KING-thema 3: Woon- en leefklimaat. Methodologische verantwoording

Transcriptie

1 KING-thema 3: Woon- en leefklimaat Methodologische verantwoording

2 Atlas voor gemeenten Postbus GP UTRECHT T F E info@atlasvoorgemeenten.nl I Atlas voor gemeenten, Utrecht, 2012 Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm of op enige wijze, hetzij elektronisch, mechanisch, door fotokopieën, opnamen, of enig andere manier, zonder voorafgaande schriftelijke toestemming van de uitgever.

3 KING-thema 3: Woon- en leefklimaat Methodologische verantwoording

4

5 Inhoud 1 Inleiding 6 2 Huizenprijzen als indicator voor het woon- en leefklimaat 7 3 Verklaringsmodel 12 4 Verklarende variabelen 21

6 1 Inleiding KING werkt samen met Atlas voor gemeenten aan verklaringsmodellen die de relatieve score van een gemeente op een bepaald thema zo goed mogelijk verklaren uit kenmerken van die gemeente. Voor het thema Woon- en leefklimaat is een verklaringsmodel gebruikt waarbij de de gemiddelde vierkante meterprijs van een woning in een gemeente gecorrigeerd voor regionale factoren en de samenstelling van transacties - zo goed mogelijk wordt verklaard uit indicatoren die hier statistisch significant mee samenhangen. Deze indicatoren zijn vervolgens gegroepeerd naar categorieën verklarende kenmerken. Deze categorieën vormen de verklarende onderdelen in de grafieken op waarstaatjegemeente.nl. In deze achtergrondrapportage wordt kort ingegaan op de centrale indicator voor het woon- en leefklimaat in een gemeente, het achterliggende verklaringsmodel, de gebruikte indicatoren, de bijbehorende bronnen, en de bewerkingen die daarop zijn uitgevoerd.

7 2 Huizenprijzen als indicator voor het woon- en leefklimaat Verschillen in het woon- en leefklimaat van een gemeente zijn niet eenvoudig in een eenduidige indicator te vatten. Wat een goed of slecht woon- en leefklimaat wordt gevonden kan immers sterk verschillen tussen individuen. Voor het in beeld brengen van verschillen in woon- en leefklimaat tussen gemeenten is het echter onontkoombaar om uit te gaan van wat de gemiddelde Nederlander een aantrekkelijk woon- en leefklimaat vindt. Om het woon- en leefklimaat te meten ligt het het meest voor de hand om uit te gaan van het feitelijke gedrag van burgers. De plekken en gemeenten waar mensen graag willen wonen zullen logischerwijs de plekken zijn waar het woon- en leefklimaat het meest aantrekkelijk wordt gevonden. Hierbij is woon- en leefklimaat dus gedefinieerd als de (gewogen) som van alle factoren die mensen laten meewegen bij de keuze voor hun woonlocatie. In een vrije woningmarkt stemmen mensen met hun voeten; ze verhuizen van plekken met het minst aantrekkelijke woon- en leefklimaat naar plekken met het meest (of een meer) aantrekkelijke woon- en leefklimaat. In Nederland is er echter geen sprake van een vrije woningmarkt. Het woningaanbod is in Nederland gerantsoeneerd en afhankelijk van (deels nationaal) beleid. Op locaties waar de vraag naar woningen toeneemt, neemt niet automatisch het aanbod toe. Die toename van het aanbod heeft in Nederland de laatste jaren vooral plaatsgevonden op de van overheidswege meest gewenste uitbreidingslocaties. Dit zijn niet noodzakelijkerwijs de plekken waar de vraag naar woningen het hoogst was. Niet iedereen kan in deze situatie op de locatie van zijn eerste keuze wonen: er zijn simpelweg niet voldoende woningen of in elk geval betaalbare woningen op die plekken waar mensen het liefst zouden wonen. Het gevolg hiervan is dat de woonvoorkeur (en de waardering van de vooren nadelen van verschillende locaties) tot uiting komt in huizenprijzen: hogere prijzen op de meest aantrekkelijke woonlocaties en lagere prijzen op woonlocaties die minder aantrekkelijk worden gevonden. Huizenprijzen vormen daarmee een goede indicator voor de aantrekkelijkheid van het woon- en leefklimaat. Uiteraard zijn de huizenprijzen van grotere huizen hoger dan die van kleinere huizen. Hiervoor wordt gecorrigeerd door naar 7

