In de voorgaande paragrafen is een uitleg gegeven over hoe de inputvariabelen voor het model tot stand zijn gekomen. Voor de duidelijkheid wordt de input voor het model hier nog een keer samengevat. Ook worden de relaties, de β-waarden, toegelicht. Samen resulteren de significante variabelen en de bijbehorende waarden in het model.
In tabel 25 is het model weergegeven door voor elke vorm van participatie bij elke vorm van participatie de β-waarde in te vullen voor de demografische variabelen die significant zijn. Hierdoor ontstaat een overzicht van de belangrijke variabelen en hoe deze invloed hebben op de uitkomst van het model. In tabel 26 is hetzelfde gedaan voor de buurtvariabelen.
Tabel 25: Model voor participatiebereidheid op basis van demografische variabelen.
variabele categorie Schoon en heel Zorgen Sociale controle
opleiding lager middelbaar 0.982 0.774 hoger 1.156 0.858 etniciteit autochtoon westers allochtoon niet-westers allochtoon 0.724 leeftijd 18-34 35-44 0.470 0.572 0.464 45-54 0.713 1.003 0.506 55-64 0.645 1.079 65+ 0.476 0.903 Constant -1.771 -0.861 -1.428 Bron: O+S, 2013a; O+S, 2013b.
Tabel 26: Model voor participatiebereidheid op basis van buurtgebonden variabelen.
variabele categorie Schoon en heel Zorgen Sociale controle
koop % < 20 20-29
30-40 0.641
40 < 0.843 0.843
overlast heel laag
laag 0.732
hoog heel hoog sociaal heel laag
laag -0.723
hoog -1.073 -0.725
heel hoog -1.188 -0.933
sociale
cohesie heel laag
laag 0.741
hoog 0.730 1.121 0.82
heel hoog 1.402 1.672 1.326
Constant -0.794 -0.757 -0.827 Bron: O+S, 2013a; O+S, 2013b.
Zowel bij de demografische variabelen als bij de buurtvariabelen zijn significante variabelen en categorieën aan gewezen. Sociale cohesie heeft als enige buurtvariabele een bijna constante significante invloed. Alleen bij een lage cohesie is de variabele niet significant voor schoon en heel. Bij de demografische variabelen is leeftijd de variabele die in bijna alle gevallen significant is. De demografische en buurtvariabelen zijn hieronder samengevoegd in één regressieanalyse om te kunnen bepalen of er overheersende variabelen zijn. Dit is gedaan door een regressie uit te voeren waarbij de variabelen stapsgewijs worden toegevoegd. Op deze manier wordt duidelijk of variabelen elkaar onderling beïnvloeden. Enkel de variabelen die zich in het voorgaande als significant hebben bewezen zijn meegenomen in de regressie. 56
Het toevoegen van niet significante variabelen zou vragen om meer stappen en daarmee de uitkomst onoverzichtelijker maken, zonder daadwerkelijk iets bij te dragen.
Door een stapsgewijze regressieanalyse uit te voeren kan bekeken worden hoe de variabelen elkaar en de resultaten beïnvloeden. Stapsgewijs wordt er een variabele toegevoegd in de regressie. Als de resulterende β en significantie ongeveer gelijk blijven hebben de variabelen weinig invloed op elkaar. Als er grote veranderingen optreden in de resultaten is een variabele overheersend over de andere variabelen. De resultaten van de stapsgewijze regressieanalyse is toegevoegd in bijlage 2. Uit de resultaten blijkt dat de invloed en significantie van de variabelen weinig veranderd tot de variabele sociale cohesie wordt toegevoegd. Bij het toevoegen van deze variabele verandert in de meeste gevallen de β-waarde en de significantie. De β- waarde is de invloed die de variabel uitoefent op de waarde van de afhankelijke variabele. Als deze daalt wordt de betreffende variabele dus minder belangrijk. De significantie geeft aan hoeveel de mogelijke uitkomsten uiteen lopen en geeft daarmee aan hoe groot de kans is dat de gemeten waarde onjuist is. Een hogere waarden betekent dus een lagere kans op juistheid. Het viel te verwachten dat dit het resultaat zou zijn na het samenvoegen van de variabelen, omdat de correct voorspelde percentages hoger lagen bij de buurtvariabelen als bij de demografische variabelen. Daarnaast is de variabele sociale cohesie de enige variabele die een significante waarde van 0,000 scoort op meerdere categorieën. De kans dat voorspellingen op basis van deze variabele onjuist zijn is dus zeer klein.
