24480

Ministerie van Sociale Zaken en Werkgelegenheid

Postbus 90801 2509 LV Den Haag Anna van Hannoverstraat 4 Telefoon (070) 333 44 44 Telefax (070) 333 40 33

Aan de Voorzitter van de Tweede Kamer der Staten-Generaal Binnenhof 1a 2513 AA ‘s-Gravenhage

Uw brief

Ons kenmerk

BZ/BU/01/24480 Onderwerp

Datum

Verdeelmodel Fonds werk en inkomen

19 april 2001

1. Inleiding Met ingang van 2001 is de Wet Financiering Abw, IOAW en IOAZ (WFA) van kracht. Met deze wet is de financiële verantwoordelijkheid van gemeenten voor de uitkeringslasten Abw, IOAW en IOAZ vergroot. Gemeenten krijgen 75% van hun uitkeringslasten Abw, IOAW en IOAZ op declaratiebasis vergoed (was 90%), voor het resterende deel ontvangen zij een budget. In de toelichting op de WFA is aangegeven dat het de bedoeling is om, na een overgangsperiode, het gebudgetteerde deel te verdelen op basis van een objectief verdeelmodel. Gemeenten ontvangen dan middelen voor de bekostiging van uitkeringen op grond van een set objectieve, niet of slechts in beperkte mate door gemeenten te beïnvloeden kenmerken. Deze wijze van verdeling doet het meeste recht aan het uitgangspunt dat gemeenten die een relatief goed beleid voeren hiervoor in financieel opzicht worden beloond. In de toelichting werd het volgende tijdpad voor invoering geschetst: om bij de start van het Fonds werk en inkomen (FWI) herverdeeleffecten zo beperkt mogelijk te houden worden in 2001 de middelen voor het gebudgetteerde deel van de uitkeringslasten verdeeld op basis van het gemeentelijk aandeel in deze uitkeringslasten in 1998, het zogenoemde historisch aandeel. Vervolgens worden de gemeentelijke budgetten in 2002 voor 50% gebaseerd op het historisch aandeel (1999) en voor 50% op objectieve kenmerken. In 2003 vindt de verdeling volledig plaats op grond van objectieve kenmerken. In deze brief informeer ik u over de resultaten van het onderzoek dat is uitgevoerd om te komen tot een objectief verdeelmodel, over de toepassing van het model en over de vervolgprocedure voor de besluitvorming over de wijze van verdeling in 2002 en uw betrokkenheid daarbij. 2. Resultaten onderzoek

2

Voortbouwend op eerder uitgevoerd onderzoek is in de periode maart 2000 tot februari 2001 in opdracht van het ministerie van SZW een objectief verdeelmodel ontwikkeld. In de hierbij gevoegde bijlagen wordt uitvoerig ingegaan op de inhoud en totstandkoming van het model. Daarbij zijn nadrukkelijk de bij eerdere gelegenheden door uw Kamer (met name tijdens het algemeen overleg over het Fonds Werk en Inkomen (FWI) op 3 februari 2000) en gemeenten gemaakte opmerkingen en suggesties betrokken. In het rapport van de Stichting voor Economisch Onderzoek, dat als bijlage is toegevoegd, wordt in hoofdstuk 3 hierop ingegaan (bijlage 4). Een samenvatting van de onderzoeksresultaten en van de bevindingen van de technische begeleidingscommissie bij het onderzoek treft u aan in “Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten” (bijlage 1). Hierin staat weergegeven het ontwikkelde objectieve verdeelmodel (zie pagina 9 e.v. voor de kenmerken en gewichten). Op econometrische gronden is een model ontwikkeld voor de grotere gemeenten en een model voor kleinere gemeenten. Deze modellen komen overigens in belangrijke mate met elkaar overeen. In de bijlage bij “Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten” wordt een indicatief overzicht gegeven van de herverdeeleffecten voor individuele gemeenten bij toepassing van het model op het jaar 1998. Dit is het jaar met de meest recente gegevens. Herverdeeleffecten zijn in deze bijlage gedefinieerd als het verschil tussen het gemeentelijk budget (bij 25% budgettering) op grond van het objectieve verdeelmodel en de feitelijke uitgaven in 1998. Deze herverdeeleffecten geven een indicatie van de herverdeeleffecten die zouden kunnen optreden bij toepassing van het objectieve verdeelmodel. De feitelijke herverdeeleffecten kunnen pas na afloop van het jaar worden vastgesteld, omdat dan pas de feitelijke uitgaven bekend zijn. Om een zuiver beeld te geven van de mogelijke herverdeeleffecten is geen rekening gehouden met de begrenzing aan het gemeentelijk financieel risico van ƒ15,- per inwoner/15% van het budget. Indien dit wel zou zijn gebeurd, zou een vertekend beeld zijn ontstaan van de negatieve herverdeeleffecten, hetgeen een goede oordeelsvorming over de kwaliteit van het model zou belemmeren. Het overzicht van de herverdeeleffecten 1998 is samen met “Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten” naar alle gemeenten gestuurd ter voorbereiding van het bestuurlijk overleg met de VNG (zie paragraaf 3). Voor de grotere gemeenten (> 50.000 inwoners) voldoet het ontwikkelde model aan de belangrijkste eisen die aan een verdeelmodel moeten worden gesteld, namelijk: • plausibiliteit: de gehanteerde variabelen geven tezamen een aannemelijke verklaring van de objectieve bijstandsnood van gemeenten; • transparantie: de werking van het model is ook voor niet-ingewijden inzichtelijk; • beperkte herverdeeleffecten: de verschillen tussen de modelmatig berekende uitkeringslasten en de feitelijke bijstandsuitgaven blijven binnen de perken. Ondanks het feit dat er een apart model is ontwikkeld voor de kleinere gemeenten wordt voor deze gemeenten niet voldaan aan de laatste eis. Bij een aanzienlijk aantal kleinere gemeenten doen zich grote tot zeer grote herverdeeleffecten voor, die redelijkerwijs niet (geheel) aan het eigen gemeentelijk beleid kunnen worden toegeschreven.

3

3. Toepassing onderzoeksresultaten Over de uitkomsten van het onderzoek en de toepassing daarvan heeft bestuurlijk overleg plaatsgevonden met de VNG. Op 14 februari is afgesproken dat het ontwikkelde objectieve verdeelmodel op korte termijn door de VNG en SZW aan de gemeenten zou worden voorgelegd, waarbij, naast de algemene oordeelsvorming over de kwaliteit van het model als verdeelmodel, nadrukkelijk aan de orde zou komen de toepasbaarheid van het objectieve model voor kleinere gemeenten (< 50.000 inwoners) en het voorstel om aan de invoering van het objectief verdeelmodel een onderhoudstraject te verbinden. De ledenraadplegingen hebben inmiddels plaatsgevonden. De bevindingen van de ledenraadplegingen zijn betrokken bij het bestuurlijk overleg van 29 maart over de toepassing van het objectief verdeelmodel. In dit bestuurlijk overleg is overeenstemming bereikt over de volgende punten: • Bij de toepassing van het objectief verdeelmodel wordt een differentiatie aangebracht tussen drie groepen gemeenten: 1. voor gemeenten met meer dan 60.000 inwoners kan volledig het objectief verdeelmodel ingezet worden; 2. voor de gemeenten tussen de 40.000 en 60.000 inwoners wordt een glijdende schaal gebruikt tussen het historische en objectieve verdeelmodel naar rato van het aantal inwoners; 3. voor gemeenten met minder dan 40.000 inwoners wordt het historisch model gehanteerd. • Bovenstaande differentiatie geldt voor 2003. 2002 is een overgangsjaar, waarin voor de gemeenten met meer dan 40.000 inwoners minimaal 50% verdeeld wordt op basis van het historisch aandeel 1999. • Bij het toepassen van het objectieve model worden per kenmerk de meest actuele gegevens gebruikt. • Het bepalen van het inwonertal vindt op dezelfde wijze plaats als bij het gemeentefonds. • Er wordt gelijk met de invoering gestart met het onderhoudstraject. Daarbij zal (o.a.) worden bezien hoe omgegaan wordt met de problematiek van de 65+-ers die een beroep doen op de bijstand. • Het verdelen van het macrobudget over de drie groepen gemeenten geschiedt in principe op basis van het ontwikkelde objectieve model. Aandachtspunt daarbij is dat herverdeeleffecten tussen groepen gemeenten beperkt zijn en dat hierover richting gemeenten duidelijk wordt gecommuniceerd. • In 2005 vindt een evaluatie plaats, waarbij o.a. wordt bezien of de (gedeeltelijke) invoering van het objectief verdeelmodel voor gemeenten met minder dan 40.000 inwoners gewenst is. Met het bovenstaande wordt gedeeltelijk afgeweken van de eerder gekozen lijn waarbij met ingang van 2002 voor alle gemeenten een verdeling op basis van objectieve kenmerken wordt toegepast (waarbij 2002 een overgangsjaar is met voor alle gemeenten een mix van 50% historisch en 50% objectief). Hiervoor heb ik de volgende overwegingen: • gezien de omvang van de herverdeeleffecten acht ik het niet verantwoord het objectieve model op dit moment toe te passen voor de kleinere gemeenten;

4

• toepassing van het objectieve model zou ertoe leiden dat voor gemeenten die forse negatieve herverdeeleffecten hebben de financiële prikkel verdwijnt. Tekorten boven de 15% van het budget/15,- per inwoner-grens worden immers volledig door het Rijk gecompenseerd; • ook van een verdeling op historische basis gaat prikkelwerking uit. Omdat het doorgaans gaat om gemeenten met een lage bijstandsdichtheid is het nadeel dat aan deze verdeelsystematiek kleeft - dat het gemeenten bevoordeelt die relatief minder goed presteren - beperkt; • in 2003 wordt ca. 80% van het gebudgetteerde deel van de uitkeringslasten geheel of gedeeltelijk op grond van objectieve kenmerken verdeeld; • tijdens de ledenraadplegingen is gebleken dat de kleinere gemeenten in overgrote meerderheid instemmen met een verdeling op historische basis; • de afspraken laten open dat op termijn ook voor de kleinere gemeenten overgeschakeld kan worden op een (gedeeltelijke) objectieve verdeling. 4. Vervolgprocedure In de WFA is bepaald dat de wijze waarop het gemeentelijk budget wordt berekend in een Algemene maatregel van bestuur wordt vastgelegd. Thans wordt op basis van het bovenstaande de AMvB voor 2002 nader uitgewerkt. Voor deze AMvB geldt een voorhangprocedure bij het Parlement. Het is mijn bedoeling dat u deze AMvB vòòr de zomer ontvangt. Gemeenten ontvangen in mei, zoals ook vorig jaar is gebeurd, een eerste indicatie van hun budget voor 2002. Naar verwachting zal de voorhangprocedure bij het Parlement dan nog niet zijn afgerond. Dit betekent dat in de circulaire aan gemeenten een nadrukkelijk voorbehoud zal worden gemaakt. De Minister van Sociale Zaken en Werkgelegenheid,

(W.A. Vermeend)

Bijlagen: 1. ‘Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten’ 2. Het advies van de technische begeleidingscommissie bij het onderzoek 3. Het rapport van Aarts De Jong Wilms Goudriaan Public Economics (APE) ‘Naar een operationeel verdeelmodel met beperktere herverdeeleffecten’ 4. Het rapport van de Stichting Economisch Onderzoek (SEO) ‘Verklaren en verdelen’

Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten Samenvatting voor bestuurders en beleidsmakers

Ministerie van Sociale Zaken en Werkgelegenheid Maart 2001

6

Inhoud Inleiding en samenvatting 3 Fonds Werk en Inkomen 3 Behoefte aan een objectief verdeelmodel 3 Deze brochure 3 Achtergrond van het APE/SEO-model 5 Het verklaringsmodel 5 Van een verklarings- naar een verdeelmodel 5 Herverdeeleffecten 5 Het APE/SEO-model 6 Voor- en nadelen 6 Opzet en werking van het APE/SEO-model 8 Inleiding 8 Grotere gemeenten 9 Kleinere gemeenten 11 Herverdeeleffecten - alle gemeenten 13 Advies van de begeleidingscommissie 15 Het advies op hoofdlijnen 15 Voorkeur voor toepassing van het APE/SEO-model op grotere gemeenten 15 Kleinere gemeenten: geheel of gedeeltelijk op basis van historische kosten 16 Een objectief verdeelmodel behoeft een gedegen onderhoudstraject 17 Samenstelling begeleidingscommissie 18

6

7

Inleiding en samenvatting Fonds Werk en Inkomen Gemeenten financieren sinds 1 januari 2001 de kosten van de bijstandsuitgaven en de inschakeling van werkzoekenden uit het Fonds Werk en Inkomen (FWI). Het werkdeel van dit fonds bestaat uit rijksbijdragen voor de Wet inschakeling werkzoekenden en de sluitende aanpak van de langdurige werkloosheid. Het inkomensdeel heeft betrekking op de uitkeringslasten van de Algemene bijstandswet, IOAW en IOAZ. De rijksoverheid vergoedt drievierde deel van deze uitkeringslasten op declaratiebasis; de gemeente neemt 25 procent van de lasten voor haar rekening. Voor de financiering van het eigen aandeel in de uitkeringslasten ontvangt de gemeente een budget. Dit is het zogenoemde gebudgetteerde deel van de uitkeringslasten. Het FWI heeft tot doel gemeenten te stimuleren om door middel van uitstroom van cliënten naar werk het beroep op de genoemde uitkeringen te verminderen. Dit gebeurt door de vergroting van het gemeentelijke aandeel in de uitkeringslasten (dat voorheen tien procent bedroeg) en het verwijderen van financiële ‘schotten’ binnen het werkdeel van het FWI. Daarnaast mogen gemeenten die van het gebudgetteerde deel van de uitkeringslasten geld overhouden, dit naar eigen inzicht besteden in het verlengde van de doelstellingen van het FWI.

Behoefte aan een objectief verdeelmodel Om recht te kunnen doen aan de doelstellingen van het FWI, moet de verdeling van de rijksbijdrage over de gemeentelijke uitkeringsbudgetten in het FWI zoveel mogelijk zijn gebaseerd op objectieve factoren, zoals de samenstelling van de bevolking en de arbeidsmarktsituatie ter plaatse. Bij het hanteren van een goed functionerend ‘objectief verdeelmodel’ ontvangen gemeenten die in vergelijkbare omstandigheden verkeren, een vergelijkbaar budget. Dit betekent dat een gemeente die op het gebied van het uitstroombeleid bovengemiddeld presteert en zodoende lagere uitkeringslasten genereert, daarvoor via het FWI wordt beloond. Anderzijds krijgt een vergelijkbare gemeente die op dit punt achterblijft, een (negatieve) financiële impuls om die achterstand in te lopen. Het risico dat gemeenten tekortkomen aan het modelmatig berekende, gebudgetteerde deel van de uitkeringslasten, is in de wet begrensd op 15% van het budget (dat op zijn beurt betrekking heeft op 25 procent van de feitelijke uitkeringslasten). Voor gemeenten met in verhouding veel bijstandsgerechtigden is dit risico verder verminderd tot vijftien gulden per inwoner.

Deze brochure In de afgelopen jaren is in opdracht van het Ministerie van Sociale Zaken en Werkgelegenheid (SZW) uitgebreid en grondig onderzoek gedaan met het doel een objectief verdeelmodel voor de gemeentelijke uitkeringsbudgetten in het FWI te ontwikkelen. Deze brochure geeft - met name voor degenen die op bestuurlijk en/of beleidsmatig niveau bij deze kwestie zijn betrokken - in het kort het eindresultaat van deze inspanningen weer. Dit resultaat bestaat uit het ‘APE/SEO-model’ (genoemd naar de onderzoeksbureaus die het hebben ontwikkeld) in combinatie met het advies van de Technische begeleidingscommissie objectief verdeelmodel. Deze commissie bestaat uit vertegenwoordigers van de ministeries van SZW, Binnenlandse Zaken en Koninkrijksrelaties en Financiën, het Centraal Bureau voor de Statistiek, de Vereniging van Nederlandse Gemeenten en een viertal individuele gemeenten. In 2001 wijst de rijksoverheid de budgetten voor het gemeentelijk aandeel in de bijstandslasten toe op grond van het feitelijke aandeel van gemeenten in de bijstandslasten in het jaar 1998. De verdeling vindt in 2001 dus nog plaats op basis van ‘historische kosten’. Afgesproken is dat dit met ingang van 2002 gedeeltelijk gaat gebeuren op basis van objectieve factoren.

7

8

Indien wordt besloten voor het gebudgetteerde deel van de bijstandslasten een objectief verdeelmodel te hanteren, adviseert de ruime meerderheid van de begeleidingscommissie hiervoor het APE/SEO-model te gebruiken. Voor grotere gemeenten (gemeenten met meer dan 50.000 inwoners) voldoet dit model aan de belangrijkste eisen die aan een objectief verdeelmodel moeten worden gesteld. Dit zijn: plausibiliteit: de gehanteerde variabelen geven tezamen een aannemelijke verklaring van de objectieve bijstandsnood van gemeenten; transparantie: de werking van het model is ook voor niet-ingewijden inzichtelijk; beperkte herverdeeleffecten: de verschillen tussen de modelmatig berekende uitkeringslasten en de feitelijke bijstandsuitgaven blijven binnen de perken. De commissie geeft in overweging de budgetten voor kleinere gemeenten geheel of gedeeltelijk te baseren op historische kosten: een gemiddelde van de lokale uitkeringslasten in het recente verleden. De redenen daarvoor en de overige adviezen van de begeleidingscommissie, waaronder de aanbeveling om toepassing van het objectieve verdeelmodel gepaard te laten gaan met een gedegen ‘onderhoudstraject’, komen verderop in deze brochure aan de orde. Alvorens in te gaan op de opzet en werking van het APE/SEO-model, wordt kort aandacht besteed aan de ontstaansgeschiedenis ervan.

8

9

Achtergrond van het APE/SEO-model Het verklaringsmodel Vanaf 1996 zijn door verschillende onderzoeksbureaus in opdracht van het Ministerie van Sociale Zaken en Werkgelegenheid statistische modellen ontwikkeld met het doel de verschillen tussen bijstandsuitgaven van gemeenten met behulp van objectieve factoren te verklaren. Met objectieve factoren worden kernvariabelen bedoeld die niet door het gemeentelijk bijstandsbeleid zijn te beïnvloeden, een plausibel verband vertonen met de feitelijke bijstandsuitgaven en voor alle gemeenten te meten zijn. Het eindproduct van die eerste fase van het onderzoeksproces is in april 1999 verwoord in het rapport Actualisatie berekende bijstand in model van de Stichting voor Economisch Onderzoek (SEO), verder te noemen: het verklaringsmodel. De toenmalige begeleidingscommissie beschouwde het verklaringsmodel als een wetenschappelijk verantwoord model met in econometrisch opzicht optimale resultaten.

Van een verklarings- naar een verdeelmodel Het verklaringsmodel is niet alleen technisch geavanceerd, maar ook zeer complex en mede daardoor nog niet geschikt als verdeelmodel. Bij een verdeelmodel zijn uitlegbaarheid en transparantie nu eenmaal belangrijker dan bij een verklaringsmodel. Naar aanleiding van hierop gerichte kritiek uit de Tweede Kamer en van gemeenten heeft het ministerie van SZW vervolgens aan SEO opdracht gegeven het verklaringsmodel verder te ontwikkelen tot een zo eenvoudig mogelijk objectief verdeelmodel. De uitkomsten van dit model zouden een effectief gemeentelijk uitstroombeleid moeten belonen, zonder al te grote ‘herverdeeleffecten’ teweeg te brengen.

Herverdeeleffecten Herverdeeleffecten zijn verschillen tussen de feitelijke uitkeringslasten en de modelmatig berekende bedragen. Dergelijke effecten kunnen het gevolg zijn van gevoerd gemeentelijk beleid, van objectieve factoren die niet in een model zijn meegenomen en/of van toeval. Het zijn echter uitsluitend beoogde effecten indien ze het gevolg zijn van het gevoerde gemeentelijk beleid. Dat er ook niet-beoogde herverdeeleffecten optreden, is bij een objectief verdeelmodel in beginsel onontkoombaar. De grote variëteit aan specifieke gemeentelijke omstandigheden die van invloed kunnen zijn op de bijstandsuitgaven kan nooit volledig worden gevangen in een beperkt aantal objectieve factoren (variabelen), hoe zorgvuldig deze ook zijn geselecteerd. Naarmate hogere eisen worden gesteld aan de eenvoud en transparantie van een objectief verdeelmodel, zal dit minder variabelen bevatten en zullen de uitkomsten grotere herverdeeleffecten vertonen. Indien men echter effectief gemeentelijk uitstroombeleid wil belonen, is het hanteren van enigerlei objectief verdeelmodel noodzakelijk. Het alternatief - een verdeelmodel op basis van historische kosten - kent in het algemeen weliswaar kleinere herverdeeleffecten, maar heeft als belangrijk nadeel dat gemeenten die in het verleden relatief weinig aan volumebeheersing hebben gedaan, bevoordeeld worden.

Het ontwikkelen van een werkbaar objectief verdeelmodel komt neer op het zoeken naar een optimaal compromis tussen de eisen die aan zo’n model worden gesteld, zoals plausibiliteit (de selectie van variabelen die tezamen een aannemelijke verklaring geven voor de objectieve bijstandsbehoefte), transparantie (een inzichtelijk model met zo min mogelijk variabelen), beperkte herverdeeleffecten, actualiteit (gebaseerd op recente gegevens) en stabiliteit (niet te grote verschillen tussen afzonderlijke jaren). Het APE/SEO-model In eerste instantie is door SEO een lineair verdeelmodel ontwikkeld met tien objectieve verdeelkenmerken (dit model is beschreven in het SEO-rapport Verklaren en verdelen van december 2000). Een lineair

9

10

verdeelmodel is een model waarin een rechtstreeks verband wordt gelegd tussen de score van een gemeente op de verdeelkenmerken - waaronder bijvoorbeeld het aantal inwoners met een laag inkomen - en de omvang van de te verwachten lokale bijstandslasten. Naar aanleiding van de bevindingen van de begeleidingscommissie heeft het Ministerie van SZW het bureau Aarts De Jong Wilms Goudriaan Public Economics (APE) opdracht gegeven de herverdeeleffecten van dit SEO-model te verminderen, met name voor grotere gemeenten. Dit moest gebeuren zonder de plausibiliteit, transparantie en operationaliteit van dat model geweld aan te doen. Met dit doel heeft APE de verdeelkenmerken opnieuw gewogen en voor een deel aangepast. Het reeds door SEO geïntroduceerde onderscheid tussen grotere en kleinere gemeenten is verder doorgevoerd in twee afzonderlijke sets verdeelkenmerken. Met deze exercitie is APE erin geslaagd de herverdeeleffecten over de gehele linie te verminderen, zij het dat deze voor kleinere gemeenten nog steeds aanzienlijk zijn. De resultaten zijn verwoord in het APE-rapport Naar een operationeel verdeelmodel met beperktere herverdeeleffecten van februari 2001. Omdat dit model voortborduurt op het SEO-model, wordt het hier aangeduid als het ‘APE/SEO-model’.

Voor- en nadelen De begeleidingscommissie heeft vastgesteld dat het ontwikkelde model zowel voordelen als nadelen heeft ten opzichte van het verklaringsmodel. De nadelen zijn: de herverdeeleffecten: deze zijn groter geworden omdat is uitgegaan van een lineair model met minder verdeelkenmerken. Dit geldt in grotere mate voor kleinere gemeenten dan voor grotere gemeenten. Bij kleinere gemeenten zijn de herverdeeleffecten het grootst, maar ook bij grotere gemeenten kunnen deze soms aanzienlijk zijn; de stabiliteit in de tijd: met name bij kleinere gemeenten vertonen de herverdeeleffecten tussen afzonderlijke jaren grotere verschillen, doordat de modelberekeningen nu omwille van de actualiteit zijn gebaseerd op het meest recente jaar in plaats van op een periode van vijf jaren. Op de volgende punten laten de objectieve verdeelmodellen betere resultaten zien dan het verklaringsmodel: transparantie: het aantal verdeelkenmerken is beperkt tot tien; de gevolgen van veranderingen in de score op verdeelkenmerken voor het gemeentelijk budget zijn redelijk eenvoudig uit het model af te lezen; plausibiliteit: bij de selectie van de verdeelkenmerken heeft het verwachte effect op de uitkeringslasten een belangrijke rol gespeeld; actualiteit: de verbanden tussen verdeelkenmerken en uitkeringslasten zijn geschat op basis van informatie over het jaar, drie jaren voorafgaand aan het jaar waarin de bijstandsuitgaven worden gedaan. Daarmee is de vertragingsfactor, die in het verklaringsmodel nog vijf jaren bedroeg, teruggebracht tot drie jaren. Dit is het recentste jaar waarover voldoende informatie beschikbaar is; gemeentelijke herindelingen: bij samenvoeging van gemeenten ligt het berekende totale budget dichter bij de som van de afzonderlijke budgetten dan in het verklaringsmodel, terwijl voorkomende verschillen beter zijn te verklaren.

10

11

Opzet en werking van het APE/SEO-model Inleiding Het APE/SEO-model is doorgerekend voor het verdelen van budgetten voor: de ‘bijstand tot 65 jaar’ en de ‘totale bijstand in ruime zin’; grotere en kleinere gemeenten.

De bijstand tot 65 jaar en de totale bijstand in ruime zin Het oorspronkelijke verklaringsmodel is opgezet met het oog op de bijstand tot 65 jaar (veruit het grootste deel van de bijstandsuitgaven). Bij de ontwikkeling van het objectieve verdeelmodel is daarop voortgeborduurd. Berekeningen laten echter zien dat de uitkomsten van de objectieve modellen hetzelfde patroon vertonen indien ze worden toegepast op de totale bijstand in ruime zin. Onder totale bijstand in ruime zin wordt hier verstaan: de uitkeringslasten algemene bijstand voor thuiswonende personen van alle leeftijden, zelfstandigen, personen verblijvend in inrichtingen en de uitkeringslasten Ioaw en Ioaz. De modeluitkomsten voor deze ruimere doelgroep zijn in deze brochure weergegeven. De budgettering in het kader van het FWI heeft namelijk betrekking op deze doelgroep.

Grotere en kleinere gemeenten Het onderscheid tussen grotere en kleinere gemeenten is van belang omdat de bijstandsbepalende factoren voor gemeenten met meer dan 50.000 inwoners verschillen van die voor gemeenten met minder dan 50.000 inwoners. In verband met deze verschillen valt het APE/SEO-model uiteen in twee deelmodellen: een voor grotere en een voor kleinere gemeenten. Om bij de toedeling van bijstandsbudgetten een vloeiende overgang tussen beide categorieën gemeenten te kunnen creëren, hebben deze deelmodellen betrekking op respectievelijk 40.000+ en 60.000- gemeenten. Voor grotere gemeenten onderscheidt het APE/SEO-model tien verdeelkenmerken; voor kleinere gemeenten zijn dit er negen. De selectie van de verdeelkenmerken is totstandgekomen na zorgvuldige weging en beproeving van tientallen mogelijke variabelen. Daarbij is uitdrukkelijk rekening gehouden met de beschikbaarheid van betrouwbare statistische informatie en de door gemeenten en de Tweede Kamer ingebrachte suggesties en opmerkingen bij het verklaringsmodel.

Verdeelkenmerken, tekens en gewichten Alle verdeelkenmerken van het model hangen lineair samen met de bijstandsuitgaven. Voor elk verdeelkenmerk is eerst op logische gronden het verwachte teken bepaald: + voor een positief effect op de uitkeringslasten en - voor een negatief effect. Vervolgens is op basis van empirisch onderzoek per verdeelkenmerk het teken en het gewicht in guldens geschat. Bij deze schattingen is aan gemeenten een groter gewicht toegekend naarmate zij meer inwoners hebben. Potentiële verdeelkenmerken waarvan het gewicht in guldens niet-plausibel of statistisch niet-significant is, zijn in beginsel niet in het model opgenomen, ook niet als door het weglaten ervan de herverdeeleffecten toenemen. De werking van het model is onder meer getest door middel van simulaties met zeven cases, waarin is uitgegaan van (extreme) wijzigingen in de score op verdeelkenmerken.

Grotere gemeenten De relaties tussen de verdeelkenmerken en de bijstandslasten

11

12

Tabel 1 toont de tien in het APE/SEO-model onderscheiden verdeelkenmerken voor grotere gemeenten, met daarachter het op basis van onderzoek gevonden teken en gewicht in guldens. Alle geschatte gewichten zijn statistisch significant. Het model verklaart 98 procent van de variatie in de gemeentelijke bijstandsuitgaven.

Tabel 1: Verdeelkenmerken, geschatte tekens en gewichten voor de totale bijstand in ruime zin in 2001: 40.000+ gemeenten Verdeelkenmerk

1. Lage inkomens (in % van de personen met inkomen, 1998) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998) 3. Verhuizingen (vertrek per 100 inwoners, 1998) 4. Arbeidsongeschikten (in % van inwoners 20-64 jaar, 1998) 5. Totaal allochtonen (in % van alle inwoners, 1998) 6. Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998) 7. Huurwoningen (in % van alle woningen, 1998) 8. Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking, 1997) 9. Regionaal klantenpotentieel (x 1.000, 1998) 10. Omgevingsadressendichtheid (1998) Constante

Gewicht (guldens) 57,240 112,279 32,549 -35,810 6,044 78,454 6,739 -52,686 0,2864 -0,0597 2.967,288

Bron: APE Toepassing van het model Het gebudgetteerde deel van de bijstandslasten voor een grotere gemeente kan aan de hand van tabel 1 als 1 volgt worden berekend : bepaal de score van de gemeente op elk afzonderlijk verdeelkenmerk; vermenigvuldig de score per verdeelkenmerk met het gewicht in guldens; het saldo van de positieve en negatieve uitkomsten plus de constante van f 2.967,288 vormen tezamen de totale verwachte bijstandslasten per inwoner van 20 jaar en ouder; het gebudgetteerde deel van de bijstandslasten bedraagt 25 procent van de totale verwachte bijstandsuitgaven, althans indien de som van de modelmatig berekende gemeentelijke budgetten gelijk is aan het geraamde macrobudget. Voorzover dit laatste niet het geval is, volgt een correctie van de gemeentelijke budgetten.

