Januari, 2017
Toenemend toerisme in
Amsterdam, groeiende
overlast voor de lokale
bevolking?
Universiteit van Amsterdam
Bachelorscriptie Sociale geografie
& Planologie
Friso Prins
Studentnummer: 10323643
Begeleider: Dhr. Dr. A. Zorlu
Instelling: Universiteit van Amsterdam Faculteit der Sociale Wetenschappen
Bacheloropleiding Sociale Geografie en Planologie
Bachelor scriptieproject Sociale Geografie en Planologie semester 1 Cursuscode: 734301500Y
Cursusjaar 2016 – 2017
Scriptiebegeleider: Dhr. Dr. A. Zorlu Scriptiecoördinator: J. Van Pelt Msc Student: Friso Prins
Studentnummer: 10323643 Adres: Da Costakade 200F – K4 1053XH Amsterdam
Tel: +31 640939622
Inhoudsopgave
1. Inleiding ... 3
2.Theoretisch kader ... 5
2.1 Social exchange theory... 5
2.2 Negatieve gevolgen van toerisme ... 6
2.2.1 Commodificatie en homogenisering ... 6
2.3. New urban tourism en airbnb ... 6
2.3.1 Airbnb een Disruptive innovation? ... 7
2.4 Persoonlijke kenmerken ... 7
2.4.1 Individuele kenmerken en toerisme ... 8
2.4.2 Gemeenschapsgevoel en toerisme ... 8
2.4.3 Inkomen en toerisme ... 9
2.4.4 Demografische kenmerken en toerisme ... 9
3. Methodologische verantwoording ... 10
3.1 Introductie van de data ... 10
3.2 Operationaliseren afhankelijke variabele ... 11
3.3 Operationaliseren onafhankelijke variabelen ... 12
3.4. Conceptueel model ... 15
4. Beschrijvende statistiek... 16
4.1 Beschrijving van de afhankelijke variabelen ... 16
4.2 Beschrijving onafhankelijke variabelen ... 17
4.3 Onafhankelijke variabele toerisme in beeld ... 19
5. Meervoudige regressieanalyse ... 24
5.1 Regressie analyse overlast ... 24
5.2 Regressie Amsterdam Centrum ... 26
6. Conclusie ... 27
6.1 Analyse van de hypotheses ... 27
6.2 Beantwoording van de hoofdvraag ... 29
7. Discussie en aanbevelingen... 30
1. Inleiding
Op zondag 18 september 2016 werd op er op de publieke omroep een documentaire
uitgezonden genaamd “Slapend rijk”. Deze documentaire gaat over de groeiende kritiek op het snelgroeiende aandeel van airbnb in Amsterdam. Dit gaat gepaard met terugkomende
berichten in de media over de groei van het toerisme in Amsterdam. Deze berichten zijn overwegend negatief. Er worden vragen gesteld als ‘worden toeristen de nieuwe
Amsterdammers (VPRO, 2016)?’ En er wordt gewaarschuwd dat ‘Amsterdam, net als Venetië, een stad zonder ziel kan worden (Parool I, 2016).’ En bij deze berichten blijft het niet. In de media wordt in toenemende mate een beeld geschetst dat Amsterdam steeds meer overlast ondervindt van het groeiende massatoerisme (zie o.a. Volkskrant, 2014; Parool I, 2016; Parool II, 2016; RTLnieuws, 2015).
De claim dat Amsterdam niet meer voor de Amsterdammers lijkt te zijn blijkt ook uit de zorgen die burgemeester Eberhardt van der Laan openlijk heeft geuit over Amsterdam (Financieele Dagblad, 2015). Hij wil voorkomen dat Amsterdam een gelijke transformatie ondergaat als Londen, waar hele buurten praktisch onbewoond zijn. Dit komt doordat rijke buitenlanders huizen in dure wijken opkopen, maar vervolgens slechts sporadisch aanwezig zijn (The
Guardian, 2015; The Eveningstandard, 2015). Geruchten over dergelijke transities zijn er ook in Amsterdam waar men bezorgd is dat hetzelfde proces nu gaande is in de grachtengordel (Parool III, 2015). Uit onderzoek is echter gebleken dat van dit spookbeeld momenteel nog weinig sprake is, hoewel men hiervoor wel waakzaam zal blijven (Parool IV, 2016). De zorgen hierover lijken daarmee alleen op de korte termijn opgelost te zijn. De angst voor het
“Londen’s spookbeeld” zal daarmee echter niet definitief bij iedereen zijn weggenomen. In de media wordt dus een negatief beeld neergezet over het toerisme en de overlast die dat met zich meebrengt. De overlast zou vaak ook worden ondervonden doordat de toeristen niet meer enkel te vinden zijn rondom de toeristische hoogtepunten zoals het red-light district of het Anne Frank Huis. Ze zijn ook steeds meer te vinden in de gentrificerende buurten rondom het historische stadscentrum, zoals De Pijp of Oud-West. Dit toont zich o.a. doordat er in deze buurten een sterke groei van airbnb’s (Hoogeweij, 2016) en hotels (OIS, 2014) zichtbaar is. Hierdoor komen de toeristen meer onder lokale bewoners. Daarbij moet wel genoteerd worden dat airbnb een grotere spreiding door de stad laat zien dan de hotels. Dit relatief nieuwe verschijnsel wordt ook wel new urban tourism genoemd (Fuller & Michel, 2014). Een vorm van stedelijk toerisme waarin mensen de authenticiteit van de stad willen ervaren, niet alleen de toeristenattracties. Een verdere uitleg hierover wordt gegeven in het theoretisch kader.
De media schetsen ook een beeld dat de Amsterdammer zich niet meer thuis voelt in zijn stad, en dat de stad steeds meer wordt overgenomen door toeristen en buitenlandse investeerders. Ook kan er gelezen worden dat dit tot de voornaamste zorgen behoort van Amsterdammers. Zodoende bestaat het vermoeden dat de Amsterdammer een steeds negatievere houding ten opzichte van toerisme krijgt. Maar is dit eigenlijk wel zo? Is toerisme, en als onderdeel daarvan
new urban tourism, inderdaad belangrijk in het verklaren van de onvrede die Amsterdammers
Daarnaast is het belangrijk om af te vragen welke mensen zich wel of niet storen aan toerisme. Het is goed mogelijk dat het ervaren van overlast voor iedereen verschilt. Welke persoonlijke kenmerken spelen een rol in het verschillend ervaren van overlast? Het antwoord op deze vragen wil ik via mijn scriptie gaan geven. Er zijn al veel geluiden gehoord vanuit de media via interviews of waarnemingen, maar deze geluiden zijn nooit gebaseerd op harde data.
Via mijn scriptie wil ik bijdragen aan het maatschappelijke debat dat momenteel speelt binnen Amsterdam. Het debat over dat Amsterdam niet meer voor de Amsterdammers zou zijn. Hebben inwoners van Amsterdam inderdaad voornamelijk een negatieve houding ten opzichte van toerisme? Daar hoop ik achter te komen door te achterhalen of ervaringen van overlast inderdaad aan toerisme te wijten zijn. Via mijn scriptie voeg ik met name statistieken toe aan dit debat, statistieken die nog niet aan elkaar gekoppeld zijn, maar die mogelijk wel een algemene indruk over toerisme kunnen weergeven. Ook zal deze scriptie bijdragen aan de concepten van new urban tourism en airbnb en in hoeverre hiervan overlast wordt ervaren door lokale bewoners. Beide begrippen zijn nog relatief nieuw in de academische wereld, en zodoende is hier nog weinig literatuur over. In mijn scriptie wil ik dus een antwoord geven op de volgende hoofdvraag: In hoeverre worden verschillen in het ervaren van overlast van
bewoners van Amsterdam, verklaard door persoonlijke kenmerken en blootstelling aan toerisme?
2.Theoretisch kader
In deze scriptie komen meerdere theorieën aan bod, zodoende zal ik een overzicht geven van deze theorieën en onderzoeken of deze ook van toepassing zijn op Amsterdam. Dit kader bevat theorieën die variabelen introduceren op zowel buurtniveau, als op individueel niveau. Enerzijds is dat vanwege de data die beschikbaar zijn, anderzijds is dat omdat theorieën op het gebied van houding t.o.v. toerisme vaak op individueel niveau zijn opgesteld. Echter toont het onderzoek van Ross (1992) aan dat impacts van toerisme vooral op buurtniveau zichtbaar zijn. Zodoende zal ik een analyse op beide niveaus maken.
Ik begin met een beschrijving van de basistheorie die verschillende houdingen t.o.v. toerisme kan verklaren. Vervolgens ga ik daar gedetailleerder op in en zal ik concreter theorieën beschrijven die verschillen in houdingen t.o.v. toerisme verklaren. Daarop aansluitend zal er theorie over airbnb en new urban tourism uitgelicht worden. Tot slot wordt er ingegaan op theorie die meer gericht is op individuele kenmerken.
2.1 Social exchange theory
De Social Exchange Theory is een theorie die al heel vaak is gebruikt in toerisme research (Hritz & Ross, 2010) omdat het een basis biedt die de houding van lokale bewoners t.o.v. toerisme verklaart. De social exchange theory gaat ervan uit dat interactie tussen mensen plaatsvindt omdat mensen verwachten dat die interactie positieve gevolgen heeft. Interactie tussen mensen kan dus gezien worden als een subjectieve kosten-baten analyse (Hritz & Ross, 2010; Andereck et al., 2005).
