PBL natuurgebieden en hotspotmonitor

Inzichtelijker data over natuurlijke hotspots in Nederland

Inleiding

Beschrijving hotspot monitor: Opzet project en doelstellingen

Historie: Data verzamelingspunten, kort overzicht resultaten tot nu http://library.wur.nl/WebQuery/wurpubs/fulltext/260208 http://www.greenmapper.org

Dit rapport

Brede vragen:

De eerste verkennende vraag is: welke typen gebieden worden het meeste gewaardeerd?

De Hotspotmonitor geeft inzicht in nationale, regionale, een buurt markers. Dit zijn plekken die door respondenten als “meest aantrekkelijk” worden gemarkeerd. Voor de buurtmarkers zijn respondenten het meest beperkt in welke zij mogen aankruisen, en een kaart van de punten van de buurtmarkers correspondeert dan ook vooral met de woonlocatie van de respondenten. De opzet van de Greenmapper data is een combinatie van steekproeven, waarbij zowel ruimtelijk representatief gesampled is (GFK sample 2013 en de Nationale Monitor sample), als geclustered gesampled (in het kader van specifieke projecten, GFK 2010, GMS_2015 en Almere). De ruimtelijke spreiding van de steekproeven is zichtbaar in de onderstaande kaarten. De verdeling van de respondenten over de verschillende surveys is als volgt:

. Freq
Almere 667
GFK 2010 4343
GFK 2013 1908
GMS 2015 1313
Nationale Monitor 2462

In de onderstaande kaarten zijn de buurt-markers geplot. Deze kaart geeft ook een benadering van de herkomst van de respondenten.

Voor de regionale markers mochten respondenten binnen een groter gebied (~20km) kiezen wat hun favoriete natuurlijke plek was, wat een breder spreidingspatroon oplevert.

Ten slotte mochten respondenten ook voor het hele land vrij aangeven wat hun favoriete plekken waren.

Nationale markers

In bredere zin kan Nederland opgedeeld worden in Stedelijk gebied, Agrarisch gebied, Natuur, en Water. In onderstaande kaart zijn de Nationale Hotspotmarkers afgezet tegen een dergelijke gebiedsindeling.

In onderstaande kaart is de regionale spreiding van nationale markers weergegeven in relatie tot de Nederlandse Ecodistricten. Een aantal patronen komen sterk naar voren. Ten eerste is duidelijk dat kustgebieden en gebieden dichtbij water hoog gewaardeerd worden, met een nagenoeg ononderbroken patroon van Zeeland tot aan de Waddeneilanden. Het zuiden van de Waddenkust wordt minder vaak aangekruisd als aantrekkelijk gebied, met uitzondering van het Lauwersmeer. Behavle de kustgebieden komen ook de (Hoge) Veluwe, Utrechtse Heuvelrug, en het Limburgse heuvellandschap positief naar voren, met kleinere hotspots zoals de Friese meren, het Drents-Friese Woud, de Oostvaardersplassen, en de Biesbosch.

ggplot(agg_full_region, aes(area=x, fill=Group.1, label=Group.2, subgroup=Group.2))+
  geom_treemap()+
  geom_treemap_subgroup_text(place="centre")+
  geom_treemap_subgroup_border(colour="black")+
  scale_fill_manual(values = c("#0000FF", "#FF0000", "#00CC00", "#00CCCC"))

De vervolgvraag is een counterfactual, waarin de vraag beantwoord wordt: In welke gebieden zouden met een kleine aanpassing de meeste vooruitgang in waardering teweeg moeten brengen?

Ondergebracht in:

Q1: Wat zijn de puntdichtheden per gebiedstype?

Q2: Welke gebiedsfactoren dragen bij aan deze puntdichtheden (lineair model, puntdichtheden ~ gebiedsdummies + ruimtelijk gewogen bevolkingdichtheid)

Q3: Suggestie: Uitwerken ruimtelijk interactiemodel country-points (of neighbourhood) en woonlokatie. Dit levert een ruimtelijke gewichtenmatrix (landniveau) van hoeveel frictie er is tussen waar mensen wonen en waar ze recreeëren.