Toelichting per verdeelkenmerk (1) Lage inkomens (in procenten van de personen met inkomen, 1998) Het percentage mensen met een laag inkomen is een kernvariabele in het model. Uit onderzoek blijkt dat dit verdeelkenmerk een sterke relatie met de bijstandsuitgaven vertoont: hoe meer inwoners met een laag inkomen, des te groter zijn de bijstandsuitgaven per inwoner. Ook de modelberekeningen laten een dergelijke positieve relatie zien. De volgende opsomming geldt in feite uitsluitend voor gemeenten met meer dan 60.000 inwoners. Voor gemeenten met 40.000 tot 60.000 inwoners voorziet het model namelijk in een gewogen combinatie tussen de deelmodellen voor grotere en kleinere gemeenten. 1

12

13

(2) Eenouderhuishoudens (in procenten van de inwoners van 20-64 jaar, 1998) Dat een groter aandeel eenouderhuishoudens tot hogere bijstandsuitgaven leidt, is plausibel. De positieve invloed van deze factor is statistisch significant. (3) Verhuizingen (vertrek per 100 inwoners, 1998) Dit verdeelkenmerk wordt in het verdeelmodel van de politie gebruikt als maatstaf voor sociale achterstand en probleemcumulatie. Een relatief groot aantal verhuizingen uit een gemeente kan namelijk duiden op een gebrekkige sociale cohesie. De onderzoekers van APE verwachtten - en vonden - een positieve samenhang met de bijstandsuitgaven. (4) Arbeidsongeschikten (in procenten van de inwoners van 20-64 jaar, 1998) Indien veel inactieven een arbeidsongeschiktheidsuitkering ontvangen, kan om die reden het beroep op de bijstand lager zijn. De modelberekeningen bevestigen het bestaan van deze negatieve relatie. Bij kleinere gemeenten is deze echter niet duidelijk aanwezig. (5) Totaal allochtonen (in procenten van alle inwoners, 1998) Het kenmerk etniciteit wordt vaak genoemd als indicator van sociale achterstand en als belangrijke determinant van de bijstandsuitgaven. In het APE/SEO-model is het opgenomen als een factor die een positieve invloed uitoefent op de bijstandslasten. (6) Vrouwen 25-29 jaar (in procenten van de inwoners van 20-64 jaar, 1998) Een groter aandeel inwoners van 25-29 jaar leidt tot hogere bijstandsuitgaven. Uit nader onderzoek blijkt echter dat dit effect geheel voor rekening komt van de vrouwen in deze leeftijdsgroep. Daarom is het percentage vrouwen van 25-29 jaar als verdeelkenmerk (met een positief teken) in het APE/SEO-model opgenomen. (7) Huurwoningen (in procenten van alle woningen, 1998) Huurwoningen zijn een belangrijke voorspeller van de bijstandsuitgaven, beter dan de op het eerste gezicht plausibeler categorie sociale huurwoningen. Een groot deel van de voorraad huurwoningen in gemeenten met hoge bijstandsuitgaven is namelijk in particuliere handen; juist in de ‘slechtere wijken’. Een hoger percentage huurwoningen gaat gepaard met hogere bijstandsuitgaven. (8) Werkzame beroepsbevolking (in procenten van de totale gemeentelijke beroepsbevolking, 1997) Omdat de score op deze variabele voor grotere gemeenten op lokaal niveau kan worden gemeten, geeft het verdeelkenmerk Werkzame beroepsbevolking voor deze gemeenten een goed beeld van de heersende arbeidsmarktsituatie. Naarmate het aandeel van de werkzame beroepsbevolking in de lokale beroepsbevolking groter is, zijn de bijstandsuitgaven naar verwachting lager. Deze negatieve relatie wordt door de modelberekeningen bevestigd. (9) Regionaal klantenpotentieel (x 1.000, 1998) Het regionaal klantenpotentieel van een gemeente is een maatstaf voor de centrumfunctie van een gemeente die ook in het Gemeentefonds wordt gehanteerd. Een gemeente met een sterke centrumfunctie trekt naar verwachting meer personen uit kwetsbare groepen aan. Het veronderstelde positieve verband met de bijstandsuitgaven is in de schattingsresultaten terug te vinden. (10) Omgevingsadressendichtheid (1998) De Omgevingsadressendichtheid wordt hier - net als in het Gemeentefonds - gebruikt als een maatstaf voor de mate van stedelijkheid. Op voorhand verwachtten de onderzoekers een positieve invloed van deze variabele op de bijstandsuitgaven. Omgevingsadressendichtheid is het enige verdeelkenmerk waarbij de gevonden relatie met de bijstandslasten afwijkt van de verwachtingen. Het op basis van empirisch onderzoek gevonden gewicht duidt namelijk op een negatieve invloed van deze maatstaf voor stedelijkheid op de bijstandsuitgaven. Volgens het bureau APE zou de cumulatie van variabelen die betrekking hebben op specifiek stedelijke problematieken leiden tot een overschatting van de bijstandsbehoefte in de meest verstedelijkte gemeenten. Deze overschatting wordt modelmatig door de variabele Omgevingsadressendichtheid gecorrigeerd.

13

14

Kleinere gemeenten De relaties tussen de verdeelkenmerken en de bijstandslasten Tabel 2 toont de negen verdeelkenmerken voor kleinere gemeenten in het APE/SEO-model, met de bijbehorende tekens en gewichten. Alle geschatte gewichten zijn statistisch significant en hebben het verwachte teken. Het model verklaart 86 procent van de variatie in de gemeentelijke bijstandsuitgaven. De van het deelmodel voor grotere gemeenten afwijkende verdeelkenmerken worden in het onderstaande toegelicht.

Tabel 2: Verdeelkenmerken, geschatte tekens en gewichten voor de totale bijstand in ruime zin in 2001: 60.000- gemeenten Verdeelkenmerk 1. Lage inkomens (in % van de personen met inkomen, 1998) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998) 5. Totaal allochtonen (in % van alle inwoners, 1998) 6. Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998)

Gewicht (guldens) 17,655 132,553 2,955 30,935

7. Huurwoningen (in % van alle woningen, 1998)

3,287

9. Regionaal klantenpotentieel (x 1.000, 1998)

2,573

11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar, 1998)

249,750

12. Werkzame beroepsbevolking in RBA-regio (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak in RBA-regio (in % totaal aantal banen in RBA-regio) Constante

-14,223 -10,433 703,267

Bron: APE

Toelichting bij de specifieke verdeelkenmerken voor kleinere gemeenten (11) Werklozen met maximale WW-duur (in procenten van de inwoners van 20-64 jaar, 1998) Voor kleinere gemeenten is dit arbeidsmarktkenmerk in het model opgenomen omdat dit het enige verdeelkenmerk is dat op gemeentelijk niveau kan worden gemeten. Bij kleinere gemeenten blijkt er een statistisch significante, positieve samenhang te bestaan tussen dit verdeelkenmerk en de omvang van de bijstandsuitgaven. (12) Werkzame beroepsbevolking in de RBA-regio (in procenten van de totale beroepsbevolking in de RBAregio) Omdat voor kleinere gemeenten vrijwel geen betrouwbare informatie over lokale arbeidsmarktkenmerken beschikbaar is, zijn variabelen op RBA-niveau voor deze gemeenten onmisbaar. Bovendien blijken de bijstandsuitgaven van kleinere gemeenten in hoge mate te worden bepaald door de regionale arbeidsmarktsituatie. Het veronderstelde - en gevonden - verband tussen de omvang van de werkzame beroepsbevolking en de bijstandslasten is negatief. (13) Banen handel, horeca en schoonmaak in RBA-regio (in procenten van het totaal aantal banen in de RBA-regio)

14

15

Deze variabele is om dezelfde redenen opgenomen als de vorige. De werkgelegenheid in de genoemde sectoren biedt een laagdrempelige uitweg uit de bijstand. Het verwachte en het gevonden verband met de bijstandsuitgaven is dan ook negatief.

Herverdeeleffecten - alle gemeenten In tabel 3 zijn de herverdeeleffecten van het APE/SEO-model zichtbaar gemaakt voor de totale bijstand in ruime zin in 1998. Voor dit doel zijn de deelmodellen voor grotere en kleinere gemeenten samengevoegd en is een gewogen combinatie gehanteerd voor gemeenten met 40.000 tot 60.000 inwoners. Weergegeven zijn de gemiddelde percentuele herverdeeleffecten per grootteklasse van gemeenten. De herverdeeleffecten zijn per grootteklasse gewogen met het aandeel van de desbetreffende gemeenten in de totale bijstandsuitgaven in Nederland. Daardoor tellen herverdeeleffecten voor gemeenten met hogere bijstandslasten (dit zijn met name de zeer grote gemeenten) zwaarder dan die voor gemeenten met minder bijstandsuitgaven. De gewogen gemiddelde herverdeeleffecten laten zien in hoeverre de met het verdeelmodel berekende bijstandsbudget aansluit bij de feitelijke bijstandsuitgaven in 1998. Daarmee wordt een indicatie gegeven van de herverdeeleffecten die zouden kunnen optreden bij ongewijzigd gemeentelijk beleid. De werkelijke herverdeeleffecten kunnen pas na afloop van het uitvoeringsjaar vastgesteld worden. Bij de presentatie is verondersteld dat de bijstandsgelden voor 100% op basis van het objectieve model over gemeenten worden verdeeld. In werkelijkheid is 25% van de bijstandslasten gebudgetteerd. In guldens is het herverdeeleffect derhalve een factor 4 kleiner. Omdat bij deze berekening geen rekening is gehouden met de wettelijke risicobegrenzing op vijftien procent van het budget, respectievelijk vijftien gulden per inwoner, zijn de herverdeeleffecten in tabel 3 enigszins overschat.

Tabel 3: Gewogen herverdeeleffecten voor de totale bijstand in ruime zin bij volledige budgettering in procenten van de totale feitelijke uitgaven in 1998 Aantal inwoners

Gemeenten

Aandeel in totale bijstandsuitgaven (%)

Gewogen gemiddelde herverdeeleffecten (%)

Tot 25.000

375

13,1

20,5

25.000 - 50.000

105

14,6

12,9

50.000 – 100.000

33

16,1

5,9

100.000 – 150.000

15

13,4

7,0

Meer dan 150.000

10

42,9

3,6

(waarvan G4)

(4)

(32,6)

(2,7)

100,0

8,0

Totaal

538

Bron: APE

Uit tabel 3 blijkt dat de gemiddelde herverdeeleffecten afnemen naarmate de gemeentegrootte toeneemt. Het gewogen herverdeeleffect (niet zichtbaar in de tabel) is in 85,5 procent van de grotere gemeenten kleiner dan tien procent; in 99,7 procent van deze gemeenten is dit herverdeeleffect kleiner dan 30 procent.

15

16

Advies van de begeleidingscommissie Het advies op hoofdlijnen 1.

2. 3.

Een ruime meerderheid van de begeleidingscommissie adviseert voor de toedeling van het gebudgetteerde deel van de bijstandslasten aan grotere gemeenten (gemeenten met meer dan 50.000 inwoners) gebruik te maken van het objectieve verdeelmodel APE/SEO. Dit model kan worden toegepast op de totale Abw, Ioaw en Ioaz. De begeleidingscommissie geeft in overweging de toedeling van budgetten aan kleinere gemeenten (minder dan 50.000 inwoners) geheel of gedeeltelijk te baseren op de lokale uitkeringslasten uit het recente verleden. Toepassing van een objectief verdeelmodel dient gepaard te gaan met een gedegen onderhoudstraject.

In het onderstaande wordt dit advies puntsgewijs toegelicht. Voorkeur voor toepassing van het APE/SEO-model op grotere gemeenten De ontwikkeling van en de keuze voor een objectief verdeelmodel komt neer op het zoeken naar een optimaal compromis tussen de eisen die aan zo’n model moeten worden gesteld, zoals: plausibiliteit: de selectie van variabelen die tezamen een aannemelijke verklaring geven voor de objectieve bijstandsbehoefte; transparantie: een inzichtelijk model met zo min mogelijk variabelen; beperkte herverdeeleffecten: niet te grote verschillen tussen de feitelijke uitkeringslasten en de modelmatig berekende bedragen; actualiteit : gebaseerd op recente gegevens; stabiliteit: niet te grote verschillen tussen afzonderlijke jaren. Wat transparantie, actualiteit en stabiliteit betreft, doen de beide ontwikkelde verdeelmodellen - SEO en APE/SEO - niet of nauwelijks voor elkaar onder. Ze zijn ook beide in redelijke mate bestendig voor gemeentelijke herindelingen.

Ten aanzien van de herverdeeleffecten scoort het APE/SEO-model echter beter. Elk van beide modellen kent twee minder plausibele verdeelkenmerken. Bij het SEO-model zijn dit de kenmerken ‘Inwoners tussen de 15 en 19 jaar’ en ‘Parttimers 12-19 uur per week’. Bij het APE/SEO-model gaat het om verdeelkenmerken ‘Verhuizingen’ en ‘Omgevingsadressendichtheid’. De drie eerstgenoemde kenmerken leiden bij simulaties met extreme wijzingen in de situatie van gemeenten tot niet-plausibele effecten op de berekende bijstandslasten. Van het verdeelkenmerk Omgevingsadressendichtheid, maatstaf voor de mate van stedelijkheid, zou men een positief effect op de bijstandslasten verwachten, terwijl berekeningen met het APE/SEO-model een negatieve relatie laat zien. Binnen het model fungeert het feitelijk als een correctiefactor. Dit alles overziende, is een ruime meerderheid van de begeleidingscommissie van mening dat de totale set objectieve verdeelkenmerken van het APE/SEO-model het meest overtuigend overkomt. Een belangrijk voordeel van dit model is dat het arbeidsmarktvariabelen op gemeenteniveau (in plaats van op RBA-niveau) bevat, evenals een verdeelkenmerk voor etniciteit. Tezamen met de gunstiger herverdeeleffecten leidt dit tot een voorkeur voor het APE/SEO-model. Dit model kan worden toegepast voor de toedeling van budgetten ten behoeve van de totale bijstand in ruime zin, dat wil zeggen: de uitkeringslasten algemene bijstand voor

16

17

thuiswonende personen van alle leeftijden, zelfstandigen, personen verblijvend in inrichtingen en de uitkeringslasten Ioaw en Ioaz. In het bij toepassing van het model te organiseren ‘onderhoudstraject’ dient het verbeteren van de plausibiliteit van het model ten aanzien van de kenmerken Verhuizingen en Omgevingsadressendichtheid met prioriteit aan de orde te komen. Enkele leden van de begeleidingscommissie hebben dusdanig veel moeite met de beide genoemde verdeelkenmerken, dat zij de voorkeur van de meerderheid voor het APE/SEO-model niet delen.

Kleinere gemeenten: geheel of gedeeltelijk op basis van historische kosten Alle tot nu toe in dit verband ontwikkelde modellen genereren voor een aanzienlijk aantal kleinere gemeenten grote tot zeer grote herverdeeleffecten. Herverdeeleffecten zijn uitsluitend beoogde effecten, indien ze het gevolg zijn van verschillen in de kwaliteit van het gemeentelijke beleid en de gemeentelijke uitvoering. Gegeven de omvang van de herverdeeleffecten, kunnen deze redelijkerwijs niet alleen worden toegeschreven worden aan deze verschillen. Toepassing van een objectief verdeelmodel leidt bij omvangrijke herverdeeleffecten voor kleinere gemeenten ook niet tot het beoogde doel: het aanzetten tot een effectiever uitstroombeleid. Het wegwerken van een groot negatief herverdeeleffect door een beleidsintensivering lijkt al gauw onbegonnen werk. Bovendien maakt het voor een gemeente financieel niet uit of deze veel of weinig uitkomt boven de risicogrens, die door de wetgever is vastgesteld op vijftien procent van het budget, respectievelijk vijftien gulden per inwoner. Tekorten boven deze grens worden immers volledig door het Rijk gecompenseerd. Om deze redenen geeft de begeleidingscommissie in overweging vooralsnog een verdeelmodel te hanteren, waarin de toedeling van budgetten aan kleinere gemeenten geheel of gedeeltelijk is gebaseerd op de lokale uitkeringslasten uit het recente verleden. Hierbij zou bijvoorbeeld kunnen worden uitgegaan van de gemiddelde lasten over de laatste drie jaren. Uit berekeningen van de onderzoekers blijkt dat de herverdeeleffecten voor kleinere gemeenten bij budgettering op basis van historische kosten aanzienlijk kleiner zijn dan bij budgettering op basis van (uitsluitend) objectieve factoren. Volgens het bureau APE zou - bezien vanuit het oogpunt van de herverdeeleffecten - de optimale mix voor kleinere gemeenten bestaan uit 85 procent budgettering op basis van historische kosten en 15 procent op basis van objectieve verdeelkenmerken.

Een objectief verdeelmodel behoeft een gedegen onderhoudstraject Indien wordt besloten tot invoering van een objectief verdeelmodel, dient aan dit model ook periodiek onderhoud te worden gepleegd. De relaties tussen de objectieve verdeelkenmerken en de uitkeringslasten moeten regelmatig worden geactualiseerd. Wanneer de herverdeeleffecten na verloop van tijd zouden toenemen, kan dit aanleiding zijn tot herijking van het model. Bij een keuze voor het APE/SEO-model is één van de eerste aandachtspunten in het onderhoudstraject het verbeteren van de plausibiliteit van het model ten aanzien van de kenmerken Verhuizingen en Omgevingsadressendichtheid. Een ander aandachtspunt heeft te maken met de aard en de ontwikkeling van de uitkeringslasten voor bijstandsgerechtigden

17

18

van 65 jaar en ouder. Bij bijstand aan 65-plussers gaat het in het algemeen om een aanvulling op de AOW-uitkering. Met name allochtonen krijgen deze uitkering, omdat zij vaak geen volledige AOW hebben kunnen opbouwen. Deze in omvang toenemende groep is geconcentreerd in de grote steden. In deze steden doet zich een relatief sterke stijging voor van de bijstandsuitgaven ten behoeve van 65-plussers. Nagegaan zal moeten worden in hoeverre het ontwikkelde model rekening houdt met deze ontwikkeling. Zoals in het voorgaande is gesteld, heeft een objectief verdeelmodel altijd een compromiskarakter. Dit is een reden temeer om door middel van een gedegen onderhoudstraject systematisch lering te trekken uit de ervaringen die met het model worden opgedaan met het doel het model in de loop van de tijd verder te verbeteren.

18

19

Samenstelling begeleidingscommissie De Technische begeleidingscommissie objectief verdeelmodel bestaat uit de volgende personen: Drs. H. de Wolf

Drs. A.L.J. Veraart

Ministerie van Sociale Zaken en Werkgelegenheid (voorzitter)

Ministerie van Sociale Zaken en Werkgelegenheid (secretaris tijdens het SEO-onderzoek)

Drs. R.J.L. Linssen

Ministerie van Sociale Zaken en Werkgelegenheid (secretaris tijdens het APE-onderzoek) Drs. F.M. Nieuweboer Ministerie van Sociale Zaken en Werkgelegenheid Drs. F.J. van Sloten Ministerie van Binnenlandse Zaken Drs. H. Tanja Ministerie van Binnenlandse Zaken Drs. M.S. Heekelaar Ministerie van Financiën Drs. S. van den Elshout Centraal Bureau voor de Statistiek Dhr. F. Kentin Vereniging van Nederlandse Gemeenten Drs. G.A. Oskam Vereniging van Nederlandse Gemeenten Dhr. R. Hielckert Gemeente Amsterdam Drs. A.J.W.M. Verhagen Gemeente Den Haag Dhr. J. Minnaard Gemeente Groningen Dr. J.W.G. Scheltinga Gemeente Heusden

19

20

Colofon Uitgave Ministerie van Sociale Zaken en Werkgelegenheid Anna van Hannoverstraat 4 Postbus 90801 2509 LV Den Haag Tekst Teun Baak, Tekst & Beleid bv, Bleiswijk

maart 2001

20

21

Bijlage Herverdeeleffecten totale bijstand in ruime zin Deze bijlage bevat een overzicht van de herverdeeleffecten per gemeente voor de totale bijstand in ruime zin. Met “herverdeeleffecten” wordt het verschil bedoeld tussen de werkelijke uitgaven en de uitgaven die voorspeld worden door het APE/SEO objectief verdeelmodel voor de totale bijstand in ruime zin. In het overzicht wordt een indruk gegeven van de herverdeeleffecten die op kunnen treden als 25% van de totale bijstandsuitgaven wordt gebudgetteerd. Zowel de werkelijke als de voorspelde uitgaven die ten grondslag liggen aan het overzicht hebben betrekking op 1998, het jaar waarover het model geschat is. Dat betekent dat de gepresenteerde cijfers een “ex-post”-karakter hebben: ze beantwoorden de vraag hoe hoog de feitelijke herverdeeleffecten zouden zijn geweest indien 25 procent van de bijstandsuitgaven in 1998 zou zijn gebudgetteerd conform het APE/SEO objectief verdeelmodel en op basis van de gemeentelijke kenmerken in dat jaar. In de berekening van de gepresenteerde herverdeeleffecten is geen rekening gehouden met de wettelijke beperking van de negatieve herverdeeleffecten tot 15% van het gebudgetteerde deel of 15 gulden per inwoner. 2 In plaats daarvan worden zowel het ongecorrigeerde procentuele herverdeeleffect als het ongecorrigeerde herverdeeleffect in guldens per inwoner vermeld. Met deze twee gegevens kan eenvoudig worden nagegaan of de wettelijke risicobeperking van toepassing is voor een gemeente. Daarnaast is het van belang om op te merken dat de cijfers in de tabel alleen betrekking hebben op de situatie waarin het gebudgetteerde deel van de bijstandsuitgaven volledig wordt verdeeld conform het APE/SEO objectief verdeelmodel. Er wordt dus geen rekening gehouden met een eventuele (gedeeltelijke) budgettering op basis van historische kosten. Tot slot dient vermeld te worden dat de totale herverdeeleffecten per gemeente zijn afgerond op veelvouden van fl. 1000,-. De herverdeeleffecten per hoofd van de bevolking zijn afgerond op veelvouden van fl. 0,25. Dit is gedaan om te benadrukken dat de cijfers in deze bijlage alleen bedoeld zijn als indicatie van de orde van grootte van de te verwachten herverdeeleffecten voor individuele gemeenten.

Als percentage van het gebudgetteerde deel van de feitelijke bijstandsuitgaven. Dit percentage is direct vergelijkbaar met het percentage van 15% dat gehanteerd wordt als grens voor het financiële risico voor een gemeente. 2

21

22

Herverdeeleffecten voor de totale bijstand in ruime zin Gemeenten met 60.000 of meer inwoners

Gemeentenaam op 1-1-2000 Alkmaar Almelo Almere Alphen aan den Rijn Amersfoort Amstelveen Amsterdam Apeldoorn Arnhem Bergen op Zoom Breda Capelle aan den IJssel Delft Den Helder Deventer Dordrecht Ede Eindhoven Emmen Enschede Gouda Groningen Haarlem Haarlemmermeer Heerlen Helmond Hengelo (Ov.) Hilversum Hoorn Leeuwarden Leiden Lelystad Maastricht Nieuwegein Nijmegen Oss Purmerend Roosendaal Rotterdam Schiedam 's-Gravenhage 's-Hertogenbosch Spijkenisse Tilburg

Aantal inwoners op 1-1-1998 92.960 65.632 126.720 68.652 120.512 77.725 718.151 152.354 136.174 63.983 157.057 63.228 94.706 60.286 82.621 118.118 101.319 198.330 105.228 148.360 71.544 168.752 147.839 108.909 95.685 77.616 78.306 82.297 62.905 88.551 116.972 60.882 120.207 61.241 150.495 64.582 66.922 73.813 590.478 74.910 442.799 127.364 71.513 185.643

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -0,7% -465.000 -5,00 -2,7% -1.881.000 -28,75 -0,1% -96.000 -0,75 0,8% 138.000 2,00 1,8% 1.033.000 8,50 -0,4% -93.000 -1,25 -0,6% -7.220.000 -10,00 0,7% 484.000 3,25 -1,5% -2.595.000 -19,00 -0,4% -154.000 -2,50 -1,4% -1.627.000 -10,25 0,2% 106.000 1,75 0,3% 191.000 2,00 1,0% 441.000 7,25 5,5% 3.150.000 38,00 -2,9% -3.640.000 -30,75 -7,3% -2.414.000 -23,75 1,3% 2.043.000 10,25 1,1% 712.000 6,75 -0,4% -551.000 -3,75 2,4% 1.005.000 14,00 -0,3% -775.000 -4,50 -0,2% -238.000 -1,50 -1,3% -324.000 -3,00 -0,9% -938.000 -9,75 0,7% 436.000 5,50 -0,4% -211.000 -2,75 2,0% 745.000 9,00 2,8% 1.117.000 17,75 -0,7% -810.000 -9,25 2,0% 1.814.000 15,50 3,3% 1.649.000 27,00 1,7% 1.901.000 15,75 0,9% 217.000 3,50 -4,4% -9.550.000 -63,50 -1,1% -370.000 -5,75 1,4% 435.000 6,50 0,5% 182.000 2,50 0,7% 7.089.000 12,00 -1,0% -755.000 -10,00 0,7% 3.848.000 8,75 -2,1% -1.828.000 -14,25 0,3% 146.000 2,00 0,7% 1.036.000 5,50

22

23

Gemeentenaam op 1-1-2000 Utrecht Velsen Venlo Vlaardingen Zaanstad Zoetermeer Zwolle

Aantal inwoners op 1-1-1998 232.744 66.157 64.411 74.250 134.627 108.199 102.622

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,2% 2.982.000 12,75 0,9% 198.000 3,00 0,7% 351.000 5,50 3,3% 1.694.000 22,75 4,3% 2.776.000 20,50 -1,6% -714.000 -6,50 2,7% 1.721.000 16,75

Gemeenten met meer dan 40.000 en minder dan 60.000 inwoners

Gemeentenaam op 1-12000 Assen Barneveld Doetinchem Heerhugowaard Heusden Hoogeveen Huizen Katwijk Kerkrade Landgraaf Maarssen Middelburg Noordoostpolder Oosterhout Rheden Ridderkerk Rijswijk Roermond Sittard Smallingerland Soest Veenendaal Veldhoven Vlissingen Waalwijk Weert Zeist Zwijndrecht

Aantal inwoners op 1-1-1998 56.331 46.868 45.310 41.720 41.940 52.722 41.692 40.582 52.150 41.645 41.052 44.440 41.755 51.623 44.311 46.725 48.488 44.128 49.271 51.092 43.771 58.139 41.448 44.754 44.823 47.590 59.216 41.992

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 2,7% 1030.000 18,25 -7,8% -558.000 -12,00 3,1% 648.000 14,25 2,3% 320.000 7,75 -8,4% -1201.000 -28,75 4,6% 1192.000 22,5 -4,2% -609.000 -14,5 -3,9% -320.000 -8,00 -0,5% -249.000 -4,75 -5,0% -1211.000 -29,00 0,9% 116.000 2,75 2,1% 544.000 12,25 3,8% 663.000 15,75 -0,8% -161.000 -3,00 -0,8% -153.000 -3,50 4,2% 745.000 16,00 0,0% -11.000 -0,25 -2,9% -1292.000 -29,25 -4,6% -1939.000 -39,25 -1,3% -499.000 -9,75 1,5% 180.000 4,00 2,8% 572.000 9,75 -4,4% -632.000 -15,25 -0,7% -270.000 -6,00 -0,7% -139.000 -3,00 1,8% 385.000 8,00 3,3% 898.000 15,25 0,8% 147.000 3,50

23

24

Gemeenten met 40.000 inwoners of minder

Gemeentenaam op 1-1-2000 Aa en Hunze Aalburg Aalsmeer Aalten Abcoude Achtkarspelen Akersloot Alblasserdam Albrandswaard Alkemade Alphen-Chaam Ambt Delden Ambt Montfort Ameland Amerongen Andijk Angerlo Anna Paulowna Appingedam Arcen en Velden Asten Avereest Axel Baarle-Nassau Baarn Barendrecht Bathmen Bedum Beek Beemster Beesel Belfeld Bellingwedde Bemmel Bennebroek Bergambacht Bergeijk Bergen Bergen NH Bergh Bergschenhoek Berkel en Rodenrijs Bernheze Bernisse Best

Aantal inwoners op 1-1-1998 24.806 11.529 22.600 18.782 8.410 28.085 4.846 17.800 15.395 14.433 9.385 5.444 11.090 3.446 7.307 6.338 4.680 13.483 12.267 9.058 15.894 14.971 12.111 6.079 24.387 24.796 5.187 10.649 17.283 8.303 13.175 5.406 9.500 16.741 5.131 9.173 17.771 13.382 14.125 18.362 9.989 16.076 28.291 12.502 24.890

