte metoden er at den gir mulighet 	
til å kontrollere for uobserverbare forskjeller mellom enhetene som er persistente over tid (	ulike 	
former for	 «faste effekter»), mens den førstnevnte gir mer fleksibilitet 	(for eksempel i	 spesifise-	
ringen av kostnadsfunksjon	en	 som	 kan variere over tid)	. 	
I paneldataanalysene ser vi på analysemetoder som følger den samme enheten over flere år. En 
måling av effektivitet på paneldata gjør det mulig å evaluere om det finnes vedvarende effektivi-
tetsforskjeller mellom politidistriktene, ofte kalt persistent effe	ktivitet. 	Vi gjennomfører alle pa-	
neldataanalyser med kontroller for kontekstuelle variabler. De kontekstuelle variablene antas å 
ha lik påvirkning på politiets kostnader i alle år fra 2016 til 2023, hvilket innebærer at parameter	e 	
tilknyttet kontekstuelle 	variabler er de samme i alle perioder under vurdering.	 Denne analysen 	
lar oss derfor anslå i hvilken grad disse variablene samvarierer med politiets kostnader	. En t	-test 	
kan brukes til å evaluere om variablene har en statistisk signifikant påvirkning på kostnadsnivået.	 	
StoNED og SFA 	bygger 	begge 	på statistisk analyse	 og involverer i større grad paneldatametodikk 	
enn DEA. Vi vil derfor fokusere på StoNED og SFA i paneldataanalysene over år. I våre undersø-
kelser av	 virkningen	e av kontekstuelle variabler over tid benytter vi imidlertid 	oss 	av 	den 	simultant 	
estimerte 	tostegs	-DEA	-metodikken utviklet av Simar og Wilson (2007) jamfør seksjon 	3.2.1	. I disse 	
regresjonene bruker vi også årsfaste og månedsfaste effekter. Denne metodikken estimerer kost-
nadsfunksjonen og sammenhengen mellom kostnadene og omgivelsene simultant	 med globale 	
kostnadsfronter	, dog under forutsetning av separabilitet mellom produksjonen og de kontekstu-	
elle variablene.	 	
Også i paneldataanalysene over år med SFA benytter vi oss av globale kostnadsfronter. 	Til sam-	
menlikning innebærer paneldatametodikken anvendt i vår StoNED	-tilnærming 	over år temporale 	
kostnadsfronter på årsbasis	 på grunn av omfanget av dataene og kompleksiteten i metodikken	, 	
hvilket	 innebærer ulik beste praksis for hvert år.	 I implementeringen 	av StoNED 	estimerer vi 	også 	
fronten og effekten av kontekstuelle variabler individuelt per år, for deretter å reestimere effek-
ten av kontekstuelle variabler ved minst	e kvadrat	ers metode for å sikre at deres parameteresti-	
mater blir identiske for alle år. Vi benytter 	årsdummyer	 til å 	harmonisere 	de årlige beregnede 	
kostnadsfrontene til et felles nivå.	 Alle	 metode	ne	 antar at effekten av kontekstuelle variabler er 	
konstant over tid.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	72	 	
 
Kontrollfunksjonsmetodikken benyttes for å korrigere for utelatte variabler i StoNED	-estime-	
ringen, som forebygging og etterretning, samt eventuel	l annen tosidig kausalitet mellom kostna-	
dene og produksjonen. 	Vi forutsetter monotone og negative sammenhenger mellom omgivel-	
sene og både straffesaker og politioppdrag, siden våre utvalgte kontekstuelle variabler 	i hovedsak 	
er positivt assosiert med kostnadene og negativt med effektivitetsscorene som ikke er justert for 
omgivelsenes innvirkning. For ikke	-operative 	politisaker antar vi derimot negative sammen-	
henger, i og med 	at 	de ikke	-operative politisakene ifølge våre informanter fra politisektoren in-	
volverer flere elementer av forebyggende politiarbeid. 	De tre	 produktene er uvektet 	i kontroll-	
funksjonen	 (S1) og vektes i kostnadsfunksjonen (	S2	). I kontrollfunksjons	regresjonene benyttes 	de 	
kontekstuelle variablene	 som proxier for endogeniteten	, me	d unntak av dummyene for	 år og må-	
neder	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	73	 	
 	
5	 	Empiriske 	hovedresultater	 	
I dette kapittelet 	presenterer vi hovedresultatene fra våre empiriske 	undersøkelser	. Vi starter 	
med å ta for oss effektivitetsfordelingen	s kjennetegn	 i delkapittel 	5.1	 og 	fordelingen over politi-	
distrikter i delkapittel	 5.2	. Deretter tar vi for oss betydningen av omgivelsene i delkapittel 	5.3	. 	
Mot slutten av kapittelet 	undersøker vi utviklingen i effektivitet over tid i delkapittel 	5.4	. Vi pre-	
senterer ulike robusthetssjekker 	i kapittel 	6. 	
5.1	 	Hovedresultater for e	ffektivitetsfordelingen	 	
I dette 	del	kapittelet 	gjennomgår vi hovedtrekkene ved effektivitetsfordelingens egenskaper	 med 	
sammenlikninger over estimeringsprosedyrer	. Undersøkelsene bygger på analyser av årlige pa-	
neldatasett.	 Valg av metode kan påvirke resultatene fra effektivitetsmålingen. Vi ønsker derfor 	
innledningsvis å gi en sammenlikning av resultatene ved bruk av de 	tre	 metodene DEA, SFA og 	
StoNED. Dette er synliggjort av 	Figur 	5.1 som sammenlikner alle beregnede effektivitetsscorer 	
mellom henholdsvis DEA og SFA 	i panel a og StoNED og SFA 	i panel b.	 Merk at h	ver effektivitets-	
score representerer en kombinasjon av et politidistrikt, ett år og én måned.	 De blå prikkene viser 	
resultatet fra en enkelt effektivitetsmåling (per politidistrikt, år og måned), mens den røde linjen 
er den såkalte 90	-graderslinjen: Dersom effektivitetsscorene er helt identiske på tvers av meto-	
dene, vil alle de blå prikkene ligge l	angs denne linjen. Merk at aksene løper fra 0,4 i begge dia-	
grammene. Det betyr at det ikke estimeres veldig lave ef	fektivitetsscorer (det vil si effektivitetstall 	
under 0,4) med noen av metodene.	 	
Figur 	5.1 viser at både effektivitetsscorene estimert med DEA og StoNED har en tendens til å ligge 	
over SFA	-scorene. Vi forventer at dette har sammenheng med at både DEA og StoNED er ikke	-	
parametriske metoder som estimerer beste praksis på en sammenliknbar måte. SF	A er derimot 	
en parametrisk metode som krever at man velger en funksjonsform for kostnadsmodellen. Avvi-
ket mellom resultatene for parametrisk	e og ikke	-parametriske metoder kan skyldes at den para-	
metriske funksjonsformen til kostnadsfunksjonen er feilspesifisert	. Det innebærer	 at antakelsen 	
om formen på kostnadsfunksjonen ikke passer godt til dataene.	 	
Figur 	5.1 	Sammenlikning mellom effektivitetsscorer per politidistrikt, år og måned målt 
ved bruk av 	a) 	SFA og DEA	 (t.v.) 	og 	b) 	StoNED 	(t.h.)	, og	 modellspesifikasjon S2	 	
 	a) DEA og SFA	 	 	b) StoNED og SFA	 	
 	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	74	 	
 
Vi finner at DEA og StoNED har en Pearson	-korrelasjon på 0,76	, hvilket tilsier	 at det er godt sam-	
svar mellom effektivitetsmålingene ved DEA og StoNED	. Videre er k	orrelasjonen mellom DEA og 	
SFA	, og StoNED og SFA 	på henholdsvis	 0,56 og 0,63. Dette illustrerer at StoNED er en middelvei 	
mellom DEA og SFA	, som både tillater stokastikk og ikke	-parametrisk 	produksjonsteknologi, jam-	
før 	delkapittel	 3.2	 og seksjon 	4.4.2	. 	
Det er verdt å merke seg at mange av effektivitetsscorene estimert ved den deterministiske DEA	-	
metoden tar verdien 	én	, som 	indikerer maksimal	 effektiv	itet. Til sammenlikning tar svært få av 	
effektivitetsscorene målt ved stokastiske metoder (det vil si SFA og StoNED) verdien 	én	, og der-	
med indikeres som ineffektive (effektivitetsscore 	mindre enn én	). Dette skyldes egenskaper ved 	
DEA	-metoden, som er spesielt sårbar for 	dimensjonalitetens	 forbannelse	, jamfør delkapittel 	3.3	. 	
Forbannelsen	 innebærer at forholdet mellom antall observasjoner brukt til estimering og variab-	
ler i modellen har en betydelig påvirkning på hvor mange som får effektivitetstallet 	én	 eller lavere	. 	
Forbannelsen	 vil 	dermed 	være bestemmende for 	om det er mulig å skille mellom strengt effektive 	
og ineffektive enheter	 (jo mindre man benytter seg av bootstrapping	-metodikk	). 	
Målingene basert på årlige data gir generelt høye effektivitetstall: Gjennomsnittlig effektivitetstall 
for alle politidistrikt, år og måneder målt med StoNED er 0	,90. Det innebærer at politiets kostna-	
der i snitt kunne vært 90 prosent av dagens kostnader	, dersom alle politidistrikter hadde tilegnet 	
seg beste praksis. For DEA og SFA er	 de	 gjennomsnittlig	e effektivitetstallene h	enholdsvis	 0,87 og 	
0,80. Politidistriktene fr	amstår altså som mest ineffektive når vi legger den parametriske SFA	-	
metoden til grunn.	 	
Figur 	5.2 viser fordelingen til effektivitetstallene målt ved bruk av StoNED, SFA og DEA. Den hori-	
sontale aksen løper mellom 0	,4 og 1	,0 siden ingen av de estimerte effektivitetstallene ligger under 	
0,4. Figurens vertikale akse viser hvor stor prosentandel av de totale effektivitetstallene målt per 
politidistrikt, år og måned	, som i resultatene får effektivitetstall lik tallene som er rapportert langs 	
den horisontale aksen. Figuren viser at StoNED gir en mer konsentrert venstreskjev fordeling, 
mens DEA og SFA gir enkelte relativt lave effektivitetstall	, i praksis	 med 	effektivitetsscorer mellom 	
0,4 og 0,6. DEA skiller seg ut ved at 	over 20 prosent av observasjonene får effektivitetsscorer lik 	
én	. Som forklart 	over	 henger dette sammen med for det første at DEA tolker alle avvik fra fronten 	
som ineffektivitet og tillater ikke stokastisk variasjon i dataene, noe StoNED og SFA gjør. For det 
andre er DEA sensitiv til 	dimensjonalitetens	 forbannelse	. Dette innebærer i praksis at mange en-	
heter får effektivitetstallet én, noe som gjør det vanskeligere å skille mellom effektive og ineffek-
tive enheter ved bruk av denne metoden.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	75	 	
 
Figur 	5.2 	Fordelingen 	for	 effektivitetstallene over alle politidistrikt	er, år og måneder, 	
målt ved 	a) StoNED og DEA (	ø.) og StoNED og SFA (	n.) 	
a) StoNED og DEA	 	
 	
b) SFA	 og 	StoNED	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
5.2	 	Hovedresultater	 for 	effektivitetsforskjeller over politidistrikter	 	
I det følgende retter vi	 søkelyset mot persistente effektivitetsforskjeller mellom politidistriktene 	
over tid.	 Vi starter med å ta for oss årlige analyser, før	 vi tar for oss samlede analyser for alle år.	 	
Tilhørende robusthetssjekker knyttet til variabelvekting i produksjonen og variabelvalg for

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	76	 	
 
kostnadene er gitt 	i delkapittel	 6.2	, mens utviklingen i politidistriktenes effektivitet over tid er 	
analysert i seksjon	 5.4	. 	
5.2.1	 	Hovedresultater	 for 	års	analyser over politidistrikter	 	
Et av hovedformålene til effektivitetsanalysen er å identifisere forskjeller i kostnadseffektivitet 
mellom	 beslutningsenhetene	, det vil si	 politidistriktene	 i vårt tilfelle her	. Dette gjør det mulig å 	
kartlegge årsakene til forskjellene	. Det tilrettelegger også for videre analyser som har til hensikt 	
å identifisere hva som kjennetegner beste praksis og derigjennom finne læringspunkter for de 
andre politidistriktene.	 	
Figur 	5.3 viser fordelingen av effektivitetsscorene innad i hvert politidistrikt ved hjelp av såkalte 	
boksplott	. Disse figurene består av en boks, linjer og punkter og leses på følgende måte: 	 	
• 	Linjen inne i boksen viser 	medianen	. Dette er det midterste effektivitetstallet dersom man 	
rangerer tallene fra minst til størst: 50 prosent av observasjonene har effektivitetsscorer 
som er lavere enn medianen, mens 50 prosent av observasjonene har høyere effektivitets-
scorer.	 	
• 	Ta utgangspunkt i alle effektivitetstall under 	og 	over medianen og finn det midterste effekti-	
vitetstallet. 	Disse	 effektivitetstalle	ne	 kalles 	henholdsvis 	25	-persentilen og	 75	-persentilen. 	
Boksen	 i boksplottet går fra 25	-persentilen til 75	-persentilen og rommer dermed 50 prosent 	
av effektivitetsscorene innad i hvert politidistrikt. Avstanden fra 75	-persentilen	 til 25	-per-	
sentilen heter 	interkvartilavstand	. 	
• 	Lengden til 	linjene	 på hver side av boksen er 1,5 ganger interkvartilavstanden. Unntaket er 	
når det største (minste) effektivitetstallet per politidistrikt er mindre (større) enn 1,5 ganger 
interkvartilavstanden. Da settes endepunktet på linjen lik største (minste) effektivi	tetstall. 	 	
• 	I tilfeller hvor noen effektivitetstall ligger utenfor linjene (	det vil si	 over 1,5 ganger interkvar-	
tilavstanden) betegnes de typisk som «uteliggere» eller «spesielle observasjoner». Alle ute-
liggere vises som 	punkter	 i figuren.	 	
Selv om effektivitetsscorene er forskjellige mellom de 	tre	 metodene, fr	amstår rangeringen av ef-	
fektivitetsscorene mellom politidistrikt som sammenliknbar på tvers av metodene. Spesielt gjel-
der dette for de ikke	-parametriske metodene	, StoNED og DEA.	 Figur 	5.3 indikerer lavest kostnads-	
effektivitet i Oslo, 	Sør	-Vest	 og 	Vest	, mens 	Sør	-Øst	, Agder, Møre og Romsdal, Troms og Finnmark 	
er de mest kostnadseffektive politidistriktene når man legger resultatene for DEA og StoNED til 
grunn. Legger man SFA	-scorene til grunn faller 	effektivitetsscorene	, og spesielt Finnmark regnes 	
ikke lenger blant de mest kostnadseffektive distriktene.	 Ifølge	 våre	 politifaglige informanter har 	
Agder hatt relativt stramme rammer i vår studieperiode, siden distriktet akkurat ble rangert som 
lite 	i politiets Ressursallokeringsmodell (RAM) 	istedenfor stort. De 	samme informantene argu-	
menterer 	for at Nordland har fått	 mer romslige rammer, på grunn av den g	eografisk	e beredskaps-	
komponent	en i RAM	-modellen. 	Således er det verdt å merke seg at Nordland 	kommer ut med 	
relativt lav effektivitetsscore, mens det motsatte er tilfellet for Agder.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	77	 	
 
Figur 	5.3 	Fordelingen til effektivitetsscore innad i hvert politidistrikt ved bruk av a) Sto-
NED (ø.), b) DEA (i.m.) og SFA (n.)	 	
a) StoNED	 	
 	
b) DEA	 	
 	
c) 	SFA	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	78	 	
 
Det er viktig å påpeke at resultatene rapportert i dette kapitlet ikke kontrollerer for kontekstuelle 
faktorer, det vil si kostnadsdrivere som politiet selv ikke har råderett over. Eksempler på dette 
kan være demografiske og geografiske faktorer. I så måte	 representerer Oslo og Finnmark hver 	
sin ytterkant. Bakenforliggende forhold bør derfor ikke tolkes som rene effektivitetsforskjeller. Vi 
vil i delkapittel 	5.3	 presentere resultater fra paneldataanalyser som tar hensyn til slike faktorer.	 	
Sammenlikningen mellom regioner er viktig, og det 	følger	 ikke entydig fra 	Tabell 	5.1 hvilke av 	
politidistriktene som er mest og minst effektive. Vi supplerer derfor figuren med en opplisting av 
gjennomsnittlig effektivitetsscore per politidistrikt, estimert med hver av de 	tre	 metodene DEA, 	
SFA og StoNED. Sammenstillingen er rapportert av 	Tabell 	5.1. 	
Tabell 	5.1 	Gjennomsnittlig 	effektivitetsscorer	 per politidistrikt målt ved modellspesifika-	
sjon S2, etter metode	 	
Politidistrikt	 	StoNED	 	DEA	 	SFA	 	
Oslo	 	0.84	 	0.73	 	0.51	 	
Øst	 	0.90	 	0.84	 	0.78	 	
Innlandet	 	0.90	 	0.88	 	0.88	 	
Sør	-Øst	 	0.93	 	0.94	 	0.86	 	
Agder	 	0.94	 	0.96	 	0.93	 	
Sør	-Vest	 	0.85	 	0.76	 	0.76	 	
Vest	 	0.89	 	0.80	 	0.79	 	
Møre og Romsdal	 	0.92	 	0.96	 	0.89	 	
Trøndelag	 	0.91	 	0.87	 	0.86	 	
Nordland	 	0.88	 	0.82	 	0.81	 	
Troms	 	0.91	 	0.94	 	0.83	 	
Finnmark	 	0.90	 	0.94	 	0.65	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
5.2.2	 	Hovedresultater	 for 	samlede 	paneldataanalyser over politidistrikter	 	
I dette kapitlet 	undersøker vi	 persistente 	effektivitetsforskjeller mellom regionene 	når vi ser på 	
hele analyseperioden	 samlet	, og 	vi ikke gjør estimeringene per år 	som i 	de foregående kapitlene	. 	
En 	sentral forskjell er at vi i denne analysen 	også 	kontrollerer for 	kontekstuelle variabler	 simultant 	
med estimeringen av 	kostnadsfunksjonen. 	 	
Vi beregner 	kostnadsmodellen med kontekstuelle faktorer både for StoNED og SFA. En viktig for-	
skjell 	mellom kjøringene for de to metodene er at SFA	 bruker data for alle år til å estimere en 	
persistent kostnadsfunksjon	, mens StoNED 	tillater at 	kostnadsfunksjonen kan variere	 mellom år. 	
I litteraturen omtales ofte det første 	alternativet (brukt i 	DEA	- og 	SFA	-estimeringen) som en in-	
tertemporal eller global front, mens det andre alternativet (	til StoNED	-estimeringen) bruker 	tem-	
porale fronter.	 Vi referer	er til sek	sjon 	3.4.2	 for en nærmere redegjørelse.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	79	 	
 