De correct voorspelde waarde van het model waarin alle variabelen worden meegenomen, significant of niet, ligt op 59,7 procent voor Schoon en heel, 60,8 procent voor Zorgen en 62,7 procent voor Sociale controle. De variabele sociale cohesie is echter dermate overheersend dat ook naar de voorspellende waarde van sociale cohesie op zich gekeken moet worden. De correct voorspellende waar van sociale cohesie op zich is 59,2 procent voor Schoon en heel, 59,7 procent voor Zorgen en 59,9 procent voor Sociale controle. In tabel 27 zijn het model en de bijbehorende β-waarden gegeven voor het voorspellen van een meer of minder dan gemiddelde bereidheid tot participatie.
Tabel 27: Model voor participatiebereidheid op enkel sociale cohesie.
variabele categorie Schoon en heel Zorgen Sociale controle
Sociale cohesie zeer laag
laag 0.699 hoog 0.699 1.129 0.708 zeer hoog 1.4 1.636 1.354 Constant -0.664 -0.811 -0.799 Bron: O+S, 2013b.
De variabele sociale cohesie blijkt de beste voorspeller voor de bereidheid tot participatie. Het nadeel van deze conclusie is dat de variabele voortgekomen is uit de enquête van O+S (2013a). De vragen die gebruikt zijn komen deels ook voor in andere enquêtes zoals de Veiligheidsmonitor, Wonen in Amsterdam, Burgermonitor. Het was de gehoopte uitkomst dat de bereidheid tot participatie aan de hand van al bekende data voorspelt zou kunnen worden, omdat met die data dan voor elke buurt, in tenminste Amsterdam, een voorspelling voor de participatiebereidheid zou kunnen worden gedaan. De data uit de Veiligheidsmonitor zou zich hier voor lenen, maar is helaas niet voorhanden. Het voorspellen van participatiebereidheid aan de hand van de gewenste variabele sociale cohesie is dus niet haalbaar.
Een oplossing ligt in het voorspellen van participatiebereidheid aan de hand van de sociale leefbaarheidsindex. Hoewel deze index niet op alle categorieën even significant is als de sociale cohesie wijzen de verbanden wel in dezelfde richting. Daarnaast kan worden gekeken in hoeverre een voorspelling voor participatiebereidheid gedaan kan worden aan de hand van enkel de demografische factoren. Het kan interessant zijn om te kijken naar voorspellingen op basis van deze variabelen zich verhouden tot voorspellingen op basis van de buurtvariabelen. Daarbij moet wel in het achterhoofd worden gehouden dat uit dit hoofdstuk is gebleken dat de demografische variabelen niet de meest geschikte voorspellende variabelen zijn.
5 Resultaten voor de buurt
In dit hoofdstuk worden de resultaten van het onderzoek behandeld. Eerst wordt de werking van het model kost herhaald waarna wordt overgegaan tot de resultaten. De uitkomst van het model wordt gegenereerd door de volgende formule toe te passen:
De uitkomst varieert tussen 0 en 1 en geeft een waarschijnlijkheidspercentage (Pr) dat een gemeenschap met een dergelijke samenstelling meer dan gemiddelde bereid is om te participeren (Y=1). De eerste stap is om de variabelen te koppelen met de statistische cijfers van een gebied, in dit geval de buurtcombinaties van Amsterdam. Door de β te vermenigvuldigen met het percentage inwoners (X) van een buurt die tot de betreffende categorie behoren wordt de afwijking berekend die door elke categorie wordt veroorzaakt. De som van deze afwijkingen bij elkaar wordt ingevuld in de formule met als resultaat het waarschijnlijkheidspercentage voor participatie in de betreffende buurt.