FLUCTUATIES IN DE BUIG- BUDGETAANDELEN
DE DOMINANTIE VAN
REGIOKENMERKEN IN HET VERDEELMODEL
KLANT Gemeente Almelo
AUTEUR(S) Joost van Gemeren, Joeri Athmer en Leo Aarts DATUM 18 oktober 2021
VERSIE Definitief
Inhoudsopgave
Samenvatting en conclusies 3
1 Inleiding 6
2 Verklaringen voor fluctuaties in budgetaandelen 7
2.1 Regressie als methode van analyse 7
2.2 Regressieresultaten: impact van verandering in regiokenmerken op budgetaandelen is groot 7 2.3 Omvang van jaarlijkse veranderingen verschilt per regiokenmerk 8 2.4 Effectgrootte = impact van veranderingen x omvang van veranderingen in regiokenmerken 9
3 Regiokenmerken onder de loep 11
3.1 Focus op betrouwbaarheid van regiokenmerken 11
3.2 Overzicht betrouwbaarheid aan de hand van sprongen in cijfers 11
3.3 Beschikbaarheid van werk: betrouwbaar 12
3.4 Werkend onder niveau: onbetrouwbaar 13
3.5 Buurt waar werken niet de norm is: betrouwbaarheid monitoren 13
3.6 Overlast in de buurt: betrouwbaarheid is een aandachtspunt 14
3.7 Aandeel WW’ers: betrouwbaar 15
3.8 Andere regiokenmerken 16
4 Waar slaan de effecten neer? 17
4.1 Er zijn gemeenten die elk jaar te maken hebben met grote budgetaandeelfluctuaties… 17 4.2 …dit zijn meestal gemeenten met opvallende fluctuatie in regiokenmerken… 17
4.3 …die zijn geconcentreerd in Oost-Overijssel en in Limburg 18
Samenvatting en conclusies
Inleiding en aanleiding
De gemeente Almelo heeft Significant APE gevraagd om een analyse te maken van de ontwikkeling van het aandeel van de gemeente Almelo in het BUIG-budget. Het budgetaandeel van de gemeente schommelt de laatste jaren, terwijl het uitgavenaandeel vrij constant is. We onderzoeken waar fluctuaties in de budgetaandelen vandaan komen, en welke lessen gemeenten als Almelo hieruit kunnen trekken.
Regiokenmerken zijn de dominante verklaring voor fluctuaties in budgetaandelen
Uit onze regressieanalyses blijkt dat de belangrijkste oorzaak voor budgetfluctuaties ligt bij de zogenoemde regiokenmerken in het verdeelmodel. Deze regiokenmerken zijn bedoeld om wijk-, gemeente- en regiogebonden verschillen in de gemeentelijke bijstandsopgaven te verwerken in de objectieve budgetten. Veranderingen in de waarden van regiokenmerken leiden dus tot veranderingen in de berekende objectieve bijstandsopgaven. We hebben de drie budgetaandeelmutaties in de jaren 2018-2021 onderzocht. Het onderzoek wijst uit dat meer dan de helft van de fluctuaties in de budgetaandelen kan worden verklaard uit veranderingen in de waarden van de regiokenmerken.
Veranderingen in andere maatstaven, zoals het aantal huishoudens in de gemeente en de samenstelling daarvan, dragen slechts beperkt bij aan de verklaring van de fluctuaties in de budgetaandelen. Daarmee kan gezegd worden dat de regiokenmerken een dominante rol spelen in de jaarlijkse budgetmutaties.
Sommige regiokenmerken spelen een belangrijkere rol dan andere. Het Aandeel WW’ers (in de beroepsbevolking) heeft een relatief grote invloed op de budgetaandeelmutaties. Ook Beschikbaarheid van werk en Werkend onder niveau hebben een groot effect. Overlast in de buurt en Buurt waar werken niet de norm is, spelen in een van de drie onderzochte budgetovergangen een belangrijke rol. De regiokenmerken Beschikbaarheid van laaggeschoold werk en Aandeel studenten hebben een kleine tot verwaarloosbare rol in budgetfluctuaties.
Regiokenmerken zijn niet allemaal betrouwbaar gemeten: risico op ruis
Juist omdat de regiokenmerken een grote rol spelen in de budgetfluctuaties, is het van belang dat deze betrouwbaar gemeten zijn voor alle gemeenten. We hebben onderzocht in hoeverre de veranderingen in de regiokenmerken nauwkeurig (betrouwbaar) zijn gemeten dan wel in hoeverre de gemeten veranderingen worden verstoord door statistische ruis (zie het kader op de volgende pagina). In onderstaande tabel staan onze conclusies per regiokenmerk.
Regiokenmerk Invloed op
budgetfluctuaties
Oordeel betrouwbaarheid cijfers
Aandeel WW Groot Betrouwbaar
Beschikbaarheid van Werk Doorgaans groot Betrouwbaar
Werkend onder niveau Doorgaans groot Onbetrouwbaar; gegevens vertonen onrealistische sprongen en berekeningswijze is zeer gevoelig voor statistische ruis Buurt waar werken niet de
norm is
Soms groot Betrouwbaarheid moet gemonitord worden; maatstaf is in model 2021 herzien. In het verleden traden soms opvallende onrealistische sprongen op.
Overlast in de buurt Soms groot Betrouwbaarheid is een aandachtspunt. Gegevens bevatten waarschijnlijk ruis, er zijn enkele gemeenten met opvallende, mogelijk onrealistische sprongen.
Beschikbaarheid van laaggeschoold werk
Klein Twijfelachtig, maar de impact is beperkt.
Aandeel studenten Klein Betrouwbaar, maar de impact is beperkt.
Effecten slaan steeds neer bij dezelfde groep gemeenten
Uit onze analyses blijkt dat sommige gemeenten, zoals Almelo, (bijna) jaarlijks te maken hebben met budgetfluctuaties, terwijl andere gemeenten zeer stabiele budgetaandelen hebben. De budgettaire risico’s zijn in sommige gemeenten dus aanmerkelijk groter dan in andere. Grotere fluctuaties vinden vooral plaats in gemeenten met een opvallende
ontwikkeling in een (of meer) van de regiokenmerken. De top-10 van gemeenten met de grootste schommelingen in budgetaandeel in de meest recente jaren, liggen allemaal in Oost-Overijssel of in Limburg. Deze ruimtelijke clustering komt doordat de (veranderingen in) regiokenmerken ook ruimtelijk geclusterd zijn: vier van de zeven regiokenmerken hebben te maken met de regionale arbeidsmarkt.
