Hebben verschillen in opleidingsniveau en
bevolkingsdichtheid invloed op de inkomensongelijkheid?
Een onderzoek onder Nederlandse gemeente.
Abstract
Dit artikel gaat over inkomensongelijkheid en de effecten die educatie en stedelijkheid daar op hebben. Hiervoor worden data van het Centraal Bureau van de Statistiek gebruikt en het betreft gegevens van de Nederlandse gemeentes over de 2009 en 2012. De data gaan over persoonlijke inkomens met de daarbij behorende verschillende percentiele ratio’s. Bij dit alles is uitgegaan van een door Moser & Schnetzer (2014, p. 12) beschreven basisvariabelen en daarnaast is er gebruik gemaakt van een uitgebreide regressie met extra variabelen uit de literatuur vandaan. Bij dit alles wordt educatie gesplitst in “hoog” en “middel” opgeleid en voor stedelijkheid wordt de maat bevolkingsdichtheid gebruikt. Het model dat gehanteerd wordt is ‘entity and time fixed effects regression model’. Uit deze regressies blijken dat het netto effect van educatie ongeveer nul is op inkomensongelijkheid, behalve bij de 95/55 ratio waar er een positieve relatie blijkt te zijn tussen inkomensongelijkheid en hoog opgeleid en een negatieve relatie was gevonden met middel opgeleid. Bij
bevolkingsdichtheid zijn de resultaten meer onduidelijk. Bij de 95/55 ratio is er geen duidelijke relatie met bevolkingsdichtheid gevonden. Bij de 85/15 ratio is er twee
verschillende tekens gevonden voor de bèta’s van bevolkingsdichtheid die significant waren. Zo bleken de resultaten insignificant bij de 95/5 en 45/5 ratio’s zijn de resultaten
insignificant wat betreft de basisregressie en negatief bij de uitgebreide regressie.
Jeffrey Kok (10350624)
29 juni 2015
Bachelor scriptie Economie Begeleider: R.E.F. Van Maurik
Statement of orginality
De scriptie die de lezers van dit artikel hieronder lezen is een zelfgeschreven onderzoek met resultaten die ik zelf heb verkregen via data die ik heb bewerkt van het CBS. Dit onderzoek is specifiek op Nederlandse gemeente en daarmee uniek voor dit onderwerp. Ik heb daarnaast verwezen naar ander auteurs voor ideeën die niet van mij vandaan komen en heb dat volgens de regels aangegeven.
Inleiding
Het wordt voor studenten de komende jaren een grotere uitdaging om te gaan studeren, vanwege het stoppen van de studiefinanciering en daarvoor in de plaats de komst van een leenstelsel (RTL nieuws, 2015). De vraag is of dit er toe zal leiden dat minder studenten gaan studeren, waardoor jongeren hun ambities terugschroeven en hun talent verloren gaat. De studenten uit rijkere families zullen hierdoor niet snel worden afgeschrikt, maar de kinderen van armere gezinnen kunnen hierdoor gaan besluiten om toch niet naar de universiteit te gaan en na de middelbare school gelijk te gaan werken of een lagere te opleiding gaan volgen. Het grote gevaar hiervan is dat inkomensongelijkheid groter zal worden en ook zal doorzetten over meerdere generaties. Natuurlijk is bij dit alles wel de grote vraag of een beter geschoolde populatie in Nederland leidt tot minder inkomensongelijkheid of dat de inkomensongelijkheid juist stijgt als meer mensen hun potentieel uit hunzelf haalt.
Daarnaast is er ook de vraag of inkomensongelijkheid wel slecht is voor een land? In het communisme is een land “volledig” gelijk, maar zijn er ook grote problemen zoals grotere corruptie (Sandholtz & Taagepera, 2005, p. 127). Naast dit probleem met gelijke inkomens, is er ook minder motivatie om te excelleren, want het wordt niet beloond in een land met gelijke inkomens. Betekent dit dan ook dat inkomensongelijkheid een goed zaak is? Een probleem bij groeiende inkomensongelijkheid is dat de sociale cohesie tussen groepen mensen en regio’s alleen maar kleiner wordt (Moser & Schnetzer, 2014, p. 3). Dit leidt tot meer tegenstand van rijkere mensen tegen inkomensherverdelingsbeleid en daardoor kan de inkomensongelijkheid weer worden vergroot. Ook leidt een groeiende
inkomensongelijkheid tot meer armoede en dit vergroot de kans weer op opstanden (Goodhand, 2003, p. 635).
De extremen van inkomensongelijkheid zijn dus niet wenselijk voor een land en er moet dus een balans worden gevonden voor deze ongelijkheid. In de westerse wereld wordt dit gedaan met behulp van parlementaire democratie, waarin de bevolking door te stemmen hun wensen kunnen duidelijk maken. Naast de vraag wat de ideale hoeveelheid
inkomensongelijkheid is, is er natuurlijk ook de kwestie welke factoren invloed hebben op deze inkomensongelijkheid. Daarbij is educatie een terrein waar de overheid veel invloed heeft. Als blijkt uit onderzoek blijkt dat een beter geschoolde populatie leidt tot lagere inkomensongelijkheid dan is dit een mogelijk instrument voor de overheid om deze
verschillen te bestrijden of te vergroten.Naast het feit dat educatie invloed heeft op inkomensongelijkheid, is er een andere determinant voor e inkomensverschillen die steeds meer aandacht krijgt in de literatuur, namelijk de stedelijkheid van een regio (Moser & Schnetzer, 2014, p. 4). Verstedelijking is een fenomeen dat verschillende fases doormaakt. De vraag is dan ook of in de postindustriële samenleving de inkomensongelijkheid groter is in stedelijk gebieden dan in de industriële samenlevingen, indien de andere mogelijke verklaringen in de steden worden gecontroleerd.
In de theorie is er veel onduidelijkheid over wat de relatie tussen educatie en inkomensongelijkheid is. Zo schrijft Moser & Schnetzer (2014, p. 10) dat
inkomensongelijkheid kleiner kan worden in regio’s met al veel inkomensongelijkheid, maar dat in regio’s met weinig inkomensongelijkheid dit juist groter kan worden. Ook Knight en Sabot (1983, p. 1132) geven aan dat het effect beide kanten op kan gaan en dat er geen duidelijk consensus is in hoeverre of educatie inkomensongelijkheid vergroot dan wel verkleind.
Bij stedelijkheid zou het verband ook zowel negatief als positief zijn. Zo zou het kunnen dat mensen op het platteland een achterstand hebben op mensen die in stedelijke gebieden wonen en dat door een hogere vraag naar hoger opgeleiden dit tot een grotere inkomensongelijkheid met stedelijke gebieden zal leiden. Het kan ook zijn dat er een concentratie van armere mensen in grote steden te zien is door de suburbanisatie van rijkere gezinnen. De vraag is dus of inkomensongelijkheid groter is in steden door de grote hoeveelheid werk dat er beschikbaar is of dat de inkomensongelijkheid kleiner wordt door de suburbanisatie van de rijkere families, waardoor er een grote groep armere mensen achter blijven.
In een onderzoek vanBaum-Snow en Pavan (2013, p. 731) werd er een positieve relatie tussen inkomensongelijkheid en verstedelijking gevonden, maar dit was alleen een onderzoek onder blanke mannen in de Verenigde Staten en niet over de gehele populatie. Moser en Schnetzer (2014, pp. 11-12) vonden daarentegen geen of een negatieve relatie tussen verstedelijking en inkomensongelijkheid in hun onderzoek in Oostenrijk. Dit was een onderzoek over de hele bevolking en niet alleen de blanke mannen zoals bij Baum-Snow en Pavan. De vraag is dus ook of het effect van verstedelijking dezelfde invloed heeft in elk land, bij elke bevolkingsgroep en geslacht. Het probleem is daardoor of alle onderzoeken met elkaar te vergelijken zijn of deze resultaten ook op Nederland toepasbaar zijn.
De hoofdvraag van dit onderzoek is: Leidt verschil in opleidingsniveau en verschil in bevolkingsdichtheid tot grotere inkomensongelijkheid?
Dit zal worden onderzocht aan de hand van data over Nederlandse gemeente, die verkregen zijn van het Centraal Bureau van de Statistiek (CBS) en waarbij gebruik wordt gemaakt van panel data. De jaren die worden onderzocht lopen van 2009 tot en met 2012 en het model dat gebruikt wordt is de ‘entity and time fixed effects regression model’. Via dat model wordt gekeken naar persoonlijke inkomens en wel naar drie inkomensgroepen, namelijk “inkomens met studenten”, “inkomens zonder studenten” en naar “alleen
jaarinkomens zonder studenten”. Daarbij wordt gebruik gemaakt van vier percentiele ratio’s, namelijk de 95/5, 85/15, 45/5 en de 95/55 ratio. Ook is er een uitsplitsing tussen een
vergelijking met fulltime en zonder fulltime, omdat er een gebrek is aan data over fulltime en er niet kan worden geswitcht naar parttime, aangezien de data van parttimers zelfs beperkter is dan die van fulltimers. Daarnaast is er eerst een regressie met de basis variabelen die Moser & Schnetzer (2014, p. 12) ook in hun onderzoek hebben gebruikt en verder is er ook een uitgebreidere analyse van een aantal andere mogelijke factoren die gevonden zijn in de literatuur. Vanuit deze regressies wordt dan de hoofdvraag beantwoord.