8 de gemiddelde vierkante meterprijs te kijken. De bron van deze gegevens is de NVM. Het gaat hierbij om de gemiddelde prijs van verkochte woningen. De verkoopprijs per vierkante meter wordt uiteraard ook beïnvloed door het type huis: een vrijstaand huis zal een hogere vierkante meterprijs hebben dan een appartement op dezelfde locatie. De gemiddelde vierkante meterprijs op gemeenteniveau wordt dus mede beïnvloed door de samenstelling van de transacties in een bepaald jaar. Zolang deze samenstelling een correcte afspiegeling is van de koopwoningvoorraad als geheel is dat geen probleem. Het aandeel appartementen in de voorraad moet dan bijvoorbeeld gelijk zijn aan het aandeel appartementen van de verkochte woningen. Maar omdat in bepaalde gemeenten bijvoorbeeld door de oplevering van een nieuwbouwwijk de samenstelling van de transacties in een jaar kan afwijken van de samenstelling van de voorraad moet de gemiddelde vierkante meterprijs gecorrigeerd worden voor deze transactiesamenstelling. Naast koopwoningen bestaat de woningvoorraad uiteraard ook uit sociale en particuliere huurwoningen. In een vrije huurmarkt worden verschillen in vraag naar woningen (ook) weerspiegeld in verschillen in huurprijzen: op plekken waar veel mensen willen wonen zal de gemiddelde huurprijs hoger zijn dan op plekken waar dat niet het geval is. Op de particuliere huurmarkt werkt dat ook zo, maar landsdekkende gegevens hierover op een laag ruimtelijk schaalniveau zijn er niet, mede omdat het aandeel particuliere huur in Nederland relatief klein is. Bij sociale huurwoningen is de vraag niet (of in elk geval slechts heel beperkt) gekoppeld aan de prijs: twee identieke huurwoningen waarvan er één in De Pijp in Amsterdam staat en de ander op het platteland in een grensregio hebben min of meer dezelfde prijs. De verschillen in vraag vertalen zich dan ook in wachtlijsten: op plekken waar veel mensen willen wonen zijn er lange wachtlijsten voor een sociale huurwoning en op plekken waar dat niet het geval is, zijn er geen of erg korte wachtlijsten. Gegevens over bijvoorbeeld de gemiddelde wachttijd voor het betrekken van een sociale huurwoning kunnen in principe als additionele indicator worden gebruikt. Deze zijn echter niet vrij en landsdekkend beschikbaar op een laag ruimtelijk schaalniveau en er zitten nog verschillende methodologische haken en ogen aan. 8

9 Dit maakt de vierkante meterprijzen van koopwoningen de best mogelijke indicator, waarbij uiteraard rekening moet worden gehouden met het feit dat de woningmarkt niet alleen uit koopwoningen bestaat. De afgelopen jaren zijn er verschillende studies verschenen die het relatieve belang van verschillende factoren voor de aantrekkingskracht van een bepaalde plek bepalen aan de hand van vierkante meterprijzen. 1 Uit die studies blijkt echter ook dat de verschillen in huizenprijzen tussen gemeenten voor een substantieel deel kunnen worden verklaard door factoren die op een hoger ruimtelijk schaalniveau spelen dan de gemeente, de wijk of de directe woonomgeving en de woning zelf. Factoren die de aantrekkingskracht van woonlocaties bepalen stoppen niet bij de grenzen van een gemeente. Zo profiteert Diemen bijvoorbeeld van de ligging naast Amsterdam. Amsterdam ligt immers voor de inwoners van Diemen voor werk binnen acceptabele reistijd en bepaalt hiermee mede de aantrekkingskracht van de woonlocaties in Diemen. En inwoners van bijvoorbeeld Haarlem profiteren van de ligging nabij natuurgebieden (duinen) in andere gemeenten. De aantrekkingskracht van een locatie wordt dus bepaald door kenmerken van de gemeente zelf én de ligging ten opzichte van andere gemeenten. 2 Omdat een belangrijke factor de ligging naast economische centra blijkt te zijn om precies te zijn het banenaanbod binnen acceptabele reistijd betekent dit dat de huizenprijzen in gemeenten in delen van Noord-Brabant maar vooral in de Randstad (en in het bijzonder in de Noordvleugel) gemiddeld hoger zijn. Dit is niet zozeer het gevolg van de kenmerken van de gemeente zelf, maar komt simpelweg door de ligging in Nederland. De vraag is in hoeverre er gecorrigeerd moet worden voor deze ligging. Enerzijds verklaren deze regionale factoren nu eenmaal een belangrijk deel van de verschillen in aantrekkingskracht tussen gemeenten. Anderzijds zijn het factoren die op een hoger niveau dan dat van gemeenten spelen en daardoor wellicht minder geschikt zijn voor het doel van waarstaatjegemeente.nl. Daar ligt immers juist de nadruk op factoren die op gemeentelijk niveau spelen. Er is uiteindelijk voor gekozen om te corrigeren voor de genoemde factoren die op regionaal niveau spelen. Hiermee ligt de nadruk op dat deel van het 1 Zie bijvoorbeeld P. Visser en F. Van Dam, 2006; De prijs van de plek (Ruimtelijk Planbureau - inmiddels Planbureau voor de Leefomgeving, Den Haag; G.A. Marlet, 2009: De aantrekkelijke stad (VOC Uitgevers, Nijmegen); H. de Groot, G. Marlet, C. Teulings, W. Vermeulen, 2010: Stad en land (Centraal Planbureau, Den Haag). 2 Zie ook S. Brakman, H. Garretsen, C. van Marrewijk, 2009: The new introduction to geographical economies (Cambridge University Press), p