Vi anvender metoden til Schmidt og Sickles (1984), som beskrevet for StoNED	-metoden i Eskeli-	
nen og Kuosmanen (2013), til å beregne persistente effektivitetsforskjeller. Sammenliknet med 
effektivitetsmålingene 	foretatt med SFA, jamfør seksjon 	3.2.2	, krever denne metoden ingen for-	
utsetning om fordelingen til kostnadseffektiviteten. 	 	
Tabell 	5.2 gir en oversikt over persistent effektivitetsscorer per politidistrikt estimert med StoNED 	
og SFA i tilfellene hvor vi kontrollerer og ikke kontrollerer for månedsfaste effekter. Det er verd å 
merke seg at resultatene reelt sett er marginalt forskjellige 	for estimeringene med og uten må-	
nedsfaste effekter, men at avrundingen til to desimaler medfører at effektivitetsresultatene ser 
identiske ut på tvers av de to kjøringene i tabellen.	 	
Vi benytter t	-testing til å vurdere om de ulike regionenes effektivitetsscorer er signifikant forskjel-	
lig fra beste praksis, som i alle paneldataberegninger vurderes å være 	fram	vist av Agder politi-	
distrikt. T	-testene viser at alle de andre enhetenes effektivitetsscore er signifikant forskjellig fra 	
Agder politidistrikts effektivitetsscore (d	et vil si	 én	). 	
Rangeringen av politidistrikter er ikke identisk på tvers av metodene StoNED og SFA. Kendalls 
ran	gkorrelasjon	 vurderer i hvilken grad effektivitetsscorene rangerer politidistriktene likt	 (se for 	
eksempel 	Newbold, Carlson	 og	 Thorne	 2022 for nærmere forklaringer	). Koeffisienten	 er 0	,61, 	
hvilket tilsier	 noe over middels sammenfall mellom rangeringen av politidistriktene ved bruk av 	
de to ulike effektivitetsmetodene.	 	
Tabell 	5.2 	Persistent effektivitetsscore	r per politidistrikt for paneldataanalyse basert på 	
modellspesifikasjon S2	, etter metode og med og uten månedsfaste effekter	 	
Politidistrikt	 	StoNED	 	StoNED	 	SFA	 	SFA	 	
Måneds	faste 	effekter	 	Nei	 	Ja 	Nei	 	Ja 	
Oslo	 	0.82	 	0.82	 	0.71	 	0.71	 	
Øst	 	0.89	 	0.89	 	0.83	 	0.83	 	
Innlandet	 	0.82	 	0.81	 	0.72	 	0.72	 	
Sør	-Øst	 	0.91	 	0.91	 	0.83	 	0.83	 	
Agder	 	1.00	 	1.00	 	1.00	 	1.00	 	
Sør	-Vest	 	0.85	 	0.85	 	0.82	 	0.82	 	
Vest	 	0.88	 	0.88	 	0.84	 	0.84	 	
Møre og Romsdal	 	0.91	 	0.91	 	0.83	 	0.83	 	
Trøndelag	 	0.95	 	0.95	 	0.93	 	0.93	 	
Nordland	 	0.79	 	0.79	 	0.74	 	0.74	 	
Troms	 	0.93	 	0.93	 	0.83	 	0.83	 	
Finnmark	 	0.89	 	0.89	 	0.84	 	0.84	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	80	 	
 	
5.3	 	Hovedresultater	 for	 betydningen av omgivelsene	 for effektivitet	 	
Vi vil nå presentere våre hovedresultater for betydningen av omgivelsene for effektiviteten, både 
når 	basert på årsanalyser og samlede paneldataan	alyser for alle år	. Datasettet for omgivelsene 	
og g	rovsorteringen i variabelvalget 	redegjøres	 for i delkapittel 4.3	, men robusthetssjekker for-	
bundet med 	variabelvalget 	analyseres i delkapittel 	6.3	. 	
I de foregående kapitlene har vi studert effektivitetsmåling når vi kun ser på forholdet mellom 
politiets ressursbruk og de tre hovedproduktene straffesaker, politioppdrag og ikke	-operative sa-	
ker inkludert sivil rettspleie og gebyrfinansierte tjenester. Sa	mtidig er det velkjent at ressursbru-	
ken også kan påvirkes av kontekstuelle faktorer, det vil si forhold som politiet ikke har råderett 
over, men som påvirker deres ressursbruk og/eller kostnadseffektivitet. 	 	
Vi vil studere effekter av kontekstuelle variabler med hensyn til politiets kostnader nærmere i det 
neste kapitlet om paneldataanalyser. Det er likevel relevant å vurdere hvorvidt det å ta hensyn til 
slike variabler også påvirker resultatene til de årlige 	analysene, og da spesielt om disse faktorene 	
påvirker rangeringen av politidistriktene. 	 	
Vi har samlet inn data om et bredt utvalg kontekstuelle variabler, både på bakgrunn av eksiste-
rende litteratur, politiets egen RAM	-modell og etter innspill fra politifaglig referansegruppe. Vi 	
har videre gjort en utvelgelse blant aktuelle variabler basert 	på deres statistiske signifikans, ro-	
busthet, multikorrelasjonsanalyser og effektivitets	- og regresjonsmodellers føyning (se seksjon 	
4.3.1	 for detaljer). De variablene som benyttes til analysene i dette 	delkapittelet	 er: 	
• 	Landareal per 	innbygger	 	
• 	Andelen av befolkningen som bor i tettsteder	 	
• 	Sysselsetting etter bosted per befolkning	 	
• 	Befolkningsandel i alderen 15 til 39 år	 	
• 	Koronasmittetilfeller per innbygger mellom 	vaksinering av arbeidsfør befolkning	 og gjenåp-	
ningen	 	
• 	Koronasmittetilfeller per innbygger mellom nedstengingen og 	vaksinering av arbeidsfør be-	
folkning	 	
• 	Dager 	i måned	en	 	
• 	Andel ordinære hverdager i måneden	 	
Som forklart i seksjon 	4.4.2	 estimerer vi fronten 	og virkningene av de kontekstuelle variablene på 	
årlig basis	 i StoNED, mens vi benytter globale fronter 	ved bruk av SFA og tostegs	-DEA	-metodikken 	
til Simar og Wilson (2007).	 I tilfellet StoNED	 reestimere	r vi deretter	 effekten	e av 	de 	kontekstuelle 	
variable	ne	 ved 	hjelp av 	minste kvadrats metode for å sikre at deres parameterestimater blir iden-	
tiske for alle år. 	I disse beregningene	 anvender vi	 årsdummier 	i justeringen av	 de årlige beregnede 	
kostnadsfrontene til et felles nivå. 	I alle våre beregninger antar vi	 at effekten av 	de 	kontekstuelle 	
variable	ne	 er konstant over	 tid.	 	
5.3.1	 	Hovedresultater for årsanalyser av omgivelsene	 	
I effektivitetsmålinger er korreksjoner for forhold i omgivelsene vesentlig for å yte 	beslutningsen-	
hetene rettferdighet i komparative analyser. 	I Figur 	6.2 sammenlikner vi fordelingen til

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	81	 	
 
effektivitetsscorene per region (for StoNED og modellspesifikasjon 	S2	 for vekting) når kostnads-	
funksjonen er estimert med og uten kontekstuelle variabler. Figuren illustrer	er at tendensen er 	
den samme i begge figurene, men at inkluderingen av kontekstuelle variabler kan påvirke range-
ringen av enhetene. Dette gjelder spesielt Innlandet og Nordland, som begge får en bredere for-
deling og lavere median effektivitetsscore når konte	kstuelle variabler tas hensyn til.	 	
Figur 	5.4 	Sammenlikning av effektivitetsscorer estimert 	a) uten kontekstuelle variabler 	
(t.v.)	 og 	b) med	 kontekstuelle variabler	 (t.h.)	, begge for StoNED og modell S2	 	
a) Uten kontekstuelle variabler	 	b) Med kontekstuelle variabler	 	
 	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
For å gi en videre innsikt i forskjeller mellom effektivitetsmålingene med og uten kontekstuelle 
variabler presenterer 	Tabell 	5.3 gjennomsnittlige effektivitetsscorer per politidistrikt, målt med 	
og uten kontekstuelle variabler.	 	
Tabell 	5.3 	Gjennomsnittlige effektivitetsscorer per politidistrikt 	estimert med 	StoNED 	
under modellspesifikasjon S2	 målt 	med og uten kontekstuelle faktorer	 	
Politidistrikt	 	Uten kontekst	uell kontroll	 	Med kontekst	uell kontroll	 	
Oslo	 	0.84	 	0.88	 	
Øst	 	0.90	 	0.92	 	
Innlandet	 	0.90	 	0.88	 	
Sør	-Øst	 	0.93	 	0.93	 	
Agder	 	0.94	 	0.96	 	
Sør	-Vest	 	0.85	 	0.89	 	
Vest	 	0.89	 	0.91	 	
Møre og Romsdal	 	0.92	 	0.93	 	
Trøndelag	 	0.91	 	0.94	 	
Nordland	 	0.88	 	0.86	 	
Troms	 	0.91	 	0.94	 	
Finnmark	 	0.90	 	0.93	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	82	 	
 	
5.3.2	 	Hovedresultater	 for 	samlede paneldataanalyser med kontekstuell kontroll	 	
I tillegg til effektivitetsscorene gir paneldataanalysene også muligheter til å vurdere betydningen 
av kontekstuelle faktorer 	– både i størrelsesorden og statistisk signifikans 	– for politiets ressurs-	
bruk. 	 	
 presenterer parameterestimater og signifikansnivå for de utvalgte variablene for modellspesifi-
kasjon 	S2	 for vekting.	 Beregningene viser estimeringer med StoNED og SFA både med og uten 	
månedsdummier til å kontrollere for sesongvariasjoner.	 	
Resultatene viser at å kontrollere for sesongvariasjoner har liten påvirkning på størrelsen på pa-
rameterestimatene. Dette skyldes trolig at kostnadsvariabelen benyttet i analysene i stor grad 
glatter ut kostnadene over månedene innad i et år. Videre viser 	beregningene at marginalbidraget 	
til de kontekstuelle variablene generelt vurderes som høyere i SFA enn i StoNED. Det skyldes trolig 
forskjeller i kostnadsfunksjonene estimert med StoNED og SFA, da estimeringen av SFA antar en 
Cobb	-Douglas form mens StoNED	 tillater en mer fleksibel estimering gjennom å bestemme kost-	
nadsfunksjonen ikke	-parametrisk. Den gjør trolig StoNED	-spesifikasjonen bedre i stand til å fange 	
opp kostnadsvariasjoner som del av kostnadsfunksjonen sammenliknet med den parametriske 
metoden. 	En annen viktig forskjell 	er 	at StoNED	-modellen antar årlige fronter, det vil si at kost-	
nadsfunksjonen kan være forskjellig fra ett år til det neste, jamfør seksjon 	4.4.2	. SFA	-estimeringen 	
antar derimot at formen på kostnadsfunksjonen er uendret over perioden som studeres. 	 	
Med tanke på parameterestimatenes fortegn er det stor grad av sammenfall mellom resultatene 
fra StoNED og SFA: Foruten andel hverdager per måned (som foruten skuddår blir en overflødig 
variabel når det kontrolleres for månedsfaste effekter), framstår de an	dre utvalgte variablene 	
som kostnadsdrivende	. Sett bort fra variabelen tettstedsandel, er også resultatene statistisk sig-	
nifikante (på én	 prosent	s signifikans	nivået) for alle metoder og modellspesifikasjoner. Dette pe-	
ker på at økt befolkning og urbaniserin	g er kostnadsdrivende for politiet. I likhet med kriteriene i 	
RAM	-modellen 	bidrar	 en 	økning 	i befolkningsandel	en	 i aldersgruppen 15 til 39 år 	til å øke politiets 	
kostnader. Resultatene viser også at koronapandemien hadde en effekt på politiets kostnader, 
noe som ble presisert av politiet selv i et referansegruppemøte i forskningsprosjektet.	 	
SFA	-resultatene i 	Figur 	5.4 gir også et anslag på hvor ytterligere politiproduksjon påvirker kostna-	
dene. De indikerer at én prosent økning i innsatsjusterte politioppdrag og straffesaker (	S2	) impli-	
serer kostnadsøkninger på henholdsvis i underkant av 0,4 og rundt 0,3. For ikke	-operative politi-	
saker varierer middelanslagene fra i underkant av 0,2 til nærmere 0,3 avhengig av om man juste-
rer for månedsvariasjon eller ikke, hvilket impliserer at d	enne variasjonen spiller en vesentlig rolle 	
for denne type	n saker. Vi refererer til forskningsrapporten om kostnadsvariasjoner for nærmere 	
utforskning av produksjonens innvirkning på kostnadene over politidistriktene	 (Holmen med flere 	
202	6b). 	
Vi oppnår liknende resultater 	for de kontekstuelle variablene 	når vi benytter Simar og Wilson 	
(2007) sin tostegs	-DEA	-metodikk, selv om det er noen forskjeller i hvilke variabler som er signifi-	
kante, som vist i 	Tabell 	5.5. I denne metodens etterregresjon er imidlertid kostnadseffektivitets-	
scoren som er utfallsvariabelen og ikke kostnadseffektivitetsscoren, hvilket innebærer at para-
meterkoeffisientene i all hovedsak skifter fortegn. Resultatene er relativt like uavhengig av	 om 	
man kontrollerer for månedsfaste og årsfaste effekter eller ikke, skjønt behovet for å kontrollere 
for kontekstuelle tidsvariabler er høyere 	i fravær av	 slike tidsdummyer.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	83	 	
 
Tabell 	5.4 	Parameterestimater for kontekstuelle variabler i modellspesifikasjon S2, etter 
effektivitetsmodellene StoNED og SFA og ved bruk av månedsfaste effekter. 
Avhengig variabelen er kostnadene i logaritmeform.	 	
 	StoNED	 	StoNED	 	SFA	 	SFA	 	
Landareal per 	innbygger	 	
0.162***	 	0.160***	 	0.659***	 	0.761***	 	
(0.023)	 	(0.021)	 	(0.040)	 	(0.037)	 	
Andelen av befolkningen 
som bor i tettsteder	 	
0.078	 	0.078	 	0.764***	 	0.717***	 	
(0.054)	 	(0.050)	 	(0.071)	 	(0.065)	 	
Sysselsetting etter bo-
sted per befolkning	 	
0.090***	 	0.098***	 	0.104***	 	0.091***	 	
(0.02	7) 	(0.02	6) 	(0.0	32	) 	(0.0	29	) 	
Befolkningsandel i	 	
alderen 15 til 39 år	 	
3.773	***	 	3.799	***	 	4.085	***	 	4.193	***	 	
(0.	206	) 	(0.	194	) 	(0.	244	) 	(0.	223	) 	
Dager per måned	 	
0.026***	 	-0.021	 	0.025***	 	-0.010	 	
(0.004)	 	(0.017)	 	(0.005)	 	(0.019)	 	
Andel ordinære hverda-
ger i måneden	 	
-0.157***	 	-0.199***	 	-0.149***	 	-0.153*	 	
(0.022)	 	(0.073)	 	(0.027)	 	(0.082)	 	
Koronatilfeller per	 	
innbygger, første periode	 	
2.727***	 	2.178***	 	2.325***	 	2.009***	 	
(0.417)	 	(0.402)	 	(0.480)	 	(0.450)	 	
Koronatilfeller per	 	
innbygger, andre periode	 	
0.153***	 	0.094**	 	0.157***	 	0.077*	 	
(0.040)	 	(0.040)	 	(0.046)	 	(0.044)	 	
Logaritmen av	 	
politioppdrag	 	
 	 	0.386***	 	0.361***	 	
 	 	(0.019)	 	(0.019)	 	
Logaritmen av	 	
straffesaker	 	
 	 	0.322***	 	0.274***	 	
 	 	(0.018)	 	(0.017)	 	
Logaritmen av	 	
ikke	-operative saker	 	
 	 	0.199***	 	0.296***	 	
 	 	(0.017)	 	(0.017)	 	
Konstant	 	
1.127***	 	2.627***	 	8.077***	 	8.906***	 	
(0.146)	 	(0.527)	 	(0.189)	 	(0.589)	 	
Årsfaste 	effecter	 	X 	X 	X 	X 	
Måneds	faste 	effekt	er 	 	X 	 	X 	
N 	1152	 	1152	 	1152	 	1152	 	
R2 	0.974	 	0.977	 	0.955	 	0.955	 	
t-statistikk i parentes	. * p < 0.1, 	** p < 0.05, 	*** p < 0.01	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	84	 	
 
Tabell 	5.5 	Parameterestimater for kontekstuelle variabler i modellspesifikasjon S2, etter 
effektivitetsmodell	en 	Simar og Wilsons 	tostegs	-DEA	 og 	ved 	bruk av måneds-	
faste effekter. Avhengig variabel	 er k	ostnadseffektivitet	sscoren	. 	
 	Simar og Wilsons tostegs	-DEA	 	Simar og Wilsons tostegs	-DEA	 	
Landareal per innbygger	 	
-0.021	 	-0.018	 	
(0.021)	 	(0.019	) 	
Andelen av befolkningen som 
bor i tettsteder	 	
-0.560	***	 	-0.41	4***	 	
(0.056)	 	(0.0	50) 	
Sysselsetting etter bosted per 
befolkning	 	
-0.116***	 	-0.150	***	 	
-(0.025)	 	(0.024)	 	
Befolkningsandel i alderen 15 til 
39 år	 	
-2.546	***	 	-2.795	***	 	
(0.	211	) 	(0.184)	 	
Dager per måned	 	
-0.014	***	 	0.004	 	
(0.004)	 	(0.017)	 	
Andel ordinære hverdager i må-
neden	 	
-0.008	 	0.074	 	
(0.022)	 	(0.068)	 	
Koronatilfeller per innbygger, 
første periode	 	
-0.018***	 	-0.01	2***	 	
(0.	003)	 	(0.004)	 	
Koronatilfeller per innbygger, 
andre periode	 	
-0.00	2***	 	-0.000	 	
(0.000)	 	(0.000)	 	
Konstant	 	
2.503	***	 	1.1	92***	 	
(0.145	) 	(0.531)	 	
Årsfaste effe	kter	 	Nei	 	Ja 	
Månedsfaste effekter	 	Nei	 	Ja 	
Σ 	
0.106	***	 	0.095***	 	
(0.003)	 	(0.002)	 	
N 	1,152	 	1,152	 	
Wald	-χ2 	1 047.77	 	1 473.42	 	
t-statistikk i parentes	. * p < 0.1, 	** p < 0.05, 	*** p < 0.01	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
5.3.3	 	Hovedresultater for 	samlede paneldataanalyser	 med kontrollfunksjoner	 	
I og med at viktig politiproduksjon som forebygging og etterretning er utelatt fra estimeringen på 
grunn av måleutfordringer, er det grunn til å frykte at produktene i kostnadsfunksjonen blir kor-
relert med regresjonenes restledd. For å håndtere denne utfor	dringen utnytter vi en avart av

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	85	 	
 
kontrollfunksjonsmetodikken i kombinasjon, som forklart i seksjon 	3.4.2	 og i seksjon 	4.4.2	. Vi hen-	
viser til Rødseth, 	Kuosmanen og Holmen	 2025 for	 ytterligere diskusjon om kontrollfunksjonsme-	
toden i et StoNED	-rammeverk.	 	
Tanken her er å benytte variabler som kan beskrive latent forebygging av kriminalitet, etterret-
ning og annen utelatt politiproduksjon, for å forhindre endogenitetsproblemer knyttet til uobser-
verbar ressursbruk.	 I kontrollfunksjonen benytter vi det samme sett	et av kontekstuelle variabler 	
som i de foregående regresjonene. I tillegg benytter vi antall straffesaker, politioppdrag og ikke	-	
operative saker i kontrollfunksjonen (	S1	), i motsetning 	til i kostnadsfunksjonen, hvor vi vekter i 	
tråd med forventet ressurs	bruk (	S2). I likhet med tidligere 	StoNED	-analyser 	baserer vi oss	 på årlige 	
estimeringer av kostnadsfunksjonen	, denne gangen simultant med kontrollfunksjonsmetoden	. 	
Vi 	gjennomfører kontrollfunksjonsregresjonene med et snevert og et bredt sett av proxier for 	
produktivitetssjokket. I det snevre settet konsentrerer vi oss om variabler som ikke går på hen-
delser eller henger direkte sammen med tidsdimensjonen. Dette inkludere	r landareal	et per be-	
folkning	, andelen av befolkningen som bor i tettsteder	, sysselsetting	en	 etter bosted per befolk-	
ning	 og b	efolkningsandel	en	 i alderen 15 til 39 år	. I den brede varianten inkluderer vi i tillegg k	o-	
ronasmittetilfelle	r per innbygger mello	m vaksinering 	av folk i arbeidsfør alder 	og gjenåpningen	, 	
og mellom	 nedstengingen og 	vaksinering av folk i arbeidsfør alder	, samt d	ager 	i måned	en	 og a	n-	
del	en	 ordinære hverdager i måneden	. 	
Den 	brede	 varianten 	tar åpenba	rt høyde for flere forhold i omgivelsene enn den snevre varianten, 	
men er til gjengjeld mer sårbar for 	dimensjonalitetens	 forbannelse, jamfør delkapittel 	3.3	. I fram-	
tidige målinger og målinger som ikke 	omfatter 	korona	pandemien vil	 de to tilknyttede 	kontekstu-	
elle variabler bli overflødige. Samtidig er korreksjoner for 	andelen ordinære hverdager og antall 	
dager i måneden av mindre betydning når man 	først og fremst er opp	tat	t av komparative sam-	
menlikninger mellom politidistrikter. Dette tilsier at 	utfordringene med 	dimensjonalitetens	 for-	
bannelse 	trolig 	blir noe mindre 	prekær	e i framtidige målinger.	 	
I Figur 	5.5 har vi illustrert 	korrelasjonen 	mellom StoNED	-kjøringene uten kontekstuelle variabler 	
og StoNED	-kjøringene med kontrollfunksjons	kjøringene med henholdsvis fire og åtte kontekstu-	
elle variabler som proxier for produktivitetssjokket. Vi ser	 at 	det 	er snakk om moderat korrelasjon 	
med Pearson	-korrelasjonskoeffisienter på henholdsvis 	0,44	 og 	0,33	. Med andre ord påvirker kon-	
trolleringen for kontekstuelle variabler og utfordringer for tosidig kausalitet en vesentlig rolle for 
effektivitetsscorene.	 Økningen fra fire til åtte kontekstuelle variabler har ikke 	en 	tilsvarende be-	
tydning.	 	
Introduksjonen av k	ontrollfunksjon	smetodikken	 gir imidlertid først og fremst endringer i range-	
ringen	e innad i politidistrikter	 over tid og ikke rangeringen	 mellom politidistrikter. 	Det	te er 	klart 	
fra 	Figur 	5.6 og 	Tabell 	5.6 at forskjellene i effektivitetsscore	ne	 mellom politidistrikter minker, et-	
ter hvert som 	man tar høyde for flere 	forhold i omgivelsene.	 Jo flere kontekstuelle variabler man 	
inkluderer i modellen, desto høyere blir jevnt over effektivitetsscorene. Dette skyldes at model-
lens forklaringskraft øker (	på bekostning av restleddet og derigjennom effektiviteten	). I spesifika-	
sjonen med åtte kontekstuelle variabler begynner 	dimensjonalitetens	 forbannelse 	å gjøre seg 	
gjeldende	 i den forstand at 	alle 	politidistriktene 	er ganske effektive, og det er små forskjeller mel-	
lom dem. 	Oslo og Finnmark skiller seg ikke 	lenger vesentlig ut fra de andre politidistr	iktene. 	Vi 	
finner	 likevel igjen en del av de samme forsk	jellene som tidligere.	 Blant 	annet ligger Agder fortsatt 	
i toppsjiktet, mens Nordland fremdeles scorer relativt lavt.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	86	 	
 