Deze theorie wordt gebruikt in toerisme research omdat men in de veronderstelling is dat ontwikkeling van toerisme alleen wordt gesteund door lokale bewoners, als de lokale bewoners er zelf ook voordelen uithalen (Hritz & ross, 2010; Andereck et al., 2005; Waitt, 2003). Toerisme zal zich immers nooit goed kunnen ontwikkelen als de gastgemeenschap negatief is t.o.v. toeristen (Ross, 1992). Het is namelijk de gastgemeenschap die moet voorzien in de behoeftes van de toeristen (Andereck et al., 2005). Daarbij moet wel gezegd worden dat de houding t.o.v. toerisme per gebied in Amsterdam verschillend kan zijn. Verschillende buurten kunnen namelijk verschillende voor- of nadelen ondervinden van toerisme. De Jordaan zal ongetwijfeld meer toeristen ontvangen dan Zuid-oost, dus verwacht wordt dat de houding t.o.v. toerisme verschilt tussen die twee buurten.
Er kan een punt zijn waarop de houding omslaat van positief naar negatief, de kosten-baten analyse die gemaakt wordt door mensen wordt namelijk steeds opnieuw gedaan. De social exchange is namelijk een dynamisch proces (Wiatt, 2003). Een omslag in de houding ontstaat als toeristische ontwikkelingen minder gaan opleveren voor de gemeenschap, en de
gemeenschap de effecten van toerisme steeds meer als negatief gaat zien (Hritz & Ross, 2010). Het lijkt alsof Amsterdam rond dit omslagpunt zit. De stad is immers jarenlang gepromoot wat een sterke groei van toerisme heeft opgeleverd, echter zijn de berichten over de toerismegroei veelal negatief de laatste jaren.
2.2 Negatieve gevolgen van toerisme
Uitgaande van de social exchange theorie zullen er binnen de stad Amsterdam ongetwijfeld verschillen in houding t.o.v. toerisme zijn. Gebieden in het centrum zullen ongetwijfeld economisch meer profiteren van toerisme dan gebieden die aan de stadsrand liggen. Aan de andere kant zullen in gebieden in het centrum toeristen voor meer overlast kunnen zorgen. Deze overlast bestaat onder meer uit geluidsoverlast, meer afval op straat, verkeersdrukte, stijging van criminaliteit, toenemende drukte van mensen en prijsstijgingen (Andereck et al., 2005; Haley et al., 2005; Ross, 1992)..
2.2.1 Commodificatie en homogenisering
Uit de literatuur blijkt ook dat gebieden die een toeristische ontwikkeling kennen, ook vaak een proces van commodificatie en homogenisering ondergaan. Er werd bijvoorbeeld al gesteld dat Amsterdam dreigt te ‘disneyficeren’ (Parool V, 2015). Hiermee dreigt de stad een soort pretpark te worden dat er enkel op gericht is om toeristen te vermaken (Matusitz & Palermo, 2014). Dit leidt tot genoemde commodificatie en homogenisering omdat de lokale economie steeds meer op consumptie van toeristen gericht is. Zodoende ontstaat er ook een
homogenisering van onder andere het winkelaanbod. Dit wordt bijvoorbeeld aangetoond in de case study van Gotham (2005) over de Franse wijk in New Orleans. Het aantal winkels die de lokale bewoners van dagelijkse benodigdheden voorziet, is in de tweede helft van de 20e eeuw met ruim 15% gedaald, terwijl het aantal winkels verbonden aan de toeristische industrie gegroeid is met 32% in diezelfde periode.
In de data die ik tot mijn beschikking heb zijn er geen directe cijfers beschikbaar over de blootstelling aan toerisme. De variabele die echter wel gebruikt kan worden is het aantal toeristenvestigingen per buurtcombinatie. Zodoende luidt de eerste hypothese als volgt: In
buurten waar meer toeristenvestigingen zijn, wordt overlast sterker door toerisme verklaard.
De variabele toeristenvestigingen wordt hier gebruikt om weer te geven waar de toeristen zich voornamelijk bevinden in de stad, daar zijn namelijk geen exacte data van beschikbaar
2.3. New urban tourism en airbnb
New urban tourism wordt gedefinieerd als een nieuwe vorm van toerisme waarin de toerist op zoek is naar de authenticiteit van de stad. Dus meer tussen de lokale bewoners, die er een lokale levensstijl op na houden. Deze toeristen zijn beduidend minder geïnteresseerd in de massatoeristische attracties (Fuller & Michel, 2014). Dat staat dus in contrast met de ‘traditionele’ vorm van toerisme die vooral gericht is op het creëren van massatoeristische attracties, waarbij commodificatie en consumptie centraal staan (Fuller & Michel, 2014). Het is lastig om dit nieuwe concept goed te onderzoeken omdat new urban tourism minder zichtbaar is in de stad. De toeristen komen immers op plekken die normaalgesproken niet zo toeristisch zijn. Het toerisme is meer verspreid door de stad (Fuller & Michel, 2014). Doordat toeristen nu op nieuwe plekken in de stad komen kan stedelijke verandering steeds minder los gezien worden van ontwikkelingen in toerisme (Fuller & Michel, 2014). Fuller & Michel (2014) maken in hun case study duidelijk dat het aanbod van de private korte-termijn huur van woningen toeneemt als gevolg van de groei van new urban tourism. Deze private verhuren passen beter binnen de zoektocht naar authenticiteit en lokaliteit dan hotels. In zekere zin
beschrijft dit wat airbnb aanbiedt. Verhuur via airbnb is namelijk ook privaat en voor de korte-termijn, vaak ook in reguliere woonbuurten.
2.3.1 Airbnb een Disruptive innovation?
Wat aansluit bij de opkomst van new urban tourism is de opkomst van de informele toerisme accommodatie sector zoals deze beschreven wordt door Guttentag (2015). Hij stelt dat de groei van airbnb aantoont dat er een informele accommodatie sector wordt gecreëerd voor toeristen. De opkomst van airbnb kan volgens hem het best verklaard worden aan de hand van de disruptive innovation theory. Deze theorie stelt dat het disruptive product, in dit geval dus airbnb, uiteindelijk de markt zal transformeren; de markt van toeristenaccommodatie. Omdat het een andere formule heeft dan gebruikelijk binnen deze specifieke markt, zal het onderaan de ladder beginnen. Zodoende zal het aanvankelijk ook geen concurrentie krijgen met een soortgelijke formule. Na verloop van tijd zal deze formule verbeterd worden waardoor het toegankelijker wordt voor grotere aantallen klanten, zodanig zelfs dat het de gebruikelijke marktspelers kan overvleugelen en het daarmee de markt transformeert (Guttentag, 2015). Dit sluit aan bij het concept van new urban tourism. Want ook in die theorie wordt
aangegeven dat er een groei is van de private korte-termijn verhuur van woningen, vaak in buurten waar hotels/hostels, de traditionele speler in de beschreven markt, niet aanwezig zijn. De groei van airbnb kan ertoe leiden dat overlast die doorgaans met name door toeristen wordt veroorzaakt, ineens ook plaatsvindt in buurten waar massatoerisme normaal gesproken niet aanwezig is. Dit is iets wat tegenwoordig steeds vaker genoemd wordt in de media. Zodoende is het interessant om dit te toetsen in mijn scriptie. Dat wordt gedaan aan de hand van de volgende hypothese: In buurten waar een grote hoeveelheid airbnb aanwezig is, wordt
overlast sterker door toerisme verklaard.
Wat daarnaast opvalt is dat het westelijk gedeelte van het stadscentrum, dat een hoge status heeft, juist aan het downgraden is (Hochstenbach & Van Gent, 2015). Hoogeweij (2016) vond in zijn onderzoek dat in dat gebied de grootste hoeveelheid airbnb gevestigd is. New urban tourism lijkt dus ook hier aanzienlijk te groeien. Echter zal ik deze stelling niet toetsen
aangezien dit gebied al jarenlang massatoerisme aantrekt. De data die ik tot mijn beschikking heb zijn helaas niet zo gedetailleerd dat ik onvrede of overlast van airbnb/new urban tourism kan onderscheiden van overlast uit ‘traditioneel’ massatoerisme.
2.4 Persoonlijke kenmerken
Bovenstaande hypothesen zijn allemaal geformuleerd op buurtniveau. Hiermee kan worden aangetoond welke buurtkenmerken mogelijk een rol spelen in de verklaring of toerisme van invloed is op ervaringen van overlast. Het is echter ook belangrijk om te onderzoeken of persoonlijke kenmerken invloed hebben op het ervaren van overlast. Een scheef beeld zou immers kunnen ontstaan als blootstelling aan toerisme de enige verklarende variabele zou zijn. Het is mogelijk dat de individuele variabelen een verschil in het ervaren van overlast kunnen weergeven. Een voorspelling hierover is lastig te maken aldus Gu & Ryan (2008). Zij geven aan dat er al meerdere onderzoeken hebben plaatsgevonden die individuele kenmerken koppelen aan het ervaren van overlast door toerisme. Echter heeft dat steeds wisselende resultaten opgeleverd. Kenmerken die het vaakst als significant zijn gemeten zijn onder andere lengte van
residentie, leeftijd en gender. (Gu & Ryan, 2008) Hoewel er nog enkele significante variabelen worden genoemd, zijn die binnen mijn beschikbare data niet te meten, en dus niet relevant voor mijn onderzoek.
