Jongeren in de 21e eeuw : beweegredenen voor de keuze voor een vervoermiddel

Bachelorscriptieproject 2014

Jongeren in de 21

e

eeuw

Beweegredenen voor de keuze

voor een vervoermiddel

Student:

Nils Markink (10186158)

Begeleider:

Véronique van Acker

Inhoudsopgave

Hoofdstuk 1: Inleiding ... 3

Hoofdstuk 2: Theoretisch kader ... 5

2.1 Ruimtelijke kenmerken en mobiliteit ... 5

2.2 Sociaal-economische kenmerken en mobiliteit... 6

2.3 Residentiële zelfselectie ... 6 2.4 Peak car ... 7 Hoofdstuk 3: Methodologie ... 12 3.1 Conceptueel schema... 12 3.2 Deelvragen ... 13 3.3 Hypothesen ... 13

3.4 Onderzoeksmethoden en introductie van de variabelen ... 14

3.5 Operationalisering ... 19

Hoofdstuk 4: Onderzoeksresultaten ... 22

4.1 Bivariate correlaties ... 22

4.2 Regressieanalyse autogebruik ... 27

4.3 Regressieanalyse openbaar vervoergebruik ... 30

4.4 Regressieanalyse langzaam vervoergebruik ... 34

Hoofdstuk 5: Conclusie en discussie ... 40

5.1 Beantwoording van de deelvragen ... 40

5.2 Reflectie op de hypothesen ... 43

5.3 Beantwoording van de probleemstelling en suggesties voor verder onderzoek .... 44

Hoofdstuk 1

Inleiding

Verplaatsingen, iedereen maakt ze vrijwel iedere dag, de autorit naar het werk, de kinderen met de fiets van school halen, het ritje naar de supermarkt om vervolgens even langs een vriend te gaan om wat te drinken. Geen mens zit zijn hele leven binnen. De algemene gedachte is dat het proces van jezelf verplaatsen een zogenaamde afgeleide variabele is, dat wil zeggen dat het verplaatsingsproces op zich niet het doel is van het feit dat men zich verplaatst, maar een middel om het doel te bereiken (Van Wee et. al., 2013). Aan het feit dat verplaatsingsgedrag puur en alleen een afgeleide variabele is wordt overigens ook getwijfeld, onder andere in Mokhtarian & Salomon (2001).

Ruimte en mobiliteit zijn twee belangrijke samenhangende concepten in de samenleving, beiden hebben invloed op elkaar. Studies zoals van Wee et. al. (2013) en Bertolini (2003) bevestigen dit. Beide artikelen zien een samenhang tussen ruimte en mobiliteit. Over het algemeen hebben steden zich in verschillende fasen ontwikkeld die samenhangen met verschillende revoluties op vervoersgebied (van Wee et. al., 2013). De eerste belangrijke vervoersrevolutie vond plaats in de negentiende eeuw, namelijk de uitvinding van de stoomtrein. Steden breidden zich uit langs de spoorlijnen en rond stations vormden zich hoge concentraties van woon- en werkgebieden. In de jaren ’50 van de twintigste eeuw vond de tot nu toe laatste revolutie op vervoersgebied plaats: de introductie van de auto voor de gewone man. De introductie en het toegenomen gebruik van de auto hebben een enorme impact gehad op vervoerssystemen wereldwijd. Sinds de jaren ’50 van de vorige eeuw zijn rijke landen steeds meer gericht op de auto wat ook weer invloed had op het design van de stad. Wijken en steden ontwikkeld na de introductie van de auto kenmerken zich vooral door lage dichtheden, functiescheiding en ruimte om de auto voor de deur te parkeren. Onderzoeken, zoals Handy (2002) hebben uitgewezen dat het feit dat deze steden en wijken zo zijn opgebouwd ervoor heeft gezorgd dat het autogebruik nog eens extra toenam (van Wee et. al., 2013).

Vanaf de jaren ’50 heeft er steeds een toename in het autogebruik plaatsgevonden onder alle leeftijden, autorijden werd immers steeds goedkoper en de ruimte werd zo ingericht dat er ruimte kwam voor de auto. De laatste jaren is er echter een breuk te zien in die trend. Verschillende statistieken hebben aangetoond dat het autogebruik vooral onder jongeren aan het afnemen is. Zo laat de studie van het IFMO (2013) zien dat er in een groot deel van de ontwikkelde landen (West-Europa, de VS en Japan) tussen de jaren ’80 en de jaren ’90 van de vorige eeuw nog een stijging was in het percentage autogebruik als het gaat om dagelijkse bewegingen van jongeren. Tussen de jaren ’90 van de twintigste eeuw en de jaren 2000 is er in de meeste gevallen een daling te zien in dat percentage. Bijvoorbeeld Duitsland, waar in 1997 66 procent van de dagelijkse verplaatsingen van jongeren met de auto gebeurde is dat in 2007 nog maar 52 procent (IMFO, 2013).

Het fenomeen van afnemend autogebruik wordt ‘peak car’ genoemd. Over het algemeen is er de trend dat voornamelijk jongeren vaker de auto laten staan. Over dit onderwerp is nog niet zo veel onderzoek uitgevoerd, daarom is het ook nog niet helemaal duidelijk wat de achterliggende redenen zijn voor jongeren om de auto vaker te laten staan. Ook vragen onderzoekers zich af of dit proces zich ook voortzet als de jongeren van nu ouder worden. Verschillende factoren zouden van invloed kunnen zijn op het afnemende autogebruik onder jongeren, welke dat zijn zijn nog niet helemaal duidelijk door het feit dat dit een relatief nieuw fenomeen is dat nog weinig onderzocht is. Het is wel zo als er in de toekomst sprake zou zijn van grote afname van autogebruik, dat dit grote impact heeft op vervoersbeleid van de komende decennia. Het probleem is echter dat onderzoekers op geen enkel gebied nog zekerheid hebben en dus kan er niet voorspeld worden hoe het concept ‘peak car’ zich in de toekomst zal ontwikkelen (Goodwin & Van Dender, 2013).

Deze scriptie tracht duidelijkheid te brengen in één van de mogelijke verklaringen van het afnemend autogebruik onder jongeren, namelijk de fysieke leefomgeving. Zoals in het begin van de inleiding gesteld hebben ruimte en mobiliteit een constante wisselwerking met elkaar. Het is daarom niet onwaarschijnlijk dat ruimtelijke (contextuele) factoren, zoals de bevolkingsdichtheid en de bevolkingsopbouw van de gemeente invloed hebben op het autogebruik onder jongeren. In deze scriptie wordt onderzoek gedaan naar verplaatsingsgedrag onder jongeren en ruimtelijke kenmerken van de leefomgeving van die jongeren. Hiermee wordt geanalyseerd welke kenmerken van invloed zijn op vervoerskeuze en welke niet.

Dit onderzoek is gedaan aan de hand van de volgende probleemstelling:

“In welke mate hebben verschillende ruimtelijke kenmerken invloed op de vervoerskeuze van jongeren?”

Hoofdstuk 2

Theoretisch Kader

2.1 Ruimtelijke kenmerken en mobiliteit

Zoals in de inleiding genoemd hangen ruimtelijke kenmerken van steden sterk samen met het type vervoer waarop die steden gebouwd zijn. Wegener & Fürst (1999) onderschrijven de samenhang tussen ruimtelijke kenmerken en vervoersgebruik. In hun studie wordt de

land-use transport feedback cycle geïntroduceerd. Dit is een model dat de samenhang en

interactie tussen ruimtelijke kenmerken en verkeer en vervoer beschrijft. Er is volgens hen een dubbelzijdig systeem. Aan de ene kant beïnvloeden ruimtelijke kenmerken het verkeer en vervoer, en aan de andere kant beïnvloeden verkeer en vervoer weer het ruimtegebruik (Wegener & Fürst, 1999). Van Wee et. al. (2013) zeggen dat verschillende ruimtelijke kenmerken invloed kunnen hebben op vervoerskeuze in het algemeen. Ze noemen dichtheid als een belangrijke factor, want een grotere dichtheid leidt tot meer gebruik van langzame vervoermiddelen, doordat de meeste bestemmingen relatief dichtbij zijn. Daarnaast is functiemenging een belangrijke factor. Volgens Van Wee et. Al (2013) zorgt functiemenging ervoor dat er meer mensen dichterbij voorzieningen wonen dan bij geen functiemenging. Dit leidt er weer toe dat mensen meer kiezen voor langzame vervoermiddelen, omdat deze korte afstanden eenvoudig te overbruggen zijn met de fiets of lopend. Daarnaast leiden hoge dichtheden in woningen en in arbeidsplaatsen tot een hoger gebruik van openbaar vervoer. Dit heeft te maken met dat er in gebieden met hoge dichtheden congestie op de autowegen ontstaat waardoor het openbaar vervoer sneller is (Van Wee et. al, 2013). Andersom werkt het op een gelijke manier, want in een dunbevolkt plattelandsgebied zijn de meesten afhankelijk van de auto, omdat er geen opstappunten voor het openbaar vervoersnetwerk op korte afstand liggen. Dit heeft weer te maken met dat er in dunbevolkte gebieden te weinig klandizie is voor de vervoerders om een rendabel netwerk te exploiteren (Rosenbloom, 2003). Deze scriptie gaat echter over de invloed van ruimtelijke kenmerken op verkeer en vervoer, en niet andersom. Er wordt dus maar een kant van de land-use transport feedback

cycle onderzocht. Het beeld van interactie tussen ruimte en verkeer en vervoer wordt ook

bevestigd door Frank & Pivo (1994) en Cervero & Radisch (1996). Frank & Pivo hebben in hun studie gekeken naar de correlaties tussen arbeidsdichtheid, bevolkingsdichtheid en functiemening en keuze voor een bepaald vervoermiddel. Uit het onderzoek volgde dat er een negatieve samenhang was tussen arbeidsdichtheid, bevolkingsdichtheid en functiemening en de keuze voor de auto en een positieve samenhang tussen deze factoren en de keuze om lopend ergens heen te gaan (Frank & Pivo, 1994).

