Pendelen en pendelaars : een onderzoek naar in hoeverre kenmerken van centrale steden in COROP-gebieden invloed hebben op pendelpatronen

PENDELEN EN PENDELAARS

Een onderzoek naar in hoeverre kenmerken van centrale

steden in COROP-gebieden invloed hebben op

pendelpatronen

Bachelor scriptie Planologie Auteur: Paul van den Bragt Begeleider: dhr. Prof. Dr. P.P. Tordoir Tweede beoordelaar: dhr. Dr. O. Rubin Datum: 14 augustus 2017 Aantal woorden: 10151 Studentnummer: 10717374

INHOUDSOPGAVE

Voorwoord 3

1. Inleiding 4

2. Theoretisch kader 6

2.1 Bereikbaarheid en reisgedrag 6 2.2 Specialisatie en centrale-plaatsentheorie 6 2.3 Polycentraliteit 8 2.4 Knowledge cities 9 2.5 Woon- en werkadressen en bid rent theory 10 3. Methoden 12

3.1 Onderzoeksopzet en analysemethode 12 3.2 Variabelen 14 3.2.1 Afhankelijke variabelen 14

3.2.2 Onafhankelijke variabelen 15

3.3 Deelvragen en conceptueel model 16 3.4 Regressieanalyse stappen 16 4. Hypothese 19

5. Pendelpatronen in COROP-gebieden 21

5.1 Pendelpatronen in de Randstad 23 6. Invloed van kenmerken van centrale steden 25

6.1 Meervoudige regressieanalyses 25 6.1.1 Normale verdeling 25

6.1.2 Regressieanalyse voor N1 27

6.1.3 Regressieanalyse voor N2 28

6.2 Interpretatie resultaten 29 7. Conclusie 31

Literatuur 33

Bijlagen 37

VOORWOORD

De scriptie, na drie jaar een bachelor gevolgd te hebben op de Universiteit van Amsterdam, is het nu tijd om te laten zien of er voldoende kennis is opgenomen voor een volwaardig wetenschappelijk onderzoek. Mijn naam is Paul van den Bragt, ik ben een student die drie jaar geleden is verhuisd naar Amsterdam om Sociale Geografie & Planologie te studeren. Hierbij heb ik zonder spijt de specialisatie Planologie gekozen. Deze jaren zijn voorbij gevlogen en het scriptieproject was aangebroken. Dit betekende een periode van vele koppen koffie in de universiteitsbibliotheek. Maar het is af en ik ben blij dat ik mijn interesses heb kunnen vertalen in een onderzoek. Voor de totstandkoming van deze scriptie wil ik dhr. Prof. Dr. P.P. Tordoir bedanken voor de leerzame terugkoppelingen, het bieden van interessante inzichten en het toegankelijk stellen van de kwantitatieve gegevens die deze scriptie mogelijk hebben gemaakt. Daarnaast wil ik de dhr. dr. O. Rubin bedanken voor de hulp bij het verbeteren van de scriptie en het wijzen op onjuistheden. U als lezer, bedankt voor de tijd die u neemt om mijn scriptie te lezen en ik wens u veel leesplezier. Paul van den Bragt Amsterdam, 14 augustus 2017

1. INLEIDING

Concurrentie tussen steden wordt steeds belangrijker en in economisch opzicht is een als geheel functionerend stedelijk gebied wenselijk vanwege een grotere economische bijdrage (Giffinger, Haindlmaier and Kramar, 2010). In het rapport ‘Vele steden maken nog geen Randstad’ van het Planbureau voor de Leefomgeving (2006) wordt er al diep ingegaan op de vraag of er sprake is van een functioneel geheel in de Randstad. De hoofdconclusie waar dit rapport op uitkomt is dat er geen sprake was van een functioneel geheel. Dit werd onderzocht aan de hand van drie aspecten: bedrijfsrelaties, woon-werkverkeer en winkelbezoeken. Dat deze onderwerpen uitgebreid onderzocht worden duidt al aan dat arbeid en arbeidsmarkten een belangrijke rol spelen als dit geplaatst wordt binnen ‘economische productie’. Als een als geheel functionerende arbeidsmarkt wenselijk is, is het zeer interessant om te onderzoek wat mensen motiveert om een bepaalde afstand vanuit de huiselijke omgeving te overbruggen voor werk.

Werkende mensen zijn een belangrijke factor om voor deze economische bijdrage te zorgen. Maar niet alleen in de Randstad zal arbeid zorgen voor een economisch aandeel. Dit is een fenomeen dat zich wereldwijd voordoet. Maar om deze financiële bijdrage mogelijk te maken is het van belang dat mensen bereid zijn te reizen naar een bepaalde plek om daar te werken. Het eerdergenoemde rapport gaat onder andere in op hoe arbeidsmarkten eruitzien op een bepaalde plek, in dit geval de Randstad. Het is uiteraard interessant om te weten hoe de huidige arbeidsmarkten vorm krijgen in een gebied. Pendelstromen onthullen deze ruimtelijke structuren van arbeid.

Grootstedelijke gebieden ondervinden verschuivingen van een monocentrische stedelijke structuur naar polycentrische vormen (Schwanen, Dieleman & Dijst, 2004). Stedelijke regio’s waren in eerste instantie hiërarchisch volgens de klassieke centrale-plaatsentheorie van Walter Christaller (1933). Bovenaan de hiërarchie staat de centrale stad die de hele regio kan bedienen en de hoogste mate van specialisatie kan bieden. Deze hiërarchische structuren van stedelijke regio’s zijn steeds minder duidelijk terug te zien. Locaties aan bijvoorbeeld randen van steden blijken eigenschappen te hebben zoals lagere vestigingskosten en betere bereikbaarheid, waardoor meerdere knooppunten ontstaan. Een belangrijke ontwikkeling die de polycentrische stedelijke opbouw mogelijk heeft gemaakt is de groei in automobiliteit. De enorme toename in personen die beschikken over een auto heeft ervoor gezorgd dat grotere afstanden binnen een bepaalde tijd afgelegd kunnen worden, waardoor meerdere plekken bereikbaar zijn (Grünfeld, 2010). Op deze manier is het voor mensen ook mogelijk om buiten de centrale stad te wonen en te pendelen. Voor de COROP-indeling uit 1970 is het nodale principe als uitgangspunt genomen. Dit houdt in dat elk COROP-gebied over een centrale kern beschikt en er rekening is gehouden met bestaande pendelstromen (Cbs.nl, 2017). Deze gebieden kunnen ook als polycentrische stedelijke regio’s beschouwd worden. Een COROP-gebied heeft namelijk een centrale stad maar daarbuiten ook kleinere gemeentes die als knooppunten kunnen dienen.

Er kan gezegd worden dat verticale hiërarchische stedelijke structuren plaats hebben gemaakt voor meer een horizontale opbouw (Van der Laan, 1998). Deze ontwikkeling wordt in de ruimtelijke ordening omarmd (Grünfeld, 2010). Dit duidt het belang en relevantie aan voor onderzoek naar deze ruimtelijke structuren van arbeid. Het is interessant om te kijken naar de rol die centrale steden spelen in COROP-gebieden. Hebben deze steden nog wel een

centrale functie in hun betreffende COROP-gebied of is er sprake van een meer decentrale functionele structuur? In deze scriptie wordt hier een antwoord op gezocht voor meerdere Nederlandse steden.

Als het duidelijk is welke rol steden in Nederland innemen in COROP-gebieden kan er gekeken worden naar verklarende factoren voor deze verschijnselen. Hierbij is het interessant welke kenmerken van de centrale stad bepalend zijn voor pendelpatronen. Zo kan er gedacht worden aan of meer banen voor hoogopgeleiden in een stad zorgen voor een hoger niveau in centraliteit. Bovenstaande geschetste ontwikkelingen en vragen hebben tot de onderzoeksvraag van deze scriptie geleid, deze luidt:

“In hoeverre hebben kenmerken van centrale steden invloed op de pendelpatronen in het COROP-gebied?”

2. THEORETISCH KADER

Nu de probleemstelling bekend is kan een wetenschappelijke basis gevormd worden voor het onderzoek. Dit hoofdstuk zal ten behoeve van deze wetenschappelijke ondergrond bestaande theorieën aanhalen en nader toelichten. Daarnaast is het mogelijk de uitkomsten van het onderzoek aan deze theorieën terug te koppelen. Wetenschappelijke verklaringen voor mogelijke uitkomsten worden zo gevonden of kunnen juist niet geheel van toepassing blijken.