2.4.1 Individuele kenmerken en toerisme
Twee individuele variabelen die veelal terugkomen in de literatuur (Gu & Ryan, 2008) zijn lengte van residentie in de huidige woning en de afstand tussen het huis van de respondent en het centrale toeristengebied. Er kan vanuit worden gegaan dat mensen die al langer in de stad wonen, een sterkere emotionele binding hebben met een stad, en zodoende de stad niet graag zien veranderen (Gu & Ryan, 2008). De volgende hypothese wordt opgesteld: Mensen die al
langer in dezelfde buurt wonen, ondervinden meer overlast van toerisme. Over die laatste
variabele zijn helaas geen gedetailleerde data beschikbaar voor Amsterdam, dus die zal ik verder niet bespreken.
2.4.2 Gemeenschapsgevoel en toerisme
Er is al best veel onderzoek gedaan naar de relatie tussen gemeenschapsgevoel en de houding t.o.v. toeristen. Bahaire & Elliot-White (1999) stellen dat er hierover binnen de stad verschillen waar te nemen zijn. De stad is niet één grote gemeenschap, maar bestaat uit verschillende gemeenschappen. Omdat deze gemeenschappen allemaal een andere samenstelling en andere prioriteiten hebben, kan er gesteld worden dat de sterkte van het
gemeenschapsgevoel per gemeenschap kan verschillen. Daarnaast argumenteren ze dat gemeenschappen, of het gevoel van gemeenschap, maar een periodiek verschijnsel is. Ze suggereren dat dit ‘verschijnsel’ optreedt als de gemeenschap het niet eens is met een ontwikkeling in hun buurt, en een stem van protest wil laten horen. Dat zou in dit geval dus tegen overlast van toerisme zijn (Bahaire & Elliot-White, 1999).
Maar eigenlijk is er nog geen consensus over de relatie tussen gemeenschapsgevoel en de houding t.o.v. toerisme. De research laat namelijk wisselende resultaten zien. Zo geven Lankford & Howard (1994) een negatief verband weer tussen sterkte van het
gemeenschapsgevoel en houding t.o.v. toerisme. Daarop aansluitend hebben Williams & Lawson (2001) uit hun onderzoek geconcludeerd dat mensen met een positievere houding t.o.v. toerisme, minder belang hechten aan de leefbaarheid van hun buurt, en omgekeerd. Ook dit onderzoek laat dus een negatief verband zien tussen gemeenschapsgevoel en houding t.o.v. toerisme.
Echter laat Waitt (2003) zien dat er ook situaties zijn waarbij toerisme en veel internationale aandacht leiden tot een ‘sense of community’ onder de lokale bewoners. Ze krijgen het gevoel ergens bij te horen. Daarnaast geeft Andereck et al. (2005, p. 1062) ook voorbeelden van studies die tegenovergestelde resultaten hebben aangetoond. Uit die voorbeelden kwam er geen verband, of juist een positief verband naar voren.
Om te bekijken wat voor Amsterdam van toepassing is wordt de volgende hypothese opgesteld: Personen met een sterk gemeenschapsgevoel, ondervinden meer overlast van
2.4.3 Inkomen en toerisme
Een belangrijke variabele is het inkomen per huishouden. Haley et al. (2005) vond in zijn onderzoek namelijk dat mensen met een laag inkomen, een positievere houding t.o.v. toerisme hebben. Hij uit het vermoeden dat lage inkomens de toerismesector zien als een mogelijkheid voor ‘laag opgeleide’ werkgelegenheid. Het is interessant om te zien of dat ook van toepassing is op Amsterdam.
De volgende hypothese zal worden getoetst: Huishoudens met een hoger inkomen,
ondervinden meer overlast van toerisme.
2.4.4 Demografische kenmerken en toerisme
Uit de theorie blijkt dat er ook geen consensus is over de rol van demografische kenmerken op de houding van individuen t.o.v. toerisme. Uit meerdere onderzoeken zijn er verschillende resultaten gevonden. Soms is er wel een verband zichtbaar, en soms niet (Williams & Lawson, 2001). In hun eigen onderzoek vonden zij wel significante verschillen, maar zij geven ook voorbeelden van onderzoeken die dat niet aantoonden (p. 275). De demografische kenmerken die gebruikt worden in deze onderzoeken verschillen tot op een zekere hoogte van elkaar. Echter de twee kenmerken die meestal terugkomen zijn leeftijd en gender. Verschillen in leeftijd kunnen verklaard worden doordat jonge mensen meer opgegroeid zijn met een veranderende wereld waarin massatoerisme aan de orde van de dag is. Daar tegenover staan de oudere mensen die oude waarden en tradities in de stad mogelijk verloren zien gaan (Gu & Ryan, 2008). De variabele gender kan significant zijn omdat vrouwen mogelijk eerder overlast ondervinden van bijvoorbeeld dronken toeristen, dan mannen.
Deze twee variabelen leiden tot de volgende hypotheses, de eerste is: Oudere mensen
ondervinden meer overlast van toerisme dan jongere mensen. En de tweede hypothese: Vrouwen ervaren meer overlast door toerisme dan mannen.
3. Methodologische verantwoording
De hoofdvraag van de scriptie is al gesteld in de inleiding, en is verder uitgelegd in het theoretisch kader. De hoofdvraag luidt: : In hoeverre worden verschillen in het ervaren van
overlast van bewoners van Amsterdam, verklaard door persoonlijke kenmerken en blootstelling aan toerisme?
Het onderzoek heeft een deductieve benadering. Uit bestaande theorieën worden hypotheses afgeleid waarmee deze theorieën getoetst worden in een nog niet nader onderzochte setting (Ali & Birley, 1999; Gelo et al., 2008). De acceptatie of verwerping van deze hypotheses wordt via een toetsend kwantitatief onderzoek bepaald.
De hoofdvraag zal beantwoord worden aan de hand van de volgende hypotheses: 1. In buurten waar meer toeristenvestigingen zijn, wordt overlast sterker door toerisme verklaard.
2. In buurten waar een grote hoeveelheid airbnb aanwezig is, wordt overlast sterker door toerisme verklaard.
3. Mensen die al langer in dezelfde buurt wonen, ondervinden meer overlast van toerisme. 4. Personen met een sterk gemeenschapsgevoel, ondervinden meer overlast van toerisme. 5. Personen met een hoger inkomen, ondervinden meer overlast van toerisme.
6. Oudere mensen ondervinden meer overlast van toerisme dan jongere mensen. 7. Vrouwen ervaren meer overlast door toerisme dan mannen.
3.1 Introductie van de data
De data die gebruikt worden in dit onderzoek zijn afkomstig uit drie verschillende bronnen. De eerste bron betreft het onderzoek Wonen in Amsterdam (WIA) 2015, dat is uitgevoerd door Onderzoek, Informatie en Statistiek (OIS) Amsterdam. Dit onderzoek is in 2015 voor de elfde keer uitgevoerd in opdracht van de Dienst Wonen, Zorg en Samenleven, de Amsterdamse federatie van Woningcorporaties en de Amsterdamse stadsdelen. Het WIA rapport is ontstaan in de beleidsovereenkomst 1994-1995, waarin werd besloten om ontwikkelingen in inkomens van Amsterdamse huishoudens, maar ook ontwikkelingen in de woningmarkt bij te houden. Sinds 2001 wordt er ook op het niveau van de buurtcombinatie geanalyseerd, dit is met name wenselijk voor variabelen die betrekking hebben op de woonomgeving van respondenten. Deze variabelen zijn gevarieerd en omvatten vele onderwerpen zoals tevredenheid over de eigen woning of tevredenheid over de groenvoorziening. De dataverzameling die door OIS is uitgevoerd resulteerde in een response van 18.705 ingevulde vragenlijsten (WIA, 2015). De tweede bron die wordt gebruikt is ook beschikbaar gesteld door de gemeente Amsterdam. Dat gaat om het Basisbestand Gebieden Amsterdam (BBGA) 2016. Dit bestand geeft kerncijfers weer op verschillende analyseniveaus betreffende een wijde reeks aan variabelen. Het
relevante analyseniveau voor mijn scriptie is wijken, deze komen namelijk overeen met de buurtcombinaties. Deze variabelen zijn afkomstig uit verschillende bronnen van voornamelijk de Gemeente Amsterdam. Voorbeelden hiervan zijn OIS, Dienst belastingen (DBGA) en Dienst Ruimtelijke Ordening (DRO). Deze data zijn afkomstig uit verschillende jaren, beginnend in 2002. Hierdoor is er voor een aantal variabelen een ontwikkeling over de afgelopen jaren te ontdekken.
De derde bron waar gebruik van wordt gemaakt zijn de airbnb listings in Amsterdam. Hiermee worden alle panden bedoeld die in Amsterdam via airbnb verhuurd worden. Deze dataset is samengesteld op 4 juli 2016 en beschikbaar gesteld op de website www.insideairbnb.com Er zijn verschillende variabelen over de listings te vinden, maar de meest relevante is de locatie. Zo kan ik een overzicht maken van de hoeveelheid airbnb per buurtcombinatie.
3.2 Operationaliseren afhankelijke variabele
De afhankelijke variabele in dit onderzoek is ‘het ervaren van overlast’. Om te onderzoeken in hoeverre overlast wordt ervaren is het natuurlijk van belang om eerst te bepalen wat overlast nou eigenlijk definieert en hoe dit gemeten moet worden. De veiligheidsmonitor hanteert voor Amsterdam een overlastindex waar vele variabelen in zitten. Een overzicht hiervan is te zien in tabel 1.
