Media zichtbaarheid en voorkeurstemmen: De invloed van media zichtbaarheid op voorkeurstemmen bij de 2018 gemeenteraadsverkiezingen

Media zichtbaarheid en voorkeurstemmen

De invloed van media zichtbaarheid op voorkeurstemmen bij de 2018

gemeenteraadsverkiezingen

Lianne Suijten (

Bachelorscriptie Politicologie Woordenaantal: 8.399

2

Inhoudsopgave

Methode van onderzoek ... 14

Resultaten ... 17

Conclusie ... 24

Literatuurlijst ... 26

Bijlagen ... 30

Bijlage 1: overzicht casussen ... 30

Bijlage 2: beschrijvende statistiek ... 32

3

Media zichtbaarheid en voorkeurstemmen

Inleiding en probleemstelling

In de jaren ’60 van de vorige eeuw vond er in het Nederlandse politieke landschap een grote verandering plaats. De verzuiling die was ontstaan in het begin van de twintigste eeuw begon steeds meer te verzwakken. Het tijdperk van de ontzuiling was begonnen. Dit heeft als gevolg gehad dat de Nederlandse kiezer minder sterk verbonden is aan één ideologie en politieke partij (Lijphart, 1968). Deze afname van ideologie samen met de opkomst van de televisie heeft geleid tot personalisering binnen de politiek (Aelst, Sheafer & Stanyer, 2011, p. 204). De individuele politicus is centraal komen te staan en in mindere mate de politieke partij en de ideologie die de partij uitdraagt (Balmas, Rahat, Sheafer & Shenvah, 2014, p. 37). De politicus is ook bij verkiezingen een meer centrale rol gaan innemen en heeft meer invloed op de uitkomst gekregen. De rol van politieke partijen als verbindingskanaal tussen politici en kiezers lijkt af te nemen en politici staan meer direct in verbinding met kiezers (Schaap, 2015, p. 45). Zo stijgt het aantal uitgebrachte voorkeurstemmen sinds 1946 en vanaf 1990 is zelfs ongeveer één op elke vijf uitgebrachte stemmen een voorkeurstem (Holsteyn & Andeweg, 2012, p. 164 & pp. 169 - 170).

In Nederland is het bij alle verkiezingen mogelijk om een voorkeurstem uit te brengen, ook bij de gemeenteraadsverkiezingen worden voorkeurstemmen uitgebracht. Alle stemmen die niet naar de lijstrekkers gaan worden in Nederland gezien als voorkeurstemmen (Holsteyn & Andeweg, 2012, p. 167). Voorkeurstemmen kunnen erg belangrijk zijn voor kandidaten, het kan het verschil betekenen tussen wel of niet een zetel winnen. Vooral bij gemeenteraadsverkiezingen zijn voorkeurstemmen voor kandidaten erg belangrijk. Marijn Nagtzaam verschafte informatie over voorkeurstemmen bij de gemeenteraadsverkiezingen van 2014 aan het NRC. Hieruit bleek dat 15,1% van de lokale kandidaten erin slaagden de lijstvolgorde te doorbreken, landelijk zijn het vaak maar één of twee kandidaten. Kiezers bij gemeenteraadsverkiezingen brengen ook meer voorkeurstemmen uit. Bij de gemeenteraadsverkiezingen van 2014 bracht 47,7% van kiezers een voorkeurstem uit, bij de laatste Tweede Kamerverkiezingen was dit aantal maar 27% (Wiel, 2018).

4 In dit onderzoek worden de voorkeurstemmen bij de meest recente gemeenteraadsverkiezingen van 2018 onderzocht. Er wordt gekeken of er een relatie bestaat tussen media zichtbaarheid en het aantal voorkeurstemmen dat een kandidaat ontvangt bij de gemeenteraadsverkiezingen. Hier is in Nederland nog weinig onderzoek naar verricht. De hoofdvraag van dit onderzoek is:

Maatschappelijke relevantie

Er is veel wetenschappelijk onderzoek naar personalisering binnen de landelijke politiek (André & Depauw, 2017; Holsteyn & Andeweg, 2012; Nagtzaam & Van Erkel, 2017). Veel minder is er naar personalisering binnen de lokale politiek gekeken. Gemeenteraadsverkiezingen worden vaak gezien als tweederangs verkiezingen, wat onder meer zou blijken uit de lage opkomst bij de verkiezingen (Ostaaijen, 2018, pp. 143-145). Toch zijn gemeenteraadsverkiezingen zeker ook belangrijk. In 2015 heeft er decentralisatie op het sociaal domein vanuit de nationale overheid richting de gemeenten plaatsgevonden. Gemeenten hebben er belangrijke taken bijgekregen op het gebied van zorg, jeugd en werk (Nijendaal, 2014). De decentralisatie heeft plaatsgevonden met als een belangrijke reden dat gemeenten dichter bij de burgers staan. Dit zou ervoor zorgen dat de gemeenten de diensten op het gebied van zorg, jeugd en werk beter en goedkopen zouden kunnen verlenen dan de nationale overheid (Schaap, 2015, p. 156). De decentralisatie zorgt voor een grotere rol van gemeenten in het leven van mensen, waardoor de gemeenteraadsverkiezingen in belang hebben gewonnen.

In Nederland hebben de gemeenten veel belangrijke taken. Media is één van de manieren hoe mensen aan informatie komen over de verkiezingen. Zodoende helpt media kiezers besluiten op welke kandidaat te stemmen (De Swert, Vliegenthart & De Ruiter, 2014). In dit onderzoek zal onderzocht worden wat de invloed van media zichtbaarheid op voorkeurstemmen is. Dit onderzoek kan dan van maatschappelijke actoren, zoals journalisten en politieke kandidaten, hun bewustzijn vergroten over de rol die ze spelen bij verkiezingen. Zodat ze zich er beter van bewust zijn hoe hun schrijven in kranten of op social media invloed kan hebben op verkiezingen en voorkeurstemmen.

In welke mate heeft media zichtbaarheid invloed op het aantal voorkeurstemmen voor een kandidaat bij de gemeenteraadsverkiezingen?

5

Wetenschappelijke relevantie

Veel onderzoek dat is verricht naar personalisering kijkt naar de nationale situatie (André & Depauw, 2017; Holsteyn & Andeweg, 2012; Nagtzaam & Van Erkel, 2017). Ook als er wordt gekeken naar de invloed van media zichtbaarheid naar voorkeurstemmen wordt nog voornamelijk gekeken op nationaal niveau (Aaldering, Van der Meer & Van der Brug, 2018; Spierings & Jacobs, 2014 A). Er is weinig onderzoek dat zich alleen focust op het lokale niveau. Daarom zal met dit onderzoek worden getracht dit gat (gedeeltelijk) te dichten door het onderzoek te richten op het lokale niveau.

Onderzoek dat wel op lokaal niveau is uitgevoerd en enigszins vergelijkbaar is met het onderzoek dat hier uitgevoerd zal worden, is niet gedaan in Nederland. Er zijn meerdere onderzoeken naar voorkeurstemmen in de lokale politiek in België. Voorbeelden hiervan zijn het onderzoek van André, Wauters en Pilet (2012) of het onderzoek van Maddens, Weekens, Fiers en Vanlangenakker (2017). Verder zijn er artikelen over voorkeurstemmen en lokale politiek over de situatie in Oost-Europa, bijvoorbeeld het artikel van Antkowiak en Scheffs (2015). Er zijn dus meerdere onderzoeken gedaan over lokale politiek in andere Europese landen dan Nederland. Het aantal blijft echter beperkt.

De electorale systemen van deze landen verschillen met het Nederlandse systeem en uit onderzoek is gebleken dat het electorale systeem invloed heeft op het aantal voorkeurstemmen dat wordt uitgebracht (Nagtzaam & Van Erkel, 2017). Ook verschilt het per land hoeveel macht en taken een gemeente heeft. Als laatste is de politieke cultuur in elk land verschillend, wat mogelijk verschillen in de resultaten kan opleveren. Daarom is het belangrijk dat er ook onderzoek wordt gedaan naar de situatie in Nederland.

Veel mensen gebruiken een vorm van media om zich te laten informeren over de mogelijke keuzes die ze hebben bij verkiezingen (De Swert, Vliegenthart & De Ruiter, 2014). Traditionele media blijft belangrijk voor burgers om te bepalen op wie ze gaan stemmen (Aaldering, Van der Meer & Van der Brug, 2018; Aelst, Van Erkel, D’heer & Harder, 2017). Toch blijkt uit onderzoek dat ook social media invloed heeft gekregen op de verkiezingsuitkomst (Spiering & Jacobs, 2014 A; McGregor, 2018). Het grote merendeel van de artikelen die iets melden over de relatie tussen media en voorkeurstemmen focussen zich enkel op traditionele media, voornamelijk kranten (Aaldering, Van der Meer & Van der Brug, 2018; André, Wauters & Pilet, 2012), of enkel op social media. Daarbij focussen artikelen over social media zich vaak op het gebruik van Twitter (Jacobs & Spiering, 2014; McGregor, 2018), terwijl tegenwoordig ook veel gebruik wordt gemaakt van Facebook. Vanwege het belang van beide soorten media

6 zal in dit onderzoek zowel worden gekeken naar traditionele media, de kranten, als naar Twitter en Facebook. Hierdoor kan de gezamenlijke invloed van traditionele media en social media op voorkeurstemmen worden onderzocht en kan worden onderzocht wat het verschil is tussen de invloed van traditionele media en social media op voorkeurstemmen. Dit is nog weinig onderzocht.