Theoretisch kader
InkomensongelijkheidEr zijn meerdere definities voor inkomen dat kan worden bestudeerd of dat wordt
onderzocht in de literatuur. De beperktste vorm die wordt gebruikt, is arbeidsinkomen en dat is het loon van werknemers plus de toegerekende beloning voor zelfstandigen en meewerkende gezinsleden (Centraal Bureau voor de Statistiek, 2015A). Een iets breder begrip is primair inkomen en dat bestaat uit de beloning van werknemers, rente, dividenden, en uit belastingen en subsidies op productie en invoer (Centraal Bureau voor de Statistiek, 2015B). Bruto-inkomen is een nog bredere begrip, want dit is primair inkomen verhoogd met bruto ontvangen overdrachten. Hieronder valt ontvangen uitkeringen, ontvangen
alimentatie, huursubsidie en tegemoetkomingen in de studiekosten (Centraal Bureau voor de Statistiek, 2015C). Het begrip dat in dit onderzoek wordt gebruikt, is besteedbaar
inkomen. Dit begrip houdt in bruto inkomen vermindert met inkomensoverdrachten, premies inkomensverzekeringen, premies ziektekostenverzekering en belastingen op inkomen en vermogen (Centraal Bureau voor de Statistiek, 2015D). Besteedbaar inkomen wordt vaker gebruikt voor onderzoek naar inkomensongelijkheid, bijvoorbeeld in het onderzoek van Krueger en Perri (2006, p. 165) werd gebruik gemaakt van inkomen na belasting en overdrachten.
Ook wordt er naar drie verschillende inkomensgroepen gekeken en die
inkomensgroepen zijn inkomen met studenten, inkomen zonder studenten en jaarinkomen zonder studenten. Bij inkomen met studenten zit iedereen die een inkomen heeft gekregen in een jaar. Daaronder vallen ook gepensioneerden en arbeidsongeschikten, omdat die ook als mensen met een inkomen worden gezien. Inkomen zonder studenten is minder ongelijk dan inkomen met studenten, omdat studenten vaak parttime werken, weinig werkervaring hebben en daardoor een lager inkomen hebben, waardoor dit de lagere percentiele
inkomens drukt. Bij het jaarinkomen vallen alle seizoenarbeiders af en ook de mensen die niet het hele jaar door inkomen hebben gehad, terwijl daarnaast bij het jaarinkomen ook de studenten niet zijn inbegrepen. Hierdoor is de inkomensongelijkheid nog kleiner bij de onderzoeksgroep jaarinkomen dan bij de groep inkomen zonder studenten. Deze
Inkomensongelijkheid wordt kleiner doordat mensen die geen heel jaarinkomen hebben minder werken en voor minder uren worden uitbetaald. Daarnaast hebben ze ook vaak lagere uurlonen.
Naast de verschillende definities voor inkomensgroepen, zijn er ook diverse
methoden om inkomensongelijkheid te meten. In de studie van Moser en Schnetzer (2014, p. 4) maakten ze gebruik van meerdere inkomensongelijkheid maatstaven. Zo gebruikte zij de Gini index, 90/10 ratio, 90/50 ratio en 50/10 ratio. Moser en Schnetzer konden al deze maten allemaal gebruiken, omdat ze data hadden van de Oostenrijkse belastingdienst die niet geaggregeerd waren. Voor dit onderzoek wordt de 95/5 en 85/15 ratio gebruikt in plaats van de 90/10 ratio, omdat er wel gegevens van het CBS zijn voor de 95/5 en 85/15 ratio, maar niet voor de 90/10 ratio. Het is handig om de 95ste en 85ste percentiel te kunnen
vergelijken met de vijfde en de vijftiende percentiel, omdat je daarmee kan zien of het verschil tussen arm en rijk groter wordt. Voordeel van percentielen is dat deze informatie beter beschikbaar is voor de Nederlandse gemeenten. Voor de Gini index moet de hele verdeling van inkomen beschikbaar zijn (Beggs, 2015). Om een Gini coëfficiënt uit te kunnen
rekenen moet je het verschil tussen een volledig gelijke en werkelijke situatie worden uitgerekend. Helaas zijn de data van het CBS geaggregeerd en zijn de persoonlijk data die hiervoor nodig zijn niet beschikbaar. Er is dus te weinig informatie voorhanden omvan de Gini index gebruik te maken. Daarentegen is het nadeel van werken met percentielen dat de inkomens rond de percentielen constant kunnen blijven, terwijl het verschil tussen de allerarmste en de allerrijkste kan veranderen zonder dat de methode met de percentielen dit opmerkt.
Educatie en verstedelijking
Een van de grote vragen in deze scriptie is of educatie leidt tot meer
inkomensongelijkheid. In het artikel van Moser & Schnetzer (2014, p. 10) wordt gesteld dat een beter opgeleide bevolking zowel tot een stijging als een daling van de
inkomensongelijkheid in een regio kan leiden. Ze zeggen dat een beter opgeleide bevolking zorgt voor een lagere inkomensongelijkheid in regio’s waarin er al veel hoger opgeleiden zijn,omdat er al veel goed geschoolden zijn met als resultaat dat nog meer hoger opgeleiden leidt tot een gelijkere compositie van het scholingsniveau en daardoor de inkomensonge-lijkheid kleiner wordt. Uit de resultaten van Moser en Schnetzer (2014, p. 12) blijkt dat dit vooral te zien is bij de ratio secundair opgeleiden in de populatie, want dit is een negatief verband met inkomensongelijkheid. In hun onderzoek is dit verband alleen significant bij de Gini coëfficiënt, wat er op kan duiden dat het effect niet sterk is en vooral in het midden van de inkomensverdeling effect heeft.
Knight & Sabot(1983, p. 1132) geeft een achterliggende reden waarom de relatie tussen inkomensongelijkheid en educatie zowel positief als negatief kan zijn. Volgens het duo komt dit door twee effecten, namelijk een compositie- en looncompressie-effect. Hierbij wordt met de compositie-effect bedoelt, dat er een relatief hoger opleidingsniveau is in de bevolking, doordat er meer mensen een hoger opleidingsniveau hebben. Dit effect kan inkomensongelijkheid vergroten of verkleinen en is afhankelijk van de hoeveelheid ‘human capital’ dat er in een economie of regio is en hoe de loonspreiding in een regio is. (Knight & Sabot, 1983, p. 1132). Als relatief veel mensen hoog opgeleid zijn en de loonspreiding relatief klein is, leidt een toename van het aantal hoogopgeleiden tot een compositie-effect die de inkomensongelijkheid verkleint. Als de loonspreiding bij hoger opgeleiden meer
gespreid is en relatief meer mensen hoger opgeleid zijn, dan leidt het compositie-effect tot een afname van de inkomensongelijkheid.
Het looncompressie-effect leidt tot een vermindering van de inkomensongelijkheid doordat een stijging van het relatieve hoeveelheid hoog opgeleiden betekent dat er een groter aanbod is van hoogopgeleiden en hierdoor worden de lonen van hoogopgeleiden worden gedrukt (Knight & Sabot, 1983, p. 1133). Een aanname hiervoor is echter dat de arbeidsmarkt volledige competitief is. Als aan deze aanname wordt voldaan dan leidt een relatieve stijging van het aantal hoog opgeleiden tot een daling van het rendement van scholing en dus tot een verkleining van inkomensongelijkheid (Knight & Sabot, 1983, p. 1133).
In dit onderzoek wordt de populatie opgedeeld in drie opleidingsniveaus. Daarbij wordt de opdeling van het CBS aangehouden, namelijk hoog, middel en laag. Het begrip middel opgeleid is volgens het CBS: iedereen die als hoogst behaalde opleiding “bovenbouw havo/vwo” of “MBO niveau twee tot en met vier” heeft behaald. Met hoog opgeleid bedoelt het CBS de mensen wiens hoogste opleidingsniveau tenminste HBO of WO is. Onder de laagopgeleiden valt iedereen die niet middel en hoog opgeleid is. Dit zijn onder andere voortijdige schoolverlaters en mensen met een “MBO niveau één” opleiding.
De verwachting is dat een hoger aantal middel opgeleiden leidt tot een verkleining van de inkomensongelijkheid, omdat relatief veel mensen in Nederland een opleidingsniveau van middel of hoger hebben. Hierdoor is het compositie-effect negatief of positief, maar kleiner dan het negatieve looncompressie-effect en dat leidt tot een verkleining van de inkomensongelijkheid. Dit is vergelijkbaar met de relatieve hoeveelheid secundaire opgeleiden in het artikel van Moser & Schnetzer (2014, p. 10). Voor het relatieve aantal hogeropgeleiden is de verwachting dat een stijging hiervan leidt tot een grotere
inkomensongelijkheid, omdat het relatieve aantal hoogopgeleiden klein is en de loonspreiding te groot is om een negatief effect te hebben op inkomensongelijkheid. Hierdoor is het compositie-effect nog positief en waarschijnlijk groter dan het
looncompressie effect. Deze verwachting is gelijk met de uitkomsten van Moser & Schnetzer (2014, p. 11).
Naast het effect van scholing op inkomensongelijkheid is het nu de vraag wat het effect van verstedelijking is op inkomensongelijkheid. Een meer verstedelijkte gemeente heeft vaak ook een hogere bevolkingsdichtheid en daardoor wordt bevolkingsdichtheid vaak
gebruikt als proxy voor verstedelijking in regionale analyses (Moser & Schnetzer, 2014, p. 5). In het onderzoek van Baum-Snow & Pavan (2013) onderzochten ze de relatie tussen
inkomensongelijkheid en stadsgrootte. Zij vonden dat er in de Verenigde Staten onder blanke mannen een grotere inkomensongelijkheid was in de grote steden dan in de minder dichtbevolkte gebieden. Dit verschil was in 1970 nog klein, maar bleek over tijd te zijn gegroeid (Baum-Snow & Pavan, 2013, p. 731). Een derde van dit verschil werd volgens hun onderzoek te zijn veroorzaakt door de verschillen in de compositie van de industrieën van grote steden in vergelijking met minder dichtbevolkte gebieden. Er zijn in grote steden vooral meer en grotere industriële bedrijven die een grotere loonspreiding hebben tussen mensen met dezelfde bekwaamheid in vergelijking met kleinere steden. Alleen konden ze niet alle verschillen verklaren met hun andere controlevariabelen. Ze schrijven dat het overige verschil wordt verklaard door de stadsgrootte en hun theorie is dat dit verklaard wordt door agglomeratievoordelen (Baum-Snow & Pavan, 2013, p. 731).