Oordeel en beschouwing van het verdeelmodel
De regiokenmerken zitten in het model om recht te doen aan verschillen tussen gemeenten op het gebied van arbeidsmarktkansen, arbeidsethiek en sociale veiligheid. Het is echter evident dat aan deze verschillen alleen recht kan worden gedaan als de regiokenmerken betrouwbaar worden gemeten. Jaarlijkse budgetfluctuaties als gevolg van statistische ruis in de regiokenmerken zijn bestuurlijk ongewenst; niet alleen omdat dit leidt tot onzekerheid in het middelenperspectief, maar juist ook omdat er geen veranderingen in de objectieve werkelijkheid aan ten grondslag liggen.
Op basis van onze resultaten kunnen we stellen dat de meting van met name het regiokenmerk Werkend onder niveau onbetrouwbaar is. Er zit te veel ruis in dit regiokenmerk om te kunnen stellen dat een verandering in de gemeten waarde een werkelijke verandering in de objectieve opgave van de gemeente weerspiegelt. Ook de regiokenmerken Buurt waar werken niet de norm is en Overlast vertonen soms opvallende, onrealistische ontwikkelingen. Dit zijn onvolkomenheden in het objectief verdeelmodel, die kunnen leiden tot oneigenlijke inkomstenschommelingen bij individuele gemeenten.
Een gevolg hiervan is de bevinding dat de dynamiek in het uitgavenaandeel (ijkjaar) veel minder sterk is dan de dynamiek in het objectieve budgetaandeel. Strikt genomen hoeven die ook niet hetzelfde ritme te volgen, tenminste als de discrepantie het gevolg is van de inrichting van beleid en uitvoering. In de filosofie van het objectief verdeelmodel signaleert het verschil tussen objectief budgetaandeel en uitgavenaandeel (ijkjaar) immers hoe de gemeente zich verhoudt tot de average practice in gemeenteland. De verschillen in dynamiek tussen budget- en uitgavenaandelen
Wat is statistische ruis en wat is een (on)betrouwbaar cijfer?
Een gemeten cijfer bevat statistische ruis als de meting is gebaseerd op een steekproef van personen of huishoudens en niet op de totale populatie. Een meting die is gebaseerd op een steekproef is eigenlijk een statistische schatting van de werkelijke waarde in de populatie. Hoe groter de onzekerheid rondom de statistisch geschatte waarde, des te minder betrouwbaar is de meting. Een verandering van jaar op jaar in een waarde die op de totale populatie huishoudens of personen wordt gemeten, betekent dat er werkelijk iets verandert. Een verandering van jaar op jaar in een statistisch geschatte waarde, kan wijzen op een werkelijke verandering, maar kan ook het gevolg zijn van een verandering in de steekproefsamenstelling. In het laatste geval spreken we van statistische ruis. Hoe sterker veranderingen in geschatte waarden het gevolg zijn van steekproeftoeval, des te minder betrouwbaar is de meting. Statistische ruis zorgt ervoor dat een cijfer in het ene jaar wat hoger kan liggen dan de ‘werkelijke’ waarde, en in het andere jaar wat lager. Als de ruis te groot wordt, kan een cijfer van het ene op het andere jaar onlogisch grote sprongen maken die hoogstwaarschijnlijk geen verband houden met werkelijke veranderingen in de populatie. Als we in de praktijk dergelijke niet plausibele grote sprongen zien moeten we vraagtekens plaatsen bij de betrouwbaarheid van de meting, en daarmee ook bij de betrouwbaarheid van de uitkomst van het objectief verdeelmodel.
kunnen in deze filosofie alleen toegewezen worden aan jaarlijkse fluctuaties in beleid en uitvoering. Theoretisch niet onmogelijk, maar praktisch onwaarschijnlijk.
Een ander punt van aandacht is de bevinding dat steeds dezelfde (ruimtelijk geclusterde) gemeenten worden
geconfronteerd met budgetfluctuaties, terwijl andere gemeenten hier geen last van hebben. Is dit een bedoeld effect van de objectieve verdeling? Het is in elk geval geen prikkel tot regionaal poolen van BUIG-budgetrisico’s.
Handelingsperspectief voor Almelo
Almelo is een van de gemeenten waar de regiokenmerken leiden tot deels oneigenlijke schommelingen van het budgetaandeel. Als de systematiek niet verandert, zal dat de komende jaren waarschijnlijk zo blijven. Dat betekent dat Almelo rekening kan houden met uiteenlopende budgetscenario’s. De budgetaandelen uit het verleden geven daarbij een indicatie van mogelijke best case en worst case scenario’s.
1 Inleiding
Gemeente Almelo heeft Significant APE gevraagd om uit te zoeken waardoor fluctuaties ontstaan in de budgetaandelen van gemeenten in het macrobudget Participatiewetuitkeringen (BUIG). De gemeente constateert dat haar
budgetaandeel van jaar op jaar fors kan veranderen (figuur 1, oranje lijn). In twee jaar tijd daalde het budgetaandeel met liefst 10% (2018-2020). In 2021 steeg het budgetaandeel weer met 2,5%.1 In figuur 1 is te zien dat die fluctuaties in het budgetaandeel (oranje lijn) niet in de pas lopen met het uitgavenaandeel in het peiljaar (twee jaar ervoor, roze lijn). Het Almelose uitgavenaandeel is namelijk behoorlijk stabiel door de tijd. We onderzoeken waar deze opmerkelijke dynamiek in het budget vandaan komt, en of dit breder speelt dan alleen in Almelo. Daarna gaan we in op de implicaties en wenselijkheid van deze resultaten.
Figuur 1. Budgetaandeel en uitgavenaandeel van de gemeente Almelo naar jaar van budget. Uitgavenaandeel betreft het peiljaar(T-2). Bron: Lias-BUIG.
Dit document is het eindrapport van ons onderzoek. In hoofdstuk 2 verklaren we de jaarlijkse veranderingen in de (objectieve) budgetaandelen van Nederlandse gemeenten met een regressieanalyse. We focussen daarbij op de regiokenmerken in het verdeelmodel, die in het geval van Almelo de belangrijkste verklaring voor de fluctuaties bleken (bijlage 1). In bijlage 2 is een gedetailleerde versie van de resultaten opgenomen, inclusief beschrijvende statistiek. In hoofdstuk 3 bekijken we aan de hand van statistiek en casuïstiek of de regiokenmerken betrouwbaar genoeg zijn, gezien hun grote impact op de budgetaandelen. Het laatste hoofdstuk beschrijft de gevolgen van de resultaten: welke gemeenten hebben vooral te maken met de invloed van regiokenmerken? In de samenvatting en conclusies gaan we in op de implicaties voor gemeenten als Almelo en de werking van het verdeelmodel.