Uit tabel 1 blijkt dat overlast volgens een brede definitie gemeten wordt. Hiermee wordt niet alleen gewezen op factoren onder het kopje overlast, maar ook op factoren onder het kopje fysiek, zoals rommel op straat. Veel van deze factoren zijn echter niet op toeristen te verhalen. Bijvoorbeeld hondenpoep of overlast door zwervers en daklozen. Zodoende is het niet
praktisch om deze index in zijn geheel aan te houden om overlast die relevant is voor mijn onderzoek te meten. Echter zijn er wel overeenkomsten te vinden tussen vormen van overlast die in de literatuur genoemd worden en die in deze index staan. Dat zijn rommel op straat, parkeeroverlast en geluidsoverlast door verkeer. Verkeers- en parkeeroverlast is een variabele die vaak in de literatuur terugkomt als gevolg van toerisme. Zodoende is dit één van de variabelen waarmee overlast gemeten wordt.
Verkeersoverlast kan gemeten worden via vraag 6.9 uit WIA 2015. Hierin wordt gevraagd aan respondenten om een rapportcijfer, met 1 als ernstige overlast en 10 als geen overlast, te geven aan de mate van overlast die ze ondervinden van verscheidene onderwerpen. Drie van deze variabelen betreffen verkeersdrukte, verkeerslawaai en parkeren. Via deze variabelen wordt dus verkeersoverlast gemeten. Deze drie variabelen kunnen worden samengevoegd tot één variabele verkeersoverlast. Deze variabele heeft dan geen scores van 1 t/m 10, maar van 3 t/m 30.
Items leefbaarheidsindex Amsterdam
Fysiek Overlast
1. Bekladding muren/gebouwen 1. Overlast zwervers en daklozen
2. Rommel op straat 2. Overlast door horecagelegenheden
3. Onderhoud wegen/paden/pleintjes 3. Dronken mensen op straat
4. Onderhoud perk/plantsoen/park 4. Drugsoverlast
5. Hondenpoep 5. Overlast door omwonenden
6. Beoordeling leefbaarheid 6. Overlast door groepen jongeren
7. Oordeel speelplekken kinderen 7. Parkeeroverlast
8. Oordeel voorzieningen jongeren 8. Geluidsoverlast door verkeer Tabel 1: Eigen aanpassing Leefbaarheidsindex uit de veiligheidsmonitor
Met alleen verkeersoverlast kan natuurlijk niet gemeten worden in hoeverre mensen overlast ervaren van toerisme in de stad. Zodoende wordt er nog een aantal variabelen gebruikt om dit te meten. Een tweede variabele die wordt gebruikt is het ervaren van overlast door
criminaliteit. Uit de literatuur is gebleken dat een groei van toerisme vaak ook een groei van criminaliteit teweeg brengt. Zodoende is het belangrijk om te meten of lokale bewoners dat ook zo ervaren. Deze variabele is te meten via vraag 6.9 uit WIA 2015. Naast verkeersoverlast, wordt er o.a. ook gevraagd een beoordeling te geven over overlast door criminaliteit. Ook hier geldt dat 1 veel overlast is, en 10 geen overlast.
In de literatuur wordt ook veelvuldig het stijgende prijspeil genoemd. Daarmee wordt gedoeld op de stijgende kosten van basaal levensonderhoud als gevolg van toeristische ontwikkeling van een buurt. Echter zijn hier geen directe data over beschikbaar, zodoende zal deze variabele verder niet meer aan bod komen in dit onderzoek
3.3 Operationaliseren onafhankelijke variabelen
De onafhankelijke variabelen zijn de variabelen die verschillende waarden bij afhankelijke variabelen kunnen verklaren. Zodoende is het belangrijk om deze duidelijk uit te werken en meetbaar te maken. Hoewel blootstelling aan toerisme de variabele is waar de meeste interesse naar uit gaat in dit onderzoek, is het ook belangrijk om andere onafhankelijke variabelen in ogenschouw te nemen. Als enkel de blootstelling van toerisme gemeten wordt bestaat namelijk de kans dat er een scheef beeld ontstaat waarin mogelijke andere invloeden op het ervaren van overlast niet weergegeven worden. Om dat te voorkomen worden ook andere onafhankelijke variabelen getoetst omdat zo een completer beeld gegeven kan worden van de factoren die van invloed zijn op het ervaren van overlast.
Deze overige variabelen zijn al veelvuldig gebruikt in de academische literatuur, en zullen zodoende ook mogelijk significante resultaten opleveren in dit onderzoek.
De eerste onafhankelijke variabele die hier beschreven wordt is een huishoudelijk kenmerk, namelijk inkomen. Uit de literatuur blijkt dat mensen met een lager inkomen vaak een positievere houding hebben ten opzichte van toerisme, omdat zij de toerismesector mogelijk beschouwen als een goede bron van werkgelegenheid. Zodoende is het interessant om deze variabele te toetsen. Deze variabele is eenvoudig te meten via de dataset die is opgesteld vanuit WIA 2015. Daar wordt namelijk gevraagd naar het netto huishoudinkomen per maand. In de dataset is het inkomen op verschillende wijzen ingedeeld waarin het aantal klassen verschilt. Er wordt voor gekozen om een indeling van vier klassen te hanteren omdat dit duidelijk een overzicht weergeeft tussen de verschillen in hoge en lage inkomens. De indeling is als volgt: Klasse 1: < €2057 Klasse 2: €2057 - €3084 (1.5x modaal) Klasse 3: €3085 - €4112 (2x modaal) Klasse 4: > €4112
Ook de lengte van residentie, waarmee de woonduur van de respondent in zijn/haar huidige woning wordt bedoeld, zal getoetst worden. Dit is een variabele die al in meerdere
onderzoeken gehanteerd is, maar steeds verschillende resultaten heeft opgeleverd. Omdat er geen consensus over de impact van deze variabele is, kan er ook niet voorspeld worden of deze variabele van belang is voor Amsterdam. Zodoende is het belangrijk om deze te toetsen. Ook voor deze variabele geldt dat in de WIA 2015 dataset de woonduur voor iedere
respondent al in klassen is ingedeeld. Deze klassen zijn als volgt gedefinieerd: 1. <2.5 jaar
2. 2.5 jaar – 5.5 jaar 3. 5.5 jaar – 10.5 jaar 4. 10.5 jaar – 20.5 jaar 5. >20.5 jaar
De volgende onafhankelijke variabelen zijn beide individuele kenmerken. Daarbij gaat het om leeftijd en geslacht. Ook over deze variabelen bestaat er geen consensus over hun invloed in de wetenschappelijke literatuur. Zodoende is het belangrijk om deze te toetsen. Ook deze variabelen zijn direct te meten via vragen uit WIA 2015. Naar aanleiding van de response op deze vragen zijn de respondenten in leeftijdsklassen ingedeeld die hieronder zichtbaar zijn. Geslacht hoeft uiteraard niet in verschillende klassen worden ingedeeld.
1. 18 – 34 jaar 2. 35 – 54 jaar 3. 55 – 64 jaar 4. 65 – 74 jaar 5. 75 jaar en ouder
De volgende onafhankelijke variabele die getoetst wordt is de sterkte van het
gemeenschapsgevoel. Ook over de invloed van deze variabele is er geen consensus binnen de wetenschap omdat er uit verschillende onderzoeken steeds verschillende resultaten zijn behaald. Omdat deze variabele dus ook niet goed te voorspellen is, maar mogelijk wel van belang is voor Amsterdam, is het belangrijk om deze variabele te toetsen. Dat kan direct via vraag 6.8 uit WIA 2015 waarin wordt gevraagd naar een beoordeling van de betrokkenheid van de buurtbewoners bij de buurt. Deze beoordeling is van 1 t/m 10 met 1 als geen
betrokkenheid en 10 als grote betrokkenheid.
De laatste en belangrijkste onafhankelijke variabele is de mate van blootstelling van de respondent aan toerisme. Uiteindelijk is het doel van mijn scriptie om te achterhalen of deze variabele een sterkere ervaring van overlast kan verklaren. De mate van blootstelling aan toerisme wordt als volgt gemeten. Ten eerste wordt er een overzicht gemaakt van waar toeristen zich vooral binnen de stad begeven. Omdat hier geen gedetailleerde cijfers over zijn wordt de variabele ‘aantal vestigingen toerisme’ gebruikt om hier een overzicht van te creëren. Dit is variabele 294 uit het BBGA 2016 en heeft de volgende definitie:
“Vestigingen met de activiteitencodes: logies en overnachtingen, overige horeca, personenvervoer, reisorganisatie- en bemiddeling, cultuur en recreatie, jachthavens, zeilscholen en recreatieve detailhandel. Inclusief activiteiten van minder dan 12 uur per week.” (uit BBGA 2016. Gemeente Amsterdam, 2016)
Deze variabele is op het niveau van de buurtcombinatie, zodoende kan er bepaald worden in hoeverre iedere buurtcombinatie blootgesteld wordt aan toerisme. Dit wordt gecombineerd met de buurtcombinatie waarin de respondenten van WIA 2015 woonachtig zijn. Zodoende kan er voor iedere respondent bepaald worden in hoeverre zij binnen hun buurt blootgesteld worden aan toerisme.
Vervolgens wordt er ook gekeken naar de aanwezigheid van airbnb in een buurt. Deze is te meten via het overzicht van de airbnb listings die beschikbaar zijn via www.insideairbnb.com. Ondanks het gebrek aan gedetailleerde cijfers van toerisme per buurt, kan er via een
combinatie van de twee bovenstaande variabelen toch een goede indruk gegeven worden van de blootstelling aan toerisme.