Figur 	5.5 	Sammenlikning mellom effektivitetsscorer per politidistrikt, år og måned 	i pe-	
rioden 	målt ved bruk av StoNED på modellspesifikasjon S2 	i hovedberegningen 	
uten	 kontekstuelle variabler 	og 	kontrollfunksjonsmetoden med a) fire proxier 	
(ø.) og b) åtte proxier (n.)	 	
a) StoNED og DEA	 	
 	
b) SFA og StoNED	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	87	 	
 
Figur 	5.6 	Sammenlikning av fordelingen 	av	 effektivitetsscorer per politidistrikt, esti-	
mert med StoNED	, modellspesifikasjon S2 	og 	b) uten kontekstuell	 korreksjon 	
(ø.)	 og med kontrollfunksjon med 	b) fire proxier (i.m.) og 	c) 	åtte proxier (n.)	 	
a) Uten kontekstuelle variabler	 	
 	
b) Kontrollfunksjonsmetoden med fire proxier	 	
 	
c) 	Kontrollfunksjonsmetoden med åtte proxier	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	88	 	
 
Tabell 	5.6 	Gjennomsnittlige effektivitetsscorer per politidistrikt estimert med StoNED 
under modellspesifikasjon S2 målt med og uten kontekstuelle faktorer	 	
Politidistrikt	 	Uten kontekstuelle	 	
variabler	 	
Med 	fire	kontekst	uelle 	
variabler	 	
Med 	åtte 	kontekst	uelle 	
variabler	 	
Oslo	 	0.84	 	0,93	 	0.95	 	
Øst	 	0.90	 	0,94	 	0.95	 	
Innlandet	 	0.90	 	0,92	 	0.94	 	
Sør	-Øst	 	0.93	 	0,94	 	0.95	 	
Agder	 	0.94	 	0,97	 	0.97	 	
Sør	-Vest	 	0.85	 	0,95	 	0.93	 	
Vest	 	0.89	 	0,94	 	0.96	 	
Møre og Romsdal	 	0.92	 	0,95	 	0.96	 	
Trøndelag	 	0.91	 	0,95	 	0.96	 	
Nordland	 	0.88	 	0,93	 	0.94	 	
Troms	 	0.91	 	0,94	 	0.96	 	
Finnmark	 	0.90	 	0,95	 	0.96	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
5.4	 	Hovedresultater	 for	 effektivitet	s- og 	teknologi	utviklingen	 	
I tillegg til en sammenlikning av effektivitet over politidistrikter er vi interessert i utviklingen i 
effektivitetstallet over tid.	 Vi starter 	derfor 	med å fokusere på effektivitet	sutviklingen	 over analy-	
semetoder	. Utviklingen i gjennomsnittseffektiviteten per år forteller oss noe om hvorvidt flere 	
politidistrikter er i stand til å tilegne seg beste praksis over	 tid (ved en generell økning i effektivi-	
tetstallet)	, eller om det utvikler seg en større avstand mellom de mest og minst kostnadseffektive 	
enhetene (ved et generelt fall i effektivitetstallet).	 	
Der	nest	 fokuserer	 vi på produktivitetsutviklingen	, også med en sammenlikning over 	analyseme-	
toder	. I forbindelse 	med målingene over tid 	er det verdt å	 minne på at	 produktivitetsutviklingen 	
kan 	dekomponeres 	i utviklingen i beste praksis og utviklingen 	i avvik fra beste praksis, altså effek-	
tivitetsutviklingen, som 	vi var inne på	 i seksjon	 3.1.2	. 	
5.4.1	 	Hovedresultater for årsanalyser	 av effektivitetsutviklingen	 	
I det følgende presenterer vi våre hovedresultater for effektivitetsutviklingen basert på årlige må-
linger. 	I Figur 	5.7 har vi illustrert 	utviklingen i gjennomsnittlig effektivitet for alle politidistrikter 	
over tid, målt ved h	enholdsvis	 StoNED, DEA og SFA. Merk at den vertikale aksen løper fra 0	,6 til 	
1,0 for at det skal være mulig å se utviklingen i den gjennomsnittlige effektivitetsscoren tydeligere. 	
Som beskrevet tidligere er gjennomsnitt	seffektiviteten i sektoren høy, og det er kun snakk om 	
mindre endringer i 	den	 over tid. Figuren gir et inntrykk av at gjennomsnittseffektiviteten er svakt

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	89	 	
 
økende i starten av observasjonsperioden og når en topp rundt 2019. Spesielt er dette tydelig for 
sammenstillingen av StoNED	-resultatene, som har 	relativt 	smale konfidensintervall.	 	
Figur 	5.7 	Gjennomsnittlig effektivtetsutvikling over år, etter metodene StoNED, DEA og 
SFA. Linjen viser utviklingen i gjennomsnittlig effektivitetsscore, mens det grå 
området viser 	95-prosents 	konfidensintervall. Figuren framkommer ved 	en 	
brøkpolynom	isk regresjon	. 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
I Figur 	5.8 viser 	vi utviklingen i gjennomsnittlig effektivitet per politidistrikt og år. Denne illustrerer 	
at utviklingen i gjennomsnittlig effektivitet er sammenfallende mellom regionene, men at regio-
nene med lavest effektivitetsscorer 	i målingene 	– det vil si 	Oslo og 	Sør	-Vest	 – har en stor opphen-	
ting av de andre regionene i 2019 og et betydelig fall i 2020. Forskjellene i gjennomsnittseffekti-
vitet mellom regionene framstår som relativt robuste over tid, om enn med noen unntak og va-
riasjoner. Spesielt ser Nordland ut til å ha for	bedret sin effektivitet over tid, mens 	Vest	 har opp-	
levd en reduksjon i kostnadseffektivitet.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	90	 	
 
Figur 	5.8 	Utviklingen av gjennomsnittseffektiviteten per politidistrikt og år, målt ved 
StoNED	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
5.4.2	 	Hovedresultater 	for samlede paneldataanalyser av effektivitetsutviklingen	 	
I seksjon 	5.4.1	 presenteres støtte for 	relativt stabil kostnadseffektivitet over tid basert på estima-	
ter med StoNED, ordinær DEA og SFA.	 Merk at vektingene av produktene basert på ressursinnsats 	
(S2	) justerer for de gjennomsnittlige årlige variasjonene.	 I det følgende	 viser vi tilsvarende resul-	
tater basert på Simar og Wilsons tostegs	-DEA. I tillegg til at 	metoden	 avviker fra 	hva som ble an-	
vendt i	 de 	foregående 	tilnærmingene	, skiller de seg ved	 at 	vi her estimerer 	effektivitetsscorene 	
for alle år samlet istedenfor et år om gangen. Dessuten inkluderer disse regresjonene kontekstu-
elle variabler som antas å 	ha 	persistente virkninger på kostnadene over tid.	 	
Som vist i 	Figur 	5.9 impliserer Simar og Wilsons tostegs	-DEA 	gradvis nedgang i 	kostnads	effektivi-	
teten over tid.	 Ettersom 	vi har kontrollert for kostnadsvariasjoner over år i 	vektingen av	 straffe-	
saker og politioppdrag	 (S2	), skulle	 mye av forskjellene	 forbundet med endringer i 	rapporterings-	
praksis og kriminalitetsbildet være håndtert.	 Vi anser likevel 	kombinasjonen av avvik fra tidligere 	
resultater og manglende 	fullgod 	rasjonalitet 	for fallende kostnadseffektivitet s	om grunner til å ta 	
dette resultatet med en klype salt inntil videre og 	avvente 	videre empiriske undersøkelse	r, før 	
man går lenger i retning av å konkludere	. 	
Både beregningene foretatt ved SFA og Simar og Wilsons tostegs	-DEA er foretatt med global front 	
for kostnadseffektiviteten, hvilket innebærer at årsdummyene kan tolkes som utviklingen i beste 
praksis. Som diskutert i seksjon 	4.4.2	 innebærer StoNED	-estimeringen på grunn av kompleks es-	
timering derimot at virkningene av de kontekstuelle variablene først estimeres på årsbasis, før 
man i de videre beregningene tar utgangspunkt i gjennomsnittseffektene og tillater årsdummyer 
å skifte kos	tnadsfronten. Dermed blir også årsdummyene fra StoNED	-estimeringene mindre rett 	
fram å tolke, hvilket er grunnen til at vi vil fokusere på SFA og Simar og Wilsons tostegs	-DEA i det 	
følgende.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	91	 	
 
Figur 	5.9 	Gjennomsnittlig effektiv	itetsutvikling over år, etter metoden Simar og Wilsons 	
tostegs	-DEA. Linjen viser utviklingen i gjennomsnittlig effektivitetsscore, mens 	
det grå området viser 	95	-prosents konfidensintervall	. Figuren framkommer 	
ved 	en 	brøkpolynom	isk	 regresjon.	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
Årsdummyene	 utregnet med både tostegs	-DEA og SFA	 angir	 utviklingen i beste praksis	, også kjent 	
som teknologiutviklingen, jamfør seksjon 	3.1.2	. Resultatene er illustrert i 	Figur 	5.10	. SFA	-	
resultatene 	tilsier 	at 	kostnadsnivået 	for beste praksis 	økte med 	15,1 prosent fra 2016 til 2023. 	
Tilsvarende 	impliserer 	beregningene med Simar og Wilsons DEA	-kjøringer 	at kostnadseffektivite-	
ten for beste praksis fa	lt med	 9,9 prosent i løpet av studie	perioden	. Den samlede u	tviklingen i de 	
to 	kurvene 	stemmer overens med hverandre, 	men de årlige skiftene samsvarer ikke helt.	 Igjen er 	
det grunn til å tro at 	deler av utviklingen kan skyldes forhold som ikke er tatt hensyn til og ikke 	
nødvendigvis primært reell utvikling i f	ronten. 	Resultatene bør	 tolkes deretter, mens videre un-	
dersøkelser vil være nødvendig for å konkludere nærmere.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	92	 	
 
Figur 	5.10	 	Virkninger av 	år på kostnadsfronten	 ved	 kostnadseffektivitet 	målt ved SFA	 og 	
kostnader 	målt med Simar og Wilsons tostegs	-DEA	. Normalisert til prosentvis 	
forskjell fra 2016	 med angivelser av standardfeil	. 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
Det er	 også 	betydelige sesongvariasjoner	 over året. 	Vi minner om at 	de årlige 	lønnskostnade	ne	 	
og de øvrige driftskostnadene 	i våre hovedanalyser 	er spredt utover året basert på 	henholdsvis 	
dagsver	k og 	dager, jamfør 	delkapittel 	4.1	. Merk 	at de presenterte	 regresjonene er korrigert for 	
kontekstuelle variabler og år. 	I Figur 	5.11	 har 	vi i panel a og	 panel b	 angitt våre resultater for 	
innvirkninger av måneder på kostnadsfonten	 i regresjonene med 	kostnader som 	utfallsvariabel 	
ved bruk av henholdsvis StoNED og SFA	. Vi ser 	kostnadsnivået er relativt høyt 	i andre halvdel	 av 	
sommeren og 	ved årsskiftet, mens det er 	relativt lavt i februar og juni.	 Utslagene 	måned for må-	
ned varierer for DEA og StoNED, men	 er jevnt over sterkt korrelert med en	 Pearson	-korrelasjon 	
på 85,1 prosent.	 	
I figurens panel c viser vi våre resultater for innvirkninger av måneder på kostnadsf	ronten i regre-	
sjonene med kostnadseffektivitet som utfallsvariabel ved bruk av Simar og Wilsons tostegs	-DEA. 	
Målingen antyder lavest effektivitet i begynnelsen av året og høyest om sommeren. 	Denne må-	
lingen har Pearson	-korrelasjon på minus 26,3 prosent med SFA og kun minus 2,6 prosent med 	
StoNED. Månedsdummyene utregnet ved	 Simar og Wilsons tostegs	-DEA	 er dermed svakere kor-	
relert med tilsvarende dummyer beregnet ved StoNED enn for dummyene utregnet med SFA, til 
tross for at metodikken i utgangspunktet er nærmere beslektet med StoNED. Dette kan ses i sam-
menheng med at både denne varianten av DEA og SFA e	r estimert simultant for hele perioden, 	
mens StoNED	-estimeringen baserer seg på en mer stegvis tilnærming, jamfør seksjon 	4.4.2	. 	 	
-15%
-10%
-5%
0%
5%
10%
15%
20%	
2016	2017	2018	2019	2020	2021	2022	2023	
Innvirkning på kostnadsfronten	
SFA (kostnader)	DEA-SW (kostnadseffektivitet)

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	93	 	
 
Figur 	5.11	 	Virkninger 	av måneder 	på kostnadsfronten	, der metodikk og utfallsvariabel er 	
henholdsvis a) StoNED og kostnadseffektivitet (t.v.), b) SFA og kostnadseffek-
tivitet (i.m.) og c)	 Simar og 	Wilsons	 tostegs	-DEA	 og kostnader (t.h.)	. Normali-	
sert til 	prosentvis forskjell fra januar	 med angivelser av standardfeil	. 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØ	I 	
-25%
-20%
-15%
-10%
-5%
0%
5%
10%
15%	
Januar	Mars	Mai	Juli	
September	November	
Innvirkning på kostnadsfronten	
StoNED
(kostnader)	
-25%
-20%
-15%
-10%
-5%
0%
5%
10%
15%	
Januar	Mars	Mai	Juli	
September	November	
Innvirkning på kostnadsfronten	
SFA	
(kostnader)	
-25%
-20%
-15%
-10%
-5%
0%
5%
10%
15%	
Januar	Mars	Mai	Juli	
September	November	
Innvirknng på kostnadsfronten	
DEA	-SW	
(kostnadseffektivitet)

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	94	 	
 	
6	 	Empirisk 	robusthet	 	
I dette kapittelet	 presenterer vi ulike robusthetssjekker 	og sensit	ivit	etsanalyser 	forbundet med 	
våre resultater, som presenteres i kapittel 	5. Formålet er å kunne vurdere hvordan antakelse	ne i 	
vår hovedtilnærming	 påvirker effektivitetsresultatene.	 Vi starter 	med	 robusthet forbundet	 effek-	
tivitetsfordelingens egenskaper, før vi tar for 	oss fordelingen over politidistrikter og	 betydningen 	
av 	omgivelsene	. Til slutt går vi inn på	 utviklingen over tid	. I robusthetssjekker 	undersøker vi be-	
tydningen av 	både variabeldesign og metodikk.	 	
6.1	 	Robusthet	 for effektivitetsfordelingen	 	
I det følgende undersøker 	robus	theten	 knyttet til effektivitetsfordelingens egenskaper.	 Mens vi i	 	
hoved	analysene h	ar vektet ulike saker og oppdrag basert på 	politiets egne	 forventede ressurs-	
innsats	 (S2	), starter vi dette delkapittelet 	med å se på effektivitetsfordelingen	 ved bruk av andre 	
framgangsmåter for å vekte sakene	 (S1	, S3 	og 	S4	), jamfør delkapittel 	3.3	. 	
Deretter 	går vi nærmere inn på 	betydningen av valg av kostnadsvariabel, som diskutert i delka-	
pittel 	4.1	. Mens vi i hovedberegningene benytter en kostnadsvariabel som fordeler 	de 	årlige 	
lønnskostnader og øvrige driftskostnader utover måneder basert på henholdsvis	 antall	 dagsverk 	
og antall dager	, undersøker vi 	robusthetssjekkene innvirkningen av å isteden benytte kostnads-	
deflatorer for 	lønn som tar hensyn til de ujevne utgiftsbyrdene over tid.	 	
Sist, men ikke minst, har vi i 	StoNED	-beregningene i hovedanalysene 	benyttet	 Quasi	-likelihood	 til 	
å skille effektivitetsscorene fra støyet ved disse metodene.	 Med henvisninger til redegjørelsen for 	
StoNED	-metodikken i	 seksjon 	3.2.3	 tester vi i dette 	delkapittelet	 betydningen av isteden 	å benytte 	
method	 of moment	s i restledd	sberegningene.	 	
6.1.1	 	Robusthet 	for	 variabelvekting i	 års	analyser 	av effektivitetsfordelingen	 	
Vår foretrukne modellspesifikasjon	 for å	 håndtere heterogeniteten innad i produktene i politiets 	
produksjon	 innebærer å vekte delproduktene i tråd med 	etatens	 eg	ne	 forventede ressursinnsats	, 	
tidligere omtalt som vektingsmodell (	S2	). Som redegjort for 	i delkapittel 	3.3	 har vi 	også vurdert 	
tre andre måter å definere produktene i effektivitetsmodellen på.	 	
I våre sensitiv	itetsanalyser forbundet med variabelvekten sammenlikne	r vi	 med	 en uvektet opp-	
telling av antall saker og oppdrag (	S1	). Figur 	6.1 gir en sammenlikning mellom DEA	- og StoNED	-	
resultatene for modellen uten vekting (	S1	) og modellen med vår foretrukne vekting av delpro-	
dukter (	S2	). Den viser at det kun er mindre forskjeller mellom fordelingene i venstre og høyre 	
panel, men at fordelingen framstår som litt mindre konsentrert for modellspesifikasjon 	S2	. Gjen-	
nomsnittseffektivitetene er 	0,91 og 	0,88 for h	enholdsvis	 StoNED og DEA i spesifikasjon 	S1	, mens 	
tilsvarende gjennomsnitt er 	0,90 og 	0,87 for S2. De tilsvarende standardavvikene er 	0,049 (	S1	) og 	
0,050 (	S2	) for StoNED (	S1 	og 	S2	) og 	0,109 (	S1	) og 	0,124 (	S2	) for DEA. Det vil dermed si at det er 	
marginalt større effektivitetsforskjeller ved bruk av modellspesifikasjon 	S2 	enn ved 	S1	. Det er en 	
tendens til at effektivitetsscorene er noe lavere i 	S2	. For eksempel	 er minste effektivitetsscore 	
nærmere 	0,4 i panelet til høyre enn i panelet til venstre	. Likevel	 ligger over 20 prosent av obser-	
vasjonene på DEA	-fronten både for modellspesifikasjon 	S1 	og 	S2	.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	95	 	
 
Figur 	6.1 	Sammenlikning av fordelingen til effektivitetstallene estimert ved spesifika-
sjonene 	a) 	S1 	(ø.) og	 b) S2	 (n.) ved bruk av	 DEA og StoNED	 	
a) S1	 	
 	
b) S2	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.1.2	 	Robusthet 	for	 variabelvalg 	i års	analyser 	av effektivitetsfordelingen	 	
I hovedberegningen	e deflaterer vi kostnadene på årsbasis og fordeler lønnskostnadene og pro-	
duktinnsatsen utover måneder innad hvert år 	basert på henholdsvis antallet dagsverk og antallet 	
dager.	 Her undersøker vi også en alternativ tilnærming, 	der vi isteden	 deflaterer kostnadene