Cervero & Radisch stellen dat in gemeenschappen met veel functiemenging en hogere dichtheid, ook als factoren als inkomen constant worden gehouden, vooral de niet-werkgerelateerde verplaatsingen minder met de auto plaatsvinden (Cervero & Radisch, 1996).

2.2 Sociaal-economische kenmerken en mobiliteit

Er zijn ook kritieken op conclusies dat ruimtelijke kenmerken de grootste invloed hebben op vervoersgedrag van mensen. Zo hebben Stead & Marshall (2001) kritiek op de wijze waarop veel voorgaande onderzoeken hun uitkomsten te makkelijk generaliseren naar andere landen. In deze studies kwam meestal naar voren dat ruimtelijke kenmerken de variantie in vervoersgedrag bepalen. Uit zijn eigen onderzoek kwam dat niet ruimtelijke kenmerken, maar sociaal-economische kenmerken van belang waren als het gaat het de keuze van vervoermiddel en de afgelegde afstand (Stead & Marshall, 2001). Deze kritiek wordt weer ondersteund door Pucher & Renne (2004). Zij hebben onderzoek gedaan op basis van de NHTS (National Houshold Travel Survey) uitgevoerd in 2001 in de Verenigde Staten. Hieruit bleek dat het sociaal-economische kenmerk ‘inkomen’ van groter belang is dan ruimtelijke factoren als het gaat om de keuze van een vervoermiddel. In zowel stedelijke als landelijke omgevingen in de Verenigde Staten wordt de auto evenveel gebruikt, de afgelegde afstanden zijn in landelijke gebieden wel iets hoger dan in stedelijke, maar er zijn verder weinig verschillen (Pucher & Renne, 2004).

2.3 Residentiële zelfselectie

Dan is er nog het proces van residentiële zelfselectie. Dit fenomeen kan ervoor zorgen dat het effect van ruimtelijke kenmerken verkeerd wordt ingeschat. Residentiële zelfselectie is dat iemand zijn woonplaats kiest in overeenstemming met het vervoermiddel die de voorkeur van die persoon geniet. Als iemand bijvoorbeeld graag met het openbaar vervoer reist zal deze persoon er eerder voor kiezen in een wijk te gaan wonen met veel verbindingen met het openbaar vervoer. Het is dus van belang rekening te houden met residentiële zelfselectie, omdat anders samenhangen tussen ruimtelijke kenmerken en vervoerskeuze overschat kunnen worden (Van Wee, 2009). Kitamura et. al. (1997) hebben een onderzoek gedaan naar welke variabelen de variatie in vervoerskeuze verklaren onder de inwoners van verschillende gebieden in de regio San Francisco. In de eerste plaats bleek dat ruimtelijke kenmerken van invloed zijn op vervoerskeuze. Er is echter ook een groep variabelen toegevoegd over de levensstijlen van respondenten. Deze groep variabelen bleek het grootste aandeel in variatie van vervoerskeuze te bepalen (Kitamura et. al., 1997).

Deze studie was een van de eersten die dit aantoonde. Deze uitkomsten worden onderschreven door Schwanen & Mokhtarian (2005). Zij bekritiseren andere studies over ruimtelijk kenmerken en vervoerskeuze, omdat er te weinig aandacht wordt geschonken aan attitudes. De levensstijl van mensen heeft volgens de auteurs invloed op waar ze willen wonen en welke vervoermiddelen ze willen gebruiken, het is niet simpelweg het gevolg van in welke buurt men woont. Ook zij noemen, net als Van Wee (2009), het gevaar van overschatting van samenhangen tussen ruimtelijke kenmerken en vervoerskeuze als residentiële zelfselectie genegeerd wordt (Schwanen & Mokhtarian, 2005). In een studie van Cao et. al. (2006) is onderzoek gedaan naar de invloeden van leefomgeving met het oog op residentiële zelfselectie op of mensen lopend naar het centrum van Austin gaan of met een ander vervoermiddel. Residentiële zelfselectie is in dit onderzoek dat mensen in wijken met bepaalde kenmerken gaan wonen, juist omdat ze willen lopen naar het centrum. Uit het onderzoek kwam naar voren dat de kenmerken van de leefomgeving invloed hebben op de vervoerskeuze, maar dat dat ook sterk bepaald wordt door de residentiële zelfselectie (Cao et. al., 2006).

2.4 Peak car

Het autogebruik in de westerse wereld neemt de afgelopen jaren af (IMFO, 2013). Deze ontwikkeling is vooral te vinden onder jongeren. Het IMFO heeft onderzoek gedaan naar deze zogenaamde ‘generatie Y’, dit zijn jongvolwassenen grofweg geboren tussen het begin van de jaren ’80 en het midden van de jaren ’90 van de twintigste eeuw. Uit het onderzoek bleek dat het aantal jongvolwassenen met de beschikking over een rijbewijs tussen de jaren ’90 van de vorige eeuw en het einde van de jaren 2000 gelijk is gebleven of zelfs is afgenomen, terwijl het in de voorgaande decennia alleen maar steeg. In figuur 1 is het percentage jongvolwassenen met een rijbewijs te zien in de jaren ’90 van de vorige eeuw (2002 voor Duitsland) en eind jaren 2000.

Figuur 1: Percentage jongvolwassenen met een rijbewijs in de jaren ’90 (2002 voor Duitsland) en de jaren 2000 Bron: IMFO

In figuur 1 is te zien dat er geen enkel westers land (inclusief Japan) is dat een stijgend percentage aan jongvolwassenen met een rijbewijs heeft. Zoals gezegd is dit een trendbreuk met de twintigste eeuw waar het percentage jongvolwassenen met een rijbewijs alleen maar toenam (IMFO, 2013).

Een tweede aspect is de afname van het aantal jongvolwassenen dat een auto ter beschikking heeft. Dit kan zijn een eigen auto of een auto die op de naam staat van een medegezinslid. Net als het percentage mensen met een rijbewijs was de trend in de twintigste eeuw dat steeds meer mensen toegang hadden tot een auto, omdat zij zelf of een gezinslid er een kocht. Figuur 2 laat zien dat ook deze trend voor jongvolwassenen ongeveer vanaf de millenniumwisseling doorbroken is.

80 88 74 73 91 87 79 87 65 72 82 84

Frankrijk Duitsland Verenigd

Koninkrijk Noorwegen Verenigde Staten Japan Jaren '90 Jaren 2000

Figuur 2: Percentagejongvolwassenen met een rijbewijs en een auto binnen het gezin in de jaren ’80, ’90 en 2000 Bron: IMFO

Voor de meeste landen is het beeld te zien dat het percentage jongvolwassenen met rijbewijs en beschikking tot een auto tussen de jaren ’80 en de jaren ’90 van de twintigste eeuw is gestegen of vrijwel gelijk gebleven. Dit is in lijn met de bekende trend die door de twintigste eeuw liep. Na de jaren ’90 van de vorige eeuw is dit percentage echter (op één procent in Japan na) nergens meer gestegen, in de meeste landen is het zelfs gedaald.

Uit het onderzoek van het IMFO kwam verder dat de ‘modal split’ onder jongvolwassenen is veranderd. In de westerse landen is het aandeel van het aantal verplaatsingen dat met de auto werd gemaakt gedaald van rond de 90 procent in de jaren ’80 en ’90 van de twintigste eeuw, tot ongeveer 80 procent in de tweede helft van de jaren 2000. Voor Japan geldt iets anders, daar was het percentage verplaatsingen met de auto nooit hoger dan 72 procent in 1999, deze is wel gedaald naar 67 procent in 2005 (IMFO, 2013).