10 woon- en leefklimaat dat wordt beïnvloed door factoren op het niveau van gemeenten, wijken en de directe woonomgeving (gecorrigeerd voor het type woning). Dit betekent dat de uiteindelijke afhankelijke variabele de gemiddelde vierkante meterprijs is gecorrigeerd voor de samenstelling van de transacties, voor het aantal banen binnen acceptabele reistijd (als indicator voor de ligging ten opzichte van de belangrijkste economische centra) en voor het aanbod natuur binnen acceptabele reistijd (zie laatste hoofdstuk voor een beschrijving). Het verschil tussen de gecorrigeerde en de feitelijke gemiddelde vierkante meterprijs kan worden beschouwd als de regionale component van de huizenprijs. Figuur 2.1 laat zien dat het effect van deze regionale component vooral groot is in de Randstad: een belangrijk deel van de huizenprijsverschillen tussen de Randstad en de rest van Nederland is dus het gevolg van het grote (regionale) aanbod van banen in de Randstad. 10

11 Figuur 2.1 Correctiefactor voor ligging t.o.v. werkgelegenheidsconcentraties en natuur per gemeente Hoog Laag s Bron: Atlas voor gemeenten 11

12 3 Verklaringsmodel De voor regionale factoren gecorrigeerde vierkante meterprijs van woningen biedt inzicht in hoe aantrekkelijk het woon- en leefklimaat in een gemeente wordt gevonden. Hierbij spelen factoren op het niveau van gemeenten, wijken en woningen een rol. Met een regressieanalyse (op 4-ppc-niveau) is onderzocht welke factoren significant samenhangen met de gemiddelde vierkante meterprijs van woningen in gemeenten. Uitgangspunt hierbij is een model dat in een eerdere fase was ontwikkeld. 3 Dit model is gebaseerd op verschillende, wetenschappelijke locatietheorieën. In het industriële tijdperk gingen jonge huishoudens om de fabriek wonen waar de kostwinner werkte. Ook de New Economic Geography van Nobelprijswinnaar Paul Krugman gaat er nog vanuit dat huishoudens alleen afkomen op hoge lonen en de beschikbaarheid van werk. Maar andere moderne locatietheorieën 4 gaan ervan uit dat huishoudens zich in hun woonbeslissing niet (alleen) laten leiden door de plek van het werk, maar een woonbeslissing nemen die is gebaseerd op de attractiviteit van de woning en de woonomgeving. Op basis van die verschillende locatietheorieën is al eens een empirisch model ontwikkeld waarmee de woonaantrekkelijkheid kan worden ingeschat en verklaard. Een deel van de factoren speelt echter op regionaal niveau en wordt later als correctiefactor voor de uiteindelijke indicator voor woon- en leefklimaat gebruikt. Op basis van de resultaten van dit eerdere model zijn er verschillende hypotheses geformuleerd over aanvullende factoren die mogelijk ook van invloed zijn op het woon- en leefklimaat. In figuur 3.1 is zowel het basismodel als de verschillende onderwerpen waarover hypotheses zijn geformuleerd weergegeven. Voor elk van de verschillende hypotheses zijn vervolgens indicatoren gezocht. Dit is voor de meeste hypotheses gelukt. Uitzonderingen hierop zijn indicatoren voor het effect van de aanwezigheid van breedbandinternet en het effect van een belemmering van het uitzicht door en/of de nabijheid van elektriciteitsmasten. Voor de nabijheid van openbaar vervoer is er wel een indicator voor de nabijheid van een treinstation gevonden, maar niet 3 G.A. Marlet, 2009: De aantrekkelijke stad (VOC Uitgevers, Nijmegen). 4 Zie o.a. E.L. Glaeser, J. Kolko, A. Saiz, 2001: Consumer City, in: Journal of Economic Geography, pp