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 10,9% 526.000 21,25 2,3% 34.000 3,00 8,1% 316.000 14,00 9,9% 370.000 19,75 -5,1% -68.000 -8,00 -7,2% -1.127.000 -40,25 0,7% 3.000 0,50 -1,7% -114.000 -6,50 4,8% 165.000 10,75 -11,7% -208.000 -14,50 -2,7% -36.000 -3,75 -22,3% -142.000 -26,00 2,3% 49.000 4,50 40,7% 161.000 46,75 -1,8% -22.000 -3,00 2,4% 35.000 5,50 10,5% 82.000 17,50 -4,0% -155.000 -11,50 -3,2% -294.000 -24,00 4,7% 83.000 9,25 -5,2% -172.000 -10,75 -2,9% -119.000 -8,00 -1,2% -62.000 -5,25 -8,0% -137.000 -22,50 9,4% 689.000 28,25 4,7% 196.000 8,00 -11,6% -55.000 -10,75 7,7% 211.000 19,75 2,0% 98.000 5,75 3,2% 38.000 4,50 0,1% 3.000 0,25 2,1% 28.000 5,25 -1,0% -45.000 -4,75 -8,8% -392.000 -23,50 18,3% 134.000 26,25 -8,8% -94.000 -10,25 -12,9% -452.000 -25,50 4,6% 131.000 9,75 4,3% 231.000 16,50 -1,4% -79.000 -4,25 -8,0% -119.000 -12,00 -8,9% -337.000 -21,00 -2,8% -154.000 -5,50 -2,7% -66.000 -5,25 -8,3% -831.000 -33,50

24

25

Gemeentenaam op 1-1-2000 Beuningen Beverwijk Binnenmaas Bladel Blaricum Bleiswijk Bloemendaal Boarnsterhim Bodegraven Boekel Bolsward Borculo Borger-Odoorn Born Borne Borsele Boskoop Boxmeer Boxtel Brederwiede Breukelen Brielle Broekhuizen Brummen Brunssum Bunnik Bunschoten Buren Bussum Castricum Coevorden Cranendonck Cromstrijen Cuijk Culemborg Dalfsen Dantumadeel De Bilt De Lier De Marne De Ronde Venen De Wolden Delfzijl Den Ham Denekamp Deurne Didam

Aantal inwoners op 1-1-1998 24.502 35.603 18.982 18.963 9.809 9.822 16.605 18.073 19.264 9.057 9.339 10.259 25.857 14.737 22.051 21.757 14.916 28.494 29.309 12.296 14.033 15.842 1.928 21.503 30.258 14.006 19.179 24.846 31.027 22.896 34.497 20.269 12.622 23.547 24.375 17.376 19.930 32.703 11.118 10.934 33.957 23.310 30.016 14.847 12.300 32.034 16.584

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -1,0% -79.000 -3,25 0,9% 176.000 5,00 -1,7% -50.000 -2,75 10,3% 277.000 14,75 7,6% 114.000 11,75 -12,4% -195.000 -19,75 -1,6% -43.000 -2,50 2,5% 145.000 8,00 -13,1% -491.000 -25,50 -2,7% -38.000 -4,25 1,7% 92.000 9,75 4,5% 104.000 10,25 -0,8% -64.000 -2,50 4,3% 163.000 11,00 -4,5% -295.000 -13,25 2,1% 86.000 4,00 -12,3% -394.000 -26,50 3,3% 200.000 7,00 3,0% 244.000 8,25 -5,4% -151.000 -12,25 3,4% 67.000 4,75 -1,7% -71.000 -4,50 -4,2% -17.000 -9,00 -0,2% -11.000 -0,50 -1,9% -443.000 -14,75 -3,1% -48.000 -3,50 -4,9% -106.000 -5,50 -5,2% -234.000 -9,50 4,2% 471.000 15,25 4,2% 179.000 7,75 -3,1% -457.000 -13,25 -6,0% -331.000 -16,25 -6,2% -151.000 -12,00 -1,1% -114.000 -4,75 0,4% 45.000 1,75 -11,8% -248.000 -14,25 -8,1% -922.000 -46,25 3,3% 288.000 8,75 2,9% 28.000 2,50 -2,9% -160.000 -14,50 0,6% 36.000 1,00 2,1% 91.000 4,00 -4,4% -1.152.000 -38,50 -4,5% -174.000 -11,75 6,6% 127.000 10,25 0,1% 11.000 0,25 -5,7% -300.000 -18,00

25

26

Gemeentenaam op 1-1-2000 Diemen Diepenheim Dinxperlo Dirksland Dodewaard Doesburg Dongen Dongeradeel Doorn Drechterland Driebergen-Rijsenburg Drimmelen Dronten Druten Duiven Echt Echteld Edam-Volendam Eemnes Eemsmond Eersel Egmond Eibergen Eijsden Elburg Elst Enkhuizen Epe Ermelo Etten-Leur Ferwerderadiel Franekeradeel Gaasterlân-Sleat Geertruidenberg Geldermalsen Geldrop Geleen Gemert-Bakel Gendringen Gendt Genemuiden Gennep Giessenlanden Gilze en Rijen Goedereede Goes Goirle

Aantal inwoners op 1-1-1998 23.839 2.744 8.667 7.968 4.306 11.092 24.295 24.369 10.080 9.583 18.487 26.582 33.448 16.222 24.504 19.039 6.689 26.840 8.297 16.316 18.282 11.435 16.491 11.845 21.621 16.613 16.572 33.244 27.008 35.700 8.725 20.144 9.698 21.035 23.610 27.194 33.973 27.255 20.638 7.217 8.747 16.868 14.105 23.850 11.114 34.959 22.132

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,3% 155.000 6,50 13,7% 46.000 16,75 7,2% 159.000 18,25 -1,0% -18.000 -2,25 0,2% 2.000 0,50 -5,3% -350.000 -31,50 3,2% 223.000 9,25 -3,3% -430.000 -17,75 6,3% 84.000 8,25 -6,3% -133.000 -14,00 -4,4% -265.000 -14,25 5,6% 222.000 8,25 -6,7% -788.000 -23,50 4,9% 259.000 16,00 4,1% 265.000 10,75 2,1% 152.000 8,00 8,2% 88.000 13,25 3,7% 143.000 5,25 -1,2% -23.000 -2,75 -6,0% -644.000 -39,50 -5,3% -192.000 -10,50 3,5% 90.000 7,75 5,8% 195.000 11,75 -7,5% -234.000 -19,75 5,6% 185.000 8,50 -3,8% -213.000 -12,75 0,8% 57.000 3,50 1,7% 142.000 4,25 12,9% 662.000 24,50 1,7% 220.000 6,25 -7,0% -310.000 -35,50 4,4% 384.000 19,00 13,7% 263.000 27,00 0,7% 39.000 1,75 1,0% 41.000 1,75 -3,1% -406.000 -15,00 -1,3% -316.000 -9,25 -0,7% -55.000 -2,00 0,3% 21.000 1,00 2,5% 51.000 7,00 12,6% 84.000 9,75 8,6% 413.000 24,50 4,6% 71.000 5,00 -0,9% -49.000 -2,00 -9,1% -136.000 -12,25 6,9% 1.004.000 28,75 -7,0% -459.000 -20,75

26

27

Gemeentenaam op 1-1-2000 Goor Gorinchem Gorssel Graafstroom Graft-De Rijp Gramsbergen Grave Groenlo Groesbeek Grootegast Grubbenvorst Gulpen-Wittem Haaksbergen Haaren Haarlemmerliede c.a. Haelen Halderberge Hardenberg Harderwijk Hardinxveld-Giessendam Haren Harenkarspel Harlingen Harmelen Hasselt Hattem Heel Heemskerk Heemstede Heerde Heerenveen Heerjansdam Heeze-Leende Heiloo Heino Helden Hellendoorn Hellevoetsluis Hendrik-Ido-Ambacht Hengelo (Gld) het Bildt Heteren Heumen Heythuysen Hillegom Hilvarenbeek Hoevelaken

Aantal inwoners op 1-1-1998 12.338 32.654 13.248 9.503 6.188 6.413 12.492 9.121 19.208 11.531 6.764 15.537 23.706 14.000 5.236 9.873 29.367 34.891 38.441 17.594 18.725 14.771 15.356 8.032 7.525 11.725 8.384 34.968 26.024 18.146 39.869 3.548 15.304 21.375 7.888 19.140 35.544 37.356 20.786 8.425 10.085 8.573 15.361 11.993 20.480 14.452 8.508

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,2% 53.000 4,25 4,8% 774.000 23,75 -7,2% -183.000 -13,75 -16,5% -112.000 -11,75 4,3% 32.000 5,25 -3,6% -44.000 -6,75 -3,6% -129.000 -10,25 14,2% 329.000 36,00 0,5% 41.000 2,25 -3,7% -185.000 -16,00 -1,7% -17.000 -2,50 5,2% 154.000 10,00 -1,7% -105.000 -4,50 0,0% 1.000 0,00 8,1% 71.000 13,50 -4,2% -96.000 -9,75 -4,2% -374.000 -12,75 3,6% 315.000 9,00 5,3% 678.000 17,75 7,3% 178.000 10,00 6,7% 320.000 17,00 1,0% 26.000 1,75 -5,4% -717.000 -46,75 9,6% 81.000 10,00 -1,3% -19.000 -2,50 1,1% 20.000 1,75 43,4% 444.000 53,00 -1,1% -207.000 -6,00 8,2% 438.000 16,75 1,0% 29.000 1,50 5,8% 1.134.000 28,50 8,0% 32.000 9,00 -15,9% -445.000 -29,00 -9,7% -503.000 -23,50 -8,0% -85.000 -10,75 4,6% 176.000 9,25 12,0% 957.000 27,00 -0,8% -159.000 -4,25 2,4% 96.000 4,50 9,6% 106.000 12,50 -8,3% -559.000 -55,50 12,4% 187.000 21,75 -7,4% -382.000 -25,00 -0,9% -23.000 -2,00 16,8% 575.000 28,00 -20,0% -429.000 -29,75 -4,7% -32.000 -3,75

27

28

Gemeentenaam op 1-1-2000 Holten Hontenisse Hoogezand-Sappemeer Horst Houten Huissen Hulst Hummelo en Keppel Hunsel IJsselham IJsselmuiden IJsselstein Jacobswoude Kampen Kapelle Kessel Kesteren Kollumerland c.a. Korendijk Krimpen aan den IJssel Laarbeek Landerd Landsmeer Langedijk Laren Leek Leerdam Leersum Leeuwarderadeel Leiderdorp Leidschendam Lemsterland Leusden Lichtenvoorde Liemeer Liesveld Limmen Lingewaal Lisse Lith Littenseradiel Lochem Loenen Loon op Zand Loosdrecht Lopik Loppersum

Aantal inwoners op 1-1-1998 8.761 7.912 33.198 19.447 31.925 15.596 19.517 4.514 5.980 5.529 14.536 25.133 10.845 32.161 10.948 4.135 10.698 12.926 10.383 28.198 21.635 14.192 10.361 23.208 11.664 18.633 20.768 7.255 10.243 24.086 34.698 12.279 27.993 18.823 6.954 9.574 6.411 10.667 21.942 6.553 10.559 18.872 8.538 22.565 8.854 13.241 11.040

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -2,4% -25.000 -2,75 -4,0% -75.000 -9,50 -2,2% -639.000 -19,25 2,3% 99.000 5,00 1,9% 93.000 3,00 -4,5% -244.000 -15,75 12,5% 649.000 33,25 -7,4% -57.000 -12,50 9,1% 84.000 14,00 2,8% 28.000 5,00 -2,3% -47.000 -3,25 2,4% 183.000 7,25 -15,0% -181.000 -16,75 0,4% 66.000 2,00 3,2% 46.000 4,25 -2,2% -14.000 -3,25 -4,6% -113.000 -10,50 -7,1% -458.000 -35,50 -3,1% -67.000 -6,50 -0,2% -17.000 -0,50 -4,9% -239.000 -11,00 6,0% 108.000 7,75 12,3% 204.000 19,75 -1,4% -83.000 -3,50 4,9% 89.000 7,50 6,5% 425.000 22,75 5,9% 380.000 18,25 -1,8% -28.000 -3,75 -4,1% -104.000 -10,00 -3,3% -218.000 -9,00 0,2% 33.000 1,00 -4,0% -252.000 -20,50 9,0% 308.000 11,00 21,7% 539.000 28,75 1,8% 12.000 1,75 7,4% 80.000 8,50 -11,4% -72.000 -11,25 -4,7% -103.000 -9,75 15,3% 469.000 21,50 -17,7% -170.000 -26,00 6,2% 155.000 14,75 4,5% 185.000 9,75 2,3% 30.000 3,50 2,9% 164.000 7,25 6,4% 105.000 12,00 -12,0% -152.000 -11,50 -0,3% -12.000 -1,00

28

29

Gemeentenaam op 1-1-2000 Losser Maarn Maartensdijk Maasbracht Maasbree Maasdonk Maasdriel Maasland Maassluis Margraten Markelo Marum Medemblik Meerlo-Wanssum Meerssen Meijel Menaldumadeel Menterwolde Meppel Middelharnis Middenveld Mierlo Mill en Sint Hubert Millingen aan de Rijn Moerdijk Monster Montfoort Mook en Middelaar Moordrecht Muiden Naaldwijk Naarden Nederhorst den Berg Nederlek Nederweert Neede Neerijnen Niedorp Nieuwerkerk aan den IJssel Nieuwkoop Nieuw-Lekkerland Nieuwleusen Nijefurd Nijkerk Noord-Beveland Noordenveld Noorder-Koggenland

Aantal inwoners op 1-1-1998 22.722 5.876 9.421 13.623 12.800 11.372 22.934 6.730 33.046 13.814 7.135 9.642 7.294 7.366 20.482 5.649 13.759 12.362 29.139 16.417 32.024 10.158 10.989 5.889 36.342 20.012 13.237 7.472 7.498 6.876 28.722 16.807 5.125 14.843 15.978 11.069 10.895 11.345 20.249 11.051 9.398 8.270 10.605 27.164 6.889 30.876 10.291

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 7,2% 457.000 20,00 -14,8% -130.000 -22,25 -14,4% -169.000 -18,00 -1,5% -62.000 -4,50 -4,9% -110.000 -8,50 5,0% 76.000 6,75 6,5% 269.000 11,75 -9,5% -67.000 -10,00 -2,9% -533.000 -16,25 -4,8% -106.000 -7,75 8,3% 53.000 7,50 2,1% 64.000 6,75 3,7% 103.000 14,00 -4,9% -53.000 -7,25 -5,3% -329.000 -16,00 -3,5% -30.000 -5,25 1,9% 67.000 5,00 -3,0% -193.000 -15,50 2,8% 369.000 12,75 9,8% 316.000 19,25 11,6% 934.000 29,25 -6,2% -196.000 -19,25 -0,4% -7.000 -0,75 -0,6% -13.000 -2,25 1,9% 170.000 4,75 11,4% 405.000 20,25 -6,3% -90.000 -6,75 -6,7% -133.000 -17,75 -12,9% -382.000 -51,00 6,0% 83.000 12,25 4,5% 190.000 6,75 -1,2% -40.000 -2,50 3,1% 14.000 2,75 -6,3% -219.000 -14,75 -6,3% -187.000 -11,75 2,8% 68.000 6,25 -1,4% -23.000 -2,00 2,0% 41.000 3,75 -7,4% -334.000 -16,50 -14,5% -274.000 -24,75 2,8% 42.000 4,50 -5,6% -66.000 -8,00 2,2% 93.000 8,75 2,0% 106.000 4,00 11,9% 159.000 23,00 4,3% 334.000 10,75 11,0% 150.000 14,50

29

30

Gemeentenaam op 1-1-2000 Noordwijk Noordwijkerhout Nootdorp Nuenen c.a. Nunspeet Nuth Obdam Oegstgeest Oirschot Oisterwijk Oldebroek Oldenzaal Olst Ommen Onderbanken Oostburg Oostflakkee Ooststellingwerf Oostzaan Ootmarsum Opmeer Opsterland Oud-Beijerland Ouder-Amstel Ouderkerk Oudewater Papendrecht Pekela Pijnacker Putten Raalte Ravenstein Reeuwijk Reiderland Reimerswaal Renkum Renswoude Reusel-De Mierden Rhenen Rijnsburg Rijnwaarden Rijnwoude Rijssen Roerdalen Roggel en Neer Rozenburg Rozendaal

Aantal inwoners op 1-1-1998 25.241 15.475 9.632 23.382 26.025 16.744 6.296 20.178 17.482 25.275 22.135 30.670 9.311 16.493 8.536 17.819 10.026 25.423 8.581 4.472 10.592 28.565 21.812 12.041 8.214 9.847 28.827 13.233 20.090 22.340 28.281 8.509 12.867 6.888 20.360 32.070 4.008 12.347 17.050 14.441 10.976 19.379 26.083 10.463 8.308 13.767 1.181

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 9,2% 499.000 19,75 10,5% 259.000 16,75 21,4% 212.000 22,00 -16,5% -1.192.000 -51,00 6,9% 261.000 10,00 0,4% 13.000 0,75 -16,7% -135.000 -21,50 0,8% 25.000 1,25 -1,4% -33.000 -2,00 -4,9% -347.000 -13,75 4,3% 122.000 5,50 -1,9% -276.000 -9,00 0,5% 10.000 1,00 -8,3% -268.000 -16,25 3,8% 105.000 12,25 5,6% 225.000 12,75 -1,9% -50.000 -5,00 -1,8% -226.000 -9,00 12,9% 193.000 22,50 -21,4% -112.000 -25,00 8,2% 129.000 12,25 -0,9% -100.000 -3,50 5,7% 304.000 14,00 7,8% 235.000 19,50 -4,2% -43.000 -5,25 20,4% 226.000 23,00 -1,6% -158.000 -5,50 -3,8% -363.000 -27,50 -11,9% -394.000 -19,75 -1,9% -62.000 -2,75 4,0% 224.000 8,00 -0,1% -2.000 -0,25 -19,5% -280.000 -21,75 -4,5% -224.000 -32,50 0,4% 25.000 1,25 1,2% 127.000 4,00 0,0% 0 0,00 -0,3% -6.000 -0,50 -8,7% -500.000 -29,25 -9,1% -199.000 -13,75 1,8% 64.000 5,75 -12,8% -303.000 -15,75 -2,6% -153.000 -5,75 5,2% 131.000 12,5 1,6% 17.000 2,00 -0,7% -48.000 -3,50 22,5% 35.000 30,00

30

31

Gemeentenaam op 1-1-2000 Rucphen Ruurlo Sas van Gent Sassenheim Schagen Scheemda Schermer Scherpenzeel Schiermonnikoog Schijndel Schinnen Schipluiden Schoonhoven Schoorl Schouwen-Duiveland Sevenum 's-Graveland 's-Gravendeel 's-Gravenzande Simpelveld Sint Anthonis Sint-Michielsgestel Sint-Oedenrode Skarsterlân Sliedrecht Slochteren Sluis-Aardenburg Sneek Someren Son en Breugel Stad Delden Stadskanaal Staphorst Stede Broec Steenbergen Steenderen Steenwijk Stein Strijen Susteren Swalmen Tegelen Ten Boer Ter Aar Terneuzen Terschelling Texel

Aantal inwoners op 1-1-1998 22.308 7.989 8.691 14.592 17.287 14.337 4.959 9.123 1.003 22.307 14.029 10.284 11.804 6.569 32.954 7.225 9.363 8.672 18.777 11.684 11.535 27.375 17.023 26.415 23.955 14.643 6.512 30.496 18.091 14.493 7.344 32.906 15.178 20.673 22.978 4.855 22.396 26.389 9.318 13.056 8.523 19.451 7.237 9.163 34.712 4.776 13.378

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -5,1% -423.000 -19,00 5,5% 44.000 5,50 6,3% 262.000 30,00 16,3% 350.000 24,00 3,5% 241.000 14,00 -1,1% -61.000 -4,25 -0,8% -4.000 -0,75 4,3% 40.000 4,25 30,2% 39.000 39,00 2,7% 139.000 6,25 -3,1% -113.000 -8,00 -11,7% -120.000 -11,75 -9,4% -351.000 -29,75 6,6% 97.000 14,75 -1,6% -145.000 -4,50 2,3% 27.000 3,75 -1,3% -21.000 -2,25 9,3% 139.000 16,00 6,8% 203.000 10,75 4,8% 144.000 12,25 -7,5% -126.000 -11,00 -0,8% -39.000 -1,50 -7,0% -274.000 -16,00 6,9% 474.000 18,00 3,3% 275.000 11,50 6,6% 275.000 18,75 25,2% 391.000 60,00 -4,1% -1.051.000 -34,50 -9,1% -365.000 -20,25 -6,1% -235.000 -16,25 3,5% 43.000 5,75 0,6% 131.000 4,00 10,9% 100.000 6,50 2,3% 138.000 6,75 0,4% 23.000 1,00 9,6% 53.000 11,00 -4,0% -550.000 -24,50 4,5% 313.000 11,75 18,1% 230.000 24,75 -5,9% -254.000 -19,50 -2,9% -95.000 -11,00 5,9% 484.000 25,00 2,9% 51.000 7,00 -17,6% -132.000 -14,50 -1,9% -365.000 -10,50 18,6% 191.000 40,00 13,8% 394.000 29,50

31

32

Gemeentenaam op 1-1-2000 Tholen Thorn Tiel Tubbergen Tytsjerksteradiel Ubbergen Uden Uitgeest Uithoorn Urk Vaals Valburg Valkenburg Valkenburg aan de Geul Valkenswaard Veendam Veere Veghel Venhuizen Venray Vianen Vlagtwedde Vleuten-De Meern Vlieland Vlist Voerendaal Voorburg Voorhout Voorschoten Voorst Vorden Vriezenveen Vught Waalre Waddinxveen Wageningen Warmond Warnsveld Wassenaar Wateringen Waterland Weerselo Weesp Wehl Werkendam Wervershoof Wester-Koggenland

Aantal inwoners op 1-1-1998 23.431 2.651 36.413 19.793 31.062 9.257 38.649 11.052 25.673 15.185 10.864 12.962 3.566 18.044 31.182 28.476 22.183 35.355 7.374 37.143 19.239 16.082 19.302 1.150 9.843 13.127 39.099 12.097 22.913 23.601 8.407 19.744 25.023 16.045 26.678 32.852 5.327 9.056 26.144 15.168 17.647 9.305 17.964 6.689 25.673 8.400 13.222

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -1,9% -127.000 -5,50 24,2% 103.000 38,75 -1,4% -297.000 -8,25 0,7% 18.000 1,00 0,7% 67.000 2,25 -4,9% -207.000 -22,50 -0,7% -117.000 -3,00 4,8% 83.000 7,50 9,5% 459.000 17,75 -13,2% -367.000 -24,25 1,3% 89.000 8,25 -9,0% -314.000 -24,25 -14,0% -29.000 -8,25 0,9% 56.000 3,00 -4,7% -669.000 -21,50 2,2% 394.000 13,75 -8,3% -290.000 -13,00 4,4% 331.000 9,25 -8,2% -120.000 -16,25 8,9% 1.159.000 31,25 2,9% 153.000 8,00 6,4% 396.000 24,75 5,0% 117.000 6,00 62,9% 137.000 119,50 -7,4% -97.000 -10,00 0,8% 23.000 1,75 1,6% 286.000 7,25 -12,0% -158.000 -13,00 -10,6% -704.000 -30,75 2,1% 77.000 3,25 10,3% 109.000 13,00 -4,3% -267.000 -13,50 6,0% 393.000 15,75 -13,0% -604.000 -37,75 -5,8% -385.000 -14,50 -4,8% -1.017.000 -31,00 -1,3% -13.000 -2,50 4,4% 91.000 10,00 13,0% 687.000 26,25 -6,1% -211.000 -14,00 -2,2% -66.000 -3,75 -18,1% -179.000 -19,25 1,5% 116.000 6,50 -5,0% -52.000 -7,75 -2,1% -96.000 -3,75 1,3% 24.000 2,75 -6,6% -115.000 -8,75

32

33

Gemeentenaam op 1-1-2000 Westerveld Westervoort Westmaas Weststellingwerf Westvoorne Wierden Wieringen Wieringermeer Wijchen Wijhe Wijk bij Duurstede Winschoten Winsum Winterswijk Wisch Woensdrecht Woerden Wognum Wormerland Woudenberg Woudrichem Wûnseradiel Wymbritseradiel Zaltbommel Zandvoort Zederik Zeevang Zeewolde Zelhem Zevenaar Zevenhuizen-Moerkapelle Zijpe Zoeterwoude Zuidhorn Zuidlaren Zundert Zutphen Zwartsluis

Aantal inwoners op 1-1-1998 18.497 16.037 17.918 24.759 13.921 22.946 8.398 12.005 37.437 7.494 22.876 18.766 13.974 28.516 19.868 20.870 37.640 7.732 14.785 10.872 13.907 11.746 15.573 25.312 15.546 13.546 6.196 15.296 11.319 26.781 9.968 11.203 8.616 17.910 31.385 20.014 34.024 4.466

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 4,6% 216.000 11,75 -4,7% -367.000 -22,75 -3,9% -173.000 -9,75 3,5% 351.000 14,25 0,8% 20.000 1,50 -4,7% -197.000 -8,50 3,1% 81.000 9,50 6,5% 187.000 15,50 5,8% 650.000 17,25 6,1% 57.000 7,50 0,2% 8.000 0,25 -1,8% -281.000 -15,00 -3,5% -214.000 -15,25 7,6% 794.000 27,75 6,4% 316.000 16,00 2,1% 117.000 5,50 1,5% 121.000 3,25 -7,7% -97.000 -12,50 6,6% 204.000 13,75 1,8% 28.000 2,50 6,1% 125.000 9,00 3,5% 123.000 10,50 9,5% 239.000 15,25 3,5% 155.000 6,25 7,3% 539.000 34,75 8,5% 111.000 8,25 -11,7% -66.000 -10,75 -2,1% -54.000 -3,50 9,4% 149.000 13,25 2,9% 315.000 11,75 -17,1% -216.000 -21,75 -1,1% -24.000 -2,00 6,3% 47.000 5,50 -1,3% -66.000 -3,75 8,5% 538.000 17,25 -1,0% -28.000 -1,50 -4,6% -1.348.000 -39,75 1,7% 17.000 4,00

33

Een objectief verdeelmodel voor het gebudgetteerde deel van de bijstandslasten Samenvatting voor bestuurders en beleidsmakers

Ministerie van Sociale Zaken en Werkgelegenheid Maart 2001

35

Inhoud Inleiding en samenvatting 3 Fonds Werk en Inkomen 3 Behoefte aan een objectief verdeelmodel 3 Deze brochure 3 Achtergrond van het APE/SEO-model 5 Het verklaringsmodel 5 Van een verklarings- naar een verdeelmodel 5 Herverdeeleffecten 5 Het APE/SEO-model 6 Voor- en nadelen 6 Opzet en werking van het APE/SEO-model 8 Inleiding 8 Grotere gemeenten 9 Kleinere gemeenten 11 Herverdeeleffecten - alle gemeenten 13 Advies van de begeleidingscommissie 15 Het advies op hoofdlijnen 15 Voorkeur voor toepassing van het APE/SEO-model op grotere gemeenten 15 Kleinere gemeenten: geheel of gedeeltelijk op basis van historische kosten 16 Een objectief verdeelmodel behoeft een gedegen onderhoudstraject 17 Samenstelling begeleidingscommissie 18

35

36

Inleiding en samenvatting Fonds Werk en Inkomen Gemeenten financieren sinds 1 januari 2001 de kosten van de bijstandsuitgaven en de inschakeling van werkzoekenden uit het Fonds Werk en Inkomen (FWI). Het werkdeel van dit fonds bestaat uit rijksbijdragen voor de Wet inschakeling werkzoekenden en de sluitende aanpak van de langdurige werkloosheid. Het inkomensdeel heeft betrekking op de uitkeringslasten van de Algemene bijstandswet, IOAW en IOAZ. De rijksoverheid vergoedt drievierde deel van deze uitkeringslasten op declaratiebasis; de gemeente neemt 25 procent van de lasten voor haar rekening. Voor de financiering van het eigen aandeel in de uitkeringslasten ontvangt de gemeente een budget. Dit is het zogenoemde gebudgetteerde deel van de uitkeringslasten. Het FWI heeft tot doel gemeenten te stimuleren om door middel van uitstroom van cliënten naar werk het beroep op de genoemde uitkeringen te verminderen. Dit gebeurt door de vergroting van het gemeentelijke aandeel in de uitkeringslasten (dat voorheen tien procent bedroeg) en het verwijderen van financiële ‘schotten’ binnen het werkdeel van het FWI. Daarnaast mogen gemeenten die van het gebudgetteerde deel van de uitkeringslasten geld overhouden, dit naar eigen inzicht besteden in het verlengde van de doelstellingen van het FWI.

Behoefte aan een objectief verdeelmodel Om recht te kunnen doen aan de doelstellingen van het FWI, moet de verdeling van de rijksbijdrage over de gemeentelijke uitkeringsbudgetten in het FWI zoveel mogelijk zijn gebaseerd op objectieve factoren, zoals de samenstelling van de bevolking en de arbeidsmarktsituatie ter plaatse. Bij het hanteren van een goed functionerend ‘objectief verdeelmodel’ ontvangen gemeenten die in vergelijkbare omstandigheden verkeren, een vergelijkbaar budget. Dit betekent dat een gemeente die op het gebied van het uitstroombeleid bovengemiddeld presteert en zodoende lagere uitkeringslasten genereert, daarvoor via het FWI wordt beloond. Anderzijds krijgt een vergelijkbare gemeente die op dit punt achterblijft, een (negatieve) financiële impuls om die achterstand in te lopen. Het risico dat gemeenten tekortkomen aan het modelmatig berekende, gebudgetteerde deel van de uitkeringslasten, is in de wet begrensd op 15% van het budget (dat op zijn beurt betrekking heeft op 25 procent van de feitelijke uitkeringslasten). Voor gemeenten met in verhouding veel bijstandsgerechtigden is dit risico verder verminderd tot vijftien gulden per inwoner.