77 73 53 82 87 74 75 83 73 78 87 73 73 ₇₂ 68 64 84 74

Frankrijk Duitsland Verenigd

Koninkrijk Noorwegen Verenigde Staten Japan Jaren '80 Jaren '90 Jaren 2000

Het IMFO zelf heeft maar weinig sterke verklaringen voor de afname van het autogebruik onder jongeren. Wel noemen zij de veranderde houding ten opzichte van de auto. Waar het bezitten en gebruiken van een auto gedurende de twintigste eeuw nog werd gezien als statussymbool en een teken van succes, is dat in de eenentwintigste eeuw veel minder (IMFO, 2013). Deze verklaring is echter niet wetenschappelijk onderbouwd. Er bestaan wel enkele verschillende wetenschappelijk onderbouwde verklaringen over het afnemende autogebruik in de eenentwintigste eeuw. Zo heeft Metz (2010) uit zijn onderzoek gehaald dat het feit dat mensen verzadigd zijn in wat men allemaal kan bereiken een verklaring zou kunnen zijn. Dit wil zeggen dat mensen reizen om bepaalde doelen te bereiken, de auto heeft ertoe bijgedragen dat mensen sneller kunnen reizen waardoor ze met dezelfde tijd doelen over een verdere afstand kunnen bereiken. Vandaag de dag hebben de meeste huishoudens in het Verenigd Koninkrijk (waar dit onderzoek is uitgevoerd) beschikking over minstens een auto waardoor deze huishoudens alle doelen kunnen bereiken die ze maar zouden willen, er is dus geen behoefte meer om nog verder te reizen, omdat ze verzadigd zijn in welke doelen ze kunnen bereiken (Metz, 2010). Andere verklaringen zouden kunnen zijn dat de toegenomen mogelijkheden van informatie-uitwisseling en telewerken ertoe bijdragen dat mensen de auto eerder laten staan (Metz, 2010). Kuhnimhof et. al. (2013) hebben onderzoek gedaan in verschillende Europese landen naar oorzaken van stagnatie of afname van automobiliteit. Daaruit kwam naar voren dat vergrijzing een rol speelt, omdat ouderen in het algemeen minder verplaatsingen maken, dit geldt nog sterker voor autoverplaatsingen. Daarnaast kwam uit het onderzoek dat er een verschuiving is in de keuze voor vervoermiddel. Deze verschuiving is kenmerkend voor alle leeftijdscategorieën. Waar vergrijzing vooral leidt tot afname van het autogebruik leidt de verschuiving naar andere vervoermiddelen meer tot stagnatie (Kuhnimhof et. al., 2013).

Meer gericht op jongeren zou een verklaring kunnen zijn dat de kosten van autorijden te hoog zijn om rendabel te zijn. Bovendien geldt voor steden meer dat overheden de afgelopen jaren maatregelen hebben genomen om autogebruik te ontmoedigen, zoals voetgangerszones en betaald parkeren (Goodwin & Van Dender, 2013). Schipper (2011) beargumenteert dat het stagnerende of afnemende autogebruik in Westerse landen het gevolg is van stijgende brandstofprijzen enerzijds en steeds meer congestie anderzijds (Schipper, 2011). Newman & Kenworthy (2011) hebben een reeks van zes mogelijke verklaringen opgesteld die gezamenlijk ervoor zorgen dat het autogebruik afneemt. Deze staan op de volgende pagina vermeld.

- Het bereiken van de ‘Marchetti wall’, dat wil zeggen dat de stad zover is uitgebreid dat (mede door congestie) de reistijd met de auto meer wordt dan een uur, wat voor de meesten acceptabel is. Hierdoor zoeken mensen alternatieven buiten de auto.

- De groei van het aantal verplaatsingen met het openbaar vervoer.

- Re-urbanisatie, na de suburbanisatie in de twintigste eeuw trekken vooral jongeren van de buitenwijken weer terug naar het centrum van de stad. Hier groeit de dichtheid en dat leidt zoals eerder genoemd tot een afname in autogebruik.

- Vergrijzing, volgens de auteurs wordt de gemiddelde leeftijd in steden steeds hoger, en oudere mensen maken minder auto-verplaatsingen.

- De groei van een stedelijke cultuur, jongeren trekken naar de centra steden om succesvol te worden. Het wordt belangrijker gevonden om te wonen in het centrum, waar automobiliteit problematisch is, dan om in een buitenwijk te wonen met genoeg ruimte voor de auto.

- De groei in brandstofprijzen, deze factor (ook genoemd door Schipper (2011)) is een aparte factor die alle andere genoemde verklaringen versterkt.

De samenwerking van deze zes factoren heeft ervoor gezorgd dat het autogebruik in steden gedurende het afgelopen decennium is afgenomen (Newman & Kenworthy, 2011).

Hoofdstuk 3

Methodologie

Het onderzoek van deze scriptie is voornamelijk kwantitatief van aard. Er wordt onderzoek gedaan naar de invloed van ruimtelijke kenmerken op vervoerskeuze van jongeren met behulp van een meervoudige lineaire regressie. Omdat uit eerdere onderzoeken bleek dat sociaal-economische kenmerken wellicht van grotere invloed kunnen zijn, worden de uitkomsten van de samenhang tussen ruimtelijke kenmerken en vervoerskeuze hiervoor gecontroleerd.

3.1 Conceptueel schema

In dit onderzoek is een conceptueel schema vastgesteld van waaruit gewerkt wordt (zie figuur 3). De variabelen ‘ruimtelijke kenmerken’ en ‘sociaal-economische kenmerken’ zijn basiskenmerken van de respondenten of de leefomgeving van de respondenten en nemen de rol van onafhankelijke variabelen op zich. Voor de variabele ‘vervoerskeuze van jongeren’ wordt onderzoek gedaan of dit wel of niet het gevolg is van ruimtelijke of sociaal-economische kenmerken, daarom is dit de afhankelijke variabele.

Figuur 3: Conceptueel schema

Hoewel in het conceptueel schema zowel ruimtelijke kenmerken als sociaal-economische kenmerken zijn opgenomen, ligt de focus van deze scriptie vooral op de relatie tussen de ruimtelijke kenmerken en de vervoerskeuze van jongeren. De lijn tussen ruimtelijke kenmerken en sociaal-economische kenmerken is gebaseerd op de literatuur over residentiële zelfselectie. Ten behoeve van het onderzoek zal er getest worden of er een relatie bestaat tussen sociaal-economische kenmerken en ruimtelijke kenmerken. Dit zal getest worden middels een correlatieanalyse. Als er sterke samenhang zou zijn zullen de uitkomsten uit de samenhangen tussen ruimtelijke kenmerken en vervoerskeuze van jongeren met de grootste voorzichtigheid benaderd moeten worden, omdat (zoals gezegd in Van Wee (2009)) een sterke mate aan residentiële zelfselectie kan leiden tot een overschatting van deze samenhang.

3.2 Deelvragen

Ten behoeve van de beantwoording van de probleemstelling: “In welke mate hebben verschillende ruimtelijke kenmerken invloed op de vervoerskeuze van jongeren?” zijn er de volgende deelvragen opgesteld:

- Welke ruimtelijke kenmerken oefenen de meeste invloed uit op de vervoerskeuze van jongeren?

- Wat is mogelijk de rol van sociaal-economische kenmerken?

- Hebben ruimtelijke kenmerken en sociaal-economische kenmerken een verband met elkaar?

- Bestaat er samenhang tussen ruimtelijke kenmerken en vervoerskeuze van jongeren, ook als er gecontroleerd wordt voor sociaal-economische kenmerken?

3.3 Hypothesen

Aan de hand van het reeds uitgevoerde literatuuronderzoek worden er een aantal hypothesen opgesteld. Deze hypothesen zullen na de uitvoering van het onderzoek nog eens aan bod komen en er zal gekeken worden in hoeverre deze recht doen aan de werkelijkheid. De drie hypothesen zijn de volgende:

- Hypothese één: “De ruimtelijke kenmerken hangen, bij het constant houden van

sociaal-economische kenmerken, positief samen met het gebruik van openbaar vervoer en langzame vervoermiddelen”

- Hypothese twee: “Ruimtelijke kenmerken ‘dichtheid van bevolking’ en dichtheid van

arbeidsplaatsen’ hangen positief samen met de keuze voor openbaar vervoer of langzame vervoermiddelen, tegelijkertijd wordt dit effect versterkt door sociaal-economische kenmerken als lagere inkomens en lagere opleiding”.

- Hypothese drie: “Ruimtelijke kenmerken hebben slechts een zwakke samenhang met

de vervoerskeuze van jongeren, sociaal economische kenmerken als inkomen en opleiding zijn belangrijker en hangen positief samen met de keuze voor de auto, en negatief met de keuze voor openbaar vervoer”.

3.4 Onderzoeksmethoden en introductie van de variabelen

Deze scriptie is gericht op de beantwoording van de probleemstelling, waarin een rol weggelegd is voor het toetsen van de hypothesen. De kern van het onderzoek in deze scriptie ligt zoals gezegd op het toetsen van de invloed van ruimtelijke kenmerken op de vervoerskeuze van jongeren.