13 voor het busvervoer. Voor de andere hypotheses zijn er in veel gevallen verschillende indicatoren gevonden. Een deel van de gegevens is afkomstig uit WoON een grootschalige enquête naar de woonbeleving. Het nadeel van gegevens uit enquêteonderzoek ten opzichte van gegevens uit registratiebestanden is de lagere betrouwbaarheid. Enquêtes worden immers afgenomen onder een steekproef van de bevolking terwijl registratiebestanden in principe gebaseerd zijn op de volledige bevolking. Voor kleine gemeenten kan de representativiteit daardoor beperkter zijn. Voor de significante variabelen uit WoON is vervolgens zo goed mogelijk rekening gehouden met de representativiteit (zie hoofdstuk 4). Figuur 3.1 Startmodel en hypotheses en aanvullingen Startmodel Bereikbaarheid banen Indicatoren voor overlast en onveiligheid Voorzieningen (o.a podiumkunsten, restaurants) Aandeel sociale huur Universiteit Afstand tot centrum Historische binnenstad Natuur (nabijheid natuurgebieden, water, ligging aan Noordzeekust) Hypotheses en aanvullingen Staat van onderhoud Tevredenheid directe woonomgeving Bouwperiodes woningvooraad Sociale cohesie Aanbod/nabijheid onderwijs en kinderopvang Aanbod /nabijheid zorg Nabijheid OV Milieu (kwaliteit) Uitzicht/nabijheid electriciteitsmasten Breedbandinternet Nabijheid winkels/winkelcentra Aanbod sportvoorzieningen Groen in de wijk Bron: Atlas voor gemeenten In tabel 3.1 tot en met 3.4 worden per onderwerp de gebruikte indicatoren voor de aanvullende hypotheses weergegeven. Elke indicator is vervolgens getest door deze apart toe te voegen aan het aangepaste basismodel: huizenprijzen gecorrigeerd voor regionale factoren. De regionale factoren waarvoor is gecorrigeerd zijn het aantal bereikbare banen binnen acceptabele reistijd (ligging in of nabij de economische centra in Nederland) en de oppervlakte natuur binnen acceptabele reistijd (ligging t.o.v. natuurgebieden in Nederland). In de tabellen is aangegeven wat het effect van elke individuele variabele was bij het toevoegen aan het basismodel. Vervolgens zijn de variabelen die het theoretisch en conceptueel verwachte effect hadden gecombineerd toegevoegd aan het basismodel. Een aantal 13

14 individueel significante - indicatoren bleek in dit uiteindelijke model niet meer significant. Dit wordt weergegeven in de laatste kolom van de tabellen. Tabel 3.1 Hypotheses, indicatoren en gevonden effecten (I) Hypothese Indicator Gevonden effect in model Individueel Gecombineerd Bouwperiodes Aandeel vooroorlogse woningen Positief effect Positief effect Aandeel vooroorlogse meergezins- of eengezinswoningen Aandeel woningen uit Negatief effect Negatief effect Aandeel woningen uit Aandeel eengezinsof meergezinswoningen uit Aandeel woningen uit Negatief effect Negatief effect Aandeel woningen uit Nabijheid OV Nabijheid treinstation (Atlas) Positief effect Positief effect 14