3.4. Conceptueel model
Om een schematische weergave te maken van het onderzoek is er een conceptueel model opgesteld. Dit is zichtbaar in figuur 1.
Figuur 1: Conceptueel model van het verklaren van
ervaringen van overlast door onafhankelijke variabelen
4. Beschrijvende statistiek
In dit hoofdstuk zullen de variabelen concreet gepresenteerd worden, zodat een overzicht van de waarden gegeven kan worden waarmee de operationalisatie verduidelijkt wordt. Een overzicht van deze waarden wordt in tabellen weergegeven waarin ‘N’ het aantal
respondenten is dat het betreffende antwoord heeft gegeven. In enkele tabellen komt ook het kopje ‘missing’ voor. Dit zijn de respondenten die geen antwoord hebben gegeven, of de vraag onduidelijk of niet geldig hebben beantwoord. De waarden van de variabelen zijn via SPSS verkregen. De tabellen zijn via Microsoft excel gemaakt en de kaarten via ArcMap.
4.1 Beschrijving van de afhankelijke variabelen
Net zoals bij de operationalisatie zal ik beginnen met mijn afhankelijke variabelen. Een overzicht van de bijbehorende waarden is in tabel 2 gegeven.
De eerste afhankelijke variabele is verkeersoverlast. Deze variabele bestaat uit drie variabelen namelijk overlast door verkeersdrukte, verkeerslawaai en parkeren. Zoals beschreven konden de respondenten een beoordeling geven op een schaal van 1 t/m 10 waarbij 1 ernstige overlast is en 10 geen overlast. Daarbij zijn de drie variabelen opgeteld om tot één nieuwe variabele verkeersoverlast te komen waarbij de scores tussen 3 en 30 liggen. Het resulteert daardoor wel in een lagere N dan bij de andere variabelen. Er zijn nu immers drie vragen waarin geen of een fout antwoord gegeven kon worden. Ook heeft de variabele hierdoor de hoogste standaardafwijking.
De volgende afhankelijke variabele is rommel op straat. Ook voor deze variabele geldt dat er een beoordeling van 1 t/m 10 gegeven kon worden, met 1 als slecht en 10 als goed, over het schoonhouden van straten en stoepen. Tevens heeft deze variabele de laagste
standaardafwijking.
De derde afhankelijke variabele die hier wordt besproken is overlast door criminaliteit. Net zoals bij de twee bovenstaande variabelen kon hier een beoordeling van 1 veel overlast tot 10 weinig overlast, worden gegeven.
Tot slot is er ook voor gekozen om nog twee afhankelijke variabelen te introduceren. Hoewel deze variabelen niet terugkomen in het theoretisch kader, is mij door mijn contact met OIS, duidelijk gemaakt dat zij ook overlast door andere groepen en overlast door horeca als
variabelen hanteren om overlast door toerisme te meten. Zodoende zal ik ook deze variabelen gebruiken. Net als voor de andere afhankelijke variabelen geldt dat er een beoordeling
gegeven kon worden van 1 ernstige overlast, tot 10 geen overlast.
Tabel 2: Beoordeling van overlast
N Gemiddelde Std. Error Verkeersoverlast 15874 20.70 5.86 Rommel op straat 18358 6.39 1.90 Criminaliteit 16844 6.56 2.23 Horeca 16348 7.81 2.19 Andere groepen 16824 7.04 2.19
Wat opvalt aan de bovenstaande gemiddelden is dat ze allemaal meer positief dan negatief zijn. Maar hoewel beperkt, kan er toch gesteld worden dat er toch een zekere mate van overlast wordt ervaren
Het is echter onhandig om al deze variabelen één voor één te analyseren, dat zou resulteren in een grote hoeveelheid informatie en een grote hoeveelheid tabellen om deze informatie weer te geven. Zodoende wordt er voor gekozen om de scores van alle afhankelijke variabelen op te tellen om tot één variabele ‘overlast totaal’ te komen. De scores kunnen zo variëren van 7 t/m 70. Het resultaat hiervan is zichtbaar in tabel 3. Daarbij moet wel de kanttekening worden geplaatst dat dit ook resulteert in een vrij grote hoeveelheid missings. Dat komt doordat een respondent alle 7 variabelen goed ingevuld moet hebben, en dat is blijkbaar niet altijd goed gegaan.
Tabel 3: Overlast totaal
N 14717
Gemiddelde 48.78 Std. Error 10.436
4.2 Beschrijving onafhankelijke variabelen
De eerste onafhankelijke variabele die hier gepresenteerd wordt is het netto inkomen per huishouden per maand. Deze variabele is door OIS Amsterdam gecorrigeerd. Dit houdt in dat de variabele gecorrigeerd is voor verkeerde antwoorden. Zo zijn er bijvoorbeeld respondenten geweest die hun bruto maandinkomen opgaven. De waarden van de variabele zijn
weergegeven in tabel 4. Daarbij valt op dat de twee middeninkomensklassen beduidend minder voorkomen dan de lage en hoge inkomens. De tabel laat zodoende een scheve verhouding zien doordat de uiterste klassen duidelijk sterker vertegenwoordigd zijn dan de twee middelste klassen.
Tabel 4: Netto huishoudinkomen
Per maand N Percentage Klasse 1 6257 33.5 Klasse 2 2426 13.0 Klasse 3 1590 8.5 Klasse 4 3756 20.1 Totaal 14029 75.0 Missing 4676 25.0 Totaal 18705 100
De volgende variabele die wordt weergegeven is de woonduur van de respondent in zijn of haar huidige woning. Deze variabele is gecombineerd uit het antwoord op vraag 1.1 uit WIA 2015, en gegevens uit bevolkingsregister. De betreffende waarden worden getoond in tabel 5.
De volgende twee variabelen zijn individuele variabelen, namelijk leeftijd en geslacht. De variabele leeftijd is door OIS Amsterdam geïsoleerd van vraag 3.2 in de vragenlijst die niet alleen naar de leeftijd van de respondent vraagt, maar ook vraagt naar de leeftijd van alle leden van het huishouden. De waarden van deze twee variabelen worden weergegeven in tabel 6.
De laatste variabele die hier wordt gepresenteerd is de sterkte van het gemeenschapsgevoel. Deze variabele is gebaseerd op de vraag in hoeverre men betrokkenheid van bewoners bij de buurt beoordeelt. Deze beoordeling is van 1 t/m 10 met 10 als grote betrokkenheid. De relevante waarden zijn gegeven in tabel 7. Daarin valt op dat er toch een vrij sterk gemeenschapsgevoel is in Amsterdam.
Tabel 7: Betrokkenheid bij de buurt van buurtbewoners
N 17403
Gemiddelde 6.19 Std. Error 1.71
Tabel 5: Woonduur in jaren in
Huidige woning van respondent
N Percentage <2.5 jaar 3764 20,1 2.5 tot 5.5 jaar 2943 15,7 5.5 tot 10.5 jaar 3576 19,1 10.5 tot 20.5 jaar 4241 22,7 >20.5 jaar 4181 22,4 Totaal 18705 100
Tabel 6: Leeftijd en geslacht
Leeftijd N Percentage 18 - 34 jaar 3562 19.0 35 - 54 jaar 6912 37.0 55 - 64 jaar 3653 19.5 65 - 74 jaar 3060 16.4 >75 jaar 1518 8.1 Totaal 18705 100 Geslacht Man 9074 48.5 Vrouw 8767 46.9 Totaal 17841 95.4 Missing 864 4.6 Totaal 18705 100.0
4.3 Onafhankelijke variabele toerisme in beeld
De waarden bij het aantal vestigingen toerisme en het aantal airbnb listings worden niet in een tabel gepresenteerd, omdat een tabel met 99 buurtcombinaties veel te groot zou worden. Zodoende worden de gegevens afgebeeld op een kaart van Amsterdam. Als eerste wordt het aantal vestigingen toerisme per buurtcombinatie weergegeven.
In de inleiding noemde ik al de groeiende aandacht in de media voor overlast van toerisme, omdat toeristen het centrum van Amsterdam dreigen over te nemen. Interessant is om te bekijken of er inderdaad een sterke groei van toerismedruk te zien is. Betreffende het aantal vestigingen toerisme per buurtcombinatie zijn er data beschikbaar over meerdere jaren. In figuur 2 is het aantal toeristenvestigingen per buurtcombinatie in 2010 weergeven, in figuur 3 wordt deze variabele met cijfers uit 2016 weergegeven. Uit de twee kaarten wordt duidelijk dat het aantal vestigingen toerisme in Amsterdam zeker is toegenomen. Dat geldt met name voor het centrum, en ook in mindere mate voor de andere stadsdelen.
Om een completer beeld van de toeristendruk per buurtcombinatie weer te geven is er ook een kaart gemaakt met daarop het aantal airbnb listings per buurtcombinatie. Daarbij moet de kanttekening gemaakt worden dat de weergave van Amsterdam er iets anders uitziet dan bij de twee voorgaande kaarten. Voor de weergaven van de airbnb listings was namelijk een ander coördinatenstelsel vereist waardoor Amsterdam wat uitgestrekt is, dat doet verder niets af aan de resultaten. De kaart is zichtbaar in figuur 4.