2.1 Bereikbaarheid en reisgedrag

Arbeidsplekken moeten bereikbaar zijn voor mensen die er werken. Eerdere studies brachten met name naar voren dat reisgedrag van mensen en de bereikbaarheid van een bepaalde plaats verklaard kon worden door ruimtelijke eigenschappen. Echter bleek hierna dat deze ruimtelijke eigenschappen minder invloed hadden wanneer kenmerken van de reizigers zelf meegenomen worden in onderzoek naar reisgedrag en bereikbaarheid (KiM, 2016). De belangrijkste bepalende ruimtelijke factoren voor reisgedrag en bereikbaarheid die uit de literatuur naar voren komt zijn dichtheid, diversiteit en design (Cervero & Kockelman, 1997; KiM, 2016; Van Wee, 2011). Dichtheid zorgt ervoor dat de bereikbaarheid groter is. Als op een plaats sprake is van een hogere dichtheid zijn er meer voorzieningen binnen dezelfde afstand bereikbaar. Daarnaast is door minder ruimtelijke uitgestrekte voorzieningen in het ruimtelijk landschap een hogere mate van bereikbaarheid door fietsers en voetgangers. Een hogere diversiteit verandert ook het reisgedrag, ditmaal heeft dit effect op bijvoorbeeld autogebruik. Als de functies wonen, werken en winkelen meer gemengd zijn dan is het waarschijnlijker dat mensen fietsen of lopen in plaats van de auto gebruiken. Daarnaast is de kans dat men minder ver naar een arbeidsplek hoeft te pendelen groter als het niveau van functiemenging hoger is. Als wonen en werken in een stad meer gemengd zijn, dan zou dat kunnen betekenen dat men ook een arbeidsplek nabij de woonlocatie kan vinden. Voor de meeste mensen is het pendelen zelf een last. Pendelen kost geld, tijd en wordt negatief ervaren op zowel mentaal als fysiek vlak. Men kiest er dan ook alleen voor om een bepaalde afstand te pendelen als de beloning groter is dan de last. Pendelaars proberen de pendelafstand dan ook het liefst te verminderen (Stutzer & Frey, 2008). Design is ook een factor die invloed uitoefent op reisgedrag, een nieuw wandelpad of fietspad via een route dat als mooi wordt ervaren stimuleert men om de auto te laten staan en een ander vervoersmiddel te kiezen. Zoals eerder aangegeven is uit latere studies gebleken dat enkele kenmerken van de reizigers zelf, socio-economische kenmerken, ook invloed hebben op reisgedrag en bereikbaarheid. Deze socio-economische kenmerken van reizigers beïnvloeden met name het aantal verplaatsingen. De afstand van verplaatsingen wordt vooral beïnvloedt door de ruimtelijke kenmerken (Ewin & Cervero, 2001).

2.2 Specialisatie en centrale-plaatsentheorie

De centrale-plaatsentheorie van Walter Christaller (1933) biedt inzicht in de drijfveren hoe urbaniteit en marktgebieden zich ruimtelijk vormen. Deze theorie bouwt zich in eerste instantie voort op een ‘plat’ gebied, waarbij enkele voorwaarden in gedachte gehouden moeten worden dat bijvoorbeeld de populatie, koopkracht, vervoerskosten en gedrag overal en voor iedereen gelijk zijn. Onder deze omstandigheden, zoals Christaller beargumenteerd, bestaat er een threshold en range of a good or service. Het eerste houdt in dat er een drempelwaarde is hoeveel mensen er nodig zijn om een product of service tot stand te laten komen. Het tweede concept is de afstand die mensen willen afleggen om het product of

service te verkrijgen. Aan de hand van deze gegevens kan uitgelegd worden dat in kleinere plaatsen, die zich verspreid bevinden over het landschap, overal producten en services aanwezig zijn van een lager niveau zoals ‘simpele’ bakkers. Deze komen tot stand door een lage threshold en range of a good or service. Grotere centrale plaatsen beschikken over een omvangrijk achterland en bedienen een grotere markt, waardoor gespecialiseerde producten en services hier te vinden zijn zoals ziekenhuizen en winkelcentra. In een zoals eerder uitgelegd ‘plat’ gebied werkt dit uit in een ruimtelijke hiërarchische verdeling zoals in afbeelding 1 hieronder is te zien.

Afbeelding 1: Walter Christallers (1933) model centrale-plaatsentheorie (bron: Christaller's Hexagonal Arrangement, 2017)

Deze klassieke theorie biedt inzicht voor hoe arbeid zich ruimtelijk zou kunnen verdelen en waarom sommige groepen bereid zijn langer te reizen voor werk dan anderen. In de hiërarchie van urbaniteit staan dorpjes onderaan waar de voorzieningen van lager niveau zijn, deze zijn overal terug te vinden. Hieraan kan gerelateerd worden dat de banen van deze voorzieningen geschikt zijn voor laagopgeleiden. Een grote stad die zich bovenaan in de hiërarchie bevindt is meer divers en gespecialiseerd. De kleine winkels en voorzieningen zijn hier terug te vinden maar daarnaast ook de meer gespecialiseerde nederzettingen van een hoger niveau. Deze werkplekken hebben hoogopgeleiden nodig. Laagopgeleiden bevinden zich meer verspreid over het landschap terwijl arbeidsplekken voor hoogopgeleiden zich vooral concentreren in grotere steden. Het aandeel banen voor hoogopgeleiden in een stad lijkt hierdoor samen te kunnen hangen met de mate van centraliteit.

De world city hypothesis van Friedmann (1986) beschrijft dat in een wereldstad bijvoorbeeld hoofdkantoren van multinationals en diensten van hoog niveau aanwezig zijn. Hier werken dus ook mensen met een baan op hoog niveau. Daarnaast bevinden zich in zogenoemde wereldsteden juist ook een concentratie en aantrekkingskracht voor arbeiders van een lager niveau. In deze wereldsteden zijn de betreffende arbeidsmarkten dus duaal en vaak verdeeld. Deze karakteristieken komen ruimtelijk tot uitdrukking. Bargeman, Van der Laan en Lensink (1992) nemen het uitgangspunt dat de Randstad een wereldstad is, zoals Peter Hall (1966) ook al deed en concluderen dat hier problemen zoals werkeloosheid en verdeling ook ruimtelijk zichtbaar zijn. De world city hypothesis van Friedmann heeft dus ook enige samenhang met Christallers theorie, in dit geval zijn de hoofdkantoren van bijvoorbeeld multinationals als meer gespecialiseerde voorzieningen te vinden in grote steden. Dit

betekent dus beschikbaarheid van arbeidsplekken voor hoogopgeleiden. Op ’t Veld en Starmans concluderen in 1985 dat voor hoogopgeleiden een arbeidsmarkt bestaat die meer nationaal is georiënteerd en dat zij een groter aandeel hebben in verplaatsingen tussen steden. Laagopgeleiden werken daarentegen meestal dichtbij de plek waar zij wonen (Ossokina et al., 2014).

2.3 Polycentraliteit

Zoals in de inleiding is beschreven heeft de verticale structuur van urbane systemen plaats gemaakt voor horizontale structuren. De hiërarchie van stedelijke opbouw vervaagd en de beschikbaarheid van de auto en voordelige kenmerken van locaties aan de randen van steden zorgen voor meer polycentrische landschappen (Grünfeld, 2010). Men heeft de mogelijkheid buiten de stad te wonen terwijl arbeidsplekken hier wel gevestigd blijven (van der Laan, 1998). Schwanen, Dieleman en Dijst (2001) geven aan dat de verschuiving van bevolking en arbeidsplekken vanuit centra naar perifere gebieden verklaard kan worden door de invloed van globalisatie, deregulatie en communicatie- en informatietechnologieën. Deze processen hebben geleid tot polycentrische stedelijke regio’s. Dit werkt vervolgens uit in meer tangentiële in plaats van radiale pendelstromen.

Het begrip polycentriciteit wordt niet eenduidig gebruikt in de literatuur, waardoor conceptualisatie van belang is. Lambregts (2009) onderscheidt drie benaderingen van polycentriciteit. De eerste benadering is dat polycentrische ontwikkeling een vorm van planningsstrategie is dat wordt toegepast op verschillende schaalniveaus. Ten tweede kan de polycentrische ontwikkelingen gezien worden als ruimtelijk proces dat teweeg wordt gebracht door de verplaatsing van stedelijke functies van grotere naar kleinere centra. De laatste benadering bekijkt polycentriciteit als ruimtelijke uitwerking van deze processen. Burger en Meijers (2010) geven aan dat er sprake is van verschillende opvattingen over wanneer er sprake is van een polycentraal landschap en hoe dit gemeten zou moeten worden. De grootste discussie die hierover heerst is of het begrip polycentriciteit bepaald wordt door morfologische of functionele kenmerken. Morfologische polycentriciteit kijkt naar de grootte van stedelijke centra en hoe deze zijn verdeeld over het landschap. Een gelijkere verdeling hiervan betekent een hogere mate van polycentriciteit. Als de verschillende centra even groot zijn en meer verspreid over de ruimte dan in een grotere mate sprake van een polycentraal landschap. Functionele polycentriciteit gaat in op de functionele verbindingen, bijvoorbeeld pendelstromen, tussen deze centra waarbij het niveau van polycentriciteit afhangt van de balans tussen de meerdere richtingen van deze verbindingen.

Van der Laan (1998) gaat in het kader van stedelijke gebieden met meerdere centra onderzoek nader in op functionele typering van daily urban systems. In het artikel worden Nederlandse daily urban systems onderscheiden in vier typen pendelpatronen. Deze typen zijn centraal, decentraal, exchange-commuting en cross-commuting. Als er sprake is van centraal pendelpatroon dan betekent dit dat forenzen grotendeels vanuit de suburbs naar de centrale stad reizen voor arbeidsplekken en mensen die in de centrale stad wonen hier ook werken. Dit is het traditionele pendelpatroon waarbij suburbane gebieden nauwelijks pendelaars aantrekken. Decentraal houdt in dat de suburbs juist wel arbeiders vanuit andere suburbs en de centrale stad naar zich toetrekt. In dit geval is de rol van de centrale stad als aantrekker van arbeid vervallen en spelen de suburbs een significantere rol in het voorzien van arbeidsplekken. Als de pendelstromen tussen suburbs en de centrale stad in beide richtingen zijn verdeeld is er sprake van exchange-commuting. Er zijn in dit geval mensen die

wonen in suburbs en arbeid verrichten in de centrale stad maar dit geldt ook andersom. Exchange-commuting duidt op een spatial job mismatch. Van der Laan (1998) geeft aan dat in het geval van exchange-commuting namelijk de vraag naar arbeid in de centrale stad niet alleen afhankelijk is van het aanbod van arbeid van de suburbs, maar de suburbane vraag naar arbeid is ook afhankelijk van het arbeidsaanbod van de centrale stad. Een oorzaak hiervan kan zijn dat arbeidsplekken in de suburbs van laag niveau zijn terwijl de omwonenden met name hoogopgeleid zijn en de vraag naar arbeid in de centrale stad juist van hoog niveau is maar het lokale arbeidsaanbod laagopgeleid is. Cross-commuting betekent dat er weinig relatie is tussen suburbs en de centrale stad betreffende vraag en aanbod van arbeid. Mensen uit de suburbs werken in de suburbane gebieden en mensen uit de centrale stad werken ook in de centrale stad. Bij cross-commuting is er dus weinig uitwisseling tussen de centrale stad en de suburbane gebieden.