15 Tabel 3.2 Hypotheses, indicatoren en gevonden effecten (II) Hypothese Indicator Gevonden effect in model Individueel Gecombineerd Staat van onderhoud (WoON) Tevredenheid onderhoud Tevredenheid woning Positief effect Positief effect Woonomgeving (WoON) Tevredenheid bebouwde omgeving Positief effect Positief effect Tevredenheid directe woonomgeving Verhuiswens uit buurt Niet signicifiant Sociale cohesie in de buurt (WoON) % mensen dat vindt dat mensen in de buurt elkaar nauwelijks kennen % mensen dat vindt dat er een hoge mate van saamhorigheid is % mensen dat vindt dat mensen in de buurt prettig met elkaar omgaan Milieu (WoON) Stankoverlast Negatief effect Negatief effect Geluidsoverlast algemeen Geluidsoverlast de lucht via 15

16 Tabel 3.3 Hypotheses, indicatoren en gevonden effecten (III) Hypothese Indicator Gevonden effect in model Individueel Gecombineerd Onderwijs en kinderopvang (CBS) Gemiddeld aantal km tot kinderopvang Kinderopvangopties in een straal van 1, 3 en 5 km Gemiddeld aantal km tot basisschool Niet significant Niet significant Tegengesteld effect Basisschoolopties in een straal van 1, 3 en 5 km Gemiddeld aantal km tot middelbare school Tegengesteld effect (1 en 5 km) en niet significant (3 km) Negatief effect Negatief effect Sportvoorzieningen (CBS) Middelbare schoolopties in een straal van 3, 5, 10 km Aandeel recreatieterreinen in totaal landoppervlak Positief 3 en 5 km; niet significant 10 km Niet significant Positief effect; 3 en 5 km, grootste effect: 3 km Aandeel sportterreinen in totaal landoppervlak Niet significant Som en individueel aantal sporthallen, squash- en tennisbanen, en zwembaden per inwoner Niet significant 16

17 Tabel 3.4 Hypotheses, indicatoren en gevonden effecten (IV) Hypothese Indicator Gevonden effect in model Individueel Gecombineerd Zorgvoorzieningen 5 Ziekenhuizen binnen acceptabele reistijd (Atlas o.b.v. VGM) Niet significant Gemiddeld aantal km tot ziekenhuis (CBS) Negatief effect Ziekenhuizen binnen een straal van 5, 10 en 20 km (CBS) Niet significant Gemiddeld aantal km tot huisarts (CBS) Negatief effect Aantal huisartsen binnen een straal van 1, 3 en 5 km (CBS) Niet significant Winkelcentra Afstand tot dichtstbijzijnde grote winkelcentrum (CBS) Negatief effect Aantal winkels voor dagelijkse boodschappen binnen acceptabele reistijd (Atlas o.b.v VGM) Tegengesteld effect dan verwacht 6 Groen in de wijk Oppervlakte parken en plantsoenen als percentage van de bebouwde omgeving in een stad Positief effect Positief effect 5 Het CBS berekent op twee verschillende manieren de nabijheid van aanbieders van zorg. De eerste manier is door te kijken wat het gemiddeld aantal kilometers tot een zorgaanbieder is. Hierbij is de hypothese dat er een negatief effect is hoe verder weg een ziekenhuis, hoe hoger het aantal kilometers, wat een negatief effect op het woon- en leefklimaat zou kunnen hebben. De tweede manier is om te kijken naar het aantal zorgaabieders binnen een bepaalde straal. Hierbij is de hypothese dat er een positief effect is: hoe ruimer het aanbod binnen een bepaalde straal, hoe breder en diverser het zorgaanbod, wat mogelijk een positief effect op het woon- en leefklimaat heeft. Het is hierbij nog denkbaar dat dit type voorzieningen vooral voor ouderen meeweegt in de waardering voor het woon- en leefklimaat. 6 Een negatief effect terwijl een positief effect verwacht was. 17

