Belevingsdata
De wetenschappelijke relevantie van dit onderzoek ligt in de integratie van twee traditioneel gescheiden datadomeinen: administratieve registraties en belevingsdata. Waar veel studies zich beperken tot objectieve indicatoren zoals inkomen, woningtype en WOZ-waarde, laat dit onderzoek zien dat deze variabelen slechts een beperkt verklarend vermogen hebben. De toevoeging van belevingsdata verhoogt de voorspelkracht substantieel en doorbreekt daarmee een belangrijke methodologische beperking binnen sociaal-ruimtelijk onderzoek.

Hybride analysekaders
Daarnaast levert het onderzoek een bijdrage aan de ontwikkeling van hybride analysekaders waarin machine learning wordt ingezet om complexe relaties tussen factoren te identificeren. Door het gebruik van modellen zoals Random Forest en Gradient Boosting wordt zichtbaar welke variabelen daadwerkelijk bijdragen aan tevredenheid met de woonomgeving. De toepassing van explainable AI-technieken, zoals SHAP-waarden, maakt deze modellen bovendien interpreteerbaar, wat essentieel is voor wetenschappelijke validiteit en beleidsmatige toepasbaarheid.

Fundamenteel debat
Ten slotte draagt het onderzoek bij aan een fundamenteel debat binnen de sociale wetenschappen: de verhouding tussen structuur en beleving. De resultaten tonen aan dat ervaren veiligheid, sociale cohesie en tevredenheid met voorzieningen zwaarder wegen dan klassieke structurele indicatoren. Daarmee verschuift de focus van fysieke en economische kenmerken naar perceptie en context, wat implicaties heeft voor zowel theoretische modellen als de inrichting van toekomstig onderzoek en datagedreven beleid.