Het onderzoek in deze scriptie is kwantitatief van aard. Er worden gegevens gebruikt afkomstig van het Onderzoek Verplaatsingen In Nederland (OVIN) van 2012 en het Centraal Bureau voor de Statistiek (CBS). Het OVIN is een onderzoek, dat wordt uitgevoerd door het Sociaal en Cultureel Planbureau (SCP), naar hoe mensen deelnemen in het verkeer en vervoer. Steekproefsgewijs worden er mensen gekozen uit de gemeentelijke basisadministratie die een op bepaalde dag een dagboek gaan bijhouden. In dat dagboek geven de respondenten precies aan waar ze naartoe gaan, met welk vervoermiddel ze die verplaatsing maken, hoe lang ze erover doen, het tijdstip van vertrek en aankomst en de afstand van de verplaatsing. Ook geven de respondenten in het onderzoek basisinformatie over hun situatie, bijvoorbeeld geslacht, leeftijd, inkomen, gezinssituatie, et cetera. Dit onderzoek wordt ieder jaar uitgevoerd en heette voor 2009 het ‘Mobiliteitsonderzoek Nederland’. Binnen de steekproef voor dit onderzoek (jongeren van 18 tot en met 30 jaar) vallen 5 481 respondenten. De data van het OVIN wordt over het algemeen gebruikt door de rijksoverheid, provincies en gemeenten om het verkeer en vervoer te verbeteren. De resultaten van het OVIN zijn vrij toegankelijk, en kunnen door iedereen opgevraagd worden. Hieronder worden de waarden en frequenties van de verschillende variabelen van het OVIN en het CBS weergegeven.

Ten eerste de ruimtelijke kenmerken, deze zijn inwoners per vierkante kilometer, arbeidsplaatsen per vierkante kilometer en functiemenging. In tabel 1 staan de belangrijkste kenmerken van deze variabelen

Minimum Maximum Gemiddelde Scheefheid

Aantal inwoners per km2 55 6 046 1 569,44 1,175 Aantal arbeidsplaatsen per km2 2,58 2 852,33 761,50 1,082 Functiemenging 0,79 11,62 2,41 1,387

Wat direct opvalt aan dit overzicht is dat het aantal inwoners per vierkante kilometer een hoger minimum, maximum en gemiddelde kent dan het aantal arbeidsplaatsen per vierkante kilometer. Dit weerspiegelt zich ook in de waarden van de functiemenging. De laagste waarde van deze variabele is 0,79, dit wil zeggen dat er in deze gemeente meer arbeidsplaatsen dan inwoners zijn. De maximale waarde van deze variabele is echter 11,62, en dat ligt veel verder van 1 af dan de minimale waarde, dat betekent dus dat er in deze gemeente zeer veel meer inwoners zijn dan arbeidsplaatsen. Het gemiddelde laat ook het beeld zien dat er doorgaans in een gemeente ruim twee keer zoveel inwoners zijn dan arbeidsplaatsen. Een laatste kenmerk dat aandacht verdient is de scheefheid. Dit kenmerk geeft weer in hoeverre de waarden van de variabelen per onderzoekseenheid (in dit geval gemeenten) normaal verdeeld zijn. Een scheefheid dichtbij 0 wil zeggen dat dit het geval is, een scheefheid verder van 0 wil zeggen dat de waarden niet normaal verdeeld zijn. Ten behoeve van een regressieanalyse is dit van belang, omdat regressieanalyses alleen juiste waarden weergeeft bij een normale verdeling van de waarden. Idealiter zou de scheefheid van variabelen in een regressieanalyse tussen de -1 en 1 moeten liggen, maar een waarde tussen -2 en 2 is ook nog acceptabel. Dit laatste is dus het geval bij alle drie de ruimtelijke kenmerken. De scheefheid is hoger dan 1 en is dus niet ideaal, maar omdat deze lager is dan 2 is het nog acceptabel. Ten behoeve van de regressieanalyses zullen de waarden van het aantal inwoners per km² en het aantal arbeidsplaatsen per km² gedeeld worden door 100. Door deze actie wordt tegengegaan dat er zeer lage B-coëfficiënten in de regressieanalyse gaan voorkomen.

Ten tweede zullen de waarden van de sociaal-economische kenmerken worden toegelicht. Dit zal iets ander in zijn werk moeten gaan, omdat dit allemaal variabelen zijn van verschillende meetniveaus. Bij ordinale en nominale variabelen kunnen bijvoorbeeld geen scheefheden of gemiddelden worden berekend. Om deze variabelen toch goed te kunnen weergeven is er hier voor gekozen om de waarden van de ordinale en nominale variabelen in een cirkeldiagram te laten zien die weergeeft welk percentage van de respondenten bij een bepaalde categorie hoort.

Als eerste wordt in tabel 2 de enige ratiovariabele: leeftijd uitgelicht.

Minimum Maximum Gemiddelde Scheefheid

Leeftijd 18 30 23,97 -0,004

Tabel 2: Sociaal-economisch kenmerk leeftijd

De minimale en maximale waarde zijn niet verassend, omdat deze precies het onderzoeksspectrum weergeven. De gemiddelde waarde is vrijwel gelijk aan het gemiddelde van 18 en 30, en de scheefheid is zeer klein. Deze twee waarden laten zien dat de variabele leeftijd vrijwel precies gelijk is verdeeld.

De waarden van de ordinale variabelen opleiding en besteedbaar inkomen van het huishouden zijn als volgt verdeeld:

Figuur 4: Sociaal-economisch kenmerk hoogst voltooide opleiding

Figuur 5: Sociaal-economisch kenmerk besteedbaar inkomen van het huishouden

1% 2% 13%

54% 30%

Hoogst voltooide opleiding

Geen opleiding voltooid Basisonderwijs Lager beroepsonderwijs Middelbaar beroepsonderwijs Hoger beroepsonderwijs of universiteit 8% 11% 17% 21% 16% 27%

Besteedbaar inkomen van het

huishouden

Tot € 10 000 € 10 000 - € 20 000 € 20 000 - € 30 000 € 30 000 - € 40 000 € 40 000 - € 50 000 € 50 000 of meer

Bij de variabele opleiding is wordt het duidelijk dat de meeste respondenten een middelbare beroepsopleiding hebben afgerond, gevolgd door grofweg een derde die een hogere beroepsopleiding of universiteit heeft gedaan. Bij de variabele besteedbaar inkomen van het huishouden is een meer gelijke verdeling te zien. De meeste categorieën zijn van toepassing op ongeveer 20 procent van de respondenten. Alleen de laagste categorieën hebben een kleiner aandeel, terwijl de hoogste juist een iets groter aandeel heeft.

Tot slot de waarden van de sociaal-economische variabelen van nominaal meetniveau. De verdeling van de variabelen herkomst en huishoudensamenstelling staan weergegeven in figuur 6 en 7.

Figuur 6: Sociaal-economisch kenmerk herkomst

83% 7% 10%

Herkomst

Autochtoon Westerse allochtoon Niet-westerse allochtoon

Figuur 7: Sociaal-economisch kenmerk huishoudensamenstelling

Aan de hand van de eerste tabel is het duidelijk dat het overgrote deel van de respondenten van autochtone afkomst is. Het CBS houdt als definitie van autochtoon: ‘een persoon waarvan beide ouders in Nederland zijn geboren, ongeacht waar die persoon zelf is geboren’ (CBS, z.j.). Bij de huishoudensamenstelling is te zien dat vrijwel de helft van alle respondenten in een huishouden woont bestaande uit een paar met kinderen. Daarnaast woont ongeveer 20 procent in een twee- of eenpersoonshuishouden. Vermoedelijk heeft dit te maken met de leeftijd van de respondenten. Bij een andere onderzoekspopulatie zullen de laatst genoemde categorieën waarschijnlijk minder worden, deze daling zal waarschijnlijk ten goede komen aan de categorie paar met kinderen. De reden waarom deze categorie ook nu vrij hoog is heeft waarschijnlijk te maken met dat de jongste respondenten nog bij hun ouders wonen, waardoor ze in de categorie ‘paar met kind(eren) terecht komen.

Voor de variabele ‘herkomst’ is getest of deze overeenkomt met de Nederlandse bevolking als geheel in 2012. De verdeling van de respondenten over herkomstgroepering komt grotendeels overeen met de gehele bevolking. Verschillen zijn er in het aandeel autochtonen, in dit onderzoek is dat 83 procent, terwijl de het aandeel onder de inwoners van Nederland als geheel in 2012 slechts 79,1 procent bedroeg. Voor zowel westerse als niet-westerse allochtonen geldt dat hun aandeel in dit onderzoek iets lager is dan in de bevolking als geheel (CBS, 2012). 17% 22% 46% 1% 0% 8% 1% 5%

Huishoudensamenstelling

Eenpersoonshuishouden Paar Paar + Kind(eren) Paar + Kind(eren) + Ander(en) Paar + Ander(en) Één ouder + Kind(eren) Één ouder + Kind(eren) + Ander(en) Andere samenstelling