1 In dit onderzoek bekijken we de correct berekende budgetaandelen. In september 2021 vernam SZW dat het budgetaandeel voor Almelo bij de voorlopige beschikkingen 2021 fout is berekend als gevolg van een menselijke fout in de berekening van het regiokenmerk ‘Werkend onder niveau’. Het budget voor Almelo was daarmee in 2021 incidenteel fors hoger. Deze incidentele situatie nemen we in de analyse niet mee, omdat we op zoek zijn naar de oorzaken van structurele fluctuaties in het budgetaandeel. Tegelijk bewijst de menselijke fout dat het verdeelmodel gevoelig is voor fluctuaties in de invoercijfers, met name de regiokenmerken.
0,58%
0,59%
0,60%
0,61%
0,62%
0,63%
0,64%
0,65%
0,66%
2017 2018 2019 2020 2021
Totaal budgetaandeel Uitgavenaandeel T-2
2 Verklaringen voor fluctuaties in budgetaandelen
2.1 Regressie als methode van analyse
De oorzaken van fluctuaties in de BUIG-budgetaandelen worden inzichtelijk met een regressieanalyse. Een regressie is een statistische techniek om verbanden tussen variabelen te toetsen. In dit geval proberen we het verband te leggen tussen veranderingen in BUIG-budgetaandelen (de jaarlijkse fluctuaties) en veranderingen in een aantal verklarende variabelen in datzelfde jaar. Die verklarende variabelen zijn met name de regiokenmerken in het BUIG-verdeelmodel.
De waarde van de zogenoemde R-kwadraat van de regressie geeft aan in hoeverre de jaarlijkse fluctuaties in budgetaandeel het gevolg zijn van veranderingen in de verklarende variabelen. Daarnaast geeft de regressie inzicht in de afzonderlijke effecten van veranderingen in elk van de verklarende variabelen.
De regressies focussen op de (procentuele verandering in de) objectieve budgetaandelen van gemeenten die groter zijn dan 40.000 inwoners. We willen immers specifiek het effect van het objectief verdeelmodel weten. Gemeenten met meer dan 40.000 inwoners worden volledig bekostigd op basis van het objectieve verdeelmodel. Kleinere gemeenten worden (deels) historisch bekostigd; bij historische bekostiging is de oorzaak van budgetaandeelfluctuaties evident.
We rapporteren in dit hoofdstuk de belangrijkste regressieresultaten in paragraaf 2.2. In de paragrafen daarna volgt een duiding van de effecten. In bijlage 2 staat een uitgebreide omschrijving van de variabelen in de regressie, onderliggende analyses en tussenstappen die leiden tot dit eindresultaat. In hoofdstuk 3 gaan we nader in op de meetwijze.
2.2 Regressieresultaten: impact van verandering in regiokenmerken op budgetaandelen is groot
In tabel 1 staan de resultaten van de regressies voor drie verschillende jaren. De linkerkolom geeft de verklarende variabelen weer die in de regressies worden gebruikt. De kolommen rechts geven de coëfficiënten per jaar weer, waarbij de asterisk(en) de statistische significantie aangeven.2 Bovendien staat onderaan de R-kwadraat, die de verklaringskracht van de regressie aangeeft. In de laatste rij staat het aantal gemeenten dat is betrokken in de analyse.3
Afhankelijke variabele:
% Mutatie Objectief budgetaandeel
2021 t.o.v.2020
2020 t.o.v.2019
2019 t.o.v.2018
Constante 0,048*** 0,038** -0,130*
Mutatie Beschikbaarheid van werk -3,310*** -2,949*** -0,977 Mutatie Beschikbaarheid van l.gesch. werk 0,272 -0,143* #
Mutatie Werkend onder niveau 0,282 0,422*** 0,321***
Mutatie Buurt waar werken niet de norm is 0,188*** 0,2222** ^
Mutatie Aandeel WW’ers 7,150*** 5,002*** 5,716***
Mutatie Aandeel studenten -0,115 1,282 -2,844*
Mutatie Overlast in de buurt # 0,604*** #
Mutatie Aandeel huishoudens met HCI laag 0,481 2,708*** 2,187**
Mutatie Aandeel bevolk. dat AOW-leeftijd bereikt 0,156 0,480 -1,882
% Mutatie Aantal Huishoudens tussen 18-AOW 0,040 0,692** 0,723*
2 Wanneer een variabele een statistisch significante invloed heeft op de verandering in het budgetaandeel, wil dat zeggen dat er slechts een kleine kans is dat het gevonden effect aan toeval te wijten is.
3 In 2019 hebben we minder gemeenten meegenomen dan in latere jaren, omdat de analyse anders vertekend zou worden door gemeentelijke herindelingen per 1 januari 2019.
R-kwadraat totaal 0,467 0,681 0,667
R-kwadraat enkel door regiokenmerken 0,467 0,583 0,646
Aantal gemeenten in de analyse 131 131 119
Tabel 1. Resultaat lineaire regressies met regio- en gemeentekenmerken.***: significant met 99% betrouwbaarheid; **:
significant met 95% betrouwbaarheid; *: significant met 90% betrouwbaarheid. #: deze variabele is dit jaar niet veranderd of net geïntroduceerd, daarom is deze variabele buiten beschouwing gelaten. ^: deze variabele is in 2019 slechts voor een enkele gemeente veranderd. Daarom is dit cijfer nietszeggend. Bron: Berekening Significant APE op cijfers Lias-BUIG, CBS en Atlas Research/SEO.
Hoe lezen we de cijfers in de tabel? We beginnen bij de coëfficiënten. De -3,310 bij Beschikbaarheid van werk voor 2021 houdt in dat een stijging van de variabele Beschikbaarheid van werk met 0,01 punt, samengaat met een afname van het objectief budgetaandeel met 3,310%. De 0,188 drie rijen lager houdt in dat een stijging van de variabele Buurt waar werken niet de norm is met 0,01 punt, leidt tot een stijging van het objectief budgetaandeel met 0,188%.