In het onderzoek vanMoser & Schnetzer daarentegen wordt voor de meeste indicatoren geen significante relatie gevonden tussen inkomensongelijkheid en de
bevolkingsdichtheid, behalve bij de 90/50 ratio op vijf procent significantie. Kuznets (1955) denkt dat een grotere populatiedichtheid leidt tot meer inkomensongelijkheid, zelfs als je de mate van ontwikkeling controleert, omdat de populatie in steden meer divers is dan in rurale gebieden. Er moet voor ontwikkeling gecontroleerd worden, want steden die een dichtere populatie hebben zijn meestal meer ontwikkeld dan dunnerbevolkte gebieden (Baum-Snow & Pavan, 2013, p. 731). De verwachting is dat verstedelijking leidt tot een hogere
inkomensongelijkheid door agglomeratie voordelen.
Demografische kenmerken
De hoeveelheid vrouwen is één van die variabelen die invloed heeft op
inkomensongelijkheid. De hoeveelheid vrouwen hebben invloed op inkomensongelijkheid, omdat vrouwen vaker parttime werken en minder verdienen dan mannen. Hierdoor wordt inkomensongelijkheid vergroot als er meer vrouwen zijn in een regio (Nielsen & Alderson, 1997, p. 19). Alleen wordt er in het onderzoek van Moser en Schnetzer (2014, p.12) een negatieve relatie gevonden tussen de ratio vrouwen en de inkomensongelijkheid. Volgens hen kan dit worden verklaard, doordat in regio’s met hoge inkomensongelijkheid een groot
aantal vrouwen kan leiden tot een lagere inkomensongelijkheid (Moser & Schnetzer, 2014, p. 10).
Een andere determinant voor inkomensongelijkheid is de hoeveelheid autochtonen in een regio. Een autochtoon is een persoon van wie beide ouders in Nederland zijn geboren en daarbij hoeft hij niet in Nederland geboren te zijn (Centraal bureau van de Statistiek, 2015F). Daarnaast is het ook mogelijk om de hoeveelheid allochtonen te gebruiken, omdat de hele populatie minus de allochtonen de autochtonen zijn. Allochtonen kunnen worden uitgesplitst in twee groepen, waarbij de eerste groep de niet–westerse allochtonen zijn en de tweede groep de westerse allochtonen zijn. In de groep niet-westerse allochtonen is het inkomensverschil klein, omdat veel niet-westerse allochtonen lage lonen hebben of leven van een uitkering (van den Hofmans, 2015, p. 9). Daarnaast zegt Van Den Brakel-Hofmans dat bij westerse allochtonen er een veel grotere inkomensongelijkheid is, omdat het inkomen van westerse allochtonen meer divers is. In een regio met veel autochtonen zullen meer niet-westerse allochtonen leiden tot meer ongelijkheid, omdat de groep met lagere inkomens groter wordt en de lagere percentiele inkomens drukt. Dat effect is waarschijnlijk groter dan de verlaging van het inkomen in de hogere percentielen door de opschuiving van inkomens naar hogere percentielen. Daarnaast leidt in een regio met veel inkomensongelijkheid dat de verschillen kleiner worden door met meer niet-westerse allochtonen, omdat de groep niet-westerse allochtonen meer homogeen is qua inkomen en de groep hoge inkomens kleiner wordt, waardoor inkomens dichter bij elkaar komen.
Bij het onderzoek van Moser en Schnetzer (2014, p. 12) werd gevonden dat meer autochtonen leidt tot een lagere inkomensongelijkheid bij de 90/50 en 90/10 ratio’s. Hun hypothese daarover was dat meer autochtonen sterk correleert met lagere
inkomensongelijkheid door een inkomenseffect van sociale klassen. Dit betekend onder meer dat groepen van dezelfde sociale klasse, die vaak in dezelfde buurten wonen, een positieve externe effect krijgen van een goede buurt (Watson, 2009, p. 843). Allochtonen wonen ook vaak bij elkaar en hebben door hun lagere inkomen, meer werkloosheid en criminaliteit vaak slechtere buurten. Als er meer autochtonen bij elkaar wonen dan heeft dat vaak een positief effect op elkaar, maar het kan ook een gevolg zijn van een sortering in een vergelijkbare groep met dezelfde inkomens (Moser & Schnetzer, 2014, p. 3). Hierdoor kan er een kleiner verschil van inkomen ontstaan en daardoor leiden tot een lagere
inkomensongelijkheid. Toch is de verwachting dat dit niet terug te zien zal zijn in de regressies, omdat in gemeentes zowel slechte als goede buurten te vinden zijn.
Een andere variabele die steeds belangrijker wordt, is de grijze druk. Dit is de verhouding tussen het aantal personen van 65 jaar of ouder en het aantal personen van 20 tot 65 jaar (Centraal bureau van de statistiek, 2015E). Ouderen hebben vaak een laag
inkomen en een hoge proportie ouderen leidt tot hogere inkomensongelijkheid. (Gustafsson & Johansson, 1999, p. 588). Door rekening te houden met grijze druk wordt het effect van gemeentes met veel gepensioneerden gecontroleerd en daardoor gaat dat effect niet de andere variabelen verstoren.
Daarnaast is migratie een variabele waar rekening mee moet worden gehouden. Volgens Barham en Boucher (1998, p. 329) leidt meer migratie tot een hogere
inkomensongelijkheid. Dit hadden ze onderzocht met een “contra feitelijke situatie” waarbij een toestand zonder migratie werd vergeleken met een echte situatie met migratie. Barham en Boucher gaven als reden dat de verdiensten die migranten in hun oude woonregio konden vergaren tot een kleinere inkomensongelijkheid leidt, dan een situatie waarbij migranten geld verdienen in hun nieuwe regio en dit terugsturen naar hun oude woonregio waar voornamelijk familieleden het ontvangen. Het netto-effect is dus dat bij meer
uitgaande migratie de inkomensongelijkheid groter wordt dan bij een situatie zonder migratie.
arbeidskenmerken
Er zijn naast demografische kenmerken ook arbeidskenmerken die van belang zijn. Zo maakt het uit in welke sectoren mensen werken in een regio werken. Evans en Timberlake (1980, p. 535) schrijven dat een groter deel van de bevolking die in de tertiaire sector werkt, leidt tot een grotere inkomensongelijkheid. Dit komt volgens hen doordat de groei van de tertiaire sector een negatief effect heeft op het inkomen in de lagere percentielen. Uit hun onderzoek bleek dat vooral de groei van de tertiaire sector een grote invloed heeft op de inkomensongelijkheid (Evans & Timberlake, 1980, p. 540). Alleen zijn er voor Nederlandse gemeentes niet voldoende gegevens om de veranderingen tussen de sectoren te
onderzoeken. In het artikel van Maclachlan en Sawada (1997, p. 386) staat dat er in de tertiaire sector sprake is van een erg gepolariseerd loonstructuur zit. Dit komt doordat er een groep banen in de tertiaire sector zijn die heel goed betaald worden, zoals in de
financiering en de gezondheidzorg. Daarnaast is er ook een groep banen met lage lonen, zoals bij McDonalds en callcenters. Door deze grote verschillen in uitbetaling bij de banen in de tertiaire sector is de verwachting dat een groter aandeel in de tertiaire sector leidt tot een grotere inkomensongelijkheid. Alleen kwam het onderzoek van Moser en Schnetzer (2014, p. 12) tot een ander resultaat, namelijk een negatief effect als er meer mensen werken in de tertiaire sector. Alleen is het jammer dat Moser en Schnetzer niet
onderbouwen waarom het effect bij hun negatief is. Kortom het is de vraag waarom zij tot een negatief verband zijn gekomen.
Naast de tertiaire sector is ook de secundaire sector heel belangrijk voor het
verklaren van inkomensongelijkheid. Zo resulteert een grotere secundaire sector leidt in de geavanceerde industriële economieën in een lagere inkomensongelijkheid (Moller, Alderson, & Nielsen, 2009, p. 1048). Dit komt vooral doordat in die sector arbeid goed georganiseerd is en waardoor er kleinere inkomensverschillen binnen die beroepen zijn. Bij Moser en
Schnetzer (2014, p.12) vonden ze een negatieve relatie tussen het aandeel dat in de secundaire sector werkt en de inkomensongelijkheid, wat de bovenbeschreven theorie ondersteund.Daarnaast heeft de primaire sector ook veel invloed op de economie, alleen wordt deze als referentiecategorie gebruikt, vanwege perfecte multicollineariteit die anders ontstaat.
Naast de sector waarin de mensen werken, heeft ook de marginale werkgelegenheid een effect op inkomensongelijkheid. Zo schrijft Moser en Schnetzer (2014, pp. 9-10) dat marginale werkgelegenheid leidt tot meer inkomensongelijkheid, omdat de banen die er marginaal bijkomen meestal onderaan de inkomensverdeling te vinden zijn en daardoor de percentiele inkomens aan de onderkant drukken. Moser en Schnetzer (2014, p. 12) vonden dit terug in hun regressie, maar het was alleen niet significant op de 90/50 ratio. Neemtniet weg dat uit het genoemde onderzoek dus bleek dat meer marginale werkgelegenheid leidt tot een hogere inkomensongelijkheid.
Voor inkomensongelijkheid maakt het bovendien uit of inwoners van een gemeente vooral in hun eigen gemeente werken of juist in andere regio werken. Als er een groot aantal mensen in een gemeente buiten hun woonregio werkt, kan dat leiden tot een overdracht van inkomen tussen een urbane regio met hoge inkomens en een rurale regio, zelfs als het educatieniveau laag is (Moser & Schnetzer, 2014, p. 5). Dit kan er toe leiden dat
omdat het gemiddeld loon lager is door een mindere vraag naar arbeid in de woonregio en het minderagglomeratievoordelen heeft (Baum-Snow & Pavan, 2013, p. 1546). Dit heeft tot gevolg dat het hogere loon van de mensen die buiten hun woongemeente werken voor een groter verschil in inkomen tussen rijk en arm zorgt. Alleen in regio’s waar de
inkomensongelijkheid groot is kan dit leiden tot een lagere inkomensongelijkheid, omdat het extra loon dat wordt verdient juist meer bij de armere deel van de bevolking terechtkomt en daardoor een kleiner verschil ontstaat tussen rijk en arm. Dit is wat Moser & Schnetzer (2014, p.12) vonden in hun onderzoek en is ook wat waarschijnlijk voor de meeste gemeentes in Nederland geldt.