Theoretisch kader

Personalisering

Het is belangrijk om het begrip personalisering duidelijk te hebben geconceptualiseerd. Er bestaat grote onenigheid over de precieze conceptualisering van het begrip personalisering (Holsteyn & Andeweg, 2012; Rahat & Sheafer, 2007). Zeer kort betekent personalisering dat in de politiek de individuele politicus meer centraal is gaan staan ten koste van de politieke partij en de ideologie die deze uitdraagt (Balmas et al., 2014, p. 37). In dit onderzoek wordt gekeken naar personalisering op lokaal niveau. Holsteyn en Andeweg (2012) noemen voorkeurstemmen tweede orde personalisering. Dit betekent dat iemand eerst een keuze maakt voor een politieke partij en dan binnen de kieslijst van de partij de persoon om op te stemmen kiest en dus een voorkeurstem uitbrengt.

Er wordt getracht deze conceptualisering van het begrip personalisering verder uit te breiden om meer duidelijkheid te creëren over hoe het begrip in dit onderzoek gebruikt wordt. Rahat en Sheafer (2007) splitsen het begrip personalisering om die reden op in drie verschillende categorieën. De eerste categorie betreft institutionele personalisering. Institutionele personalisering gaat erom dat de instituties, regels en andere mechanismen zo worden aangepast of langzaam veranderen dat er meer aandacht gaat naar de individuele politicus ten koste van de politieke partijen (p. 66). De tweede categorie is media personalisering. Dit houdt in dat politiek anders wordt gepresenteerd in de media. Er is meer aandacht voor individuele politici en minder aandacht voor de partij in de media (p. 67). De laatste categorie van personalisering die Rahat en Sheafer noemen ze personalisering van politiek gedrag. Dit wordt verder verdeeld tussen het gedrag van politici en het gedrag van de kiezers. Als het gaat om het gedrag van politici wordt gekeken of politici zelf ook meer focussen op het individu (zichzelf), in plaats van de partij (p. 68). De tweede vorm binnen deze categorie, het gedrag van de kiezers, gaat erom dat kiezers politiek steeds meer zien als een strijd tussen individuen en niet als een strijd enkel tussen partijen (p. 68).

7 De vormen van personalisering waar binnen dit onderzoek de aandacht naar uitgaat is media personalisering en personalisering van gedrag. In dit onderzoek wordt gekeken of media personalisering invloed heeft op voorkeurstemmen. Dit wordt gedaan door te onderzoeken of politieke kandidaten die meer in de media genoemd worden meer voorkeurstemmen krijgen. Personalisering van gedrag wordt onderzocht door te kijken naar social media. Er wordt gekeken naar hoezeer een politicus zichzelf profileert en welke invloed dit heeft op het aantal verkregen voorkeurstemmen.

Zoals eerder vermeld worden voorkeurstemmen door Holsteyn en Andeweg (2012) tweede orde personalisering genoemd. Dit heeft betrekking op het idee van personalisering van het gedrag van kiezers. Het gaat bij tweede orde personalisering om een tweede keuze die kiezers maken nadat ze eenmaal een partij hebben gekozen om op te stemmen. De tweede keuze die ze maken is op welke politicus binnen deze partij ze gaan stemmen. Bij voorkeurstemmen is er niet altijd sprake van tweede orde personalisering. Een kiezer kan immers ook eerst de persoon weten waarop hij wil stemmen zonder eerst een partij in gedachte te hebben. Toch blijkt uit onderzoek dat maar ongeveer 9% van de kiezers een persoon boven de partij kiest en van partij zou wisselen als deze politieke kandidaat van partij wisselt. De rest maakt eerst de keuze voor de partij en kijkt dan naar de kandidaten binnen de partij (Holsteyn & Andeweg, 2010). Hieruit blijkt dat voorkeurstemmen een duidelijke indicator zijn voor tweede orde personalisering.

Theorieën

Er bestaan nog geen onderzoeken die zowel kijken naar de relatie tussen traditionele media als

social media en voorkeurstemmen bij gemeenteraadsverkiezingen in Nederland. Wel zijn er

onderzoeken die conclusies hebben die mogelijk kunnen overeenkomen met de conclusies van dit onderzoek. Daarom zullen hier deze onderzoeken worden besproken om te kijken wat mogelijke hypothesen voor dit onderzoek zijn.

Uit onderzoek blijkt dat kandidaten die hun campagne richten op het behalen van voorkeurstemmen deze vaak ook in grotere getalen krijgen dan kandidaten die zich in hun campagne vooral richten op de gehele politieke partij. Meer specifiek blijkt dat als kiezers politieke kandidaten kennen van de media ze meer voorkeurstemmen ontvangen (Holsteyn & Andeweg, 2012, p. 178; Erkel, Thijssen & Van Aelst, 2017;). Politici kunnen worden genoemd in de media voor de dingen die zij in hun ambtsperiode hebben gedaan, vanwege (controversiële) uitspraken, of vanwege acties tijdens hun verkiezingscampagne. Daarnaast

8 krijgen nationale politieke partijen zendtijd en kunnen ze media-aandacht kopen (Aalberts, 2014). Bij de lokale politiek komt media zichtbaarheid onder andere van de lokale kranten. Veel van deze kranten worden gratis deur-tot-deur langsgebracht of zijn online te lezen. Benoemingen in deze kranten zorgen ervoor dat iemand media zichtbaarheid krijgt, doordat de persoon door het electoraat wordt gezien in een media outlet. Dit positieve verband tussen media zichtbaarheid, dat over een politicus in de krant wordt geschreven, en voorkeurstemmen lijkt zowel op nationaal niveau (Holsteyn & Andeweg, 2012; Aaldering, Van der Meer & Van der Brug, 2018) als op lokaal niveau voor te komen (André, Wauters & Pilet, 2012; Maddens, Weekens, Fiers & Vanlangenakker, 2017; Antkowiak & Scheffs, 2015). Hoewel de bestaande onderzoeken op lokaal niveau niet in Nederland zijn uitgevoerd, wordt toch de volgende hypothese geformuleerd:

H1: Er bestaat een positieve relatie tussen naambenoemingen in lokale kranten en het aantal behaalde voorkeurstemmen

Politici hebben weinig invloed in wat in de lokale kranten staat en kunnen op deze manier hun media zichtbaarheid nauwelijks beïnvloeden. Dit is wel mogelijk met behulp van social media. Veel mensen maken tegenwoordig gebruik van één of meer social media kanalen zoals Twitter of Facebook (CBS, 2018 A). Social media kan door kandidaten makkelijk en zonder grote kosten gebruikt worden om een persoonlijke campagne te starten en meer naamsbekendheid te krijgen en zo hun media zichtbaarheid te vergroten (Spiering & Jacobs, 2014 A).

Er is voornamelijk onderzoek gedaan naar de invloed van Twitter op voorkeurstemmen. Uit onderzoek is gebleken dat er een positief verband bestaat tussen Twitter gebruik en het aantal gekregen voorkeurstemmen. Al blijkt ook uit dezelfde onderzoeken dat dit verband minimaal is (Spierings & Jacobs, 2014 A; Kruikemeijer, Van Noort, Vliegenthart & De Vreese, 2015). Uit het onderzoek van Spierings en Jacobs (2014 A) blijkt dat alleen het hebben van Twitter al leidt tot meer voorkeurstemmen. Dit positieve verband blijkt zowel aanwezig voor politici met veel en weinig volgers, al is dit effect heel klein (Spierings & Jacobs, 2014 A, p. 225). Dit kleine positieve effect komt mogelijk doordat het hebben van een social media account een symbolische waarde heeft, namelijk dat het idee ontstaat dat de kandidaat modern is (Spierings & Jacobs, 2014 A, p. 218). Volgens dit onderzoek is het voornamelijk belangrijk dat een kandidaat een actieve gebruiker is op zijn social media account. Dat de kandidaat veel berichten verstuurt en zijn aantal volgers uitbreidt (Spierings & Jacobs, 2014 A, p. 228). Als een kandidaat minder volgers heeft verkleind dit de reikwijdte van zijn Tweets en hiermee het

9 effect dat het gebruik van social media heeft op het aantal verkregen voorkeurstemmen (Spiering & Jacobs, 2014 A). Hieruit blijkt dat het gebruik van social media mogelijk grote invloed heeft op het aantal voorkeurstemmen die worden uitgebracht. Zowel het aantal verstuurde berichten, als het aantal volgers is belangrijk voor dit effect. Daarnaast blijkt uit het onderzoek van Spierings en Jacobs (2014 A) dat als iemand 1.000 volgers heeft, dit meer dan 1.000 voorkeurstemmen erbij oplevert dat iemand zonder social media (p. 229). Dit geeft aan dat sommige volgers het social media account gebruiken om andere kiezers te overtuigen op een kandidaat te stemmen. De reikwijdte van berichten is mogelijk erg belangrijk en dus ook hoeveel berichten gedeeld worden. Hieruit volgen de volgende hypothesen:

H2: Er bestaat een positieve relatie tussen het aantal verstuurde social media berichten en het aantal behaalde voorkeurstemmen

H3: Er bestaat een positieve relatie tussen het aantal social media volgers en het aantal behaalde voorkeurstemmen

H4: Er bestaat een positieve relatie tussen het aantal gedeelde berichten en het aantal behaalde voorkeurstemmen