Deze brochure In de afgelopen jaren is in opdracht van het Ministerie van Sociale Zaken en Werkgelegenheid (SZW) uitgebreid en grondig onderzoek gedaan met het doel een objectief verdeelmodel voor de gemeentelijke uitkeringsbudgetten in het FWI te ontwikkelen. Deze brochure geeft - met name voor degenen die op bestuurlijk en/of beleidsmatig niveau bij deze kwestie zijn betrokken - in het kort het eindresultaat van deze inspanningen weer. Dit resultaat bestaat uit het ‘APE/SEO-model’ (genoemd naar de onderzoeksbureaus die het hebben ontwikkeld) in combinatie met het advies van de Technische begeleidingscommissie objectief verdeelmodel. Deze commissie bestaat uit vertegenwoordigers van de ministeries van SZW, Binnenlandse Zaken en Koninkrijksrelaties en Financiën, het Centraal Bureau voor de Statistiek, de Vereniging van Nederlandse Gemeenten en een viertal individuele gemeenten. In 2001 wijst de rijksoverheid de budgetten voor het gemeentelijk aandeel in de bijstandslasten toe op grond van het feitelijke aandeel van gemeenten in de bijstandslasten in het jaar 1998. De verdeling vindt in 2001 dus nog plaats op basis van ‘historische kosten’. Afgesproken is dat dit met ingang van 2002 gedeeltelijk gaat gebeuren op basis van objectieve factoren.

36

37

Indien wordt besloten voor het gebudgetteerde deel van de bijstandslasten een objectief verdeelmodel te hanteren, adviseert de ruime meerderheid van de begeleidingscommissie hiervoor het APE/SEO-model te gebruiken. Voor grotere gemeenten (gemeenten met meer dan 50.000 inwoners) voldoet dit model aan de belangrijkste eisen die aan een objectief verdeelmodel moeten worden gesteld. Dit zijn: plausibiliteit: de gehanteerde variabelen geven tezamen een aannemelijke verklaring van de objectieve bijstandsnood van gemeenten; transparantie: de werking van het model is ook voor niet-ingewijden inzichtelijk; beperkte herverdeeleffecten: de verschillen tussen de modelmatig berekende uitkeringslasten en de feitelijke bijstandsuitgaven blijven binnen de perken. De commissie geeft in overweging de budgetten voor kleinere gemeenten geheel of gedeeltelijk te baseren op historische kosten: een gemiddelde van de lokale uitkeringslasten in het recente verleden. De redenen daarvoor en de overige adviezen van de begeleidingscommissie, waaronder de aanbeveling om toepassing van het objectieve verdeelmodel gepaard te laten gaan met een gedegen ‘onderhoudstraject’, komen verderop in deze brochure aan de orde. Alvorens in te gaan op de opzet en werking van het APE/SEO-model, wordt kort aandacht besteed aan de ontstaansgeschiedenis ervan.

37

38

Achtergrond van het APE/SEO-model Het verklaringsmodel Vanaf 1996 zijn door verschillende onderzoeksbureaus in opdracht van het Ministerie van Sociale Zaken en Werkgelegenheid statistische modellen ontwikkeld met het doel de verschillen tussen bijstandsuitgaven van gemeenten met behulp van objectieve factoren te verklaren. Met objectieve factoren worden kernvariabelen bedoeld die niet door het gemeentelijk bijstandsbeleid zijn te beïnvloeden, een plausibel verband vertonen met de feitelijke bijstandsuitgaven en voor alle gemeenten te meten zijn. Het eindproduct van die eerste fase van het onderzoeksproces is in april 1999 verwoord in het rapport Actualisatie berekende bijstand in model van de Stichting voor Economisch Onderzoek (SEO), verder te noemen: het verklaringsmodel. De toenmalige begeleidingscommissie beschouwde het verklaringsmodel als een wetenschappelijk verantwoord model met in econometrisch opzicht optimale resultaten.

Van een verklarings- naar een verdeelmodel Het verklaringsmodel is niet alleen technisch geavanceerd, maar ook zeer complex en mede daardoor nog niet geschikt als verdeelmodel. Bij een verdeelmodel zijn uitlegbaarheid en transparantie nu eenmaal belangrijker dan bij een verklaringsmodel. Naar aanleiding van hierop gerichte kritiek uit de Tweede Kamer en van gemeenten heeft het ministerie van SZW vervolgens aan SEO opdracht gegeven het verklaringsmodel verder te ontwikkelen tot een zo eenvoudig mogelijk objectief verdeelmodel. De uitkomsten van dit model zouden een effectief gemeentelijk uitstroombeleid moeten belonen, zonder al te grote ‘herverdeeleffecten’ teweeg te brengen.

Herverdeeleffecten Herverdeeleffecten zijn verschillen tussen de feitelijke uitkeringslasten en de modelmatig berekende bedragen. Dergelijke effecten kunnen het gevolg zijn van gevoerd gemeentelijk beleid, van objectieve factoren die niet in een model zijn meegenomen en/of van toeval. Het zijn echter uitsluitend beoogde effecten indien ze het gevolg zijn van het gevoerde gemeentelijk beleid. Dat er ook niet-beoogde herverdeeleffecten optreden, is bij een objectief verdeelmodel in beginsel onontkoombaar. De grote variëteit aan specifieke gemeentelijke omstandigheden die van invloed kunnen zijn op de bijstandsuitgaven kan nooit volledig worden gevangen in een beperkt aantal objectieve factoren (variabelen), hoe zorgvuldig deze ook zijn geselecteerd. Naarmate hogere eisen worden gesteld aan de eenvoud en transparantie van een objectief verdeelmodel, zal dit minder variabelen bevatten en zullen de uitkomsten grotere herverdeeleffecten vertonen. Indien men echter effectief gemeentelijk uitstroombeleid wil belonen, is het hanteren van enigerlei objectief verdeelmodel noodzakelijk. Het alternatief - een verdeelmodel op basis van historische kosten - kent in het algemeen weliswaar kleinere herverdeeleffecten, maar heeft als belangrijk nadeel dat gemeenten die in het verleden relatief weinig aan volumebeheersing hebben gedaan, bevoordeeld worden.

Het ontwikkelen van een werkbaar objectief verdeelmodel komt neer op het zoeken naar een optimaal compromis tussen de eisen die aan zo’n model worden gesteld, zoals plausibiliteit (de selectie van variabelen die tezamen een aannemelijke verklaring geven voor de objectieve bijstandsbehoefte), transparantie (een inzichtelijk model met zo min mogelijk variabelen), beperkte herverdeeleffecten, actualiteit (gebaseerd op recente gegevens) en stabiliteit (niet te grote verschillen tussen afzonderlijke jaren). Het APE/SEO-model In eerste instantie is door SEO een lineair verdeelmodel ontwikkeld met tien objectieve verdeelkenmerken (dit model is beschreven in het SEO-rapport Verklaren en verdelen van december 2000). Een lineair

38

39

verdeelmodel is een model waarin een rechtstreeks verband wordt gelegd tussen de score van een gemeente op de verdeelkenmerken - waaronder bijvoorbeeld het aantal inwoners met een laag inkomen - en de omvang van de te verwachten lokale bijstandslasten. Naar aanleiding van de bevindingen van de begeleidingscommissie heeft het Ministerie van SZW het bureau Aarts De Jong Wilms Goudriaan Public Economics (APE) opdracht gegeven de herverdeeleffecten van dit SEO-model te verminderen, met name voor grotere gemeenten. Dit moest gebeuren zonder de plausibiliteit, transparantie en operationaliteit van dat model geweld aan te doen. Met dit doel heeft APE de verdeelkenmerken opnieuw gewogen en voor een deel aangepast. Het reeds door SEO geïntroduceerde onderscheid tussen grotere en kleinere gemeenten is verder doorgevoerd in twee afzonderlijke sets verdeelkenmerken. Met deze exercitie is APE erin geslaagd de herverdeeleffecten over de gehele linie te verminderen, zij het dat deze voor kleinere gemeenten nog steeds aanzienlijk zijn. De resultaten zijn verwoord in het APE-rapport Naar een operationeel verdeelmodel met beperktere herverdeeleffecten van februari 2001. Omdat dit model voortborduurt op het SEO-model, wordt het hier aangeduid als het ‘APE/SEO-model’.

Voor- en nadelen De begeleidingscommissie heeft vastgesteld dat het ontwikkelde model zowel voordelen als nadelen heeft ten opzichte van het verklaringsmodel. De nadelen zijn: de herverdeeleffecten: deze zijn groter geworden omdat is uitgegaan van een lineair model met minder verdeelkenmerken. Dit geldt in grotere mate voor kleinere gemeenten dan voor grotere gemeenten. Bij kleinere gemeenten zijn de herverdeeleffecten het grootst, maar ook bij grotere gemeenten kunnen deze soms aanzienlijk zijn; de stabiliteit in de tijd: met name bij kleinere gemeenten vertonen de herverdeeleffecten tussen afzonderlijke jaren grotere verschillen, doordat de modelberekeningen nu omwille van de actualiteit zijn gebaseerd op het meest recente jaar in plaats van op een periode van vijf jaren. Op de volgende punten laten de objectieve verdeelmodellen betere resultaten zien dan het verklaringsmodel: transparantie: het aantal verdeelkenmerken is beperkt tot tien; de gevolgen van veranderingen in de score op verdeelkenmerken voor het gemeentelijk budget zijn redelijk eenvoudig uit het model af te lezen; plausibiliteit: bij de selectie van de verdeelkenmerken heeft het verwachte effect op de uitkeringslasten een belangrijke rol gespeeld; actualiteit: de verbanden tussen verdeelkenmerken en uitkeringslasten zijn geschat op basis van informatie over het jaar, drie jaren voorafgaand aan het jaar waarin de bijstandsuitgaven worden gedaan. Daarmee is de vertragingsfactor, die in het verklaringsmodel nog vijf jaren bedroeg, teruggebracht tot drie jaren. Dit is het recentste jaar waarover voldoende informatie beschikbaar is; gemeentelijke herindelingen: bij samenvoeging van gemeenten ligt het berekende totale budget dichter bij de som van de afzonderlijke budgetten dan in het verklaringsmodel, terwijl voorkomende verschillen beter zijn te verklaren.

39

40

Opzet en werking van het APE/SEO-model Inleiding Het APE/SEO-model is doorgerekend voor het verdelen van budgetten voor: de ‘bijstand tot 65 jaar’ en de ‘totale bijstand in ruime zin’; grotere en kleinere gemeenten.

De bijstand tot 65 jaar en de totale bijstand in ruime zin Het oorspronkelijke verklaringsmodel is opgezet met het oog op de bijstand tot 65 jaar (veruit het grootste deel van de bijstandsuitgaven). Bij de ontwikkeling van het objectieve verdeelmodel is daarop voortgeborduurd. Berekeningen laten echter zien dat de uitkomsten van de objectieve modellen hetzelfde patroon vertonen indien ze worden toegepast op de totale bijstand in ruime zin. Onder totale bijstand in ruime zin wordt hier verstaan: de uitkeringslasten algemene bijstand voor thuiswonende personen van alle leeftijden, zelfstandigen, personen verblijvend in inrichtingen en de uitkeringslasten Ioaw en Ioaz. De modeluitkomsten voor deze ruimere doelgroep zijn in deze brochure weergegeven. De budgettering in het kader van het FWI heeft namelijk betrekking op deze doelgroep.

Grotere en kleinere gemeenten Het onderscheid tussen grotere en kleinere gemeenten is van belang omdat de bijstandsbepalende factoren voor gemeenten met meer dan 50.000 inwoners verschillen van die voor gemeenten met minder dan 50.000 inwoners. In verband met deze verschillen valt het APE/SEO-model uiteen in twee deelmodellen: een voor grotere en een voor kleinere gemeenten. Om bij de toedeling van bijstandsbudgetten een vloeiende overgang tussen beide categorieën gemeenten te kunnen creëren, hebben deze deelmodellen betrekking op respectievelijk 40.000+ en 60.000- gemeenten. Voor grotere gemeenten onderscheidt het APE/SEO-model tien verdeelkenmerken; voor kleinere gemeenten zijn dit er negen. De selectie van de verdeelkenmerken is totstandgekomen na zorgvuldige weging en beproeving van tientallen mogelijke variabelen. Daarbij is uitdrukkelijk rekening gehouden met de beschikbaarheid van betrouwbare statistische informatie en de door gemeenten en de Tweede Kamer ingebrachte suggesties en opmerkingen bij het verklaringsmodel.

Verdeelkenmerken, tekens en gewichten Alle verdeelkenmerken van het model hangen lineair samen met de bijstandsuitgaven. Voor elk verdeelkenmerk is eerst op logische gronden het verwachte teken bepaald: + voor een positief effect op de uitkeringslasten en - voor een negatief effect. Vervolgens is op basis van empirisch onderzoek per verdeelkenmerk het teken en het gewicht in guldens geschat. Bij deze schattingen is aan gemeenten een groter gewicht toegekend naarmate zij meer inwoners hebben. Potentiële verdeelkenmerken waarvan het gewicht in guldens niet-plausibel of statistisch niet-significant is, zijn in beginsel niet in het model opgenomen, ook niet als door het weglaten ervan de herverdeeleffecten toenemen. De werking van het model is onder meer getest door middel van simulaties met zeven cases, waarin is uitgegaan van (extreme) wijzigingen in de score op verdeelkenmerken.

Grotere gemeenten De relaties tussen de verdeelkenmerken en de bijstandslasten

40

41

Tabel 1 toont de tien in het APE/SEO-model onderscheiden verdeelkenmerken voor grotere gemeenten, met daarachter het op basis van onderzoek gevonden teken en gewicht in guldens. Alle geschatte gewichten zijn statistisch significant. Het model verklaart 98 procent van de variatie in de gemeentelijke bijstandsuitgaven.

Tabel 1: Verdeelkenmerken, geschatte tekens en gewichten voor de totale bijstand in ruime zin in 2001: 40.000+ gemeenten Verdeelkenmerk

1. Lage inkomens (in % van de personen met inkomen, 1998) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998) 3. Verhuizingen (vertrek per 100 inwoners, 1998) 4. Arbeidsongeschikten (in % van inwoners 20-64 jaar, 1998) 5. Totaal allochtonen (in % van alle inwoners, 1998) 6. Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998) 7. Huurwoningen (in % van alle woningen, 1998) 8. Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking, 1997) 9. Regionaal klantenpotentieel (x 1.000, 1998) 10. Omgevingsadressendichtheid (1998) Constante

Gewicht (guldens) 57,240 112,279 32,549 -35,810 6,044 78,454 6,739 -52,686 0,2864 -0,0597 2.967,288

Bron: APE Toepassing van het model Het gebudgetteerde deel van de bijstandslasten voor een grotere gemeente kan aan de hand van tabel 1 als 3 volgt worden berekend : bepaal de score van de gemeente op elk afzonderlijk verdeelkenmerk; vermenigvuldig de score per verdeelkenmerk met het gewicht in guldens; het saldo van de positieve en negatieve uitkomsten plus de constante van f 2.967,288 vormen tezamen de totale verwachte bijstandslasten per inwoner van 20 jaar en ouder; het gebudgetteerde deel van de bijstandslasten bedraagt 25 procent van de totale verwachte bijstandsuitgaven, althans indien de som van de modelmatig berekende gemeentelijke budgetten gelijk is aan het geraamde macrobudget. Voorzover dit laatste niet het geval is, volgt een correctie van de gemeentelijke budgetten.

Toelichting per verdeelkenmerk (1) Lage inkomens (in procenten van de personen met inkomen, 1998) Het percentage mensen met een laag inkomen is een kernvariabele in het model. Uit onderzoek blijkt dat dit verdeelkenmerk een sterke relatie met de bijstandsuitgaven vertoont: hoe meer inwoners met een laag inkomen, des te groter zijn de bijstandsuitgaven per inwoner. Ook de modelberekeningen laten een dergelijke positieve relatie zien. De volgende opsomming geldt in feite uitsluitend voor gemeenten met meer dan 60.000 inwoners. Voor gemeenten met 40.000 tot 60.000 inwoners voorziet het model namelijk in een gewogen combinatie tussen de deelmodellen voor grotere en kleinere gemeenten. 3

41

42

(2) Eenouderhuishoudens (in procenten van de inwoners van 20-64 jaar, 1998) Dat een groter aandeel eenouderhuishoudens tot hogere bijstandsuitgaven leidt, is plausibel. De positieve invloed van deze factor is statistisch significant. (3) Verhuizingen (vertrek per 100 inwoners, 1998) Dit verdeelkenmerk wordt in het verdeelmodel van de politie gebruikt als maatstaf voor sociale achterstand en probleemcumulatie. Een relatief groot aantal verhuizingen uit een gemeente kan namelijk duiden op een gebrekkige sociale cohesie. De onderzoekers van APE verwachtten - en vonden - een positieve samenhang met de bijstandsuitgaven. (4) Arbeidsongeschikten (in procenten van de inwoners van 20-64 jaar, 1998) Indien veel inactieven een arbeidsongeschiktheidsuitkering ontvangen, kan om die reden het beroep op de bijstand lager zijn. De modelberekeningen bevestigen het bestaan van deze negatieve relatie. Bij kleinere gemeenten is deze echter niet duidelijk aanwezig. (5) Totaal allochtonen (in procenten van alle inwoners, 1998) Het kenmerk etniciteit wordt vaak genoemd als indicator van sociale achterstand en als belangrijke determinant van de bijstandsuitgaven. In het APE/SEO-model is het opgenomen als een factor die een positieve invloed uitoefent op de bijstandslasten. (6) Vrouwen 25-29 jaar (in procenten van de inwoners van 20-64 jaar, 1998) Een groter aandeel inwoners van 25-29 jaar leidt tot hogere bijstandsuitgaven. Uit nader onderzoek blijkt echter dat dit effect geheel voor rekening komt van de vrouwen in deze leeftijdsgroep. Daarom is het percentage vrouwen van 25-29 jaar als verdeelkenmerk (met een positief teken) in het APE/SEO-model opgenomen. (7) Huurwoningen (in procenten van alle woningen, 1998) Huurwoningen zijn een belangrijke voorspeller van de bijstandsuitgaven, beter dan de op het eerste gezicht plausibeler categorie sociale huurwoningen. Een groot deel van de voorraad huurwoningen in gemeenten met hoge bijstandsuitgaven is namelijk in particuliere handen; juist in de ‘slechtere wijken’. Een hoger percentage huurwoningen gaat gepaard met hogere bijstandsuitgaven. (8) Werkzame beroepsbevolking (in procenten van de totale gemeentelijke beroepsbevolking, 1997) Omdat de score op deze variabele voor grotere gemeenten op lokaal niveau kan worden gemeten, geeft het verdeelkenmerk Werkzame beroepsbevolking voor deze gemeenten een goed beeld van de heersende arbeidsmarktsituatie. Naarmate het aandeel van de werkzame beroepsbevolking in de lokale beroepsbevolking groter is, zijn de bijstandsuitgaven naar verwachting lager. Deze negatieve relatie wordt door de modelberekeningen bevestigd. (9) Regionaal klantenpotentieel (x 1.000, 1998) Het regionaal klantenpotentieel van een gemeente is een maatstaf voor de centrumfunctie van een gemeente die ook in het Gemeentefonds wordt gehanteerd. Een gemeente met een sterke centrumfunctie trekt naar verwachting meer personen uit kwetsbare groepen aan. Het veronderstelde positieve verband met de bijstandsuitgaven is in de schattingsresultaten terug te vinden. (10) Omgevingsadressendichtheid (1998) De Omgevingsadressendichtheid wordt hier - net als in het Gemeentefonds - gebruikt als een maatstaf voor de mate van stedelijkheid. Op voorhand verwachtten de onderzoekers een positieve invloed van deze variabele op de bijstandsuitgaven. Omgevingsadressendichtheid is het enige verdeelkenmerk waarbij de gevonden relatie met de bijstandslasten afwijkt van de verwachtingen. Het op basis van empirisch onderzoek gevonden gewicht duidt namelijk op een negatieve invloed van deze maatstaf voor stedelijkheid op de bijstandsuitgaven. Volgens het bureau APE zou de cumulatie van variabelen die betrekking hebben op specifiek stedelijke problematieken leiden tot een overschatting van de bijstandsbehoefte in de meest verstedelijkte gemeenten. Deze overschatting wordt modelmatig door de variabele Omgevingsadressendichtheid gecorrigeerd.

42

43

Kleinere gemeenten De relaties tussen de verdeelkenmerken en de bijstandslasten Tabel 2 toont de negen verdeelkenmerken voor kleinere gemeenten in het APE/SEO-model, met de bijbehorende tekens en gewichten. Alle geschatte gewichten zijn statistisch significant en hebben het verwachte teken. Het model verklaart 86 procent van de variatie in de gemeentelijke bijstandsuitgaven. De van het deelmodel voor grotere gemeenten afwijkende verdeelkenmerken worden in het onderstaande toegelicht.

Tabel 2: Verdeelkenmerken, geschatte tekens en gewichten voor de totale bijstand in ruime zin in 2001: 60.000- gemeenten Verdeelkenmerk 1. Lage inkomens (in % van de personen met inkomen, 1998) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998) 5. Totaal allochtonen (in % van alle inwoners, 1998) 6. Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998)

Gewicht (guldens) 17,655 132,553 2,955 30,935

7. Huurwoningen (in % van alle woningen, 1998)

3,287

9. Regionaal klantenpotentieel (x 1.000, 1998)

2,573

11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar, 1998)

249,750

12. Werkzame beroepsbevolking in RBA-regio (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak in RBA-regio (in % totaal aantal banen in RBA-regio) Constante

-14,223 -10,433 703,267

Bron: APE

Toelichting bij de specifieke verdeelkenmerken voor kleinere gemeenten (11) Werklozen met maximale WW-duur (in procenten van de inwoners van 20-64 jaar, 1998) Voor kleinere gemeenten is dit arbeidsmarktkenmerk in het model opgenomen omdat dit het enige verdeelkenmerk is dat op gemeentelijk niveau kan worden gemeten. Bij kleinere gemeenten blijkt er een statistisch significante, positieve samenhang te bestaan tussen dit verdeelkenmerk en de omvang van de bijstandsuitgaven. (12) Werkzame beroepsbevolking in de RBA-regio (in procenten van de totale beroepsbevolking in de RBAregio) Omdat voor kleinere gemeenten vrijwel geen betrouwbare informatie over lokale arbeidsmarktkenmerken beschikbaar is, zijn variabelen op RBA-niveau voor deze gemeenten onmisbaar. Bovendien blijken de bijstandsuitgaven van kleinere gemeenten in hoge mate te worden bepaald door de regionale arbeidsmarktsituatie. Het veronderstelde - en gevonden - verband tussen de omvang van de werkzame beroepsbevolking en de bijstandslasten is negatief. (13) Banen handel, horeca en schoonmaak in RBA-regio (in procenten van het totaal aantal banen in de RBA-regio)

43

44

Deze variabele is om dezelfde redenen opgenomen als de vorige. De werkgelegenheid in de genoemde sectoren biedt een laagdrempelige uitweg uit de bijstand. Het verwachte en het gevonden verband met de bijstandsuitgaven is dan ook negatief.

Herverdeeleffecten - alle gemeenten In tabel 3 zijn de herverdeeleffecten van het APE/SEO-model zichtbaar gemaakt voor de totale bijstand in ruime zin in 1998. Voor dit doel zijn de deelmodellen voor grotere en kleinere gemeenten samengevoegd en is een gewogen combinatie gehanteerd voor gemeenten met 40.000 tot 60.000 inwoners. Weergegeven zijn de gemiddelde percentuele herverdeeleffecten per grootteklasse van gemeenten. De herverdeeleffecten zijn per grootteklasse gewogen met het aandeel van de desbetreffende gemeenten in de totale bijstandsuitgaven in Nederland. Daardoor tellen herverdeeleffecten voor gemeenten met hogere bijstandslasten (dit zijn met name de zeer grote gemeenten) zwaarder dan die voor gemeenten met minder bijstandsuitgaven. De gewogen gemiddelde herverdeeleffecten laten zien in hoeverre de met het verdeelmodel berekende bijstandsbudget aansluit bij de feitelijke bijstandsuitgaven in 1998. Daarmee wordt een indicatie gegeven van de herverdeeleffecten die zouden kunnen optreden bij ongewijzigd gemeentelijk beleid. De werkelijke herverdeeleffecten kunnen pas na afloop van het uitvoeringsjaar vastgesteld worden. Bij de presentatie is verondersteld dat de bijstandsgelden voor 100% op basis van het objectieve model over gemeenten worden verdeeld. In werkelijkheid is 25% van de bijstandslasten gebudgetteerd. In guldens is het herverdeeleffect derhalve een factor 4 kleiner. Omdat bij deze berekening geen rekening is gehouden met de wettelijke risicobegrenzing op vijftien procent van het budget, respectievelijk vijftien gulden per inwoner, zijn de herverdeeleffecten in tabel 3 enigszins overschat.

Tabel 3: Gewogen herverdeeleffecten voor de totale bijstand in ruime zin bij volledige budgettering in procenten van de totale feitelijke uitgaven in 1998 Aantal inwoners

Gemeenten

Aandeel in totale bijstandsuitgaven (%)

Gewogen gemiddelde herverdeeleffecten (%)

Tot 25.000

375

13,1

20,5

25.000 - 50.000

105

14,6

12,9

50.000 – 100.000

33

16,1

5,9

100.000 – 150.000

15

13,4

7,0

Meer dan 150.000

10

42,9

3,6

(waarvan G4)

(4)

(32,6)

(2,7)

100,0

8,0

Totaal

538

Bron: APE

Uit tabel 3 blijkt dat de gemiddelde herverdeeleffecten afnemen naarmate de gemeentegrootte toeneemt. Het gewogen herverdeeleffect (niet zichtbaar in de tabel) is in 85,5 procent van de grotere gemeenten kleiner dan tien procent; in 99,7 procent van deze gemeenten is dit herverdeeleffect kleiner dan 30 procent.

44

45

Advies van de begeleidingscommissie Het advies op hoofdlijnen 1.

2. 3.

Een ruime meerderheid van de begeleidingscommissie adviseert voor de toedeling van het gebudgetteerde deel van de bijstandslasten aan grotere gemeenten (gemeenten met meer dan 50.000 inwoners) gebruik te maken van het objectieve verdeelmodel APE/SEO. Dit model kan worden toegepast op de totale Abw, Ioaw en Ioaz. De begeleidingscommissie geeft in overweging de toedeling van budgetten aan kleinere gemeenten (minder dan 50.000 inwoners) geheel of gedeeltelijk te baseren op de lokale uitkeringslasten uit het recente verleden. Toepassing van een objectief verdeelmodel dient gepaard te gaan met een gedegen onderhoudstraject.

In het onderstaande wordt dit advies puntsgewijs toegelicht. Voorkeur voor toepassing van het APE/SEO-model op grotere gemeenten De ontwikkeling van en de keuze voor een objectief verdeelmodel komt neer op het zoeken naar een optimaal compromis tussen de eisen die aan zo’n model moeten worden gesteld, zoals: plausibiliteit: de selectie van variabelen die tezamen een aannemelijke verklaring geven voor de objectieve bijstandsbehoefte; transparantie: een inzichtelijk model met zo min mogelijk variabelen; beperkte herverdeeleffecten: niet te grote verschillen tussen de feitelijke uitkeringslasten en de modelmatig berekende bedragen; actualiteit : gebaseerd op recente gegevens; stabiliteit: niet te grote verschillen tussen afzonderlijke jaren. Wat transparantie, actualiteit en stabiliteit betreft, doen de beide ontwikkelde verdeelmodellen - SEO en APE/SEO - niet of nauwelijks voor elkaar onder. Ze zijn ook beide in redelijke mate bestendig voor gemeentelijke herindelingen.

Ten aanzien van de herverdeeleffecten scoort het APE/SEO-model echter beter. Elk van beide modellen kent twee minder plausibele verdeelkenmerken. Bij het SEO-model zijn dit de kenmerken ‘Inwoners tussen de 15 en 19 jaar’ en ‘Parttimers 12-19 uur per week’. Bij het APE/SEO-model gaat het om verdeelkenmerken ‘Verhuizingen’ en ‘Omgevingsadressendichtheid’. De drie eerstgenoemde kenmerken leiden bij simulaties met extreme wijzingen in de situatie van gemeenten tot niet-plausibele effecten op de berekende bijstandslasten. Van het verdeelkenmerk Omgevingsadressendichtheid, maatstaf voor de mate van stedelijkheid, zou men een positief effect op de bijstandslasten verwachten, terwijl berekeningen met het APE/SEO-model een negatieve relatie laat zien. Binnen het model fungeert het feitelijk als een correctiefactor. Dit alles overziende, is een ruime meerderheid van de begeleidingscommissie van mening dat de totale set objectieve verdeelkenmerken van het APE/SEO-model het meest overtuigend overkomt. Een belangrijk voordeel van dit model is dat het arbeidsmarktvariabelen op gemeenteniveau (in plaats van op RBA-niveau) bevat, evenals een verdeelkenmerk voor etniciteit. Tezamen met de gunstiger herverdeeleffecten leidt dit tot een voorkeur voor het APE/SEO-model. Dit model kan worden toegepast voor de toedeling van budgetten ten behoeve van de totale bijstand in ruime zin, dat wil zeggen: de uitkeringslasten algemene bijstand voor

45

46

thuiswonende personen van alle leeftijden, zelfstandigen, personen verblijvend in inrichtingen en de uitkeringslasten Ioaw en Ioaz. In het bij toepassing van het model te organiseren ‘onderhoudstraject’ dient het verbeteren van de plausibiliteit van het model ten aanzien van de kenmerken Verhuizingen en Omgevingsadressendichtheid met prioriteit aan de orde te komen. Enkele leden van de begeleidingscommissie hebben dusdanig veel moeite met de beide genoemde verdeelkenmerken, dat zij de voorkeur van de meerderheid voor het APE/SEO-model niet delen.