Mensen die in deeltijd werken verdienen vaak minder dan mensen met een fulltime baan. Dit komt aan de ene kant doordat ze minder uren maken dan mensen met een fulltime baan en daarom zijn ze ook vaak aan de onderkant van de inkomensverdeling (Moser& Schnetzer, 2014, pp. 9-10). Hierdoor drukt een groter aantal parttimers het percentiel inkomen van de lage inkomens en vergroot daarmee de inkomensongelijkheid. Moser & Schnetzer (2014, p.12) vinden hiervoor significante resultaten in hun onderzoek dat meer parttimers inderdaad leidt tot hogere inkomensongelijkheid. De hoeveelheid
parttimers zijn ook belangrijk om de variabele vrouw te kunnen beoordelen, omdat vrouwen relatief meer parttime werken. De verwachting is dat meer parttimers leidt tot een hogere inkomensongelijkheid.
Werkloosheid heeft als effect dat het resulteert in een hogere inkomensongelijkheid (Gustafsson & Johansson, 1999, p. 587). Dit komt doordat werkloosheid vooral voorkomt bij mensen met inkomens aan de onderkant van de inkomensdistributie. Hierdoor heeft een regio met meer werkloosheid een hogere inkomensongelijkheid dan een regio met minder werkloosheid (ceteris paribus). Alleen zegt Gustafsson en Johansson (1999, p. 587) dat dit effect mogelijk verkleind of te niet wordt gedaan door werkloosheidsuitkeringen of andere sociale inkomensoverdrachten. Andere sociale overdrachten zijn onder andere
arbeidsongeschiktheidsuitkeringen. Een arbeidsongeschiktheidsuitkering heeft een vergelijkbaar effect als een werkloosheidsuitkering, alleen is het voor mensen die niet kunnen deelnemen aan de arbeidsmarkt. Als je hier niet op controleert krijg je verstoringen in de regressies, omdat het aantal arbeidsongeschikten niet gelijk is in elke regio. In dit onderzoek wordt er ook gebruik gemaakt van de hoeveelheid werkloosheids- en
arbeidsongeschiktheidsuitkeringen er per gemeente zijn. Met deze variabelen inbegrepen, krijgt werkloosheid een netto-effect in plaats van twee tegengestelde effecten.
Een baan leidt tot een inkomen voor een individu en vaak eentje die groter is dan wat een uitkering biedt. Hieruit volgt dat een baan iemands inkomen meestal verhoogt en als er meer mensen werken, dan leidt dat tot een kleinere groep die van uitkeringen leven en daarmee tot een lagere inkomensongelijkheid. Een goede manier om dit te meten is de participatiegraad. Zo schrijven Gustafsson en Johansson (1999, p. 589) dat de hogere
participatie van vrouwen aan het einde van de twintigste eeuw er voor heeft gezorgd dat de inkomensongelijkheid is gedaald. Dus een hogere participatiegraad leidt tot een
vermindering van de inkomensongelijkheid. Dit wordt niet verstoord als dit volledig effect leidt tot alleen maar meer werklozen, omdat in de regressie ook het
werkloosheidpercentage gebruikt wordt.
Gemiddeld inkomen
Een van de meest beschreven variabelen om inkomensongelijkheid te verklaren is het gemiddeld inkomen. Gemiddeld inkomen verhoogt de inkomensongelijkheid, omdat
productiviteitsverhogingen ongelijk verdeeld zijn (Moser & Schnetzer, 2014, p. 7). Dit is ook significant in het onderzoek van Moser & Schnetzer (2014, p. 12) behalve bij de 50/10 ratio. De theorie over het effect van gemiddeld inkomen op inkomensongelijkheid is gestart bij Kuznets (1955). In zijn artikel schrijft hij over de ontwikkeling van landen en het gevolg daarvan op inkomensongelijkheid. In de westerse wereld was er tijdens de industriële revolutie een vergroting van de inkomensongelijkheid door het verschuiven van mensen van de primaire naar de secundaire sector. Daarbij kwam een verhoging van het gemiddeld inkomen en inkomensongelijkheid totdat er zoveel was geswitcht van de primaire naar de secundaire sector dat inkomensongelijkheid weer daalde (Kuznets, 1955, p. 24). Dit wordt de Kuznets curve genoemd. Het empirische onderzoek naar de Kuznets curve heeft gemixte resultaten opgeleverd volgens Rodríguez-Pose en Tselios (2009, pp. 413-414). In hun onderzoek gaan ze uit van een negatieve relatie tussen gemiddeld inkomen en
inkomensongelijkheid in tegenstelling tot Moser en Schnetzer (2014, p. 7), omdat Rodriguez-Pose en Tselios er vanuit gaan dat ze op het dalende deel van de Kuznets curve zitten en dat het gemiddeld inkomen dan juist leidt tot een lagere inkomensongelijkheid. Hieruit blijkt
duidelijk dat er geen consensus in de literatuur is wat betreft het effect van het gemiddelde inkomen is en daarmee geen duidelijke verwachting is voor de resultaten in dit onderzoek.
Methodiek
modelVoor deze scriptie maak ik gebruik van het ‘entity and time fixed effects regression model’ zoals beschreven staat in Stock en Watson (2012). Dit is een panel data model, waarbij λi
specifieke gemeente effecten zijn en de kleine i staat voor welke gemeente het effect is. Daarnaast heb ik ook nog de variabele αt, welke staat voor de tijdseffecten. Hierdoor ziet het
model als volgt uit:
Yit= β0 + β1X1it + …+ βwXwit + γ2G2i + … + γnGni + δ2B2t + … δTBTt + Uit
In dit model zijn G1 en B1 verwijderd, zodat er geen perfecte multicolinariteit optreed.
Verder staat w voor alle verklarende variabelen.
De data over de vier onderzoeksjaren komen allemaal bij het CBS vandaan. Het zijn geaggregeerde data en verzameld via Statline, de database van het CBS. Deze data zijn over de Nederlandse gemeenten. Er zijn twee verschillende datasets voor dit onderzoek, waarvan er één is met 382 gemeentes en die daardoor 1524 datapunten heeft. De andere dataset bevat 341 gemeentes en heeft over de vier jaar 1364 datapunten. In de eerste dataset wordt gebruik gemaakt van de gemeentenlijst van 2012 en daaruit zijn de gemeentes verwijderd die in de loop van de jaren 2009 tot en met 2012 zijn samengevoegd dan wel gewijzigd. Daarnaast moesten ook een aantal gemeenten doorgehaald worden, omdat bij sommige gegevens alleen de gemeentenlijst van 2014 beschikbaar is en dus de gemeentes die zijn opgeheven in 2013 of begin 2014 niet in deze dataset zijn opgenomen. Daarnaast zijn er nog een paar gemeentes verwijdert, omdat er gegevens ontbreken. Er wordt daarbij vanuit gegaan dat deze verwijderde gemeenten niet leiden tot een onzuivere selectie. Zo zullen gemeenten die recentelijk zijn ontstaan om andere redenen dan de inkomensongelijkheid zijn samengegaan en zijn de enkele andere gemeenten die niet in het onderzoek konden worden opgenomen ook om andere redenen afgehaakt.
In de tweede dataset zijn er nog 41 gemeentes afgehaakt tenopzichte van de eerste dateset, omdat ze te weinig gegevens hadden om tot een betrouwbare schatting van de fulltime ratio’s te kunnen komen. Verder zal er geen gebruik gemaakt van parttime ratio’s, omdat die gegevens nog meer in gebreken zijn. Daarnaast is er een wellicht het probleem van een mogelijke steekproefselectie, omdat de 41 gemeentes die afvielen voornamelijk kleine gemeentes bleken te zijn en daardoor kan er een ondervertegenwoordiging van deze kleine gemeentes ontstaan. Vanwege die onbetrouwbare schatting voor de 41 gemeentes en de mogelijke steekproefselecties zijn er twee verschillende datasets gebruikt. Dit is ook gedaan omdat fulltime als variabele niet buiten dit onderzoek gehouden kan worden, omdat dit wel een belangrijke verklarende variabele is en een extra regressie met fulltime daardoor toegevoegde waarde heeft. In de bijlage is te zien welke gemeentes zijn verwijdert uit dit onderzoek.
Bij de vergelijkingen tussen de twee datasets moet worden opgepast, onder meer vanwege de hiervoor genoemde redenen. Daarnaast is er om de dataset zo compleet mogelijk te maken, gebruik gemaakt van extrapoleren en intrapoleren, maar dit kan kleine afwijkingen geven van de werkelijkheid. In de bijlage is te zien welke bewerkingen zijn gedaan met de data.
Zoals hiervoor aangegeven wordt er gebruik gemaakt van gemeente effecten, omdat er naast de verklarende variabelen, die ik in het theorethisch kader heb beschreven, er ook nog andere effecten zijn op de inkomensongelijkheid die niet direct meetbaar zijn of waar geen gegevens van zijn. Dit zijn effecten die specifiek zijn voor een gemeente en die niet veranderen over tijd (Stock & Watson, 2012, p. 396). Een voorbeeld hiervan is de kwaliteit van scholen in een bepaalde gemeente. Een kwalitatief betere schoolgemeente leidt tot een kwalitatief beter opgeleide bevolking in bepaalde gemeenten zonder dat dit wordt
opgemeten door middel van de hoeveelheid hoogopgeleiden. Hierdoor kan
inkomensongelijkheid vergroot worden doordat hoger opgeleiden beter worden beloond voor hogere kwaliteit scholing dan lager opgeleiden, omdat hoger opgeleiden langer van goede scholing hebben genoten. Hierdoor lijkt het effect van scholing op
inkomensongelijkheid groter dan het in werkelijkheid is.