Het medialandschap is erg aan het veranderen. De betaalde printoplage van landelijke kranten daalt al sinds de eeuwenwisseling (SVDJ, 2018). Dit terwijl 87% van de mensen in 2017 wel gebruik maakte van social media (CBS, 2018 A). Vooral jongeren lijken steeds meer hun nieuws en informatie alleen nog te ontvangen door middel van social media (Aldrich, Gibson, Cantijoch & Kontizer, 2016). Als jongeren dan politieke berichten op social media voorbij zien komen kan dit een positief effect hebben op hun politieke betrokkenheid (Kruikemeier, Noort, Vliegenthart, Vreese, 2013). Een vergrote politieke betrokkenheid kan mogelijk leiden tot het geven van meer voorkeurstemmen. Daarnaast laten social media kanalen het toe om meer persoonlijk in contact te komen met een kandidaat politici (Jacobs & Spierings, 2014). Het is mogelijk om te reageren onder de social media berichten van kandidaten. Hierdoor treedt interactie tussen de kandidaat en de kiezer op (Spierings & Jacobs, 2014 B, p. 140). Dit zorgt voor meer bekendheid en dat kan mogelijk weer leiden tot meer voorkeurstemmen. Dit is zeer lastig bij traditionele media, aangezien daar geen directe interactie tussen kandidaat en kiezer mogelijk is. De laatste hypothese is dan ook:

H5: de invloed van social media op voorkeurstemmen is groter dan de invloed van de traditionele media op voorkeurstemmen

10 Er zijn ook theorieën over andere zaken dan media die invloed hebben op het aantal voorkeurstemmen dat een politicus krijgt bij de verkiezingen. Zo zijn de karakteristieken van een kandidaat van belang. De belangrijkste factor is dat de kandidaat een vrouw is (Holsteyn & Andeweg, 2012; Smulders, Put & Maddens; 2018). Dit heeft voornamelijk invloed op de hoogste vrouw op de lijst. De rest van de vrouwen op de lijst krijgen nauwelijks meer voorkeurstemmen dan de mannen (Holsteyn & Andeweg, 2012, p. 181). Eenzelfde verband bestaat er voor de eerste persoon met een niet-Westerse achtergrond op de lijst. Ook deze krijgt meer voorkeurstemmen, maar dit is nauwelijks meer het geval voor de lager geplaatste personen met een niet-Westerse achtergrond (Holsteyn & Andeweg, 2012, p. 182). Naast deze karakteristieken krijgen kandidaten die al actief zijn in de politiek meer voorkeurstemmen (Holsteyn & Andeweg, 2012). Als laatste heeft ook lijstpositie invloed op het aantal voorkeurstemmen. Dit verband is niet lineair. Bij een onderzoek naar de Tweede Kamerverkiezingen van 2010 blijkt dat er een sterk afnemend verband is bij de posities 2 tot ongeveer 8. De posities tot 15 neemt het langzaam nog een beetje af, maar dit is veel minder dan bij de voorgaande posities. Vanaf positie 15 lijkt er geen verband meer te bestaan tussen lijstposities en voorkeurstemmen (Holsteyn & Andeweg, 2012, pp. 179-180).

Voorkeurstemmen

Het idee van een voorkeurstem is dat je een stem specifiek op een persoon binnen een partij uitbrengt omdat die persoon je erg aanspreekt. Bijvoorbeeld de standpunten van de persoon of de karaktereigenschappen (Andeweg & Holsteyn, 2012, p. 167). Toch verschilt het per land wat precies als voorkeurstem wordt beschouwd. In sommige landen, met een lijstensysteem, kunnen helemaal geen voorkeurstemmen worden uitgebracht. Dit is een gesloten lijstsysteem. Kiezers kunnen dan alleen een stem uitbrengen voor een gehele lijst en hebben geen invloed op de samenstelling van de fractie. In andere landen zijn alle stemmen voorkeurstemmen. Een politieke partij stelt daar wel een lijst op, maar deze volgorde heeft geen invloed op wie uiteindelijk wordt verkozen. Er wordt niet naar de volgorde van de lijst gekeken, maar alleen naar hoeveel stemmen kandidaten op de lijst ontvangen. Kandidaten met de meeste stemmen worden verkozen. Dit zijn volledig open lijsten (Karvonen, 2004). Nederland zit tussen het gesloten lijst systeem en het open lijst systeem in en heeft een flexibel lijst systeem (Karvonen, 2004). De lijsten die de politieke partijen hebben opgesteld hebben grote invloed op wie een zetel krijgt. Gewoonlijk worden alle stemmen op een partij, op welke kandidaat dan ook, bij elkaar opgeteld en de bovenste mensen op de lijst krijgen de zetels. Om met voorkeurstemmen

11 gekozen te worden bestaat er een voorkeursdrempel van 25% van de kiesdeler voor grotere gemeenten. Bij kleinere gemeenten met minder dan 19 zetels is de voorkeursdrempel 50% van de kiesdeler. (Kiesraad, z.d.). Als een kandidaat deze voorkeursdrempel haalt en zijn politieke partij behaalt een zetel is deze kandidaat verzekerd van een zetel. Als niemand de voorkeursdrempel haalt wordt gekeken naar de volgorde van de door de politieke partij vastgestelde lijsten. Dit betekent dat Nederland een systeem heeft van “zwakke” voorkeurstemmen, omdat de voorkeurstemmen wel invloed kunnen hebben maar dit niet vaak het geval is. (Spierings & Jacobs, 2014 A, p. 220).

Bij Nederlandse verkiezingen worden alle stemmen op een individuele kandidaat uitgebracht. Het is niet mogelijk om voor een gehele partijlijst te stemmen. Hierdoor lijkt het in eerste instantie dat alle stemmen die worden uitgebracht voorkeurstemmen zijn. Dit is niet het geval. In de Nederlandse situatie wordt er van een voorkeurstem gesproken als een stem niet is uitgebracht op de eerste naam op de lijst, de lijsttrekker, maar op een persoon verder op de lijst (Holsteyn & Andeweg, 2012, p. 167). Er wordt hierbij dus aangenomen dat een stem op de lijsttrekker een stem is voor de gehele partij of dat iemand het eens is met de volgorde van de lijst. Dit hoeft natuurlijk niet het geval te zijn, iemand kan ook specifiek voor de lijstrekker stemmen vanwege de eigenschappen van die persoon. Deze mogelijkheid wordt hier achterwege gelaten, omdat het onmogelijk is om op basis van verkiezingsuitslagen te achterhalen of een stem op de lijstrekker als partijstem of persoonsstem was1_.

Methodologie

Casusselectie

Vanwege de beperkte tijd is het niet mogelijk om alle partijen in alle Nederlandse gemeenten te onderzoeken. Er zijn drie gemeenten geselecteerd die hier onderzocht zullen worden. Bij het selecteren van de gemeenten is rekening gehouden met de verschillende groottes die gemeenten hebben. De drie geselecteerde gemeenten hebben allemaal een verschillende grootte, zodat dit onderzoek zich niet focust op één maat gemeenten maar onderzoek doet naar gemeenten van verschillende grootte. Aangezien gemeenten veel kunnen verschillen in grootte. Er is gekozen om alle gemeenten uit één provincie te selecteren. Dit verkleint de kans dat verschillende regionale en lokale identiteiten invloed hebben op de uitkomst van het onderzoek. In Friesland

1 _{Uit onderzoek van Nagtzaam & Van Erkel (2017) blijkt dat niet alle stemmen anders dan op de lijsttrekker per}

12 of Limburg zijn andere gedachten over regionale en lokale identiteit dan in andere provincies. (Duyvendack, 2008). Deze andere gedachten over identiteit en sociale groepen kan mogelijk gevolgen hebben voor het aantal voorkeurstemmen die worden gegeven. In Limburg wordt binnen de lokale politiek meer gefocust op de persoon en dit zorgt ervoor dat bijna twee keer zoveel mensen in 2010 een persoonsstem uitbrachten in vergelijking met de rest van Nederland (Boogers & Van Oostaaijen, 2010, p. 26). Om dit effect uit te sluiten is besloten alle gemeenten te selecteren uit één provincie. Alle geselecteerden gemeenten komen uit de provincie Zuid-Holland dat qua inwoneraantal de grootste provincie is met op 1 januari 2019 3.661.122 inwoners (CBS, 2019 A). Er is met behulp van de gebruikte grootteverdeling van de Vereniging van Nederlandse Gemeenten (2017) het volgende schema van grootte gemaakt. Een kleine gemeente heeft minder dan 30.000 inwoners. Een gemeente van middelgrootte heeft een inwonersaantal van tussen de 30.000 en 55.000. Grote gemeenten hebben meer dan 55.000 inwoners (zie tabel 1).

Tabel 1. Indeling gemeenten Zuid-Holland op basis van inwonersaantal per 1-1-2019 Grootte gemeenten Aantal gemeenten Zuid-Holland

Klein < 30.000 19

Middel 30.000 – 55.000 15

Groot > 55.000 18

Totaal 52

Noot: Data van Statline, CBS (2019 B).