Als het bekend is van welk type pendelpatroon sprake is in een polycentrisch stedelijk landschap kan er worden afgevraagd welke kenmerken van de centrale stad hiermee samenhangen. Als pendelstromen bijvoorbeeld wijzen op een centraal type pendelpatroon, welke kenmerken van een centrale stad brengen dit dan te weeg? De rol die de centrale stad speelt komt deels tot uitdrukking aan de hand van pendelstromen.

2.4 Knowledge cities

Hoogopgeleiden zijn in grote mate vertegenwoordigd in steden. Met name in de creatieve sector en kennisindustrie, waarvan een groei is te zien in stedelijke economieën sinds de verschuiving vanuit de maakindustrie. Deze kenniseconomie wordt steeds meer als belangrijk beschouwd en steden willen ontwikkelen richting een zogenoemde knowledge city. Dit zou namelijk welvaart en concurrentiekracht aanzienlijk kunnen verbeteren en steden wereldwijd nemen het aantrekken van talent en innovatie dan ook op in hun beleid (Yigitcanlar, Velibeyoglu and Martinez-Fernandez, 2008). Op dit moment zijn Amsterdam en Eindhoven de grootste Nederlandse bijdragers aan groei van de economie en innovatie. Hoogopgeleiden spelen hiervoor een belangrijke rol en zorgen voor beschikking van kennis. De meest dominante redenen voor hoogopgeleiden om zich in de stad te vestigen is de aanwezigheid van werk en persoonlijke netwerken (Musterd, 2014). Steden groeien en dit gaat hand in hand met de clustering van hoogopgeleiden. In de huidige kenniseconomieën is het belang van informatie- en communicatietechnologieën toe genomen. Dit vereist de beschikbaarheid van meer hoogopgeleiden met hoogwaardige technologische kennis en persoonlijk contact is van belang om zogenoemde tacit knowledge over te brengen. Dit is kennis die niet eenvoudig gecodificeerd en overgedragen kan worden via bijvoorbeeld schrift. Tacit knowledge is geografisch gezien ‘trager’, waardoor steden een plek kunnen bieden voor de overdracht hiervan (Coe, Kelly and Yeung, 2013). Steden functioneren daarom ook vaak als belangrijke ontmoetingsplek. De hoge mate van dichtheid in steden biedt agglomeratievoordelen waar voornamelijk hoogopgeleiden voordeel uit trekken. Steden beschikken dan ook vaak over bepaalde amenities zoals musea, culturele voorzieningen en restaurants die door hoogopgeleiden zeer op prijs gesteld worden (de Groot, Ossokina & Teulings, 2016). Het is ook opvallend dat banen in de zakelijke dienstverlening zich met name in steden bevinden (Clo.nl, 2011). Vooral in Amsterdam en Utrecht, de Noordvleugel van de Randstad. In Amsterdam gaat het hierbij vooral om banen bij financiële instellingen. De Noordvleugel kent meer banen in de zakelijke dienstverlening dan de Zuidvleugel, met Rotterdam en Den Haag, omdat hier meer arbeidsplekken te vinden zijn in de logistieke en industriële sectoren.

2.5 Woon- en werkadressen en bid rent theory

De structuur van pendelnetwerken wordt bepaald door locaties van arbeidsplekken en woonlocaties. Pendelstromen ontstaan namelijk uit de afstand tussen woon- en werkadressen. Het is dan ook van belang deze wisselwerking waaruit forenzenstromen ontstaan nader te bekijken. Niet alleen de bereikbaarheid van arbeidsplekken zorgt voor de verspreiding van woon- en werkplekken. Bereikbaarheid van de werkplek heeft wel invloed op de keuze van woonlocatie, maar de woning zelf en de buurt waarin deze ligt heeft grotere invloed (Bohte & Maat, 2004). De voorkeuren van een individu bepalen de keuzes voor wonen, activiteiten en werken. Mensen kunnen kiezen voor een woonlocatie op basis van eigen preferenties en hiervoor een langere pendelafstand accepteren. Deze preferenties komen voort uit de socio-economische en sociodemografische kenmerken. De eigenschappen van een woonomgeving en individuele keuzes die de woonlocaties beïnvloeden worden niet onderzocht in deze scriptie. Voor dit onderzoek is het wel relevant dat op regionaal niveau de bereikbaarheid en aanwezigheid van arbeidsplekken invloed hebben op woonlocaties. De locatie van arbeidsadressen creëert een gebied waarbinnen een woning gezocht wordt. Vooral bij verhuizingen over een kortere afstand speelt bereikbaarheid van het arbeidsadres een grote rol. Volgens een economische benadering vinden verhuizingen plaats als het nut ten opzichte van de oude woonlocatie groter is dan de verhuiskosten, dit hoeft niet per se in geld uit gedrukt te zijn (van Wee, 1994). Zo zouden pendelaars op een andere plek willen wonen waar bijvoorbeeld meer groen aanwezig is, maar besluiten niet te verhuizen als het reizen naar werk te veel tijd, geld en moeite kost na de verhuizing. Daarnaast blijkt dat bij een verhuizing rekening wordt gehouden met de bereikbaarheid van mogelijke toekomstige arbeidsplekken vanuit de nieuwe woonlocatie (Andrulis, 1982).

Bovenstaande redenaties over verhuizingen rusten er op dat de locatie van de arbeidsplek gegeven is. De woonlocatie kan andersom ook gegeven zijn en dat er juist gezocht wordt naar een werklocatie. Bij de keuze voor een werklocatie beschikken mensen die meer gespecialiseerd zijn en werken op een hoger niveau over een groter zoekgebied (Simpson, 1980). Dit hangt ook samen met de eerder beschreven centrale-plaatsentheorie van Walter Christaller (1933), grote centrale plaatsen beschikken over een omvangrijk achterland en bedienen een grotere markt, dit leidt tot de aanwezigheid van meer gespecialiseerde arbeidsplekken. De locatie waar men woonachtig is heeft meer invloed op de arbeidslocatie dan dat dit andersom het geval is (van Wee, 1994). Wanneer de reisafstanden en tijden naar werkadressen te groot worden, besluiten pendelaars eerder de werklocatie te wijzigen dan te verhuizen (van Wee, 1994).

Zoals eerder aangegeven kiest men een woonlocatie op basis van eigen individuele preferenties. Deze worden niet onderzocht maar er kan wel beredeneerd worden dat woningprijzen invloed hebben op woonlocatiekeuzes op groepsniveau. Hoge woningprijzen in stadscentra kan een drijfveer zijn om hier verder vanaf te gaan wonen, terwijl de arbeidsplekken dezelfde locatie behouden. De bid rent theory van Alanso (1960) legt de relatie bloot tussen de nabijheid van het stadscentrum en huurprijzen per vierkante meter. Deze theorie is geïllustreerd in afbeelding 2. De theorie geeft aan dat dichter bij het stadscentrum de huurprijzen hoger worden. Dit komt omdat men zo min mogelijk pendelkosten wilt hebben. Verder wonen van het stadscentrum betekent minder hoge huurprijzen maar wel meer reiskosten in zowel tijd als geld. Woningprijzen hebben dus invloed op de pendelafstand volgens de bid rent curve (Trussell, 2006).

Afbeelding 2: Bid rent curve geïllustreerd (bron: Trussell, 2006).

3. METHODEN

Om de vraag “In hoeverre hebben kenmerken van centrale steden invloed op de pendelstromen in het COROP-gebied?” te beantwoorden zal de invloed van verschillende kenmerken van de centrale steden geanalyseerd worden.

Om het onderzoek uit te voeren wordt gebruik gemaakt van kwantitatieve data. Deze data komt voort uit het Onderzoek Verplaatsingen in Nederland (OViN), vanaf 2010 tot stand gebracht door het Centraal Bureau van de Statistiek (Cbs.nl, 2017). Voor 2010 was dit het Mobiliteitsonderzoek Nederland (MON) dat ook werd uitgevoerd door het CBS. De gegevens zijn aangereikt door scriptiebegeleider dhr. prof. dr. P.P. Tordoir. Voor het verkrijgen van de data heeft het CBS gebruik gemaakt van persoonsenquêtes. De jaarlijkse steekproeven zijn van grote omvang. Elk jaar worden er tussen de 37350 en 44165 respondenten meegenomen in de data. De steekproefresultaten zijn vervolgens gewogen. De gebruikte data geeft informatie over pendelaars, hun bestemmingen, vertrekpunten, vervoerswijze, tijdstippen en verschillende achtergrond variabelen (Cbs.nl, 2017). Waarbij de data die in deze scriptie wordt gebruikt 226298 personen bevat

.