18 Het uiteindelijke resultaat is weergegeven in tabel 3.5: een model waarbij het woon- en leefklimaat (gemeten aan de hand van voor regionale factoren gecorrigeerde vierkante meterprijzen van woningen) zo goed mogelijk is verklaard door verschillende variabelen. In de tabel zijn de variabelen geordend naar verschillende categorieën: voorzieningen, historiciteit, woningvoorraad, groen en blauw en leefbaarheid. Onder voorzieningen vallen het aanbod podiumkunsten, het culinaire aanbod, en het aanbod winkels voor mode en luxe (allemaal op gemeenteniveau). Deze variabelen hebben allemaal een positieve samenhang met het woon- en leefklimaat. Hiernaast is er een variabele voor het aantal universiteiten in een stad meegenomen (positief effect) en is de afstand van de woonplek tot het centrum meegenomen (negatief effect). Nabijheid tot een station heeft een positief effect op het woon- en leefklimaat en de twee onderwijsindicatoren duiden op een positief effect van de nabijheid van middelbare scholen: de afstand tot een middelbare school heeft een negatief teken en het aanbod scholen binnen een straal van 3 kilometer heeft een positief effect. Onder historiciteit vallen twee indicatoren die beide positief samenhangen met de waardering voor het woon- en leefklimaat: het aantal Rijksmonumenten t.o.v. de woningvoorraad en het aandeel vooroorlogse woningen in de woningvoorraad. Onder de categorie woningvoorraad vallen indicatoren die de (overige) bouwperioden, het aandeel sociale huurwoningen en de oordelen over de woning en de bebouwde omgeving meten. Het aandeel sociale huur heeft een negatief effect op het woon- en leefklimaat, net als het aandeel woningen uit de periodes en Het aandeel vrijstaande woningen heeft een positief effect op het woon- en leefklimaat. Tot slot valt een positief oordeel over de eigen woning en de bebouwde omgeving samen met een aantrekkelijk woon- en leefklimaat. De categorie groen en blauw bestaat uit indicatoren die de ligging aan de Noordzeekust, de aanwezigheid van water in de nabijheid van de woning, het aanbod natuur binnen de gemeente en de omvang van parken en plantsoenen in (stedelijke) woonwijken meet. Alle vier hangen positief samen met het woon- en leefklimaat. 18

19 Tabel 3.5 Wat zijn de achtergronden van het woon- en leefklimaat (voor regionale factoren gecorrigeerde huizenprijs)? Coëfficiënt T-waarde Voorzieningen Aanbod podiumkunsten (per inwoner) 14,6 3,6*** Culinair aanbod (per inwoner) 9,0 3,0*** Universiteitsstad 124,4 6,3*** Aanbod winkels mode en luxe (per inwoner) 9,1 7,7*** Afstand tot centrum -10,0-2,3*** Nabijheid station 162,3 1,7* Vestigingen voortgezet onderwijs binnen 3 km 13,3 3,9*** Gemiddelde afstand tot vestiging voortgezet onderwijs Historiciteit -13,9-3,6*** Aandeel Rijksmonumenten in woningvoorraad 4,0 1,0*** Aandeel vooroorlogse woningen 105,5 2,0** Woningvoorraad Aandeel woningen periode ,7-3,6*** Aandeel woningen periode ,5-4,6*** Tevredenheid woning 198,1 3,1*** Aandeel sociale huurwoningen -189,0-3,8*** Tevredenheid bebouwde woonomgeving 276,5 6,6*** Groen en blauw Ligging aan de Noordzeekust 544,5 7,6*** Groen in de wijk (in de stad) 178,4 2,6*** Water in de wijk 401,8 4,5*** Natuur binnen de gemeente 1,0 15,6*** Leefbaarheid Overlast en onveiligheid -623,7-8,0*** Geweldsmisdrijven -33,0-8,5*** Stankoverlast -3,2-1,9* Controlevariabelen Aandeel vrijstaande woningen in transacties 380,1 6,8*** Aandeel tussenwoningen -333,8-6,8*** Aandeel appartementen -272,8-5,0*** Aantal observaties: 2298; Verklaringskracht (adj. R 2 ): 0,63 Een + betekent dat die factor positief samenhangt met het woon- en leefklimaat (hoe hoger de waarde van die factor, hoe hoger de waardering voor het woon- en leefklimaat). Een - betekent dat die factor negatief samenhangt met het woon- en leefklimaat (hoe lager de waarde van die factor, hoe hoger de relatieve waardering voor het woon- en leefklimaat. De t-waarde geeft het significantieniveau van het gevonden verband weer: ***0,99; **0,95; *0,9. 19

20 De categorie leefbaarheid bestaat uit de mate van overlast en onveiligheid (zie thema 1), het aantal geweldsmisdrijven op gemeenteniveau en de mate waarin inwoners stankoverlast ervaren. Deze indicatoren hangen alledrie negatief samen met het woon- en leefklimaat. Tot slot zijn er nog controlevariabelen meegenomen die corrigeren voor het effect van de samenstelling van de transacties op de gemiddelde huizenprijs. 20