Voor de selectie van de drie gemeenten is uit elke grootteklasse één gemeente geselecteerd. Gemeenten die door herverdeling op een ander moment verkiezingen hadden dan 21 maart 2018 zijn niet meegenomen. Er is een selectie van gemeenten gemaakt die alle drie één lokale partij in de top drie grootste partijen hadden staan na de verkiezingen van 2018. Verder is gekeken of bij de gemeenten dezelfde partijen als grote partijen uit de verkiezingen van maart 2018 kwamen. De geselecteerde gemeente uit de categorie kleine gemeenten is de gemeente Lisse. Deze gemeente heeft 22.807 inwoners per 1 januari 2019. De geselecteerde gemeente uit de categorie middelgrootte gemeenten is de gemeente Teylingen. Gemeente Teylingen had op 1 januari 2019 37.061 inwoners. De geselecteerde grote gemeente is de gemeente Den Haag of ’s-Gravenhage (verder Den Haag) met 537.998 inwoners per 1 januari 2019 (CBS, 2019 B).

13 Alle drie de gemeenten hadden een lokale partij als één van hun drie grootste partijen. Lokale partijen bestaan alleen in gemeenten. Lokale partijen komen vaak op voor een specifiek lokaal belang. Kiezers die op de lokale partijen stemmen hebben vaak veel interesse in de lokale politiek en stemmen vanwege dat lokale belang (Steenvoorden, Broekema & Van der Waal, 2017, pp. 36-37). Omdat deze partijen zich specifiek focussen op één gemeente en dus op deze manier verschillen van lokale afdelingen van nationale politieke partijen is het belangrijk om deze mee te nemen in het onderzoek omdat ze mogelijk andere resultaten kunnen opleveren. Voor de gemeente Lisse was dit de partij Nieuw Lisse. Nieuw Lisse is nu de tweede partij binnen de gemeente Lisse (Gemeente Lisse, 2018). De lokale partij voor de gemeente Teylingen is de partij Trilokaal, deze partij werd de derde partij in grootte (Gemeente Teylingen, 2018). In de gemeente Den Haag is de lokale partij bij de verkiezingen van 2018 de grootste partij geworden binnen de gemeente. Dit is de lokale partij Groep de Mos/ Hart voor Den Haag (Gemeente Den Haag, 2018). Naast deze lokale partijen zal er gekeken worden naar de lokale afdelingen van de politieke partijen VVD en CDA in elke gemeente. Uit alle politieke partijen die al langere tijd een grotere rol spelen binnen de gemeenten zijn deze twee partijen willekeurig gekozen, aangezien uit de bestaande literatuur niet naar voren komt dat er grote verschillen zijn tussen partijen.

Er zal bij dit onderzoek worden gekeken naar de helft van de personen op de lijsten van de lokale partij, de VVD en het CDA2_{. Deze selectie wordt gemaakt omdat het niet mogelijk is} om naar alle personen te kijken vanwege het beschikbare tijdsbestek voor dit onderzoek. Er wordt niet naar de lijstrekker gekeken. Een stem op de lijstrekker wordt beschouwd als het niet geven van een voorkeurstem, maar het geven van een partijstem. De voorkeurstemmen van de gemeenteraadsverkiezingen worden bijgehouden in een database van data.overheid.nl (z.d.) in de dataset “verkiezingsuitslagen Gemeenteraad 2018”. Voor dit onderzoek zal van deze data gebruik worden gemaakt.

In dit onderzoek wordt gekeken naar media zichtbaarheid. Dit wordt gedaan door zowel te kijken naar traditionele media als naar social media. Er zal naar traditionele media worden gekeken door te kijken naar lokale kranten en naar één regionale krant. De kranten zijn geselecteerd omdat het gratis huis-aan-huis bladen zijn en dus gratis worden verspreid. Dit zorgt ervoor dat ook mensen die weinig tijd besteden aan het opzoeken van politieke informatie deze informatie makkelijk krijgen. Er hoeft geen extra moeite gedaan te worden door kiezers om

14 deze politieke informatie in de kranten te krijgen. Voor de gemeente Lisse zullen de artikelen in de lokale kranten het Lissernieuws en het Lisses Nieuwsblad worden onderzocht en de Regionale Weekendkrant. Voor de gemeente Teylingen zullen de lokale kranten het Teylinger Nieuwsblad, de Teylinger en ook de regionale Weekendkrant. Deze regionale krant wordt zowel in de gemeente Lisse als in de gemeente Teylingen rondgebracht. Voor de gemeente Den Haag zal naar de lokale kranten de Scheveninger, de Loosduinse Krant en de ZuidWesterKrant worden gekeken. De Loosduinse Krant en de ZuidWesterKrant komen uit het gezamenlijke archief bij Haagmedia (z.d.). Dit zijn niet de enige huis-aan-huis bladen in Den Haag, maar wel de enige die een archief hebben dat teruggaat tot 21 december 2017. Alle kranten werden eens per week geleverd.

Naast kranten is ook social media niet meer weg te denken uit het medialandschap. In 2017 maakte 87% van de Nederlanders van boven de 18 er wel eens gebruik van en 1 op de 10 mensen zegt zichzelf verslaafd aan social media te vinden (CBS, 2018 A). Social media onderscheidt zich van traditionele media, voornamelijk omdat het een directe band creëert tussen een politicus en de kiezer. Er is de mogelijkheid tot interactie tussen politicus en kiezer door middel van likes, retweets of het geven van commentaar. Daarnaast kunnen politici op deze wijze zelf bepalen wat ze naar buiten brengen. Ze zijn hiervoor niet meer afhankelijk van journalisten (Spierings & Jacobs, 2014 B, p. 138). Er zijn veel verschillende vormen van social

media. Binnen de politiek worden Twitter en Facebook al een tijd als de meest belangrijke

vormen gezien. Op deze twee social media sites kunnen gebruikers berichtjes plaatsen en kunnen politici zo hun standpunten promoten, maar er kunnen ook meer persoonlijke berichten worden geplaatst (Spierings & Jacobs, 2014 B, p. 138). Er is dan ook voor gekozen om onderzoek te doen naar deze twee social media kanalen.

Methode van onderzoek

De belangrijkste onafhankelijke variabelen van dit onderzoek hebben betrekking op media zichtbaarheid. De onafhankelijke variabele bestaat uit vier interval-ratio variabelen. Er wordt gekeken naar hoe vaak een kandidaat genoemd wordt in de krant, hoeveel volgers iemand heeft op social media, hoeveel iemand op social media plaatst en hoe vaak de berichten worden gedeeld. Al deze zaken zorgen voor media zichtbaarheid voor de kandidaat politicus. Om de media zichtbaarheid van een kandidaat politicus in de lokale politiek te meten moet worden geteld hoe vaak de persoon is genoemd in de lokale kranten, hoe veel “volgers” of “vrienden” de persoon heeft op social media, hoeveel berichten de persoon heeft verstuurd en hoe vaak

15 deze berichten zijn gedeeld3_{. Al snel bleek dat de meeste kandidaat politici een vorm van social}

media gebruikten4_{. Veel kandidaten hebben op Facebook meerdere accounts. Als dit het geval} bleek te zijn is er gekozen om het account te selecteren dat het meest wordt gebruikt om de verkiezingen en eigen kandidaatschap te promoten. Deze keuze is gemaakt omdat mensen die onderzoeken of ze op deze persoon stemmen waarschijnlijk ook gebruik maken van dit account.

De data over van het aantal volgers dat een kandidaat heeft op een social media site is omgezet in procenten van het aantal kiesgerechtigden, zodat is gecorrigeerd voor de verschillende groottes van de gemeenten5_{. Er wordt gekeken naar een periode van drie maanden} voor de meest recente verkiezingen van 2018. Dit is de periode dat verwacht wordt dat veel politici met de verkiezingen bezig zullen zijn. De info uit de kranten komt van de sites van de kranten zelf, die een online archief hebben van recent uitgekomen kranten6_{. Verder zal via de}

social media kanalen zelf de benodigde informatie worden verzameld. De gegevens van de

afhankelijke variabelen, de hoeveelheid voorkeurstemmen, zijn verkregen vanuit de database van data.overheid.nl (z.d.). Dit betreft ook data op interval-ratio niveau. De afhankelijke variabele, het aantal voorkeurstemmen voor een kandidaat, is omgezet in procenten van het aantal stemmen voor de politieke partij. Zo is rekening gehouden met het verschil in aantal stemmen voor een partij en het aantal stemmen dat per gemeente kan worden gegeven.

Er is kwantitatief onderzoek gedaan, waarmee wordt getracht de hypothesen te testen en een antwoord op de onderzoeksvraag te kunnen geven. Er wordt gecontroleerd op de mogelijke invloeden van voorkeurstemmen van de plaats van een kandidaat op de lijst, of de persoon eerder raadslid, wethouder of burgemeester is geweest, de eerste vrouw op de lijst en of de eerste persoon op de lijst van een niet Westerse achtergrond is. Uit onderzoek van Holsteyn en Andeweg (2012) is gebleken dat deze zaken het aantal voorkeurstemmen dat iemand ontvangt positief kan beïnvloeden. Daarnaast wordt er gecontroleerd op de verschillende gemeenten, om uit te sluiten dat er geen grote verschillen binnen de gemeenten zijn die de resultaten kunnen beïnvloeden.