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	96	 	
 
månedlig basert på lønnskostnader per dagsverk og produktinnsats per dag	. Ved denne tilnær-	
mingen skjer kostnadsutglattingen dermed	 implisitt ved hjelp av deflatoren	e, og eksplisitt 	som i 	
hovedberegningene.	 Begge tilnærmingene behandler utfordringer med avvik mellom når utgif-	
tene 	påløper 	og kostnadene 	finner sted	, som er en typisk utfordring	 i analyser basert på 	kontant-	
regnskap.	 I d	enne seksjonen foretar	 vi en sensitivitetstest for å anslå i hvilken grad valg av kost-	
nadsvariabelen påvirker resultatene. Analy	sene gjennomføres på årlige data. 	 	
Figur 	6.2 gir en sammenlikning av effektivitetsscorer for StoNED og modellspesifikasjon 	S2 	når 	
ordinær 	kostnadsvariabel 	og alternativ kostnadsvariab	el er benyttet 	i effektivitetsanalysen. 	
Pearson	-korrelasjonskoeffisienten for de to variablene er 	0,74, og vi ser av figuren at det er godt 	
sammenfall mellom de to effektivitetsscorene. Det er allikevel en tendens til at effektivitetssco-
rene er noe høyere når modellen føyes med den ordinære kostnadsvariabelen, sammenliknet 
med kostnadsvariabelen benyttet	 til sensitivitetstesten.	 	
Figur 	6.2 	Sammenlikning mellom effektivitetsscorer per politidistrikt, år og måned målt 
ved bruk av S	toNED på modellspesifikasjon S2 med ordinær kostnadsvariabel 	
i hovedberegningen	 og alternativ kostnadsvariabel 	som s	ensitivitet	stest	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.1.3	 	Robusthet for	 restledd	smetod	ikk	 i år	sanalyser	 av effektivitetsfordelingen	 	
For StoNED	-metoden foretrekker vi å bruke quasi	-likelihood til estimering av effektivitetsleddene, 	
da dette gir mest sammenliknbare resultater med SFA (siden begge er estimert basert på samme 
estimeringsrutine). Alternativt kan effektivitetsscorene estimer	es med 	method of moments	, hvil-	
ket beskrives nærmere i	 seksjon 	3.2.3	. I Figur 	6.3 sammenlikner effektivitetsscorene målt ved de 	
to metodene under antakelse om halvnormal fordeling for effektivitetsleddet. Metodene gir ef-
fektivitetsscorer 	med en sterk 	Pearson	-korrelasjon 	på	 0,92, men det er en tendens til at quasi	-	
likelihood gir høyere effektivitetsscorer for ineffektive enheter. Gjennomsnittlig effektivitet er 
0,89 for StoNED og modellspesifikasjon 	S2	, både ved bruk av quasi	-likelihood	-estimatorene	 og 	
method of moments	-estimatorene for predikering av effektivitet.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	97	 	
 
Figur 	6.3 	Sammenlikning mellom effektivitetsscorer per politidistrikt, år og måned målt 
ved bruk 	henholdsvis	 quasi	-likelihood og method of moment	s til StoNED	-esti-	
mering basert	 på modellspesifikasjon S2	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.2	 	Robusthet for effektivitetsforskjeller over politidistrikter	 	
I dette 	del	kapittelet	 foretar vi robusthetssjekker knyttet til persistente effektivitetsforskjeller mel-	
lom politidistriktene	 tilknyttet hovedanalysen i delkapittel 	5.2	. Vi starter med å undersøke betyd-	
ningen av variabelvektingen	, før vi går nærmere inn på 	valget av kostnadsvariabel.	 	
6.2.1	 	Robusthet for variabelvekting i årsanalyser over politidistrikter	 	
Politiets tre produkter 	– politioppdrag, straffesaker og ikke	-operative saker inkludert sivil retts-	
pleie og gebyrfinansierte publikumstjenes	ter 	– omfatter	 ulike delprodukter.	 Som redegjort for i 	
delkapittel 	3.3	 er v	ekting basert på	 politiets egne forventede ressursinnsats	 (S2	) vår foretrukne 	
tilnærming til	 å håndtere heterogeniteten innad i tjenesteproduksjonen. Vi har i	midlertid 	også 	
vurdert tre andre måter å definere produktene i effektivitetsmodellen på. Den første måten er å 
bruke en uvektet opptelling av antall saker og oppdrag (	S1	). Den andre tilnærmingen innebærer 	
å bruke optimering til å bestemme aggregeringsvektene, en tilnærming kjent som «	tvilen til 	
gode	» eller «	benefit of the doubt	» (	S3	). Den fjerde varianten 	er en ny metode som 	tar sikte på	 å 	
bestemme vektene som en del av estimeringen av kostnadsfunksjonen (	S4	). 	
Merk at vi på grunn av aggregerte data for gebyrfinansierte tjenester og sivil rettspleie ikke har 
mulighet til å anvende de to sistnevnte metodene for disse tjenestene, så vi baserer oss derfor 
på deres forventede ressursinnsats, tilsvarende vår primære t	ilnærming (	S2). Den siste metoden 	
er egenutviklet og er kun på prøvestadiet	. D	en nåværende utgaven fanger den også opp	 mye av 	
skalaforskjellene mellom distriktene	. Resultatene for 	S4 	bør derfor ikke tillegges mye vekt på det 	
nåværende tidspunkt.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	98	 	
 
Figur 	6.4 viser fordelingen til effektivitetsscorene innad i hvert politidistrikt, målt med StoNED og 	
hver av de fire modellspesifikasjonene. Den viser at alle modellspesifikasjoner tilsier en sammen-
liknbar rangering av politidistriktene. Resultatene for 	S1	, S2 	og 	S4 	framstår som ganske lik	e. Et 	lite	 	
unntak 	er 	Sør	-Vest	, som rangeres merkbart lavere i 	S2	 og	 i S4 	enn	 i S1	, noe som kan skyldes at de 	
har mange saker	 og 	oppdrag innen saks	- og 	oppdragskategorier som tillegges lite vekt i 	S2	 og 	S4	. 	
S3 	gir større variasjon i effektivitetstallene innad i 	hvert	 politidistrikt	 enn de øvrige 	vektingsregi-	
mene	, særlig for de befolkningsrike distriktene, men rangeringen av distriktene er ganske lik	. 	
Alt i alt 	er det	 nyttig å bruke de fire ulike modellspesifikasjonene til å demonstrere at effektivi-	
tetsforskjellene mellom politidistriktene er upåvirket av vårt valg av metode for å vekte sammen 
delprodukter. En slik sammenlikning kalles ofte en «robusthetssjekk» i forsk	ningslitteraturen. 	 	
Figur 	6.4 	Fordeling av effektivitetsscorer innad i hvert politidistrikt, etter modellspesifi-
kasjon 	a) 	S1	 (ø.t.v.), 	b) 	S2 (ø.t.h.), 	c) 	S3 (n.t.v.) 	til 	d) 	S4	 (n.t.h.	) ved bruk av 	Sto-	
NED	 
a) S1	 	b) S2	 	
 	 	
c) S3	 	d) S4	 	
 	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.2.2	 	Robusthet for variabelvalg i årsanalyser over politidistrikter	 	
Et 	vesentlig	 aspekt ved effektivitetsscorenes ro	busthet er	 i hvilken grad bruken av den alternative 	
kostnadsvariabelen påvirker rangeringen av politidistriktene. Dette er presentert 	i Figur 	6.5, som 	
sammenlikner fordelingene av effektivitetsscorer per politidistrikt beregnet ved StoNED, modell-
spesifikasjon 	S2 	og kostnadsvariabelen fra hovedberegningen samt alternativ kostnadsvariabel. 	
Denne figuren illustrerer at selv om den alternative kostnadsvariabelen gir bredere fordelinger 
per politidistrikt, er rangeringen av politidistriktene uendret som følge av valget	 av kostnadsva-	
riabel.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	99	 	
 
Figur 	6.5 	Sammenlikning av fordelingen til	 effektivitetsscorer per politidistrikt, esti-	
mert med StoNED og modellspesifikasjon S2 	for	 a) 	kostnadsvariabel fra	 ho-	
vedberegning	en	 (ø.) 	og 	b) 	sensitivitetsberegningen	 med 	alternativ kostnads-	
variabel	 (n.)	 	
a) Hovedberegning	 	
 	
b) Sensi	tivitet	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.3	 	Robusthet for betydningen av omgivelsene for effektivitet	 	
Vi vil nå	 rapportere	 robustheten 	knyttet til våre analyser av omgivelsenes betydning for effektivi-	
tetsmålingen med fokus på variabelvalget	. Siden de kontekstuelle kjøringene med StoNED er re-	
lativt komplekse, har vi valgt 	isteden å bruke Simar og Wilsons tostegs	-DEA	. Grovso	rteringen i 	
variabelvalget 	for omgivelsene 	er redegjort for i delkapittel 	4.3	. I dette delkapittelet vil vi isteden-	
for vårt foretrukne utvalg	 av fire variabler 	basere oss på ti 	kontekstuelle variabler som ligger tet-	
tere på politiets Ressursallokeringsmodell (RAM).	 De ti variablene er:	 	
• 	Befolkningsandel i alderen 15 til 39 år	 	
• 	Landareal per innbygger

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	100	 	
 	
• 	Andelen av befolkningen som er uføretrygdede	 	
• 	Andelen av befolkningen som er første	- eller andregenerasjonsinnvandrere	 	
• 	Befolkningsandelen med mindre enn 60 prosent av OECD	-definert medianinntekt	 	
• 	Andelen av husholdningene som er trangbodde	 	
• 	Summen av barn med omsorgstiltak og barn med andre tiltak med mulig overlapp	 	
• 	Andelen av befolkningen som 	er skilt eller separert	 	
• 	Andelen av befolkningen som er kvinner	 	
• 	Registrert arbeidsledighetsrate	 	
Figur 	6.6 viser sammenhengen mellom effektivitetsscorene målt 	ved vårt foretrukne utvalg av 	
kontekstuelle variabel	 (hovedberegning) og med alternative kontekstuelle variabler 	inspirert av 	
RAM	-modellen 	(sensitivitet). 	Vi ser resultatene er 	svært	 like	 med en Pearson	-korrelasjon på	 0,991	 	
og 0,995 henholdsvis 	uten 	og med	 år- og månedsdummy	er.	 Med andre ord 	spiller det 	i praksis 	
liten	 rolle	 hvilket	 av utvalgene av kontekstuelle variabler man velger.	 Dette	 henger sammen med 	
at de 	sosioøkonomiske 	kontekstuelle variablene 	i praksis 	er 	høyt korrelerte med hverandre over 	
politidistrikter og fanger opp mye av det samme.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	101	 	
 
Figur 	6.6 	Sammenlikning mellom effektivitetsscorer i perioden 2016 til 2023 målt ved 
bruk av Simar og Wilsons tostegs	-DEA og modellspesifikasjon S2. Utvalget av 	
kontekstuelle variabler er basert på vårt utvalg i hovedberegningen og inspi-
rert av RAM	-modellen i sensit	ivitetsberegningene. Sammenlikningene er fore-	
tatt a) uten (ø.) og med (n.) årsdummyer	.* 	
a) Sammenlikning uten år	s- og månedsdummy	 	
 	
b) Sammenlikning 	med	 års- og månedsdummy	 	
 	
Merknad:	 Noen få p	redikerte bootstrap	-effektivitetsscorene 	som er	 negative	 er ekskludert av 	sammenstillingen	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
I Figur 	6.7 sammenlikner vi fordelingen av effektivitetsscorer per politidistrikt. Det framgår av 	
figuren at å inkludere de alternative kontekstuelle variablene 	gir 	omtrent	 samme 	rangering

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	102	 	
 
resultatene som i vår hovedspesifikasjon. Selv om den alternative modellen inklu	derer to flere 	
variabler enn vår hovedspesifikasjon, er 	ikke effektivitetsscorene markant høyere.	 Dette skyldes 	
trolig at de kontekstuelle variablene 	i den alternative spesifikasjonen 	er høyt korrelert med hver-	
andre	 på 	politidist	riktsnivå, samtidig 	som 	man ikke har tatt høyde for tidsvariabler eller utslagene 	
av koronapandemien.	 	
Figur 	6.7 	Sammenlikning av fordelingen til effektivitetsscorer i perioden 2016 til 2023, 
estimert med Simar og Wilsons tostegs	-DEA med våre foretrukne kontekstu-	
elle variabler (a og c) og alternative kontekstuelle variabler inspirert av RAM	-	
modellen (b og d), og uten	 (a og b) og med (c og d) årsdummyer	. 	
a) Utv	algte	 kontekstuelle variabler	 	
uten års	- og månedsdummyer	 	
b) Alternative	 kontekstuelle variabler	 	
uten års	- og månedsdummyer	 	
 	 	
c) 	Utvalgte kontekstuelle variabler	 	
med års	- og månedsdummyer	 	
d) Alternative kontekstuelle variabler	 	
med års	- og månedsdummyer	 	
 	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI	 	
6.4	 	Robusthet for effektivitets	- og 	teknologi	utviklingen	 	
Våre hovedresultater for utviklingen i beste praksis	, p	resentert i 	delkapittel 	5.4	, ga ikke en klar og 	
overbevisende indikasjon på den reelle utviklingen i beste praksis og dermed heller ikke 	produk-	
tivitetsutviklingen	. I våre 	intertemporale sensitivitetsanalyser har vi derfor valgt heller å fokusere 	
på effektivitetsutviklingen over tid.	 	
I våre hovedberegninger 	for effektivitetsutviklingen 	i seksjon	 5.4.2	 presenterte vi 	våre resultater 	
for utviklingen i kostnadseffektivitet over politidistrikter basert på StoNED	-rammeverket.	 I Figur 	
6.8 viser 	vi tilsvarende resultater	 basert på SFA, ordinær DEA og 	Simar og Wilsons 	tostegs	-DEA	. 	
Vi ser at selv om nivåene på effektivitetsscorene varierer, er 	rangeringene relativt like med Agde	r 	
blant de tilsynelatende mest effektive og Oslo blant de tilsynelatende minst effektive.	 For hvert 	
år er det	 imidlertid en del variasjoner i rangeringer mellom politidistriktene over 	metoder.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	103	 	
 
Figur 	6.8 	Utviklingen av gjennomsnittseffektiviteten per politidistrikt og år, målt ved 
SFA	 årlig (ø.)	, ordinær DEA	 årlig (i.m.) og	 Simar 	og 	Wilsons	 tostegs	-DEA	 (n.) 	
for alle år	 	
a) SFA	 	
 	
b) Ordinær DEA	 	
 	
c) Simar og Wilsons tostegs	-DEA	 	
 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	104	 	
 
Referanser	 	
Afriat, S. N. (1967). The Construction of Utility Functions from Expenditure Data. International 	
Economic Review, 8(1), 67	–77.	 	
Aigner, D. J., Lovell, C. K., & Schmidt, P. (1977). Formulation and Estimation of Stochastic Frontier 	
Production Function Models. Journal of Econometrics, 6(1), 21	–37.	 	
Alda, E., & Andonoska, L. (2024). Doing More with Less? Assessing the Cost Efficiency of US Local 	
Police Organizations. Applied Economics Letters, 31(18), 1808	–1812.	 	
Andersen, S. N. (2024). Does Policing Help or Hurt? Examining the Longitudinal Relationship be-	
tween Police Involvement and Delinquency in Norway. British Journal of Criminology, 64(2), 
308	–325.	 	
Anthun, K. S., Kittelsen, S. A. C., & Magnussen, J. (2016). 	Produktivitet i spesialisthelsetjenesten 	– 	
Working Paper 2016:7.	 	
Asmild, M., Paradi, J. C., & Pastor, J. T. (2012). DEA Based Models for Reallocations of Police Per-	
sonnel. OR Spectrum, 34, 921	–941.	 	
Badunenko, O., & Tauchmann, H. (2019). Simar and Wilson Two	-Stage Efficiency Analysis for 	
Stata. The Stata Journal, 19(4), 950	–988.	 	
Barros, C. P. (2007). Efficiency in Crime Prevention: A Study of Lisbon’s Police Precincts. Interna-	
tional Review of Applied Economics, 21, 687	–697.	 	
BDO, & Menon Economics (2017). Virksomhetsanalyse av Politi	- og lensmannsetaten. Oslo, 1. mai 	
2017.	 	
Bellman, R. (1957). Dynamic Programming. Princeton University Press.	 	
Benito, B., Martínez	-Córdoba, P.	-J., and Guillamón, M. D. (2021). 	Measurement and Determinants 	
of Efficiency in the Municipal Police Service. 	Evaluation and Program Planning, 85, 101904.	 	
Bjørkelo, B., Valland, T. D., Nordberg, T., & Damen, M. L. (2022). Ekte politiarbeid? Utvikling og 	
uttesting av et prestisjehierarki for politiarbeid. Tidsskrift for kjønnsforskning, (3	–4), 150	–	
165.	 	
Borge, L.	-E., Kråkenes, T., & Wold, M. F. (2022). 	Effektivitet i kommunale tjenester: Analyser for 	
2019	–2020. SØF	-rapport nr. 02/22.	 	
Charles, V., Aparicio, J., & Zhu, J. (2019). The Curse of Dimensionality of Decision	-Making Units: A 	
Simple Approach to Increase the Discriminatory Power of Data Envelopment Analysis. Eu-
ropean Journal of Operational Research, 279(3), 929	–940.	 	
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the Efficiency of Decision Making 	
Units. European Journal of Operational Research, 2(6), 429	–444.	 	
Daraio, C., & Simar, L. (2005). Introducing Environmental Variables in Nonparametric Frontier 	
Models: A Probabilistic Approach. Journal of Productivity.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	105	 	
 
Daraio, C., & Simar, L. (2007). Conditional Nonparametric Frontier Models for Convex and Non-	
convex Technologies: A Unifying Approach. Journal of Productivity Analysis, 28(1	–2), 13	–	
32.	 	
Diez	-Ticio, A., & Mancebon, M. J. (2002). The Efficiency of the Spanish Police Service: An Applica-
tion of the Multiactivity DEA Model. 	Applied Economics, 34(3), 351	–362.	 	
Direktoratet for forvaltning og økonomistyring (2022). Evaluering av nærpolitireformen 	– En vur-	
dering av resultater og effekter. 	DFØ	-rapport 2022:6.	 	
Domínguez, J. P., Sánchez, I. M. G., & Domínguez, L. R. (2015). 	Relationship between Police Effi-	
ciency and Crime Rate: A Worldwide Approach. European Journal of Law and Economics, 
39, 203	–223.	 	
Drake, L. M., & Simper, R. (2000). Productivity Estimation and the Size	-Efficiency Relationship in 	
English and Welsh Police Forces: An Application of Data Envelopment Analysis and Multiple 
Discriminant Analysis. International Review of Law and Economics, 2	0, 53	–73.	 	
Drake, L. M., & Simper, R. (2005a). Police Efficiency in Offences Cleared: An Analysis of English 	
“Basic Command Units”. International Review of Law and Economics, 25(2), 186	–208.	 	
Drake, L. M., & Simper, R. (2005b). The Measurement of Police Force Efficiency: An Assessment 	
of UK Home Office Policy. Contemporary Economic Policy, 23(4), 465	–482.	 	
Edvardsen, D. F., Førsund, F. R., & Kittelsen, S. A. C. (2010). Effektivitets	- og produktivitetsanalyser 	
på StatRes	-data. Frischsenteret. Rapport 2/2010.	 	
Elvik, R., Sogge, C. C., Lager, L., Amundsen, F. H., Pasning, L. T., Karlsen, R., & Fosli, K. (2012). 	
Assessing the Efficiency of Priorities for Traffic Law Enforcement in Norway. Accident Anal-
ysis and Prevention, 47, 146	–152.	 	
Eskelinen, J., & Kuosmanen, T. (2013). Intertemporal Efficiency Analysis of Sales Teams of a Bank: 	
Stochastic Semi	-Nonparametric Approach. Journal of Banking and Finance, 37(12), 5163	–	
5175.	 	
Farrell, M. J. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical 	
Society, 120, 253	–290.	 	
Farrell, M. J., & Fieldhouse, M. (1962). Estimating Efficient Production Functions under Increasing 	
Returns to Scale. Journal of the Royal Statistical Society, 125, 252	–267.	 	
Fekjær, S. B. (2018). Old and New Methods in Police Science. 	Nordisk politiforskning, årgang 4, 	
nr. 2	–2018, 104	–123.	 	
Finansdepartementet, Justis	- og beredskapsdepartementet og Politidirektoratet (2024). Kort og 	
spisset områdegjennomgang av økonomistyringen og budsjettsituasjonen i politiet. Ar-
beidsgrupperapport.	 	
Finstad, L. (2013). Politiblikket. Annen utgave, Oslo: Pax forlag.	 	
Finstad, L. (2018). Hva er politi. Oslo: Universitetsforlaget.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	106	 	
 