Om de samenhang tussen ruimtelijke kenmerken en sociaal-economische kenmerken te onderzoeken zal er een bivariate correlatie samengesteld worden. In deze tabel zullen de verschillende onafhankelijke variabelen tegenover elkaar gezet worden en zal aan de hand van de samenhangsmaat Kendall’s Tau-B voor ordinale en interval/ratiovariabelen, en Cramer’s V voor nominale variabelen, gekeken worden naar de mate van samenhang tussen ruimtelijke kenmerken en sociaal-economische kenmerken. Om de verklarende waarde van de onafhankelijke variabelen ruimtelijke kenmerken en sociaal-economische kenmerken op de afhankelijke variabele vervoerskeuze van jongeren te testen zullen er drie regressieanalyses worden uitgevoerd. Een regressieanalyse zal het percentage verklaarde variantie van de ruimtelijke kenmerken en de sociaal-economische kenmerken, op het aantal autoverplaatsingen onderzoeken. Een zal de verklarende waarde van de onafhankelijke variabelen op het aantal openbaar vervoerverplaatsingen onderzoeken en de verklarende waarde op het aantal langzaam vervoerverplaatsingen. Deze drie regressieanalyses zullen allemaal ‘stepwise’ worden uitgevoerd met de methode ‘forward’. Dit wil zeggen dat de onafhankelijke variabelen allemaal een voor een in het model zullen worden opgenomen. Bij elke nieuwe onafhankelijke variabele zal het percentage verklaarde variantie toenemen. Bovendien worden de variabelen in twee blokken ingevoerd, als eerste het blok met de sociaal-economische kenmerken en als tweede het blok met de ruimtelijke kenmerken. 3.5 Operationalisering

De onafhankelijke variabele ‘ruimtelijke kenmerken’ is vooral contextueel van aard. Dat wil zeggen dat informatie hierover niet op de respondenten als persoon te betrekken zijn. Het zijn kenmerken afkomstig van gemeenten waarin de respondenten woonachtig zijn, deze gegevens zijn op te zoeken via het CBS. De precieze variabelen die tot ruimtelijke kenmerken gerekend zullen worden staan weergegeven in tabel 4.

De onafhankelijke variabele ‘sociaal-economische kenmerken’ vormen voornamelijk de individuele kenmerken van de respondenten. Deze kenmerken zijn wel te betrekken op de respondent als persoon. De sociaal-economische kenmerken zullen afkomstig zijn van het OVIN. Zij hebben zoals gezegd onderzoek gedaan naar het verplaatsingsgedrag van Nederlanders en de achtergrondkenmerken van de respondenten.

Voor de afhankelijke variabele ‘vervoerskeuze van jongeren’ zal er informatie worden geput uit de gegevens van het OVIN. Omdat dit databestand niet beschikt over een variabele die zegt hoeveel verplaatsingen er per persoon met welk vervoermiddel worden gemaakt, zijn er eerst een aantal berekeningen uitgevoerd alvorens hiermee gewerkt kon worden.

In tabel 3 staat welke variabelen er gebruikt zijn voor het uitvoeren van de analyses. Ook is per variabele op een overzichtelijke manier weergegeven wat de bron is van de informatie over die variabele.

Variabele Dimensie Indicator Bron

Ruimtelijke kenmerken

Dichtheid Inwoners per km²

(gedeeld door 100) CBS Arbeidsplaatsen per km² (gedeeld door 100) CBS Diversiteit Functiemenging CBS Sociaal-economische kenmerken Persoonlijke kenmerken Geslacht OVIN Leeftijd OVIN Opleiding OVIN Herkomst OVIN Huishoudelijke kenmerken

Besteedbaar inkomen van het huishouden

OVIN

Huishoudensamenstelling OVIN Vervoerskeuze van

jongeren

Aantal verplaatsingen per persoon (18-30 jaar) per dag, opgesplitst volgens vervoermiddel (auto, openbaar vervoer en langzaam vervoer)

OVIN

Tabel 3: Operationalisering van de variabelen

Bij ruimtelijke kenmerken is gekozen voor de indicatoren dichtheid aan inwoners en arbeidsplaatsen, omdat uit literatuuronderzoek is gebleken dat deze variabelen doorgaans een sterke invloed hebben op de vervoerskeuze in het algemeen. Dit geldt ook voor functiemenging. Deze laatste variabele is uitgerekend door het absolute aantal inwoners te delen door het absolute aantal arbeidsplaatsen binnen een gemeente. Dit wil concreet zeggen dat een waarde van 1 betekent dat aantal arbeidsplaatsen en aantal inwoners binnen een gemeente precies evenwichtig zijn verdeeld. Als de waarde lager is dan 1 zijn er meer arbeidsplaatsen dan inwoners, en als de waarde hoger is dan 1 zijn er meer inwoners dan arbeidsplaatsen binnen een gemeente. De variabelen van de ruimtelijke kenmerken zijn allemaal van interval/rationiveau.

De sociaal-economische kenmerken vormen de achtergrond en gaan over kenmerken van het individu of het huishouden. Vooral voor leeftijd en besteedbaar inkomen zijn bewijzen gevonden dat deze invloed hebben op vervoerskeuze, datzelfde geldt ook voor opleidingsniveau en herkomst. Voor geslacht en huishoudensamenstelling zijn minder bewijzen gevonden dat ze invloed hebben op vervoerskeuze.

De variabele besteedbaar inkomen is een huishoudelijk kenmerk, omdat het gaat over het jaarlijkse besteedbare inkomen van het huishouden. Er is voor deze vorm gekozen, omdat het huishoudeninkomen meer invloed heeft op vervoerskeuze dan het individuele inkomen. Dat heeft vooral te maken met dat de jongste jongeren in dit onderzoek nog regelmatig thuis zullen wonen. Hun eigen inkomen zal niet hoog zijn, maar die van hun ouders wellicht wel waardoor er toch een auto aanwezig is waar die jongeren gebruik van kunnen maken.

De sociaal-economische kenmerken zijn van verschillende meetniveaus. De variabele leeftijd is van rationiveau. De variabele geslacht is dichotoom, omdat deze maar twee antwoordmogelijkheden kent, omdat er geen rangschikking is mag deze gerekend worden tot de nominale variabelen. De variabelen opleiding en besteedbaar inkomen zijn beide van ordinaal niveau. Besteedbaar inkomen had ook van interval/rationiveau kunnen zijn, maar in dit onderzoek is er voor gekozen dat respondenten hun inkomen mogen indelen in klassen met intervallen van 10 000 euro, omdat dit een geclassificeerde variabele is wordt deze tot het ordinale meetniveau gerekend. Tot slot behoren herkomst en huishoudensamenstelling bij de nominale variabelen. Regressieanalyses werken het meest eenvoudig als er sprake is van uitsluitend interval/ratiovariabelen, ze kunnen echter ook uitgevoerd worden als de onafhankelijke variabelen van nominaal of ordinaal meetniveau zijn, maar dan zullen de variabelen van ordinaal en nominaal niveau uitgesplitst moeten worden in dummyvariabelen die elk een categorie binnen die variabele behelst. Van één categorie is geen dummyvariabele aangemaakt, deze is de referentiecategorie. Voor de variabele opleiding betekent dit bijvoorbeeld dat er drie verschillende variabelen worden gemaakt (een met geen opleiding, een met basisonderwijs, et cetera) waarop de respondent afhankelijk van of het van toepassing is op hem is of niet een 1 of een 0 scoort.

Bij de afhankelijke variabele ‘vervoerskeuze van jongeren’ is ervoor gekozen onderzoek te doen naar het aantal verplaatsingen volgens vervoermiddel, omdat andere methoden een vertekend beeld zouden kunnen geven. Bij de methode waarin onderzocht wordt hoeveel tijd iemand besteed aan vervoer met een bepaald vervoermiddel is het waarschijnlijk dat de trein en auto als hoogste eindigen, omdat deze doorgaans veel voor langere afstanden wordt gebruikt waar dus meer tijd voor nodig is. In dit onderzoek gaat het om het aantal verplaatsingen. Zoals genoemd in de operationaliseringtabel worden jongeren gedefinieerd

Hoofdstuk 4

Onderzoeksresultaten

4.1 Bivariate correlaties

Voor het uitvoeren van de regressieanalyse zullen als eerste nog een aantal bivariate correlaties worden opgesteld tussen alle verschillende variabelen. Dit is om de samenhang tussen de variabelen onderling en tussen ruimtelijke en sociaal-economische kenmerken te testen waardoor de tweede deelvraag: “hebben ruimtelijke kenmerken en sociaal-economische kenmerken een verband met elkaar?” beantwoord kan worden. De eerste samenhangstabel maakt gebruik van de ordinale samenhangsmaat ‘Kendall’s Tau-B’, in deze tabel staan dan ook alleen de variabelen weergegeven van ordinaal of interval/ratio meetniveau. Deze samenhangsmaat heeft een waarde tussen -1 en 1. Bij een waarde van 0 is er geen correlatie, bij een waarde van -1 is er een perfect negatieve correlatie (dit wil zeggen dat als een variabele met 1 stijgt, de ander met 1 daalt). Bij een waarde van 1 is er sprake van een perfect positieve correlatie, dat betekent als een variabele met 1 stijgt, de andere ook met 1 stijgt. In de tweede tabel staat de samenhang weergegeven tussen de twee nominale variabelen ‘herkomst’ en ‘huishoudensamenstelling’ en de rest van de variabelen. In deze tabel is gebruik gemaakt van de nominale samenhangsmaat ‘Cramer’s V’. Deze samenhangsmaat ligt tussen de 0 en 1. Bij 0 is er helemaal geen correlatie en bij 1 is er perfecte correlatie. Cramer’s V zegt echter niets over de richting van het verband. De twee bivariate correlaties zijn weergegeven in tabel 4, 5 en 6.