Er zijn drie lineaire regressie-analyses uitgevoerd. Omdat de afhankelijke variabele zeer scheef verdeeld bleek te zijn, werd niet aan de assumptie van normaliteit voldaan. Daarom is de afhankelijke variabele voorkeurstemmen log getransformeerd. Bij het kijken naar de coëfficiënten in de resultaten wordt gebruik gemaakt van de formule e^b, om iets te kunnen

3 _{Zie bijlage 2, tabel 2 voor beschrijvende statistiek over de onafhankelijke variabelen.} 4 _{Zie bijlage 2, tabel 1 voor gegevens over het hebben van social media.}

5 _{Kiesgerechtigden per gemeenten: Den Haag: 408.200; Teylingen: 28.700; Lisse: 18.200 (CBS, 2018 B).} 6 _{Voor het aantal krantenberichten per krant zie bijlage 1.}

16 melden over de log getransformeerde afhankelijke variabele. Waarbij e een constante is van 2,71 en b de coëfficiënt (Benoit, 2011). Er is gebruikt gemaakt van hiërarchische regressie. Bij elk regressiemodel werden eerst de controlevariabelen ingevoerd en in het tweede blok de onafhankelijke variabelen. Zo kon er gekeken worden of de onafhankelijke variabelen bijdragen aan de voorspellende kracht van het model. In het eerste model zijn de controlevariabelen: gemeenten, eerste vrouw op de lijst, eerste persoon van niet-Westerse achtergrond en lijstpositie. In dit model bleken gemeenten en eerste persoon van niet-Westerse achtergrond niet significant. Respectievelijk p=0,538 en p=0,246 voor gemeenten en p=0,057 voor eerste persoon van niet-Westerse achtergrond. Omdat deze controlevariabelen niet significant bijdragen aan het voorspellen van de afhankelijke variabele voorkeurstemmen en omdat in de andere modellen meer onafhankelijke variabelen worden ingevoerd, wat voor problemen kan zorgen in verband met het vrij klein aantal casussen, is ervoor gekozen deze controlevariabelen niet in model 2 en 3 in te voegen.

In het eerste regressiemodel zijn de onafhankelijke variabelen: het aantal benoemingen in de lokale kranten (interval-ratio) en of iemand social media, Twitter of Facebook, heeft (dummy, dichotoom). In het tweede regressiemodel wordt de onafhankelijke variabele het hebben van social media verder opgesplitst in het aantal volgers op Twitter, het aantal geplaatste Twitter berichten, het aantal keer dat de Twitter berichten zijn gedeeld, het aantal volgers op Facebook, het aantal geplaatste Facebook berichten en het aantal keer dat de Facebook berichten zijn gedeeld (interval-ratio). Ook de variabele het aantal benoemingen in de lokale kranten werd weer in het model gevoegd. Bij beide modellen was er mogelijk sprake van extreme casussen. Cook’s distance was wel onder 1, maar als er gekeken werd naar de Mahalanobis distance bleken er toch extreme casussen te zijn. Daarom is nog een derde analyse gedraaid, waarbij alle social media variabelen zijn opgedeeld in drie categorieën. Hierdoor wordt gecorrigeerd voor het probleem van extreme casussen aangezien alle gegevens nu binnen één van de drie categorieën vallen. De categorieën zijn telkens: geen, weinig en veel7_{. De} variabele krant is interval-ratio gelaten. Deze onafhankelijke variabelen zijn samen met de controle variabelen in een derde regressiemodel gezet om te kijken of dit voor een verschil in de resultaten zorgt. Voor het beantwoorden van de hypothesen en onderzoeksvraag zal naar alle drie de modellen gekeken worden, aangezien ze elkaar kunnen versterken en aanvullen.

17

Resultaten

De drie uitgevoerde lineaire regressie modellen worden gebruikt om de hypothesen te testen en na te gaan of ze gehandhaafd blijven. Eerst moeten de assumpties van een lineaire regressie worden getest, zodat de resultaten van de analysen goed worden geïnterpreteerd. Zoals vermeld bij de methode van onderzoek voldeed model 2 niet aan de assumptie van extreme casussen, daarom is er een derde analyse gedraaid waarin de social media variabelen in categorieën zijn verdeeld om de gevolgen van dit probleem te verkleinen. Verder was de assumptie van normaliteit een probleem en is daarom de afhankelijke variabele log getransformeerd. Ook hierna blijkt dat alle drie de modellen licht positief skewed zijn. Verder waren er geen grote problemen met de assumpties8,9_.

Uit de voorspellende waarden van de modellen blijkt dat als de nieuwe variabelen in model 2 van elk regressiemodel worden ingevuld, dat de voorspellende waarde van het model niet veel of significant stijgt10_{. Wel verbeteren alle modellen wel significant ons vermogen om} de afhankelijke variabele te voorspellen, maar dan zijn ook de controle variabelen ingevoerd11_. Hieruit blijkt dat social media en het aantal benoemingen in de krant de voorspellende waarde van het model niet veel verbeteren en ze waarschijnlijk niet veel betekenen voor het voorspellen van het aantal voorkeurstemmen. Om dit duidelijker te krijgen zullen de hypothesen apart besproken worden met de modellen die van belang zijn voor de verschillende hypothesen.

H1: Er bestaat een positieve relatie tussen naambenoemingen in lokale kranten en het aantal behaalde voorkeurstemmen

De eerste hypothese wordt getest door te kijken naar alle drie de regressiemodellen (zie tabellen 2, 3 en 4, pp. 19-21). Deze hypothese verwacht een positieve relatie tussen het aantal benoemingen van de kandidaten in de lokale kranten en het aantal behaalde voorkeurstemmen. Uit de drie modellen lijkt voort te komen dat er een heel kleine positieve relatie bestaat tussen

8 _{Durbin-Watson model 1: 1,645; model 2: 1,746; model 3: 1,965. Allen iets kleiner dan 2, dus wel een lichte}

positieve correlatie

9 _{Multicollineariteit: tussen Twitter berichten en Twitter gedeeld 0,785 en tussen Facebook berichten en Facebook}

gedeeld 0,825. Er is besloten wel alle variabelen in het model te laten aangezien het kleiner is dan 0,9.

10 _{Change statistics: Regressiemodel 1, model 1.2: R}2_{change= 0,010; F-ratio: 1,844; p= 0,162). Regressiemodel}

2, model 2.2: R2_{change= 0,033; F-ratio= 1,035; p= 0,415. Regressiemodel 3, model 3.2: R}2_{change= 0,030;}

F-ratio= 0,476; p =0,931.

11 _{Regressiemodel 1: F-ratio= 30,732; p<0,001. Regressiemodel 2: F-ratio= 14,883; p<0,001. Regressiemodel 3:}

18 het aantal benoemingen in de krant en het aantal voorkeurstemmen. Als het aantal benoemingen in de lokale kranten met één toeneemt, dan wordt er verwacht dat het aantal voorkeurstemmen met respectievelijk 0,1% (model 1.2), 0,4% (model 2.2) of 0,9% (model 3.2) toeneemt. Dit resultaat is echter niet significant. Deze analyse kan de hypothese dat er een positieve relatie bestaat tussen naambenoemingen in lokale kranten en het aantal behaalde voorkeurstemmen daarom niet bevestigen.

H2: Er bestaat een positieve relatie tussen het aantal verstuurde social media berichten en het aantal behaalde voorkeurstemmen

Om de tweede hypothese te testen wordt gekeken naar de lineaire regressiemodellen 2 en 3 (zie tabel 3 en 4, pp. 20-21) om een zo volledig mogelijk beeld te creëren. De tweede hypothese verwacht een positieve relatie tussen het aantal social media berichten en het aantal behaalde voorkeurstemmen. Er wordt niet naar regressiemodel 1 gekeken omdat dit model het hebben van social media als één variabele gebruikt en niet specifiek kijkt naar het aantal verstuurde berichten. Uit regressiemodel 2, model 2.2 komt al heel duidelijk naar voren dat er geen verband wordt gevonden tussen het aantal social media berichten en het aantal voorkeurstemmen dat een kandidaat ontvangt. Zowel voor Twitter berichten als voor Facebook berichten is de b-waarde bijna nul, wat betekent dat als het aantal berichten met 1 toeneemt er wordt verwacht dat het aantal voorkeurstemmen met 0% toeneemt. Er wordt dus nauwelijks een effect waargenomen.

Regressiemodel 3, model 3.2 laat voor Facebook berichten een gelijksoortig resultaat zien als model 2.2, dat ook niet significant is. Voor Twitter berichten laat regressiemodel 3, model 3.2 een licht negatief verband zien. Er wordt verwacht dat iemand met weinig Twitter berichten 4,8% minder voorkeurstemmen krijgt dan iemand zonder Twitter berichten en iemand met veel Twitter berichten 4,4% minder voorkeurstemmen krijgt dan iemand zonder Twitter berichten. Daarom kan uit deze analyse niet worden afgeleid of het hier om een positief of negatief verband gaat. Toch is het waarschijnlijk dat het effect erg klein is. De hypothese dat er een positieve relatie bestaat tussen het aantal social media berichten en het aantal verkregen voorkeurstemmen kan daarom met deze analyse niet worden bewezen, maar ook niet worden weerlegd.