Flegl, M., & Gress, E. S. H. (2023). A Two	-Stage Data Envelopment Analysis Model for Investigating 	
the Efficiency of the Public Security in Mexico. Decision Analytics Journal, 6, 100181.	 	
Flaatten, S. (2024). Straff. Kap. 7 i Lomell, H. M., Skilbrei, M	-L, Kriminologi, 2. utgave. Universi-	
tetsforlaget, 157	–180.	 	
Førsund, F. R., & Kittelsen, S. A. C. (2019). 	Effektivitets	- og produktivitetsanalyse av norske ting-	
retter. Frisch Rapport 1/2019.	 	
Granér, R. (2014). Selvstendige sheriffer eller lojale byråkrater 	– om patruljerende politis yrkes-	
kultur. I Larsson, P., Gundhus, H. O. I., & Granèr, R. Innføring i politivitenskap (s. 134	–152). 	
Oslo: Cappelen Damm Akademisk.	 	
Gundhus, H. O. I., Skjevrak, P. E., & Wathne, C. T. (2022). 	False Reporting in the Norwegian Police: 	
Analyzing Counter	-Productive Elements in Performance Management Systems. Criminal 	
Justice Ethics, 41(3), 191	–214.	 	
Gundhus, H. O. I., Talberg, O. N., & Wathne, C. T. (2025). Negotiating Digital Traces: The Epistemic 	
Power of Recorded Police Data. Nordic Journal of Science and Technology Studies, 13(1).	 	
Hanson, T. (2016). Efficiency and Productivity in the Operational Units of the Armed Forces: A 	
Norwegian Example. International Journal of Production Economics, 179, 12	–23.	 	
Hanson, T. (2019). Estimating Output Mix Effectiveness: An Applied Scenario Approach for the 	
Armed Forces. Omega, 83, 39	–49.	 	
Hestehave, N. K. (2021). Coppers Chasing Usual Suspects: An Embedded Search for a Proactive 	
Police Performance and the Detective Métier. Research Output: PhD Thesis. Department of 
Sociology and Social Work. Aalborg Universitetsforlag.	 	
Holgersson, S., & Knutsson, J. (2011). Polisens arbete mot narkotika. Rikspolisstyrelsens utvärder-	
ingsfunktion. Rapport 2011:1.	 	
Holmen, R. B., Hoel	-Holt, A. S., Kittelsen, S. A. C., Rødseth, K. L., Allvin, A., & Ellingsen, D. (2026a). 	
Effektiviteten i politiet: Oversiktsrapport om sektorens effektivitetsutvikling. Vista Analyse 
Rapport 2026/6.	 	
Holmen, R. B., Hoel	-Holt, A. S., Kittelsen, S. A. C., Rødseth, K. L., Allvin, A., & Ellingsen, D. (2026b). 	
Kostnadsvariasjoner i politiet: En undersøkelse av effektiviteten i politidistriktenes produk-
sjonsinnsats. Vista Analyse Rapport 2026/4.	 	
Holmen, R. B., Hoel	-Holt, A. S., Kittelsen, S. A. C., Rødseth, K. L., Allvin, A., & Ellingsen, D. (2026c). 	
Tilrettelegging for effektivitetsmåling i politisektoren	. Teknisk rapport om data og metodikk. 	
Vista Analyse Rapport 2026/5.	 	
Jondrow, J., Lovell, C. K., Materov, I. S., & Schmidt, P. (1982). 	On the Estimation of Technical Inef-	
ficiency in the Stochastic Frontier Production Function Model. Journal of Econometrics, 
19(2	–3), 233	–238.	 	
Justis	- og beredskapsdepartementet (2022). Tildelingsbrev 2022 	– Politiet.	 	
Kittelsen, S. A. C. (2023). Produktivitets	- og effektivitetsanalyser i helsesektoren. Magma, 26	 	
(5/2023).

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	107	 	
 
Kittelsen, S. A. C., & Førsund, F. R. (1992). Efficiency Analysis of Norwegian District Courts. 	Journal 	
of Productivity Analysis, 3(3), 277	–306.	 	
Knutsson, J. (2013). Måling av effektivitet i etterforskning. Delrapport i Etterforskningsprosjektet. 	
PHS Forskning 2013:3. Politihøgskolen.	 	
Kuosmanen, T. (2006). Stochastic Nonparametric Envelopment of Data: Combining Virtues of SFA 	
and DEA in a Unified Framework. MTT Discussion Paper No. 3/2006.	 	
Kuosmanen, T., & Kortelainen, M. (2012). Stochastic Non	-Smooth Envelopment of Data: Semi	-	
Parametric Frontier Estimation Subject to Shape Constraints. Journal of Productivity Analy-
sis, 38(1), 11	–28.	 	
Lagestad, P. (2011). ”Fysisk Styrke eller Bare Prat”: Om Kjønn, Fysisk Trening og Ordenstjeneste i 	
Politiet. Doktoravhandling. Norges Idrettshøgskole.	 	
Levinsohn, J., & Petrin, A. (2003). Estimating Production Functions Using Inputs to Control for 	
Unobservables. The Review of Economic Studies, 70(2), 317	–341.	 	
Lipsky, M. (2010). Street	-Level Bureaucracy: Dilemmas of the Individual in Public Services. Amer-	
ican Political Science Association, 76(1), 1	–275.	 	
Lundgaard, J. M. (2021). Nød og Neppe 	– Fra Anrop til Beslutning ved Politiets Operasjonssentral. 	
Universitetsforlaget.	 	
Meeusen, W., & van Den Broeck, J. (1977). Efficiency Estimation from Cobb	-Douglas Production 	
Functions with Composed Error. International Economic Review, 435	–444.	 	
Newbold, P., Carlson, W. L., & Thorne, B. M. (2022). Statistics for Business and Economics. Eighth 	
Edition. Pearson.	 	
NOU (2013: 9). Ett politi 	– rustet til å møte fremtidens utfordringer. Politianalysen. Utredning fra 	
et utvalg oppnevnt av Justis	- og beredskapsdepartementet 8. november 2012. Avgitt til Jus-	
tis	- og beredskapsdepartementet 19. juni 2013.	 	
Olley, G. S., & Pakes, A. (1996). The Dynamics of Productivity in the Telecommunications Equip-	
ment Industry. 	Econometrica, 64, 1263	–1297.	 	
Politidirektoratet (2020). I forkant av kriminaliteten 	– Forebygging som politiets hovedstrategi 	
(2021	-2025). POD Publikasjon: 2020/10.	 	
Politidirektoratet (2024). Dokumentasjon av ressursallokeringsmodell 2.0. POD	-MEMO 1/2024.	 	
Reiner, R. (2010). 	The Politics of the Police. 	Oxford University Press.	 	
Riksadvokaten (2019). Kvalitetskrav til straffesaksbehandlingen i politiet og ved statsadvokatem	-	
betene mv. (Kvalitetsrundskrivet). Rundskriv fra Riksadvokaten. 201801223. 820.4.Rund-
skriv nr. 3/2018. 8. november 2018. Rev. 21. februar 2019.	 	
Riksadvokaten (2023). Mål og prioriteringer for straffesaksbehandlingen i 2023. Rundskriv nr. 	
1/2023.	 	
Riksrevisjonen (2000). Riksrevisjonens undersøkelse vedrørende måloppnåelse i politi	- og lens-	
mannsetaten. Oslo.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	108	 	
 
Riksrevisjonen (2022). Riksrevisjonens undersøkelse av politi	- og lensmannsetatens måloppnå-	
else på sentrale oppgaver. Dokument 3:7 (2021	-2022).	 	
Rødseth, K. L., Førsund, F., Holmen, R. B., & Kittelsen, S. A. C. (2022). Forbedringspotensial ved 	
måling av effektivitet i kommunal sektor. TØI Rapport 1879/2022.	 	
Rødseth, K. L., Holmen, R. B., Førsund, F. R., & Kittelsen, S. A. C. (2019). Effektivitet og produktivi-	
tet i norsk veibygging 2007	–2016. Concept Rapport nr. 57. Trondheim: Norges teknisk	-na-	
turvitenskapelige universitet.	 	
Rødseth, K. L., Holmen, R. B., Kuosmanen, T., & Schøyen, H. (2023). Market Access and Seaport 	
Efficiency: The Case of Container Handling in Norway. 	Journal of Shipping and Trade, 8(1), 	
8. 	
Rødseth, K. L., Kuosmanen, T., & Holmen, R. B. (2025). Mitigating Simultaneity Bias in Seaport 	
Efficiency Measurement. Transportation Research Part A: Policy and Practice, 192, 104333.	 	
Schmidt, P., & Sickles, R. C. (1984). Production Frontiers and Panel Data. Journal of Business & 	
Economic Statistics, 2(4), 367	–374.	 	
Simar, L., & Wilson, P. W. (1998). Sensitivity Analysis of Efficiency Scores: How to Bootstrap in 	
Non	-Parametric Frontier Models. Management Science, 44, 49	–61.	 	
Simar, L., & Wilson, P. W. (1999). Estimating and Bootstrapping Malmquist Indices. European 	
Journal of Operations Research, 115(3), 459	–471.	 	
Simar, L., & Wilson, P. W. (2000). Statistical Inference in Nonparametric Frontier Models: The 	
State of the Art. Journal of Productivity Analysis, 13, 49	–78.	 	
Simar, L., & Wilson, P. W. (2007). Estimation and Inference in Two	-Stage, Semi	-Parametric Models 	
of Production Processes. Journal of Econometrics, 136(1), 31	–64.	 	
Skatteetaten (2025). Fremtidens innkreving. Hentet 10.	 april 	2025. URL: 	https://www.skattee-	
taten.no/om	-skatteetaten/fremtidens	-innkreving/	 	
Stevenson, R. E. (1980). Likelihood Functions for Generalized Stochastic Frontier Estimation. Jour-	
nal of Econometrics, 13(1), 57	–66.	 	
Sætre, M., & Grytdal, V. (2012). Voldtekt i den globale byen 2011: Anmeldelser og medieoppslag. 	
Oslo: Politiet, Oslo politidistrikt.	 	
Sørli, V. L., & Larsson, P. (red.) (2018). Politireformer: Idealer, realiteter, retorikk og praksis. Cap-	
pelen Damm Akademisk.	 	
Thanassoulis, E. (1995). Assessing Police Forces in England and Wales Using Data Envelopment 	
Analysis. European Journal of Operational Research, 87(3), 641	–657.	 	
Van Beveren, I. (2012). Total Factor Productivity Estimation: A Practical Review. Journal of Eco-	
nomic Surveys, 26(1), 98	–128.	 	
Vestby, A. (2014). Politi og mening: Om politiets sosiale rolle, synlighet og lokale forankring. 	
Tidsskriftet Materialisten, 3	–2014.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	109	 	
 
Wathne, C. T. (2015). 	Som å bli fremmed i eget hus: Politiets opplevelse av mening og motivasjon 	
i lys av nye styringssystemer. PhD i kriminologi. Det juridiske fakultet, UiO 2015.	 	
Winnæss, P. (2023). Fra praktiske ferskinger til ferske praktikere: Om kunnskap, kultur og identitet 	
i politiutdanningen. Tidsskrift for samfunnsforskning, 64(3), 230	–248.	 	
Winnæss, P., Damen, M.	-L., & Thomassen, G. (2020). 	Understanding Learning Preferences and 	
Career Aspirations of Norwegian Police Students in a Comparative Perspective. I Bjørgo, T., 
& Damen, M.	-L. (Red.), The Making of a Police Officer: Comparative Perspectives on Police 	
Education and Recruitment. Routledg	e, 111	–140.	 	
Wooldridge, J. M. (2013). Econometric Analysis of Cross Section and Panel Data. EMEA Edition. 	
MIT Press.	 	
Wu, T. H., Chen, M. S., & Yeh, J. Y. (2010). Measuring the Performance of Police Forces in Taiwan 	
Using Data Envelopment Analysis. Evaluation and Program Planning, 33(3), 246	–254.

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	110	 	
 	
 	
Appendikser

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	111	 	
 
A.	 Appendiks	: Oppdrags	vekting	 	
I dette appendikset presenter	er vi fullstendige 	regresjonsresultater tilhørende ressursvekting av 	
politioppdrag tilknyttet Politioperativt system (PO)	 i Tabell 	A.1, som	 er redegjort for i 	seksjon 	
4.2.1	. 	
Tabell 	A.1 	Fulle regresjonsresultater for Modell PO.2 i vekting av oppdrag 2016	 til 	2023. 	
Antall ressurser er 	den 	avhengig	e variabel	en.	 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
Total	 	2,788,077	 	 1.674 	 	 	 	 	 	Konstantledd	 	 	 	 	0.997	 	 *** 	 	0.003 	 	
Prioritet	 	 	 	 	 	 	 	
1 	165,511	 	 3.495 	 	 	1.214	 	 *** 	 	0.004 	 	2 	1,254,970	 	 1.726 	 	 	0.208	 	 *** 	 	0.002 	 	3 	1,241,431	 	 1.370 	 	 	(referanse)	 	Alarm	 	2,664	 	 4.918 	 	 	2.382	 	 *** 	 	0.025 	 	Ingen	 	123,501	 	 1.695 	 	 	0.060	 	 *** 	 	0.004 	 	
År 	 	 	 	 	 	 	
2016	 	411,788	 	 1.492 	 	 	(referanse)	 	2017	 	383,710	 	 1.562 	 	 	0.009	 	 ** 	0.003 	 	2018	 	343,565	 	 1.679 	 	 	0.037	 	 *** 	 	0.003 	 	2019	 	334,560	 	 1.698 	 	 	0.043	 	 *** 	 	0.003 	 	2020	 	324,880	 	 1.739 	 	 	0.191	 	 *** 	 	0.003 	 	2021	 	322,528	 	 1.749 	 	 	0.208	 	 *** 	 	0.003 	 	2022	 	334,699	 	 1.751 	 	 	0.183	 	 *** 	 	0.003 	 	2023	 	332,347	 	 1.787 	 	 	0.175	 	 *** 	 	0.003 	 	
Samtaleklassifisering	 	 	 	 	 	 	 	
Ikke registrert	 	846,827	 	 1.506 	 	 	(referanse)	 	02800	 	814,337	 	 1.497 	 	 	-0.042	 	 *** 	 	0.002 	 	112	 	689,324	 	 1.928 	 	 	0.096	 	 *** 	 	0.002 	 	Alle andre innkomne samtaler	 	437,124	 	 1.930 	 	 	0.037	 	 *** 	 	0.002 	 	Tetra individanrop	 	42 	 1.357 	 	 	-0.029	 	 	0.167 	 	Tetra nødalarm	 	423	 	 1.300 	 	 	-0.065	 	 	0.062 	 	
Bevepnet	 	 	 	 	 	 	 	
Nei	 	2,729,825	 	 1.611 	 	 	(referanse)	 	Ja 	58,252	 	 4.652 	 	 	2.041	 	 *** 	 	0.006 	 	
Hovedforholdets art	 	 	 	 	 	 	 	
TRAFIKK DIVERSE	 	164,742	 	 1.296 	 	 	(referanse)	 	11X MISBRUK	 	813	 	 1.641 	 	 	0.186	 	 *** 	 	0.036 	 	ADFERDSKONTROLL	 	1,875	 	 1.380 	 	 	0.236	 	 *** 	 	0.024 	 	ADVOKATBESØK/BISTAND	 	2 	 2.000 	 	 	0.815	 	 	0.720 	 	ALARM DIVERSE	 	11,257	 	 1.412 	 	 	-0.004	 	 	0.010 	 	ALKOHOLLOVEN	 	287	 	 1.206 	 	 	0.027	 	 	0.060 	 	ALPIN	-BRE	-GROTTE	 	5 	 3.000 	 	 	1.396	 	 ** 	0.455 	 	ALPINE ULYKKER	 	19 	 3.684 	 	 	1.808	 	 *** 	 	0.234 	 	AMBASSADE/DIPLOMATI	 	148	 	 1.642 	 	 	-0.129	 	 	0.084 	 	ARBEIDSMARKEDSKRIMINALITET	 	124	 	 1.403 	 	 	0.195	 	 * 	0.091 	 	ARBEIDSMILJØLOVEN	 	277	 	 1.170 	 	 	-0.047	 	 	0.061 	 	ARBEIDSULYKKE	 	986	 	 1.886 	 	 	0.446	 	 *** 	 	0.033 	 	ARBEIDSULYKKE M	./PERSONSKADE/DØ	 	2,172	 	 2.104 	 	 	0.522	 	 *** 	 	0.022 	 	ARRANGEMENT	 	10,482	 	 2.656 	 	 	0.935	 	 *** 	 	0.010 	 	ASSISTANSE FARTØY	 	16 	 1.625 	 	 	0.274	 	 	0.254 	 	ASSISTANSE PERSON	 	404	 	 1.938 	 	 	0.527	 	 *** 	 	0.051 	 	ASYL TERRITORIAL KONTROLL	 	757	 	 1.774 	 	 	-0.054	 	 	0.037 	 	ATK	 	110	 	 1.173 	 	 	-0.041	 	 	0.097 	 	AVHENTING	 	2,562	 	 1.243 	 	 	0.084	 	 *** 	 	0.020 	 	AVLIVNING AV DYR	 	123	 	 1.285 	 	 	0.052	 	 	0.092 	 	AVSKILTING	 	7,838	 	 1.026 	 	 	-0.104	 	 *** 	 	0.012 	 	AVVIK ATB	 	1 	 1.000 	 	 	-0.066	 	 	1.018 	 	AVVIK RESPONSTID	 	3 	 1.667 	 	 	0.108	 	 	0.588 	 	BACKUPSENTRAL	 	5 	 1.000 	 	 	-0.213	 	 	0.455 	 	BARNEVERN DIVERSE	 	5,405	 	 1.253 	 	 	0.087	 	 *** 	 	0.014 	 	BARNEVERNSLOVEN	 	1,832	 	 1.162 	 	 	0.084	 	 *** 	 	0.024

