F = verwachte arbeidsstroom van sector so naar sector sd
Bijlage 7. Het meten van de mogelijkheden voor pendel tussen gemeenten Net als voor de gerelateerdheid tussen sectoren gebruiken we gegevens over arbeidsstromen uit het Sociaal-
Statistisch Bestand (SSB) van het CBS om de mogelijkheden voor pendel tussen gemeenten te bepalen. Het SSB bevat gegevens over de gemeente waar de persoon die een baan vervult, werkt en waar hij woont. Voor alle personen die werken bij een bedrijf met meer dan één vestiging, is het niet bekend bij welke vestiging iemand werkzaam is. Het CBS gebruikt in die gevallen een algoritme om mensen toe te wijzen aan de verschillende vestigingen, met als uitgangspunt dat iemand werkt bij de vestiging die het dichtst bij de woongemeente ligt. Aangezien dit niet altijd juist zal zijn, is er sprake van enige onderschatting van de woon-werkafstanden die werknemers afleggen. Het voordeel van het SSB- bestand is echter dat dit een populatiebestand is en dus gegevens bevat voor alle werkzame personen. Alle andere mogelijke bronnen voor pendelstromen bevatten alleen gegevens voor een steekproef, wat ook kan leiden tot een bias.
De gegevens uit het SSB zijn geaggregeerd op gemeenteniveau, wat resulteert in arbeidsstromen tussen woon- en werkgemeenten. Het CBS verstrekt alleen gegevens over pendelstromen van meer dan 100 personen. Alle stromen met 1 tot 100 personen zijn op 0 gezet, terwijl gemeentecombinaties waartussen niemand pendelt, zijn aangeduid met een ‘-‘. Om te voorkomen dat alle gemeenten met stromen tussen 1 en 100 personen onterecht worden beschouwd als gemeentecombinaties waartussen niet wordt gependeld, zijn alle combinaties met een score ‘0’ omgezet naar een score van 10, ervan uitgaande dat de meeste stromen vrij klein zullen zijn.
De omvang van de pendelstromen hangt niet alleen af van de reiskosten tussen gemeenten, maar ook van het aantal personen dat woonachtig is in de herkomstgemeente en het aantal banen in de bestemmingsgemeenten. Omdat we de pendelstromen willen gebruiken om in te schatten wat de kans is dat iemand een baan zal accepteren in een andere gemeente, willen we het effect van reiskosten isoleren van het massa-effect. Daarvoor schatten we eerst het volgende model:
cp
ro,rd=exp( +
1*ln(Reiskosten
ro,rd) +
2*ln(Banen
ro) +
3*ln(Banen
rd))
De drie onafhankelijke variabelen zijn als volgt gemeten:Reiskosten
ro,rd : de som van de kosten om tussen twee gemeenten te reizen en de kosten voor de tijd om deze reis af te leggen, gewogen voor de waarde van de tijd voor woon-werkverkeer met de auto in 2006 (de zogehetengegeneraliseerde reiskosten, Significance 2009). De kosten om binnen een gemeente te reizen zijn voor alle gemeenten gezet op de gemiddelde kosten om binnen gemeenten te reizen voor woon-werkverkeer
ro
Banen
: aantal werkzame personen per woongemeente (exclusief zelfstandigen) in 2008rd
Banen
: aantal banen per werkgemeente in 2008De pendelstromen hebben nooit een negatieve waarde en zijn altijd gehele getallen. Bovendien is voor veel combinaties van gemeenten (53%) sprake van geen pendelstroom. Daarom is het bovenstaande model geschat met een zero-inflated negative binomial model. Tabel B7.1 toont het resultaat.
Het effect van de drie variabelen is in beide delen van de vergelijking statistisch significant en in de verwachte richting. Het aantal inwoners in de herkomstgemeente en het aantal banen in de bestemmingsgemeente hebben een positief effect op de omvang van de pendelstroom, terwijl de hoogte van de reiskosten de omvang van de pendelstroom negatief beïnvloedt. Er pendelen dus meer mensen tussen gemeenten met meer inwoners en meer banen, maar het aantal forensen neemt af als de reiskosten tussen deze gemeenten hoger zijn. De omgekeerde tekens voor dezelfde variabelen in de ‘regime selection’ bevestigen dit patroon, want dit deel van het model is zo gespecificeerd dat de kans dat een pendelstroom 0 is, gecodeerd wordt als een 1.
We gebruiken de resultaten van het model om de bereidheid in te schatten van mensen om dagelijks tussen woning en werkplek te reizen. Daarom is met behulp van de parameters in het model in tabel B7.1 berekend hoe groot de pendelstromen tussen gemeenten zouden zijn als het aantal inwoners en het aantal banen overal in Nederland gelijk zouden zijn, zodat het effect van verschillen in massa per gemeente wordt gestandaardiseerd en we alleen het effect van de reiskosten meten. Hiervoor hebben we het daadwerkelijke aantal inwoners en banen van elke gemeente vervangen door het gemiddelde aantal inwoners en banen en vervolgens berekend hoe groot de verwachte pendelstromen tussen gemeenten zouden zijn. Ook hebben we de reiskosten voor woon-werkverkeer binnen een gemeente vervangen door de gemiddelde reiskosten binnen een gemeenten (1,42 euro). Dit resulteert in een matrix van 196.249 (443 x 443 gemeenten) combinaties van gemeenten met voor elke combinatie een indicatie van de omvang van de pendelstroom uitgaande van de reiskosten tussen de gemeenten. De omvang van de pendelstromen worden vervolgens genormaliseerd door deze te delen door het matrixtotaal. Dit is de maat voor mogelijkheden voor pendel tussen gemeenten die in het model wordt gebruikt om in te schatten hoe waarschijnlijk het is dat iemand die na de schok werkloos is geworden, een nieuwe baan in een andere gemeente accepteert, rekening houdend met de reiskosten tussen de gemeente.
Tabel B7.1
Resultaat van zero-inflated negative binomial regressie van arbeidsstromen tussen gemeenten (geschat met robuuste standaardfouten)
Parameter Standaardfout p-waarde
Count data vergelijking
Log(Reiskosten_ro,rd) -1,585*** 0,007 0,000
Log(Banen_ro) 0,350*** 0,005 0,000
Log(Banen_rd) 0,492*** 0,005 0,000
Constante -0,625*** 0,073 0,000
Regime selection vergelijking
Log(Reiskosten_ro,rd) 2,853*** 0,016 0,000 Log(Banen_ro) -1,087*** 0,010 0,000 Log(Banen_rd) -1,362 *** 0,009 0,000 Constante 13,69*** 0,129 0,000 Over-dispersion parameter Log(Alpha) -0,321*** 0,007 0,000 Wald Chi^2 64.234,44*** Log likelihood -444.306,9 Aantal observaties 196.249
Aantal observaties stroom=0 91.827