Geslacht Leeftijd Opleiding Inkomen

Auto-verplaatsingen OV-verplaatsingen LV-verplaatsingen Arbeidsplaatsen per km2 Inwoners _{per km}2 Functie-_menging

Geslacht Kendall’s Tau-B 1 0,019 0,116 -0,061 0,028 0,007 0,057 0,028 0,026 -0,026 P 0,000 0,119 0,000 0,000 0,039 0,601 0,000 0,022 0,031 0,032 Leeftijd Kendall’s Tau-B 0,019 1 0,322 -0,119 0,176 -0,212 -0,035 0,050 0,051 -0,042 P 0,119 0,000 0,000 0,000 0,000 0,000 0,003 0,000 0,000 0,000 Opleiding Kendall’s Tau-B 0,116 0,322 1 -0,054 0,064 -0,030 0,023 0,118 0,106 -0,101 P 0,000 0,000 0,000 0,000 0,000 0,026 0,072 0,000 0,000 0,000 Inkomen Kendall’s Tau-B -0,061 -0,119 -0,054 1 0,104 -0,012 -0,143 -0,179 -0,161 0,180 P 0,000 0,000 0,000 0,000 0,000 0,333 0,000 0,000 0,000 0,000

Auto-verplaatsingen Kendall’s Tau-B 0,028 0,176 0,064 0,104 1 -0,321 -0,411 -0,143 -0,134 0,128

P 0,039 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

OV-verplaatsingen Kendall’s Tau-B 0,007 -0,212 -0,030 -0,012 -0,321 1 -0,135 0,105 0,115 -0,060

P 0,601 0,000 0,026 0,333 0,000 0,000 0,000 0,000 0,000 0,000

LV-verplaatsingen Kendall’s Tau-B 0,057 -0,035 0,023 -0,143 -0,411 -0,135 1 0,135 0,121 -0,138

P 0,000 0,003 0,072 0,000 0,000 0,000 0,000 0,000 0,000 0,000

Arbeidsplaatsen

per km2 Kendall’s _Tau-B 0,028 0,050 0,118 -0,179 -0,143 0,105 0,135 1 0,824 -0,555

P 0,022 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Inwoners per km2 Kendall’s _Tau-B 0,026 0,051 0,106 -0,161 -0,134 0,115 0,121 0,824 1 -0,417 P 0,031 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Functiemenging Kendall’s Tau-B -0,026 -0,042 -0,101 0,180 0,128 -0,060 -0,138 -0,555 -0,417 1 P 0,032 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

Geslacht Leeftijd Opleiding Inkomen

Auto-verplaatsingen OV-verplaatsingen LV-verplaatsingen Arbeidsplaatsen per km2 Inwoners _{per km}2 Functie-_menging

Herkomst Cramer’s V 0,013 0,054 0,084 0,099 0,070 0,098 0,058 0,338 0,326 0,338

P 0,693 0,313 0,000 0,000 0,054 0,000 0,210 0,000 0,000 0,000

Huishouden-samenstelling Cramer’s V 0,078 0,178 0,183 0,305 0,083 0,072 0,083 0,317 0,299 0,317

P 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

Tabel 5: Bivariate correlatie nominale variabelen deel 1

Herkomst Huishoudensamenstelling

Herkomst Cramer’s V 1 0,138

P 0,000

Huishoudensamenstelling Cramer’s V 0,138 1

P 0,000

De grootste opvallendheden aan de eerste tabel zijn de (zeer) sterke samenhangen tussen de variabelen die binnen dezelfde groep horen. Zo hangen in de groep van ruimtelijke kenmerken duidelijk aantal inwoners per km², aantal arbeidsplaatsen per km² en functiemenging sterk samen. Deze samenhangen zijn met een P-waarde van 0,000 bij een betrouwbaarheid van 99 procent ook allemaal significant. Een significante samenhang wil zeggen dat de correlatie tussen twee variabelen niet berust op toeval. Bij een significante samenhang mag de nulhypothese (die stelt dat er geen samenhang is) verworpen worden, de alternatieve hypothese (die stelt dat er wel samenhang is) mag dan worden aangenomen. De sterkste samenhang is te vinden tussen het aantal inwoners per km² en het aantal arbeidsplaatsen per km², deze is maar liefst 0,824. Dit is niet heel verassend. Deze variabele is contextueel en gaat over het gemeentelijk niveau, gemeenten die een hoge dichtheid aan inwoners kennen hebben ook te maken met een hoge dichtheid aan arbeidsplaatsen. Dit is niet zondermeer vanzelfsprekend, maar het past wel in het verwachtingspatroon.

Er zijn ook samenhangen te vinden in de groep van de afhankelijke variabelen: het gebruik van auto, openbaar vervoer of langzaam vervoer. Deze drie variabelen hangen allen negatief met elkaar samen, dit wil zeggen dat als de waarde van de ene variabele stijgt daalt de waarde van de andere. De sterkste samenhang is te vinden tussen het aantal autoverplaatsingen en het aantal langzaam vervoerverplaatsingen, deze bedraagt -0,411. Uit deze analyse kan geconcludeerd worden dat mensen die meer gebruik maken van de auto minder verplaatsingen maken met de fiets of te voet. Ditzelfde geldt in iets minder sterke mate ook tussen openbaar vervoerverplaatsingen en autoverplaatsingen. De enige combinatie waartussen een minder sterke samenhang te vinden is tussen langzaam vervoerverplaatsingen en openbaar vervoerverplaatsingen, deze bedraagt -0,135. Er is dus wel samenhang, maar geen sterke. Dit zou te maken kunnen hebben met dat gebruikers van het openbaar vervoer niet over een auto beschikken en voor verplaatsingen tussen twee locaties waartussen geen openbaar vervoerverbinding is moeten lopen of gebruik maken van de fiets.

Binnen de groep van de sociaal-economische variabelen zijn zeer weinig sterke samenhangen te vinden. Alleen tussen leeftijd en opleiding bestaat een vrij sterke samenhang van 0,322. Deze is vrij eenvoudig verklaarbaar, omdat de jongste respondenten van 18 jaar net hun middelbare school hebben afgerond en nog niet zijn toegekomen aan een vervolgopleiding, terwijl dit voor de oudste respondenten van 30 jaar wel het geval is.

Ten behoeve van deelvraag twee kan via deze tabel beredeneerd worden of er sprake is van samenhang tussen ruimtelijke kenmerken en sociaal-economische kenmerken. Vooral in de tweede tabel, waar de samenhang tussen de nominale variabelen ‘herkomst’ en ‘huishoudensamenstelling’ en de rest van de variabelen wordt getest, zijn belangrijke samenhangen te identificeren. Deze twee variabelen hangen namelijk met een Cramer’s V van rond de 0,3 vrij sterk samen met alle drie de ruimtelijke kenmerken. De samenhangsmaat Cramer’s V zegt niets over de richting van de samenhang en hoe deze er precies uitziet, maar op basis van basisgegevens van het CBS (CBS, 2012) kan er verwacht worden dat deze samenhang impliceert dat respondenten van westerse of niet-westerse allochtone afkomst vaak wonen in gemeenten met een hogere dichtheid aan inwoners en arbeidsplaatsen en een relatief hogere functiemenging. In het geval van de variabele ‘huishoudensamenstelling’ kan uit diezelfde basisgegevens van het CBS (CBS, 2012) de verwachting opgesteld worden dat respondenten behorend tot de groep ‘eenpersoonshuishouden’ en ‘paar’ relatief vaker in gemeenten met hogere waarden van dichtheid van inwoners en arbeidsplaatsen en een lagere waarde van functiemenging wonen dan respondenten die bij een van de andere groepen horen.

Waar het in dit onderzoek in principe om gaat is de samenhang tussen de ruimtelijke kenmerken en de vervoerskeuze van jongeren, en in mindere mate de samenhang tussen sociaal-economische kenmerken en vervoerskeuze. Uit deze tabellen blijken deze samenhangen niet groot te zijn. Er is wel sprake van significante samenhangen tussen ruimtelijke kenmerken en vervoerskeuze, maar deze zijn met een waarde tussen de 0,1 en 0,2 niet groot. Ditzelfde geldt voor de samenhangen tussen sociaal-economische kenmerken en vervoerskeuze. De belangrijkste conclusies over de mate waarin ruimtelijke kenmerken en sociaal-economische kenmerken vervoerskeuze van jongeren beïnvloeden zullen pas volgen uit de regressieanalyses, maar uit deze tabellen kan al verwacht worden dat deze verklarende waarden niet zeer hoog zullen zijn.

Belangrijk voor het uitvoeren van een correcte regressieanalyse is dat de samenhangen tussen de onafhankelijke variabelen onderling niet te sterk zijn. De samenhangen tussen deze variabelen moet het liefst niet meer dan 0,5 bedragen, maar tot 0,6 is nog acceptabel. De enige die buiten die marge valt is de samenhang tussen inwoners per km² en arbeidsplaatsen per km².