Verschillende kenmerken van deze groepen pendelaars kunnen bij deze data gefilterd worden. Vervolgens is het mogelijk deze data te exporteren naar een Microsoft Excel bestand. In dit bestand zijn telkens twee gemeentes en het aantal personen te zien die in de enquête hebben aangegeven dat zij tussen deze gemeentes pendelen, dit is aangegeven met het begrip count. Het door het CBS berekende gewicht wordt aangegeven als weight. Deze gewogen gegevens zijn vervolgens gebruikt in de analyses van deze scriptie. Met deze gegevens zijn de afhankelijke variabelen berekend. De afhankelijke variabelen en bijbehorende formules worden hierna besproken. Voor de onafhankelijke variabelen is een andere databron gebruikt, namelijk Statline. Dit is de online beschikbare databank van het CBS met betrekking tot verschillende thema’s. Voor de onafhankelijke variabelen zijn steeds de meest recente gegevens die beschikbaar zijn uit Statline gebruikt. 3.1 Onderzoeksopzet en analysemethode

Het research design van het onderzoek is cross-sectioneel. Er is gekozen alleen COROP-gebieden met een centrale stad met meer dan 100.000 inwoners mee te nemen in het onderzoek. De reden dat deze keuze is gemaakt is dat ervan uit wordt gegaan dat er een significant grotere centrale stad aanwezig moet zijn ten opzichte van andere steden in het COROP-gebied om een bepaalde mate van pendelpatronen zoals centraliteit te onderzoeken. In sommige COROP-gebieden zijn er twee centrale steden van ongeveer dezelfde grootte. Omdat er onderzoek wordt gedaan naar pendelpatronen zoals centraal of decentraal zijn deze uit de analyse gelaten. Het onderzoek spitst zich namelijk toe op kenmerken van één centrale stad in een COROP-gebied. Het combineren van verschillende kenmerken van twee centrale steden is onwenselijk omdat het een vertekend beeld kan geven. In onderstaande tabel 1 zijn de COROP-gebieden met hun centrale steden te zien. De naam van de centrale stad zal voornamelijk voor duidelijkheid gebruikt worden in de tekst als er gesproken wordt over een specifiek COROP-gebied.

COROP Centrale stad Groot-Amsterdam Amsterdam Overig Groningen Groningen Noord-Friesland Leeuwarden Noord-Overijssel Zwolle Twente Enschede Utrecht Utrecht Alkmaar en omgeving Alkmaar Agglomeratie Haarlem Haarlem Agglomeratie Leiden en Bollenstreek Leiden Agglomeratie ‘s-Gravenhage Den Haag Groot-Rijnmond Rotterdam Zuidoost-Zuid-Holland Dordrecht West-Noord-Brabant Breda Midden-Noord-Brabant Tilburg Noordoost-Noord-Brabant Den Bosch Zuidoost-Noord-Brabant Eindhoven Noord-Limburg Venlo Delft en Westland Delft Veluwe Apeldoorn Tabel 1: Gebruikte COROP-gebieden en bijbehorende centrale steden

Het onderzoek zal deductief van aard zijn, theorieën uitgewerkt in het theoretisch kader zullen toegepast en getoetst worden op de werkelijkheid. De analysemethode die gebruikt wordt om de invloed van deze kenmerken op pendelpatronen te onderzoeken is een kwantitatieve statistische methode, namelijk meervoudige lineaire regressieanalyse. Deze scriptie doet onderzoek naar hoe verschillende kenmerken van centrale steden invloed hebben op pendelpatronen. Er is dus sprake van meerdere onafhankelijke variabelen X, waarvan onderzocht wordt of en hoeveel invloed deze variabelen hebben op de afhankelijke variabelen Y. Voor kwantitatieve data legt een meervoudige lineaire regressieanalyse dit verband tussen variabelen bloot (Khosrow-Pour, 2013). De onderliggende wiskundige modellen van de regressieanalyse zijn ver ontwikkeld, en in relatie met een grote dataset van daadwerkelijk gegevens uit de realiteit kunnen sterke statistische conclusies worden gemaakt die gekoppeld kunnen worden aan de theorie (Montgomery, Peck and Vining, 2012). Het uitvoeren van een regressieanalyse gaat gepaard met enkele voor- en nadelen. Een voordeel is dat er sprake is van transparantie, de procedures en berekeningen zijn bekend waardoor de replicability hoog is. Daarnaast komt er bij dezelfde data ook dezelfde uitkomst, dit betekent dat de reliability van de analysemethode groot is. Een nadeel dat vaak genoemd wordt voor kwantitatief onderzoek, en dus de regressieanalyse, is dat de waaromvraag niet beantwoord wordt. Waarom heeft dit kenmerk precies deze invloed op de afhankelijke variabele? De ecological validity is laag hierdoor, de uitkomsten zouden niet generaliseerbaar zijn voor de werkelijkheid (Bryman, 2012). De data beschikt echter over een zeer groot aantal respondenten, om generaliseerbaarheid te vergroten en om juiste conclusies te kunnen trekken is gekozen alleen pendelstromen mee te nemen met meer dan 10 respondenten. Er wordt gepoogd de waaromvraag deels te beantwoorden door te reflecteren met de theoretische basis, die verklaringen kan bieden voor eventuele bevindingen.

3.2 Variabelen

Het is van belang uit te werken welke variabelen er gemeten moeten worden om tot een juiste dataverzameling te komen en deze meetbaar te maken. Zo wordt de onderzoeksvraag geoperationaliseerd. Deze variabelen zullen schematisch weergegeven worden in een conceptueel model.

3.2.1 Afhankelijke variabelen

De afhankelijke variabele komt uit de onderzoeksvraag naar voren als pendelpatronen. Deze kende zoals in het artikel van Van der Laan (1998) vier typen: centraal, decentraal, exchange-commuting en cross-commuting. Om deze pendelpatronen bloot te leggen en te operationaliseren wordt er gebruik gemaakt van twee formules die ook de twee afhankelijke variabelen vormen. Deze variabelen worden Nodality-1 (N1) en Nodality-2 (N2) genoemd. N1 benadert de mate van traditioneel pendelen door inkomende forenzen in de centrale stad te vergelijken met het aantal inkomende pendelaars in het hele gebied. In het artikel wordt dit gedaan voor daily urban systems. Deze scriptie zal dit doen aan de hand van COROP-gebieden. De formule voor N1 ziet er als volgt uit: 𝑁𝑜𝑑𝑎𝑙𝑖𝑡𝑦 − 1 = 𝐼𝑃. 𝐼𝑃_/ ∗ 100 IPc = aantal inkomende pendelaars van de centrale stad vanuit het COROP-gebied IPh = aantal inkomende pendelaars in het hele COROP-gebied, vanuit het hele COROP-gebied N2 legt het tegenovergestelde van traditioneel pendelen bloot. Namelijk hoeveel forenzen de centrale stad verlaten voor arbeidsaanbod erbuiten. Dit wordt vergeleken met het aantal uitgaande pendelaars van het hele gebied, dit is gelijk aan het aantal inkomende pendelaars van het hele gebied. N2 wordt volgens onderstaande formule berekend: 𝑁𝑜𝑑𝑎𝑙𝑖𝑡𝑦 − 2 = 𝑈𝑃. 𝑈𝑃/ ∗ 100 UPc = aantal uitgaande pendelaars vanuit de centrale stad richting het COROP-gebied UPh = aantal uitgaande pendelaars vanuit het hele COROP-gebied, richting het hele COROP-gebied. IPh = UPh N1 en N2 worden voor de COROP-gebieden uitgerekend en in een spreidingsgrafiek worden gezet. N1 komt op de verticale as, ingedeeld van laag naar hoog. N2 komt op de horizontale as van hoog naar laag. Aan de hand hiervan kan gekeken worden bij welk type pendelpatroon de COROP-gebieden horen. Vervolgens kan de invloed van kenmerken van de centrale stad op de scores op N1 en N2 van bijbehorende COROP-gebieden geanalyseerd worden aan de hand van een meervoudige regressieanalyse. Deze kenmerken van de centrale stad zijn de onafhankelijke variabelen.

3.2.2 Onafhankelijke variabelen

De eerste onafhankelijke variabele is het aandeel werkende hoogopgeleiden in de centrale stad gedeeld door het aantal inwoners van de centrale stad. Dit is een variabele op ratio meetniveau. Er wordt gedeeld door het totaal aantal inwoners zodat er verhouding ontstaat, zo komt een getal tussen 0 en 1 tot stand. 𝑎𝑎𝑛𝑑𝑒𝑒𝑙 𝑤𝑒𝑟𝑘𝑒𝑛𝑑𝑒 ℎ𝑜𝑜𝑔𝑜𝑝𝑔𝑒𝑙𝑒𝑖𝑑𝑒𝑛 = 𝑤𝑒𝑟𝑘𝑒𝑛𝑑𝑒 ℎ𝑜𝑜𝑔𝑜𝑝𝑔𝑒𝑙𝑒𝑖𝑑𝑒𝑛 𝑐𝑒𝑛𝑡𝑟𝑎𝑙𝑒 𝑠𝑡𝑎𝑑 𝑖𝑛𝑤𝑜𝑛𝑒𝑟𝑠 𝑐𝑒𝑛𝑡𝑟𝑎𝑙𝑒 𝑠𝑡𝑎𝑑 De gegevens die gebruikt worden in de berekening komen van het statline databestand van het CBS (Statline.cbs.nl, 2017) N1 en N2 kunnen afhankelijk zijn van het arbeidsaanbod voor hoogopgeleiden in de centrale stad. Dit biedt inzicht in de mate waarin kennis gecentraliseerd zou kunnen zijn of juist niet en illustreert de attractiviteit van de centrale stad. Als alleen het aantal werkende hoogopgeleiden zou worden gebruikt als variabele dan zou dit met name de grootte van de stad reflecteren, vandaar dat er gedeeld wordt door het totaal aantal inwoners. Grote centrale plaatsen beschikken over een omvangrijk achterland en bedienen een grotere markt, volgens de centrale-plaatsentheorie leidt dit tot de aanwezigheid van meer gespecialiseerde arbeidsplekken welke geschikt zijn voor hoogopgeleid. Dit zou de centrale steden ook attractiever kunnen maken.