21 4 Verklarende variabelen De in het uiteindelijke verklaringsmodel (tabel 3.5) gebruikte variabelen zijn afkomstig uit verschillende bronbestanden. De tabellen 4.1 en 4.2 geven een overzicht van de definitie van de verklarende variabelen en de gebruikte bronbestanden. De gebruikte gegevens hebben betrekking op het jaar 2009 en De keuze voor deze (en niet meer recentere) jaren is gebaseerd op het feit dat een deel van de verklarende variabelen niet voor latere jaren dan 2009 beschikbaar waren. Als er te veel jaren tussen de afhankelijke en de onafhankelijke variabelen zitten, is de verklaringskracht logischerwijs beperkt waardoor gekozen is over deze jaren. De huizenprijzen zijn per De gegevens over woningvoorraad hebben betrekking op de stand in De indicatoren gebaseerd op WoON zijn afkomstig uit 2009 en 2006 (de meest recente jaren waarin WoON is uitgevoerd). De waarnemingen uit beide jaren zijn bij elkaar opgeteld om meer observaties te hebben zie ook de toelichting hieronder. Ten slotte is de indicator groen in de wijk gebaseerd op de bodemstatistiek van het CBS het meest recente jaar hiervan is De overige indicatoren hebben allemaal betrekking op De brondata zijn bewerkt en gecombineerd door Atlas voor gemeenten. Daarmee ontstaan indicatoren die zo goed mogelijk aansluiten bij de theorie, en ook voor kleinere gemeenten een betrouwbare analyse mogelijk maken. Bovendien zijn in alle gevallen gemeentegrenscorrecties uitgevoerd. Voor de constructie van de controle-indicatoren voor de bereikbaarheid van werk en de nabijheid van natuur is een methode gebruikt, die hieronder is beschreven. 21

22 Tabel 4.1 Definitie en bronnen van gebruikte verklarende variabelen Indicator Definitie Bronbestand Nabijheid banen Aantal banen binnen acceptabele reistijd vanuit perspectief van bewoners CBS;ESRl; AVV Nabijheid natuur Aanbod podiumkunsten Culinair aanbod Gewogen gemiddelde van het aantal hectare bos, heide, kust en open ruimte binnen acceptabele reistijd vanuit perspectief van bewoners Het aantal theatervoorstellingen en concerten in de gemeente (per inwoner) Gewogen gemiddelde van het aantal kwaliteitsrestaurants waarbij restaurants met 2 of meer Michelinsterren en die in de top (per inwoner) van Lekker zwaarder meewegen CBS;ESRl; AVV VSCD, VNPF, Muziek Centrum Nederland, Nederlands Uitburo, TIN Michelin, Lekker Universiteitsstad Aantal universiteiten VSNU Aanbod winkels mode en luxe Afstand tot centrum Vestigingen voortgezet onderwijs binnen 3 km Gemiddelde afstand tot vestiging voortgezet onderwijs Nabijheid station Aantal verkooppunten mode en luxe (per inwoner) Afstand (in km) tot het centrum van een gemeente Aantal vestigingen van scholen voor voortgezet onderwijs binnen 3 km Gemiddelde afstand in kilometers tot een vestiging van een school voor voortgezet onderwijs Reistijd naar dichtstbijzijnde station geïndexeerd naar een waarde tussen 0 en 1 op basis van reistijdwaardering van OV (hoe dichter bij 1 hoe dichter bij het station) VGM ESRl CBS CBS NS, CBS 22