Kleinere gemeenten: geheel of gedeeltelijk op basis van historische kosten Alle tot nu toe in dit verband ontwikkelde modellen genereren voor een aanzienlijk aantal kleinere gemeenten grote tot zeer grote herverdeeleffecten. Herverdeeleffecten zijn uitsluitend beoogde effecten, indien ze het gevolg zijn van verschillen in de kwaliteit van het gemeentelijke beleid en de gemeentelijke uitvoering. Gegeven de omvang van de herverdeeleffecten, kunnen deze redelijkerwijs niet alleen worden toegeschreven worden aan deze verschillen. Toepassing van een objectief verdeelmodel leidt bij omvangrijke herverdeeleffecten voor kleinere gemeenten ook niet tot het beoogde doel: het aanzetten tot een effectiever uitstroombeleid. Het wegwerken van een groot negatief herverdeeleffect door een beleidsintensivering lijkt al gauw onbegonnen werk. Bovendien maakt het voor een gemeente financieel niet uit of deze veel of weinig uitkomt boven de risicogrens, die door de wetgever is vastgesteld op vijftien procent van het budget, respectievelijk vijftien gulden per inwoner. Tekorten boven deze grens worden immers volledig door het Rijk gecompenseerd. Om deze redenen geeft de begeleidingscommissie in overweging vooralsnog een verdeelmodel te hanteren, waarin de toedeling van budgetten aan kleinere gemeenten geheel of gedeeltelijk is gebaseerd op de lokale uitkeringslasten uit het recente verleden. Hierbij zou bijvoorbeeld kunnen worden uitgegaan van de gemiddelde lasten over de laatste drie jaren. Uit berekeningen van de onderzoekers blijkt dat de herverdeeleffecten voor kleinere gemeenten bij budgettering op basis van historische kosten aanzienlijk kleiner zijn dan bij budgettering op basis van (uitsluitend) objectieve factoren. Volgens het bureau APE zou - bezien vanuit het oogpunt van de herverdeeleffecten - de optimale mix voor kleinere gemeenten bestaan uit 85 procent budgettering op basis van historische kosten en 15 procent op basis van objectieve verdeelkenmerken.

Een objectief verdeelmodel behoeft een gedegen onderhoudstraject Indien wordt besloten tot invoering van een objectief verdeelmodel, dient aan dit model ook periodiek onderhoud te worden gepleegd. De relaties tussen de objectieve verdeelkenmerken en de uitkeringslasten moeten regelmatig worden geactualiseerd. Wanneer de herverdeeleffecten na verloop van tijd zouden toenemen, kan dit aanleiding zijn tot herijking van het model. Bij een keuze voor het APE/SEO-model is één van de eerste aandachtspunten in het onderhoudstraject het verbeteren van de plausibiliteit van het model ten aanzien van de kenmerken Verhuizingen en Omgevingsadressendichtheid. Een ander aandachtspunt heeft te maken met de aard en de ontwikkeling van de uitkeringslasten voor bijstandsgerechtigden

46

47

van 65 jaar en ouder. Bij bijstand aan 65-plussers gaat het in het algemeen om een aanvulling op de AOW-uitkering. Met name allochtonen krijgen deze uitkering, omdat zij vaak geen volledige AOW hebben kunnen opbouwen. Deze in omvang toenemende groep is geconcentreerd in de grote steden. In deze steden doet zich een relatief sterke stijging voor van de bijstandsuitgaven ten behoeve van 65-plussers. Nagegaan zal moeten worden in hoeverre het ontwikkelde model rekening houdt met deze ontwikkeling. Zoals in het voorgaande is gesteld, heeft een objectief verdeelmodel altijd een compromiskarakter. Dit is een reden temeer om door middel van een gedegen onderhoudstraject systematisch lering te trekken uit de ervaringen die met het model worden opgedaan met het doel het model in de loop van de tijd verder te verbeteren.

47

48

Samenstelling begeleidingscommissie De Technische begeleidingscommissie objectief verdeelmodel bestaat uit de volgende personen: Drs. H. de Wolf

Drs. A.L.J. Veraart

Ministerie van Sociale Zaken en Werkgelegenheid (voorzitter)

Ministerie van Sociale Zaken en Werkgelegenheid (secretaris tijdens het SEO-onderzoek)

Drs. R.J.L. Linssen

Ministerie van Sociale Zaken en Werkgelegenheid (secretaris tijdens het APE-onderzoek) Drs. F.M. Nieuweboer Ministerie van Sociale Zaken en Werkgelegenheid Drs. F.J. van Sloten Ministerie van Binnenlandse Zaken Drs. H. Tanja Ministerie van Binnenlandse Zaken Drs. M.S. Heekelaar Ministerie van Financiën Drs. S. van den Elshout Centraal Bureau voor de Statistiek Dhr. F. Kentin Vereniging van Nederlandse Gemeenten Drs. G.A. Oskam Vereniging van Nederlandse Gemeenten Dhr. R. Hielckert Gemeente Amsterdam Drs. A.J.W.M. Verhagen Gemeente Den Haag Dhr. J. Minnaard Gemeente Groningen Dr. J.W.G. Scheltinga Gemeente Heusden

48

49

Colofon Uitgave Ministerie van Sociale Zaken en Werkgelegenheid Anna van Hannoverstraat 4 Postbus 90801 2509 LV Den Haag Tekst Teun Baak, Tekst & Beleid bv, Bleiswijk

maart 2001

49

50

Bijlage Herverdeeleffecten totale bijstand in ruime zin Deze bijlage bevat een overzicht van de herverdeeleffecten per gemeente voor de totale bijstand in ruime zin. Met “herverdeeleffecten” wordt het verschil bedoeld tussen de werkelijke uitgaven en de uitgaven die voorspeld worden door het APE/SEO objectief verdeelmodel voor de totale bijstand in ruime zin. In het overzicht wordt een indruk gegeven van de herverdeeleffecten die op kunnen treden als 25% van de totale bijstandsuitgaven wordt gebudgetteerd. Zowel de werkelijke als de voorspelde uitgaven die ten grondslag liggen aan het overzicht hebben betrekking op 1998, het jaar waarover het model geschat is. Dat betekent dat de gepresenteerde cijfers een “ex-post”-karakter hebben: ze beantwoorden de vraag hoe hoog de feitelijke herverdeeleffecten zouden zijn geweest indien 25 procent van de bijstandsuitgaven in 1998 zou zijn gebudgetteerd conform het APE/SEO objectief verdeelmodel en op basis van de gemeentelijke kenmerken in dat jaar. In de berekening van de gepresenteerde herverdeeleffecten is geen rekening gehouden met de wettelijke beperking van de negatieve herverdeeleffecten tot 15% van het gebudgetteerde deel of 15 gulden per inwoner. 4 In plaats daarvan worden zowel het ongecorrigeerde procentuele herverdeeleffect als het ongecorrigeerde herverdeeleffect in guldens per inwoner vermeld. Met deze twee gegevens kan eenvoudig worden nagegaan of de wettelijke risicobeperking van toepassing is voor een gemeente. Daarnaast is het van belang om op te merken dat de cijfers in de tabel alleen betrekking hebben op de situatie waarin het gebudgetteerde deel van de bijstandsuitgaven volledig wordt verdeeld conform het APE/SEO objectief verdeelmodel. Er wordt dus geen rekening gehouden met een eventuele (gedeeltelijke) budgettering op basis van historische kosten. Tot slot dient vermeld te worden dat de totale herverdeeleffecten per gemeente zijn afgerond op veelvouden van fl. 1000,-. De herverdeeleffecten per hoofd van de bevolking zijn afgerond op veelvouden van fl. 0,25. Dit is gedaan om te benadrukken dat de cijfers in deze bijlage alleen bedoeld zijn als indicatie van de orde van grootte van de te verwachten herverdeeleffecten voor individuele gemeenten.

Als percentage van het gebudgetteerde deel van de feitelijke bijstandsuitgaven. Dit percentage is direct vergelijkbaar met het percentage van 15% dat gehanteerd wordt als grens voor het financiële risico voor een gemeente. 4

50

51

Herverdeeleffecten voor de totale bijstand in ruime zin Gemeenten met 60.000 of meer inwoners

Gemeentenaam op 1-1-2000 Alkmaar Almelo Almere Alphen aan den Rijn Amersfoort Amstelveen Amsterdam Apeldoorn Arnhem Bergen op Zoom Breda Capelle aan den IJssel Delft Den Helder Deventer Dordrecht Ede Eindhoven Emmen Enschede Gouda Groningen Haarlem Haarlemmermeer Heerlen Helmond Hengelo (Ov.) Hilversum Hoorn Leeuwarden Leiden Lelystad Maastricht Nieuwegein Nijmegen Oss Purmerend Roosendaal Rotterdam Schiedam 's-Gravenhage 's-Hertogenbosch Spijkenisse Tilburg

Aantal inwoners op 1-1-1998 92.960 65.632 126.720 68.652 120.512 77.725 718.151 152.354 136.174 63.983 157.057 63.228 94.706 60.286 82.621 118.118 101.319 198.330 105.228 148.360 71.544 168.752 147.839 108.909 95.685 77.616 78.306 82.297 62.905 88.551 116.972 60.882 120.207 61.241 150.495 64.582 66.922 73.813 590.478 74.910 442.799 127.364 71.513 185.643

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -0,7% -465.000 -5,00 -2,7% -1.881.000 -28,75 -0,1% -96.000 -0,75 0,8% 138.000 2,00 1,8% 1.033.000 8,50 -0,4% -93.000 -1,25 -0,6% -7.220.000 -10,00 0,7% 484.000 3,25 -1,5% -2.595.000 -19,00 -0,4% -154.000 -2,50 -1,4% -1.627.000 -10,25 0,2% 106.000 1,75 0,3% 191.000 2,00 1,0% 441.000 7,25 5,5% 3.150.000 38,00 -2,9% -3.640.000 -30,75 -7,3% -2.414.000 -23,75 1,3% 2.043.000 10,25 1,1% 712.000 6,75 -0,4% -551.000 -3,75 2,4% 1.005.000 14,00 -0,3% -775.000 -4,50 -0,2% -238.000 -1,50 -1,3% -324.000 -3,00 -0,9% -938.000 -9,75 0,7% 436.000 5,50 -0,4% -211.000 -2,75 2,0% 745.000 9,00 2,8% 1.117.000 17,75 -0,7% -810.000 -9,25 2,0% 1.814.000 15,50 3,3% 1.649.000 27,00 1,7% 1.901.000 15,75 0,9% 217.000 3,50 -4,4% -9.550.000 -63,50 -1,1% -370.000 -5,75 1,4% 435.000 6,50 0,5% 182.000 2,50 0,7% 7.089.000 12,00 -1,0% -755.000 -10,00 0,7% 3.848.000 8,75 -2,1% -1.828.000 -14,25 0,3% 146.000 2,00 0,7% 1.036.000 5,50

51

52

Gemeentenaam op 1-1-2000 Utrecht Velsen Venlo Vlaardingen Zaanstad Zoetermeer Zwolle

Aantal inwoners op 1-1-1998 232.744 66.157 64.411 74.250 134.627 108.199 102.622

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,2% 2.982.000 12,75 0,9% 198.000 3,00 0,7% 351.000 5,50 3,3% 1.694.000 22,75 4,3% 2.776.000 20,50 -1,6% -714.000 -6,50 2,7% 1.721.000 16,75

Gemeenten met meer dan 40.000 en minder dan 60.000 inwoners

Gemeentenaam op 1-12000 Assen Barneveld Doetinchem Heerhugowaard Heusden Hoogeveen Huizen Katwijk Kerkrade Landgraaf Maarssen Middelburg Noordoostpolder Oosterhout Rheden Ridderkerk Rijswijk Roermond Sittard Smallingerland Soest Veenendaal Veldhoven Vlissingen Waalwijk Weert Zeist Zwijndrecht

Aantal inwoners op 1-1-1998 56.331 46.868 45.310 41.720 41.940 52.722 41.692 40.582 52.150 41.645 41.052 44.440 41.755 51.623 44.311 46.725 48.488 44.128 49.271 51.092 43.771 58.139 41.448 44.754 44.823 47.590 59.216 41.992

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 2,7% 1030.000 18,25 -7,8% -558.000 -12,00 3,1% 648.000 14,25 2,3% 320.000 7,75 -8,4% -1201.000 -28,75 4,6% 1192.000 22,5 -4,2% -609.000 -14,5 -3,9% -320.000 -8,00 -0,5% -249.000 -4,75 -5,0% -1211.000 -29,00 0,9% 116.000 2,75 2,1% 544.000 12,25 3,8% 663.000 15,75 -0,8% -161.000 -3,00 -0,8% -153.000 -3,50 4,2% 745.000 16,00 0,0% -11.000 -0,25 -2,9% -1292.000 -29,25 -4,6% -1939.000 -39,25 -1,3% -499.000 -9,75 1,5% 180.000 4,00 2,8% 572.000 9,75 -4,4% -632.000 -15,25 -0,7% -270.000 -6,00 -0,7% -139.000 -3,00 1,8% 385.000 8,00 3,3% 898.000 15,25 0,8% 147.000 3,50

52

53

Gemeenten met 40.000 inwoners of minder

Gemeentenaam op 1-1-2000 Aa en Hunze Aalburg Aalsmeer Aalten Abcoude Achtkarspelen Akersloot Alblasserdam Albrandswaard Alkemade Alphen-Chaam Ambt Delden Ambt Montfort Ameland Amerongen Andijk Angerlo Anna Paulowna Appingedam Arcen en Velden Asten Avereest Axel Baarle-Nassau Baarn Barendrecht Bathmen Bedum Beek Beemster Beesel Belfeld Bellingwedde Bemmel Bennebroek Bergambacht Bergeijk Bergen Bergen NH Bergh Bergschenhoek Berkel en Rodenrijs Bernheze Bernisse Best

Aantal inwoners op 1-1-1998 24.806 11.529 22.600 18.782 8.410 28.085 4.846 17.800 15.395 14.433 9.385 5.444 11.090 3.446 7.307 6.338 4.680 13.483 12.267 9.058 15.894 14.971 12.111 6.079 24.387 24.796 5.187 10.649 17.283 8.303 13.175 5.406 9.500 16.741 5.131 9.173 17.771 13.382 14.125 18.362 9.989 16.076 28.291 12.502 24.890

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 10,9% 526.000 21,25 2,3% 34.000 3,00 8,1% 316.000 14,00 9,9% 370.000 19,75 -5,1% -68.000 -8,00 -7,2% -1.127.000 -40,25 0,7% 3.000 0,50 -1,7% -114.000 -6,50 4,8% 165.000 10,75 -11,7% -208.000 -14,50 -2,7% -36.000 -3,75 -22,3% -142.000 -26,00 2,3% 49.000 4,50 40,7% 161.000 46,75 -1,8% -22.000 -3,00 2,4% 35.000 5,50 10,5% 82.000 17,50 -4,0% -155.000 -11,50 -3,2% -294.000 -24,00 4,7% 83.000 9,25 -5,2% -172.000 -10,75 -2,9% -119.000 -8,00 -1,2% -62.000 -5,25 -8,0% -137.000 -22,50 9,4% 689.000 28,25 4,7% 196.000 8,00 -11,6% -55.000 -10,75 7,7% 211.000 19,75 2,0% 98.000 5,75 3,2% 38.000 4,50 0,1% 3.000 0,25 2,1% 28.000 5,25 -1,0% -45.000 -4,75 -8,8% -392.000 -23,50 18,3% 134.000 26,25 -8,8% -94.000 -10,25 -12,9% -452.000 -25,50 4,6% 131.000 9,75 4,3% 231.000 16,50 -1,4% -79.000 -4,25 -8,0% -119.000 -12,00 -8,9% -337.000 -21,00 -2,8% -154.000 -5,50 -2,7% -66.000 -5,25 -8,3% -831.000 -33,50

53

54

Gemeentenaam op 1-1-2000 Beuningen Beverwijk Binnenmaas Bladel Blaricum Bleiswijk Bloemendaal Boarnsterhim Bodegraven Boekel Bolsward Borculo Borger-Odoorn Born Borne Borsele Boskoop Boxmeer Boxtel Brederwiede Breukelen Brielle Broekhuizen Brummen Brunssum Bunnik Bunschoten Buren Bussum Castricum Coevorden Cranendonck Cromstrijen Cuijk Culemborg Dalfsen Dantumadeel De Bilt De Lier De Marne De Ronde Venen De Wolden Delfzijl Den Ham Denekamp Deurne Didam

Aantal inwoners op 1-1-1998 24.502 35.603 18.982 18.963 9.809 9.822 16.605 18.073 19.264 9.057 9.339 10.259 25.857 14.737 22.051 21.757 14.916 28.494 29.309 12.296 14.033 15.842 1.928 21.503 30.258 14.006 19.179 24.846 31.027 22.896 34.497 20.269 12.622 23.547 24.375 17.376 19.930 32.703 11.118 10.934 33.957 23.310 30.016 14.847 12.300 32.034 16.584

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -1,0% -79.000 -3,25 0,9% 176.000 5,00 -1,7% -50.000 -2,75 10,3% 277.000 14,75 7,6% 114.000 11,75 -12,4% -195.000 -19,75 -1,6% -43.000 -2,50 2,5% 145.000 8,00 -13,1% -491.000 -25,50 -2,7% -38.000 -4,25 1,7% 92.000 9,75 4,5% 104.000 10,25 -0,8% -64.000 -2,50 4,3% 163.000 11,00 -4,5% -295.000 -13,25 2,1% 86.000 4,00 -12,3% -394.000 -26,50 3,3% 200.000 7,00 3,0% 244.000 8,25 -5,4% -151.000 -12,25 3,4% 67.000 4,75 -1,7% -71.000 -4,50 -4,2% -17.000 -9,00 -0,2% -11.000 -0,50 -1,9% -443.000 -14,75 -3,1% -48.000 -3,50 -4,9% -106.000 -5,50 -5,2% -234.000 -9,50 4,2% 471.000 15,25 4,2% 179.000 7,75 -3,1% -457.000 -13,25 -6,0% -331.000 -16,25 -6,2% -151.000 -12,00 -1,1% -114.000 -4,75 0,4% 45.000 1,75 -11,8% -248.000 -14,25 -8,1% -922.000 -46,25 3,3% 288.000 8,75 2,9% 28.000 2,50 -2,9% -160.000 -14,50 0,6% 36.000 1,00 2,1% 91.000 4,00 -4,4% -1.152.000 -38,50 -4,5% -174.000 -11,75 6,6% 127.000 10,25 0,1% 11.000 0,25 -5,7% -300.000 -18,00

54

55

Gemeentenaam op 1-1-2000 Diemen Diepenheim Dinxperlo Dirksland Dodewaard Doesburg Dongen Dongeradeel Doorn Drechterland Driebergen-Rijsenburg Drimmelen Dronten Druten Duiven Echt Echteld Edam-Volendam Eemnes Eemsmond Eersel Egmond Eibergen Eijsden Elburg Elst Enkhuizen Epe Ermelo Etten-Leur Ferwerderadiel Franekeradeel Gaasterlân-Sleat Geertruidenberg Geldermalsen Geldrop Geleen Gemert-Bakel Gendringen Gendt Genemuiden Gennep Giessenlanden Gilze en Rijen Goedereede Goes Goirle

Aantal inwoners op 1-1-1998 23.839 2.744 8.667 7.968 4.306 11.092 24.295 24.369 10.080 9.583 18.487 26.582 33.448 16.222 24.504 19.039 6.689 26.840 8.297 16.316 18.282 11.435 16.491 11.845 21.621 16.613 16.572 33.244 27.008 35.700 8.725 20.144 9.698 21.035 23.610 27.194 33.973 27.255 20.638 7.217 8.747 16.868 14.105 23.850 11.114 34.959 22.132

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,3% 155.000 6,50 13,7% 46.000 16,75 7,2% 159.000 18,25 -1,0% -18.000 -2,25 0,2% 2.000 0,50 -5,3% -350.000 -31,50 3,2% 223.000 9,25 -3,3% -430.000 -17,75 6,3% 84.000 8,25 -6,3% -133.000 -14,00 -4,4% -265.000 -14,25 5,6% 222.000 8,25 -6,7% -788.000 -23,50 4,9% 259.000 16,00 4,1% 265.000 10,75 2,1% 152.000 8,00 8,2% 88.000 13,25 3,7% 143.000 5,25 -1,2% -23.000 -2,75 -6,0% -644.000 -39,50 -5,3% -192.000 -10,50 3,5% 90.000 7,75 5,8% 195.000 11,75 -7,5% -234.000 -19,75 5,6% 185.000 8,50 -3,8% -213.000 -12,75 0,8% 57.000 3,50 1,7% 142.000 4,25 12,9% 662.000 24,50 1,7% 220.000 6,25 -7,0% -310.000 -35,50 4,4% 384.000 19,00 13,7% 263.000 27,00 0,7% 39.000 1,75 1,0% 41.000 1,75 -3,1% -406.000 -15,00 -1,3% -316.000 -9,25 -0,7% -55.000 -2,00 0,3% 21.000 1,00 2,5% 51.000 7,00 12,6% 84.000 9,75 8,6% 413.000 24,50 4,6% 71.000 5,00 -0,9% -49.000 -2,00 -9,1% -136.000 -12,25 6,9% 1.004.000 28,75 -7,0% -459.000 -20,75

55

56

Gemeentenaam op 1-1-2000 Goor Gorinchem Gorssel Graafstroom Graft-De Rijp Gramsbergen Grave Groenlo Groesbeek Grootegast Grubbenvorst Gulpen-Wittem Haaksbergen Haaren Haarlemmerliede c.a. Haelen Halderberge Hardenberg Harderwijk Hardinxveld-Giessendam Haren Harenkarspel Harlingen Harmelen Hasselt Hattem Heel Heemskerk Heemstede Heerde Heerenveen Heerjansdam Heeze-Leende Heiloo Heino Helden Hellendoorn Hellevoetsluis Hendrik-Ido-Ambacht Hengelo (Gld) het Bildt Heteren Heumen Heythuysen Hillegom Hilvarenbeek Hoevelaken

Aantal inwoners op 1-1-1998 12.338 32.654 13.248 9.503 6.188 6.413 12.492 9.121 19.208 11.531 6.764 15.537 23.706 14.000 5.236 9.873 29.367 34.891 38.441 17.594 18.725 14.771 15.356 8.032 7.525 11.725 8.384 34.968 26.024 18.146 39.869 3.548 15.304 21.375 7.888 19.140 35.544 37.356 20.786 8.425 10.085 8.573 15.361 11.993 20.480 14.452 8.508

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 1,2% 53.000 4,25 4,8% 774.000 23,75 -7,2% -183.000 -13,75 -16,5% -112.000 -11,75 4,3% 32.000 5,25 -3,6% -44.000 -6,75 -3,6% -129.000 -10,25 14,2% 329.000 36,00 0,5% 41.000 2,25 -3,7% -185.000 -16,00 -1,7% -17.000 -2,50 5,2% 154.000 10,00 -1,7% -105.000 -4,50 0,0% 1.000 0,00 8,1% 71.000 13,50 -4,2% -96.000 -9,75 -4,2% -374.000 -12,75 3,6% 315.000 9,00 5,3% 678.000 17,75 7,3% 178.000 10,00 6,7% 320.000 17,00 1,0% 26.000 1,75 -5,4% -717.000 -46,75 9,6% 81.000 10,00 -1,3% -19.000 -2,50 1,1% 20.000 1,75 43,4% 444.000 53,00 -1,1% -207.000 -6,00 8,2% 438.000 16,75 1,0% 29.000 1,50 5,8% 1.134.000 28,50 8,0% 32.000 9,00 -15,9% -445.000 -29,00 -9,7% -503.000 -23,50 -8,0% -85.000 -10,75 4,6% 176.000 9,25 12,0% 957.000 27,00 -0,8% -159.000 -4,25 2,4% 96.000 4,50 9,6% 106.000 12,50 -8,3% -559.000 -55,50 12,4% 187.000 21,75 -7,4% -382.000 -25,00 -0,9% -23.000 -2,00 16,8% 575.000 28,00 -20,0% -429.000 -29,75 -4,7% -32.000 -3,75

56

57

Gemeentenaam op 1-1-2000 Holten Hontenisse Hoogezand-Sappemeer Horst Houten Huissen Hulst Hummelo en Keppel Hunsel IJsselham IJsselmuiden IJsselstein Jacobswoude Kampen Kapelle Kessel Kesteren Kollumerland c.a. Korendijk Krimpen aan den IJssel Laarbeek Landerd Landsmeer Langedijk Laren Leek Leerdam Leersum Leeuwarderadeel Leiderdorp Leidschendam Lemsterland Leusden Lichtenvoorde Liemeer Liesveld Limmen Lingewaal Lisse Lith Littenseradiel Lochem Loenen Loon op Zand Loosdrecht Lopik Loppersum

Aantal inwoners op 1-1-1998 8.761 7.912 33.198 19.447 31.925 15.596 19.517 4.514 5.980 5.529 14.536 25.133 10.845 32.161 10.948 4.135 10.698 12.926 10.383 28.198 21.635 14.192 10.361 23.208 11.664 18.633 20.768 7.255 10.243 24.086 34.698 12.279 27.993 18.823 6.954 9.574 6.411 10.667 21.942 6.553 10.559 18.872 8.538 22.565 8.854 13.241 11.040

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -2,4% -25.000 -2,75 -4,0% -75.000 -9,50 -2,2% -639.000 -19,25 2,3% 99.000 5,00 1,9% 93.000 3,00 -4,5% -244.000 -15,75 12,5% 649.000 33,25 -7,4% -57.000 -12,50 9,1% 84.000 14,00 2,8% 28.000 5,00 -2,3% -47.000 -3,25 2,4% 183.000 7,25 -15,0% -181.000 -16,75 0,4% 66.000 2,00 3,2% 46.000 4,25 -2,2% -14.000 -3,25 -4,6% -113.000 -10,50 -7,1% -458.000 -35,50 -3,1% -67.000 -6,50 -0,2% -17.000 -0,50 -4,9% -239.000 -11,00 6,0% 108.000 7,75 12,3% 204.000 19,75 -1,4% -83.000 -3,50 4,9% 89.000 7,50 6,5% 425.000 22,75 5,9% 380.000 18,25 -1,8% -28.000 -3,75 -4,1% -104.000 -10,00 -3,3% -218.000 -9,00 0,2% 33.000 1,00 -4,0% -252.000 -20,50 9,0% 308.000 11,00 21,7% 539.000 28,75 1,8% 12.000 1,75 7,4% 80.000 8,50 -11,4% -72.000 -11,25 -4,7% -103.000 -9,75 15,3% 469.000 21,50 -17,7% -170.000 -26,00 6,2% 155.000 14,75 4,5% 185.000 9,75 2,3% 30.000 3,50 2,9% 164.000 7,25 6,4% 105.000 12,00 -12,0% -152.000 -11,50 -0,3% -12.000 -1,00

57

58

Gemeentenaam op 1-1-2000 Losser Maarn Maartensdijk Maasbracht Maasbree Maasdonk Maasdriel Maasland Maassluis Margraten Markelo Marum Medemblik Meerlo-Wanssum Meerssen Meijel Menaldumadeel Menterwolde Meppel Middelharnis Middenveld Mierlo Mill en Sint Hubert Millingen aan de Rijn Moerdijk Monster Montfoort Mook en Middelaar Moordrecht Muiden Naaldwijk Naarden Nederhorst den Berg Nederlek Nederweert Neede Neerijnen Niedorp Nieuwerkerk aan den IJssel Nieuwkoop Nieuw-Lekkerland Nieuwleusen Nijefurd Nijkerk Noord-Beveland Noordenveld Noorder-Koggenland

Aantal inwoners op 1-1-1998 22.722 5.876 9.421 13.623 12.800 11.372 22.934 6.730 33.046 13.814 7.135 9.642 7.294 7.366 20.482 5.649 13.759 12.362 29.139 16.417 32.024 10.158 10.989 5.889 36.342 20.012 13.237 7.472 7.498 6.876 28.722 16.807 5.125 14.843 15.978 11.069 10.895 11.345 20.249 11.051 9.398 8.270 10.605 27.164 6.889 30.876 10.291

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 7,2% 457.000 20,00 -14,8% -130.000 -22,25 -14,4% -169.000 -18,00 -1,5% -62.000 -4,50 -4,9% -110.000 -8,50 5,0% 76.000 6,75 6,5% 269.000 11,75 -9,5% -67.000 -10,00 -2,9% -533.000 -16,25 -4,8% -106.000 -7,75 8,3% 53.000 7,50 2,1% 64.000 6,75 3,7% 103.000 14,00 -4,9% -53.000 -7,25 -5,3% -329.000 -16,00 -3,5% -30.000 -5,25 1,9% 67.000 5,00 -3,0% -193.000 -15,50 2,8% 369.000 12,75 9,8% 316.000 19,25 11,6% 934.000 29,25 -6,2% -196.000 -19,25 -0,4% -7.000 -0,75 -0,6% -13.000 -2,25 1,9% 170.000 4,75 11,4% 405.000 20,25 -6,3% -90.000 -6,75 -6,7% -133.000 -17,75 -12,9% -382.000 -51,00 6,0% 83.000 12,25 4,5% 190.000 6,75 -1,2% -40.000 -2,50 3,1% 14.000 2,75 -6,3% -219.000 -14,75 -6,3% -187.000 -11,75 2,8% 68.000 6,25 -1,4% -23.000 -2,00 2,0% 41.000 3,75 -7,4% -334.000 -16,50 -14,5% -274.000 -24,75 2,8% 42.000 4,50 -5,6% -66.000 -8,00 2,2% 93.000 8,75 2,0% 106.000 4,00 11,9% 159.000 23,00 4,3% 334.000 10,75 11,0% 150.000 14,50

58

59

Gemeentenaam op 1-1-2000 Noordwijk Noordwijkerhout Nootdorp Nuenen c.a. Nunspeet Nuth Obdam Oegstgeest Oirschot Oisterwijk Oldebroek Oldenzaal Olst Ommen Onderbanken Oostburg Oostflakkee Ooststellingwerf Oostzaan Ootmarsum Opmeer Opsterland Oud-Beijerland Ouder-Amstel Ouderkerk Oudewater Papendrecht Pekela Pijnacker Putten Raalte Ravenstein Reeuwijk Reiderland Reimerswaal Renkum Renswoude Reusel-De Mierden Rhenen Rijnsburg Rijnwaarden Rijnwoude Rijssen Roerdalen Roggel en Neer Rozenburg Rozendaal