Voor de volgende onafhankelijke variabelen is de gemiddelde prijs van koopwoning per centrale stad genomen, waarvan de statline database direct de benodigde gegevens biedt (Statline.cbs.nl, 2017). De gemiddelde prijs van koopwoningen wordt uitgedrukt in euro’s. Dit is wederom een ratio variabele.

De derde onafhankelijke variabele is de aanwezigheid van een universiteit in de centrale stad. Dit is een variabele op nominaal meetniveau. Dit soort variabelen kunnen niet direct worden meegenomen in een regressieanalyse, hiervoor moet gebruik worden gemaakt van een dummy. Bij het gebruik van een dummy variabele krijgt een optie de waarde 0 toegekend en de andere 1. Als er sprake is van een universiteit in de centrale stad dan wordt de waarde 1 gegeven, als dit niet het geval is de waarde 0.

De vierde onafhankelijke variabele is dichtheid in de centrale stad. Dichtheid is een variabele op ratio meetniveau. Dichtheid is het aantal inwoners per vierkante kilometer oppervlakte. Deze is niet zelf berekend maar komt direct uit dezelfde database van het CBS (Statline.cbs.nl, 2017).

Functiemengingsindex (FMI) is de vijfde onafhankelijke variabele. FMI kijkt naar de verhouding tussen de functies wonen en werken. Hiervoor is dezelfde berekening gebruikt zoals het Planbureau voor de Leefomgeving hanteert (Planbureau voor de Leefomgeving, 2009). Waarbij de gegevens van het totaal aantal arbeidsplekken en woningen per centrale stad van statline zijn gehaald (Statline.cbs.nl, 2017).

𝐹𝑀𝐼 = 𝑎𝑎𝑛𝑡𝑎𝑙 𝑎𝑟𝑏𝑒𝑖𝑑𝑠𝑝𝑙𝑒𝑘𝑘𝑒𝑛

𝑎𝑎𝑛𝑡𝑎𝑙 𝑎𝑟𝑏𝑒𝑖𝑑𝑠𝑝𝑙𝑒𝑘𝑘𝑒𝑛 + 𝑎𝑎𝑛𝑡𝑎𝑙 𝑤𝑜𝑛𝑖𝑛𝑔𝑒𝑛∗ 100

Hierdoor ontstaat er een getal tussen de 0 en 100, FMI is dus ook een variabele op ratio meetniveau. Als FMI nul is dan zijn er geen arbeidsplekken maar alleen maar woningen. Als het getal 100 is dan zijn er alleen arbeidsplekken en geen woningen. En bij bijvoorbeeld 50 zijn arbeidsplekken en woningen in gelijke proporties gemengd.

De laatste onafhankelijke variabele is het aantal banen in de centrale stad in de zakelijke dienstverlening gedeeld door het aantal inwoners van de centrale stad. Ook een variabele

op ratio meetniveau. Het aantal inwoners en banen in de centrale stad komen weer van de database statline van het CBS (Statline.cbs.nl, 2017). 𝑎𝑎𝑛𝑑𝑒𝑒𝑙 𝑧𝑎𝑘𝑒𝑙𝑖𝑗𝑘𝑒 𝑑𝑖𝑒𝑛𝑠𝑡𝑣𝑒𝑟𝑙𝑒𝑛𝑖𝑛𝑔 = 𝑏𝑎𝑛𝑒𝑛 𝑧𝑎𝑘𝑒𝑙𝑖𝑗𝑘𝑒 𝑑𝑖𝑒𝑛𝑠𝑡𝑣𝑒𝑟𝑙𝑒𝑛𝑖𝑛𝑔 𝑐𝑒𝑛𝑡𝑟𝑎𝑙𝑒 𝑠𝑡𝑎𝑑 𝑖𝑛𝑤𝑜𝑛𝑒𝑟𝑠 𝑐𝑒𝑛𝑡𝑟𝑎𝑙𝑒 𝑠𝑡𝑎𝑑 Net zoals bij hoogopgeleiden ontstaat door het vergelijken met het inwonersaantal van de centrale stad een waarde tussen 0 en 1. 3.3 Deelvragen en conceptueel model Om de onderzoeksvraag “In hoeverre hebben kenmerken van centrale steden invloed op de pendelpatronen in het COROP-gebied?” worden eerst de afhankelijke variabelen N1 en N2 nader bekeken en aan de hand hiervan COROP-gebieden gekoppeld aan de vier typen pendelpatronen. Vervolgens wordt de meervoudige regressieanalyse uitgevoerd waarbij bovenstaande onafhankelijke variabelen worden meegenomen. Het onderzoek kent dus twee deelvragen: - Welke typen pendelpatronen doen zich voor in de COROP-gebieden? - In hoeverre hebben kenmerken van de centrale steden invloed op pendelpatronen? Afbeelding 3: Conceptueel model (bron: auteur, 2017) Het conceptueel model, te zien op afbeelding 3, biedt een schematische weergave van het onderzoek. Centraal in het conceptueel model staan de afhankelijke variabelen N1 en N2. Deelvraag 1 is aangeduid door de rode omlijning. Hierin is vanuit N1 en N2 een pijl te zien richting de typen pendelpatronen, de richting van de pijl is gegeven omdat N1 en N2 de pendelpatronen zullen blootleggen. Het blauwe kader geeft het tweede deel van het onderzoek aan met deelvraag 2. De onafhankelijke variabelen zijn rechts te zien met pijlen richting N1 en N2. Er wordt namelijk gekeken naar de invloed van de onafhankelijke variabelen op de afhankelijke variabelen. 3.4 Regressieanalyse stappen Het programma SPSS Statistics wordt vanaf dit moment gebruikt. Er moet worden getoetst of er sprake is van een normale verdeling. Hierbij wordt er gekeken naar de frequenties van de waarden van de afhankelijke variabelen. Met een n (onderzoekseenheden) van lager dan 2000 is het gebruikelijk de Shapiro-Wilk toets te gebruiken (Razali & Wah, 2011). Er worden twee hypothesen opgesteld en a (alpha) vastgesteld:

H0 = er is sprake van een normale verdeling

H1= er is geen sprake van een normale verdeling.

a = 0,05

Als P hoger is dan 0,05 dan wordt H1 verworpen en H0 aangenomen. Dit betekent dat er

sprake is van een normale verdeling. Het is onwaarschijnlijk dat een normale verdeling tot stand komt bij een zeer kleine steekproef zoals in deze scriptie is gebruikt. Vandaar dat er nog gekeken wordt naar een histogram waar de dataverdeling te zien is om te controleren waar de data eventueel uitschieters bevat.

Vervolgens kunnen de hypothesen voor de regressieanalyses vastgesteld worden. Deze zullen er zoals volgt uitzien:

H0 = de onafhankelijke variabelen hebben geen invloed op de afhankelijke variabele

(coëfficiënt van nul)

H1 = de onafhankelijke variabelen hebben een wel invloed op de afhankelijke variabele.

De a voor het significantieniveau is vastgesteld op 0,05. De regressie wordt vervolgens ‘uitgedraaid’. Bij een meervoudige regressieanalyse komt voor elke onafhankelijke variabele een coëfficiënt tot stand die terug te zien zijn in de regressievergelijking. De regressievergelijking voor een meervoudige regressieanalyse ziet er als volgt uit:

𝑌 = 𝛽_H 𝑋_H + 𝛽_J 𝑋_J + 𝛽_K 𝑋_K … + 𝛽_M

X1 is de waarde van de eerste onafhankelijke variabele en 𝛽1 de coëfficiënt. Voor de tweede

onafhankelijke variabele is dit X2 en 𝛽2, voor de derde X3 en 𝛽3 en zo gaat het door voor alle

onafhankelijke variabelen. 𝛽M is het snijpunt als X nul is, de constante. De uitkomst Y is de

uitkomst gemiddelde van de afhankelijke variabelen als de waardes van de onafhankelijke variabelen zijn ingevuld (Park, 2011).

SPSS geeft bij de analyse een ANOVA-tabel. In deze tabel zijn enkele belangrijke cijfers te vinden voor het verwerpen van H0 of H1. De ANOVA-tabel geeft aan in hoeverre het model

significant de variantie verklaard. Het eerste cijfer van belang in deze tabel is een significantieniveau te zien (Sig./P). Deze zou lager dan 0,05 moet zijn. Verder is er nog een F te vinden in de tabel. Deze waarde moet vergeleken worden met de F critical value. Deze kan gevonden worden in een distributie tabel. De degrees of freedom uit de ANOVA-tabel geven aan waar de F critical value te vinden is in de distributie tabel. Het eerste getal is de regression df. Het tweede getal is de df total minus het aantal variabelen dat wordt meegenomen in de analyse, inclusief de afhankelijke variabele.