De richting van de effecten zijn volgens verwachting. Meer beschikbaarheid van werk, betekent minder
bijstandsafhankelijkheid en dus minder benodigd budget. Een hoger aandeel WW’ers betekent een grotere kans op doorstroom naar de bijstand, en dus meer benodigd budget.
De R-kwadraat onderaan laat ons zien hoeveel van de fluctuaties in het objectief budgetaandeel te wijten is aan de verklarende variabelen. We zien dat een groot deel van de fluctuaties door deze verklarende variabelen wordt veroorzaakt. De regiokenmerken alleen (voorlaatste rij) verklaren al bijna de helft (0,5) van de schommelingen in 2021, en in 2020 en 2019 zelfs meer dan de helft van de fluctuaties in budgetaandeel. De overige gemeentekenmerken verklaren in 2020 ook een substantieel deel van de fluctuaties (10%), en in 2019 een klein deel (2%). Veranderingen in het opleidingsniveau in de gemeente (HCI) en de bevolkingsomvang verklaren dus doorgaans ook een relatief klein deel van de budgetfluctuaties.
Welke regiokenmerken dragen het meeste bij aan de budgetfluctuaties? Dat zien we onder meer aan de statistische significantie. De variabele Aandeel WW’ers is ieder jaar een consistente en significante oorzaak van fluctuaties in het budgetaandeel. Dat geldt ook voor Buurt waar werken niet de norm is en Overlast in de buurt, maar deze
regiokenmerken zijn niet ieder jaar veranderd. Beschikbaarheid van werk en Werkend onder niveau zijn doorgaans ook invloedrijke regiokenmerken. Voor respectievelijk 2019 en 2021 wijzen de coëfficiënten van deze regiokenmerken wel in de juiste richting, al is niet uit te sluiten dat dit door toeval komt (niet statistisch significant). Veranderingen in de Beschikbaarheid van laagopgeleid werk en het Aandeel studenten zijn nauwelijks een verklaring voor veranderingen in het budgetaandeel.
2.3 Omvang van jaarlijkse veranderingen verschilt per regiokenmerk
Het feit dat het Aandeel WW’ers telkens de grootste coëfficiënt heeft, betekent nog niet meteen dat deze variabele ook het grootste effect heeft. Het is namelijk zo dat de jaarlijkse verandering van het Aandeel WW’ers in een gemeente zelden boven de 0,01 (1%) ligt. Er is ook niet zo veel variatie tussen de gemeenten op dit vlak. Dit is te zien in figuur 2:
de waarden van (de verandering in) het Aandeel WW liggen erg dicht bij elkaar (donkerblauw). Dat geldt ook voor Beschikbaarheid van werk (roze) en Aandeel studenten (bruin). Dat laatste regiokenmerk heeft echter geen significante invloed op de budgetfluctuaties.
Figuur 2. Boxplot van de jaarlijkse verandering in de regiokenmerken in 2021 (links) en 2020 (rechts), ten opzichte van het jaar ervoor. Enkel gemeenten die volledig objectief gebudgetteerd worden. N=131. Bron: Atlas
Research/SEO. De boxplots laten zien wat de spreiding is van de verandering in de regiokenmerken. Hoe langwerpiger de boxplot, hoe meer spreiding de variabele kent. De ‘box’, het rechthoekige deel van de grafiek, betreft 75% van de gemeenten. Het streepje in het midden van de box is de mediaan, de middelste
waarneming. De streepjes buiten het rechthoekige deel, de ‘whiskers’, bevatten de overige 25% van de gemeenten, met uitzondering van eventuele uitbijters, die in stippen staan aangegeven boven of onder de whiskers.
Werkend onder niveau (oranje) en Buurt waar werken niet de norm is (turquoise) hebben een kleinere maar (doorgaans) significante coëfficiënt. figuur 2 toont echter dat de waarde van deze kenmerken jaar-op-jaar flink kan veranderen, en dat deze verandering sterk verschilt per gemeente. Dat geldt in het bijzonder in 2021 voor Buurt waar werken niet de norm is, omdat deze variabele dat jaar vanwege databeperkingen grondig moest worden herzien. Maar ook in 2020 is voor deze variabele veel spreiding te zien. Er zijn behoorlijk veel zogenoemde uitbijters bij Werken niet de norm: dat zijn gemeenten waar de verandering in het regiokenmerk opvallend veel groter is dan elders (de stippen in de grafiek). Bij Werkend onder niveau is er ook veel spreiding te zien in de cijfers, inclusief enkele uitbijters. Dit geldt in mindere mate voor Overlast in de buurt (blauw); hier zijn bijvoorbeeld geen uitbijters te zien. Beschikbaarheid van laagopgeleid werk (paars) springt ook veel op en neer, maar deze variabele heeft geen doorslaggevend effect op de budgetfluctuaties.
2.4 Effectgrootte = impact van veranderingen x omvang van veranderingen in regiokenmerken
Om het effect van variabelen beter vergelijkbaar te maken, helpt het om de variabelen te standaardiseren. Zo ontstaat voor elke variabele een maatstaf van effectgrootte in de vorm van een (gestandaardiseerde) regressiecoëfficiënt. De variabele met de grootste (statistisch significante) gestandaardiseerde coëfficiënt, is de grootste verklarende factor voor budgetfluctuaties. Bovendien kun je de effecten door de jaren heen vergelijken. De effecten staan in tabel 2. De directe interpretatie van de gestandaardiseerde coëfficiënten is minder concreet: een toename van de variabele A met een standaardafwijking, leidt tot een toename van het objectief budgetaandeel met x%.
Het regiokenmerk Aandeel WW’ers blijkt de belangrijkste reden waarom budgetaandelen fluctueren. Deze variabele heeft de grootste effectgrootte, met name in 2019. Verder zien we een relatief sterke invloed van Beschikbaarheid van werk (behalve in 2019) en Werkend onder niveau (behalve in 2021). In het ene jaar (2020) dat Overlast in de buurt veranderde, had deze variabele een belangrijk effect op de budgetfluctuatie. Verder is het effect van Buurt waar werken niet de norm is redelijk groot in 2021, maar in 2020 minder groot. Het aandeel huishoudens met een Lage Human Capital index is met name in 2020 een belangrijke factor.