Aantal inwoners op 1-1-1998 25.241 15.475 9.632 23.382 26.025 16.744 6.296 20.178 17.482 25.275 22.135 30.670 9.311 16.493 8.536 17.819 10.026 25.423 8.581 4.472 10.592 28.565 21.812 12.041 8.214 9.847 28.827 13.233 20.090 22.340 28.281 8.509 12.867 6.888 20.360 32.070 4.008 12.347 17.050 14.441 10.976 19.379 26.083 10.463 8.308 13.767 1.181

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 9,2% 499.000 19,75 10,5% 259.000 16,75 21,4% 212.000 22,00 -16,5% -1.192.000 -51,00 6,9% 261.000 10,00 0,4% 13.000 0,75 -16,7% -135.000 -21,50 0,8% 25.000 1,25 -1,4% -33.000 -2,00 -4,9% -347.000 -13,75 4,3% 122.000 5,50 -1,9% -276.000 -9,00 0,5% 10.000 1,00 -8,3% -268.000 -16,25 3,8% 105.000 12,25 5,6% 225.000 12,75 -1,9% -50.000 -5,00 -1,8% -226.000 -9,00 12,9% 193.000 22,50 -21,4% -112.000 -25,00 8,2% 129.000 12,25 -0,9% -100.000 -3,50 5,7% 304.000 14,00 7,8% 235.000 19,50 -4,2% -43.000 -5,25 20,4% 226.000 23,00 -1,6% -158.000 -5,50 -3,8% -363.000 -27,50 -11,9% -394.000 -19,75 -1,9% -62.000 -2,75 4,0% 224.000 8,00 -0,1% -2.000 -0,25 -19,5% -280.000 -21,75 -4,5% -224.000 -32,50 0,4% 25.000 1,25 1,2% 127.000 4,00 0,0% 0 0,00 -0,3% -6.000 -0,50 -8,7% -500.000 -29,25 -9,1% -199.000 -13,75 1,8% 64.000 5,75 -12,8% -303.000 -15,75 -2,6% -153.000 -5,75 5,2% 131.000 12,5 1,6% 17.000 2,00 -0,7% -48.000 -3,50 22,5% 35.000 30,00

59

60

Gemeentenaam op 1-1-2000 Rucphen Ruurlo Sas van Gent Sassenheim Schagen Scheemda Schermer Scherpenzeel Schiermonnikoog Schijndel Schinnen Schipluiden Schoonhoven Schoorl Schouwen-Duiveland Sevenum 's-Graveland 's-Gravendeel 's-Gravenzande Simpelveld Sint Anthonis Sint-Michielsgestel Sint-Oedenrode Skarsterlân Sliedrecht Slochteren Sluis-Aardenburg Sneek Someren Son en Breugel Stad Delden Stadskanaal Staphorst Stede Broec Steenbergen Steenderen Steenwijk Stein Strijen Susteren Swalmen Tegelen Ten Boer Ter Aar Terneuzen Terschelling Texel

Aantal inwoners op 1-1-1998 22.308 7.989 8.691 14.592 17.287 14.337 4.959 9.123 1.003 22.307 14.029 10.284 11.804 6.569 32.954 7.225 9.363 8.672 18.777 11.684 11.535 27.375 17.023 26.415 23.955 14.643 6.512 30.496 18.091 14.493 7.344 32.906 15.178 20.673 22.978 4.855 22.396 26.389 9.318 13.056 8.523 19.451 7.237 9.163 34.712 4.776 13.378

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -5,1% -423.000 -19,00 5,5% 44.000 5,50 6,3% 262.000 30,00 16,3% 350.000 24,00 3,5% 241.000 14,00 -1,1% -61.000 -4,25 -0,8% -4.000 -0,75 4,3% 40.000 4,25 30,2% 39.000 39,00 2,7% 139.000 6,25 -3,1% -113.000 -8,00 -11,7% -120.000 -11,75 -9,4% -351.000 -29,75 6,6% 97.000 14,75 -1,6% -145.000 -4,50 2,3% 27.000 3,75 -1,3% -21.000 -2,25 9,3% 139.000 16,00 6,8% 203.000 10,75 4,8% 144.000 12,25 -7,5% -126.000 -11,00 -0,8% -39.000 -1,50 -7,0% -274.000 -16,00 6,9% 474.000 18,00 3,3% 275.000 11,50 6,6% 275.000 18,75 25,2% 391.000 60,00 -4,1% -1.051.000 -34,50 -9,1% -365.000 -20,25 -6,1% -235.000 -16,25 3,5% 43.000 5,75 0,6% 131.000 4,00 10,9% 100.000 6,50 2,3% 138.000 6,75 0,4% 23.000 1,00 9,6% 53.000 11,00 -4,0% -550.000 -24,50 4,5% 313.000 11,75 18,1% 230.000 24,75 -5,9% -254.000 -19,50 -2,9% -95.000 -11,00 5,9% 484.000 25,00 2,9% 51.000 7,00 -17,6% -132.000 -14,50 -1,9% -365.000 -10,50 18,6% 191.000 40,00 13,8% 394.000 29,50

60

61

Gemeentenaam op 1-1-2000 Tholen Thorn Tiel Tubbergen Tytsjerksteradiel Ubbergen Uden Uitgeest Uithoorn Urk Vaals Valburg Valkenburg Valkenburg aan de Geul Valkenswaard Veendam Veere Veghel Venhuizen Venray Vianen Vlagtwedde Vleuten-De Meern Vlieland Vlist Voerendaal Voorburg Voorhout Voorschoten Voorst Vorden Vriezenveen Vught Waalre Waddinxveen Wageningen Warmond Warnsveld Wassenaar Wateringen Waterland Weerselo Weesp Wehl Werkendam Wervershoof Wester-Koggenland

Aantal inwoners op 1-1-1998 23.431 2.651 36.413 19.793 31.062 9.257 38.649 11.052 25.673 15.185 10.864 12.962 3.566 18.044 31.182 28.476 22.183 35.355 7.374 37.143 19.239 16.082 19.302 1.150 9.843 13.127 39.099 12.097 22.913 23.601 8.407 19.744 25.023 16.045 26.678 32.852 5.327 9.056 26.144 15.168 17.647 9.305 17.964 6.689 25.673 8.400 13.222

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner -1,9% -127.000 -5,50 24,2% 103.000 38,75 -1,4% -297.000 -8,25 0,7% 18.000 1,00 0,7% 67.000 2,25 -4,9% -207.000 -22,50 -0,7% -117.000 -3,00 4,8% 83.000 7,50 9,5% 459.000 17,75 -13,2% -367.000 -24,25 1,3% 89.000 8,25 -9,0% -314.000 -24,25 -14,0% -29.000 -8,25 0,9% 56.000 3,00 -4,7% -669.000 -21,50 2,2% 394.000 13,75 -8,3% -290.000 -13,00 4,4% 331.000 9,25 -8,2% -120.000 -16,25 8,9% 1.159.000 31,25 2,9% 153.000 8,00 6,4% 396.000 24,75 5,0% 117.000 6,00 62,9% 137.000 119,50 -7,4% -97.000 -10,00 0,8% 23.000 1,75 1,6% 286.000 7,25 -12,0% -158.000 -13,00 -10,6% -704.000 -30,75 2,1% 77.000 3,25 10,3% 109.000 13,00 -4,3% -267.000 -13,50 6,0% 393.000 15,75 -13,0% -604.000 -37,75 -5,8% -385.000 -14,50 -4,8% -1.017.000 -31,00 -1,3% -13.000 -2,50 4,4% 91.000 10,00 13,0% 687.000 26,25 -6,1% -211.000 -14,00 -2,2% -66.000 -3,75 -18,1% -179.000 -19,25 1,5% 116.000 6,50 -5,0% -52.000 -7,75 -2,1% -96.000 -3,75 1,3% 24.000 2,75 -6,6% -115.000 -8,75

61

62

Gemeentenaam op 1-1-2000 Westerveld Westervoort Westmaas Weststellingwerf Westvoorne Wierden Wieringen Wieringermeer Wijchen Wijhe Wijk bij Duurstede Winschoten Winsum Winterswijk Wisch Woensdrecht Woerden Wognum Wormerland Woudenberg Woudrichem Wûnseradiel Wymbritseradiel Zaltbommel Zandvoort Zederik Zeevang Zeewolde Zelhem Zevenaar Zevenhuizen-Moerkapelle Zijpe Zoeterwoude Zuidhorn Zuidlaren Zundert Zutphen Zwartsluis

Aantal inwoners op 1-1-1998 18.497 16.037 17.918 24.759 13.921 22.946 8.398 12.005 37.437 7.494 22.876 18.766 13.974 28.516 19.868 20.870 37.640 7.732 14.785 10.872 13.907 11.746 15.573 25.312 15.546 13.546 6.196 15.296 11.319 26.781 9.968 11.203 8.616 17.910 31.385 20.014 34.024 4.466

Herverdeeleffecten bij 25% budgettering, 100% objectief In procenten In guldens In guldens budget totaal per inwoner 4,6% 216.000 11,75 -4,7% -367.000 -22,75 -3,9% -173.000 -9,75 3,5% 351.000 14,25 0,8% 20.000 1,50 -4,7% -197.000 -8,50 3,1% 81.000 9,50 6,5% 187.000 15,50 5,8% 650.000 17,25 6,1% 57.000 7,50 0,2% 8.000 0,25 -1,8% -281.000 -15,00 -3,5% -214.000 -15,25 7,6% 794.000 27,75 6,4% 316.000 16,00 2,1% 117.000 5,50 1,5% 121.000 3,25 -7,7% -97.000 -12,50 6,6% 204.000 13,75 1,8% 28.000 2,50 6,1% 125.000 9,00 3,5% 123.000 10,50 9,5% 239.000 15,25 3,5% 155.000 6,25 7,3% 539.000 34,75 8,5% 111.000 8,25 -11,7% -66.000 -10,75 -2,1% -54.000 -3,50 9,4% 149.000 13,25 2,9% 315.000 11,75 -17,1% -216.000 -21,75 -1,1% -24.000 -2,00 6,3% 47.000 5,50 -1,3% -66.000 -3,75 8,5% 538.000 17,25 -1,0% -28.000 -1,50 -4,6% -1.348.000 -39,75 1,7% 17.000 4,00

62

08-002

Naar een operationeel verdeelmodel met beperktere herverdeeleffecten Herziene versie Drs. R. Goudriaan Dr. L.J.M. Aarts Drs. P.J.M. Wilms

Advies in opdracht van het ministerie van Sociale Zaken en Werkgelegenheid

© Aarts De Jong Wilms Goudriaan Public Economics bv (APE) Herziene versie, Den Haag, maart 2001

1

2

Voorwoord Het rapport bevat de resultaten van een verdeelmodel voor de bijstandsuitgaven dat Aarts De Jong Wilms Goudriaan Public Economics bv (APE) in opdracht van het ministerie van Sociale Zaken en Werkgelegenheid (SZW) heeft ontwikkeld. De aanpak van APE borduurt voort op eerder onderzoek van de Stichting voor Economische Onderzoek (SEO) op dit terrein. Ten opzichte van een eerdere versie van het rapport (februari 2001) heeft een beperkt aantal wijzigingen plaatsgevonden. De wijzigingen hebben betrekking op het overgangstraject dat voor gemeenten tussen de 40.000 en de 60.000 inwoners wordt gehanteerd. Voor deze gemeenten wordt gebruik gemaakt van een gewogen combinatie van het model voor de grotere gemeenten en het model voor de kleinere gemeenten. Uit nader overleg met het ministerie van SZW is recent gebleken dat de eerder door APE gehanteerde berekeningswijze voor de gemeenten met meer dan 40.000 inwoners en minder dan 60.000 inwoners niet resulteert in een soepel overgangstraject tussen beide modellen. Naar onze mening vergt dit een aanpassing van de budgetberekening voor deze categorie gemeenten en een overeenkomstige bijstelling van sommige tabellen in het rapport. Door de gewijzigde budgetberekening voor de gemeenten tussen de 40.000 inwoners en de 60.000 inwoners veranderen de herverdeeleffecten voor deze categorie gemeenten. In termen van gemiddelde procentuele herverdeeleffecten en dergelijke blijven de conclusies van het rapport evenwel onveranderd. Dat laat onverlet dat de herverdeeleffecten voor de afzonderlijke gemeenten tussen de 40.000 en de 60.000 inwoners in een aantal gevallen veranderen. Daarnaast veranderen de resultaten van de overige gemeenten soms marginaal doordat in de verdeelsystematiek wordt uitgegaan van een gegeven macro-budget. Dat laatste blijkt in de praktijk een afrondingskwestie te zijn. De gewichten van de verdeelkenmerken blijven uiteraard ongewijzigd.

Ten opzichte van de eerdere versie van het rapport zijn de herverdeeleffecten in de volgende tabellen licht gewijzigd: 1.3, 4.5, 4.6, 4.7, 6.3, 6.4 en 6.5. Dit heeft vrijwel niet tot aanpassingen van de tekst bij de tabellen geleid.

De auteurs

3

1

1.

Inleiding en samenvatting

1.1

Inleiding

In 2000 heeft het ministerie van Sociale Zaken en Werkgelegenheid (SZW) de Stichting voor Economisch Onderzoek (SEO) opdracht gegeven het ontwikkelde en geactualiseerde statistische model ter verklaring van de bijstandsuitgaven verder te vervolmaken en om te vormen tot een bruikbaar verdeelmodel. SEO heeft de afgelopen periode een verdeelmodel ontwikkeld5 dat naar het oordeel van de opdrachtgever en de ter zake fungerende Technische Begeleidingscommissie (TBG) nog niet in alle opzichten volledig bevredigende resultaten oplevert. Vooral de omvang van de herverdeeleffecten in sommige - ook grotere - gemeenten baart de TBG zorgen. Dit zou kunnen duiden op in het SEO-model ontbrekende factoren. Onzekerheden over de oorzaken van de herverdeeleffecten staan op gespannen voet met de eis van een voorspelbaar middelenperspectief voor de afzonderlijke gemeenten. Het ministerie SZW heeft APE verzocht na te gaan of het door SEO ontwikkelde verdeelmodel met name voor de gemeenten met meer dan 40.000 inwoners in het bijzonder op het criterium van de herverdeeleffecten substantieel kan worden verbeterd. APE dient aan de volgende voorwaarden te voldoen: • De reductie van de herverdeeleffecten - ten opzichte van het door SEO ontwikkelde model mag niet ten koste gaan van de transparantie, plausibiliteit en operationaliteit van het verdeelmodel. • Het ministerie wil binnen vijf weken over de resultaten kunnen beschikken. Het voorliggende rapport bevat een beknopte weergave van de belangrijkste resultaten van project.

1.2

Probleemstelling

Het project behelst de volgende onderzoeksvragen:

1. Wat is de achtergrond van de aard en de omvang van de herverdeeleffecten in het SEO-model? 2.

Kunnen de herverdeeleffecten ten opzichte van het SEO-model worden beperkt door veranderingen in de structuur van het verdeelmodel, met inachtneming van de belangrijkste uitgangspunten van SEO en de randvoorwaarden van transparantie en plausibiliteit?

Inzicht in de eigenschappen van het SEO-model en de bijbehorende herverdeeleffecten is cruciaal voor de beantwoording van de tweede onderzoeksvraag. In het bijzonder gaat het om de vraag of 5

H.A. Keuzenkamp, M.H.C. Kok en E. Brouwer, Verklaren en verdelen, Amsterdam: Stichting voor Economisch Onderzoek, 2000.

APE bv

1

2

sprake is van systematische herverdeeleffecten tussen bepaalde categorieën gemeenten; bijvoorbeeld door het ontbreken van bepaalde bijstandsbepalende factoren in het SEO-model. Het project borduurt – waar mogelijk - in grote lijnen voort op de uitgangspunten, resultaten en gegevens van SEO. Dit houdt mede verband met de korte doorlooptijd van het huidige project. Overeenkomstig de wensen van het ministerie van SZW richt het onderzoek zich primair op gemeenten met meer dan 40.000 inwoners. Dat neemt niet weg dat ook pogingen worden ondernomen om de aansluiting tussen het verdeelmodel en de feitelijke bijstandsuitgaven voor de kleinere gemeenten te verbeteren. In de analyses staan de bijstandsuitgaven in enge zin aan personen onder 65 jaar centraal. Deze categorie bijstandsuitgaven bepaalt de structuur van het verdeelmodel (inclusief de selectie van de verdeelkenmerken). Voor de totale bijstandsuitgaven - inclusief bijstand aan ouderen, IOAW, IOAZ, uitkeringen aan mensen in inrichtingen en uitkeringen aan zelfstandigen - wordt uitgegaan van hetzelfde type verdeelmodel met dezelfde verdeelkenmerken als voor de bijstand in enge zin. De gewichten van de verdeelkenmerken worden in dat geval echter gebaseerd op de totale bijstandsuitgaven.

1.3

Indeling van het rapport

De indeling van het rapport is als volgt. Hoofdstuk 2 schetst de aanpak van het project in hoofdlijnen. Hoofdstuk 3 bevat een beknopte weergave van APE’s analyse van het SEO-model. De resultaten van het APE-model voor de bijstandsuitgaven in enge zin aan personen onder de 65 jaar komen in hoofdstuk 4 aan de orde. Hoofdstuk 5 schenkt aandacht aan de robuustheid van het APE-model.6 Hoofdstuk 6 behandelt de resultaten van het APE-model voor de totale bijstand (inclusief bijstand aan ouderen, IOAW, IOAZ, uitkeringen aan mensen in inrichtingen en uitkeringen aan zelfstandigen). Hoofdstuk 7 sluit af met opties voor verbetering van het verdeelmodel.

1.4

Samenvatting

1.4.1

Aanpak in hoofdlijnen

APE heeft in korte tijd een alternatief verdeelmodel voor de bijstandsuitgaven opgesteld. De aanpak van APE borduurt voort op het werk van SEO en maakt gebruik van vergelijkbare methoden. Dit leidt tot een verdeelmodel waarin de bijstandsuitgaven per inwoner uit de relevante referentiegroep via econometrische technieken worden verklaard uit objectieve kenmerken van gemeenten en hun bevolking. Deze kenmerken duiden wij aan als verdeelkenmerken. De relevante referentiegroep voor de bijstand in enge zin onder 65 jaar is het 6

Een analyse van de stabiliteit van het APE-model in de tijd blijft in het voorliggende rapport achterwege. Daarover wordt gerapporteerd in: R. Goudriaan en L.J.M. Aarts, Vergelijking effecten verdeelmodel in 1997 en 1998, Den Haag: APE, 2001.

APE bv

2

3

aantal inwoners van 20 tot en met 64 jaar. Voor de totale bijstand wordt de referentiegroep gevormd door het aantal inwoners van 20 jaar en ouder. De bijstandsuitgaven per inwoner uit de referentiegroep hangen lineair af van de verdeelkenmerken. Bij elk verdeelkenmerk hoort een gewicht in guldens. Gezien de verschillen in de aard en omvang van de bijstandsbepalende factoren in kleinere en grotere gemeenten hanteren wij afzonderlijke modellen voor respectievelijk gemeenten met ten minste 40.000 inwoners en gemeenten onder de 60.000 inwoners. Voor de budgetberekening van gemeenten tussen de 40.000 inwoners en de 60.000 inwoners wordt gebruik gemaakt van een gewogen combinatie van beide modellen.

1.4.2

Verdeelkenmerken

Tabellen 1.1 en 1.2 vatten de gehanteerde verdeelkenmerken voor de grotere en de kleinere gemeenten samen, alsmede het teken van de empirisch gevonden relatie tussen de verdeelkenmerken en de bijstandsuitgaven. De verdeelkenmerken voor de grotere gemeenten en de kleinere gemeenten vertonen grote overeenkomsten. Zes verdeelkenmerken komen in beide modellen voor. Op één nader te motiveren uitzondering na hebben alle gewichten van de verdeelkenmerken het op logische gronden te verwachten teken. De uitzondering betreft de omgevingsadressendichtheid (OAD) die de mate van stedelijkheid meet en een in eerste instantie onverwachte negatieve samenhang met de bijstandsuitgaven vertoont. De reden hiervoor is goed te duiden. De gehanteerde verdeelkenmerken fungeren veelal als ‘probleemkenmerk’ en blijken in sterke mate te cumuleren in de meest stedelijke gemeenten: bijvoorbeeld veel lage inkomens, eenouderhuishoudens, allochtonen, werklozen, enzovoort. Daardoor ontstaat een ‘overkill’ voor dergelijke gemeenten, die een neerwaartse bijstelling van de modeluitkomsten vergt. Het totaalbeeld voor de herverdeeleffecten wordt hierdoor nauwelijks beïnvloed. Dit blijkt uit gevoeligheidsanalyses van de modeluitkomsten.

APE bv

3

4

Tabel 1.1: Verdeelkenmerken voor de 40.000+ gemeenten in het APE-model Verdeelkenmerk

Tekena

1. Lage inkomens (in % van de personen met inkomen) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar)

+

3.

Verhuizingen (vertrek per 100 inwoners)

+

4.

Arbeidsongeschiktheid (in % van inwoners 20-64 jaar)

-

5.

Totaal allochtonen (in % van alle inwoners)

+

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

+

7.

Huurwoningen (in % van alle woningen)

+

8.

Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking)

9.

Regionaal klantenpotentieel (= centrumfunctie)

+

10. Omgevingsadressendichtheid (= stedelijkheid)

+

-

a Teken van de empirisch gevonden relatie. Bron: APE

Tabel 1.2: Verdeelkenmerken voor de 60.000- gemeenten in het APE-model Verdeelkenmerk

Tekena

1.

Lage inkomens (in % van de personen met inkomen)

+

2.

Eenouderhuishoudens (in % van inwoners 20-64 jaar)

+

5.

Totaal allochtonen (in % van alle inwoners)

+

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

+

7.

Huurwoningen (in % van alle woningen)

+

9. Regionaal klantenpotentieel (= centrumfunctie) 11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar)

+

12. Werkzame beroepsbevolking in RBA-regio (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak in RBA-regio (in % totaal aantal banen in RBA-regio)

-

+

-

a Teken van de empirisch gevonden relatie. Bron: APE

APE bv

4

5

1.4.3

Herverdeeleffecten

De invoering van een verdeelmodel leidt onvermijdelijk tot herverdeeleffecten tussen gemeenten. Ten opzichte van het SEO-model is APE erin geslaagd de omvang van de herverdeeleffecten substantieel terug te brengen. Wij concentreren ons in deze samenvatting op de herverdeeleffecten bij de bijstand in enge zin aan personen onder de 65 jaar. Tabel 1.3 toont de gemiddelde absolute waarde van de procentuele herverdeeleffecten bij volledige normatieve budgettering in het SEO-model en het APE-model. Ter vergelijking presenteren wij ook de herverdeeleffecten van budgettering op basis van de historische kosten.

Tabel 1.3: Ongewogen herverdeeleffecten (in %) voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in alle gemeenten

Aantal inwoners

Gemeenten

Aandeel uitgaven (in %)

Ongewogen gemiddelde absolute herverdeeleffecten (in %) SEO APE Historisch

Tot 25.000

375

12,0

33,2

31,0

12,1

25.000 - 50.000

105

14,1

16,3

15,8

7,8

50.000 - 100.000

33

16,2

10,6

7,1

7,4

100.000 - 150.000

15

13,6

13,0

8,2

6,2

Meer dan 150.000

10

44,1

6,6

5,2

6,4

4

33,7

2,6

2,2

5,4

538

100,0

27,5

25,4

10,7

G4 Totaal Bron: APE

Tabel 1.3 toont in het algemeen een beeld van afnemende herverdeeleffecten bij een toenemende gemeentegrootte. Bij de kleine gemeenten zijn de herverdeeleffecten het grootst. Incidentele factoren spelen hier een relatief grote rol. De gemiddelde absolute waarde van de procentuele herverdeeleffecten is in het APE-model kleiner dan in het SEO-model. Dit geldt voor alle grootteklassen van gemeenten. Het APE-model slaagt erin de grote herverdeeleffecten bij gemeenten tussen de 100.000 en de 150.000 inwoners sterk te reduceren ten opzichte van het SEO-model. Beperking van de herverdeeleffecten lukt overigens het beste via budgettering op basis van de historische kosten, zeker voor de kleinere gemeenten. Dat neemt niet weg dat het APE-model het goed doet voor gemeenten boven de 50.000 inwoners. Voor APE bv

5

6

gemeenten boven de 150.000 inwoners is het APE-model - in termen van gemiddelde herverdeeleffecten - zelfs superieur aan een verdeelmodel op basis van de historische kosten. Dat geldt in het bijzonder voor de vier grootste gemeenten (G4). Figuur 1.1 brengt tenslotte de verdeling van de herverdeeleffecten voor de 40.000+ gemeenten in beeld. De figuur bevestigt het beeld dat grote herverdeeleffecten bij budgettering via het APEmodel aanzienlijk minder vaak voorkomen. de bijstand onder de 65 jaar bij volledige normatieve budgettering Bron: APE Figuur 1.1: Frequentieverdeling van gemeenten met meer dan 40.000 inwoners naar grootte van de absolute waarde van de herverdeeleffecten voor

Gemeenten

60 SEO

APE

50 40 30 20 10 0 0 tot 10%

10 tot 20%

20 tot 30%

30% en meer

Herverdeeleffecten

APE bv

6

7

2.

Aanpak in hoofdlijnen

2.1

Overeenkomsten met SEO

Het project kent een korte doorlooptijd. Mede gelet op deze randvoorwaarde borduurt de aanpak van APE in grote lijnen voort op de resultaten van het SEO-onderzoek. Dat houdt het volgende in: 1. Het verdeelmodel is gebaseerd op een model waarin de bijstandsuitgaven per inwoner uit de relevante referentiegroep worden verklaard uit objectieve kenmerken van gemeenten en hun bevolking. Deze kenmerken duiden wij aan als verdeelkenmerken. 2. De relevante referentiegroep voor de bijstand in enge zin onder 65 jaar is het aantal inwoners van 20 tot en met 64 jaar. Voor de totale bijstand wordt de referentiegroep gevormd door het aantal inwoners van 20 jaar en ouder. 3. De bijstandsuitgaven per inwoner uit de referentiegroep hangen lineair af van de verdeelkenmerken. Bij elk verdeelkenmerk hoort een gewicht in guldens. 4. Gezien de verschillen in de aard en omvang van de bijstandsbepalende factoren in kleinere en grotere gemeenten hanteren wij afzonderlijke modellen voor respectievelijk gemeenten met ten minste 40.000 inwoners en gemeenten onder de 60.000 inwoners. Voor de budgetberekening van gemeenten tussen de 40.000 en de 60.000 inwoners wordt in de normatieve verdeelsystematiek gebruik gemaakt van een gewogen combinatie van beide modellen. 5. De selectie van de verdeelkenmerken berust voor een belangrijk deel op het SEO-model. De gegevens zijn welwillend door SEO ter beschikking gesteld. 6. De selectie van aanvullende verdeelkenmerken is gebaseerd op een praktische en theoretische inschatting van bijstandsbepalende factoren. Dit geschiedt in combinatie met de doelstelling van minimalisatie van de herverdeeleffecten. De aanvullende verdeelkenmerken voldoen aan de criteria van actualiteit, betrouwbaarheid, objectiviteit, voorspelbaarheid en bestendigheid. 7. De gewichten van de verdeelkenmerken worden via regressie-analyse geschat met de gegevens van individuele gemeenten in 1998 (dwarsdoorsnede-analyse). Deze methode richt zich op een zo goed mogelijke aansluiting tussen de via het model berekende gemeentelijke bijstandsbudgetten en de feitelijke bijstandsuitgaven (minimalisatie herverdeeleffecten). 8. Bij de schatting van het verdeelmodel wegen de grote gemeenten zwaarder dan kleine gemeenten. Weging van de gemeenten vindt plaats met het aantal inwoners uit de relevante 7 referentiegroep. Deze aanpak beperkt de verschillen tussen modeluitkomsten en feitelijke uitgaven bij de grotere gemeenten, waar het leeuwendeel van de bijstandsuitgaven is geconcentreerd.

7

SEO weegt bij de bepaling van de gewichten van de verdeelkenmerken voor de totale bijstand niet met het aantal inwoners van 20 jaar en ouder (de referentiepopulatie), maar met het aantal inwoners van 20-64 jaar; dit ondanks het feit dat de referentiepopulatie van de totale bijstand bestaat uit het aantal inwoners van 20 jaar en ouder.

APE bv

7

8

9.

Verdeelkenmerken waarvan de waarde van de gewichten niet plausibel of onvoldoende robuust is, worden niet in het verdeelmodel opgenomen, ook als weglating van dergelijke verdeelkenmerken tot gevolg heeft dat de herverdeeleffecten toenemen.8 Niet plausibele en/of niet robuuste uitkomsten zijn doorgaans het gevolg van sterke statistische samenhangen tussen de bijstandsbepalende factoren (bijvoorbeeld lage inkomens en werkloosheid). 10. Net als in het SEO-rapport wordt de dynamiek van het verdeelmodel via simulaties van zeven cases onderzocht.

2.2

Aanvullende invalshoeken

Op een aantal punten heeft APE de analyses van SEO verder uitgebreid.

2.2.1

Analyse herverdeeleffecten

Ten eerste maakt APE gedetailleerde analyses van de verschillen tussen de modelresultaten en de feitelijke uitgaven. Tot nu toe zijn de herverdeeleffecten van het SEO-model immers moeilijk te duiden. De herverdeeleffecten zijn uitsluitend gepresenteerd naar grootteklassen van de gemeenten. De vraag of sprake is van systematische herverdeeleffecten, is daardoor moeilijk te beantwoorden.