Als er sprake is van een hogere F dan F critical value in combinatie met P < 0,05 dan wordt H0 verworpen en H1 aangenomen.

Als het blijkt dat H1 wordt aangenomen dan betekent dit dat de onafhankelijke variabele(n)

invloed hebben op de afhankelijke variabelen. Vervolgens kan er gekeken worden naar hoe sterk dit verband is. De vergelijking van de regressielijn wordt besproken. Een belangrijk getal is in de SPSS- tabel ‘Model Summary’ te vinden, namelijk R Square, ook wel determinatiecoëfficiënt genoemd. Dit getal laat zien in hoeverre het statistische model past bij de werkelijke datapunten. R Square laat zien in hoeverre de variantie in de afhankelijke

variabele wordt voorspelt door de onafhankelijk variabele. Het getal is altijd tussen de 0 en 1, waarbij 0 geen verklaring van variantie is en bij 1 alles kan worden verklaard door de onafhankelijke variabele. Als R Square met 100 wordt vermenigvuldigd dan ontstaat er een percentage. Bij bijvoorbeeld een R Square van 0,49 ontstaat er 49%. Dit betekent dus dat 49% van de variantie in de afhankelijke variabele kan worden verklaard door de onafhankelijke variabele (Lee & Lee, 2007).

4. HYPOTHESE

De algemene hypothese van dit onderzoek is dat de kenmerken van de centrale stad invloed hebben op welke pendelpatronen zich voordoen in COROP-gebieden. Een nauwkeurige beschrijving van de hypothese geeft aan welke invloed van de verschillende kenmerken wordt verwacht, wat ook wijst op waarom deze onafhankelijke variabelen zijn gekozen. Daarnaast heeft het theoretisch kader afgezien van het vormen van een wetenschappelijke basis ook de verwachtingen van de invloed van de onafhankelijke variabelen op de afhankelijke variabelen gevormd.

De invloed van woningprijzen in de centrale stad dat wordt verwacht is gerelateerd aan de bid rent theory. Pendelaars zoeken naar de meest voordelige afstemming tussen woonkosten en de kosten van het pendelen. Als de woonkosten in stadscentra te hoog zijn is de kans groot dat pendelaars besluiten meer perifeer te wonen, ondanks dat de arbeidsplek hier wel gevestigd blijft. De verhoging in pendelkosten die hierdoor ontstaat, dit hoeft niet per se in geld uitgedrukt te zijn, weegt niet op tegen het voordeel in woonkosten. Hogere woningprijzen in stadscentra zorgen dus voor een meer centraal pendelpatroon omdat arbeidsplekken wel in de centrale stad blijven.

Inwonersdichtheid in de centrale stad zou ook van invloed kunnen zijn op de pendelstructuren. Een hogere dichtheid zou zoals beschreven is in het theoretisch kader kunnen betekenen dat er meerdere voorzieningen aanwezig zijn in de ruimte. Mensen zijn namelijk deels afhankelijk van voorzieningen, als er meer mensen binnen dezelfde oppervlakte aanwezig zijn is de vraag naar deze voorzieningen groter. Daarnaast is het mogelijk dat bedrijven of culturele voorzieningen zich eerder vestigen waar de dichtheid hoger is, omdat zij op deze manier voor meer mensen bereikbaar zijn binnen een bepaalde afstand.

Volgens de centrale-plaatsentheorie zijn beschikken centrale plaatsen over een omvangrijker achterland en bedienen een grotere markt waardoor gespecialiseerde producten en services hier aanwezig zijn. Deze hoge mate van specialisatie vereist hoogopgeleiden. Het aandeel hoogopgeleiden in een stad zou dit kunnen reflecteren en inzicht kunnen bieden in de attractiviteit van centrale steden. Als er in verhouding veel hoogopgeleiden in de centrale stad aanwezig zijn zou dit kunnen betekenen dat centrale steden aantrekkelijk zijn. Steden bieden daarnaast ontmoetingsplekken en een belangrijk speelveld in kennisintensieve kringen, waardoor het zo zou kunnen zijn dat pendelaars vanuit het COROP-gebied hiervoor richting de centrale stad trekken. De zakelijke dienstverlening is dan ook een onafhankelijke variabele die wordt onderzocht. Het is opgevallen dat banen in de zakelijke dienstverlening sterk vertegenwoordigd zijn in de grotere steden in Nederland. Op dit vlak zou de centrale stad dus ook als magneet kunnen functioneren in het COROP-gebied en op deze manier invloed hebben op pendelpatronen. Universiteiten staan daarentegen ook centraal in de huidige stedelijke kenniseconomieën. De aanwezigheid hiervan zou dus ook kunnen betekenen dat centrale steden op dit vlak attractiever is.

Het laatste kenmerk van de centrale stad is de FMI. Als de functies wonen en werken meer gemengd zijn in een centrale stad, in plaats van een grote overhand van een van de twee, dan zou het zo kunnen zijn dat pendelaars eerder een geschikte arbeidsplek nabij hun woonlocatie kunnen vinden. Als er sprake is van juist veel arbeidsplekken tegenover woningen dan kan de centrale stad juist een aantrekkelijke arbeidsmarkt vormen voor

werkenden elders in het COROP-gebied. Het tegenovergestelde, veel woningen ten opzichte van arbeidsplekken, zou ervoor kunnen zorgen dat een groot deel van de pendelaars de centrale stad verlaat voor een arbeidsplek. Het lokale aanbod van arbeid zou dan niet toereikend genoeg zijn voor de lokale vraag.

5. PENDELPATRONEN IN COROP-GEBIEDEN

Deelvragen dienen als stappen in het proces om dichterbij een antwoord te komen op de onderzoeksvraag. In dit hoofdstuk zal de deelvraag “Welke typen pendelpatronen doen zich voor in de COROP-gebieden?”. Het conceptueel model uit het methodendeel heeft laten zien dat deze deelvraag vanuit de afhankelijke variabelen N1 en N2 pendelpatronen zouden moeten blootleggen. In het artikel van Van der Laan (1998) is dit op gelijke wijze gedaan voor daily urban systems, deze scriptie gaat kijken welke pendelstructuren COROP-gebieden laten zien. Aan de hand van de formules zoals eerder weergegeven zijn de afhankelijke variabelen berekend. In tabel 2 is per centrale stad de uitkomst van N1 en N2 weergegeven. Voor verdere specificering zijn alle gegevens uit de berekening weergeven in bijlage 1. Centrale stad N1 N2 Amsterdam 45,2 36,9 Groningen 49,7 22,0 Leeuwarden 69,2 18,2 Zwolle 52,6 18,9 Enschede 24,5 17,2 Utrecht 39,6 18,2 Alkmaar 56,0 26,8 Haarlem 45,1 47,3 Leiden 35,6 20,9 Den Haag 51,1 33,2 Rotterdam 58,3 21,0 Dordrecht 29,5 18,7 Breda 26,7 15,6 Tilburg 42,4 35,5 Den Bosch 30,1 14,9 Eindhoven 43,4 19,1 Venlo 49,4 20,7 Delft 43,0 24,3 Apeldoorn 20,3 11,5

Tabel 2: Centrale steden van COROP-gebieden en afhankelijke variabele N1 en N2 (bron: auteur, 2017).

De laagste waarde van N1 is 20,3 voor Apeldoorn en het hoogste is te vinden bij Leeuwarden, 69,2. Een groot verschil als 0 het minimum is en 100 het maximum. Dat er sprake is van grote verschillen in N1 betekent dat er veel variatie is in de mate waarin pendelaars richting centrale steden reizen. Een hoge N1 geeft aan dat een groot deel van de beroepsbevolking in het COROP-gebied richting de centrale stad pendelen. Daarnaast wijst dit ook op een laag niveau van cross-commuting, dat er relatief weinig forenzenstromen te vinden zijn tussen de gemeenten buiten de centrale stad. De variabele N2 varieert tussen de 11,5 bij Apeldoorn en 47,3 van Haarlem. Een hoog getal bij N2 duidt erop dat de gemeenten buiten de centrale stad als belangrijke plekken dienen voor het arbeidsaanbod in het

COROP-gebied. Op zichzelf, maar zeker in combinatie met hoog niveau cross-commuting, betekent dit een zeer decentraal pendelpatroon. Om een overzicht te krijgen van de resultaten en bij welk typen pendelpatroon de COROP-gebieden passen kan er gekeken worden naar grafiek 1.

Grafiek 1: Resultaten afhankelijke variabelen N1 en N2 (bron: auteur, 2017).

De tendens die te zien is als er gekeken wordt naar de grafiek in zijn algemeenheid is dat veel regio’s aan de rechterkant liggen. Deze ligging in de grafiek komt door een lage N2. Een lage N2 betekent dat de uitgaande pendelstromen vanuit de centrale stad richting het COROP-gebied gering zijn. Veel mensen die in de centrale stad woonachtig zijn, zijn hier ook werkzaam. De vraag naar arbeid in de centrale stad is toereikend genoeg om het lokale aanbod te voorzien van werkplekken. Daarnaast valt het op dat veel COROP-gebieden neigen naar cross-commuting. Met name Dordrecht, Den Bosch, Breda, Enschede en Apeldoorn. Apeldoorn is het meest extreme geval van cross-commuting. Lage waardes in N1 gaan in de meeste COROP-gebieden in Nederland hand in hand met lage waardes in N2, dit wijst op twee situaties. Ten eerste betekent dit dat de pendelstromen van forenzen die woonachtig zijn buiten de centrale stad ook buiten de centrale stad blijven. Ten tweede wijst cross-commuting erop dat bewoners van de centrale stad grotendeels ook lokaal van een arbeidsplek voorzien zijn en zij pendelen weinig elders in het COROP-gebied. Weinig pendelstromen van en naar de centrale stad duidt op een duaal verdeelde pendelstructuur in deze COROP-gebieden. De centrale stad voorziet voornamelijk van zijn eigen vraag en aanbod van arbeid, maar dit geldt ook voor de andere gemeenten buiten de centrale stad. De centrale stad heeft in deze gevallen alleen op lokaal niveau aantrekkingskracht.