23 Tabel 4.2 Definitie en bronnen van gebruikte verklarende variabelen Indicator Definitie Bronbestand Aandeel Rijksmonumenten in woningvoorraad Aantal Rijksmonumenten als percentage van de totale woningvoorraad Rijksdienst voor het Cultureel Erfgoed Aandeel vooroorlogse woningen Aandeel woningen periode Aandeel woningen periode Tevredenheid woning Aandeel sociale huurwoningen Tevredenheid bebouwde woonomgeving Ligging aan de Noordzeekust Groen in de wijk (in de stad) Water in de wijk Natuur binnen de gemeente Overlast en onveiligheid Geweldsmisdrijven Stankoverlast Het percentage woningen dat is gebouwd voor 1945 Het percentage woningen dat is gebouwd tussen 1945 en 1960 Het percentage woningen dat is gebouwd tussen 1971 en 1980 Percentage van de bevolking dat aangeeft tevreden te zijn met zijn woning Het aantal sociale huurwoningen als percentage van de woningvoorraad Percentage van de bevolking dat aangeeft tevreden te zijn met zijn bebouwde woonomgeving Dummyvariabele: wel (1) of niet (0) gelegen aan de Noordzeekust Oppervlakte parken en plantsoenen als percentage van de bebouwde oppervlakte in steden Aandeel oppervlaktewater in totale oppervlakte Aantal hectare bos, heide, kust en open ruimte in de gemeente Een gewogen samengestelde index die bestaat uit 9 indicatoren (zie achtergronddocument thema overlast en onveiligheid) Het aantal geregistreerde geweldsmisdrijven per 1000 inwoners Percentage van de bevolking dat aangeeft (wel eens) last te hebben van stank VGM: Syswov VGM: Syswov VGM: Syswov WoON VGM: Syswov WoON CBS CBS CBS Atlas voor gemeenten o.b.v IVM en KLPD CBS;KLPD WoON 23

24 Bereikbaarheid banen Bij de bereikbaarheid van banen gaat het om de bereikbaarheid van werk vanuit de gemeente, vanuit het perspectief van de inwoners (huishoudens). Ofwel: hoe goed kunnen mensen die in de betreffende gemeente wonen een gevarieerd aanbod banen in die gemeente en alle andere gemeenten in Nederland bereiken? Daarbij tellen banen die verder weg liggen minder zwaar mee dan banen dichtbij. De bereikbaarheid van banen is gebaseerd op de gemiddelde reistijdwaardering van Nederlandse werknemers. Daarbij is gerekend met werkelijke reistijden. Bereikbaarheid natuur De bereikbaarheid van natuur is op een vergelijkbare manier berekend als de bereikbaarheid van banen. Het aantal banen is echter vervangen door de oppervlakte van natuurgebieden (bron: CBS, Bodemstatistiek). Onder natuur zijn bossen, duinen en heidegebieden meegerekend alsmede Noordzeekust, groot binnenwater (meren) en open ruimte (landbouwgebied exclusief glastuinbouw). Open ruimte heeft hierbij een minder zware weging. Op die manier is berekend hoeveel natuur vanuit een gemeente binnen een bepaalde tijd bereikt kan worden. Daarbij is gerekend met reistijden per auto, zonder filecorrectie, omdat ervan wordt uitgegaan dat mensen buiten de spits naar recreatiegebieden rijden. De waarderingsfunctie is gebaseerd op het werkelijke reisgedrag van mensen ten behoeve van recreatie. Die wijkt af van de tijdwaardering in het woon-werkverkeer, die werd gebruikt bij het berekenen van de bereikbaarheid van banen. Variabelen uit WoON De variabelen tevredenheid woning, tevredenheid woonomgeving en stankoverlast zijn afkomstig uit WoON: een grootschalig enquêteonderzoek. Omdat het aantal geënqûeteerden per gemeente niet altijd groot genoeg is om een betrouwbaar beeld te geven kunnen de gegevens uit WoON niet direct gebruikt worden. De cruciale vraag is hoe groot de kans is dat een bepaalde gemiddelde score van de geënqûeteerden in een gemeente ook daadwerkelijk iets zegt over bijvoorbeeld de gemiddelde stankoverlast in een gemeente. Als bijvoorbeeld 50% van de geënqûeteerden in een gemeente stankoverlast ervaart terwijl het gemiddelde in Nederland 30% is, is het dan zo dat deze gemeente daadwerkelijk een hogere mate van stankoverlast heeft of valt dat simpelweg binnen de onzekerheidsmarge als gevolg van de beperkte omvang van de steekproef? Op basis van de steekproefomvang in een gemeente, de gemiddelde score in een gemeente 24

25 en de gemiddelde score voor Nederland als geheel is per gemeente bepaald welke afwijking van het gemiddelde een waarschijnlijkheid heeft van minstens 90%. De score voor de gemeente is dan gelijk aan de gemiddelde score van Nederland plus deze afwijking. Voor gemeenten met weinig geënqûeteerden is de afwijking gelijk aan nul en is de score gelijk aan het landelijke gemiddelde. Dit betekent dat alleen voor gemeenten die of flink afwijken of veel respondenten hebben de score anders is dan het landelijke gemiddelde. 25