Daarnaast zijn er in het model ook nog tijdseffecten. Dit zijn effecten die veranderen met tijd, maar die wel hetzelfde effect geeft voor alle gemeenten (Stock & Watson, 2012, p. 401). Hierdoor wordt de regressie niet verstoord door deze externe effecten in de tijd. Een
voorbeeld hiervan is een verhoging van de consumptietax. Dit leidt tot een hogere
inkomensongelijkheid, omdat een consumptietax regressief is (Caspersen & Metcalf, 1994). De reden hiervoor is dat armere mensen relatief meer besteden aan consumptie als fractie van hun inkomen dan de mensen met hogere inkomens. Daardoor wordt de
inkomensongelijkheid groter en zonder tijdseffecten wordt een variabele als gemiddeld inkomen verstoord, doordat het inkomen verschillend verandert voor de hoge inkomens in vergelijking met de lage inkomens, waardoor inkomensongelijkheid groter wordt en een (grotere) positieve relatie ontstaat tussen het gemiddeld inkomen en de
inkomensongelijkheid, terwijl het effect het gevolg van een belastingmaatregel is.
variabelen
De afhankelijke variabele in dit model is inkomensongelijkheid. Dit wordt gemeten door percentiele inkomens op elkaar te delen. Voor dit onderzoek worden er vier
verschillende percentielen ratio’s gebruikt. Zo wordt de 95ste percentiel gedeeld door de
vijfste percentiel, de 85ste percentiel gedeeld door de vijftiende percentiel, de 95ste
percentiel gedeeld door de 55ste percentiel en de 45ste percentiel gedeeld door de vijfste
percentiel. De eerste twee ratios worden gebruikt om de inkomensongelijkheid van de bovenkant met de onderkant te vergelijken, de derde ratio wordt gebruikt om de bovenkant met het midden van de inkomensverdeling te vergelijken en de vierde ratio wordt gebruikt om de onderkant met het midden van de inkomensverdeling te bestuderen. Door deze uitsplitsing kan er worden bekeken of de oorzaken van inkomensongelijkheid anders is in de top van de inkomensverdeling anders zijn dan aan de onderkant.
Ook wordt er in dit onderzoek gebruik gemaakt van drie verschillende inkomensdata. Dat zijn mensen met inkomen inclusief studenten, mensen met inkomen exclusief studenten en mensen met een heel jaar inkomen exclusief studenten. Al deze uitkomsten zullen met elkaar vergeleken worden en vervolhens worden bekeken of deze uitkomsten veel van elkaar verschillen. Als de verschillen klein zijn dan betekend dat de uitkomsten sterk zijn en weinig afhankelijk zijn van de groep mensen die worden onderzoekt. Als daarentegen de uitkomsten veel van elkaar verschillen, dan betekent het dat je voorzichtig moet zijn met het generaliseren van de uitkomsten en dient er te worden verklaard waarom er verschillen zijn tussen de verschillende inkomensgroepen.
De onafhankelijke variabelen die in deze scriptie worden onderzocht zijn de
variabelen: de mate van verstedelijking en het opleidingsniveau. De mate van verstedelijking wordt gemeten door middel van de bevolkingsdichtheid in een gemeente. Het
opleidingsniveau wordt gemeten met behulp van twee verschillende ratio’s. De eerste is de hoeveelheid van de beroepsbevolking dat tenminste middel opgeleid is. Dit wordt gemeten door de hoeveelheid middel en hoog opgeleiden bij elkaar op te tellen en te delen door de totale beroepsbevolking. De ratio hoog opgeleiden wordt bepaald door het aantal
hoogopgeleiden delen door de gehele beroepsbevolking.
Naast de drie genoemde variabelen waar dit onderzoek zich op focust, zijn er ook andere variabelen die invloed hebben op inkomensongelijkheid en waar rekening mee moet worden gehouden. Hieruit is een groep basisvariabelen gefilterd die in de regressies dient zitten en daarvoor is gekeken naar het onderzoek van Moser en Schnetzer (2014, p. 12). Daarbij worden alle variabelen gebruikt die zij ook gebruiken en deze worden de ‘basis variabelen’ genoemd.
Deze basis variabelen zijn de hoeveelheid vrouwen, de hoeveelheid fulltimers, de marginale werkgelegenheid, de hoeveelheid werkenden in de secundaire en tertiare sector, de
hoeveelheid autochtonen, de hoeveelheid mensen dat niet pendelt tussen gemeentes voor hun werk en het gemiddelde inkomen.
Bij de variabele vrouwen wordt het aantal vrouwen gedeeld door het totaal aantal inwoners van een gemeente en bij de hoeveelheid fulltimers wordt er gedeeld door het totaal aantal werkenden. De marginale werkgelegenheid wordt gemeten door de mutaties van de werkgelegenheid te delen door het totaal aantal banen dat er in dat jaar is. Voor de variabele in de secundaire sector worden het aantal werkenden in de “Nijverheid en energie” als uitgangspunt genomen en vervolgens gedeeld door het totaal aantal werkenden. Bij de tertiare sector wordt gerekend met de categorie “Commerciële dienstverlening, handel, vervoer, horeca, zakelijke dienstverlening, overheid, zorg, niet-commerciële dienstverlening en cultuur”. Ook de werkenden in de tertiare dienstverlening worden gedeeld door het totaal aantal werkenden. Om rekening te houden met
verschillende groepen allochtonen wordt de ratio van de niet-westerse allochtonen en westerse allochtonen gedeeld door de totale bevolking. De niet-pendelaars worden gemeten door de hoeveelheid werkenden dat niet-pendelt te delen door de werkzame
huishoudens worden verandert in een logaritme, omdat dat gebruikelijk is in de literatuur (Moser & Schnetzer, 2014, pp. 6-7).
De extra variabelen zijn de hoeveelheid arbeidsongeschikten en het aantal werkloosheiduitkeringen, de bruto participatiegraad, de grijze druk en de migratie. De hoeveelheid arbeidsongeschikt en werkloosheiduitkeringen worden uitgedrukt in de hoeveelheid per 1000 inwoners. De bruto participatiegraad is verkregen door de actieve beroepsbevolking te delen door de beroepsgeschikte bevolking en is vervolgens in percentages uitgedrukt tussen de nul en 100. De grijze druk wordt bepaald door de hoeveelheid 65 plussers te delen door de hoeveelheid 20-65 jarigen en is vervolgens in percentages uitgedrukt. Migratie wordt uitgedrukt als de hoeveelheid migranten per 1000 inwoners en dit kan zowel negatief als positief zijn.
In de analyse worden eerst de resultaten van de basisvergelijkingen beschreven en eventuele conclusies daaruit getrokken. In de basisregressie worden dezelfde variabelen als door Moser en Schnetzer (2014, p.12) gebruikt. Daarna komt er een analyse van het
uitgebreidere model en de eventuele conclusies die daar mogelijk aan verbonden zijn.
Analyse
In deze sectie worden de resultaten beschreven en wordt er bekeken wat de uitkomsten zijn van de regressies. Er moet worden opgepast met de vergelijking tussen de regressie met fulltime en zonder fulltime, want het is niet precies dezelfde groep gemeentes en daardoor kan er een correlatie bestaan tussen de gemeentes die weg zijn en sommige variabelen. Daarnaast leidt minder gemeentes tot minder datapunten en kunnen de resultaten daardoor minder precies worden en grotere standaardafwijking krijgen (Stock & Watson, 2012, p. 235). Dit komt doordat met OLS regressies de standaardafwijking kleiner wordt als de hoeveelheid datapunten omhoog gaat en ook doordat een extra variabele leidt tot meer multicolineariteit bij de overige variabelen. Het verschil kan natuurlijk ook ontstaan doordat het effect van fulltime in andere variabelen kan gaan schuilen.
Nu komt eerst de analyse van de regressies van de basis variabelen. De vergelijking tussen de hoge en de lage inkomens is te zien in tabel één en twee. Het eerste wat opvalt is dat de r-kwadraat zeer verschillend is tussen de regressies, zelfs als je kijkt naar één
inkomensgroep. De F-toets is zeer laag bij het inkomen zonder studenten. Deze toets kijkt of alle regressors significant van nul afwijken, waarbij een lage F-score zegt dat het weinig verschillend is van nul. Alleen bij het met inkomen zonder studenten en zonder fulltime is dit niet significant van nul op vijf procent significantieniveau. De andere F-scores bij inkomen zonder studenten ligt tussen de twee en de drie, terwijl bij de andere inkomensgroepen dit minstens acht is.
Ook kan er gekeken worden of het ‘fixed effect regression model’ goed bij de data aansluit of dat een random-effectmodel beter aansluit bij de data in dit onderzoek. Hierbij wordt random effects geprefereerd boven fixed effects, omdat het random-effectsmodel efficienter is dan het fixed-effectsmodel (Hausman, 1978, p. 1263). Daarentegen schrijft Hausman ook dat het fixed-effectsmodel altijd een zuivere schatter is, terwijl de random effects model dit niet is als de vaste effecten niet onafhankelijk zijn van de regressors. Hiervoor is de Hausman-test ontwikkeld. Daarbij is de nullhypothese dat de vaste effecten onafhankelijk zijn van de regressors. Bij de eerste twee tabellen wordt de nullhypothese verworpen en is het fixed-effectsmodel correct gebruikt. De uitslagen van de Hausman-test zijn terug te vinden in de bijlage.