19 Tabel 2. Lineair regressiemodel 1 van het aantal voorkeurstemmen per kandidaat

Model 1.1 Model 1.2

(Constante) 0,550 0,345

(0,095) (0,143)

Het hebben van social media (Ref. = nee)

Ja 0,189

(0,100)

Aantal benoemingen krant 0,001

(0,009) Gemeenten (Ref. = Den Haag)

Teylingen 0,024 0,048

(0,078) (0,078)

Lisse 0,074 0,110

(0,093) (0,095)

Eerste persoon niet-Westerse achtergrond (Ref. = nee)

Ja -0,422 -0,413

(0,214) (0,215)

Eerste vrouw op de lijst (Ref. = nee)

Ja 0,580*** 0,570***

(0,127) (0,127)

Al zittend raadslid/ wethouder (Ref. = nee)

Ja 0,295** 0,291** (0,089) (0,127) Plaats partijlijst -0,048*** -0,046*** (0,006) (0,006) R2 _{0,651 0,661} Adj. R2 _{0,635 0,640} N 135 135

Noot: OLS-regressiecoëfficiënten met standaardfouten tussen haakjes.

20 Tabel 3. Lineair regressiemodel 2 van het aantal voorkeurstemmen per kandidaat

Model 2.1 Model 2.2 (Constante) 0,544 0,431 (0,095) (0,0126) Twitter volgers 0,063 (0,0124) Twitter berichten 0,000 (0,001) Twitter gedeeld -0,003 (0,003) Facebook volgers 0,112 (0,057) Facebook berichten 0,000 (0,002) Facebook gedeeld 0,001 (0,002)

Aantal benoemingen krant 0,004

(0,019) Eerste vrouw op de lijst (Ref. = nee)

Ja 0,663*** 0,698***

(0,178) (0,182)

Al zittend raadslid/ wethouder (Ref. = nee)

Ja 0,274* 0,294* Plaats partijlijst -0,050*** -0,045*** (0,007) (0,008) R2 _{0,635 0,668} Adj. R2 _{0,662 0,623} N 85 85

Noot: OLS-regressiecoëfficiënt met standaardfouten tussen haakjes.

21 Tabel 4. Lineair regressiemodel 3 van het aantal voorkeurstemmen per kandidaat

Model 3.1 Model 3.2

(Constante) 0,544 0,503

(0,095) (0,144)

Twitter volgers (Ref. = geen)

Weinig -0,074

(0,127)

Veel -0,044

(0,187) Twitter berichten (Ref. = geen)

Weinig -0,047

(0,254)

Veel -0,043

(0,0292) Twitter gedeeld (Ref. = geen)

Weinig 0,116

(0,256)

Veel -0,012

(0,273) Facebook volgers (Ref. = geen)

Weinig 0,110

(0,153)

Veel 0,165

(0,140) Facebook berichten (Ref. = geen)

Weinig -0,176

(0,224)

Veel -0,302

(0,292) Facebook gedeeld (Ref. = geen)

Weinig 0,008

(0,213)

Veel 0,179

(0,275)

Aantal benoemingen krant 0,009

(0,020) Eerste vrouw op de lijst (Ref. = nee)

Ja 0,663*** 0,690**

(0.178) (0,191) Al zittend raadslid/ wethouder (Ref. = nee)

Ja 0,274* 0,258 (0,115) (0,131) Partijlijst -0,050*** -0,046*** (0,007) (0,009) R2 _{0,635 0,666} Adj. R2 _{0,622 0,587} N 85 85

Noot: OLS-regressiecoëfficiënten met standaardfouten tussen haakjes

22

H3: Er bestaat een positieve relatie tussen het aantal social media volgers en het aantal behaalde voorkeurstemmen

De volgende hypothese die is getest kijkt of er een positieve relatie bestaat tussen het aantal

social media volgers en het aantal behaalde voorkeurstemmen. Ook hiervoor zullen de

regressiemodellen 2 en 3 worden gebruikt (zie tabel 3 en 4, pp. 20-21). Uit regressiemodel 2, model 2.2 blijkt dat het gevonden positieve verband tussen het aantal Twitter volgers en het aantal voorkeurstemmen verre van significant is. Bij regressiemodel 3, model 3.2 wordt er een niet significant negatief verband gevonden als het aantal Twitter volgers verandert van geen naar weinig of veel.

Als er gekeken wordt naar Facebook volgers, dan blijkt uit regressiemodel 2, model 2.2 dat als het aantal Facebook volgers met 1% toeneemt van het aantal kiesgerechtigden, dan wordt verwacht dat het aantal voorkeurstemmen toeneemt met 11,8%. Dit resultaat is niet significant bij p<0,05, maar komt er wel veel dichter in de buurt dan eerdere resultaten met een p van 0,055. Er lijkt een kleine positieve relatie te bestaan tussen het aantal Facebook volgers en het aantal verwachte voorkeurstemmen als voor significantie de kritieke waarde van p<0,1 wordt aangehouden. Als naar regressiemodel 3, model 3.2 wordt gekeken lijkt er nog steeds een positief verband te bestaan tussen een toename in het aantal Facebook volgers van geen naar weinig, naar veel. Deze waarden zijn echter niet meer significant bij p<0,1.

De hypothese kan daarom niet bewezen kan worden. Voor het aantal Twitter volgers kan niet significant worden vastgesteld wat het effect ervan is op aantal verkregen voorkeurstemmen. Van het aantal Facebook volgers is er bewijs gevonden dat er een positieve relatie bestaat tussen het aantal Facebook volgers en het verwachte aantal voorkeurstemmen. Deze waarden zijn echter voor regressiemodel 2, model 2.2 alleen significant bij een kritieke waarde van p<0,1 en voor regressiemodel 3 helemaal niet significant.

H4: Er bestaat een positieve relatie tussen het aantal gedeelde berichten en het aantal behaalde voorkeurstemmen

De vierde hypothese gaat over de relatie tussen het aantal gedeelde berichten en het aantal voorkeurstemmen. Hier wordt ook een positieve relatie verwacht. Uit de gebruikte regressiemodellen 2 en 3 (zie tabel 3 en 4, pp. 20-21) blijkt dat er geen significant effect gevonden wordt. Uit regressiemodel 2, model 2.2 wordt er een niet significant klein negatief

23 resultaat gevonden tussen het aantal gedeelde Twitter berichten en het verwachte aantal voorkeurstemmen. In regressiemodel 3, model 3.2 wordt dit verder bevestigd bij de relatie tussen veel en geen gedeelde berichten op Twitter. Er wordt wel een positief verband gevonden als er wordt gekeken naar weinig gedeelde berichten op Twitter in verhouding met geen gedeelde berichten op Twitter. Dit verband is echter verre van significant.

Voor gedeelde berichten van Facebook worden er ook geen significante resultaten gevonden. Zowel voor regressiemodellen 2 als 3 blijkt de relatie wel positief, maar niet significant. Verder is voor regressiemodel 2, model 2.2 de positieve relatie en dus het verwachte effect maar heel klein. Het verband is groter als er gebruik wordt gemaakt van regressiemodel 3, model 3.2 en gekeken wordt naar de relatie tussen veel gedeelde berichten op Facebook in relatie met geen gedeelde berichten. Met deze analyse kan de hypothese niet bevestigd worden, omdat de resultaten niet statistisch significant zijn.

H5: de invloed van social media op voorkeurstemmen is groter dan de invloed van de traditionele media op voorkeurstemmen

Voor deze laatste hypothese, die verwacht dat de invloed van social media groter is dan de invloed van het aantal benoemingen in de lokale krant op het aantal ontvangen voorkeurstemmen, wordt het eerste regressiemodel gebruikt (zie tabel 2, p. 19). Uit regressiemodel 1, model 1.2 komt naar voren dat het hebben van social media een grotere voorspellende waarde lijkt te hebben dan het aantal benoemingen in de lokale kranten. Als wordt gekeken naar de gestandaardiseerde Bèta waarde dan is die van het hebben van social

media groter dan de waarde van het aantal berichten in de lokale kranten (respectievelijk, 0,102

en 0,009). Daarnaast is het voorspelde verschil in het percentage voorkeurstemmen voor iemand die social media heeft in relatie tot iemand zonder social media is 20,7%. Dit resultaat is niet significant bij een kritieke waarde van p<0,05, maar wel bij een kritieke waarde van p<0,1 met een p van 0,061. Voor het aantal benoemingen in de lokale krant daarentegen geldt dat als het aantal benoemingen met 1 toeneemt, dan neemt het verwachte aantal voorkeurstemmen met 0,1% toe. Dit resultaat is verre van significant. Er kan niet met volledige zekerheid worden gezegd dat de hypothese is aangenomen, omdat het aantal benoemingen in de lokale krant niet significant is en het hebben van social media alleen significant is bij de kritieke waarde p<0,1. Toch lijkt het erop dat de invloed van social media groter is dan de invloed van de traditionele media op voorkeurstemmen.

24

Conclusie

Met dit onderzoek is getracht antwoord te krijgen of media zichtbaarheid invloed heeft op voorkeurstemmen bij de gemeenteraadsverkiezingen in Nederland. Hiervoor is zowel naar traditionele media, de krant, als naar social media gekeken. Er kan met dit onderzoek niet met zekerheid gezegd worden in welke mate media zichtbaarheid invloed heeft op het aantal voorkeurstemmen voor een kandidaat bij de gemeenteraadsverkiezingen. Geen van de hypothesen konden zonder meer gehandhaafd of weerlegd worden aangezien geen van de resultaten significant waren bij een kritieke waarde van p<0,05. Daarnaast werd na het log transformeren van de afhankelijke variabele de assumptie van normaliteit alsnog niet volledig bereikt. Dit kan invloed hebben gehad op de significantie waarden van de resultaten (Field, 2013, p. 171).