Het meest gecentraliseerde pendelpatroon is terug te vinden in het COROP-gebied met als centrale stad Leeuwarden, Rotterdam komt als tweede. N2 is laag, maar N1 is daarentegen zeer hoog. Een overgroot deel van de pendelstromen zijn gericht op de centrale stad. Deze functioneert dan ook als magneet in het COROP-gebied dat arbeid uit de omgeving aantrekt. Forenzen die wonen in de centrale stad werken hier ook. De andere gemeenten trekken nauwelijks forenzen aan en spelen in het COROP-gebied maar een kleine rol in het aanbod van arbeid. Dit is dan ook het traditionele model van in de stad werken maar erbuiten wonen.

Het COROP-gebied met een meer decentraal pendelpatroon en exchange-commuting is Haarlem. N1 ligt voor deze centrale stad echter in het midden, waardoor niet een van de twee pendelpatronen aangewezen kan worden. Bij Haarlem is er sprake van een hoog resultaat bij N2. Veel forenzen uit Haarlem reizen dus naar een werkplek elders in het COROP-gebied. De gemeenten die buiten de centrale stad liggen functioneren daarom als belangrijke plekken op de arbeidsmarkt in het COROP-gebied.

Enkele COROP-gebieden liggen relatief in het midden van de grafiek, zoals Amsterdam, Den Haag en Tilburg. Zowel N1 als N2 kennen in deze gevallen geen extreme waarden. Er is sprake van inkomende en uitgaande pendelstromen in de centrale stad, forenzen die buiten de centrale stad wonen en er ook buiten werken en inwoners van de centrale stad die binnen de gemeentegrenzen pendelen.

Er zijn geen COROP-gebieden met exchange-commuting als pendelpatroon onder de onderzochte COROP-gebieden. Dit is ook niet onwaarschijnlijk omdat in het geval van exchange-commuting pendelstromen alleen vanuit de stad naar de regio gaan en vanuit de regio naar de stad. De onderzochte COROP-gebieden laten dus geen spatial job mismatch zien aan de hand van pendelstromen.

5.1 Pendelpatronen in de Randstad

De Randstad kent een belangrijke rol in de Nederlandse economie en zorgt voor de helft van het bruto binnenlands product van Nederland. De vier grootste steden van Nederland bevinden zich in deze conurbatie, dit zijn Amsterdam, Rotterdam, Den Haag en Utrecht. De naam Randstad suggereert dat er sprake is van een als geheel functionerende stad. Met Amsterdam als culturele hoofdstad, Den Haag als politieke hoofdstad, Utrecht met centrale ligging en Rotterdam als gateway in combinatie met kleinere steden en arbeid op hoogniveau wordt de Randstad als Europees rolmodel gezien van regionaal polycentrisme (Lambregts, 2009). Deze functies doen vermoeden dat pendelaars buiten de steden voornamelijk naar deze vier steden toe zullen trekken, waardoor het des te interessanter is om te kijken hoe deze steden functioneren binnen hun eigen COROP-gebied. De pendelpatronen die de afhankelijke variabelen blootleggen zijn op Rotterdam na juist niet centraal.

Amsterdam, als grootste stad, ligt vrij centraal in grafiek 1. Betreffende N1 ligt Amsterdam het meest in het midden van de Y-as terwijl N2 tegenover andere regio’s hoger is. Pendelaars uit het COROP-gebied reizen in zekere mate naar arbeidsadressen in Amsterdam. Maar tegelijkertijd heeft Amsterdam op Haarlem na de hoogste score op N2, wat betekent dat veel arbeidskrachten vanuit Amsterdam naar andere steden in het COROP-gebied reizen voor werk. Uit het theoretisch kader bleek dat Amsterdam en Eindhoven de grootste bijdragers zijn in de groei van de economie en innovatie. Betreffende pendelstructuren hebben zij gemeenschappelijk dat N1 relatief in het midden ligt. Dit betekent dat er in

zekere mate sprake is van inkomende pendelstromen. Eindhoven heeft daarentegen een lagere N2 en kent in verhouding minder uitgaande pendelstromen, het lokale aanbod van arbeid speelt hier dus een belangrijke rol. Utrecht heeft ondanks de nationale centrale ligging geen sterke centrale functie in het eigen COROP-gebied. Pendelstromen worden hier gekarakteriseerd door een lage N2 en een, iets minder sterk, lage N1. Hierdoor neigt Utrecht meer naar cross-commuting. Pendelaars uit de centrale stad werken voornamelijk in de eigen stad en mensen die wonen buiten de centrale stad werken ook buiten de centrale stad. Dit is iets meer genuanceerd door een iets hogere N1, wat duidt op iets meer pendelaars richting de centrale stad.

Den Haag ligt ongeveer op dezelfde plek in de grafiek als Amsterdam maar met een iets hogere N1 en ietwat lagere N2. Dit betekent dat Den Haag een meer centrale functie heeft in het COROP-gebied dan Amsterdam. In verhouding reizen meer pendelaars vanuit het COROP-gebied richting de centrale stad en minder vanuit de centrale stad elders in het COROP-gebied.

Zoals eerder beschreven, bezet Rotterdam de hoogste positie in termen van centraliteit binnen het COROP-gebied. Dit wordt bepaald door de combinatie van een hoge N1 en lage N2. Rotterdam trekt veel forenzen aan vanuit het COROP-gebied en functioneert als magneet op de arbeidsmarkt. Uitgaande pendelstromen vanuit Rotterdam zijn gering en mensen die in de centrale stad wonen, werken hier ook voornamelijk.

Als de grootste steden van de Randstad vergeleken moeten worden aan de hand van de indeling Noord- en Zuidvleugel dan is er onderscheid terug te vinden in de waardes van N1. De twee steden in de Noordvleugel, Amsterdam en Utrecht, hebben beide een lagere N1 dan de twee grootste steden in de Zuidvleugel, Rotterdam en Den Haag. Zij trekken dus in verhouding minder pendelaars aan uit het COROP-gebied.

De gegevens van de afhankelijke variabelen bieden alleen informatie over welke pendelpatronen zich voordoen in de COROP-gebieden. Zo is het niet direct duidelijk waarom Rotterdam een meer centraal pendelpatroon heeft dan bijvoorbeeld Amsterdam. In het volgende deel wordt hier een antwoord opgezocht.

6. INVLOED VAN KENMERKEN VAN CENTRALE STEDEN

In dit hoofdstuk wordt de tweede deelvraag “In hoeverre hebben kenmerken van centrale steden invloed op de pendelpatronen in het COROP-gebied?” behandeld. Hier worden N1 en N2 die in het vorige hoofdstuk pendelpatronen lieten zien in verband gebracht met kenmerken van de centrale steden. Met behulp van meervoudige regressieanalyses kan onderzocht worden hoe deze afhankelijke variabelen beïnvloedt worden door de onafhankelijke variabelen. De onafhankelijke variabelen zijn de kenmerken van de centrale steden, deze zijn: FMI, inwonersdichtheid, aanwezigheid universiteit, gemiddelde prijs koopwoningen, aandeel hoogopgeleiden en aandeel banen zakelijke dienstverlening. Eerst zullen beide regressieanalyses beschreven worden waarna de interpretatie van de resultaten volgt. De gebruikte gegevens van de onafhankelijke variabelen zijn te zien in bijlage 2 en 3. 6.1 Meervoudige regressieanalyses Voordat de regressieanalyse kan worden uitgevoerd en gekeken kan worden naar de invloed van de onafhankelijke variabelen wordt er getest of de data normaal verdeeld is, dit kan aan de hand van een Shapiro-Wilk test, met aanvullende Normal Q-Q plots en histogrammen. 6.1.1 Normale verdeling De Shapiro-Wilk test kan uitgevoerd worden voor N1 en N2 om te kijken of er sprake is van een normale verdeling. Dit is echter onwaarschijnlijk bij een steekproef met maar een n van 19. De hypothesen voor de Shapiro-Wilk test luiden: H0 = de data is normaal verdeeld H1 = de data is niet normaal verdeeld a = 0,05

Shapiro-Wilk

Statistic

df

Sig.

N1

,978

19

,921

Tabel 3: SPSS normale verdeling toets voor afhankelijke variabele N1 (bron: auteur, 2017). De Shapiro-Wilk toets voor N1 laat een significantieniveau van 0,921 zien, deze is hoger dan 0,05 waardoor H1 wordt verworpen en H0 wordt aangenomen. De data van afhankelijke

variabele N1 is dus normaal verdeeld. De toets voor N2 is hieronder in tabel 4 te zien.

Shapiro-Wilk

Statistic

df

Sig.