Wat meteen opvalt is dat de airbnb listings voornamelijk in het centrum en iets ten zuiden daarvan gevestigd zijn. Dat komt ook overeen met het aantal vestigingen toerisme. Zodoende kan er geconcludeerd worden dat de toeristendruk het hoogst is in het centrum en de buurten die daar direct ten zuiden van liggen. Het is daarom ook interessant om te zien of in deze
buurten ook meer overlast wordt ervaren door de lokale bevolking. Zodoende wordt er ook een overzicht gegeven van de gemiddelde overlastscores in het centrum. Dat betreft de buurtcombinaties Burgwallen oude zijde (A00), Burgwallen nieuwe zijde (A01),
Grachtengordel-west (A02), Grachtengordel-zuid (A03) en Nieuwmarkt/Lastage (A04). Het resultaat is zichtbaar in tabel 8.
Tabel 8: Overlast gemiddeldes centrum Amsterdam
Buurtcombinaties Overlast (door):
Verkeersoverlast
Rommel op
straat Criminaliteit Horeca
Andere groepen A00 16.46 6.27 5.62 4.70 4.24 A01 16.21 6.78 5.96 5.70 5.13 A02 18.85 7.07 7.33 6.68 5.83 A03 18.24 7.15 6.24 6.31 5.58 A04 17.66 6.43 6.48 6.75 6.07 Totaal Amsterdam 20.70 6.39 6.56 7.81 7.04
Als alle variabelen worden opgeteld om weer tot de variabele ‘overlast totaal’ te komen dan resulteert dat in het volgende:
Tabel 9: Overlast totaal centrum
N 473
Gemiddelde 42.98 Std. Error 11.06
Uit tabel 8 valt op dat de gemiddeldes van alle variabelen, met name overlast door horeca en andere groepen mensen, aanzienlijk hoger liggen dan het stedelijk gemiddelde. Tabel 9 bevestigt dit. Het stedelijk gemiddelde van de totale overlast is 48.78 en dat is toch een aanzienlijk verschil met 42.98.
Hieruit kan geconcludeerd worden dat de buurten met een hogere toeristendruk inderdaad meer overlast ondervinden. Of dit daadwerkelijk aan deze toeristendruk ligt zal moeten blijken uit de analyse.
5. Meervoudige regressieanalyse
In dit hoofdstuk wordt de analyse van de variabelen uitgevoerd. Dit gebeurt via een meervoudige lineaire regressie. Deze wordt uitgevoerd via het statistiekprogramma SPSS. Er wordt onderzocht in hoeverre verschillende waarden in de afhankelijke variabelen te verklaren zijn aan de hand van de onafhankelijke variabelen. De onafhankelijke variabelen zijn dus opgeteld onder de variabele overlast totaal. Dat is dus de afhankelijke variabele in alle regressiemodellen. De variabelen zijn via ENTER in het model ingevoerd. Dit betekent dat alle onafhankelijke variabelen tegelijkertijd in het model worden ingevoerd (Field, 2005).
5.1 Regressie analyse overlast
Voordat de regressie gepresenteerd en geanalyseerd wordt is het belangrijk om enkele voorbereidende handelingen te beschrijven. De meeste onafhankelijke variabelen zijn in klassen ingedeeld, en zijn dus categorische variabelen. Dat gaat om het netto
huishoudinkomen per maand, de woonduur in de huidige woning van de respondent, de leeftijd van de respondent en het geslacht. Voor alle variabelen waarbij een beoordeling moest worden gegeven zijn er geen wijzigingen doorgevoerd. Dit betreft dus alle afhankelijke
variabelen plus de betrokkenheid bij de buurt van buurtbewoners. Het gaat hier om een beoordeling, en niet om een kenmerk dat aan een persoon gekoppeld kan worden. Een beoordeling is in tegenstelling tot een gegeven kenmerk niet in klassen in te delen. Daarnaast kunnen afhankelijke variabelen niet categorisch zijn aangezien er wordt onderzocht naar wat de afhankelijke variabelen beïnvloedt, en niet wat de kans is dat een respondent in een bepaalde klasse valt.
Voor alle categorische variabelen moet dummyvariabelen worden gemaakt. Een
dummyvariabele werkt als volgt, stel er wordt voor klasse 2 een dummyvariabele gemaakt, dan wordt de variabele zodanig gehercodeerd dat alle respondenten in klasse 2 een score van 1 krijgen en alle andere respondenten een 0. Omdat missing values geen rol mogen spelen krijgen ook deze een score van 0. Dit wordt gedaan voor alle klassen behalve de
referentieklasse. Dat is de klasse waarmee de dummyvariabelen worden vergeleken. De referentieklasse wordt zodoende niet meegenomen in het regressiemodel. Om het model zo eenvoudig mogelijk te houden is ervoor gekozen om bij de betreffende variabelen klasse 1 te hanteren als referentie. De overige klassen zijn vervolgens in het regressiemodel ingevoerd. Bij het geslacht is ‘vrouw’ de referentievariabele en is de dummyvariabele voor ‘man’ in het regressiemodel ingevoerd.
Daarnaast bleek uit een aanvankelijke analyse dat het aantal airbnb listings en het aantal vestigingen toerisme per buurtcombinatie geen relevante cijfers opleverden, de resultaten waren min of meer gelijk aan 0. Zodoende zijn er twee nieuwe variabelen gecreëerd, airbnb analyse en vestigingen toerisme analyse, waarbij de scores van airbnb en vestigingen toerisme gedeeld zijn door 10. Hierdoor is de schaal van deze variabelen verhoogd. Dit is enkel voor de interpretatie van de resultaten, het verandert verder niks aan de inhoud van deze variabelen. Na deze voorbereidende handelingen is de regressie uitgevoerd en het resultaat daarvan is zichtbaar in tabel 10 op de volgende pagina.
Uit de tabel blijkt eigenlijk meteen dat de verklaarde variantie, die gepresenteerd wordt als R2, vrij laag is. Met zeven onafhankelijke variabelen kan het toch maar 10.9% van de variantie verklaren. Daarbij moet genoteerd worden dat dummyvariabel voor geslacht en leeftijdsklasse 2 niet significant zijn, en zodoende geen betrouwbare voorspellers zijn. Hier wordt verder dus geen aandacht meer aan geschonken.
Tabel 10: Regressie overlast
b Std. Error Beta (Constant) 40.175 .338 * Geslacht Dummy -.229 .170 -.011 Leeftijdsklasse 2 -.145 .255 -.007 Leeftijdsklasse 3 1.154 .312 .044* Leeftijdsklasse 4 1.998 .341 .068* Leeftijdsklasse 5 3.238 .456 .068* Woonduurklasse 2 -.814 .279 -.029* Woonduurklasse 3 -1.504 .282 -.057* Woonduurklasse 4 -2.117 .289 -.084* Woonduurklasse 5 -2.107 .316 -.081* Inkomendummy klasse 2 .604 .252 .020* Inkomendummy klasse 3 .893 .297 .025* Inkomendummy klasse 4 .877 .214 .035* Airbnb analyse -.025 0.07 -.034*
Vest. Toerisme analyse -.147 0.13 -.110*
Betrokkenheid buurtbewoners 1.757 .050 .282*
bij de buurt
Note: * = p<0.05, R2 = 0.109
Wat opvalt aan de leeftijd is dat hoe hoger de leeftijdsklasse, dus hoe ouder de respondent is, hoe hoger de b waarde. De b waarde van leeftijdsklasse 5 is 3.238 en kan geïnterpreteerd worden als dat deze klasse 3.238 punten meer bijdraagt aan verband tussen leeftijd en de beoordeling van overlast dan leeftijdsklasse 1, dat is immers de referentievariabele. Dus hoe hoger de leeftijdsklasse, hoe sterker de invloed op het verband is. Dat is zichtbaar doordat de b waarden positief zijn en oplopen.
Datzelfde kan niet gezegd worden voor de woonduur, daar is het verband precies andersom. Hoe langer de woonduur van de respondent in de huidige woning, hoe lager de invloed op het verband tussen woonduur en de ervaring van overlast is. Dat is zichtbaar doordat alle
woonduurklassen een toenemende negatieve waarde hebben.
Betreffende inkomen zijn er geen heel grote verschillen of patronen zichtbaar in de gegeven waardes. Toch kan er geconcludeerd worden dat de twee hoogste inkomens klassen meer toevoegen aan het verband tussen inkomen en de beoordeling van het ervaren van overlast dan de onderste twee klassen.
Wat opvalt zijn de lage b waarden van de airbnb analyse (-.025) en de vestigingen toerisme analyse (-.147). Ze zijn zelfs zo laag dat je amper van een invloed op de ervaring van overlast kan spreken, zeker met de lage R2 in het achterhoofd gehouden. Daarnaast is het opvallend dat beide variabelen een negatieve b-waarde hebben. Dat zou betekenen dat bij een toename van de airbnb listings en het aantal vestigingen toerisme, de beoordeling van het ervaren van overlast zou afnemen.
Tot slot wordt er gekeken naar de betrokkenheid bij de buurt van buurtbewoners. Die heeft een vrij hoge b waarde van 1.757. Dat zou betekenen dat als de beoordeling van de
betrokkenheid van de buurt met 1 toeneemt, de beoordeling van de overlast met 1.757 punten toeneemt. Daarnaast blijkt uit de Beta waarde dat de beoordeling van de
betrokkenheid bij de buurt van buurtbewoners de sterkste voorspellende variabele is in dit model. De waarde van .282 is beduidend groter dan de Beta waarden van alle andere variabelen.