Omdat de resultaten niet significant zijn bij een kritieke waarde van p<0,05 moet er met veel voorzichtigheid gesproken worden en is vervolgonderzoek nodig. Toch kan aan de hand van dit onderzoek iets worden gezegd over de relatie tussen media zichtbaarheid en voorkeurstemmen. Uit dit onderzoek lijkt te komen dat media zichtbaarheid geen grote invloed heeft op het aantal voorkeurstemmen voor een kandidaat bij de gemeenteraadsverkiezingen. In dit onderzoek is zowel naar traditionele media, de lokale kranten, gekeken als naar social media kanalen. Hierdoor kon zowel gekeken worden naar de gezamenlijke invloed van deze twee media als dat de twee media vergeleken konden worden. Als we kijken naar de gezamenlijke invloed van media dan blijkt niet dat mensen veel gebruik maken van media kanalen en gebruik maken van media zichtbaarheid om te bepalen op wie ze een voorkeurstem uitbrengen. Een model met de nieuwe media variabelen erin verbeterden de voorspellende kracht van het model nauwelijks. Bij het vergelijken van traditionele media met social media komt uit dit onderzoek dat binnen de lokale politiek social media een grotere rol lijkt te spelen bij het behalen van voorkeurstemmen. Het hebben van social media of niet leek wel van invloed en iemand die

social media had kreeg meer voorkeurstemmen, vooral voor kandidaten die meer Facebook

volgers hadden. Dit waren de enige twee waarden die significant zijn bij een kritieke waarde van p <0,1. Over de andere variabelen over social media kan hier weinig met zekerheid worden vastgesteld, omdat deze waarden verre van significant zijn. Of benoemingen in de lokale kranten invloed heeft was in deze analyse ook niet significant, maar de invloed lijkt klein te zijn omdat de coëfficiënt telkens heel dicht tegen nul aanligt. Hoewel er met dit onderzoek nog weinig met zekerheid kan worden geconcludeerd, is het wel een van de eerste onderzoeken die

25 de invloed van media op voorkeurstemmen in de lokale politiek in Nederland onderzoeken. Dit toont aan dat er nog niet goed begrepen wordt waarom mensen een voorkeurstem uitbrengen binnen de lokale politiek.

Dit onderzoek heeft zijn beperkingen, veel van deze beperkingen zijn het resultaat van het zeer beperkte tijdsbestek dat voor dit onderzoek beschikbaar was. Door de beperkte tijd en middelen was het niet mogelijk veel casussen te onderzoeken. Dit heeft mogelijk de resultaten beïnvloed. Er moet vervolgonderzoek worden gedaan waarbij meer casussen worden ingevoerd, zodat er beter naar een mogelijk verband tussen media zichtbaarheid en voorkeurstemmen gezocht kan worden. Door meer casussen te gebruiken kan er beter onderzoek worden gedaan naar een mogelijk klein verband (Field, 2013, pp. 313-314). Er moeten zowel meer casussen worden ingevoegd als: meer gemeenten, meer politieke partijen en meer kandidaten. Dit zal betere informatie kunnen verschaffen over de situatie in gemeenten verspreid over heel Nederland, aangezien dit onderzoek zich alleen focusten op drie gemeenten uit Zuid-Holland. Er moet dan wel meer onderzoek komen naar de mogelijke verschillen binnen verschillende regio’s en provincies in Nederland. Meer casussen kan daarnaast het probleem van veel missende data minder problematisch maken, omdat er genoeg data overblijft om uitspraken over te doen. Data over Facebook volgers was vaak missend, omdat het mogelijk is dit af te sluiten zodat niemand dit kan zien. Dit zorgde nu voor een nog kleiner aantal casussen dat bruikbaar was.

Een andere moeilijkheid met dit onderzoek was dat het is uitgevoerd meer dan een jaar na de onderzochte verkiezingen. Hierdoor was niet alle data meer aanwezig. Sommige lokale kranten van Den Haag konden niet onderzocht worden omdat ze geen archief hebben dat terug gaat tot die tijd. Ook gingen sommige Facebook en Twitter accounts niet meer zo ver terug omdat de berichten in de tussentijd zijn verwijderd. Het is verder zeer waarschijnlijk dat het aantal volgers van veel kandidaten zijn veranderd sinds de verkiezingen. Dit is niet meer terug te vinden. Daarom is het goed dat bij de volgende gemeenteraadsverkiezingen onderzoek wordt gedaan in de periode rondom de verkiezingen, zodat deze problemen niet ontstaan. Ook al wordt er aan de hand van het gedane onderzoek verwacht dat de invloed van media zichtbaarheid op voorkeurstemmen klein zal zijn, toch is het goed hier meer onderzoek naar te doen. Zeker voor toekomstige gemeenteraadsverkiezingen, om te kijken of de invloed van (social) media toeneemt of niet. Hierdoor zal onze kennis over de lokale politiek vergroot worden en zal er een groter inzicht ontstaan over hoe media voorkeurstemmen kan beïnvloeden.

26

Literatuurlijst

Aalbers, J. (2014). Het mysterieuze voortbestaan van de zendtijd politieke partijen. Tijdschrift

voor Mediageschiedenis, 16(2), 61-74.

Aaldering, L., Meer, T. van der & Brug, W. van der. (2018). Mediated Leader Effects: The Impact of Newspapers’ Portrayal of Party Leadership on Electoral Support. The

International Journal of Press/Politics, 23(1), 70-94.

Aelst, P. van, Erkel, P. van, D’heer, E. & Harder, R.A. (2017). Who is leading the campaign charts? Comparing individual popularity on old and new media. Information,

Communication & Society, 20(5), 715-732.

Aelst, P. van, Sheafer, T. & Stanyer, J. (2011). The personalization of mediated political communication: A review of concepts, operationalizations and key findings,

Journalism, 13(2), 203-220.

Aldrich, J.H., Gibson, R.K., Cantijoch, M. & Konitzer, T. (2016). Getting out the vote in the social media era: Are digital tools changing the extent, nature and impact of party contacting in elections?, Party Politics, 22(2), 165-178.

André, A. & Depauw, S. (2017). Too much choice, too little impact: a multilevel analysis of the contextual determinants of preference voting, West European Politics, 40(3), 598-620.

André, A., Wauters, B. & Pilet, J-B. (2012). It’s Not Only About Lists: Explaining Preference Voting in Belgium. Journal of Elections, Public Opinion & Parties, 3(22), 293-313. Antkowiak, P. & Scheffs, L. (2015). The Personalisation of Politics at the Local Level in Poland

and Selected Central and Eastern European States: A Contribution to the Research.

Politics of Central Europe, 11(2), 95-108.

Balmas, M., Rahat, G., Sheafer, T., & Shenvah, S.R. (2014). Two routes to personalized politics: Centralized and decentralized personalization. Party Politics, 20(1), 37-51. Benoit, K. (2011). Linear Regression model with Logarithmic Transformation. London School

of Economics, Londen, 22(1), 23-36.

Boogers, M., Ostaaijen, J. J. C. van, & Slagter, L. (2010). Lokale kiezers: lokale keuzes? Onderzoek naar de achtergronden en de betekenis van het stemgedrag bij de gemeenteraadsverkiezingen van 2010. Tilburg: Universiteit van Tilburg.

Centraal Bureau voor de Statistiek. (2018 A). Statistische trends: opvattingen over sociale

27 Centraal Bureau voor de Statistiek. (2018 B). Maatwerk – Kiesgerechtigde bevolking. Geraadpleegd van https://www.cbs.nl/nl-nl/maatwerk/2018/08/maatwerk-kiesgerechtigde-bevolking

Centraal Bureau voor de statistiek. (2019a). Regionale kerncijfers Nederland [webpagina].

Geraadpleegd van

https://statline.cbs.nl/Statweb/publication/?DM=SLNL&PA=70072ned&D1=0-88,288-289&D2=0,4,8,20,92,314,777&D3=22-24&VW=T

Centraal Bureau voor de Statistiek. (2019b). Regionale kerncijfers Nederland [webpagina].

Geraadpleegd van

https://opendata.cbs.nl/statline/#/CBS/nl/dataset/70072ned/table?dl=16D63

Data.Overheid. (z.d.). Verkiezingsuitslagen Gemeenteraad 2018 [databank]. Geraadpleegd van https://data.overheid.nl/data/dataset/verkiezingsuitslagen-gemeenteraad-2018

De Scheveninger. (z.d.). Digitaal archief. Geraadpleegd van https://www.de-scheveninger.nl/digitaal-archief/

De Swert, K., Vliegenthart, R., & de Ruiter, S. (2014). Het einde van het persbericht in zicht? Een analyse van persberichten en mediaberichtgeving in de verkiezingscampagne van 2012. Tijdschrift voor Communicatiewetenschap, 42(1).

De Teylinger. (z.d.). Krantenarchief. Geraadpleegd van

https://www.deteylinger.nl/krantenarchief

Duijvendak, M. (2008). Ligamenten van de staat? Over regionale identiteit en de taaiheid van de provincie. BMGN-Low Countries Historical Review, 123(3), 342-353.

Erkel, P.F.A. van, Thijssen, P. van & Van Aelst, P. (2017). One for all or all for one: The electoral effects of personalized campaign strategies. Acta Politica, 52(3), 384-405. Facebook. (z.d.). Geraadpleegd op https://www.facebook.com

Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics. Londen: Sage.