N2

,860

19

,010

Het significantieniveau van de Shapiro-Wilk toets voor N2 ligt met 0,10 < P waardoor H1 wordt aangenomen. De data is dus niet normaal verdeeld. In de Normal Q-Q plot van N2 in de rechtse onderstaande grafiek is ook een scheefheid te zien. Grafieken 2 en 3: Normal Q-Q plots voor N1 (links) en N2 (rechts) (bron: auteur, 2017). Een histogram van N2 kan meer duidelijkheid bieden over de verdeling van de datapunten. Deze is te zien in grafiek 3. Grafiek 4: SPSS histogram met normale verdeling curve voor N2 (bron: auteur, 2017). Het histogram in grafiek 4 laat zien dat de gegevens van N2 hoge frequenties hebben aan de linkerkant en dus veel data punten een lage waarde hebben. Aan de rechterkant is ook nog een datapunt te zien dat vrij afwijkt van de normale verdeling. Dit is Haarlem. Bij een kleine

n van 19 heeft dit direct grote invloed op de normale verdeling, dit is dan ook niet geheel onverwacht.

6.1.2 Regressieanalyse voor N1

De meervoudige regressieanalyses kunnen nu uitgedraaid worden, om te beginnen met N1. De Model Summary tabel is te zien in tabel 5.

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 ,52 ,28 -,08 13,1

Tabel 5: SPSS Model summary voor N1 (bron: auteur, 2017).

De Model Summary tabel geeft een R Square weer van 0,28. Dit houdt in dat 28% van de variantie in de afhankelijke variabele kan worden verklaard door de onafhankelijke variabelen. Dit is niet heel hoog en doet vermoeden dat het model geen significante verklarende kracht heeft. Om dit te verifiëren kan naar onderstaande ANOVA-tabel gekeken worden.

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 806,1 6 134,3 ,77 ,60b Residual 2072,2 12 172,6 Total 2878,4 18 Tabel 6: SPSS ANOVA-tabel voor afhankelijke variabele N1 (Bron: auteur, 2017) Tabel 6 geeft de ANOVA-tabel voor het model van de afhankelijke variabele N1 weer. Het significantieniveau is 0,60. Daarnaast is te zien dat F (6,11) = 0,77 waarbij een F critical value hoort van 3.09. F is lager dan F critical value en het significantieniveau is lager dan 0,05. Dit betekent dat H1 wordt verworpen en H0 wordt aangenomen het hele model geen

significante verklarende kracht biedt. Ook als er gekeken wordt naar de coëfficiënten tabel in tabel 7, is te zien dat voor geen enkele onafhankelijke variabele een significantieniveau van 0,05 is te zien. Tabel 7: Coëfficiënten tabel van afhankelijke variabele N1 (bron: auteur, 2017) Model B Sig. 1 (Constant) 42,8 ,49 FMI ,5 ,69 Aanwezigheid universiteit -13,0 ,19 Aandeel hoogopgeleiden -49,9 ,64 Bevolkingsdichtheid ,00 ,10

Aandeel zakelijke dienstverlening 147,8 ,35

6.1.3 Regressieanalyse voor N2

Dezelfde procedure wordt uitgevoerd voor Nodality-2. De Model Summary is in tabel 8 terug te vinden.

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 ,81 ,65 ,48 6,4

Tabel 8: Model Summary voor afhankelijke variabele N2 (bron: auteur, 2017).

Er is een R Square van 0,65 in tabel 8 te zien. Dit is hoger ten opzichte van de R Square van N1 van 0,28. De variantie in de onafhankelijke variabelen verklaren samen voor 65% de afhankelijke variabele, N2. Om hier betere conclusies over te kunnen trekken kan er gekeken worden naar de ANOVA-tabel in tabel 9.

Model

Sum of

Squares df Mean Square F Sig. 1 Regression 955,3 6 159,2 3,81 ,02b Residual 500,6 12 41,7 Total 1455,9 18 Tabel 9: ANOVA-tabel voor afhankelijke variabele N2 (bron: auteur, 2017). De ANOVA-tabel laat zien dat het significantie niveau 0,02 is, dit is lager dan 0,05. Daarnaast is F (6,11) = 3,81 en de F critical value 3.09. Dit betekent F > F critical value en samen met P < 0,05 leidt dit tot het aannemen van H1. Het model heeft dus een significante verklarend

kracht. De coëfficiënten tabel kan meer inzicht bieden in welke onafhankelijke variabelen invloed uitoefenen, deze is weergegeven in tabel 10.

Tabel 10: Coëfficiëntentabel voor afhankelijke variabele N2 (bron: auteur, 2017).

In de tabel is te zien dat bijna alle onafhankelijke variabelen een significantiewaarde van boven 0,05 hebben. Deze coëfficiënten voorspellen dus niet significant de waarde in Y, in dit geval N2. Alleen bij FMI is P < 0,05. Functiemengingsindex is blijkbaar wel relevant. Als de FMI stijgt met 1, dan daalt N2 met 1,6 volgens de coëfficiënt uit de regressieanalyse. Model B Sig. 1 (Constant) 86,4 ,01 Aanwezigheid universiteit -4,6 ,33 Werkende hoogopgeleiden / inwoners stad 6,2 ,90

Gemiddelde prijs koopwoning 2,521E-5 ,63

FMI -1,6 ,03

Zakelijke dienstverlening banen /

inwoners stad 139,9 ,08

6.2 Interpretatie resultaten

De variantie in de onafhankelijke variabelen zijn in grotere mate verklarend waarom mensen de stad verlaten dan erin komen. Het regressiemodel bij N1 geeft geen significantie. Bij N2 is dit wel het geval. Een variabele die succesvol genoeg in verband kan worden gebracht met de waarde in N2 is FMI. Dit betekent dus dat in hoeverre de functies wonen en werken gemengd zijn in de centrale stad samenhangt met hoeveel mensen de centrale stad verlaten voor een arbeidsplek. Een hogere FMI betekent een lagere N2. Een lagere N2 geeft aan dat de pendelstromen vanuit de centrale stad richting het betreffende COROP-gebied minder aanwezig zijn. Daarnaast werkt een groot deel van de inwoners van de centrale stad ook binnen de gemeentegrenzen en is zoals eerder beschreven de vraag naar arbeid in de centrale stad toereikend genoeg voor het lokale aanbod. Hoe hoger de FMI, des te meer arbeidsplekken ten opzichte van woningen in de centrale stad aanwezig zijn. Het verband met N2 is daarom logisch te verklaren. De aanwezigheid van meer arbeidsplekken ten opzichte van woningen in de centrale stad leidt tot minder uitgaande pendelstromen van de centrale steden richting de COROP-gebieden. Als er in verhouding meer arbeidsplekken aanwezig zijn in de centrale stad is de beschikbaarheid van werk hoger en hoeven pendelaars minder grote afstanden af te leggen voor arbeidsadressen. Het tegenovergestelde is ook waar, als er in verhouding meer woningen zijn dan is N2 hoger omdat de FMI lager is. In dit geval verlaten veel arbeidskrachten dagelijks de centrale stad richting het COROP-gebied, waardoor deze belangrijker is in het voorzien van arbeidsplekken in de regio.

Het verband geeft in principe bevestiging dat pendelaars er in veel gevallen voor kiezen om een zo kort mogelijke pendelafstand te hebben. Beschikbare arbeidsplekken worden opgevuld door forenzen uit de centrale stad, waar de afname van uitgaande pendelstromen op wijst. Het zou namelijk zo kunnen zijn dat ondanks de lokale beschikbaarheid van werk men toch elders werkt in het COROP-gebied omdat hier bijvoorbeeld arbeidsplekken zouden zijn die beter aansluiten bij de wensen van de werkenden. In combinatie met een lage N1, wanneer er weinig inkomende pendelstromen zijn richting de centrale stad, kan de hoogte van de FMI dus bepalend zijn voor een decentraal of cross-commuting pendelpatroon. Als er weinig inkomende pendelstromen zich voordoen kan een hoge FMI zorgen voor cross-commuting, een pendelstructuur die zich relatief veel laat zien in de Nederlandse COROP-gebieden. Een lage FMI kan in dit geval zorgen voor een decentraal pendelpatroon.

De attractiviteit van de centrale stad wordt niet significant in verband gebracht met de kennis gerelateerde kenmerken. Dit waren het aantal hoogopgeleiden en de aanwezigheid van een universiteit. De verwachting dat pendelpatronen in relatie kan worden gebracht met dat steden als ontmoetingsplekken en speelveld in kennisintensieve sectoren dienen wordt niet bekrachtigd door de regressieanalyse. Het deel van de hypothese dat de aantrekkelijkheid van centrale steden voor hoogopgeleiden uitwerkt in waarneembare pendelpatronen houdt geen stand. De centrale-plaatsentheorie gaf grond om te geloven dat pendelstructuren beïnvloedt kunnen worden door pendelende hoogopgeleiden, omdat in centrale steden meer gespecialiseerde voorzieningen aanwezig zijn die hoogopgeleide arbeidskrachten vereisen. Hiervoor is geen direct bewijs gevonden. Daarnaast is de hogere mate van vertegenwoordiging van de zakelijke dienstverlening in grotere steden geen verklarende factor voor pendelstructuren. Ook blijkt dat de bid rent theory, met als uitwerking hogere woningprijzen, geen significante samenhang heeft met meer centrale

pendelpatronen. De verwachting bestond dat door hogere woningprijzen forenzen besluiten elders te wonen terwijl arbeidsplekken wel in de centrale stad blijven, waardoor meer centrale pendelpatronen ontstaan. Inwonersdichtheid en de samenhang met een hogere dichtheid voorzieningen geeft ook geen verklaring voor de geobserveerde pendelpatronen. Inwonersdichtheid geeft dan ook geen aanzet om te vermoeden dat dit attractiviteit van centrale steden bepaald om er te werken en/of te wonen.