5.2 Regressie Amsterdam Centrum
Uit de beschrijvende statistiek is gebleken dat respondenten die in het centrum wonen beduidend meer overlast ondervinden dan het Amsterdams gemiddelde. Bij elkaar opgeteld was de beoordeling van het ervaren van overlast in het centrum bijna zes punten lager dan het stedelijk gemiddelde. Zodoende is het interessant om in te zoomen op het centrum en te bekijken of daar sterkere verbanden zichtbaar zijn. De regressie is met dezelfde variabelen uitgevoerd, maar er is alleen de response van respondenten uit de buurtcombinaties A00, A01, A02, A03 en A04 gebruikt. Het resultaat is zichtbaar in tabel 11.
Tabel 11: Regressie overlast centrum
b Std. Error Beta (Constant) 34.773 5.571 * Geslacht dummy -.626 1.056 -.028 Leeftijdsklasse 2 -2.470 1.762 -.104 Leeftijdsklasse 3 -.772 1.880 -.029 Leeftijdsklasse 4 .773 2.026 .028 Leeftijdsklasse 5 .353 3.120 .006 Woonduurklasse 2 -.240 1.810 -.008 Woonduurklasse 3 -.321 1.842 -.011 Woonduurklasse 4 .766 1.839 .028 Woonduurklasse 5 1.395 1.867 .055 Inkomendummy klasse 2 -2.073 1.816 -.054 Inkomendummy klasse 3 -1.761 1.668 -.050 Inkomendummy klasse 4 .633 1.206 .026 airbnb analyse .134 .128 .061
Vest. Toerisme analyse -.101 .055 -.108
Betrokkenheid buurtbewoners 1.342 .276 .229*
bij de buurt
De eerste conclusie die uit dit model getrokken kan worden is dat het model vrijwel niet te gebruiken is. Er is maar één variabele significant en dat is de betrokkenheid van de
buurtbewoners bij de buurt. Alle andere variabelen zijn dus niet significant en zijn zodoende geen betrouwbare voorspellers in dit model. En dat is toch wel een opvallende conclusie aangezien er in het centrum duidelijk meer overlast wordt ondervonden dan gemiddeld, maar de verbanden zijn er juist zwakker op geworden.
6. Conclusie
In dit hoofdstuk wordt de hoofdvraag beantwoord door te bepalen of de hypotheses
geaccepteerd of verworpen worden. Voor iedere hypothese wordt deze conclusie getrokken uit de regressieanalyse. De hypotheses zullen één voor één besproken worden. Overlast is in mijn scriptie gedefinieerd via drie afhankelijke variabelen, zodoende zal er per tabel worden bekeken in hoeverre de verklarende variabele invloed uitoefent op de afhankelijke variabele.
6.1 Analyse van de hypotheses
1. In buurten waar meer toeristenvestigingen zijn, wordt overlast sterker door
toerisme verklaard.
Deze hypothese is getoetst via de variabele aantal vestigingen toerisme per buurtcombinatie. Uit de analyse is gebleken dat er nauwelijks een samenhang zichtbaar is tussen de beoordeling van het ervaren van overlast en het aantal vestigingen toerisme per buurtcombinatie. De waarden die uit de regressieanalyse resulteren zijn erg laag en laten zo zien dat het bijna geen invloed heeft op het verband met de afhankelijke variabele. Daarnaast was het opvallend dat de waarden negatief zijn, dat zou betekenen dat bij een stijging van het aantal vestigingen toerisme per buurtcombinatie de ervaring van overlast juist zou afnemen. Het is dus eenvoudig om tot de conclusie te komen dat deze hypothese wordt verworpen.
2. In buurten waar een grote hoeveelheid airbnb aanwezig is, wordt overlast sterker
door toerisme verklaard.
Deze variabele is getoetst via het aantal airbnb listings per buurtcombinatie. Voor deze variabele geldt eigenlijk hetzelfde als bij het aantal vestigingen toerisme. De relevante waarden die gevonden zijn in de regressieanalyse zijn bijna gelijk aan 0. Daarnaast zijn de waarden ook bij het aantal airbnb listings per buurtcombinatie negatief. Waarmee
gesuggereerd wordt dat bij een stijging van het aantal airbnb listings, de ervaring van overlast zou afnemen. Ook hypothese 2 wordt verworpen.
3. Mensen die al langer in dezelfde buurt wonen, ondervinden meer overlast van
toerisme.
Deze hypothese is getoetst via de variabele woonduur. Ook deze hypothese wordt verworpen en dat komt doordat de regressieanalyse namelijk precies het tegenovergestelde vond van
deze hypothese. Het blijkt namelijk dat bij een kortere woonduur mensen meer overlast ondervinden dan respondenten die al langer in hun woning wonen. Wellicht is dat te verklaren doordat mensen met hun buurt mee veranderen en zodoende het groeiende toerisme als ‘normaal’ zien. Of misschien dat voor mensen die net verhuisd zijn langzaam dingen opvallen in hun nieuwe buurt die ze als overlast ervaren.
4. Personen met een sterk gemeenschapsgevoel, ondervinden meer overlast van
toerisme.
Deze hypothese is geanalyseerd door gebruik te maken van de variabele beoordeling van betrokkenheid bij de buurt van buurtbewoners. Uit de analyse is gebleken dat deze variabele de belangrijkste voorspeller voor het ervaren van overlast is in het regressiemodel. De uitkomst komt ook overeen met de hypothese. Hoe hoger het gemeenschapsgevoel, hoe sterker de ervaring van overlast. Toch wordt ervoor gekozen om deze hypothese te verwerpen. Dat komt doordat de verklaarde variantie van het hele model te laag is. En hoewel deze
variabele het meeste toevoegt aan de verklaarde variantie, is het niet hoog genoeg om een harde conclusie daaraan te kunnen verbinden. Zodoende wordt ook hypothese 4 verworpen.
5. Personen met een hoger inkomen, ondervinden meer overlast van toerisme.
De analyse van deze hypothese is uitgevoerd via de variabele netto huishoudinkomen per maand. Ook voor deze hypothese geldt dat de resultaten in eerste opzicht de hypothese bevestigen. De twee hogere inkomensklassen dragen sterker bij aan het verband tussen inkomen en de ervaring van overlast. Echter kan ook deze hypothese niet geaccepteerd worden. En dat is eigenlijk om dezelfde reden als bij hypothese 4, namelijk dat de verklaarde variantie van het model te laag is en zodoende niet de conclusie getrokken kan worden dat inkomen een significante invloed heeft op de beoordeling van het ervaren van overlast. Hypothese 5 wordt verworpen.
6. Oudere mensen ondervinden meer overlast van toerisme dan jongere mensen.
Deze hypothese is getoetst via de variabele leeftijd in klassen. Uit de analyse is gebleken dat de toevoeging aan het verband tussen leeftijd en het ervaren van overlast steeds groter wordt naarmate de leeftijdsklasse hoger wordt. De referentievariabele was klasse 1, alle andere klassen hadden in toenemende mate positieve cijfers. En de verschillen daarin zijn ook vrij groot. Deze hypothese geeft wederom een indicatie van een goede voorspeller op het ervaren van overlast, maar ook hier moet de hypothese verworpen worden wegens de te lage
verklaarde variantie. Er kan niet gesproken worden van een significante invloed van leeftijd op het ervaren van overlast.
7. Vrouwen ervaren meer overlast door toerisme dan mannen.
De analyse van de laatste hypothese is uitgevoerd via de man/vrouw verhouding. Uiteindelijk blijkt dit de minst relevante variabele te zijn omdat deze variabele niet significant is in het
regressiemodel. Zodoende kan geconcludeerd worden dat geslacht geen betrouwbare voorspeller is van de beoordeling van het ervaren van overlast. Zodoende wordt ook deze hypothese verworpen.
6.2 Beantwoording van de hoofdvraag
Puur op basis van de analyse kan de hoofdvraag eenvoudig beantwoord worden met dat persoonlijke kenmerken en blootstelling van toerisme geen verklaring kunnen geven voor verschillen in het ervaren van overlast. Toch zou deze conclusie een beetje kort door de bocht zijn. Zo zijn er ook beperkingen aan deze analyse. De blootstelling aan toerisme is namelijk een buurtkenmerk, terwijl de afhankelijke variabelen op individueel niveau zijn gemeten. Het is mogelijk dat er een bias ontstaat als je variabelen op een verschillend niveau met elkaar analyseert. Daarnaast is de analyse gebaseerd op indirecte data waarbij data van verschillende bestanden gedeeltelijk aangepast zijn om bij elkaar gevoegd te kunnen worden.
Toch kunnen de resultaten een indicatie zijn voor welke verklarende variabelen wel relevant zijn, en welke dat niet zijn. Zo lijkt betrokkenheid bij de buurt toch van invloed te kunnen zijn op het ervaren van overlast, deze variabele kwam immers als sterkst verklarende variabele naar voren. Een kanttekening is dat ook de data voor deze variabele vrij indirect zijn, aangezien respondenten de betrokkenheid bij de buurt van buurtgenoten moesten beoordelen, maar niet van henzelf. Die vraag is waarschijnlijk het beste te beantwoorden indien een respondent zelf wel betrokken is bij de buurt. Maar voor een respondent die dat niet is kan het een moeilijke inschatting zijn, daar is dus ruimte voor een bias.
Verder lijken ook inkomen en leeftijd van invloed te kunnen zijn op het beoordelen van overlast. De gevonden b waarden bij deze twee variabelen komen immers overeen met de hypotheses. De hypotheses zijn niet aangenomen dus een harde conclusie kan hier niet getrokken worden, maar het kan toch een indicatie geven voor wie wel en wie niet overlast ervaren.