Gemeente Den Haag (2018). Zetels, coalitie en oppositie [webpagina]. Geraadpleegd van https://www.denhaag.nl/nl/bestuur-en-organisatie/gemeenteraad/zetels-coalitie-en-oppositie.htm

Gemeente Lisse. (2018). Samenstelling gemeenteraad [webpagina]. Geraadpleegd van https://www.lisse.nl/bestuur-en-organisatie/samenstelling-gemeenteraad.html

Gemeente Teylingen. (2018). Gemeenteraad: Fractie. [Webpagina]. Geraadpleegd van

https://ris2.ibabs.eu/People/Profiles/Teylingen/f6a57406-9f12-4c92-b676-945ca44abc6f

28 Holsteyn, J.J.M. van & Andeweg, R.B. (2010). Demoted leaders and exiled candidates: Disentangling party and person in the voter’s mind. Electoral studies, 29(4), 628-635. Holsteyn, J.J.M. van & Andeweg, R.B. (2012). Tweede Orde Personalisering:

Voorkeurstemmen in Nederland. Res Publica, 54(2), 163-191.

Jacobs, K., & Spierings, N. (2014). ...Maar win je er stemmen mee? De impact van Twittergebruik door politici bij de Nederlandse Tweede Kamerverkiezingen van 12 september 2012. Tijdschrift Voor Communicatiewetenschap, 42(1), 22-38.

Karvonen, L. (2004). Preferential voting: Incidence and effects. International Political Science

Review, 25(2), 203-226.

Kiesraad. (z.d.). Zetelverdeling over kandidaten [internetpagina]. Geraadpleegd van https://www.kiesraad.nl/verkiezingen/tweede-kamer/uitslagen/zetelverdeling-over-kandidaten

Kruikemeier MSc, S., Noort, G. van, Vliegenthart, R., & De Vreese, C. (2015). Nederlandse politici op Twitter: Wie, waarover, wanneer en met welk effect? Tijdschrift Voor

Communicatiewetenschap, 43(1), 4-22.

Kruikemeier, S., Noort, G. van, Vliegenthart, R., & De Vreese, C. H. (2013). Getting closer: The effects of personalized and interactive online political communication. European

journal of communication, 28(1), 53-66.

Lijphart, A. (1968). Verzuiling, pacificatie en kentering in de Nederlandse politiek. Amsterdam: Amsterdam University Press.

LisserNieuws. (z.d.). Krantenarchief. Geraadpleegd van

https://www.lissernieuws.nl/krantenarchief

Lisses Nieuwsblad (z.d.). Archief Lisses Nieuwsblad. Geraadpleegd van http://buijzepers.nl/archief-lisses-nieuwsblad/

Maddens, B., Weekers, K., Fiers, S. & Vanlangenakker, I. (2007). Op zoek naar een verklaring voor de persoonlijke score van de kandidaten bij lokale verkiezingen. Res Publica,

49(1), 172-191.

McGregor, S.C. (2018). Personalization, social media, and voting: Effects of candidate self-personalization on vote intention. New media & society, 20(3), 1139-1160.

Nagtzaam, M.A.M. & Erkel, P.F.A. van. (2017). Preference voting without preference? Institutional effects on preference voting: an experiment, Journal of Elections, Public

Opinion and Parties, 27(2), 172-191.

Nijendaal, G. A. van. (2014). Drie decentralisaties in het sociale domein. Jaarboek

29 Ostaaijen, J. van. (2018). Tussen eerste overheid en tweederangsdemocratie: het functioneren

van de lokale democratie in Nederland. Den Haag: Boom bestuurskunde.

Rahat, G. & Sheafer, T. (2007). The personalization(s) of politics, Israel, 1949-2003, Political

Communication, 24(1), 65-80.

Regionale Weekendkrant (z.d.). Archief Weekendkrant. Geraadpleegd van http://buijzepers.nl/archief-weekendkrant/

Schaap, L. (2015). Lokaal bestuur. Dordrecht: Convoy Uitgevers BV.

Smulders, J., Put G-J. & Maddens, B. (2018). Welke kandidaten zullen de meeste

voorkeurstemmen krijgen bij de gemeenteraadsverkiezingen?. Leuven: Vives.

Spiering, N. & Jacobs, K.T.E. (2014 A). Getting Personal? The Impact of Social Media on Preferential Voting, Political Behavior, 36(1), 215-234.

Spierings, N. & Jacobs, K.T.E. (2014 B). Van leden naar 'likes'? Wat sociale media politieke

partijen kunnen bieden. Den Haag: Raad voor het Openbaar Bestuur, pp. 137-150.

Steenvoorden, E., Broekema, B., & Van der Waal, J. (2017). Lokale verkiezingen: een lokaal of nationaal feest der democratie?. Bestuurswetenschappen, 71(3), 28-50.

Stimuleringsfonds voor de Journalistiek. (2018). Oplage landelijke kranten: Telegraaf en AD

krijgen opnieuw klappen [webpagina]. Geraadpleegd van

https://www.svdj.nl/de-stand-van-de-nieuwsmedia/papier/oplage-telegraaf-ad-klappen/

Teylinger Nieuwsblad. (z.d.). Archief Teylinger Nieuwsblad. Geraadpleegd van http://buijzepers.nl/archief-teylinger-nieuwsblad/

Twitter. (z.d.). Geraadpleegd op https://twitter.com/

Vereniging Nederlandse Gemeenten. (2017). De Staat van de Gemeenten 2017. Den Haag: VNG.

Wiel, W. van der. (2018, 20 februari). In het voetbal, in de kroeg – en dus in de raad. NRC. Geraadpleegd van https://www.nrc.nl/nieuws/2018/02/20/in-het-voetbal-in-de-kroeg-en-dus-in-de-raad-a1592913

30

Bijlagen

Bijlage 1: overzicht casussen

Bijlage 1, tabel 1: Alle onderzochte casussen verdeeld over gemeente en politieke partij Gemeente Politieke partij Aantal politieke kandidaten

Den Haag VVD 25

CDA 25

Groep de Mos/ Hart voor Den Haag 24

Teylingen VVD 12

CDA 16

Trilokaal 9

Lisse Nieuw Lisse 7

CDA 7

VVD 10

Totaal 135

Bijlage 1, tabel 2: Alle krantenartikelen

Gemeente Krant Aantal krantenberichten

Den Haag De Scheveninger 51

Loosduinse Krant 52

& ZuidWesterKrant

Teylingen Teylinger Nieuwsblad 29

De Teylinger 59

Regionale Weekendkrant 17

Lisse LisserNieuws 35

Het Lisses Nieuwsblad 13 Regionale Weekendkrant 5

Totaal 261

Noot: Loosduinse Krant en ZuidWesterKrant zaten gezamenlijk in het archief van Haagmedia en het was niet mogelijk te achterhalen welk artikel bij welke krant behoort.

31 Bijlage 1, tabel 3: Casussen per variabele (totaal aantal casussen = 135)

Variabele Aantal casussen

Aantal benoemingen krant N = 35 (Missing = 0)

Twitter volgers N = 135 (Missing = 0)

Twitter berichten N = 128 (Missing = 7)

Twitter gedeeld N = 128 (Missing = 7)

Facebook volgers N = 90 (Missing = 45)

Facebook berichten N = 131 (Missing = 4)

Facebook gedeeld N = 131 (Missing = 4)

Het hebben van social media N = 135 (Missing = 0)

Noot: Deze data van Twitter en Facebook is verkregen in de periode van 1 mei 2019 tot 11 mei 2019.

32

Bijlage 2: beschrijvende statistiek

Bijlage 2, tabel 1: Social media gebruik (n = 135)

Facebook Geen Facebook

Twitter 55,6% 5,2%

Geen Twitter 28,9% 10,3%

Noot: Deze data van Twitter en Facebook is verkregen in de periode van 1 mei 2019 tot 11 mei 2019.

Bijlage 2, tabel 2: beschrijvende statistiek

Variabele Gemiddelden SA Minimum Maximum

Aantal benoemingen krant 1,93 3,830 0 30

Twitter volgers 367,39 1606,577 0 18100 Twitter berichten 26,39 47,157 0 238 Twitter gedeeld 9,03 22,431 0 139 Facebook volgers 471,89 717,529 0 4992 Facebook berichten 20,20 32,527 0 159 Facebook gedeeld 21,63 55,127 0 351

Noot: SA = Standaard Afwijking. Deze data van Twitter en Facebook is verkregen in de periode van 1 mei 2019 tot 11 mei 2019.

33

Bijlage 3: transformatie interval-ratio social media variabelen in categorieën

Bijlage 3, tabel 1: transformatie interval-ratio social media variabelen in categorieën

Variabele Categorie Aantal Procenten

Twitter Volgers Geen 54 40%

Weinig < 0,3% 59 43,7%

Veel > 0,3% 22 16,3%

Totaal 135 100%

Twitter berichten Geen 72 56,3%

Weinig < 100 44 34,4%

Veel > 100 12 9,4%

Totaal 128 100%

Twitter gedeeld Geen 79 61,7%

Weinig < 20 31 24,2%

Veel > 20 18 14,1%

Totaal 128 100%

Facebook volgers Geen 21 23,3%

Weinig < 0,3% 35 38,9%

Veel > 0,3% 34 37,8%

Totaal 90 100%

Facebook berichten Geen 47 35,9%

Weinig < 40 61 46,6%

Veel > 40 23 17,6%

Totaal 131 100%

Facebook gedeeld Geen 60 45,8%

Weinig < 30 48 36,6%

Veel > 30 23 17,6%