Een andere belangrijke specificatie van het model is of de standaardafwijking van het model hetroskedastisch dan wel homoskedastisch is. Als de fouten homoskedastisch zijn dan is de variantie van een regressor onafhankelijk van de waarde van de verdeling (Stock & Watson, 2012, p. 197). Een test voor panel data is de modified wald test, waarbij de
nullhypothese is dat de standaardafwijking homoskedastisch is en de alternatieve hypothese dat ze hetroskedastisch is. In de bijlagen zijn de resultaten van de modified wald test te vinden. De testen zijn allemaal significant en daarmee worden de nullhypothesen
verworpen. Daarom dient de hetroskedastische standaardafwijking gebruikt te worden bij de eerste twee tabellen.
Multicoliniariteit is ook iets waar rekening mee moet worden gehouden, want multicoliniariteit kan zorgen voor hogere imprecisie bij de regressors en kan daardoor insignificant worden (Stock & Watson, 2012, p. 244). Hiervoor kan je kijken naar ‘variance inflation factor’ (VIF). Dit wordt berekent door een lineare regressie uit te voeren op één van
de voorspellers met de overige variabelen als regressors (Alison, 2015). Daaruit kan de VIF worden berekend: 1/(1-R2). Een VIF van tien staat voor een standaardafwijking die tien keer
zo groot is dan in een situatie met onafhankelijke variabelen. Volgens Ronison en
Schumacker (2009, p. 7) is het een regel dat een individuele VIF niet boven de tien komt. In tabel drie is een overzichtte zien van de VIF van de basis variabelen met fulltime en kan die zonder fulltime in de bijlage worden gevonden. Uit deze tabel blijkt dat de VIF van de secundaire en tertiare sector te hoog is, maar dit is niet erg en wel om twee redenen. Ten eerste zijn de twee genoemde variabelen niet de variabelen die worden onderzocht en dit is alleen vervelend als ze collineair met de onderzochte variabelen zijn (Alison, 2015). De tweede reden waarom dit niet een groot probleem is, is dat het komt omdat de
referentiecategorie te klein is en dat een stijging van de tertiare sector vaak leidt tot een daling van de secundaire sector (Alison, 2015). Bij de andere variabelen ligt de score wel onder de waarde van tien, al is die van de variabele hoogopgeleid met vijf wel hoog.
De variabele middel en hoog opgeleid zijn over het geheel allebei insignificant en het zou goed kunnen zijn dat de compositie effect en looncompressie effect beide ongeveer even groot zijn en daardoor niet leidt tot een hogere of lagere inkomensongelijkheid. Daarnaast is bevolkingsdichtheid insignificant op de 95/5 ratio, maar wel bijna altijd significant op de 85/15 ratio, alleen bij het jaarinkomen is het het negatief. Waarschijnlijk komt dit verschil doordat er een merkbaar agglomaratievoordeel is voor mensen rond de 85ste percentiel in vergelijking met de vijftienste percentiel (Baum-Snow & Pavan, 2013, p. 731), maar dat dit agglomaratievoordeel niet geld voor de 95ste percentiel in vergelijking met de vijfste percentiel. Bij het jaarinkomen kan het één en ander mogelijk verklaard worden doordat een kleine groep een jaarinkomen heeft aan de onderkant van de inkomensverdeling bij gemeentes met een hoge bevolkingsdichtheid, waardoor die
wegvallen bij het jaarinkomen en lagere inkomensongelijkheid is. Dit zou mogelijk te maken kunnen hebben met de situatie dat vaste banen vaak moeilijker te verkrijgen zijn in
dichterbevolkte gemeentes, omdat er relatief veel laagopgeleiden zijn en er dus sprake is van een zeer competetieve markt waar veel laagopgeleiden flexibel worden aangenomenen daardoor vaak geen heel jaarinkomen hebben. Door dit alles wordt de inkomensongelijkheid lager, omdat er vervolgens veel hogere jaarinkomens resteren en het daardoor net lijkt of het inkomen meer gelijk is in dichterbevolkte gebieden.
Tabel 1 basis regressie 95/5 ratio
Met ink. + student Met ink. - student Met jaarinkomen
Variabelen Met full Zonder full Met full Zonder full Met full Zonder full
Niet westerse allochtonen 202.5752*** (5.60) 174.0339*** (6.27) 94.0629*** (3.21) 46.40785** (2.10) -71.50864*** (-6.58) -83.87732*** (-9.02) Westerse allochtoon 35.92997 (0.76) 97.01023*** (2.59) -38.47305 (-1.00) 4.022778 (0.14) -48.9507*** (-3.43) -53.74136*** (-4.28) hoogopgeleiden 2.537643 (0.65) .9270714 (0.32) -1.55665 (-0.49) -1.970657 (-0.86) -1.099896 (-0.94) -.2687699 (-0.28) middelopgeleiden .4647436 (0.14) 2.122906 (0.83) 2.153431 (0.78) 3.188522 (1.57) .484413 (0.48) -.02817 (-0.03) Bevolkingsdichtheid .0027677 (0.47) -.0068273 (-1.38) .0028507 (0.59) -.0027209 (-0.69) -.0003554 (-0.20) -.0004676 (-0.28) Vrouw 193.9892** (2.16) 99.85804 (1.51) 106.3834 (1.46) -33.75801 (-0.64) -1.357371 (-0.05) -33.27951 (-1.51) Marginaal werk .0050462 (0.00) 1.164733 (1.17) .3962943 (0.39) 1.158253 (1.46) .1591568 (0.42) .0273086 (0.08) Secundaire sector -24.61922 (-1.13) -48.072*** (-2.98) -13.36576 (-0.76) -27.85117** (-2.17) 4.642128 (0.71) .5546964 (0.10) Tertiaire sector -10.51718 (-0.50) -37.49541** (-2.41) -9.51384 (-0.56) -25.87483** (-2.10) 1.983679 (0.31) -2.699287 (-0.52) Niet pendelaars 20.18769*** (4.07) 15.04172*** (3.87) 2.403877 (0.60) -1.425299 (-0.46) 5.480842*** (3.68) 3.402013*** (2.61) Gemiddeld inkomen 11.40753 (1.44) -10.04742* (-1.76) 27.47213*** (4.28) 7.939217* (1.75) 11.41243*** (4.80) 9.326788*** (4.89) fulltime -6.707175 (-1.58) x 2.391128 (0.69) X 4.809797*** (3.77) x constante -109.061* (-1.93) 43.8611 (1.06) -114.1842** (-2.49) 48.49616 (1.47) -23.03236 (-1.35) 9.595687 (0.69) F-toets 8.26 10.40 2.92 1.74 17.09 21.81 R2 geheel 0.0405 0.0202 0.0218 0.1077 0.0975 0.0774
Significantieniveaus: *=10%, **=5%, ***= 1%, voor uitleg van de variabelen kijk naar de methodiek. Regressie zonder fulltime is met 382 gemeentes en regressie met fulltime is met 341 gemeentes. De waarden tussen de haakjes zijn de t-waarden dat de regressor gelijk is aan nul. Bij de F-toets wordt getest of alle betas gelijk aan nul kunnen zijn.
Verder valt bij de regressievergelijkingen op, dat de niet-westerse allochtonen bij de 95/5 ratio overal significant is, maar dat bij het inkomen er een positieve relatie is tussen de ratio niet-westerse allochtonen en inkomensongelijkheid. Daarnaast is er een negatieve relatie bij de groep met het jaarinkomen met de niet-westerse allochtonen en de
Tabel 2 basis regressie 85/15 ratio
Met ink. + student Met ink. - student Met jaarinkomen
Variabelen Met full Zonder full Met full Zonder full Met full Zonder full
Niet westerse allochtonen 6.76034*** (6.88) 7.121677*** (8.66) -.2912664 (-0.92) -.2115082 (-0.75) -1.907447** (-2.46) -3.143776*** (-4.88) Westerse allochtoon 6.516866*** (5.05) 6.375126** (5.74) -.1816786 (-0.44) -.4647676 (-1.21) .796292 (0.78) .9556767 (1.10) hoogopgeleiden .0486231 (0.46) .0719241 (0.84) -.0175157 (-0.52) -.0017621 (-0.06) -.0095823 (-0.12) -.0674989 (-1.01) Middelopgeleiden -.1445146 (-1.57) -.1000182 (-1.32) -.0406657 (-1.37) -.0261986 (-1.01) .0412472 (0.57) .0777368 (1.32) Bevolkingsdichtheid .0002442 (1.51) .000569*** (3.88) .0002114*** (4.06) .0002353*** (4.65) -.0002519** (-1.97) -.000338*** (-2.95) Vrouw 3.512044 (1.44) 4.422748** (2.26) -.8871564 (-1.13) -.3516274 (-0.52) .8175117 (0.42) -.2298679 (-0.15) Marginaal werk -.0146463 (-0.42) -.0037379 (-0.13) .0003814 (0.03) -.001304 (-0.13) .0089177 (0.33) .0282436 (1.22) Secundaire sector -.3842053 (-0.65) -.3909421 (-0.82) .1585001 (0.83) .0579606 (0.35) .6041348 (1.29) .171337 (0.46) Tertiaire sector -.150014 (-0.26) -.1841992 (-0.40) .1659089 (0.90) .0341899 (0.22) .5915676 (1.31) .0810113 (0.22) Niet pendelaars 1.216357*** (9.03) 1.172751*** (10.18) -.011056 (-0.25) -.0280506 (-0.71) .9656751*** (9.09) .9122402*** (10.11) Gemiddeld inkomen -.0780937 (-0.36) -.0443623 (-0.26) .045958 (0.66) -.0050876 (-0.09) .470828*** (2.78) .2398499* (1.82) fulltime -.3450641*** (-2.99) x -.0179618 (-0.48) x .2359142*** (2.59) x constante 2.606729* (1.70) 1.599336 (1.30) 5.107324*** (10.30) 5.134802*** (12.09) 2.053372* (0.091) 4.158988*** (4.31) F-toets 25.77 37.39 2.32 2.50 10.54 15.68 R2 geheel 0.3505 0.3502 0.0807 0.0691 0.0762 0.0825
Significantieniveaus: *=10%, **=5%, ***= 1%, voor uitleg van de variabelen kijk naar de methodiek. Regressie zonder fulltime is met 382 gemeentes en regressie met fulltime is met 341 gemeentes. De waarden tussen de haakjes zijn de t-waarden dat de regressor gelijk is aan nul. Bij de F-toets wordt getest of alle betas gelijk aan nul kunnen zijn.
inkomenzonder studenten niet significant. Alles bijelkaar is dit een merkwaardige observatie, omdat dezelfde variabele blijkbaar significant kan zijn met twee verschillende tekens. Een mogelijke verklaring is dat de meeste niet-westerse allochtonen geen
jaarinkomen hebben, maar leven in regio’s waar de verschillen in jaarinkomens kleiner zijn bij de groep mensen met een jaarinkomen in gebieden met meer niet-westerse allochtonen.