Daarnaast blijkt uit de beschrijvende statistiek dat buurten met een hogere toeristendruk ook beduidend meer overlast ondervinden, en toch komt in mijn analyse naar voren dat de toeristendruk niet of nauwelijks een rol speelt in verklaren van het ervaren van overlast. Hoewel het niet in de verwachting lag dat het aantal airbnb listings en het aantal vestigingen toerisme geen rol zou spelen, blijft het opvallend dat er in buurten met een hogere
blootstelling aan toerisme beduidend meer overlast wordt ervaren.
Een concreet antwoord op de hoofdvraag is dus dat persoonlijke kenmerken en blootstelling aan toerisme slechts een klein deel van de verschillen in het ervaren van overlast verklaren.
7. Discussie en aanbevelingen
Er is veel ruimte voor uitbreiding en/of voortzetting van dit onderzoek, en dat wordt met name veroorzaakt door een gebrek aan directe data over toerisme in Amsterdam. Hoewel overlast van toerisme momenteel een hot item is in de pers, is er eigenlijk maar heel weinig feitelijke informatie die gebaseerd is op onderzoek. De toeristendruk is bepaald via het aantal
vestigingen toerisme en het aantal airbnb listings per buurt. En hoewel dit een goede indicatie geeft, kan er niet concreet gesteld worden hoeveel toeristen welk gedeelte van de stad bezoeken. Doordat dit onderzoek in een gelimiteerd tijdsbestek uitgevoerd moest worden was het ook niet mogelijk om concrete data te verzamelen. Daarnaast waren ook niet de middelen aanwezig om een groot publiek te bereiken.
Verder werd al in het theoretisch kader besproken dat er nog vele andere variabelen zijn die een mogelijke invloed van toerisme kunnen weergeven. Voor deze variabelen zijn er echter geen beschikbare data, zodoende konden die variabelen niet meegenomen worden in mijn analyse. Dit betreft variabelen als verandering in het prijsniveau per buurt of per stadsdeel, nabijheid van het woonadres van de respondent tot het centrale toeristengebied en etniciteit. Dit zijn variabelen die dus wel van toepassing kunnen zijn op Amsterdam en zodoende is het belangrijk om deze variabelen in een mogelijke toekomstige analyse mee te nemen.
Dit onderzoek had dus zijn beperkingen door een gebrek aan (directe) data en zodoende kan het zijn dat mijn eindconclusie mogelijk niet helemaal compleet is. Het is aan te raden om verder onderzoek te doen dat zich in eerste instantie richt op het verzamelen van de juiste data.
8. Literatuurlijst
Ali, H. & Birley, S (1999) Integrating deductive and inductive approaches in a study of new ventures and costumer perceived risk. Qualitative market research: An international journal. Vol.2, No. 2: p. 103 – 110
Andereck, K.L., Valentine, K.M., Knopf, R.C. & Christine, A.V. (2005) Residents’ perception of community tourism impacts. Annals of Tourism Research. Vol. 32, No. 4: p. 1056 - 1076 Bahaire, T & Elliot-White, M (1999) Community participation in tourism planning and development in the historic city of York, England. Current issues in tourism. Vol. 2, No. 2&3: p. 243 - 276
Eveningstandard, The (2015) Lights out London: The street where 7 in 10 houses are second
homes [Online] 14-05-2015 < http://www.standard.co.uk/news/london/lights-out-london-street-where-7-in-10-houses-are-second-homes-10249301.html> Geraadpleegd 21-09-2016 Field, A (2005) Discovering statistics using SPSS. London: SAGE publications.
Financieele Dagblad, Het (2015) ‘Chinese huizenopkopers bedreigen Amsterdam’ [Online] 28-08-2015. <https://fd.nl/economie-politiek/1116654/chinese-huizenopkopers-bedreigen-amsterdam> Geraadpleegd 22-09-2016
Fuller, H. & Michel, B. (2014) ‘Stop Being a Tourist!’ New Dynamics of Urban Tourism in Berlin-Kreuzberg. International Jouranl of Urban and Regional Research vol. 38, p. 1304 - 1318 Gelo, O., Braakmann, D. & Benetka, G (2008) Quantitative and Qualitative Research: Beyond the debate. Integrative psychological and behavioral science. Vol. 42, No. 3: p. 266 – 290. Gotham, K.F. (2005) Tourism Gentrification: The case of New Orleans’ Vieux Carre (French Quarter). Urban Studies. Vol. 42, No. 7: p. 1099 - 1121.
Gu, H. & Ryan, C. (2008) Place attachment, identity and community impacts of tourism – the case of a Beijing hutong. Tourism management. Vol. 29: p. 637 - 647
Guardian, The (2015) ‘It’s like a ghost town’: Lights go out as foreign owners desert London
homes [Online] 25-01-2015 < https://www.theguardian.com/uk-news/2015/jan/25/its-like-a-ghost-town-lights-go-out-as-foreign-owners-desert-london-homes> Geraadpleegd 21-09-2016 Guttentag, D (2015) Airbnb: disruptive innovation and the rise of an informal tourism
accommodation sector. Current issues in tourism. Vol. 18, No. 12: p. 1192 - 1217
Haley, A.J., Snaith, H. & Miller, G (2005) The social impacts of tourism. A caste study of Bath, UK. Annals of Tourism Research. Vol. 32, No. 3: p. 647 - 668
Hochstenbach, C & Van Gent, W.P.C. (2015) An Anatomy of gentrification processes: variegating causes of neighbourhood change. Environment and Planning A. Volume 47: p. 1480 - 1501
Hoogeweij, M (2016) Gedeelde winst of vergrote ongelijkheid? Bachelorscriptie Sociale
geografie & planologie; Universiteit van Amsterdam
Hritz, N. & Ross, C. (2010) The perceived impacts of sport tourism: An urban host community perspective. Journal of sport management. Vol. 24: p. 119 - 138
Insideairbnb (2016) Amsterdam, North Holland, The Netherlands. http://insideairbnb.com/get-the-data.html
Lankford S. V. & Howard, D. R. (1994) Developing a Tourism impact attitude scale. Annals of
tourism research. Vol. 21: p. 121 - 139
Matusitz, J. & Palermo, R. (2014) The Disneyfication of the world: A Grobalisation Perspective.
OIS Amsterdam (2016) Basisbestand Gebieden Amsterdam 2016. Amsterdam: Onderzoek, Informatie en Statistiek Amsterdam.
OIS Amsterdam (2012) Leefbaarheidsindex Amsterdamse Buurten. Amsterdam: Onderzoek, Informatie en Statistiek Amsterdam.
OIS Amsterdam (2015) Metropoolregio Amsterdam in cijfers 2015. Amsterdam: Onderzoek, Informatie en Statistiek Amsterdam.
OIS Amsterdam (2014) Toerisme in Amsterdam en regio 2013-2014. Amsterdam: Onderzoek, Informatie en Statistiek Amsterdam
Parool, Het, I (2016) ‘Amsterdam kan een stad zonder ziel worden’ [Online] 22-04-2016 < http://www.parool.nl/amsterdam/-amsterdam-kan-een-stad-zonder-ziel-worden~a4287540/> Geraadpleegd 21-09-2016
Parool, Het, II (2016) ‘Amsterdam dreig te venetianiseren’ [Online] 22-04-2016
<http://www.parool.nl/amsterdam/-amsterdam-dreigt-te-venetianiseren~a4287580/> Geraadpleegd 21-09-2016
Parool, Het, III (2015) Amsterdam raakt steeds meer in trek bij de superrijken [Online] 20-09-2015 <http://www.parool.nl/binnenland/amsterdam-raakt-steeds-meer-in-trek-bij-de-superrijken~a4145936/> Geraadpleegd 21-09-2016
Parool, Het, IV (2016) Buitenlandse kopers willen nauwelijks dure Amsterdamse huizen [Online] 13-06-2016< http://www.parool.nl/amsterdam/buitenlandse-kopers-willen-nauwelijks-dure-amsterdamse-huizen~a4319286/> Geraadpleegd 21-09-2016
Parool, Het, V (2015) ‘Amsterdam dreigt te disneyficeren’ [Online] 08-02-2015 <http://www.parool.nl/amsterdam/-amsterdam-dreigt-te-disneyficeren~a3847065/> Geraadpleegd 30-09-2016
Ross, G.F. (1992) Resident Perceptions of the Impact of Tourism on an Australian City. Journal
of Travel Research. Vol. 30, No. 3: p. 13 – 17
RTLnieuws (2015) Amsterdam kijkt naar overlast toeristen [Online]
<http://www.rtlnieuws.nl/economie/home/amsterdam-kijkt-naar-overlast-toeristen> Geraadpleegd 22-09-2016
Volkskrant, de (2014) Hartje Amsterdam moet niet te gewild worden [Online] 25-10-2014
<http://www.volkskrant.nl/binnenland/hartje-amsterdam-moet-niet-te-gewild-worden~a3775499/> Geraadpleegd 22-09-2016
Vrijzinnig Protestantse Radio Omroep (VPRO) Tegenlicht (2016) Slapend rijk. <http://www.npo.nl/vpro-tegenlicht/18-09-2016/VPWON_1257586> Geraadpleegd 21-09-2016)
Waitt, G. (2003) Social impacts of the Sydney Olympics. Annals of Tourism Research. Vol.30, No. 1: p. 194 - 215
Willams, J & Lawson, R (2001) Community issues and resident opinions of tourism. Annals of