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	112	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
BEDRAGERI DIVERSE	 	2,887	 	 1.216 	 	 	-0.052	 	 ** 	0.019 	 	BEDRAGERI HOTELL	 	62 	 1.274 	 	 	0.014	 	 	0.129 	 	BEDRAGERI RESTAURANT	 	228	 	 1.158 	 	 	-0.154	 	 * 	0.067 	 	BEDRAGERI TAXI	 	2,220	 	 1.171 	 	 	-0.095	 	 *** 	 	0.022 	 	BEFOLKNINGSEVAKUERING	 	37 	 2.108 	 	 	0.702	 	 *** 	 	0.167 	 	BEITEKONFLIKT	 	24 	 1.333 	 	 	0.106	 	 	0.208 	 	BEKYMRINGSMELDING	 	17,572	 	 1.716 	 	 	0.347	 	 *** 	 	0.008 	 	BENSINLEKKASJE	 	19 	 1.842 	 	 	0.594	 	 * 	0.233 	 	BEREDSKAPSØVELSER	 	728	 	 2.081 	 	 	0.824	 	 *** 	 	0.038 	 	BERUSET PERSON	 	55,234	 	 1.295 	 	 	0.017	 	 ** 	0.005 	 	BERUSET UNDER 18	 	3,743	 	 1.365 	 	 	0.076	 	 *** 	 	0.017 	 	BESLAG	 	1,101	 	 1.223 	 	 	0.046	 	 	0.031 	 	BESLAG AV FØRERKORT	 	17,861	 	 1.103 	 	 	-0.088	 	 *** 	 	0.008 	 	BESLUTNINGER DIVERSE	 	242	 	 1.517 	 	 	0.338	 	 *** 	 	0.065 	 	BESØKS	-/KONTAKTFORBUD	 	1,172	 	 1.237 	 	 	0.037	 	 	0.030 	 	BESØKS	-/KONTAKTFORBUD BRUDD	 	3,828	 	 1.484 	 	 	0.064	 	 *** 	 	0.017 	 	BILÅPNING	 	341	 	 1.065 	 	 	0.003	 	 	0.055 	 	BISTAND ANNET POLITIDISTRIKT	 	9,004	 	 1.483 	 	 	0.211	 	 *** 	 	0.011 	 	BISTAND BARNEVERNET	 	8,433	 	 1.664 	 	 	0.398	 	 *** 	 	0.011 	 	BISTAND BRANNVESEN	 	444	 	 1.676 	 	 	0.395	 	 *** 	 	0.048 	 	BISTAND DIVERSE	 	14,333	 	 1.310 	 	 	0.094	 	 *** 	 	0.009 	 	BISTAND FORSVARET	 	119	 	 1.546 	 	 	0.151	 	 	0.093 	 	BISTAND FYLKESMANNEN	 	12 	 1.333 	 	 	0.114	 	 	0.294 	 	BISTAND HELSEVESEN	 	64,398	 	 2.086 	 	 	0.634	 	 *** 	 	0.005 	 	BISTAND KYSTVAKTEN	 	61 	 1.525 	 	 	0.200	 	 	0.130 	 	BISTAND MATTILSYNET	 	679	 	 1.247 	 	 	0.067	 	 * 	0.039 	 	BISTAND NAMSMANNEN	 	841	 	 1.454 	 	 	0.140	 	 *** 	 	0.035 	 	BISTAND SKATTEETATEN	 	64 	 1.359 	 	 	0.157	 	 	0.127 	 	BISTAND SPES.TRANSPORT	 	239	 	 1.243 	 	 	0.041	 	 	0.066 	 	BISTAND TIL FRAVIKELSE	 	65 	 1.431 	 	 	0.072	 	 	0.126 	 	BISTAND TOLLVESENET	 	2 	 1.500 	 	 	0.082	 	 	0.720 	 	BISTAND UTENLANDSMYNDIGHET	 	12 	 2.333 	 	 	1.093	 	 *** 	 	0.294 	 	BISTAND VEGTRAF.SENT.	 	30 	 1.433 	 	 	0.237	 	 	0.186 	 	BISTAND VEGVESEN	 	204	 	 1.255 	 	 	0.051	 	 	0.071 	 	BISTANDSANMODNINGER	 	185	 	 1.481 	 	 	0.239	 	 ** 	0.075 	 	BLOTTING	 	1,340	 	 1.419 	 	 	0.071	 	 * 	0.028 	 	BOMBESØK	 	9 	 4.000 	 	 	1.891	 	 *** 	 	0.339 	 	BOMBETRUSSEL SPESIFIKK	 	28 	 4.179 	 	 	1.467	 	 *** 	 	0.192 	 	BOMBETRUSSEL USPESIFIKK	 	86 	 2.372 	 	 	0.504	 	 *** 	 	0.110 	 	BORTFØRING AV BARN	 	43 	 2.209 	 	 	0.832	 	 *** 	 	0.155 	 	BORTVIS. YTTERGRENSEKONTROLL	 	2 	 1.000 	 	 	-0.380	 	 	0.720 	 	BORTVIST TERRITORIAL KONTROLL	 	2,003	 	 1.070 	 	 	-0.256	 	 *** 	 	0.023 	 	BRANN DIVERSE	 	21,087	 	 2.347 	 	 	0.794	 	 *** 	 	0.008 	 	BRANN I BLOKK/BYGÅRD	 	2,187	 	 4.247 	 	 	2.161	 	 *** 	 	0.022 	 	BRANN I BYGNING	 	8,749	 	 3.701 	 	 	1.618	 	 *** 	 	0.011 	 	BRANN I ENEBOLIG	 	2,888	 	 3.480 	 	 	1.466	 	 *** 	 	0.019 	 	BRANN I FARTØY	 	445	 	 3.196 	 	 	1.271	 	 *** 	 	0.048 	 	BRANN I FLERMANNSBOLIG	 	306	 	 4.065 	 	 	1.953	 	 *** 	 	0.058 	 	BRANN I FRITIDSBOLIG	 	362	 	 3.224 	 	 	1.205	 	 *** 	 	0.054 	 	BRANN I FRITIDSBÅT	 	214	 	 3.238 	 	 	1.312	 	 *** 	 	0.070 	 	BRANN I GRESS/LYNG	 	2,055	 	 2.300 	 	 	0.704	 	 *** 	 	0.023 	 	BRANN I INSTITUSJON	 	389	 	 3.486 	 	 	1.601	 	 *** 	 	0.052 	 	BRANN I KJØRETØY	 	6,376	 	 2.990 	 	 	1.173	 	 *** 	 	0.013 	 	BRANN I MOTORREDSKAP	 	104	 	 2.327 	 	 	0.671	 	 *** 	 	0.100 	 	BRANN I NATUR	 	434	 	 2.424 	 	 	0.811	 	 *** 	 	0.049 	 	BRANN I NÆRINGSBYGG	 	495	 	 3.471 	 	 	1.491	 	 *** 	 	0.046 	 	BRANN I PIPE	 	498	 	 2.024 	 	 	0.551	 	 *** 	 	0.046 	 	BRANNALARM BEDRIFT	 	1,308	 	 1.925 	 	 	0.416	 	 *** 	 	0.028 	 	BRANNALARM BOLIG	 	2,008	 	 2.322 	 	 	0.782	 	 *** 	 	0.023 	 	BRANNALARM DIVERSE	 	1,584	 	 1.967 	 	 	0.534	 	 *** 	 	0.026 	 	BRANNALARM INSTITUSJON	 	1,008	 	 2.014 	 	 	0.501	 	 *** 	 	0.032 	 	BRUK AV UREGISTRERT MOTORVOGN	 	577	 	 1.338 	 	 	0.077	 	 * 	0.042 	 	BRUKSFORBUD	 	8,825	 	 1.066 	 	 	-0.038	 	 ** 	0.011 	 	BÅLBRENNING	 	1,911	 	 1.513 	 	 	0.225	 	 *** 	 	0.023 	 	BÅT TIL RETTE	 	185	 	 1.481 	 	 	0.196	 	 ** 	0.075 	 	BÆRING AV KNIV PÅ OFF.	 STED	 	2,223	 	 2.093 	 	 	0.224	 	 *** 	 	0.022 	 	CASUALS	 	10 	 4.300 	 	 	2.609	 	 *** 	 	0.322 	 	CBRNE	 	133	 	 4.481 	 	 	2.516	 	 *** 	 	0.088

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	113	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
DEMONSTRASJON IKKE MELDT	 	578	 	 3.574 	 	 	2.087	 	 *** 	 	0.042 	 	DEMONSTRASJON MELDT	 	1,510	 	 4.115 	 	 	2.706	 	 *** 	 	0.026 	 	DIESELLEKKASJE	 	128	 	 1.828 	 	 	0.489	 	 *** 	 	0.090 	 	DISTRIKTSALARM	 	11 	 2.091 	 	 	0.573	 	 * 	0.307 	 	DISTRIKTSVARSLING	 	146	 	 1.473 	 	 	0.319	 	 *** 	 	0.084 	 	DNA REGISTRERING	 	848	 	 1.092 	 	 	-0.047	 	 	0.035 	 	DOK.FALSK DIVERSE	 	768	 	 1.234 	 	 	0.029	 	 	0.037 	 	DOKUMENTKONTROLL	 	299	 	 1.164 	 	 	0.004	 	 	0.059 	 	DOPINGMIDLER BRUK	 	28 	 1.071 	 	 	-0.125	 	 	0.192 	 	DOPINGMIDLER INNFØRSEL	 	146	 	 1.185 	 	 	0.004	 	 	0.084 	 	DRAP	 	32 	 10.594 	 	 	6.240	 	 *** 	 	0.180 	 	DRIKKING OFF. STED	 	1,654	 	 1.108 	 	 	-0.077	 	 ** 	0.025 	 	DRIVENDE OBJEKT	 	61 	 1.672 	 	 	0.306	 	 * 	0.130 	 	DRONE	 	726	 	 1.280 	 	 	-0.086	 	 * 	0.038 	 	DRUKNINGSULYKKE	 	173	 	 4.480 	 	 	2.079	 	 *** 	 	0.078 	 	DYKKERULYKKE	 	20 	 4.150 	 	 	2.040	 	 *** 	 	0.228 	 	DYR DIVERSE	 	10,212	 	 1.179 	 	 	-0.004	 	 	0.010 	 	DYREVELFERD	 	2 	 1.000 	 	 	-0.234	 	 	0.720 	 	DØDSFALL	 	8,207	 	 2.036 	 	 	0.620	 	 *** 	 	0.012 	 	DØRÅPNING	 	244	 	 1.770 	 	 	0.141	 	 * 	0.065 	 	EKSPLOSIVER DIVERSE	 	1,014	 	 1.715 	 	 	0.399	 	 *** 	 	0.032 	 	ETTERFORSKNING DIVERSE	 	18,984	 	 1.248 	 	 	0.041	 	 *** 	 	0.008 	 	ETTERLYST KJØRETØY	 	1,463	 	 1.762 	 	 	0.487	 	 *** 	 	0.027 	 	ETTERLYST PERSON	 	6,205	 	 1.486 	 	 	0.214	 	 *** 	 	0.013 	 	EVAKUERINGSSENTER	 	44 	 2.045 	 	 	0.630	 	 *** 	 	0.153 	 	FALSK FØRERKORT	 	31 	 1.226 	 	 	0.052	 	 	0.183 	 	FALSK IDENTITETSPAPIR	 	563	 	 1.153 	 	 	-0.022	 	 	0.043 	 	FALSK KJENNETEGN	 	605	 	 1.393 	 	 	0.163	 	 *** 	 	0.041 	 	FALSK PASS	 	6 	 1.500 	 	 	0.359	 	 	0.415 	 	FALSK PERSONALIA	 	245	 	 1.200 	 	 	-0.001	 	 	0.065 	 	FALSK RESEPT	 	7 	 1.143 	 	 	-0.168	 	 	0.385 	 	FALSKE PENGER	 	268	 	 1.142 	 	 	-0.012	 	 	0.062 	 	FAMILIEFORHOLD	 	8,396	 	 1.607 	 	 	0.140	 	 *** 	 	0.011 	 	FAMILIEVOLD	 	2,781	 	 2.018 	 	 	0.430	 	 *** 	 	0.019 	 	FARLIG GODS	 	27 	 2.630 	 	 	0.981	 	 *** 	 	0.196 	 	FARLIG PERSON	 	9 	 3.556 	 	 	-0.147	 	 	0.339 	 	FAUNAKRIMINALITET	 	79 	 1.177 	 	 	0.029	 	 	0.115 	 	FEILPARKERING	 	2,244	 	 1.149 	 	 	0.007	 	 	0.022 	 	FJELLREDNING	 	128	 	 2.492 	 	 	0.967	 	 *** 	 	0.090 	 	FLOM	 	70 	 1.857 	 	 	0.433	 	 *** 	 	0.122 	 	FLOMSKADE	 	14 	 1.500 	 	 	0.263	 	 	0.272 	 	FLOMVARSEL	 	3 	 1.000 	 	 	-0.165	 	 	0.588 	 	FLÅTEBESØK	 	3 	 2.333 	 	 	-0.562	 	 	0.588 	 	FOREBYGGE NARK.KRIM	 	805	 	 1.334 	 	 	0.217	 	 *** 	 	0.036 	 	FOREBYGGE PROBLEMOMRÅDER	 	8,432	 	 1.396 	 	 	0.242	 	 *** 	 	0.011 	 	FOREBYGGE SEDELIGHETSKRIM	 	38 	 1.447 	 	 	0.303	 	 * 	0.165 	 	FOREBYGGE VOLDSKRIM	 	666	 	 2.051 	 	 	0.721	 	 *** 	 	0.040 	 	FOREBYGGENDE OPPFØLGING	 	855	 	 1.249 	 	 	0.076	 	 * 	0.035 	 	FOREBYGGENDE SAK PILOT	 	3 	 1.000 	 	 	-0.117	 	 	0.588 	 	FOREBYGGING DIVERSE	 	19,303	 	 1.255 	 	 	0.009	 	 	0.008 	 	FORENKLET FORELEGG	 	891	 	 1.101 	 	 	-0.085	 	 * 	0.034 	 	FORFØLGELSE KJØRETØY	 	1,556	 	 3.775 	 	 	2.259	 	 *** 	 	0.026 	 	FORKYNNE BESØKS	-/KONTAKTFORBUD	 	2,951	 	 1.207 	 	 	0.037	 	 * 	0.019 	 	FORKYNNELSE	 	6,075	 	 1.080 	 	 	-0.011	 	 	0.013 	 	FORKYNNELSE DOM	 	419	 	 1.091 	 	 	-0.069	 	 	0.050 	 	FORKYNNELSE FORELEGG	 	1,069	 	 1.074 	 	 	-0.047	 	 	0.031 	 	FORKYNNELSE IKKE MØTT MILITÆRE	 	2 	 1.500 	 	 	0.477	 	 	0.720 	 	FORKYNNELSE KJENNELSE	 	293	 	 1.140 	 	 	0.005	 	 	0.060 	 	FORKYNNELSE STEVNING	 	1,074	 	 1.105 	 	 	0.009	 	 	0.031 	 	FORSTYRRELSE AV NATTEROEN	 	35,750	 	 1.180 	 	 	-0.136	 	 *** 	 	0.006 	 	FORULEMPING AV OFF. TJ.MANN	 	1,160	 	 1.797 	 	 	0.486	 	 *** 	 	0.030 	 	FORURENSINGSLOVEN	 	453	 	 1.430 	 	 	0.199	 	 *** 	 	0.048 	 	FREMSTILLING DIVERSE	 	2,032	 	 1.290 	 	 	0.124	 	 *** 	 	0.023 	 	FREMSTILLING LEGE	 	19,596	 	 1.384 	 	 	0.176	 	 *** 	 	0.008 	 	FREMSTILLING POLITIAVHØR	 	897	 	 1.280 	 	 	0.107	 	 ** 	0.034 	 	FREMSTILLING RETTEN	 	10,702	 	 1.449 	 	 	0.234	 	 *** 	 	0.010 	 	FREMSTILLING SIGNALERING	 	52 	 1.096 	 	 	-0.026	 	 	0.141 	 	FRIHETSBERØVELSE	 	80 	 3.675 	 	 	1.463	 	 *** 	 	0.114

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	114	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
FUNN AV MISTENKELIG GJENSTAND	 	263	 	 1.920 	 	 	0.502	 	 *** 	 	0.063 	 	FYRVERKERI	 	2,675	 	 1.342 	 	 	0.020	 	 	0.020 	 	GATEMUSIKANT	 	81 	 1.086 	 	 	-0.040	 	 	0.113 	 	GEBYR	 	117	 	 1.026 	 	 	-0.125	 	 	0.094 	 	GISSELSITUASJON	 	10 	 5.600 	 	 	2.643	 	 *** 	 	0.322 	 	GJELDSORDNINGSSAKER	 	1 	 1.000 	 	 	-0.476	 	 	1.018 	 	GJENINNFØRING AV GRENSEKONTRO	LL 	2,785	 	 1.083 	 	 	-0.346	 	 *** 	 	0.020 	 	GROVT 	TYVERI AUTOMAT	 	10 	 1.700 	 	 	0.487	 	 	0.322 	 	GROVT 	TYVERI BARNEHAGE	 	10 	 1.400 	 	 	0.228	 	 	0.322 	 	GROVT 	TYVERI BEDRIFT	 	1,082	 	 1.404 	 	 	0.129	 	 *** 	 	0.031 	 	GROVT 	TYVERI BOD	 	140	 	 1.293 	 	 	0.029	 	 	0.086 	 	GROVT 	TYVERI BOLIG	 	816	 	 1.325 	 	 	0.076	 	 * 	0.036 	 	GROVT 	TYVERI BUTIKK	 	277	 	 1.448 	 	 	0.100	 	 	0.061 	 	GROVT 	TYVERI BÅT	 	57 	 1.316 	 	 	0.036	 	 	0.135 	 	GROVT 	TYVERI DIVERSE	 	418	 	 1.333 	 	 	0.036	 	 	0.050 	 	GROVT 	TYVERI FRITIDSBOLIG	 	139	 	 1.173 	 	 	0.033	 	 	0.086 	 	GROVT 	TYVERI GARASJE	 	120	 	 1.283 	 	 	0.048	 	 	0.093 	 	GROVT 	TYVERI KJØRETØY	 	473	 	 1.381 	 	 	0.136	 	 ** 	0.047 	 	GROVT 	TYVERI PERSON OFF. STED	 	127	 	 1.614 	 	 	0.248	 	 ** 	0.090 	 	GROVT 	TYVERI SKOLE	 	37 	 1.270 	 	 	0.070	 	 	0.167 	 	GROVT 	TYVERI VÅPEN/AMMUNISJON	 	5 	 1.400 	 	 	-0.296	 	 	0.455 	 	GRAVETILLATELSE	 	1 	 1.000 	 	 	-0.016	 	 	1.018 	 	GRENSEKONTROLL KYSTVAKTEN	 	11 	 1.000 	 	 	-0.146	 	 	0.307 	 	GRENSEKONTROLL LAND	 	5,410	 	 3.123 	 	 	1.000	 	 *** 	 	0.014 	 	GRENSEKONTROLL LUFT	 	2,297	 	 1.136 	 	 	-0.039	 	 * 	0.021 	 	GRENSEKONTROLL SJØ	 	5,928	 	 1.092 	 	 	-0.187	 	 *** 	 	0.014 	 	GRENSEKONTROLL TOLLVESENET	 	28 	 1.607 	 	 	0.357	 	 * 	0.192 	 	GRENSEKRYSSENDE FORFØLGELSE	 	3 	 3.333 	 	 	2.143	 	 *** 	 	0.588 	 	GRENSEKRYSSENDE OPPDRAG	 	38 	 1.553 	 	 	0.252	 	 	0.165 	 	GROVT SKADEVERK	 	72 	 1.972 	 	 	0.433	 	 *** 	 	0.120 	 	HATKRIMINALITET	 	504	 	 1.464 	 	 	0.060	 	 	0.045 	 	HELERI DIVERSE	 	416	 	 1.680 	 	 	0.397	 	 *** 	 	0.050 	 	HELSE DIVERSE	 	9,815	 	 1.968 	 	 	0.418	 	 *** 	 	0.011 	 	HINDRING AV OFF. TJ.MANN	 	182	 	 2.022 	 	 	0.637	 	 *** 	 	0.075 	 	HITTET ANNET HUSDYR	 	54 	 1.167 	 	 	-0.029	 	 	0.139 	 	HITTET BÅT	 	764	 	 1.207 	 	 	0.034	 	 	0.037 	 	HITTET DIVERSE	 	4,654	 	 1.117 	 	 	-0.052	 	 ** 	0.015 	 	HITTET GODS	 	7,138	 	 1.106 	 	 	-0.043	 	 *** 	 	0.012 	 	HITTET HUND	 	2,936	 	 1.100 	 	 	-0.023	 	 	0.019 	 	HITTET KATT	 	47 	 1.085 	 	 	-0.048	 	 	0.148 	 	HITTET KJENNEMERKE	 	605	 	 1.079 	 	 	-0.045	 	 	0.041 	 	HITTET MOB.TLF/NETTBRETT	 	159	 	 1.038 	 	 	-0.123	 	 	0.081 	 	HITTET SYKKEL	 	2,450	 	 1.120 	 	 	-0.023	 	 	0.021 	 	HUNDELOVEN	 	1,356	 	 1.304 	 	 	0.033	 	 	0.028 	 	HUSBRÅK	 	5,907	 	 1.581 	 	 	0.133	 	 *** 	 	0.013 	 	HØY MUSIKK	 	6,687	 	 1.140 	 	 	-0.041	 	 ** 	0.013 	 	IMPROVISERTE EKSPLOSIVER	 	5 	 2.400 	 	 	0.888	 	 * 	0.455 	 	INDUSTRIULYKKE	 	22 	 4.273 	 	 	2.270	 	 *** 	 	0.217 	 	INNBR. ALARM BEDRIFT	 	5,564	 	 1.877 	 	 	0.408	 	 *** 	 	0.014 	 	INNBR. ALARM BOLIG	 	1,842	 	 1.706 	 	 	0.358	 	 *** 	 	0.024 	 	INNBR. ALARM DIVERSE	 	1,235	 	 1.626 	 	 	0.143	 	 *** 	 	0.029 	 	INNBR. ALARM KJØRETØY	 	60 	 1.600 	 	 	0.332	 	 * 	0.131 	 	INNBRUDD DIVERSE	 	7,129	 	 1.701 	 	 	0.339	 	 *** 	 	0.012 	 	INNBRUDD I BARNEHAGE	 	330	 	 1.591 	 	 	0.287	 	 *** 	 	0.056 	 	INNBRUDD I BEDRIFT	 	8,015	 	 1.678 	 	 	0.352	 	 *** 	 	0.012 	 	INNBRUDD I BOD	 	1,946	 	 1.396 	 	 	0.107	 	 *** 	 	0.023 	 	INNBRUDD I BOLIG	 	9,885	 	 1.599 	 	 	0.235	 	 *** 	 	0.011 	 	INNBRUDD I BUTIKK	 	591	 	 1.750 	 	 	0.388	 	 *** 	 	0.042 	 	INNBRUDD I BÅT	 	388	 	 1.317 	 	 	0.060	 	 	0.052 	 	INNBRUDD I FRITIDSBOLIG	 	1,119	 	 1.269 	 	 	0.064	 	 * 	0.031 	 	INNBRUDD I GARASJE	 	1,032	 	 1.405 	 	 	0.132	 	 *** 	 	0.032 	 	INNBRUDD I KJØRETØY	 	3,029	 	 1.392 	 	 	0.141	 	 *** 	 	0.019 	 	INNBRUDD I SKOLE	 	962	 	 1.632 	 	 	0.291	 	 *** 	 	0.033 	 	INNDRAGNING AV FØRERRETT	 	76 	 1.039 	 	 	-0.095	 	 	0.117 	 	INNDRAGNING AV KJØRESEDDEL	 	1 	 1.000 	 	 	0.003	 	 	1.018 	 	INNREISEKONTROLL	 	10,619	 	 1.659 	 	 	0.511	 	 *** 	 	0.010 	 	INNTAUING AV KJØRETØY	 	322	 	 1.360 	 	 	0.203	 	 *** 	 	0.057 	 	ISBJØRN	 	19 	 1.368 	 	 	0.081	 	 	0.233