Tabel 3 de variance inflation factor, basisvariabelen
Variable VIF tolerance R-kwadraat
Niet westerse allochtonen 2.78 0.3599 0.6401
Westerse allochtoon 1.53 0.6535 0.3465 hoogopgeleiden 5.09 0.1963 0.8037 middelopgeleiden 3.86 0.2593 0.7407 Bevolkingsdichtheid 2.38 0.4193 0.5807 Vrouw 1.91 0.5247 0.4753 Marginaal werk 1.01 0.9895 0.0105 Secundaire sector 11.14 0.0898 0.9102 Tertiaire sector 13.34 0.0749 0.9251 Niet pendelaars 1.45 0.6901 0.3099 fulltime 1.31 0.7627 0.2373 Gemiddeld inkomen 1.86 0.5380 0.4620 Mean VIF 3.97
Daarnaast is het opvallend dat hetzelfde gebeurd bij de westerse allochtonen en wel op het moment dat deze variabele significant is, hetgeen mogelijk op hetzelfde kan duiden.
Een andere opvallende variabele is de groep niet-pendelaars die significant positief is bij inkomen met studenten en bij jaarinkomen, maar niet bij inkomen zonder studenten en dit geldt voor beide ratio’s. Een mogelijke verklaring is dat mensen met inkomen, maar geen jaarinkomen veel in de eigen gemeente werken door mogelijk seizoenswerk dat relatief veel hetzelfde inkomen genereert en daardoor minder ongelijk is. Daarnaast zitten studenten mogelijk veel in gemeentes met weinig pendelaars en doordat studenten relatief weinig verdienen, omdat ze vaak parttime werken en weinig werkervaring hebben, leidt dit tot hogere inkomensongelijkheid en dit kan de observatie uit de regressie verklaren. Het zou interessant zijn om dit verder te onderzoeken met de niet-geagregeerde data en bekijken of er dezelfde uitkomsten uitkomen.
De inkomensongelijkheid aan de onderkant in vergelijking met het midden van de inkomensvergelijking heeft mogelijk andere redenen voor het verschil in
inkomensongelijkheid en dit geldt mogelijk ook voor de bovenkant van de vergelijking met het midden. In tabel vier en vijf zijn de regressies voor 45/5 ratio en de 95/55 ratio
weergegeven. De r-kwadraat van de 45/5 ratio is heel verschillend en zit tussen de 0 en 0.17, terwijl de r-kwadraat bij de 95/55 ratio vrij constant is en zit zonder fulltime rond de 0.02 zit
Tabel 4 basis regressie 45/5 ratio
Met ink. + student Met ink. - student Met jaarinkomen
Variabelen Met full Zonder full Met full Zonder full Met full Zonder full
Niet westerse allochtonen 33.74079*** (3.79) 28.81576*** (3.80) 4.172407 (0.56) -7.126426 (-1.09) -31.70305*** (-9.73) -34.94316*** (-11.60) Westerse allochtoon -8.258137 (-0.71) 11.03535 (1.08) -30.72584*** (-3.13) -16.10758* (-1.82) -24.31912*** (-5.69) -24.3814*** (-5.99) hoogopgeleiden .0844449 (0.09) -.4160203 (-0.53) -1.109721 (-1.38) -1.192081* (-1.75) -.5988069* (-1.71) -.3569095 (-1.14) middelopgeleiden 1.147506 (1.38) 1.22817* (1.76) 1.604162** (2.30) 1.51486** (2.52) .5451339* (-1.79) .2323445 (0.84) Bevolkingsdichtheid .0009105 (0.62) -.0017621 (-1.30) .0006589 (0.54) -.000892 (-0.76) .0000242 (0.05) -.0000192 (-0.04) Vrouw 32.82765 (1.48) 15.89898 (0.88) 9.486966 (0.51) -22.37313 (-1.44) -8.206259 (-1.01) -14.50844** (-2.03) Marginaal werk .1043482 (0.33) .3868104 (1.42) .2067181 (0.79) .3598048 (1.53) .0805909 (0.71) -.0084329 (-0.08) Secundaire sector -6.794158 (-1.26) -11.39655*** (-2.58) -3.596082 (-0.80) -6.098813 (-1.60) 2.171165 (1.11) 1.220099 (0.70) Tertiaire sector -4.560266 (-0.88) -9.650288** (-2.27) -4.337288 (-1.00) -6.845207* (-1.87) .5289838 (0.28) -.3213805 (-0.19) Niet pendelaars 3.018852** (2.47) 2.162359** (2.03) -1.913508* (-1.87) -2.464591*** (-2.69) .5739196 (1.29) .1803575 (0.43) Gemiddeld inkomen 3.228543* (1.66) -1.113867 (-0.72) 7.21812*** (4.42) 3.178571** (2.37) 2.872949*** (5.41) 2.872158*** (4.65) Fulltime -.4207024 (-0.40) X 2.124887** (2.42) x 2.069065*** (4.03) x constante -15.9559 (-1.14) 14.31866 (1.26) -15.61945 (-1.34) 19.65108 (2.00) .1240403 (0.02) 5.777403 (1.28) F-toets 3.47 3.72 5.46 4.42 32.77 34.32 R2 geheel 0.0980 0.0000 0.0425 0.0582 0.1633 0.1703
Significantieniveaus: *=10%, **=5%, ***= 1%, voor uitleg van de variabelen kijk naar de methodiek. Regressie zonder fulltime is met 382 gemeentes en regressie met fulltime is met 341 gemeentes. De waarden tussen de haakjes zijn de t-waarden dat de regressor gelijk is aan nul. Bij de F-toets wordt getest of alle betas gelijk aan nul kunnen zijn.
en met fulltime rond de 0.04. De F-toets is significant op vijf procent significantieniveau en dat betekent niet alle regessors gelijk zijn aan nul.
Bij tabel vier en vijf is de Hausman test significant en heeft het fixed-effectsmodel weer de correcte specificatie. Daarnaast is ook de modified wald test weer significant en dat duidt dat op een hetroskedastische standaardafwijking.
De variabele hoogopgeleiden is bij de 45/5 ratio insignificant of zwak negatief, hetgeen betekent dat meer hogeropgeleiden leidt tot een kleinere inkomensongelijkheid leidt. Daarentegen is hij bij de score 95/55 ratio positief en overal significant. Bij de 95/55 ratio komt de variabele hoog opgeleid overeen met de verwachting, dat het compositie-effect positief is en groter dan de looncompressie compositie-effect. De variabele middelopgeleid is positief bij de 45/5 ratio en soms significant. De reden dat het hier positief is, heeft misschien te maken met het feit dat meer middel opgeleiden het inkomen van de 45ste
percentiel wordt verhoogd zonder dat het de vijfste percentiel serieus wordt beinvloed, waardoor de inkomensongelijkheid groter wordt. Daarentegen is de variabele middel opgeleid wel negatief bij de 95/55 ratio en dat geeft aan dat het looncompressie-effect groter is dan de compositie-effect of dat het compositie-effect negatief is.De
bevolkingsdichtheid is insignificant bij alle regressies en ook bij beide ratio’s, dit geeft aan dat er geen sprake is van een agglomeratievoordeel bij beide ratio’s.
Bij de 45/5 ratio zie je dezelfde resultaten bij niet-westerse allochtonen als bij de 95/5 en 85/15 ratio. Dit heeft waarschijnlijk dezelfde reden als bij de 85/15 en de 95/5 ratio. Daarentegen is het niet gelijk bij de 95/55 ratio, want daar is het bij alle regressies positief en significant. Dit kan komen doordat er relatief weinig niet-westerse allochtonen inkomens hebben boven de 55ste percentiel, waardoor de regressies niet worden verstoord als een
andere inkomensgroep wordt gebruikt.
Het gemiddeld inkomen is bij de 45/5 ratio alleen significant bij het jaarinkomen en niet bij de andere inkomensgroepen. Een mogelijke verklaring is dat de groep met inkomen in bepaalde regio’s met veel laag opgeleiden wonen, veel verdienen met seizoenswerk, maar niet het heel jaar door inkomen hebben, waardoor ze niet bij de groep jaarinkomen zitten. Daarnaast hebben sommige gemeentes meer seizoenbanen dan andere gemeentes. Ook is het inkomen van seizoensarbeiders redelijk gelijk, waardoor dit een lagere
inkomensongelijkheid veroorzaakt, maar samen met het effect dat een hoger gemiddeld inkomen leidt tot meer inkomensongelijkheid, maakt het de variabele gemiddeld inkomen insignificant.