2.2.2

Modelspecificatie en ontbrekende variabelen

Ten tweede voert APE op grond van de bevindingen van de vorige stap systematische analyses uit van de modelspecificatie en eventuele ontbrekende variabelen. De omvang van de herverdeeleffecten in het SEO-model is immers zodanig groot dat het voor de hand ligt dat bepaalde verdeelkenmerken in het model ontbreken dan wel te grof gespecificeerd in het verdeelmodel zijn opgenomen. Op voorhand vermoeden wij onder meer dat het ontbreken van verdeelkenmerken in het SEOmodel die de centrumfunctie van gemeenten benaderen, van invloed is op de omvang van de herverdeeleffecten. Het effect hiervan wordt nog versterkt doordat de meeste arbeidsmarktkenmerken in het SEO-model niet zijn gemeten op gemeenteniveau, maar op het niveau van RBA-regio’s. Daarnaast valt op dat een aantal verdeelkenmerken in het SEO-model een zodanig groot gewicht krijgen dat deze verdeelkenmerken, zoals bijvoorbeeld het aantal werklozen met maximale WWduur, impliciet een veel grotere reikwijdte blijken te hebben dan de problematiek die zij beogen te 8

Bij de beoordeling van de robuustheid gaan wij onder meer uit van de statistische significantie van de geschatte gewichten. Wij hanteren daarbij een significantieniveau van 5%.

APE bv

8

9

meten. Daardoor wordt het leeuwendeel van de middelen voor de bijstand via een beperkt aantal verdeelkenmerken toegewezen. Voor gemeenten die min of meer toevallig relatief slecht (goed) op deze beperkte set verdeelkenmerken scoren, resulteren negatieve (positieve) herverdeeleffecten.9 Gelet op het voorafgaande wordt gericht gekeken of de herverdeeleffecten kunnen worden beperkt, in het bijzonder bij een aantal grote gemeenten (met meer dan 100.000 inwoners) met herverdeeleffecten van rond de 50% in het SEO-model. Het ministerie van SZW heeft in samenhang hiermee een aantal richtinggevende eisen geformuleerd waaraan de omvang en de verdeling van de herverdeeleffecten van verschillende categorieën gemeenten dienen te voldoen.

2.2.3

Aanvullende gegevensverzameling

Ten derde vereist de verbetering van de verdelende werking van het normatieve verdeelmodel een operationalisering van aanvullende of nauwkeuriger gemeten verdeelkenmerken. Dit vergt in een aantal gevallen aanvullende gegevensverzameling. Gezien de beschikbare tijd hebben wij ons beperkt tot direct toegankelijke openbare informatie uit het Statistisch Bestand Nederlandse Gemeenten (SBG 2000.1) en Statline van het CBS.

2.2.4

Robuustheid van het verdeelmodel

Ten vierde schenkt APE extra aandacht aan de robuustheid van het verdeelmodel. Dit geschiedt onder meer door een analyse van de betekenis van invloedrijke waarnemingen (‘influential observations’).10 Het gaat om een beperkt aantal gemeenten dat een disproportionele invloed heeft op de relatie tussen de bijstandsuitgaven en de verdeelkenmerken. Daardoor bestaat het gevaar dat de aansluiting tussen de resultaten van het verdeelmodel en de bijstandsuitgaven bij de overige gemeenten te wensen overlaat. Dit probleem speelt vooral bij de grotere gemeenten, waar de waarde van de gewichten van de verdeelkenmerken sterk wordt beïnvloed door onder meer de vier grootste gemeenten. Onderzocht wordt of de relatie tussen de bijstandsuitgaven en de verdeelkenmerken alsmede de herverdeeleffecten sterk veranderen wanneer de invloedrijke waarnemingen bij de modelschatting buiten beschouwing worden gelaten. Verder wordt de robuustheid van het verdeelmodel ook nog op een aantal andere manieren onderzocht. Daartoe worden verschillende gevoeligheidsanalyses uitgevoerd: 9

Simulaties laten zien dat het weglaten van bepaalde verdeelkenmerken soms buitengewoon grote effecten heeft, zowel in termen van de omvang van de gewichten van de overige verdeelkenmerken als van de richting van de herverdeeleffecten.

10

Zie: W.S. Krasker, E. Kuh en R.E. Welsch, Estimation for dirty data and flawed models, in: Z. Grilliches en M.D. Intrilligator (eds.), Handbook of Econometrics, Volume I, New York: North-Holland Publishing Company, 1983, blz. 660-664.

APE bv

9

10

•

•

Herschatting van het verdeelmodel met kleine wijzigingen in de operationalisatie van bepaalde verdeelkenmerken. Wij bekijken dan eerst of de samenhang tussen de licht gewijzigde definitie van het verdeelkenmerk en de bijstandsuitgaven qua omvang en richting intact blijft. Vervolgens analyseren wij de consequenties voor de herverdeeleffecten. Herschatting van het verdeelmodel gebruikmakend van recent beschikbaar gekomen gegevens over de verdeelkenmerken (inkomens 1998 in plaats van inkomens 1997), gevolgd door dezelfde analyses als in de vorige gevoeligheidsanalyse.

2.2.5

Beoordeling van de prestaties van het verdeelmodel

Ten vijfde is het gewenst om meer inzicht te krijgen in de ‘prestaties’ van verschillende normatieve verdeelmodellen op het terrein van de verdelende werking. Dit is niet eenvoudig. Om dit inzicht te vergroten, presenteren wij niet alleen de herverdeeleffecten van het SEO-model en het APE-model, maar ook die van een verdeelmodel met toewijzing van de bijstandsmiddelen op basis van de historische kosten. Dit geeft enerzijds een indicatie van structurele uitgavenverschillen tussen gemeenten en anderzijds een redelijke indruk van de kwaliteit van de verdelende werking die potentieel met een verdeelmodel kan worden bereikt. In dat opzicht hanteren wij een verdeelmodel met 100% budgettering op basis van de historische kosten als benchmark.

De historische kosten zijn per gemeente gebaseerd op het ongewogen gemiddelde van de bijstandsuitgaven per inwoner in de leeftijd van 20 tot en met 64 jaar over de jaren 1994 tot en met 1996 (t-4, t-3 en t-2). Dit ongewogen gemiddelde wordt vermenigvuldigd met het aantal inwoners van 20 tot en met 64 jaar in 1998. Daardoor vindt compensatie voor de bevolkingsgroei plaats. De berekende bijstandsbedragen zijn tenslotte neerwaarts bijgeschaald om binnen het macro-budget van 1998 te blijven.

APE bv

10

11

3.

Analyse SEO-resultaten

3.1

Inleiding

In dit hoofdstuk komen – als bouwstenen voor de opstelling van het APE-model - onze belangrijkste bevindingen over de resultaten van het SEO-onderzoek aan de orde. De indeling van het hoofdstuk is als volgt. Paragraaf 3.2 geeft een beoordeling van het SEO-model. Paragraaf 3.3 bevat een nadere analyse van de herverdeeleffecten.

3.2

Het SEO-model

3.2.1

Algemeen

Met de gegevens die SEO ons welwillend ter beschikking heeft gesteld, heeft APE een aantal nadere analyses met het SEO-model uitgevoerd inclusief een replicatie van de schattingsresultaten. Wij zijn in staat de schattingsresultaten van het SEO-model voor de bijstand in enge zin aan personen onder de 65 jaar te repliceren. APE heeft waardering voor het werk van SEO op terrein van de modellering van de bijstandsuitgaven. Dat laat onverlet dat het model naar onze mening op een aantal punten nog kan worden verbeterd. De punten worden hierna toegelicht.

3.2.2

Cruciale parameters

In het SEO-model zijn de cruciale verdeelparameters (in termen van de omvang van het effect op de bijstandsuitgaven) het aantal werklozen met maximale WW-duur (WW-max), lage inkomens en éénouderhuishoudens. Vooral het verdeelkenmerk WW-max krijgt bij grotere gemeenten (40.000+) een zodanig groot gewicht dat dit verdeelkenmerk impliciet een veel grotere reikwijdte heeft dan de potentiële instroom vanuit de WW naar de bijstand. Per werkloze met een maximale WW-duur ontvangt een grote gemeente in het SEO-model circa 39.000 gulden aan bijstandsbudget, ongeacht het feit of deze werkloze aan de vermogens- en partnertoets van de 11 bijstand voldoet. Het ligt voor de hand dat een deel van de bijstandsontvangers die in eerdere jaren vanuit de WW in de bijstand zijn ingestroomd nog steeds een bijstandsuitkering ontvangt. Het effect hiervan komt waarschijnlijk tot uiting in het gewicht van WW-max. Overwogen kan worden om dit probleem te mitigeren door bij WW-max uit te gaan van een voortschrijdend gemiddelde. Het grote gewicht van WW-max heeft daarnaast te maken met het ontbreken van gemeentelijke arbeidsmarktvariabelen in het SEO-model voor grote gemeenten.

11

Dit bedrag is gelijk aan het gewicht (424,10) x 100 x het aandeel van de bevolking van 20-64 jaar in de bevolking van 15-64 jaar (0,92).

APE bv

11

12

3.2.3

Gevoeligheid van de schattingen

SEO rekent in het verdeelmodel met inkomensgegevens voor 1997. APE beschikt over recent door het CBS aangeleverde inkomensgegevens voor 1998. Herschatting van het SEO-model met deze nieuwe gegevens leidt tot een verslechtering van de kwaliteit van het model en tot grotere herverdeeleffecten: • Het verdeelkenmerk WW-max is bij de schatting voor de grotere gemeenten met de inkomensgegevens 1998 niet significant.

•

De aansluiting tussen verdeelmodel en bijstandsuitgaven verslechtert.12

Voor het SEO-model is de betekenis van invloedrijke waarnemingen onderzocht. Het SEO-model kent zeven invloedrijke waarnemingen, waaronder de vier grootste gemeenten. Het model is relatief gevoelig voor weglating van deze invloedrijke waarnemingen. Bij schatting van het model zonder deze waarnemingen zijn vier verdeelkenmerken niet meer significant (op het 5% niveau): het aantal inwoners, de werkloosheid op RBA-niveau, het percentage inwoners van 15-19 jaar en WW-max. Het teken van het aantal inwoners slaat om van positief naar negatief (hoewel niet significant). Simulatie van de herverdeeleffecten met dit model voor alle 79 gemeenten met meer dan 40.000 inwoners leidt tot een substantiële toename van de herverdeeleffecten.13 Eén van de variabelen in het SEO-model betreft het percentage parttimers met een normale werkweek van 12 tot 19 uur. SEO heeft bij de bepaling van dit verdeelkenmerk de werkzame beroepsbevolking met een werkweek van 12 tot 19 uur niet gerelateerd aan de bijbehorende totale werkzame beroepsbevolking in de RBA-regio’s, maar aan het totaal aantal banen in de RBAregio’s. Deze definitie heeft voor een aantal RBA-regio’s een fors effect. In sommige RBAregio’s is het aantal banen beduidend groter dan de werkzame beroepsbevolking, omdat de bezetters van de banen voor een niet onbelangrijk deel afkomstig zijn uit andere RBA-regio’s. Voor andere RBA-regio’s geldt daarentegen precies het omgekeerde. De werkwijze van SEO leidt tot iets grotere herverdeeleffecten dan bij een zuiverder definitie van het percentage parttimers. De aard van de herverdeeleffecten verandert hierdoor in grote lijnen echter niet.

12

De gemiddelde ongewogen absolute procentuele afwijking voor alle gemeenten stijgt van 27,5% met inkomensgegevens 1997 tot 28,1% met inkomensgegevens 1998. De gemiddelde gewogen absolute procentuele afwijking voor alle gemeenten stijgt van 9,3% met inkomensgegevens 1997 tot 9,8% met inkomensgegevens 1998.

13

De gemiddelde ongewogen absolute procentuele afwijking voor deze grotere gemeenten stijgt van 14,1% tot 15,4%. De gemiddelde gewogen absolute procentuele afwijking voor deze gemeenten stijgt van 6,6% tot 10,1%.

APE bv

12

13

3.2.4

Overige punten

APE kan de schattingsresultaten van SEO voor de bijstand aan 20 jarigen en ouder (exclusief IOAW, IOAZ, en dergelijke) en voor de totale bijstand in ruime zin (inclusief IOAW, IOAZ en dergelijke) alleen reproduceren wanneer de waarnemingen van gemeenten worden gewogen met het aantal inwoners van 20-64 jaar. Dit correspondeert niet met het feit dat het SEO-model deze categorieën bijstandsuitgaven relateert aan het aantal inwoners van 20 jaar en ouder. In het SEO-model ontbreken centrumfunctie en etniciteit. APE is niet geheel overtuigd van de motivering van SEO op dit punt. Wij komen in onze empirische analyses tot andere bevindingen. APE is verder van mening dat de gemeentelijke arbeidsmarktsituatie te beperkt is gemeten. Dit laatste wreekt zich vooral bij de grotere gemeenten. Voor deze categorie gemeenten bestaan juist mogelijkheden om dit probleem (deels) te ondervangen.

3.3

Herverdeeleffecten

Uitgebreide analyse van de herverdeeleffecten geeft aanleiding tot de volgende opmerkingen: • De herverdeeleffecten zijn iets groter dan de in het SEO-rapport gepresenteerde resultaten; de herberekende herverdeeleffecten komen in latere hoofdstukken van het voorliggende rapport aan de orde. Nader overleg met SEO heeft geleerd dat daar bij de berekening van de herverdeeleffecten iets verkeerd is gegaan. De kwalitatieve richting van de conclusies wordt hierdoor overigens niet aangetast. • De bandbreedte van de herverdeeleffecten in het SEO-model is groot. Het minimum van de herverdeeleffecten voor de bijstand in enge zin aan 20-64 jarigen bedraagt in het SEOmodel –251,6%. Het overeenkomstige maximum bedraagt +257,7%. Deze grote herverdeeleffecten worden aangetroffen bij kleinere gemeenten (zie tabel 4.7). • Bij de grotere gemeenten komen in een aantal gevallen eveneens aanzienlijke negatieve herverdeeleffecten voor. Bij de 100.000+ gemeenten lopen de negatieve herverdeeleffecten op tot -51,2% (zie tabel 4.7). • Gemeenten met relatief veel eenoudergezinnen en een relatief kindvriendelijk woonklimaat worden in de regel gekenmerkt door positieve herverdeeleffecten. Hierop bestaan twee uitzonderingen bij de 100.000+ gemeenten. • Bij de grotere gemeenten (40.000+) valt op dat grote negatieve herverdeeleffecten in veel gevallen juist optreden bij gemeenten met een relatief lage bijstandsdichtheid. Het betreft gemeenten waar de bijstandsuitgaven de afgelopen jaren relatief sterk zijn gedaald. • Een substantieel deel van de herverdeeleffecten bij grotere gemeenten vloeit voort uit het feit dat de arbeidsmarktvariabelen die in het SEO-model op RBA-niveau zijn gemeten te grof zijn voor de analyse van de gemeentelijke bijstandsuitgaven van de grote gemeenten. Daardoor treden substantiële herverdeeleffecten op binnen RBA-regio’s. De variabelen op RBA-niveau pakken daarnaast betrekkelijk willekeurig uit voor gemeenten in de nabijheid van grenzen van RBA-regio’s.

APE bv

13

14

3.4

Slotopmerkingen

De bevindingen van dit hoofdstuk geven een duidelijke richting aan de opstelling van het APEmodel. In de volgende hoofdstukken wordt getracht oplossingen te vinden voor de geconstateerde problemen.

APE bv

14

15

4.

Het APE-model voor de bijstand onder de 65 jaar

4.1

Inleiding

In dit hoofdstuk concentreren wij ons op de bijstand in enge zin aan personen onder de 65 jaar. Dezelfde verdeelkenmerken zullen overigens worden gebruikt voor de totale bijstand in ruime zin (inclusief bijstand aan ouderen, zelfstandigen, personen in inrichtingen, alsmede IOAW en IOAZ). In grote lijnen hanteren wij het hetzelfde type verdeelkenmerken voor de grotere en de kleinere gemeenten. Verschillen in de aard en de omvang van de bijstandsbepalende factoren tussen grote en kleine gemeenten maken het echter noodzakelijk om voor beide categorieën deels gebruik te maken van verschillende verdeelkenmerken. Daarnaast houdt het gebruik van verschillende verdeelkenmerken voor grotere en kleinere gemeenten verband met de ruimere beschikbaarheid van gegevens voor grotere gemeenten. De indeling van het hoofdstuk is als volgt. Paragraaf 4.2 geeft een overzicht van de gehanteerde verdeelkenmerken, met inbegrip van een korte motivatie van de gemaakte keuzes. In paragraaf 4.3 komt de schatting van de gewichten van de verdeelkenmerken aan de orde. De schatting van de gewichten vindt plaats met gegevens voor het jaar 1998. Paragraaf 4.4 toont de herverdeeleffecten bij volledige normatieve budgettering van de bijstandsuitgaven.

4.2

4.2.1

De verdeelkenmerken

De 40.000+ gemeenten

Het SEO-model vormt het startpunt voor de opstelling van een alternatief verdeelmodel door APE. In grote lijnen borduren wij voort op de inzichten van SEO. Tabel 4.1 geeft de gehanteerde verdeelkenmerken in het model voor de 40.000+ gemeenten en het op logische gronden verwachte teken van de relatie tussen het verdeelkenmerk en de bijstandsuitgaven. De verdeelkenmerken lage inkomens (1.) en eenouderhuishoudens (2.) zijn overeenkomstig het SEO-model, met dien verstande dat wij thans beschikken over inkomensgegevens over 1998 (in plaats van 1997). Van beide verdeelkenmerken verwachten wij een sterke positieve relatie met de bijstandsuitgaven. Bij het verdeelkenmerk lage inkomens speelt het probleem dat deze maatstaf eveneens de inkomens van bejaarden omvat, die oververtegenwoordigd zijn onder de lage inkomens. Dit levert onnauwkeurigheden op bij hantering van dit verdeelkenmerk voor de bijstand onder de 65 jaar.

APE bv

15

16

Tabel 4.1: Verdeelkenmerken voor de 40.000+ gemeenten in het APE-model Verdeelkenmerk Verwacht teken 1. Lage inkomens (in % van de personen met inkomen, 1998) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998)

+

3.

Verhuizingen (vertrek per 100 inwoners, 1998)

+

4.

Arbeidsongeschikten (in % van inwoners 20-64 jaar, 1998)

-

5.

Totaal allochtonen (in % van alle inwoners, 1998)

+

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998)

+

7.

Huurwoningen (in % van alle woningen, 1998)

+

8.

Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking, 1997) Regionaal klantenpotentieel (x 1.000, 1998)

-

9.

10. Omgevingsadressendichtheid (1998)

+

+ +

Bron: APE Het aantal verhuizingen uit een gemeente (3.) geeft een benadering van de sociale infrastructuur van een gemeente. Een groot aantal verhuizingen uit een gemeente duidt op een gebrekkige sociale cohesie in een gemeente. Dit verdeelkenmerk wordt in het verdeelmodel van de politie gebruikt als maatstaf voor sociale achterstand c.q. probleemcumulatie. Daarom verwachten wij a priori een duidelijke positieve samenhang met de bijstandsuitgaven. Het verdeelkenmerk arbeidsongeschiktheid (4.) is eveneens opgenomen in het SEO-model. Het enige verschil is dat het aantal arbeidsongeschikten in het APE-model uit oogpunt van consistentie wordt gerelateerd aan het aantal inwoners van 20-64 jaar (in plaats van 15-64 jaar). Dit verdeelkenmerk vertoont een negatieve relatie met de bijstandsuitgaven. Het kenmerk etniciteit ontbreekt in het SEO-model, hoewel dit kenmerk vaak wordt genoemd als indicator van sociale achterstand en als belangrijke determinant van de bijstandsuitgaven. Om die reden heeft APE het totaal aantal (westerse en niet-westerse) allochtonen (5.) in het verdeelmodel voor de 40.000+ gemeenten opgenomen. Hiervan verwachten wij een positieve samenhang met de bijstandsuitgaven. In eerste instantie zijn het aantal niet-westerse allochtonen en het aantal westerse allochtonen als afzonderlijke variabelen in het model opgenomen. APE heeft echter - rekeninghoudend met de overige verdeelkenmerken - geen significante verschillen in invloed op de bijstandsuitgaven tussen niet-westerse en westerse allochtonen gevonden. De overige verdeelkenmerken nemen al een groot deel van de eventuele verschillen in invloed tussen westerse en niet-westerse allochtonen in beschouwing. Daarom worden beide groepen in het verdeelmodel samengenomen. Dit komt de schattingskwaliteit van de gewichten ten goede. Het aantal vrouwen van 25-29 jaar (6.) is geënt op het verdeelkenmerk inwoners van 25-29 jaar in het SEO-model. In eerste instantie hebben wij mannen en vrouwen van 25-29 jaar als APE bv

16

17

afzonderlijke kenmerken in het model opgenomen. Er blijkt echter geen significante samenhang te bestaan tussen mannen van 25-29 jaar en de bijstandsuitgaven. Het door SEO gevonden positieve effect van inwoners van 25-29 jaar op de bijstandsuitgaven blijkt geheel voor rekening te komen van de vrouwen in deze leeftijdsgroep.14 Huurwoningen (7.) zijn een belangrijke voorspeller van de bijstandsuitgaven; beter dan de op het eerste gezicht plausibeler categorie sociale huurwoningen. De reden hiervoor is dat veel gemeenten met hoge bijstandsuitgaven worden gekenmerkt door een relatief groot percentage huurwoningen en een lager percentage sociale huurwoningen dan op grond van kenmerken van de betreffende gemeenten en hun bevolking zou mogen worden verwacht. In deze gemeenten is een groot deel van de voorraad huurwoningen in particuliere handen (juist in de ‘slechtere’ wijken). Huurwoningen oefenen een positieve invloed uit op de bijstandsuitgaven. De werkzame beroepsbevolking in een gemeente uitgedrukt als percentage van de totale beroepsbevolking in een gemeente (8.) vormt bij de grotere gemeenten een goede afspiegeling van de arbeidsmarktsituatie. Dit verdeelkenmerk komt in feite neer op 100 minus het gemeentelijke werkloosheidspercentage. Wij verwachten dan ook een negatieve samenhang met de bijstandsuitgaven. Dit verdeelkenmerk maakt de in het SEO-model opgenomen arbeidsmarktkenmerken op het niveau van de RBA-regio’s bij de grotere gemeenten overbodig.15 Deze werkwijze vermijdt ook het ‘meeliften’ van de bepaalde 40.000+ gemeenten met het hogere werkloosheidspercentage van de grote centrumgemeenten. Daarnaast wordt voorkomen dat de (deels arbitraire) grenzen van RBA-regio’s of de arbeidsmarktsituatie in relatief veraf gelegen delen van de RBA-regio de situatie vertekenen. Het verdeelkenmerk werkzame beroepsbevolking maakt bij de grotere gemeenten zelfs het in het SEO-model opgenomen kenmerk werklozen met maximale WW-duur (WW-max) overbodig, in de zin dat er - gegeven de overige verdeelkenmerken - niet langer een statistisch significante samenhang met de bijstandsuitgaven blijkt te bestaan. Een interessante bijkomstigheid hiervan is dat op deze wijze het probleem van de te grote reikwijdte van het verdeelkenmerk WW-max wordt vermeden (zie paragraaf 3.2.2).

14

Voor dit verdeelkenmerk ontbreekt een ‘harde’ theoretische verklaring. Het ligt in de rede dat dit verdeelkenmerk een deel van de effecten van gemeentegrootte en stedelijkheid in beschouwing neemt. Er bestaat namelijk een sterke positieve samenhang tussen gemeentegrootte/stedelijkheid en het aandeel van vrouwen van 25 tot en met 29 jaar in de bevolking van 20 tot en met 64 jaar. Bij gemeenten met minder dan 25.000 inwoners bedraagt de gewogen gemiddelde waarde van dit verdeelkenmerk 5,5% tegen 8,0% bij gemeenten boven de 150.000 inwoners; het nationaal gemiddelde bedraagt 6,4%. Naar stedelijkheid bezien bestaan vergelijkbare samenhangen.

15

De arbeidsmarktkenmerken op het niveau van RBA-regio’s zijn overigens onmisbaar voor de kleinere gemeenten (zie paragraaf 4.2.2). Voor deze categorie gemeenten ontbreekt betrouwbare informatie over de arbeidsmarktparticipatie niet alleen goeddeels, maar is bovendien de regionale arbeidsmarktsituatie van relatief groot belang voor de gemeentelijke bijstandsuitgaven.

APE bv

17

18

Het regionaal klantenpotentieel (9.) is een voor de hand liggende maatstaf voor de centrumfunctie van een gemeente, die ook in de verdeelsystematiek van het Gemeentefonds wordt gehanteerd. De betekenis van het regionaal klantenpotentieel voor de bijstandsuitgaven is aanzienlijk groter dan het aantal inwoners dat als verdeelkenmerk in het SEO-model wordt gehanteerd. Het aantal inwoners zegt immers minder over de centrumfunctie van een gemeente dan het regionaal klantenpotentieel, dat de gemeentegrens overschrijdt. Een positieve relatie tussen centrumfunctie en bijstandsuitgaven ligt in de lijn der verwachtingen. De omgevingsadressendichtheid (OAD, 10.) is een maatstaf voor de stedelijkheid, die eveneens in de verdeelsystematiek van het Gemeentefonds wordt gehanteerd. Dit verdeelkenmerk speelt eveneens een rol bij de budgettering van ziekenfondsen en de politieregio’s. Op voorhand verwachten wij een positieve invloed van stedelijkheid op de bijstandsuitgaven. Wij verklappen nu reeds dat wij die positieve invloed op grond van verklaarbare empirische overwegingen niet hebben aangetroffen.

4.2.2

De 60.000- gemeenten

Voor de kleinere gemeenten vormt het SEO-model eveneens het startpunt bij de opstelling van het APE-model. Tabel 4.2 toont de gehanteerde verdeelkenmerken in het model voor de 60.000gemeenten en het verwachte teken van de relatie tussen het verdeelkenmerk en de bijstandsuitgaven. De set van verdeelkenmerken voor de kleinere gemeenten in tabel 4.2 vertoont grote overeenkomsten met die voor de grotere gemeenten. Zes van de negen verdeelkenmerken voor de kleinere gemeenten in het APE-model zijn geheel identiek aan die voor grote gemeenten. Voor de kleinere gemeenten is vrijwel geen betrouwbare arbeidsmarktinformatie beschikbaar op gemeenteniveau. De enige uitzondering hierop vormt het aantal werklozen met maximale WWduur (11.) Daarom gebruiken wij dit verdeelkenmerk voor de kleinere gemeenten. Dit verdeelkenmerk oefent een positieve invloed uit op de gemeentelijke bijstandsuitgaven.

APE bv

18

19

Tabel 4.2: Verdeelkenmerken voor de 60.000- gemeenten in het APE-model Verdeelkenmerk Verwacht teken 1.

Lage inkomens (in % van de personen met inkomen, 1998)

+

2.

Eenouderhuishoudens (in % van inwoners 20-64 jaar, 1998)

+

5.

Totaal allochtonen (in % van alle inwoners, 1998)

+

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar, 1998)

+

7.

Huurwoningen (in % van alle woningen, 1998)

+

9. Regionaal klantenpotentieel (x 1.000, 1998) 11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar, 1998)

+

12. Werkzame beroepsbevolking in RBA-regio (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak in RBA-regio (in % totaal aantal banen in RBA-regio)

-

+

-

Bron: APE

De beide resterende verdeelkenmerken - de werkzame beroepsbevolking op RBA-niveau (12.) en het aantal banen in de handel, horeca en schoonmaak (13.) - meten de arbeidsmarktsituatie in de RBA-regio’s. De werkzame beroepsbevolking op RBA-niveau (uitgedrukt als percentage van de overeenkomstige totale beroepsbevolking) vormt de pendant van het vergelijkbare verdeelkenmerk op gemeenteniveau bij de grotere gemeenten. Dit verdeelkenmerk vertoont een negatieve relatie met de bijstandsuitgaven. Het aantal banen in de handel, horeca en schoonmaak op RBA-niveau is een uitbreiding van het verdeelkenmerk aantal banen in de handel en horeca dat in het SEO-model is opgenomen. Het verdeelkenmerk staat voor de beschikbaarheid van laaggeschoolde banen. Op grond hiervan wordt een negatieve impact op de gemeentelijke bijstandsuitgaven verwacht.

4.3

Schattingsresultaten voor de bijstand onder de 65 jaar

4.3.1

De 40.000+ gemeenten

APE heeft het in tabel 4.1 weergegeven model geschat voor de bijstandsuitgaven in enge zin aan personen onder de 65 jaar. Tabel 4.3 toont de belangrijkste schattingsresultaten voor de grotere gemeenten. De bijlage bevat gedetailleerdere statistische informatie. De getoonde schattingsresultaten hebben betrekking op het jaar 1998.

APE bv

19

20

Tabel 4.3:

De gewichten van het APE-model voor de bijstand onder de 65 jaar in de 40.000+ gemeenten

Verdeelkenmerk 1. Lage inkomens (in % van de personen met inkomen) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar) 3.

Verhuizingen (vertrek per 100 inwoners)

4.

Arbeidsongeschikten (in % van inwoners 20-64 jaar)

5.

Totaal allochtonen (in % van alle inwoners)

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

7.

Huurwoningen (in % van alle woningen)

8.

Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking) Regionaal klantenpotentieel (x 1.000)

9.