Afhankelijke variabele:
% Mutatie Objectief budgetaandeel
2021 t.o.v.2020
2020 t.o.v. 2019
2019 t.o.v. 2018
Constante -0,0035 0,0035* -0,0230***
Mutatie Beschikbaarheid van werk g.st -0,0111*** -0,0159*** -0,0034 Mutatie Beschikbaarheid van l.gesch. werk g.st 0,0095 -0,0048* # Mutatie Werkend onder niveau g.st 0,0062 0,0109*** 0,0128***
Mutatie Buurt waar werken niet de norm is g.st 0,0080*** 0,0041** ^ Mutatie Aandeel WW’ers g.st 0,0113*** 0,0104*** 0,0220***
Mutatie Aandeel studenten g.st -0,0003 0,0022 -0,0051*
Mutatie Overlast in de buurt g.st # 0,0109*** #
Mutatie Aandeel huishoudens met HCI laag g.st 0,0010 0,0115*** 0,0051**
Mutatie Aandeel bevolk. dat AOW-leeftijd bereikt g.st 0,0001 0,0003 -0,0012
% Mutatie Aantal Huishoudens tussen 18-AOW g.st 0,0003 0,0049** 0,0047*
R-kwadraat totaal 0,467 0,681 0,667
R-kwadraat enkel door regiokenmerken 0,467 0,583 0,646
Aantal gemeenten in de analyse 131 131 119
Tabel 2. Resultaat lineaire regressies met gestandaardiseerde regio- en gemeentekenmerken. Standaardisering betekent dat van elke waarneming het gemiddelde van deze variabele is afgetrokken, en vervolgens gedeeld door de standaardafwijking. ***: significant met 99% betrouwbaarheid; **: significant met 95%
betrouwbaarheid; *: significant met 90% betrouwbaarheid. Alle coëfficiënten met absolute waarde groter dan 1% zijn roze gearceerd. #: deze variabele is dit jaar niet veranderd of net geïntroduceerd, daarom is deze variabele buiten beschouwing gelaten. ^: deze variabele is in 2019 slechts voor een enkele gemeente veranderd. Daarom is dit cijfer nietszeggend. Bron: Berekening Significant APE op cijfers Lias-BUIG, CBS en Atlas Research/SEO.
3 Regiokenmerken onder de loep
We weten nu dat regiokenmerken een doorslaggevend effect hebben op de fluctuaties in budgetaandelen, en ook welke variabelen daarin het meest bepalend zijn. Omdat de regiokenmerken zo’n belangrijk aandeel hebben in de
verdeelsystematiek, is het van groot belang dat de regiokenmerken de lokale situatie ook correct weerspiegelen. In dit hoofdstuk gaan we nader in op de waarden en meetwijze van regiokenmerken.
3.1 Focus op betrouwbaarheid van regiokenmerken
Aangezien dit onderzoek zich richt op de fluctuaties door de tijd, gaan we met name in op de betrouwbaarheid van de regiokenmerken door de tijd. De waarden moeten idealiter betrouwbaar gemeten zijn voor alle gemeenten.4 Jaarlijkse veranderingen in de waarden komen dan nog voor, maar enkel als dit het gevolg is van wijzigingen in de lokale situatie.
Dus niet als gevolg van ruis of meetfouten. Zo wel, dan ontstaan onterechte fluctuaties in de budgetaandelen, waar gemeenten last van hebben.
We focussen onze analyse op opmerkelijke sprongen in de waarden van de regiokenmerken en de berekening van de cijfers. Rare sprongen zijn een aanwijzing voor beperkte betrouwbaarheid van de meting. Het is bijvoorbeeld niet te verwachten dat een gemeente van het ene op het andere jaar van de top van Nederland springt naar het gemiddelde.
Daarnaast kijken we naar de bronnen van de cijfers, om te beoordelen in hoeverre een gemeten sprong plausibel is.
Daarbij geldt: hoe beter de broncijfers en de berekening, hoe groter het vertrouwen dat een sprong in de data een werkelijke verandering van de lokale situatie weerspiegelt en niet het gevolg is van statistische ruis.
3.2 Overzicht betrouwbaarheid aan de hand van sprongen in cijfers
Als eerste geven we een overzicht van de sprongen in de regiokenmerken. Om de regiokenmerken onderling meer vergelijkbaar te maken, kijken we naar sprongen in rangscores in plaats van sprongen in waarden. De gemeente met de hoogste waarde op een kenmerk krijgt rang 1, de laagste rang 131. Na een jaarlijkse update van cijfers veranderen de rangen. Hoe groter de veranderingen in rang (rangsprongen, figuur 3), hoe minder stabiel een regiokenmerk is door de tijd. Hoe meer naar rechts (minder stijl) in figuur 3 een regiokenmerk is weergegeven, hoe meer grote rangsprongen er zijn, en dus hoe minder stabiel de variabele is. Instabiliteit kan een teken zijn van ruis (onbetrouwbaarheid).
Figuur 3. Cumulatieve verdeling van de jaarlijkse sprongen in rang naar regiokenmerk. Elk van de 131 gemeenten krijgt een rang op basis van de score op het regiokenmerk in een bepaald jaar. Bij een jaarlijkse update van cijfers
4 Een verdeelmodel moet op dat vlak aan hogere eisen voldoen dan een verklarend statistisch model. Een verklarend statistisch model hoeft immers niet voor iedere afzonderlijke waarde (gemeente) een accurate voorspelling te maken.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
2 5 10 15 25 40 75 100 131 Aandeel
gemeenten
Horizontale as: Rangsprong, 2021
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
2 5 10 15 25 40 75 100 131 kleiner of gelijk aan waarde
2020
Beschikbaarheid van werk
Beschikbaarheid van laaggeschoold werk Werkend onder niveau
Buurt waar werken niet de norm is Overlast
Aandeel WW
Aandeel studenten
verspringt de rang van de gemeenten: een rangsprong. Bron: Berekening Significant APE op cijfers Atlas Research/SEO.
We komen straks terug op de individuele regiokenmerken, maar hier volgt alvast een eerste observatie. Het kenmerk Buurt waar werken niet de norm is (turquoise) maakt de grootste sprongen in 2021: meer dan de helft van de
gemeenten verspringt meer dan 15 plaatsen, en 30% springt meer dan 25 rangen naar boven of beneden. In 2020 zijn Werkend onder niveau (oranje) en Beschikbaarheid van laaggeschoold werk (paars) het meest volatiel: iets meer dan de helft van de gemeenten springt meer dan 10 plaatsen en 10% springt meer dan 25 rangen. Deze regiokenmerken komen ook in 2021 terug als meer volatiel. Beschikbaarheid van werk (roze) en Aandeel studenten (bruin) zijn de meest stabiele variabelen in dit opzicht. Hier verspringt de rang van gemeenten maar weinig: meer dan de helft van de gemeenten springt maximaal 2 rangen in 2021. Overlast in de buurt (blauw) en Aandeel WW’ers (donkerblauw) zijn gemiddeld volatiel. Er zijn sterke gelijkenissen met figuur 2.