4.2 Regressieanalyse autogebruik

Nadat de waarden van de individuele variabelen toegelicht zijn en de samenhangen via bivariate correlaties geïdentificeerd zijn kan er overgegaan worden tot de drie regressieanalyses. Deze zullen uitsluitsel geven over de verklarende waarde van ruimtelijke en sociaal-economische kenmerken op de vervoerskeuze van jongeren. Ten eerste zal de regressieanalyse over de verklarende waarde op autogebruik gepresenteerd worden.

Variabelen R2 Leeftijd 0,041 Leeftijd Inkomen tot € 10 000 0,050 Leeftijd Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 0,058 Leeftijd Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Herkomst autochtoon 0,061 Leeftijd Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Herkomst autochtoon Geslacht 0,063 Leeftijd Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Herkomst autochtoon Geslacht Inkomen tussen € 20 000 - € 30 000 0,064 Leeftijd Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Herkomst autochtoon Geslacht Inkomen tussen € 20 000 - € 30 000 Arbeidsplaatsen per km2 0,084

Tabel 7: Regressieanalyse autogebruik deel 1

Tabel 7 geeft de verklarende waarde van de zeven belangrijkste variabelen, onafhankelijk van elkaar, op het autogebruik onder jongeren weer. De R² geeft de hoeveelheid verklaarde variantie in het aantal autoverplaatsingen aan, bij de eerste variabele bedraagt deze 0,041, dat betekent dat 4,1 procent van de variantie in autogebruik wordt verklaard door de leeftijd van de gebruiker. Als er een variabele aan toegevoegd wordt groeit het percentage verklaarde variantie, omdat twee variabelen meer kunnen verklaren van één. In dit geval is de verklaarde variantie van autogebruik onder jongeren voor de zeven belangrijkste variabelen samen 8,4 procent. Een opvallendheid is dat de variabele inkomen op het laatst drie keer voorkomt in verschillende categorieën, maar dit heeft te maken met het uitsplitsen in dummyvariabelen dat in het hoofdstuk methodologie is uitgelegd.

Een verklaarde variantie van 8,4 procent is niet veel, logischerwijs betekent dit dat 91,6 procent van de variantie in het aantal autoritten per persoon door aspecten wordt verklaard die in dit onderzoek niet aan de orde komen. Zowel ruimtelijke kenmerken als sociaal-economische kenmerken zijn dus niet van grote verklarende waarde voor de variantie in autogebruik. Tabel 8 hoort ook bij de regressieanalyse van de onafhankelijke variabelen op autogebruik, hierin staat weergegeven in welke richting de onafhankelijke variabelen invloed hebben en wat de sterkte is van de afzonderlijke variabelen ten opzichte van elkaar.

Variabelen B-coëfficiënt Significantie Bèta-gewicht

Leeftijd 0,105 0,000 0,202 Leeftijd Inkomen tot € 10 000* 0,100 -0,694 0,000 0,000 0,194 -0,095 Leeftijd Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* 0,105 -0,755 -0,558 0,000 0,000 0,000 0,203 -0,103 -0,090 Leeftijd Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Herkomst autochtoon** 0,105 -0,739 -0,533 0,311 0,000 0,000 0,000 0,000 0,204 -0,101 -0,086 0,060 Leeftijd Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Herkomst autochtoon** Geslacht 0,105 -0,744 -0,539 0,313 0,148 0,000 0,000 0,000 0,000 0,008 0,203 -0,101 -0,087 0,060 0,038 Leeftijd Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Inkomen tussen € 20 000 - € 30 000* Herkomst autochtoon** Geslacht 0,107 -0,783 -0,583 -0,191 0,297 0,151 0,000 0,000 0,000 0,012 0,000 0,007 0,207 -0,107 -0,094 -0,037 0,057 0,039 Leeftijd Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Inkomen tussen € 20 000 - € 30 000* Herkomst autochtoon** Geslacht Arbeidsplaatsen per km2 0,112 -0,515 -0,440 -0,118 0,148 0,165 -0,036 0,000 0,000 0,000 0,012 0,050 0,003 0,000 0,218 -0,070 -0,071 -0,023 0,028 0,042 -0,150

Tabel 8: Regressieanalyse autogebruik deel 2 *) Referentiecategorie: Inkomen boven € 50 000

De coëfficiënt staat voor de richting waarin de variabele werkt. In principe geeft de B-coëfficiënt weer wat de verandering is van de waarde van de afhankelijke variabele als de waarde van de betreffende onafhankelijke variabele met één stijgt. Als alle zeven variabelen ter verklaring van de variantie in autogebruik in beschouwing worden genomen betekent dat bijvoorbeeld dat men voor elk jaar dat hij ouder is 0,112 meer autoritten maakt. Bij de dummyvariabele inkomen tot € 10 000 geldt dat als een persoon in die categorie valt hij 0,515 autoritten minder maakt dan een persoon die bij de referentiecategorie hoort (inkomen boven € 50 000). Behalve de categorie inkomen tussen € 20 000 en € 30 000 zijn alle inkomenscategorieën significant en geven ze allebei weer dat lage inkomenscategorieën een negatief effect hebben op autogebruik. Dit is een logisch effect, omdat mensen in deze lagere inkomensklassen veelal niet genoeg geld zullen hebben voor een dure kostenpost als een auto. Ook het feit dat iemand van autochtone afkomst is lijkt een positief effect te hebben op autogebruik, alleen is deze uitkomst na toevoeging van het ruimtelijke kenmerk ‘arbeidsplaatsen per km²’ met een onzekerheid van 0,05 op de grens van of het significant is of niet. Ook geslacht heeft een effect op autogebruik, omdat in dit model mannen een 1 hebben gekregen, en vrouwen een 2, betekent de B-coëfficiënt van 0,165 dat vrouwen 0,165 meer keer gebruik maken van de auto dan mannen. Dit is een opvallend resultaat, in de maatschappij bestaat een beeld dat autorijden vooral een typische aangelegenheid voor mannen is, door deze vinding wordt die aanname dus onderuit gehaald. Deze vinding kan enigszins verklaard worden door resultaten uit een studie van Hanson & Johnston (1985), in dit paper wordt beargumenteerd dat vrouwen veelal dichterbij werk wonen en minder vaak over een fulltime baan beschikken. Wel doen vrouwen over het algemeen vaker activiteiten als winkelen en de kinderen van school halen wat ook verplaatsingen vereist (Hanson & Johnston, 1985). Omdat zij, blijkens de studie van Hanson & Johnston, meer (korte) afstanden afleggen is het aantal autoverplaatsingen voor vrouwen in dit onderzoek hoger dan voor mannen Tot slot de belangrijkste ruimtelijke variabele die in dit model is opgenomen: ‘aantal arbeidsplaatsen per km²’. Deze heeft een B-coëfficiënt van -0,036. Dit wil zeggen dat de bekende theorieën over dichtheid en autogebruik in lijn zijn met de uitkomsten van dit onderzoek, deze significant negatieve B-coëfficiënt zegt immers dat bij een stijging van de dichtheid van arbeidsplaatsen het autogebruik afneemt.

De Bèta-gewichten zijn de gestandaardiseerde coëfficiënten en geven de afzonderlijke sterkte van de variabelen aan. De belangrijkste is degene met het Bèta-gewicht dat het dichtste bij -1 of 1 ligt, het Bèta-gewicht van een variabele ligt immers altijd tussen de -1 en 1. In dit geval is dat leeftijd. Deze variabele heeft individueel de grootste verklarende waarde op het autogebruik onder jongeren. De tweede belangrijkste is het aantal arbeidsplaatsen per km². Deze wordt gevolgd door inkomen, welke als dummy-variabele twee keer op een significante manier voorkomt. Geslacht heeft daarna de meeste verklarende waarde, en de herkomst heeft in dit model waarin zeven variabelen zijn opgenomen de minste verklarende waarde.

4.3 Regressieanalyse openbaar vervoergebruik

In tabel 9 staat de tweede regressieanalyse beschreven, dit is de regressieanalyse die zegt wat de verklaarde variantie is van de onafhankelijke variabelen op het openbaar vervoergebruik.

Variabelen R2 Leeftijd 0,057 Leeftijd Herkomst autochtoon 0,068 Leeftijd Herkomst autochtoon

Herkomst westerse allochtoon

0,073

Leeftijd

Herkomst autochtoon

Herkomst westerse allochtoon Opleiding HBO en universiteit

0,077

Leeftijd

Herkomst autochtoon

Herkomst westerse allochtoon Opleiding HBO en universiteit Opleiding MBO

0,080

Leeftijd

Herkomst autochtoon

Herkomst westerse allochtoon Opleiding HBO en universiteit Opleiding MBO Huishoudensamenstelling Eenpersoonshuishouden 0,081 Leeftijd Herkomst autochtoon

Herkomst westerse allochtoon Opleiding HBO en universiteit Opleiding MBO

Huishoudensamenstelling Eenpersoonshuishouden Huishoudensamenstelling Paar + kind(eren) + ander(en)

0,082

Leeftijd

Herkomst autochtoon

Herkomst westerse allochtoon Opleiding HBO en universiteit Opleiding MBO

Huishoudensamenstelling Eenpersoonshuishouden Huishoudensamenstelling Paar + kind(eren) + ander(en) Inwoners per km²

0,099

Tabel 9: Regressieanalyse openbaar vervoergebruik deel 1

In tabel 9 wordt duidelijk dat er negen variabelen zijn opgenomen om de verklaarde variantie in openbaar vervoergebruik te bepalen. Als alle negen deze variabelen in het model zijn opgenomen is het percentage verklaarde variantie 9,9 procent, 90,1 procent van de variantie in openbaar vervoergebruik wordt dus bepaald door factoren die niet in het onderzoek zijn opgenomen. Daarmee wordt er duidelijk dat er, net als bij autogebruik, slechts een klein deel van de variantie van openbaar vervoergebruik wordt verklaard door ruimtelijke en sociaal-economische kenmerken.