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	115	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
JAKTLOVGIVNING	 	90 	 1.156 	 	 	-0.024	 	 	0.107 	 	JERNBANEULYKKE	 	69 	 5.304 	 	 	2.829	 	 *** 	 	0.123 	 	JORDRAS	 	275	 	 2.611 	 	 	0.960	 	 *** 	 	0.061 	 	KIDNAPPING	 	43 	 4.116 	 	 	1.832	 	 *** 	 	0.155 	 	KJENTMANNSKJØRING	 	4 	 1.250 	 	 	0.105	 	 	0.509 	 	KJØRE	- OG HVILETID	 	144	 	 1.222 	 	 	0.064	 	 	0.085 	 	KJØREFORBUD	 	244	 	 1.193 	 	 	-0.031	 	 	0.065 	 	KJØRETØY TIL RETTE	 	2,176	 	 1.661 	 	 	0.412	 	 *** 	 	0.022 	 	KJØRETØYKONTROLL	 	722	 	 1.270 	 	 	0.080	 	 * 	0.038 	 	KJØRETØYSTANS	 	19,044	 	 1.612 	 	 	0.235	 	 *** 	 	0.008 	 	KJØRING UTEN GYLDIG FØRERKORT	 	22,153	 	 1.266 	 	 	0.069	 	 *** 	 	0.007 	 	KNIVSTIKKING	 	653	 	 6.616 	 	 	2.566	 	 *** 	 	0.040 	 	KONTROLL FARTØY	 	593	 	 1.266 	 	 	0.056	 	 	0.042 	 	KONTROLL FRITIDSBÅT	 	1,837	 	 1.246 	 	 	0.024	 	 	0.024 	 	KONTROLL KJØRETØY	 	126,841	 	 1.235 	 	 	0.008	 	 * 	0.004 	 	KONTROLL PERSON	 	135,005	 	 1.408 	 	 	0.068	 	 *** 	 	0.004 	 	KONTROLL STED	 	85,463	 	 1.464 	 	 	0.125	 	 *** 	 	0.004 	 	KORONA	 	2,987	 	 1.305 	 	 	-0.030	 	 	0.019 	 	KRIM.TEKNISK UNDERSØKELSE	 	412	 	 1.417 	 	 	0.210	 	 *** 	 	0.050 	 	KRISE OG GISSELFORHANDLER	 	3 	 4.000 	 	 	1.670	 	 ** 	0.588 	 	KRISEKOMMUNIKASJON	 	3 	 2.333 	 	 	0.758	 	 	0.588 	 	KROPPSKRENKING	 	13,297	 	 1.799 	 	 	0.336	 	 *** 	 	0.009 	 	KROPPSSKADE	 	1,673	 	 3.064 	 	 	1.235	 	 *** 	 	0.025 	 	KUBA	 	2,065	 	 1.570 	 	 	0.059	 	 ** 	0.023 	 	KULTURMINNELOVEN	 	6 	 1.167 	 	 	-0.034	 	 	0.415 	 	LEGEMIDDELLOVEN	 	66 	 1.197 	 	 	0.060	 	 	0.125 	 	LEKKASJE FRA BÅT	 	57 	 1.754 	 	 	0.430	 	 ** 	0.135 	 	LEKKASJE FRA INDUSTRI	 	104	 	 3.596 	 	 	1.828	 	 *** 	 	0.100 	 	LEKKASJE FRA MOTORVOGN	 	228	 	 2.171 	 	 	0.776	 	 *** 	 	0.067 	 	LEKKASJE FYRINGSOLJE	 	8 	 2.000 	 	 	0.642	 	 * 	0.360 	 	LEKKASJER DIVERSE	 	436	 	 2.553 	 	 	1.093	 	 *** 	 	0.049 	 	LETEAKSJON	 	363	 	 5.251 	 	 	3.452	 	 *** 	 	0.053 	 	LOV OM SIVIL SJØFART	 	1 	 1.000 	 	 	0.003	 	 	1.018 	 	LUFTFARTSFORHOLD	 	3,114	 	 1.365 	 	 	0.108	 	 *** 	 	0.018 	 	LUFTFARTSULYKKE	 	76 	 3.737 	 	 	1.660	 	 *** 	 	0.117 	 	LUFTFARTSULYKKE LAND	 	19 	 5.526 	 	 	3.278	 	 *** 	 	0.234 	 	LUFTFARTSULYKKE PÅ/NÆR LUFTHAVN	 	7 	 3.571 	 	 	1.459	 	 *** 	 	0.385 	 	LUFTFARTSULYKKE SJØ	 	5 	 5.000 	 	 	2.973	 	 *** 	 	0.455 	 	LUFTSPORTSULYKKE	 	16 	 3.813 	 	 	1.700	 	 *** 	 	0.254 	 	LUFTVÅPEN	 	60 	 2.600 	 	 	0.458	 	 *** 	 	0.131 	 	MELDEPLIKT	 	104	 	 1.106 	 	 	-0.039	 	 	0.100 	 	MENNESKEHANDEL	 	18 	 1.722 	 	 	0.476	 	 * 	0.240 	 	MENNESKESMUGLING	 	19 	 1.789 	 	 	0.529	 	 * 	0.233 	 	MILITÆRE EKSPLOSIVER	 	158	 	 2.063 	 	 	0.526	 	 *** 	 	0.081 	 	MILITÆRE FORHOLD	 	34 	 1.765 	 	 	0.080	 	 	0.175 	 	MILITÆRE VÅPEN	 	9 	 1.556 	 	 	0.117	 	 	0.339 	 	MILITÆRØVELSE	 	23 	 1.304 	 	 	0.079	 	 	0.212 	 	MILJØKONTROLL	 	249	 	 1.133 	 	 	-0.017	 	 	0.065 	 	MILJØKRIMINALITET	 	410	 	 1.246 	 	 	0.043	 	 	0.050 	 	MILJØVERNLOVEN	 	113	 	 1.416 	 	 	0.196	 	 * 	0.096 	 	MISTENKELIG DØDSFALL	 	2,082	 	 3.034 	 	 	1.366	 	 *** 	 	0.022 	 	MOBIL VIP ALARM	 	28 	 1.143 	 	 	-1.076	 	 *** 	 	0.192 	 	MOBIL VOLDSALARM	 	6,804	 	 1.358 	 	 	-0.458	 	 *** 	 	0.013 	 	MOBILE VINNINGSKRIMINELLE	 	107	 	 1.832 	 	 	0.645	 	 *** 	 	0.098 	 	MOBILSPORING	 	17 	 1.647 	 	 	0.389	 	 	0.247 	 	MOTORFERDSEL I UTMARK	 	307	 	 1.176 	 	 	0.025	 	 	0.058 	 	MOTORFERDSELSLOVEN	 	78 	 1.128 	 	 	-0.010	 	 	0.115 	 	MØTER I REDNINGSLEDELSEN	 	10 	 1.000 	 	 	-0.127	 	 	0.322 	 	MØTER I STAB	 	4 	 1.000 	 	 	-0.024	 	 	0.509 	 	MØTER I STRATEGISK LEDELSE	 	11 	 1.364 	 	 	0.232	 	 	0.307 	 	NAMSSAKER DIVERSE	 	943	 	 1.175 	 	 	0.018	 	 	0.033 	 	NARKOTIKA BESITTELSE	 	4,832	 	 1.420 	 	 	0.214	 	 *** 	 	0.015 	 	NARKOTIKA BRUK	 	4,651	 	 1.351 	 	 	0.095	 	 *** 	 	0.015 	 	NARKOTIKA DIVERSE	 	18,193	 	 1.311 	 	 	0.135	 	 *** 	 	0.008 	 	NARKOTIKA INNFØRSEL	 	805	 	 1.545 	 	 	0.292	 	 *** 	 	0.036 	 	NARKOTIKA OPPBEVARING	 	989	 	 2.264 	 	 	0.897	 	 *** 	 	0.032 	 	NARKOTIKA OVERDOSE	 	760	 	 2.446 	 	 	0.673	 	 *** 	 	0.037 	 	NARKOTIKA PRODUKSJON	 	133	 	 3.188 	 	 	1.685	 	 *** 	 	0.088

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	116	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
NARKOTIKA SALG	 	5 	 2.000 	 	 	0.654	 	 	0.455 	 	NARKOTIKAAKSJON	 	210	 	 2.143 	 	 	0.955	 	 *** 	 	0.070 	 	NATUR DIVERSE	 	715	 	 1.466 	 	 	0.178	 	 *** 	 	0.038 	 	NATURKATASTROFE	 	18 	 2.500 	 	 	0.637	 	 ** 	0.240 	 	NATUROPPSYN	 	358	 	 1.182 	 	 	0.050	 	 	0.054 	 	NATURSKADER	 	1,003	 	 1.585 	 	 	0.299	 	 *** 	 	0.032 	 	NETTPATRULJE	 	13 	 1.615 	 	 	0.398	 	 	0.282 	 	NØDMELDING FRA LUFTFARTØY	 	8 	 2.625 	 	 	0.461	 	 	0.360 	 	NØDNETT SIKKERHETSALARM	 	168	 	 1.220 	 	 	-0.274	 	 ** 	0.087 	 	NØDSIGNALER FRA LAND	-SJØ	-LUFT	 	102	 	 1.696 	 	 	0.264	 	 ** 	0.101 	 	NØDTEKST	 	91 	 1.560 	 	 	0.147	 	 	0.107 	 	OFFSHOREHENDELSE	 	1 	 1.000 	 	 	-0.206	 	 	1.018 	 	OMVENDT VOLDSALARM	 	394	 	 1.457 	 	 	-0.078	 	 	0.051 	 	OPPHOLDSFORBUD	 	102	 	 1.314 	 	 	0.096	 	 	0.101 	 	ORDENSFORST. OFF STED	 	69,767	 	 1.474 	 	 	0.115	 	 *** 	 	0.005 	 	ORDENSFORST. PRIVAT STED	 	34,571	 	 1.519 	 	 	0.128	 	 *** 	 	0.006 	 	ORDENSFORSTYRRELSE DIVERSE	 	4,201	 	 1.373 	 	 	0.077	 	 *** 	 	0.016 	 	OVERFALLSALARM	 	279	 	 1.491 	 	 	-0.310	 	 *** 	 	0.061 	 	OVERFØRING FENGSEL	 	53 	 1.264 	 	 	0.089	 	 	0.140 	 	P2 ETTERRETNING	 	1 	 1.000 	 	 	-0.209	 	 	1.018 	 	P3 OPERASJON	 	1 	 1.000 	 	 	-0.205	 	 	1.018 	 	P5 INFORMASJONSENHETEN	 	1 	 1.000 	 	 	-0.057	 	 	1.018 	 	PAROLE	 	310	 	 1.455 	 	 	0.337	 	 *** 	 	0.058 	 	PERMISJON	 	25 	 1.080 	 	 	-0.017	 	 	0.204 	 	PERSON I VANN	 	718	 	 4.203 	 	 	1.933	 	 *** 	 	0.038 	 	PERSON TIL RETTE	 	5,606	 	 3.225 	 	 	1.608	 	 *** 	 	0.014 	 	PLIVO	 	122	 	 6.885 	 	 	3.873	 	 *** 	 	0.093 	 	POLITIDRONE	 	208	 	 1.130 	 	 	-0.071	 	 	0.071 	 	POLITILOVEN BORTVISNING	 	24,512	 	 1.229 	 	 	-0.024	 	 ** 	0.007 	 	POLITILOVEN DIVERSE	 	249	 	 1.249 	 	 	0.027	 	 	0.065 	 	POLITILOVEN PÅLEGG	 	7,239	 	 1.387 	 	 	0.013	 	 	0.012 	 	POLITILOVEN § 12	 	22 	 2.182 	 	 	0.693	 	 ** 	0.217 	 	POLITILOVEN § 8	 	198	 	 1.586 	 	 	0.260	 	 *** 	 	0.072 	 	POLITILOVEN § 9	 	2,164	 	 1.814 	 	 	0.410	 	 *** 	 	0.022 	 	POLITILOVEN §13	 	66 	 1.364 	 	 	0.095	 	 	0.125 	 	POLITIVEDTEKTENE	 	92 	 1.315 	 	 	0.133	 	 	0.106 	 	PRIVAT INNTAUING	 	105	 	 1.162 	 	 	0.052	 	 	0.099 	 	PROSESSUELLE TVANGSMIDL.	 	115	 	 1.330 	 	 	0.125	 	 	0.095 	 	PROSTITUSJON	 	240	 	 1.325 	 	 	0.124	 	 * 	0.066 	 	PSYKIATRI	 	17,048	 	 2.140 	 	 	0.579	 	 *** 	 	0.008 	 	PSYKIATRI PERMISJON	 	22 	 2.409 	 	 	0.808	 	 *** 	 	0.217 	 	PSYKIATRI REFUSJON	 	794	 	 2.399 	 	 	0.965	 	 *** 	 	0.036 	 	PÅGRIPELSE	 	11,999	 	 2.130 	 	 	0.656	 	 *** 	 	0.010 	 	PÅKJØRT ANNET HUSDYR	 	168	 	 1.149 	 	 	-0.040	 	 	0.079 	 	PÅKJØRT HUND	 	184	 	 1.168 	 	 	-0.056	 	 	0.075 	 	PÅKJØRT KATT	 	1,022	 	 1.109 	 	 	-0.044	 	 	0.032 	 	PÅKJØRT VILT	 	3,842	 	 1.329 	 	 	0.096	 	 *** 	 	0.017 	 	PÅRØRENDESENTER	 	9 	 1.444 	 	 	0.188	 	 	0.339 	 	PÅVIRKET ALKOHOL	 	15,046	 	 1.671 	 	 	0.315	 	 *** 	 	0.009 	 	PÅVIRKET ANNET	 	14,107	 	 1.740 	 	 	0.453	 	 *** 	 	0.009 	 	PÅVIRKET/BERUSET BÅTFØRER	 	971	 	 1.656 	 	 	0.373	 	 *** 	 	0.033 	 	RAN AV PERSON OFF.	 STED	 	1,495	 	 3.026 	 	 	1.091	 	 *** 	 	0.026 	 	RAN AV PERSON PRIV.	 STED	 	168	 	 3.613 	 	 	1.276	 	 *** 	 	0.079 	 	RAN DIVERSE	 	272	 	 2.967 	 	 	0.652	 	 *** 	 	0.062 	 	RAN NIVÅ 1	 	44 	 3.568 	 	 	0.254	 	 * 	0.154 	 	RAN NIVÅ 2	 	148	 	 4.216 	 	 	1.027	 	 *** 	 	0.084 	 	RANSAKING	 	28,714	 	 1.555 	 	 	0.354	 	 *** 	 	0.007 	 	RANSALARM DIVERSE	 	1,315	 	 2.019 	 	 	-0.165	 	 *** 	 	0.028 	 	RANSALARM NIVÅ 1	 	151	 	 2.662 	 	 	-0.557	 	 *** 	 	0.083 	 	RANSALARM NIVÅ 2	 	549	 	 2.224 	 	 	-0.323	 	 *** 	 	0.044 	 	RANSØVELSE	 	5 	 1.000 	 	 	-0.567	 	 	0.455 	 	RAPPORTERING TIL POD	 	2 	 1.000 	 	 	-0.236	 	 	0.720 	 	REDNING DIVERSE	 	413	 	 2.799 	 	 	1.158	 	 *** 	 	0.050 	 	REDNING PÅ LAND	 	2,232	 	 4.081 	 	 	2.205	 	 *** 	 	0.022 	 	REDNING PÅ SJØ/HAV	 	1,291	 	 3.955 	 	 	1.903	 	 *** 	 	0.029 	 	REDNINGSLEDELSE	 	2 	 2.500 	 	 	1.332	 	 * 	0.720 	 	REDNINGSØVELSER	 	38 	 1.711 	 	 	0.565	 	 ** 	0.165 	 	REIN PÅ INNMARK/BOLIGOMRÅDE	 	6 	 1.167 	 	 	0.116	 	 	0.415