Dit geeft nog geen volledig beeld. Een rangsprong kan betekenen dat een waarde fors is aangepast, maar ook dat de waarden tussen gemeenten niet veel verschilden. Ook is instabiliteit nog geen volledig bewijs voor onbetrouwbaarheid.
Daarom moeten we dieper kijken: per regiokenmerk. We focussen op de regiokenmerken met een significante invloed op de budgetfluctuaties.
3.3 Beschikbaarheid van werk: betrouwbaar
Het regiokenmerk Beschikbaarheid van werk is gemeten als de werkgelegenheid in de regio (bereikbaar binnen acceptabele reistijd) gedeeld door de beroepsbevolking in de regio (binnen acceptabele reistijd). De bereikbare werkgelegenheid is berekend op basis van registerdata van de locatie van arbeidsplaatsen en gegevens over de reistijd tussen regio’s. De beroepsbevolking is gebaseerd op enquêtegegevens en bevolkingsstatistieken. Het CBS rapporteert de beroepsbevolking per gemeente afgerond op duizendtallen. Omdat een groot deel van de gegevens registerdata betreft, verwachten we geen grote meetfouten of onlogische jaarlijkse sprongen.
Het regiokenmerk verandert van jaar op jaar niet veel. Dat zagen we al in Figuur 2 en in figuur 3. Dit past bij het feit dat deze variabele de arbeidsmarktsituatie in de regio weerspiegelt: die verandert niet zo grillig van jaar op jaar. De gemeente met de grootste rangsprong is gemeente Meierijstad in 2020 (figuur 4). Deze gemeente springt van rang 69 naar 42. De sprong in de waarde is niet per se onrealistisch groot.
Figuur 4. Regiokenmerk Beschikbaarheid van werk, geselecteerde gemeenten. Bron: Atlas Research/SEO.
We concluderen dat dit regiokenmerk de toets van betrouwbaarheid doorstaat. Dit is geruststellend, gezien de aanzienlijke invloed van deze variabele op de dynamiek van de budgetaandelen.
0,7 0,72 0,74 0,76 0,78 0,8 0,82 0,84 0,86 0,88 0,9
2018 2019 2020 2021
Beschikbaarheid van werk
Almelo Meierijstad
Midden-Groningen Gemiddelde Laagste 10% Hoogste 10%
3.4 Werkend onder niveau: onbetrouwbaar
Het regiokenmerk Werkend onder niveau is gebaseerd op enquêtegegevens. De variabele is gemeten als “het aandeel hoogopgeleiden dat werkt in laaggeschoolde banen”. Deze gegevens komen uit de Enquête Beroepsbevolking (EBB).
Ook hier wordt weer gekeken naar banen en leden van de beroepsbevolking binnen acceptabele reistijd. Uit de enquête wordt bepaald hoe vaak het voorkomt dat hoogopgeleide5 personen werken in een laagopgeleide baan. Dit wordt gedeeld door de beroepsbevolking met lage opleiding. Van opleidingsgegevens is bekend dat deze niet perfect zijn.
Doordat enquêtes met onvolledige dekking de bron zijn van deze cijfers, treden er ruismutaties op. Dit regiokenmerk heeft een bijzonder grote kwetsbaarheid voor deze mutaties, omdat (benodigd) opleidingsniveau meerdere keren voorkomt in de formule. Dat is risicovol.
figuur 5 toont hoe dit kan uitpakken in de cijfers voor gemeenten. Gemeente Terneuzen sprong in 2020 van rang 113 naar rang 34, om vervolgens weer naar rang 109 te springen. Dit regiokenmerk zou theoretisch gezien nooit zo veel mogen springen. Hoewel werken onder niveau deels een conjunctureel verschijnsel is, is het niet logisch dat dit in een enkele gemeente in een jaar zo snel verandert, om vervolgens weer te herstellen. Ook gemeente Almelo maakt sprongen: in 2020 sprong zij van het gemiddelde naar de laagste 10%. Niet getoond in de grafiek (vanwege een herziening in de definitie) is dat Almelo in 2018 nog tot de hogere scores behoorde. Dus binnen twee jaar gaat Almelo van hoog naar laag. Ook Peel en Maas en Horst aan de Maas (niet getoond, zeer vergelijkbaar cijfer aan Peel en Maas vanwege naburige ligging) sprongen, van het gemiddelde in 2019 richting de top 10% in 2021.
Figuur 5. Regiokenmerk werkend onder niveau, geselecteerde gemeenten. Bron: Atlas Research/SEO.
We concluderen dat dit regiokenmerk niet voor alle gemeenten betrouwbare resultaten heeft gegeven de afgelopen jaren. Dat is risicovol, gezien de belangrijke invloed die deze variabele heeft op de budgetaandelen. Het ligt voor de hand dat deze variabele tot oneigenlijke budgetfluctuaties heeft geleid voor gemeenten als Almelo, Terneuzen, Peel en Maas en Horst aan de Maas.
3.5 Buurt waar werken niet de norm is: betrouwbaarheid monitoren
De berekening van het regiokenmerk Buurt waar werken niet de norm is, is bij de modelberekening 2021 gewijzigd.
Gegevens van de oude definitie waren niet meer beschikbaar. Dit heeft geleid tot een aanpassing van de cijfers met forse rangsprongen (figuur 3). Gemeente Dordrecht sprong bijvoorbeeld van rang 10 naar rang 115 (van de 131). Voor Amsterdam gebeurde iets vergelijkbaars. Er zijn nog veel meer voorbeelden. Maar ook in het jaar 2020 veranderde dit kenmerk hier en daar fors. In Sittard-Geleen en Alphen aan den Rijn is te zien dat een sprong in 2020 in het jaar 2021 weer werd geneutraliseerd (figuur 6). Het is niet logisch om te verwachten dat dit kenmerk van jaar op jaar zo sterk wijzigt: het betreft immers ingesleten culturele patronen die langdurig zijn.