Bij de niet-pendelaars heeft de 45/5 ratio bij inkomen met studenten een positief verband met de inkomensongelijkheid. Dit verband is negatief bij de met inkomen zonder studenten en ook bij jaarinkomen is er een negatieve relatie. Een verklaring kan zijn dat het effect van niet-pendelaars op inkomensongelijkheid, komt door een positieve selectie als
Tabel 5 basis regressie 95/55 ratio
Met ink. + student Met ink. - student Met jaarinkomen
variabelen Met full Zonder full Met full Zonder full Met full Zonder full
Niet westerse allochtonen 6.064378*** (7.96) 5.427164*** (13.21) 5.903737*** (7.90) 5.259279*** (13.22) 5.009159*** (7.26) 4.49674*** (12.37) Westerse allochtoon 4.835186*** (4.84) 4.250217*** (7.66) 4.430533*** (4.52) 3.80282*** (7.08) 3.916032*** (4.33) 3.396561*** (6.92) hoogopgeleiden .1615704** (1.98) .1728186*** (4.04) .1725165** (2.15) .1650364*** (3.98) .1568757** (2.12) .1548446*** (4.09) middelopgeleiden -.2195423*** (-3.08) -.139838*** (-3.71) -.2301336*** (-3.29) -.1372033*** (-3.76) -.2101156*** (-3.26) -.1210243*** (-3.63) Bevolkingsdichtheid 8.00e-06 (0.06) .0000321 (0.44) 7.17e-06 (0.06) .0000373 (0.53) -8.78e-06 (-0.08) -5.63e-06 (-0.09) Vrouw 4.951732*** (2.62) 3.012285*** (3.09) 5.029344*** (2.71) 2.609653*** (2.76) 4.491153*** (2.62) 2.521558*** (2.92) Marginaal werk -.0247985 (-0.93) -.0123187 (-0.83) -.023015 (-0.88) -.0044477 (-0.31) -.0210969 (-0.87) .0009255 (0.07) Secundaire sector -.4876497 (-1.06) -.693017*** (-2.90) -.4272283 (-0.95) -.5666838** (-2.45) -.4631506 (-1.11) -.7243718*** (-3.42) Tertiaire sector -.0220055 (-0.05) -.3626156 (-1.58) .038253 (0.09) -.2550868 (-1.15) -.0543857 (-0.14) -.4593277** (-2.26) Niet pendelaars .6736083*** (6.46) .5273164*** (9.16) .6301639*** (6.16) .4907281*** (8.80) .5692162*** (6.02) .4304929*** (8.45) Gemiddeld inkomen .1400466 (0.84) -.2715101*** (-3.22) .196141 (1.20) -.2234649*** (-2.74) .2194554 (1.46) -.1298926* (-1.74) fulltime -.3377823*** (-3.78) X -.325272*** (-3.71) x -.2576628*** (-3.18) x constante -.8163095 (-0.68) 1.823571*** (2.97) -1.099216 (0.347) 1.759981*** (2.95) -.8388786 (-0.78) 1.696155*** (3.12) F-toets 25.75 60.64 24.60 57.37 21.21 49.15 R2 geheel 0.0389 0.0177 0.0422 0.0175 0.0483 0.0227
Significantieniveaus: *=10%, **=5%, ***= 1%, voor uitleg van de variabelen kijk naar de methodiek. Regressie zonder fulltime is met 382 gemeentes en regressie met fulltime is met 341 gemeentes. De waarden tussen de haakjes zijn de t-waarden dat de regressor gelijk is aan nul. Bij de F-toets wordt getest of alle betas gelijk aan nul kunnen zijn.
gevolg van de studenten zoals bij de 95/5 en 85/15 ratio al aangegeven is. Daarnaast is de relatie zwak bij de 45/5 ratio. De negatieve relatie heeft mogelijk te maken met
seizoenswerkers die voornamelijk in gemeentes wonen waar weinig wordt gependeld tussen gemeentes. Bij de 95/55 ratio is er een consistente positieve ratio voor alle drie
inkomensgroepen en dit ondersteunt de theorie voor de andere ratio’s, omdat studenten en seizoensmedewerkers waarschijnlijk aan de onderkant van de inkomensverdeling zitten en
dus hun inkomen niet tussen bij de 55ste percentiel of 95ste percentiel zit. Het laatste
opvallende detail is dat bij de 95/55 ratio er wel een consistente relatie is tussen de ratio vrouwen en de inkomensongelijkheid, terwijl daar geen sprake van is bij de andere ratio’s. Deze relatie is positief en is volgens de verwachting van het theoretisch kader, zelfs als er rekening wordt gehouden met de hoeveelheid fulltime werkenden.
Uitgebreidere regressie
In tabel zes en zeven zijn er aan regressies ten opzichte van de basisvariabelen een aantal extra variabelen toegevoegd. De R-kwadraat schommelt bij deze vergelijkingen ook flink en zit tussen de 0.0126 en 0.2896. Waarschijnlijk zijn de verschillen zo groot, omdat de data geaggregeerd zijn en de onafhankelijke variabelen niet uit te splitsen zijn voor de verschillende inkomensgroepen, waardoor precies dezelfde ratio voor alle drie
inkomensgroepen moet worden verklaard. Hierdoor kunnen de data bij sommige
inkomensgroepen beter aansluiten en de R-kwadraat voor de andere lager zijn. De F-toets is hier iets groter dan bij de basisregressie en dat leidt tot significante F-waardes bij alle regressies.
Bij de Hausman test is bij de 95/5 ratio bij het inkomen plus studenten met fulltime niet significant bij de Hausman test, terwijl dit bij alle andere regressies wel het geval is. Om het goed met elkaar te kunnen vergelijken is het beter om het via het fixed-effectmodel te doen, aangezien het bij het gebruik van random effects tot onzuiverheden bij de meeste regressies leidt. Bij de modified wald test is alles significant en is er geen verschil met de basisregressie.
In tabel acht is de VIF te zien van de uitgebreidere regressie met fulltime. De VIF van hoog opgeleid, middel opgeleid en bevolkingsdichtheid is iets groter geworden. Dus de extra variabelen hebben weinig invloed gehad op de onderzoek variabelen en hierdoor zijn de uitgebreidere regressies acceptabel.
Bij de middel en hoog opgeleiden is de 85/15 ratio niet significant. De 95/5 ratio is alleen significant bij slechts één vergelijking en wel jaarinkomen zonder fulltime. Daarnaast zijn er ook dezelfde tekens bij de met jaarinkomen met fulltime, maar die zijn wat kleiner en niet significant. Dus het zou kunnen zijn dat bij de groep met jaarinkomen er wel degelijk een relatie is tussen inkomensongelijkheid en opleidingsniveau. De regressie geeft aan dat meer
Tabel 6 uitgebreide regressie 95/5 ratio
Met ink. + student Met ink. - student Met jaarinkomen
Variabelen Met full Zonder full Met full Zonder full Met full Zonder full
Niet westerse allochtonen 41.18128 (1.07) 4.364874 (0.15) 53.0903 (1.62) 11.11294 (0.45) -14.83326 (-1.35) -11.60278 (-1.28) Westerse allochtoon -43.32032 (-0.95) 9.981804 (0.28) -56.72285 (-1.45) -9.513503 (-0.31) -18.86957 (-1.44) -18.64229* (-1.68) hoogopgeleiden -.8381639 (-0.23) -2.446332 (-0.91) -1.747784 (-0.55) -2.096304 (-0.91) 1.31004 (1.23) 1.986531** (2.36) middelopgeleiden 2.814338 (0.87) 4.397466* (1.85) 1.964693 (0.71) 2.886271 (1.42) -1.300072 (-1.40) -1.922937*** (-2.59) Bevolkingsdichtheid -.0002874 (-0.05) -.0119017** (-2.47) -.0013844 (0.27) -.0084449** (-2.05) -.0030812* (-1.82) -.0029441* (-1.95) Vrouw 101.3746 (1.18) -9.434044 (-0.15) 92.23227 (1.26) -43.75525 (-0.83) 32.59092 (1.33) 20.3817 (1.05) Marginaal werk .8432004 (0.70) 1.701754* (1.85) .7043092 (0.69) 1.343489* (1.71) .3093025 (0.90) .2323919 (0.81) Secundaire sector -6.847035 (-0.33) -28.69355* (-1.91) -10.92435 (-0.61) -26.85904** (-2.10) -4.703804 (-0.79) -5.841989 (-1.25) Tertiaire sector -4.655505 (-0.23) -27.75771* (-1.93) -9.573291 (-0.56) -25.83353** (-2.11) -4.816119 (-0.84) -6.299747 (-1.40) Niet pendelaars 5.019735 (1.00) 1.903527 (0.50) -1.664153 (-0.39) -3.327676 (-1.03) 4.584503*** (3.21) 3.881747*** (3.27) Fulltime 3.139909 (0.75) x 3.917513 (1.09) X .4826399 (0.40) x Ao+ww uitkeringen .0516432* (1.84) .0112642 (0.54) .0138653 (0.58) -.0114886 (-0.64) .0652353*** (8.16) .0604853*** (9.27) Werkloosheid 1.348383*** (5.40) 1.587163*** (8.01) .7058459*** (3.31) .8691887*** (5.14) -.3171226*** (-4.45) -.3878503*** (-6.26) Participatie .3670772*** (2.84) .4127932*** (4.04) .2011414* (1.83) .1702449* (1.95) .2432747*** (6.60) .2463381*** (7.71) Grijze druk .2183038*** (2.60) .1853775*** (2.93) -.0643128 (-0.90) -.1136917** (-2.11) -.1851236*** (-7.73) -.1813388*** (-9.17) Migratie .0790726** (2.31) .0395566* (1.66) .0334347 (1.15) .0300138 (1.47) .0085852 (0.88) .0137073* (1.84) Gemiddeld inkomen 17.93892** (2.36) -3.260464 (-0.61) 27.35127*** (4.23) 6.969893 (1.52) 8.472187*** (3.92) 4.488184*** (2.67) Constant -119.9369** (-2.19) 44.85183 (1.14) -115.6574** (-2.48) 53.8849 (1.60) -39.06928** (-2.50) -16.46488 (-1.33) F-toets 14.22 21.80 3.37 3.33 30.03 46.09 R2 geheel 0.0252 0.0541 0.1251 0.0126 0.0380 0.0163
Significantieniveaus: *=10%, **=5%, ***= 1%, voor uitleg van de variabelen kijk naar de methodiek. Regressie zonder fulltime is met 382 gemeentes en regressie met fulltime is met 341 gemeentes. De waarden tussen de haakjes zijn de t-waarden dat de regressor gelijk is aan nul. Bij de F-toets wordt getest of alle betas gelijk aan nul kunnen zijn.
