Sosiokulturelle faktorer

82 deltakernes gjennomsnittlige sykkelatferd oppsummert i delbydelene, kunne gitt bedre

resultater. Da ville avvik fra delbydelens gjennomsnitt blitt nøytralisert. Samtidig ville det skjult en del informasjon og gitt et mindre nyansert bilde. Men som nevnt har også slike analyser ofte gitt uklare resultater (Muhs og Clifton 2016). Dessuten er antallet deltakere i delbydelene som regel såpass lavt at delbydelens sykkelatferd ikke ville vært i nærheten av representativt.

83 sykkelandel. Koeffisienten i modellen med logaritmisk antall kilometer syklet kan

eksponentieres, trekkes fra 1, deles på 100 og så tolkes som prosentendring. En økning i antall sykkelturer blant naboene gir altså rundt 2 prosent flere kilometer for individet.

Konfidensintervallene strekker seg ikke langt nok til at man kan si at en tydelig positiv koeffisient er sannsynlig.

Når de to variablene for sosial påvirkning fjernes fra modellene, synker justert R² med 0,033, 0,025 og 0,024. Dette er en relativ nedgang på mellom 26 og 36 prosent av de opprinnelige justerte R²-veridene vist i tabell 5.1, dette til tross for at modellene uten de sosiale

omgivelsene har to færre variabler, som vil øke justert R² noe.

At syklingen i nabolaget man bor i kan påvirke egen sykling, er i tråd med antakelsen om romlig avhengighet, altså at nære verdier er likere enn fjerne (Tobler 1970). Effekten kan sies å være samme type effekt som Kamargianni, Ben-Akiva og Polydoropoulou (2014) fant, bare at dette gjaldt gåing heller enn sykling og påvirkning fra foreldre heller enn andre bosatte i delbydelen. Men det er nok sannsynlig at effekten av foreldrenes reiseatferd er viktigere, selv om dette er vanskelig å sammenligne her. Effekten stemmer også overens med det Goetzke og Rave (2011) fant med sin sosiale nettverkseffekt. Denne var riktignok på høyere

geografisk skala (kommuner). Effekten kan også kalles konsistent med den delen av

litteraturen på nabolagseffekter. For eksempel Friedrichs og Blasius (2003), som fant at det å bo i et nabolag påvirker i hvor stor grad man godtar avvikende oppførsel, men at mengden eksponering for avvikende oppførsel i nabolaget ikke hadde noen effekt. Hvis man oversetter avvikende oppførsel til generell sykkelatferd, kan man si at modellene i tabell 6.1 tyder på at eksponering for syklister, målt som antall forbipasserende, ikke har noen effekt på individets sykkelatferd, men at det å bo i et nabolag med en viss sykkelmengde, målt som antall

sykkelturer blant naboene, påvirker hvordan man selv sykler. Dette kan kalles logisk ettersom at mennesker gjerne vil passe inn der man bor.

For å videre undersøke sammenhengen, ble de to smitteeffektvariablene byttet ut med

tilsvarende variabler målt i ulike radier rundt deltakernes hjemadresse. Radier på mellom 100 og 5000 meter ble testet. Her kunne man tenkt seg at effekten av naboenes sykling ble større jo nærmere de bodde, slik Toblers lov tilsier. Riktignok inneholder de minste radiene såpass få deltakere at tilfeldigheter nok har spilt en stor rolle og gjort effektene ikke-signifikante.

Også de større radiene (over 1000 meter) er ikke-signifikante, lite overraskende med tanke på at disse områdene er såpass store at det er usannsynlig at deltakerne ser eller kjenner

84 hverandre. Radiene mellom 500 og 1000 meter hadde gjerne positive og tidvis signifikante effekter. Men det mest interessante med disse modellene var at effektene var mye svakere enn når delbydelene brukes som omgivelser. Justert R² gikk heller ikke nevneverdig opp sammenlignet med modellen uten de sosiale omgivelsene.

Dette kan tyde på at den sosiale påvirkningen ikke er sirkulært avtagende som i Toblers lov, men at sosial påvirkning skjer i særlig stor grad innad i nabolag, som delbydelene kan sies å være gode mål på. For mens bufferne rundt boligen fanger opp folk som bor på andre siden av motorveier, jernbanespor, bratte høyder og lignende, er delbydelene mer logisk inndelt.