5 In documentatie van Atlas Research/SEO wordt ook gesproken van hoogopgeleide en middelbaar opgeleiden.
1,1 1,15 1,2 1,25 1,3 1,35 1,4 1,45 1,5
2019 2020 2021
Werkend onder niveau
Almelo Terneuzen Peel en Maas
Gemiddelde Laagste 10% Hoogste 10%
Figuur 6. Regiokenmerk Aandeel mensen woonachtig in een buurt waar werken niet de norm is, geselecteerde gemeenten. Bron: Atlas Research/SEO.
De berekening van de variabele kunnen wij niet volledig doorgronden, maar de indicator probeert te vangen dat in sommige buurten werken minder de norm is dan in andere. Een ingewikkelde berekening is nodig om te voorkomen dat gemeten wordt in welke gemeenten werken niet de norm is.6 Het gaat dus om: in welke buurten is er, ten opzichte van het gemiddelde in de omgeving, een sterke norm om niet te werken? De berekening neemt het aantal
uitkeringsgerechtigden (tot 2020: niet-werkende werkzoekenden) per lid van de potentiële beroepsbevolking binnen een straal van 100 meter, en deelt dit door hetzelfde cijfer voor een straal van 5 kilometer. Vervolgens wordt dit cijfer in categorieën opgedeeld. De berekening volgt uit registerdata, maar is op een dusdanig laag schaalniveau (zescijferig postcodegebied) dat ruis alsnog aan de orde kan zijn.
Een andere opvallende verandering is dat de weging van het regiokenmerk in het verdeelmodel fors is toegenomen sinds de herziening in 2021. Het gemiddelde cijfer van het regiokenmerk bleef tussen 2020 en 2021 ongeveer gelijk, maar de coëfficiënt in het verdeelmodel nam toe van +0,46 naar +1,60; een toename van 350%. Gemeenten met een hoge waarde voor dit regiokenmerk in 2021, hadden daarom een flinke schuif omhoog in het budgetaandeel. Dat geldt voor Almelo, maar bijvoorbeeld ook voor Heerlen, waar het budgetaandeel met 10% steeg in 2021. Barendrecht heeft juist een van de laagste waarden voor het kenmerk in 2021; het budgetaandeel daalde daar met meer dan 8%.
De herziening van de variabele Buurt waar werken niet de norm is, heeft in dat jaar grote impact gehad op de budgetschommelingen in sommige (geselecteerde) gemeenten. Maar ook voor 2021 traden er onverwachte patronen op in de cijfers. Het is wachten op de update van 2022 om te bezien of de stabiliteit van de cijfers (en de coëfficiënt) na herziening groter is geworden.
3.6 Overlast in de buurt: betrouwbaarheid is een aandachtspunt
Overlast in de buurt is een samengestelde indicator op basis van de Veiligheidsmonitor, een enquête die eens in de twee jaar een update krijgt. In de enquête worden mensen gevraagd naar hun beleving van de overlast en veiligheid in de buurt. Voor de stabiliteit van de cijfers kan een nadeel zijn dat het gaat om subjectieve beleving. Mogelijk
beïnvloeden andere omstandigheden het oordeel, waardoor ruis ontstaat. Daarnaast is het risico van de lagere frequentie van de enquête dat de ontwikkelingen per gemeente meer schoksgewijs gaan dan wanneer er een jaarlijkse meting was. Beide zijn een aandachtspunt voor de stabiliteit.
Uit figuur 3 weten we dat de wijziging in modeljaar 2020 meer (rang)sprongen opleverde dan bijvoorbeeld Beschikbaarheid van werk, maar niet zo extreem als Werkend onder niveau. figuur 2 liet geen uitbijters zien, ofwel gemeenten die een statistisch opvallend sterke stijging of daling hadden van de waarden. figuur 7 toont evenwel enkele
6 ‘Gemeenten waar werken niet de norm is’ volstaat niet als regiokenmerk: dit cijfer is te beïnvloedbaar en is niet onafhankelijk van de kans op bijstand (omgekeerde causaliteit).
0 0,05 0,1 0,15 0,2 0,25 0,3
2019 2020 2021
Werken niet de norm
Almelo Dordrecht
Alphen aan den Rijn Sittard-Geleen
Gemiddelde Laagste 10%
Hoogste 10%
sprongen in de cijfers. De Ronde Venen en Soest hebben hetzelfde startpunt in 2018, maar komen heel anders uit in 2020. Dit vinden wij opmerkelijke ontwikkelingen, maar we kunnen niet volledig beoordelen of deze sprongen het gevolg zijn van ruis in de gegevens. In twee jaar tijd kan de overlast in een buurt aanzienlijk veranderen, ten goede of ten kwade.
Figuur 7. Regiokenmerk Overlast in de buurt, geselecteerde gemeenten. Bron: Atlas Research/SEO.
We vinden wat aanwijzingen, maar geen overtuigend bewijs dat Overlast in de buurt onbetrouwbaar is gemeten. Bij modeljaar 2022 zal het regiokenmerk weer een nieuwe waarde krijgen. Het is te hopen dat de waarden dan geen verdachte schommelingen laten zien, omdat deze variabele veel invloed heeft op de dynamiek van de budgetaandelen (van 2020).
3.7 Aandeel WW’ers: betrouwbaar
Het aandeel WW’ers is berekend door het aantal personen met een WW-uitkering te delen door de beroepsbevolking in de gemeente. Het aantal personen met een WW-uitkering is beschikbaar uit registerdata. De beroepsbevolking is gebaseerd op enquêtegegevens en bevolkingsgegevens. Het CBS rapporteert de beroepsbevolking in de gemeente afgerond op duizendtallen. Hoewel de afronding op duizendtallen voor kleinere gemeenten tot wat sprongen kan leiden in de variabele, zal dit voor de objectief gebudgetteerde gemeenten doorgaans minder problematisch zijn.
figuur 3 laat zien dat er soms behoorlijke rangsprongen zijn van gemeenten. Dat blijkt ook uit onderstaande figuur 8. We hebben gemeente Hardenberg getoond. De gemeente had in 2018 nog een van de hoogste aandelen WW’ers.
Vanwege snel herstel presteerde de gemeente in 2020 en 2021 weer gemiddeld. Hier herstelde de conjunctuur dus rap.