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	117	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
REINDRIFT/REINFLYTTING	 	35 	 1.257 	 	 	0.151	 	 	0.172 	 	REINSDYR	 	64 	 1.047 	 	 	-0.105	 	 	0.127 	 	REPTILER	 	12 	 1.083 	 	 	-0.108	 	 	0.294 	 	RESTAURANTKONTROLL	 	668	 	 1.109 	 	 	-0.020	 	 	0.039 	 	RETTSFORHANDLINGER	 	1,540	 	 1.704 	 	 	0.242	 	 *** 	 	0.026 	 	RETTSTRIDIG FORF. MOTORVOGN	 	13 	 2.308 	 	 	1.028	 	 *** 	 	0.282 	 	REV	 	28 	 1.107 	 	 	-0.082	 	 	0.192 	 	RIKSALARM	 	1 	 1.000 	 	 	-0.057	 	 	1.018 	 	RIKSGRENSELOVEN	 	23 	 1.826 	 	 	0.480	 	 * 	0.212 	 	RIKSVARSLING	 	33 	 1.182 	 	 	0.000	 	 	0.177 	 	RUNDSPØRRING	 	211	 	 1.270 	 	 	0.111	 	 	0.070 	 	RUSET PERSON	 	6,512	 	 1.510 	 	 	0.139	 	 *** 	 	0.013 	 	RUSKONTROLL	 	10,107	 	 1.208 	 	 	0.091	 	 *** 	 	0.011 	 	RUSS	 	4,894	 	 1.340 	 	 	0.105	 	 *** 	 	0.015 	 	RUSTESTING	 	70 	 1.157 	 	 	-0.051	 	 	0.122 	 	RØMNING	 	253	 	 2.585 	 	 	1.083	 	 *** 	 	0.064 	 	SABOTASJE	 	11 	 2.000 	 	 	0.483	 	 	0.307 	 	SAMARBEIDSØVELSE	 	124	 	 2.121 	 	 	0.900	 	 *** 	 	0.091 	 	SAMFERDSELSLOVEN	 	32 	 1.125 	 	 	0.039	 	 	0.180 	 	SAR	 	2 	 3.500 	 	 	1.712	 	 * 	0.720 	 	SAVNET ANNET HUSDYR	 	8 	 1.000 	 	 	-0.206	 	 	0.360 	 	SAVNET BARN UNDER 18	 	14 	 2.143 	 	 	0.763	 	 ** 	0.272 	 	SAVNET DEMENT	 	2,093	 	 2.517 	 	 	1.068	 	 *** 	 	0.022 	 	SAVNET FARTØY	 	3 	 2.333 	 	 	1.034	 	 * 	0.588 	 	SAVNET FRA INSTITUSJON	 	5,962	 	 1.954 	 	 	0.620	 	 *** 	 	0.013 	 	SAVNET HUND	 	221	 	 1.086 	 	 	-0.035	 	 	0.069 	 	SAVNET KATT	 	5 	 1.000 	 	 	-0.131	 	 	0.455 	 	SAVNET LUFTFARTTØY	 	2 	 5.500 	 	 	3.718	 	 *** 	 	0.720 	 	SAVNET PERSON	 	7,999	 	 2.204 	 	 	0.814	 	 *** 	 	0.012 	 	SAVNET SUICIDAL	 	861	 	 4.181 	 	 	2.282	 	 *** 	 	0.035 	 	SAVNET/ETTERLYST DIVERSE	 	51 	 1.549 	 	 	0.339	 	 * 	0.143 	 	SCHENGEN DIVERSE	 	259	 	 1.089 	 	 	0.007	 	 	0.063 	 	SCHENGEN STEMPEL	 	475	 	 1.029 	 	 	-0.027	 	 	0.047 	 	SEDELIGHET DIVERSE	 	2,415	 	 1.500 	 	 	0.152	 	 *** 	 	0.021 	 	SELVDRAP	 	609	 	 3.734 	 	 	1.701	 	 *** 	 	0.041 	 	SELVSKADING	 	1,608	 	 3.265 	 	 	0.482	 	 *** 	 	0.026 	 	SERVICE DIVERSE	 	7,218	 	 1.139 	 	 	-0.027	 	 * 	0.012 	 	SEXKJØP	 	94 	 1.362 	 	 	0.115	 	 	0.105 	 	SIGNALERING	 	118	 	 1.102 	 	 	-0.053	 	 	0.094 	 	SIVILE EKSPLOSIVER	 	51 	 1.588 	 	 	0.396	 	 ** 	0.143 	 	SJØFARTSFORHOLD	 	4,026	 	 1.518 	 	 	0.211	 	 *** 	 	0.016 	 	SJØULYKKE	 	216	 	 3.269 	 	 	1.355	 	 *** 	 	0.069 	 	SKADEVERK BOLIG	 	2,863	 	 1.565 	 	 	0.166	 	 *** 	 	0.019 	 	SKADEVERK BYGNING	 	4,763	 	 1.518 	 	 	0.200	 	 *** 	 	0.015 	 	SKADEVERK BÅT	 	134	 	 1.246 	 	 	0.005	 	 	0.088 	 	SKADEVERK DIVERSE	 	4,885	 	 1.410 	 	 	0.095	 	 *** 	 	0.015 	 	SKADEVERK EIENDOM	 	1,844	 	 1.457 	 	 	0.133	 	 *** 	 	0.024 	 	SKADEVERK KJØRETØY	 	4,842	 	 1.392 	 	 	0.095	 	 *** 	 	0.015 	 	SKJENKEKONTROLL	 	159	 	 1.063 	 	 	-0.018	 	 	0.081 	 	SKOGBRANN	 	326	 	 2.485 	 	 	0.849	 	 *** 	 	0.056 	 	SKREMMENDE/PLAGSOM ADFERD	 	17,051	 	 1.501 	 	 	0.041	 	 *** 	 	0.008 	 	SLAGSMÅL	 	20,272	 	 2.258 	 	 	0.632	 	 *** 	 	0.008 	 	SNØSKRED	 	410	 	 3.093 	 	 	1.247	 	 *** 	 	0.050 	 	SOFTGUN	 	37 	 3.486 	 	 	0.947	 	 *** 	 	0.167 	 	SPESIALLOVER DIVERSE	 	114	 	 1.333 	 	 	0.028	 	 	0.095 	 	SPESIALTRANSPORT	 	1,630	 	 1.259 	 	 	0.123	 	 *** 	 	0.025 	 	STAB	 	5 	 1.200 	 	 	-0.045	 	 	0.455 	 	STABSMØTE	 	1 	 1.000 	 	 	-0.265	 	 	1.018 	 	STATSBESØK/VIP	 	269	 	 3.480 	 	 	0.897	 	 *** 	 	0.062 	 	STEINRAS	 	372	 	 2.035 	 	 	0.543	 	 *** 	 	0.053 	 	STØY	 	13,779	 	 1.158 	 	 	-0.027	 	 ** 	0.009 	 	SUICIDAL	 	20,092	 	 3.133 	 	 	0.968	 	 *** 	 	0.008 	 	SYKDOM	 	2,244	 	 1.900 	 	 	0.445	 	 *** 	 	0.022 	 	SØK ETTER ANTATT OMKOMMET	 	192	 	 3.911 	 	 	2.076	 	 *** 	 	0.074 	 	SØK ETTER SAVNET PERSON	 	300	 	 5.580 	 	 	3.606	 	 *** 	 	0.059 	 	TAKRAS/ISTAPPER	 	158	 	 1.525 	 	 	0.280	 	 ** 	0.081 	 	TAPT BÅT	 	9 	 1.111 	 	 	-0.089	 	 	0.339 	 	TAPT DIVERSE	 	42 	 1.071 	 	 	-0.120	 	 	0.157

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	118	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
TAPT GODS	 	96 	 1.083 	 	 	-0.062	 	 	0.104 	 	TAPT KJENNEMERKE	 	95 	 1.042 	 	 	-0.088	 	 	0.104 	 	TAPT MOB.TLF/NETTBRETT	 	40 	 1.150 	 	 	-0.001	 	 	0.161 	 	TAPT SYKKEL	 	3 	 1.333 	 	 	0.134	 	 	0.588 	 	TELEFONSJIKANE	 	85 	 1.082 	 	 	-0.046	 	 	0.110 	 	TERRITORIAL KONTROLL DIVERSE	 	2,619	 	 1.144 	 	 	-0.074	 	 *** 	 	0.020 	 	TERROR	 	5 	 2.200 	 	 	-0.418	 	 	0.455 	 	TERRORBEREDSKAP	 	10 	 43.100 	 	 	8.055	 	 *** 	 	0.322 	 	TEST MVA	 	1,050	 	 1.004 	 	 	-0.076	 	 * 	0.032 	 	TEST NØDNETT SIKKERHETSALARM	 	187	 	 1.080 	 	 	-0.022	 	 	0.077 	 	TEST OVA	 	3 	 1.000 	 	 	-0.452	 	 	0.588 	 	TEST SATELITTELEFON	 	30 	 1.000 	 	 	-0.062	 	 	0.186 	 	TEST SPARKELIST	 	4 	 1.250 	 	 	0.202	 	 	0.509 	 	TEST TRIPPELVARSLING	 	2 	 1.500 	 	 	0.318	 	 	0.720 	 	TEST VIP ALARM/LINJE	 	4 	 1.250 	 	 	-0.114	 	 	0.509 	 	TIL OBS	 	10,663	 	 1.369 	 	 	0.114	 	 *** 	 	0.010 	 	TOLLOVEN	 	2,096	 	 1.389 	 	 	0.218	 	 *** 	 	0.022 	 	TRAFIKK, KJ	. M./UREG	. MOTORVOGN (Ut-gått fra juni 2014	) 	26 	 1.000 	 	 	-0.011	 	 	0.200 	 	
TRAFIKKONTROLL	 	71,547	 	 1.365 	 	 	0.236	 	 *** 	 	0.005 	 	TRAFIKKREGULERING	 	1,038	 	 1.306 	 	 	0.112	 	 *** 	 	0.032 	 	TRAFIKKUHELL	 	46,703	 	 1.946 	 	 	0.515	 	 *** 	 	0.005 	 	TRAFIKKULYKKE DØDSULYKKE	 	253	 	 6.763 	 	 	4.210	 	 *** 	 	0.064 	 	TRAFIKKULYKKE PERS.SKADE	 	34,589	 	 3.512 	 	 	1.413	 	 *** 	 	0.007 	 	TRANSP. UTLENDINGSAK	 	332	 	 1.208 	 	 	0.093	 	 * 	0.056 	 	TRANSPORT DIVERSE	 	4,636	 	 1.268 	 	 	0.023	 	 	0.015 	 	TRANSPORT DOKUMENTER	 	337	 	 1.101 	 	 	0.022	 	 	0.056 	 	TRANSPORT FANGE	 	12,080	 	 1.337 	 	 	0.161	 	 *** 	 	0.010 	 	TRANSPORT PSYKIATRI	 	3,824	 	 1.894 	 	 	0.654	 	 *** 	 	0.017 	 	TRANSPORT SYKDOM	 	125	 	 1.456 	 	 	0.267	 	 ** 	0.091 	 	TRANSPORTULYKKE VEI	-JERNBANE	 	3 	 2.667 	 	 	0.936	 	 	0.588 	 	TRAVELLERS	 	23 	 1.087 	 	 	0.018	 	 	0.212 	 	TREFF I SIS ARTIKKEL 24	 	45 	 1.067 	 	 	-0.228	 	 	0.152 	 	TREFF I SIS ARTIKKEL 26	 	2 	 1.000 	 	 	-0.267	 	 	0.720 	 	TREFF I SIS ARTIKKEL 32	 	2 	 1.500 	 	 	0.146	 	 	0.720 	 	TREFF I SIS ARTIKKEL 34	 	9 	 1.000 	 	 	-0.211	 	 	0.339 	 	TREFF I SIS ARTIKKEL 36	 	9 	 1.000 	 	 	-0.141	 	 	0.339 	 	TREFF I SIS ARTIKKEL 38	 	70 	 1.000 	 	 	-0.242	 	 * 	0.122 	 	TRYGGHETSAL. DIVERSE	 	25 	 1.480 	 	 	0.137	 	 	0.204 	 	TUNNELULYKKE	 	21 	 5.476 	 	 	3.392	 	 *** 	 	0.222 	 	TVANG/TRUSLER DIVERSE	 	17,913	 	 1.920 	 	 	0.235	 	 *** 	 	0.008 	 	TVANG/TRUSLER KNIV	 	4,637	 	 4.061 	 	 	0.631	 	 *** 	 	0.016 	 	TVANG/TRUSLER MOT OFF.TJ.MANN	 	228	 	 2.487 	 	 	0.852	 	 *** 	 	0.067 	 	TVANG/TRUSLER MOT POLITI	 	212	 	 3.769 	 	 	1.749	 	 *** 	 	0.070 	 	TVANG/TRUSLER SKYTEVÅPEN	 	684	 	 5.161 	 	 	1.636	 	 *** 	 	0.039 	 	TVANG/TRUSLER VÅPEN	 	181	 	 4.160 	 	 	0.865	 	 *** 	 	0.076 	 	TVANGSMESSIG STANS	 	11 	 4.909 	 	 	3.200	 	 *** 	 	0.307 	 	TYVERI AV BÅT	 	580	 	 1.583 	 	 	0.309	 	 *** 	 	0.042 	 	TYVERI AV BÅTMOTOR	 	205	 	 1.400 	 	 	0.213	 	 ** 	0.071 	 	TYVERI AV KJENNEMERKE	 	493	 	 1.316 	 	 	0.104	 	 * 	0.046 	 	TYVERI AV KJENNEMERKER (Utgått fra juni 	2014	) 	3 	 1.000 	 	 	-0.095	 	 	0.588 	 	
TYVERI AV MOTORVOGN	 	4,251	 	 1.902 	 	 	0.581	 	 *** 	 	0.016 	 	TYVERI AV SYKKEL	 	6,029	 	 1.388 	 	 	0.092	 	 *** 	 	0.013 	 	TYVERI AV TILHENGER	 	244	 	 1.352 	 	 	0.148	 	 * 	0.065 	 	TYVERI DIVERSE	 	10,935	 	 1.320 	 	 	0.051	 	 *** 	 	0.010 	 	TYVERI FRA BARNEHAGE	 	25 	 1.320 	 	 	0.033	 	 	0.204 	 	TYVERI FRA BEDRIFT	 	4,774	 	 1.315 	 	 	0.036	 	 * 	0.015 	 	TYVERI FRA BOD	 	343	 	 1.332 	 	 	0.084	 	 	0.055 	 	TYVERI FRA BOLIG	 	1,250	 	 1.345 	 	 	0.074	 	 * 	0.029 	 	TYVERI FRA BUTIKK	 	9,390	 	 1.234 	 	 	-0.057	 	 *** 	 	0.011 	 	TYVERI FRA BÅT	 	199	 	 1.236 	 	 	0.025	 	 	0.072 	 	TYVERI FRA FRITIDSBOLIG	 	91 	 1.187 	 	 	0.047	 	 	0.107 	 	TYVERI FRA GARASJE	 	310	 	 1.297 	 	 	0.071	 	 	0.058 	 	TYVERI FRA KJØRETØY	 	984	 	 1.333 	 	 	0.101	 	 ** 	0.033 	 	TYVERI FRA PERSON	 	1,976	 	 1.351 	 	 	0.065	 	 ** 	0.023 	 	TYVERI FRA SKOLE	 	80 	 1.288 	 	 	0.104	 	 	0.114 	 	ULOVLIG FISKE/FANGST	 	227	 	 1.141 	 	 	-0.039	 	 	0.068

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	119	 	
 	
 	Deskriptivt	 	 	Modell PO.2	 	
 	 Antall valide	 	observasjoner 	 	 Gj.sn.	 ressurser	 	per	 oppdrag	 	 	Koeffisient	 	 	Std. 	feil 	
ULOVLIG JAKT	 	82 	 1.220 	 	 	-0.166	 	 	0.112 	 	ULOVLIG JAKTMETODE	 	6 	 1.500 	 	 	0.236	 	 	0.415 	 	ULOVLIG SLAKTING	 	3 	 1.000 	 	 	-0.216	 	 	0.588 	 	ULYKKE DIVERSE	 	1,504	 	 2.384 	 	 	0.749	 	 *** 	 	0.026 	 	ULYKKE M/FRITIDSBÅT	 	66 	 3.061 	 	 	1.257	 	 *** 	 	0.125 	 	ULYKKE M	./PERSONSKADE/DØD	 	534	 	 2.970 	 	 	1.109	 	 *** 	 	0.044 	 	ULYKKE OFFSHORE	 	4 	 1.000 	 	 	-0.431	 	 	0.509 	 	UNDERSLAG DIVERSE	 	366	 	 1.519 	 	 	0.272	 	 *** 	 	0.053 	 	UNDERSØKELSESSAKER	 	66,978	 	 1.478 	 	 	0.138	 	 *** 	 	0.005 	 	URBAN FLOM	 	71 	 1.507 	 	 	0.280	 	 * 	0.121 	 	URINERING OFF. STED	 	3,757	 	 1.056 	 	 	-0.082	 	 *** 	 	0.017 	 	UTLENDINGSKONTROLL DIVERSE	 	5,676	 	 1.266 	 	 	0.086	 	 *** 	 	0.014 	 	UTLENDINGSLOVEN	 	1,234	 	 1.325 	 	 	0.152	 	 *** 	 	0.029 	 	UTREISEKONTROLL	 	849	 	 1.154 	 	 	0.086	 	 * 	0.035 	 	UTRYKNINGSKJØRING	 	879	 	 1.340 	 	 	0.082	 	 * 	0.034 	 	UTSLIPP	 	48 	 1.583 	 	 	0.301	 	 * 	0.147 	 	UTTRANSPORT	 	161	 	 1.230 	 	 	0.145	 	 * 	0.080 	 	UTUKTIG OMGANG	 	10 	 1.400 	 	 	-0.116	 	 	0.322 	 	UTVISNING	 	93 	 1.151 	 	 	-0.286	 	 ** 	0.106 	 	UTVISNING 	- TERRITORIAL KONTR.	 	34 	 1.000 	 	 	-0.603	 	 ** 	0.175 	 	UTVISNING YTTERGRENSEKONTROLL	 	1 	 1.000 	 	 	-0.380	 	 	1.018 	 	VAKTHOLD	 	3,726	 	 9.857 	 	 	3.070	 	 *** 	 	0.017 	 	VANNLEKKASJE	 	588	 	 1.908 	 	 	0.601	 	 *** 	 	0.042 	 	VARSLING DIVERSE	 	85 	 1.129 	 	 	-0.044	 	 	0.110 	 	VARSLING DØDSFALL	 	541	 	 1.194 	 	 	0.003	 	 	0.044 	 	VARSLING MINDREÅRIG	 	15 	 1.400 	 	 	0.199	 	 	0.263 	 	VARSLING PÅRØRENDE	 	243	 	 1.206 	 	 	-0.003	 	 	0.065 	 	VARSLING ULYKKE	 	5 	 1.200 	 	 	0.050	 	 	0.455 	 	VELFERDSJEKK	 	6,765	 	 1.518 	 	 	0.218	 	 *** 	 	0.013 	 	VIP 	- MED TILTAK	 	1,812	 	 3.263 	 	 	0.321	 	 *** 	 	0.024 	 	VIP DIVERSE	 	4,507	 	 1.718 	 	 	-0.564	 	 *** 	 	0.016 	 	VOLD DIVERSE	 	12,264	 	 1.839 	 	 	0.268	 	 *** 	 	0.010 	 	VOLD I NÆRE RELASJONER	 	4,856	 	 1.991 	 	 	0.374	 	 *** 	 	0.015 	 	VOLD MOT OFF. TJ.MANN	 	1,672	 	 2.889 	 	 	1.333	 	 *** 	 	0.025 	 	VOLD OFFENTLIG STED	 	3,151	 	 1.928 	 	 	0.349	 	 *** 	 	0.018 	 	VOLD PRIVAT STED	 	2,297	 	 2.124 	 	 	0.411	 	 *** 	 	0.021 	 	VOLDTEKT	 	1,270	 	 2.187 	 	 	0.696	 	 *** 	 	0.029 	 	VÅPEN DIVERSE	 	1,779	 	 1.963 	 	 	0.128	 	 *** 	 	0.024 	 	VÅPENBESITTELSE	 	332	 	 3.328 	 	 	0.916	 	 *** 	 	0.056 	 	VÅPENINNDRAGNING	 	545	 	 1.360 	 	 	0.053	 	 	0.044 	 	VÅPENKONTROLL	 	139	 	 1.187 	 	 	-0.151	 	 * 	0.086 	 	VÅPENLOVEN	 	915	 	 2.569 	 	 	0.607	 	 *** 	 	0.034 	 	VÅPENSAMLER	 	1 	 1.000 	 	 	-0.172	 	 	1.018 	 	VÅPENVISITASJON	 	416	 	 1.913 	 	 	0.669	 	 *** 	 	0.050 	 	VÆR, EKSTREME VÆRFORHOLD	 	393	 	 1.476 	 	 	0.211	 	 *** 	 	0.051 	 	VÆR, FARENIVÅ GUL	 	5 	 1.000 	 	 	-0.222	 	 	0.455 	 	VÆR, FARENIVÅ ORANSJE	 	6 	 3.833 	 	 	2.392	 	 *** 	 	0.415 	 	VÆR, FARENI	VÅ RØDT	 	3 	 2.000 	 	 	0.385	 	 	0.588 	 	YRKESTRANSPORTLOVEN	 	61 	 1.164 	 	 	0.051	 	 	0.130 	 	ÅSTEDSBEFARING	 	212	 	 1.377 	 	 	0.201	 	 ** 	0.070 	 	ÅSTEDSUNDERSØKELSE	 	5,145	 	 1.369 	 	 	0.173	 	 *** 	 	0.014 	 	ÆREKRENKELSE	 	9 	 1.111 	 	 	-0.277	 	 	0.339 	 	ØVELSE DIVERSE	 	987	 	 1.757 	 	 	0.586	 	 *** 	 	0.033 	 	ØVELSE EKSTERNE	 	549	 	 1.521 	 	 	0.362	 	 *** 	 	0.044 	 	ØVELSE POLITI	 	4,028	 	 2.121 	 	 	0.927	 	 *** 	 	0.016 	 	ØVELSE UTRYKNINGSKJØRING	 	944	 	 1.217 	 	 	0.036	 	 	0.033 	 	
Signifikansnivå angi	s med *** (0.1%),** (1%),* (10%)	 	
Kilde:	 	Vista Analyse, Frischsenteret, OsloMet og TØI

Politiets tjenesteproduksjon	 	
 	
Vista Analyse	 | Rapport 2026/3	 	120	 	
 
 	
 
 
 
 	
Vista Analyse AS	 	
Meltzers gate 4	 	
0257 Oslo	 	
 
post@vista	-analyse.no	 	
vista	-analyse.no

Parse pdf-doc by clicking the button below. Parsed pdf-documents will be searchable.

Metadata Found
Author
Rasmus Bøgh Holmen
CreationDate
2026-05-05T21:35:53+02:00
ModDate
2026-05-05T21:35:53+02:00
Producer
Microsoft® Word for Microsoft 365
Pages
120