Nøkkelspørsmålet for den sosiale smitteeffekter er om sammenhengen er reell. Romlig avhengighet kan nemlig enten skyldes at nære verdier påvirker hverandre eller at nære verdier påvirkes av andre faktorer. Det er grunn til å tro at sistnevnte delvis er tilfelle med tanke på hvor sterk effekten er. Hvis man ser for seg en person som flytter fra delbydelen det sykles minst i til delbydelen det sykles mest i, som er en økning på 54,9 turer blant naboene, forventes antall sykkelturer å øke med 30, antall kilometer å øke med 111 prosent og

sykkelandelen å øke med 7,7 prosentpoeng for individet. Dette kan kalles påfallende mye, som tyder på at effekten delvis (eventuelt i sin helhet) konfunderes av utelatte faktorer.

Denne variabelen er spesielt utsatt for slik konfundering ettersom at individets og naboenes sykling måler det samme: generell sykkelatferd. Så når både deltakerne og naboene sykler mye, kan det skyldes gode sykkelforhold i delbydelen. Dette er delvis kontrollert for med de andre uavhengige variablene, men de lave R²-verdiene indikerer at det gjenstår mye uforklart varians. Denne påvirkningen kan ligge både i utelatte variabler eller i restkonfundering fra de inkluderte faktorene, siden de ikke er perfekte mål på den reelle påvirkningen. Den reelle påvirkningen kan både skje i andre områder (utenfor delbydelene) og på andre måter, for eksempel at det ikke er andelen sykkelfelt som påvirker, men hvor sammenhengende de er (Caulfield et al. 2012; Stinson & Bhat 2003, i Buehler og Dill 2016).

Til tross for denne svakheten, er det ikke usannsynlig at deler av effekten er reell. Både fordi tidligere studier som nevnt har funnet lignende effekter og med tanke på at mennesker er sosiale vesener, så en sosial påvirkning av sykkelatferd er ikke urimelig.

Det sosiokulturelle kan nok også være en viktig forklaring på sykkelatferd på et høyere geografisk nivå, for eksempel byer eller kommuner, slik Goetzke og Rave (2011) undersøkte.

I denne analysen undersøkes et geografisk mellomnivå, nemlig de fire områdene i Oslo, som

85 inkluderes i tabell 5.1 som dikotomiske mål på hvilket område deltakerne er bosatt. Dette måler ikke kultur direkte, men kan muligens fange enkelte uforklarte sammenhenger som kan skyldes blant annet kultur.

Ingen av områdevariablene har signifikante koeffisienter. Områdene indre vest og indre øst har også motstridende koeffisientfortegn i de ulike modellene og store konfidensintervall.

Man kan derfor nødig si at disse områdene skiller seg fra referansegruppa ytre vest. For det siste områder, ytre øst, er alle fortegn positive. Basert på fordelingen i analyse 1 (figur 4.1), kunne man tenkt seg at det er på grunn av den høye sykkelmengden i ytre sørøst at det sykles uforventet mye i dette områder. Men når Groruddalen og ytre sørøst deles i to områder, får ytre sørøst negative koeffisienter mens Groruddalens koeffisienter er omtrent de samme.

Dette indikerer at dersom man skulle pekt ut et område der det sykles mer enn man skulle forvente på bakgrunn av hvilke omgivelser området har og hva slags individkarakteristikker deltakerne har, så måtte det vært ytre øst. Konfidensintervallene er riktignok nokså sprikende, så dette er langt fra en sikker antakelse. Man kan derfor ikke si at det virker til å være en sykkelkultur i ytre øst.

Dette viser hvorfor bivariate sammenhenger ikke kan anses som kausale. Som vist i analyse 1, sykles det generelt minst i Groruddalen. Men når alle andre variabler kontrolleres for, er det heller motsatt. Det indikerer at sykkelforholdene i Groruddalen er for dårlige og bør bedres.

En komplikasjon ved områdekoeffisientene er den lave representasjonen av de med lav sosioøkonomisk status i utvalget, samt at det ikke er noen øst/vest-forskjell i sosioøkonomisk status. Det betyr at deltakerne fra ytre øst i stor grad kan kalles gentrifiserere. Det er

vanskelig å si hvor godt disse representerer arbeiderklassebeboerne i ytre øst. Arbeideklassen forventes dessuten å sykle mindre enn gentrifisererne i ytre øst basert på påvirkningen av sosioøkonomiske forhold, som omtales under individfaktorer knyttet til sosioøkonomiske forhold.