In Almelo speelt dit ook enigszins, maar in veel mindere mate. De regionale conjunctuur kan heel sterk verschillen:
sommige regio’s zijn conjunctuurgevoeliger dan andere. Dit heeft bijvoorbeeld met lokale sectorstructuur en
arbeidsmarktomstandigheden te maken. Het is logisch en verklaarbaar dat het aandeel WW’ers juist veel is gewijzigd in gemeenten met een hoog aandeel in 2018. Het is immers makkelijker om van 6% naar 5% WW’ers te gaan, dan van 3% naar 2%. De cijfers zijn daarmee plausibel.
We concluderen dat het aandeel WW’ers betrouwbaar gemeten is; de sprongen die we zien zijn plausibel en gebaseerd op registerdata. Dit is geruststellend, omdat deze variabele het meeste invloed van alle regiokenmerken heeft op de dynamiek van de budgetaandelen.
0,1 0,15 0,2 0,25 0,3 0,35
2018 2020
Overlast in de buurt
Almelo Berkelland Soest
De ronde Venen Gemiddelde Laagste 10%
Hoogste 10%
Figuur 8. Regiokenmerk Aandeel WW’ers, geselecteerde gemeenten. Bron: Atlas Research/SEO.
3.8 Andere regiokenmerken
De regiokenmerken Beschikbaarheid van laaggeschoold werk en Aandeel studenten hebben geen grote invloed op de budgetaandeelfluctuaties. Wel valt op uit fFiguur 2 en figuur 3 dat de Beschikbaarheid van laaggeschoold werk minstens zo volatiel beweegt als Werkend onder niveau. Opleidingsniveau is hier weer een belangrijke factor. Als dit regiokenmerk in de toekomst een belangrijkere invloed gaat krijgen, worden de budgetaandelen dus waarschijnlijk volatieler. Het aandeel studenten is een kenmerk dat uit registerdata komt en betrouwbaar gemeten is.
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07
2018 2019 2020 2021
Aandeel WW'ers
Almelo Hardenberg Gemiddelde
Laagste 10% Hoogste 10%
4 Waar slaan de effecten neer?
We hebben in hoofdstuk 2 vastgesteld welke regiokenmerken invloed hebben op budgetfluctuaties, en in hoofdstuk 3 of dat vooral komt door ruis of door correct gemeten schommelingen. Nu bekijken we op welke gemeenten dit vooral impact heeft. In tabel 3 hebben we de tien gemeenten gezet met de grootste budgetaandeelfluctuaties over de afgelopen vier jaar. Bijlage 2 bevat een beschrijving hoe we deze selectie gemaakt hebben. Op basis van de tabel doen we een aantal observaties.
2018-2019 2019-2020 2020-2021
Heerlen -4,2% -4,8% 10,1%
Eindhoven -5,6% -4,1% 6,0%
Sittard-Geleen -8,2% -2,7% 6,9%
Hengelo -6,4% -4,8% -3,1%
Helmond -11,1% -3,2% 5,3%
Horst aan de Maas -6,4% -15,0% 5,6%
Hardenberg -8,6% -7,7% -1,3%
Enschede -5,7% 0,2% -4,7%
Roermond -9,3% -3,5% 5,8%
Almelo -8,1% -4,7% 1,9%
Overall gemiddelde (verabsoluteerde) verandering (N=119)
4,0% 2,6% 2,9%
Tabel 3. Jaarlijkse procentuele verandering van het budgetaandeel; gemeenten met de grootste budgetfluctuaties. Hoe donkerder de markering, hoe groter de budgetaandeelfluctuatie. Enkel gemeenten die in alle
regressieanalyses zijn meegenomen (N=119). Bron: berekeningen Significant APE op cijfers Lias-BUIG.
4.1 Er zijn gemeenten die elk jaar te maken hebben met grote budgetaandeelfluctuaties…
Ten eerste zien we dat bijna alle gemeenten in de top-10 ieder jaar een grotere fluctuatie van het budgetaandeel hebben dan gemiddeld (laatste rij). Vaak is er sprake van een min in 2019 en 2020, en een plus in 2021, zoals in Almelo. We hebben ook gemeenten gezien die elk jaar zo goed als hetzelfde budgetaandeel hebben (niet getoond). Het risico op budgetfluctuaties is dus groter in gemeenten die eerder ook al forse fluctuaties hadden. Sommige gemeenten hebben hierdoor een veel minder duidelijk beeld van hun toekomstige budgettaire opgave dan andere. En belangrijker:
sommige gemeenten lopen meer kans dan andere om te worden geraakt door budgetfluctuaties als gevolg van statistische ruis. Het speelveld is wat dit betreft dus niet gelijk.
4.2 …dit zijn meestal gemeenten met opvallende fluctuatie in regiokenmerken…
We zien onder de top-10 veel gemeenten die we eerder zijn tegengekomen in de vorige paragrafen. Met andere woorden: gemeenten met opvallende veranderingen op de regiokenmerken, hebben vaak een fluctuerend
budgetaandeel. Dat is geen wonderlijke uitkomst: we hebben immers vastgesteld dat regiokenmerken bepalend zijn voor budgetfluctuaties. De ene gemeente heeft een opvallende ontwikkeling bij Werkend onder niveau (bijvoorbeeld Almelo, Horst aan de Maas), de ander bij Aandeel WW’ers (Hardenberg) of Werken niet de norm (Heerlen, Sittard- Geleen). Ook in de groep 11-15 komen gemeenten terug die we eerder zagen: Berkelland, Peel en Maas en Terneuzen. De budgetmutatie is echter niet uitsluitend het resultaat van een optelsom van regiokenmerken. Die zijn weliswaar het belangrijkste, maar ook veranderingen in aantallen en typen huishoudens hebben invloed, net als de jaarlijks actualisatie van gewichten in het objectieve kansmodel.
4.3 …die zijn geconcentreerd in Oost-Overijssel en in Limburg
Wat verder opvalt, is de regionale clustering van deze top-10. Alle gemeenten komen uit de regio Oost-Overijssel of uit de provincie Limburg. Soms zijn het zelfs aangrenzende gemeenten. De ruimtelijke clustering is opvallend, maar ook verklaarbaar. De meeste regiokenmerken hebben immers een regionale (bovengemeentelijke) component, bijvoorbeeld Beschikbaarheid van werk of Werkend onder niveau. Ook het aandeel WW’ers kent een regionaal patroon. Maar wat we nu dus ook weten, is dat de verandering in de regionale kenmerken, en de gevolgen daarvan voor budgetfluctuaties, ook regionaal geclusterd zijn. Dit is een direct gevolg van de keuzes in het verdeelmodel.
