De woning en buurt van inbraakslachtoffers

Technische toelichting

Gegevensbron

Voor dit artikel is gebruik gemaakt van gegevens uit de Veiligheidsmonitor 2017(CBS, 2017). De VM is een grootschalige enquête onder de bevolking in Nederland van 15 jaar en ouder over thema’s als leefbaarheid in de buurt, veiligheidsbeleving,slachtofferschap van criminaliteit en aanverwante onderwerpen. De dataverzameling van de VM vindt plaats in de maanden augustus tot december door middel van internetvragenlijsten en papieren vragenlijsten. In 2017 deden in totaal bijna 150 duizend mensen mee aan het onderzoek. Het onderzoek wordt niet alleen uitgevoerd door CBS,maar deels ook door I&O Research. Dit externe onderzoeksbureau is verantwoordelijk voor een deel van het landelijke veldwerk (jaarlijks ongeveer 35 duizend enquêtes) en voor de lokale oversampling in opdracht van gemeenten en regionale verbanden.

Marges

Bij elk gepresenteerd percentage worden ook de marges gegeven bij een betrouwbaarheidsniveau van 95 procent. Dit betekent dat bij herhaald uitvoeren van het onderzoek het werkelijke percentage in 95 van de 100 steekproeven zal liggen tussen de grenzen vande marges weergegeven bij het percentage. In de staafdiagrammen worden de marges weergegeven door middel van zogeheten foutbalken in de staven (zien er uit als: ‘H’).

Methode

Door middel van bivariate analyses is nagegaan of woning- en buurtkenmerken van belang zijn voor de kans op slachtofferschap van woninginbraak en inbraakpreventie. Daarnaast is met multivariate logistische regressieanalyse bekeken of de geconstateerde verschillenzoals vastgesteld blijven bestaan wanneer alle kenmerken in één model worden opgenomen.

Met behulp van multilevel-analyse kan worden onderzocht of de inbraakkans van woningen in eenzelfde buurt meer overeenkomt dan de inbraakkans van woningen in verschillende buurten. Als gevolg van onvoldoende waarnemingen was het echter niet mogelijk om deze analysetechniek toe te passen. Een consequentie van het negeren van de hiërarchische structuur in de data is dat standaardfouten van de regressiecoëfficiënten worden onderschat. Er moet dus rekening worden gehouden met de mogelijkheid dat de significantie van de effecten is overschat in het multivariate lineaire regressiemodel.