In tabel 10 staat weergegeven wat de richting is waarin de individuele variabelen de afhankelijke variabele beïnvloeden. Daarnaast wordt toegelicht welke van de afzonderlijke

Variabelen B-coëfficiënt Significantie Bèta-gewicht Leeftijd -0,053 0,000 -0,238 Leeftijd Herkomst autochtoon* -0,053 -0,239 0,000 0,000 -0,241 -0,107 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* -0,053 -0,357 -0,291 0,000 0,000 0,000 -0,240 -0,160 -0,088 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* Opleiding HBO en universiteit** -0,059 -0,369 -0,305 0,125 0,000 0,000 0,000 0,000 -0,295 -0,165 -0,092 0,068 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* Opleiding HBO en universiteit** Opleiding MBO** -0,060 -0,380 -0,312 0,219 0,121 0,000 0,000 0,000 0,000 0,000 -0,217 -0,170 -0,094 0,120 0,072 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* Opleiding HBO en universiteit** Opleiding MBO** Huishoudensamenstelling Eenpersoonshuishouden*** -0,061 -0,382 -0,316 0,209 0,118 0,076 0,000 0,000 0,000 0,000 0,000 0,016 -0,274 -0,171 -0,096 0,114 0,071 0,035 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* Opleiding HBO en universiteit** Opleiding MBO** Huishoudensamenstelling Eenpersoonshuishouden*** Huishoudensamenstelling Paar + kind(eren) + ander(en)*** -0,061 -0,376 -0,310 0,210 0,118 0,078 0,348 0,000 0,000 0,000 0,000 0,000 0,014 0,043 -0,274 -0,169 -0,094 0,115 0,070 0,035 0,029 Leeftijd Herkomst autochtoon* Herkomst westerse allochtoon* Opleiding HBO en universiteit** Opleiding MBO** Huishoudensamenstelling Eenpersoonshuishouden*** Huishoudensamenstelling Paar + kind(eren) + ander(en)*** Inwoners per km² -0,061 -0,277 -0,259 0,171 0,112 0,027 0,313 0,008 0,000 0,000 0,000 0,000 0,001 0,405 0,066 0,000 -0,274 -0,124 -0,078 0,093 0,067 0,012 0,026 0,138

Tabel 10: Regressieanalyse openbaar vervoergebruik deel 2 *) Referentiecategorie: Herkomst niet-westerse allochtoon **) Referentiecategorie: Opleiding basisonderwijs

In tabel 10 wordt duidelijk dat de variabele leeftijd met een bèta-gewicht van -0,271 net als bij autogebruik de grootste verklarende waarde heeft in de variantie van openbaar vervoergebruik. Aan de B-coëfficiënt is te zien dat deze variabele een negatief effect heeft die ervoor zorgt dat iemand die één jaar ouder is 0,061 minder verplaatsingen met het openbaar vervoer maakt. Dit is een logische vinding, hoe ouder mensen zijn hoe vaker ze in het bezit zullen zijn van een rijbewijs, daarnaast hebben mensen aan het eind van het spectrum van 18 tot en met 30 jaar vaak een baan, terwijl de jongeren vaak nog naar school zullen gaan waarvoor een auto niet nodig of niet praktisch is. Als tweede is herkomst de belangrijkste verklarende variabele. Twee categorieën: autochtoon en westerse allochtoon zijn opgenomen in het model, beide hebben ze een negatief effect op openbaar vervoergebruik. Dit betekent dat beide categorieën minder verplaatsingen maken met het openbaar vervoer dan de mensen behorend tot de referentiecategorie (niet-westerse allochtonen). Dit effect wordt ook in de literatuur genoemd, een echte verklaring voor dit verschijnsel is er echter niet. Het aantal inwoners per km² is de volgende meest verklarende variabele. Met een B-coëfficiënt van 0,008 wordt het duidelijk dat een hoger aantal inwoners per km² zorgt voor een hogere waarde van openbaar vervoergebruik. Het gevonden effect dat de dichtheid van inwoners een positief effect heeft op het openbaar vervoergebruik strookt precies met de gevonden literatuur over dit onderwerp, hierin wordt deze stelling veelal bepleit. Na dit ruimtelijke kenmerk heeft opleiding ook een effect op openbaar vervoergebruik, mensen met een afgeronde opleiding aan het hoger beroepsonderwijs of universiteit maken 0,171 meer verplaatsingen met het openbaar vervoer dan mensen die in de referentiecategorie vallen (basisonderwijs). Voor mensen met een afgeronde opleiding aan het middelbaar beroepsonderwijs geldt dat zij 0,112 meer openbaar vervoerverplaatsingen maken dan personen in de referentiecategorie. Logischerwijs volgt hieruit dat personen met lagere opleidingsniveaus minder openbaar vervoerverplaatsingen maken dan degenen met een hogere opleiding. Dit is verklaarbaar door het verschijnsel dat mensen voor beroepen met een hoger salaris, waarvoor dus vaak ook een hoger opleidingsniveau voor gevraagd wordt, verder willen reizen dan voor beroepen met een lager salaris waarvoor ook minder opleidingseisen zijn gesteld, zij maken dan meer gebruik van langzame vervoermiddelen. Om deze stelling volledig te onderbouwen zal er gekeken moeten worden naar de uitkomsten uit de regressieanalyse over de langzame vervoermiddelen. Tot slot heeft huishoudensamenstelling nog een licht effect, maar deze is niet altijd significant dus deze zal niet verder beschouwd worden.

4.4 Regressieanalyse langzaam vervoergebruik

Tot slot zal de laatste regressieanalyse toegelicht worden. Deze regressieanalyse gaat over de verklarende waarde van ruimtelijke en sociaal-economische kenmerken op het gebruik van langzame vervoermiddelen door jongeren in de leeftijd 18 tot en met 30 jaar.

Variabelen R2 Inkomen tot € 10 000 0,020 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 0,029 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 0,034 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht 0,039 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar 0,042 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 0,045 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 Inkomen tussen € 40 000 - € 50 000 0,046 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 Inkomen tussen € 40 000 - € 50 000 Herkomst autochtoon 0,047 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 Inkomen tussen € 40 000 - € 50 000 Herkomst autochtoon

Herkomst westerse allochtoon

Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 Inkomen tussen € 40 000 - € 50 000 Herkomst autochtoon

Herkomst westerse allochtoon Arbeidsplaatsen per km² 0,063 Inkomen tot € 10 000 Inkomen tussen € 10 000 - € 20 000 Inkomen tussen € 20 000 - € 30 000 Geslacht Huishoudensamenstelling paar Inkomen tussen € 30 000 - € 40 000 Inkomen tussen € 40 000 - € 50 000 Herkomst autochtoon

Herkomst westerse allochtoon Arbeidsplaatsen per km² Functiemenging

0,066

Tabel 11: Regressieanalyse langzaam vervoergebruik deel 1

In tabel 11 wordt weergegeven dat er elf onafhankelijke variabelen zijn opgenomen in het model ter verklaring van de variantie in het aantal verplaatsingen met een langzaam vervoermiddel. De verklarende waarde van de elf variabelen tezamen is met een R² van 0,066 slechts 6,6 procent. 6,6 procent van de variantie in het aantal verplaatsingen met een langzaam vervoermiddel wordt dus verklaard door ruimtelijke en sociaal-economische kenmerken. Dit betekent dat 93,4 procent van de variantie in het aantal verplaatsingen wordt verklaard door factoren die niet in dit onderzoek zijn opgenomen. In tabel 11 zullen wederom de B-coëfficiënten en Bèta-gewichten per variabele worden gepresenteerd, deze zullen duidelijk maken in welke richting de ruimtelijke en sociaal-economische kenmerken de afhankelijke variabele beïnvloeden en wat de sterkte is van de individuele variabelen.

Variabelen B-coëfficiënt Significantie Bèta-gewicht

Inkomen tot € 10 000* 0,909 0,000 0,143 Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* 0,970 0,505 0,000 0,000 0,153 0,094 Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Inkomen tussen € 20 000 - € 30 000* 1,040 0,575 0,332 0,000 0,000 0,000 0,164 0,107 0,074 Inkomen tot € 10 000* Inkomen tussen € 10 000 - € 20 000* Inkomen tussen € 20 000 - € 30 000* Geslacht 1,031 0,564 0,325 0,236 0,000 0,000 0,000 0,000 0,162 0,105 0,072 0,070