Q4: Counterfactual: Vervolgens kunnen we Q3 gebruiken als afstandenmatrix voor een agent based model voor CBS huishouden data, waarbij we op basis van woonlokatie, huishoudentype, etc. een model schatten van waar Welke gebieden hebben momenteel de hoogste puntendichtheid per type? (beschrijvend) Welke determinanten bepalen welke gebieden een persoon waardeert op persoonsniveau? Welke determinanten op gebiedsniveau bepalen de puntendichtheid?

Regionale spreiding markers

De data

In dit rapport wordt gebruik gemaakt van de hotspotmonitor data, in alle Nederlandse data.

In de volgende kaarten wordt de geografische spreiding van de respondenten en de hotspotmarkers van de leefomgeving, de regio, en nationaal weergegeven. De gekozen vorm is een 2-dimensionaal dichtheidsplot (precisie: n(250 x 250)).

Uit bovenstaande kaarten blijkt dat de respondenten die momenteel in het bestand zitten (*let wel, er komt nog data bij, zoals ik het begrijp zijn er nog zo een 3300 markers in een ander databestand beschikbaar) met name uit Fryslân komen, wat voor een deel de concentratie van hotspotmarkers rondom het Waddengebied verklaart. Het ruimtelijk patroon van de leefomgeving volgt het ruimtelijk patroon van de respons, aangezien de bovengrens van waar de hotspotmarkers geplaatst mochten worden 2 kilometer van de eigen woning was.

Naarmate de respondenten meer vrijheid krijgen om hun regionale hotspots aan te kruisen zien we dat de concentratie van markers afzwakt en enigszins verspreidt. Op nationale schaal komen de belangrijkste nationale parken naar voren, zoals de Wadden, de Veluwe, en Zuid Limburg.

Deze vergelijkingen, waarbij de ruimtelijke coincidentie met nationale parken en landschappen op het oog wordt bepaald, hebben een aantal belangrijke beperkingen. Het vermoeden bestaat dat de waardering van de landschappen ingegeven is door specifieke landschappelijke kenmerken. Voorgaande analyses (zoals Langers et al. (2013)) hebben op basis van de ruimtelijke spreiding uitspraken gedaan over de patronen van hotspots in de data. Voor dit rapport is de doelstelling om meer beleidsrelevante informatie te geven op gebiedstype niveau. Om dit te bewerkstelligen worden de hotspotmarkers gekoppeld aan relevant veronderstelde gebiedstypologieën.

Consistentie van regio-typen: Kruisen mensen over verschillende afstanden vergelijkbare typen gebieden aan? Multidimensional scaling approach

Multi-dimensional scaling maakt het mogelijk om voor gebieden, op basis van een complexe set aan attributen, inzichtelijk te maken in hoeverre deze verschillen dan wel gelijk zijn voor de respondenten in de dataset. Creeer dissimilarity matrix gebaseerd op afstand tussen respondent en gebied, gebiedstypen (complex), en waadering (afhankelijk van data-kwaliteit). Afhankelijk van de resultaten van de MDS geven de dimensies inzicht in de onderliggende dimensies van bijvoorbeeld afstandperceptie / gebiedswaardering pvoor respondenten. Deze analyses zijn erg exploratief en niet geschikt voor inferentie, maar kunnen bijdragen aan de keuzes die verderop in de analyse gemaakt worden.

Multilevel analyse

Nationale markers: Dep=waardering|afstand|bezoekintensiteit, Level 1 = gebieden AvH, level 2 = gebieden EDgebieden

De multilevel analyse van de nationale markers biedt inzicht in de level 1 effecten (natuur / agrarisch / stedelijk / water), en vervolgens de level 2 effecten (ecoregio’s). Door dit onderscheid te maken krijgen we meer duidelijkheid over het onderscheid tussen wel of geen natuurgebied, of stedelijk gebied, en eventuele extra RHS variabelen (leeftijd, geslacht, gezinssituatie, opleidingsniveau). Inzicht in de level 1 invloeden van, bijvoorbeeld, of een gebied wel of niet een natuurgebied is, maakt een inschatting mogelijk van de toename in waardering bij het nieuw toewijzen van natuurgebieden.

Langers, F., A.E. Buijs, S. de Vries, J.M.J. Farjon, A. van Hinsberg, P. van Kampen, R. van Marwijk, F.J. Sijtsma, and S. van Tol. 2013. “Potenties van de Hotspotmonitor Om de Graadmeter Landschap Te Verfijnen.” Wettelijke Onderzoekstaken Natuur & Milieu - Werkdocument 321.