10. Omgevingsadressendichtheid Constante

Gewicht (guldens) 76,520 130,159 54,026 -45,165 9,450 71,099 7,113 -55,832 0,3493 -0,0725 2.711,098

Bron: APE

Op één nader aan te geven uitzondering na hebben alle gewichten de verwachte tekens. Alle geschatte gewichten zijn statistisch significant bij het gebruikelijke significantieniveau van 5%. Het model verklaart ruim 98% van de variatie in de gemeentelijke bijstandsuitgaven per inwoner van 20 tot en met 64 jaar. De waarden van de gewichten van lage inkomens en arbeidsongeschikten komen redelijk overeen met die in het SEO-model voor de grotere gemeenten. Lage inkomens leveren een grote positieve bijdrage aan de opbouw van gemeentelijke bijstandsbudget: een gemiddelde gemeente met 30% lage inkomens ontvangt uitsluitend op grond hiervan een bijstandsbudget van bijna 2.300 gulden per inwoner van 20 tot en met 64 jaar. De waarde van het gewicht van eenouderhuishoudens is in het APE-model bijna gehalveerd ten opzichte van het SEO-model, hoewel het nog steeds een aanzienlijke positieve bijdrage levert aan de omvang van het gemeentelijke bijstandsbudget. Dit verdeelkenmerk leidde in het SEO-model tot grote positieve herverdeeleffecten bij gemeenten met een relatief kindvriendelijk woonklimaat. De meeste verdeelkenmerken hebben een positief gewicht. De werkzame beroepsbevolking levert de belangrijkste negatieve bijdrage aan het gemeentelijk bijstandsbudget. Voor een gemeente waar bijvoorbeeld 90% van de beroepsbevolking werkt (een werkloosheidspercentage van 10%) bedraagt de waarde van deze ‘aftrekpost’ op het gemeentelijk bijstandsbudget circa 5.000 gulden per inwoner van 20 tot en met 64 jaar. De enige uitzondering waarbij de aard van de relatie tussen het verdeelkenmerk en de bijstandsuitgaven afwijkt van de eerder uitgesproken verwachtingen betreft de negatieve relatie tussen de OAD en de bijstandsuitgaven. Dit resultaat ligt op het eerste gezicht niet voor de APE bv

20

21

hand.16 Toch is de reden hiervoor goed te duiden. De gehanteerde verdeelkenmerken, die veelal fungeren als ‘probleemkenmerk’, blijken in sterke mate te cumuleren in de meest stedelijke gemeenten. Deze gemeenten hebben bijvoorbeeld veel lage inkomens, eenouderhuishoudens, allochtonen, werklozen, enzovoort. Vaak cumuleert een groot deel van deze verdeelkenmerken in dergelijke gemeenten zelfs in één persoon. Daardoor ontstaat een ‘overkill’ bij dit type gemeenten, te meer omdat deze veelal grote gemeenten bij de bepaling van de gewichten van de verdeelkenmerken zwaar meewegen. Deze cumulatie vereist daarom een neerwaartse bijstelling van de modeluitkomsten voor deze gemeenten. Het totaalbeeld voor de herverdeeleffecten blijkt overigens nauwelijks te worden beïnvloed door het al dan niet weglaten van OAD (zie hoofdstuk 5). Er vindt primair een kleine verschuiving van de herverdeeleffecten tussen grootteklassen van gemeenten plaats.

4.3.2

De 60.000- gemeenten

Tabel 4.4 toont de schattingsresultaten van het APE-model voor de bijstandsuitgaven in enge zin aan personen onder de 65 jaar in gemeenten met minder dan 60.000 inwoners. Voor deze gemeenten zijn de in tabel 4.2 aangeven verdeelkenmerken gehanteerd. De gewichten van alle verdeelkenmerken zijn statistisch significant (zie de bijlage) en hebben het verwachte teken. Het model verklaart ruim 86% van de variatie in de gemeentelijke bijstandsuitgaven per inwoner van 20 tot en met 64 jaar bij de 60.000- gemeenten. Dit is duidelijk minder dan bij de grotere gemeenten. Deze slechtere aansluiting tussen budget en feitelijke uitgaven heeft relatief grotere herverdeeleffecten bij kleinere gemeenten tot gevolg. De waarden van de geschatte gewichten van de verdeelkenmerken lage inkomens en WW-max sporen globaal met die in het SEO-model. Het gewicht van de eenouderhuishoudens is in het APE-model ruim een kwart lager dan in het SEO-model. De meeste verdeelkenmerken in het APE-model voor de 60.000- gemeenten hebben een positief gewicht. Uitzonderingen hierop vormen de werkzame beroepsbevolking en de banen in handel, horeca en schoonmaak. Beide verdeelkenmerken zijn niet op gemeenteniveau, maar op het niveau van RBA-regio’s gemeten. De werkzame beroepsbevolking zorgt voor de grootste aftrekpost op het gemeentelijk bijstandsbudget per inwoner van 20 tot en met 64 jaar. Tabel 4.4:

Het APE-model voor de bijstand onder de 65 jaar in de 60.000- gemeenten

Verdeelkenmerk

Gewicht (guldens)

1.

Lage inkomens (in % van de personen met inkomen)

22,235

2.

Eenouderhuishoudens (in % van inwoners 20-64 jaar)

175,434

5.

Totaal allochtonen (in % van alle inwoners)

16

Alternatieve stedelijkheidskenmerken, zoals de bevolkingsdichtheid woningdichtheid, laten overigens een zelfde negatieve relatie met bijstandsuitgaven in de grotere gemeenten zien.

APE bv

3,597 of de

21

22

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

7.

Huurwoningen (in % van alle woningen)

9. Regionaal klantenpotentieel (x 1.000) 11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar) 12. Werkzame beroepsbevolking (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak (in % totaal aantal banen in RBA-regio) Constante

27,458 4,494 3,059 229,063 -15,597 -13,522 673,946

Bron: APE

4.4

De herverdeeleffecten voor de bijstand in enge zin bij volledige normatieve budgettering

In deze paragraaf wordt aandacht geschonken aan de herverdeeleffecten voor de bijstand in enge zin. Wij presenteren zowel de herverdeeleffecten van het APE-model als van het SEO-model en een model met toewijzing van de bijstandsmiddelen op basis van de historische kosten. Bij de presentatie van de resultaten wordt ervan uitgegaan dat alle bijstandsmiddelen voor 100% op basis van het verdeelmodel over de gemeenten worden verdeeld. Eerst passeren een aantal tabellen over de procentuele herverdeeleffecten in alle gemeenten de revue. Het betreft de volgende drie tabellen: • tabel 4.5 met de gemiddelde ongewogen procentuele herverdeeleffecten naar grootteklasse van gemeenten; • tabel 4.6 met de gemiddelde gewogen procentuele herverdeeleffecten naar grootteklasse van gemeenten; • tabel 4.7 met de bandbreedte van de procentuele herverdeeleffecten naar grootteklasse van gemeenten.

APE bv

22

23

Tabel 4.5: Ongewogen herverdeeleffecten (in %) voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in alle gemeenten

Aantal inwoners

Gemeenten

Aandeel uitgaven (in %)

Ongewogen gemiddelde absolute herverdeeleffecten (in %) SEO APE Historisch

Tot 25.000

375

12,0

33,2

31,0

12,1

25.000 - 50.000

105

14,1

16,3

15,8

7,8

50.000 - 100.000

33

16,2

10,6

7,1

7,4

100.000 - 150.000

15

13,6

13,0

8,2

6,2

Meer dan 150.000

10

44,1

6,6

5,2

6,4

4

33,7

2,6

2,2

5,4

538

100,0

27,5

25,4

10,7

G4 Totaal Bron: APE

Tabel 4.5 laat het verwachte beeld zien van afnemende herverdeeleffecten bij een toenemende gemeentegrootte. De tabel onthult verder dat de gemiddelde absolute waarde van de procentuele herverdeeleffecten in het APE-model kleiner is dan in het SEO-model. Dit geldt voor alle grootteklassen van gemeenten. Het APE-model slaagt erin de grote herverdeeleffecten bij gemeenten tussen de 100.000 en de 150.000 inwoners sterk te reduceren ten opzichte van het SEO-model. Beperking van de herverdeeleffecten lukt het best via budgettering op basis van de historische kosten, zeker voor de kleinere gemeenten. Dat neemt niet weg dat het APE-model het goed doet voor gemeenten boven de 50.000 inwoners. Voor gemeenten boven de 150.000 inwoners is het APE-model - in termen van gemiddelde herverdeeleffecten zelfs superieur aan een verdeelmodel op basis van de historische kosten. Dat geldt in het bijzonder voor de vier grootste gemeenten (G4). Tabel 4.6 toont een soortgelijk beeld als tabel 4.5, met afnemende herverdeeleffecten bij een toenemende gemeentegrootte. In tabel 4.6 zijn de herverdeeleffecten gewogen met de gemeentelijke bijstandsuitgaven. Daardoor ontstaat een betere indruk van de aansluiting tussen het met verdeelmodel berekende budget en de feitelijke bijstandsuitgaven. De tabel geeft immers APE bv

23

24

meer gewicht aan gemeenten met hogere bijstandsuitgaven. In alle grootteklassen scoort het APE-model duidelijk beter dan het SEO-model. Bij gemeenten boven de 150.000 inwoners zijn de gewogen herverdeeleffecten in het APE-model kleiner dan bij budgettering op basis van de historische kosten. Tabel 4.6: Gewogen herverdeeleffecten (in %) voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in alle gemeentena

Aantal inwoners

Gemeenten

Aandeel uitgaven (in %)

Gewogen gemiddelde absolute herverdeeleffecten (in %) SEO APE Historisch

Tot 25.000

375

12,0

23,8

23,2

9,5

25.000 - 50.000

105

14,1

14,7

14,2

7,2

50.000 - 100.000

33

16,2

9,1

6,7

7,5

100.000 - 150.000

15

13,6

9,0

6,9

5,4

Meer dan 150.000

10

44,1

3,9

3,0

5,1

4

33,7

2,2

1,6

4,8

538

100,0

9,3

8,2

6,4

G4 Totaal a

Weging met de bijstandsuitgaven.

Bron: APE

Het APE-model slaagt erin om de bandbreedte van de herverdeeleffecten sterk te beperken ten opzichte van het SEO-model, ook bij de grotere gemeenten (zie tabel 4.7). De bandbreedte van de herverdeeleffecten blijft echter groot, zeker ten opzichte van een verdeelmodel op basis van de historische kosten. Eén gemeente met meer dan 100.000 inwoners heeft zelfs een negatief herverdeeleffect van meer dan 30%. Voor een beperkt aantal kleinere gemeenten leveren beide normatieve verdeelmodellen negatieve bijstandsbedragen op. Dit is uiteraard niet realistisch.

APE bv

24

25

Tabel 4.7:

Bandbreedte van de herverdeeleffecten (in %) voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in alle gemeenten SEO

Aantal inwoners

APE

Historisch

Minimum

Maximum

Minimum

Maximum

Minimum

-251,6a

257,7

-150,0b

244,5

-34,2

78,3

25.000 - 50.000

-42,8

57,0

-28,9

69,1

-37,1

31,9

50.000 - 100.000

-45,7

28,6

-16,4

28,5

-19,4

18,6

100.000 – 150.000

-51,2

17,6

-37,1

12,9

-11,7

17,1

Meer dan 150.000

-17,4

15,9

-17,7

10,8

-5,3

13,9

-1,7

6,0

-1,2

5,2

-5,3

8,5

-251,6

257,7

-150,0

244,5

-37,1

78,3

Tot 25.000

G4

Totaal

Maximum

a Op basis van het SEO-model ontvangen 15 gemeenten onder de 15.000 inwoners een negatief bijstandsbedrag. b Op basis van het APE-model ontvangen 8 gemeenten onder de 15.000 inwoners een negatief bijstandsbedrag. Bron: APE Tenslotte brengen wij de verdeling van de herverdeeleffecten voor de 40.000+ gemeenten in beeld. Het betreft tabel 4.8 met de ongewogen verdeling van de herverdeeleffecten en tabel 4.9 met de overeenkomstige gewogen verdeling. Tabel 4.8:

Ongewogen verdeling gemeenten naar grootte van het herverdeeleffect voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in de 40.000+ gemeenten Verdeling absolute waarde herverdeeleffecten (in %) Kleiner dan 30%

Kleiner dan 20%

Kleiner dan 15%

Kleiner dan 10%

SEO

84,8

78,5

65,8

55,7

APE

94,9

88,6

81,0

67,1

Historisch

100,0

100,0

93,7

70,9

Bron: APE

Tabellen 4.8 en 4.9 leiden tot vergelijkbare conclusies als de voorafgaande tabellen. Het APEmodel is in termen van de herverdeeleffecten superieur aan het SEO-model, maar slaagt er niet in APE bv

25

26

de prestaties van een verdeelmodel op basis van de historische kosten te evenaren. Zelfs bij de 40.000+ gemeenten is het moeilijk om de ongewogen herverdeeleffecten in meer dan 70% van de gemeenten in absolute waarde terug te brengen tot onder de 10%. Tabel 4.9:

Gewogen verdeling gemeenten naar grootte van het herverdeeleffect voor de bijstand onder de 65 jaar bij volledige normatieve budgettering in de 40.000+ gemeenten Verdeling absolute waarde herverdeeleffecten (in %)

Model

Kleiner dan 30%

Kleiner dan 20%

Kleiner dan 15%

Kleiner dan 10%

SEO

97,1

95,6

84,9

78,0

APE

99,0

97,5

92,4

84,5

Historisch

100,0

100,0

96,9

85,8

Bron: APE

4.5

Conclusies

De in het hoofdstuk gepresenteerde resultaten geven aanleiding tot de volgende conclusies: 1. Het APE-model leidt tot een grote reductie van de herverdeeleffecten ten opzichte van het SEO-model en scoort op alle criteria voor de herverdeeleffecten duidelijk beter dan het SEOmodel. 2. Het APE-model slaagt erin de herverdeeleffecten voor de vier grootste steden (G4) nagenoeg tot het minimum te beperken. Het APE-model is op dit punt superieur aan alle modellen inclusief het model dat berust op toewijzing van middelen op basis van de historische kosten. 3. Het APE-model slaagt er (nog) niet geheel in om de bandbreedte van de herverdeeleffecten bij de gemeenten tussen de 100.000 en de 150.000 inwoners tot aanvaardbare proporties terug te brengen. De prestaties op dit punt zijn overigens substantieel verbeterd ten opzichte van het SEO-model. 4. Alle modellen vertonen in de regel het beeld van aflopende gemiddelde herverdeeleffecten bij een toenemende gemeentegrootte.

APE bv

26

27

5.

Nadere analyse van het APE-model

5.1

Inleiding

In het voorliggende hoofdstuk komt de robuustheid en de dynamiek van het APE-model aan de orde. De robuustheid van het APE-model wordt onderzocht via een analyse van invloedrijke waarnemingen en een aantal gevoeligheidsanalyses (zie paragraaf 5.2). De dynamiek van het APE-model wordt bestudeerd aan de hand van simulaties van zeven cases, waarvan de belangrijkste resultaten in paragraaf 5.3 worden gepresenteerd.

5.2

Gevoeligheid van de schattingen

5.2.1

Invloedrijke waarnemingen

Wij hebben evenals voor het SEO-model de betekenis van invloedrijke waarnemingen voor het APE-model en de herverdeeleffecten van de 40.000+ onderzocht. Invloedrijke waarnemingen kunnen tot gevolg hebben dat de aansluiting tussen het met het verdeelmodel berekende budget en de feitelijke gemeentelijke bijstandsuitgaven te wensen overlaat. Het APE-model telt zes invloedrijke waarnemingen, waaronder de vier grootste gemeenten. Het APE-model is minder gevoelig voor weglating van invloedrijke waarnemingen dan het SEOmodel. Bij schatting van het APE-model zonder de invloedrijke waarnemingen is alleen het verdeelkenmerk huurwoningen niet langer significant. Alle tekens van de verdeelkenmerken blijven ongewijzigd en veranderen qua omvang minder sterk dan in het SEO-model. Herschatting van het APE-model zonder de zeven invloedrijke waarnemingen van het SEO-model levert nagenoeg dezelfde resultaten op als weglating van de zes invloedrijke waarnemingen van APE. Huurwoningen is ook in deze gevoeligheidsanalyse niet langer significant. Alle tekens van de gewichten van de verdeelkenmerken blijven echter ongewijzigd. Simulatie van de herverdeeleffecten met het model dat zonder de invloedrijke waarnemingen is geschat voor alle 79 grotere gemeenten leert het volgende: • de gemiddelde ongewogen procentuele afwijking stijgt van 9,6% tot 10,0%; • de gemiddelde gewogen procentuele afwijking stijgt van 5,1% tot 6,0%. Deze toename van de herverdeeleffecten is aanzienlijk geringer dan in het SEO-model (zie paragraaf 3.2).

APE bv

27

28

5.2.2

Inkomensgegevens 1997

Het SEO-model is met inkomensgegevens van 1997 geschat. APE heeft in paragraaf 3.2 geconstateerd dat de aansluiting tussen het SEO-model en de gemeentelijke bijstandsuitgaven verslechtert wanneer bij de schatting van het SEO-model gebruik wordt gemaakt van inkomensgegevens voor 1998. Om die reden hebben wij een vergelijkbare gevoeligheidsanalyse uitgevoerd voor het APE-model. In plaats van inkomensgegevens over 1998 hanteert APE in de gevoeligheidsanalyse inkomensgegevens over 1997. De gevoeligheidsanalyse heeft voor het APE-model geen grote consequenties. Alle verdeelkenmerken blijven statistisch significant. Dat geldt zowel voor de 40.000+ gemeenten als voor de 60.000- gemeenten. De gemiddelde ongewogen absolute procentuele afwijking voor alle gemeenten samen daalt licht (van 25,4% met inkomensgegevens 1998 tot 24,9% met inkomensgegevens 1997). De gemiddelde gewogen absolute procentuele afwijking voor alle gemeenten blijft onveranderd (= 8,2%).

5.2.3

Weglating omgevingsadressendichtheid

In hoofdstuk 4 is geconstateerd dat de OAD in zekere zin een onverwacht negatieve samenhang vertoont met de bijstandsuitgaven in grotere gemeenten. Wij hebben daarom het effect van weglating van dit verdeelkenmerk uit het APE-model voor de 40.000+ gemeenten onderzocht. In termen van herverdeeleffecten zijn de effecten van deze exercitie nagenoeg verwaarloosbaar. Een probleem is echter dat weglating van OAD tot gevolg heeft dat huurwoningen niet langer significant is. Dit vloeit voort uit de samenhang tussen beide variabelen. Veiligheidshalve hebben wij deze variabele daarom in de gevoeligheidsanalyse eveneens uit het model voor de 40.000+ gemeenten weggelaten. De consequenties voor de grootte van de herverdeeleffecten zijn verwaarloosbaar. Het gewogen gemiddelde van de herverdeeleffecten verandert niet. Het ongewogen gemiddelde neemt met 0,1 procentpunt toe. De absolute waarde van de procentuele herverdeeleffecten neemt voor gemeenten boven de 150.000 inwoners iets toe ten gunste van de gemeenten met 100.000 tot 150.000 inwoners. Het gaat echter slechts om bescheiden veranderingen.

5.3

Simulaties

5.3.1

Achtergrond

Om de dynamische eigenschappen van het APE-model te kunnen beoordelen, is een aantal simulaties uitgevoerd van de effecten van veranderingen in bijstandsbepalende factoren op de bijstandsuitgaven in enge zin. Via deze simulaties kunnen wij zien of het model plausibele resultaten oplevert bij hypothetische veranderingen in de samenstelling en de omvang van de bevolking van een of meer gemeenten. Zeven denkbeeldige cases zijn onderzocht. Het zijn in APE bv

28

29

beginsel dezelfde cases als die het SEO heeft bekeken. De geformuleerde cases zijn in sommige gevallen niet direct geschikt voor doorrekening met het APE-model, omdat zij veelal zijn toegespitst op simulaties met het SEO-model. Het APE-model is immers deels gebaseerd op andere verdeelkenmerken dan het SEO-model. De geformuleerde cases zijn zo goed mogelijk vertaald naar het APE-model. Alle simulaties hebben betrekking op gemeenten met meer dan 40.000 inwoners. Details over de uitgevoerde simulaties zijn te vinden in de bijlage. In de eerste vijf cases gaan wij steeds uit van twee bestaande gemeenten met in absolute zin een herverdeeleffect van rond de 10%: • Gemeente A met ongeveer 100.000 inwoners en relatief weinig mensen in de bijstand. Deze gemeente heeft een positief herverdeeleffect. • Gemeente B met ongeveer 100.000 inwoners en relatief veel mensen in de bijstand. Deze gemeente heeft een negatief herverdeeleffect. In beide gemeenten veranderen onder meer de samenstelling en/of de omvang van de bevolking. Met het APE-model berekenen wij de effecten van deze veranderingen op de gemeentelijke bijstandsuitgaven. De zesde case behandelt een relatief welvarende gemeente C waar een Vinex-uitbreiding plaatsvindt. De zevende en laatste case gaat over gemeente D met een zwakke sociale en economische structuur waaruit de relatief beter gesitueerden wegtrekken.

5.3.2

Case 1

Case 1 analyseert de effecten van een toename van 2.000 inwoners in gemeenten A en B. Van de nieuwe inwoners hebben 400 de leeftijd van 15 tot en met 19 jaar. Deze jongeren gaan allemaal werken. De 1.600 overige nieuwe inwoners wijken qua arbeidsmarktparticipatie en andere bevolkingskenmerken niet af van de oorspronkelijke inwoners van 20 tot en met 64 jaar in beide gemeenten. De vraag is wat er gebeurt met het bijstandsbudget in beide gemeenten. Het APE-model levert de verwachte uitkomsten op. Door de toename van de arbeidsmarktparticipatie vindt in beide gemeenten een bescheiden daling van de bijstandsuitgaven per inwoner van 20-64 jaar plaats (met 0,1 à 0,2%). Het niveau van de gemeentelijke bijstandsuitgaven stijgt daarentegen met circa 2% door de toename van het aantal inwoners in de leeftijd van 20 tot en met 64 jaar.

5.3.3

Case 2

In case 2 aanvaarden 1.000 bijstandsgerechtigden in beide gemeenten een baan met een laag inkomen. Het betreft bijstandsgerechtigden die wegens de ontheffing van de arbeidsverplichting niet tot de werkloosheid worden gerekend. Daardoor neemt de werkloosheid in formele zin niet af, hoewel de werkzame beroepsbevolking en de totale beroepsbevolking toenemen met 1.000 personen. APE bv

29

30

Door de toegenomen arbeidsmarktparticipatie nemen de bijstandsuitgaven in beide gemeenten - zoals te verwachten - af. Dat geldt zowel voor de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar als voor het niveau van bijstandsuitgaven. Doordat het aantal inwoners van 20 tot en met 64 jaar niet verandert, daalt het niveau van de gemeentelijke bijstandsuitgaven met hetzelfde percentage (0,5 à 0,6%) als de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar.

5.3.4

Case 3

In case 3 worden in gemeenten A en B 1.000 asielzoekers met een A-status toegelaten. In beide gevallen geldt dat 700 asielzoekers de leeftijd hebben van 20 tot en met 64 jaar. Ze zijn allen allochtoon. De asielzoekers vormen 500 huishoudens. Van deze huishoudens is het hoofd werkloos met een laag inkomen. Deze huishoudens komen in aanmerking voor bijstand. In beide gemeenten stijgen de bijstandsuitgaven. De verandering in de bijstandsuitgaven per inwoner tussen 20 en 64 jaar (ruim 90 gulden) en het niveau van de gemeentelijke bijstandsuitgaven (circa 8 mln gulden) verschilt in beide gemeenten vrijwel niet. De stijging komt globaal neer op 16.000 gulden per nieuwe uitkeringsgerechtigde.

5.3.5

Case 4

In case 4 verhuist de eerder genoemde groep van 1.000 asielzoekers van gemeente A naar gemeente B. In gemeente A dalen de bijstandsuitgaven, terwijl zij in gemeente B stijgen. De daling van de bijstandsuitgaven in gemeente A is echter niet geheel toereikend om de stijging van de uitgaven in gemeente B te compenseren. Dat komt doordat gemeente A in het verdeelmodel wordt gecompenseerd voor het extra aantal verhuizingen uit de gemeente. Daardoor wordt de budgetdaling afgezwakt. Uiteraard is hier sprake van een redelijk extreme verandering. Deze simulatie geeft aan dat wellicht kan worden overwogen om het verdeelkenmerk verhuizingen te baseren op een voortschrijdend gemiddelde. Dan wordt het effect van grote incidentele verhuisbewegingen verkleind.

5.3.6

Case 5

Case 5 is analoog aan de vorige case, met dat verschil dat de 1.000 asielzoekers nu verhuizen van gemeente B naar gemeente A. In dit geval dalen de bijstandsuitgaven in gemeente B, terwijl zij in gemeente A stijgen. De daling van de bijstandsuitgaven in gemeente B is net als in case 4 onvoldoende om de stijging van de uitgaven in de andere gemeente te compenseren. Dat is het gevolg van de extreme stijging van het aantal verhuizingen uit gemeente B.

APE bv

30

31

5.3.7

Case 6

Case 6 gaat over een redelijk welvarende gemeente van 70.000 inwoners waar een Vinexuitbreiding plaatsvindt. De sociale en economische situatie in gemeente C is gunstiger dan in gemeenten A en B uit de vijf voorgaande cases. In gemeente C komen 3.000 nieuwe inwoners wonen, waarvan 2.000 in de leeftijd van 20 tot en met 64 jaar. De sociale en economische situatie van de nieuwe inwoners is beter dan die van de oorspronkelijke inwoners (ruwweg twee keer zo goed). Door de gunstiger kenmerken van de nieuwe inwoners dalen bijstandsuitgaven per inwoner van 20 tot en met 64 jaar. Ondanks de bevolkingstoename neemt het niveau van de bijstandsuitgaven in de gemeente licht af (-1,2%).17

5.3.8

Case 7

Case 7 betreft een gemeente van 100.000 inwoners met een zwakke structuur en een emigratiesaldo. De kenmerken van gemeente D wijken af van de gemeenten uit de voorgaande cases. Door de zwakke structuur en de centrumfunctie heeft de gemeente een hoge bijstandsdichtheid. In deze case vertrekken 2.000 inwoners uit de gemeente. Van de vertrekkers hebben 1.300 de leeftijd van 20 tot en met 64 jaar. De vertrekkers bezitten gunstiger sociale en 17

Dit heeft naar alle waarschijnlijkheid te maken met de doorwerking van de economische impuls die het gevolg is van de verbetering van het economisch draagvlak in de gemeente. Dit effect is overigens niet expliciet in het APE-model verdisconteerd, maar werkt vermoedelijk in het model door via de interactie tussen de toename van het aantal 20-64 jarigen en de verandering in de overige verdeelkenmerken.

APE bv

31

32

economische kenmerken dan de achterblijvers. Analoog aan de voorgaande case wordt in dit geval verondersteld dat de vertrekkers een 50% gunstiger waarde van de relevante verdeelkenmerken hebben dan de achterblijvers. De bijstandsuitgaven per inwoner van 20 tot en met 64 jaar stijgen in gemeente C na het vertrek van de beter gesitueerden. Dat doet het niveau bijstandsuitgaven eveneens, zij het in aanzienlijk mindere mate. Het economisch draagvlak van de gemeente verslechtert.

APE bv

32

33

6.

Het APE-model voor de totale bijstand in ruim zin

6.1

Inleiding

Dit hoofdstuk concentreert zich op de totale bijstand in ruime zin: de bijstand aan personen onder de 65 jaar, bijstand aan ouderen, zelfstandigen, personen in inrichtingen, alsmede IOAW en IOAZ. In het voorliggende rapport worden hiervoor dezelfde verdeelkenmerken gehanteerd als bij de bijstand in enge zin aan personen onder de 65 jaar, hoewel op dit punt enige verfijning denkbaar lijkt.18 Het enige verschil met het geschatte model in hoofdstuk 4 is dat het APE-model nu wordt gebaseerd op de totale bijstandsuitgaven per inwoner van 20 jaar en ouder. Bij de toepassing van de regressie-analyses krijgen de gemeenten een gewicht dat correspondeert met het aantal inwoners van 20 jaar en ouder.19 Het hoofdstuk kent de volgende indeling. Paragraaf 6.2 geeft de geschatte gewichten van de verdeelkenmerken voor de totale bijstandsuitgaven. De bijbehorende herverdeeleffecten komen in paragraaf 6.3 aan de orde.

6.2

Schattingsresultaten voor de totale bijstand

6.2.1

De 40.000+ gemeenten

APE heeft het in tabel 4.1 weergegeven model geschat voor de totale bijstandsuitgaven. Tabel 6.1 toont de belangrijkste schattingsresultaten voor de grotere gemeenten. De bijlage bevat gedetailleerdere statistische informatie. De gepresenteerde schattingsresultaten hebben betrekking op het jaar 1998. De schattingsresultaten in tabel 6.1 wijken niet wezenlijk af van de eerder in tabel 4.3 gepresenteerde resultaten voor de bijstand onder de 65 jaar. Het teken van de gewichten blijft onveranderd. De waarde van de meeste gewichten is iets kleiner geworden. Dat vloeit mede voort uit de vergroting van de referentiepopulatie.

18

Gedacht kan worden om bijvoorbeeld een afzonderlijk verdeelmodel te schatten voor de bijstand aan bejaarden. Deze categorie heeft een afwijkende referentiepopulatie en waarschijnlijk eveneens afwijkende uitgavendeterminanten.

19

In het SEO-model wordt bij de weging van de waarnemingen van gemeenten daarentegen gebruik gemaakt van het aantal inwoners van 20-64 jaar.

APE bv

33

34

Tabel 6.1:

Het APE-model voor de totale bijstand in de 40.000+ gemeenten

Verdeelkenmerk 1. Lage inkomens (in % van de personen met inkomen) 2. Eenouderhuishoudens (in % van inwoners 20-64 jaar) 3.

Verhuizingen (vertrek per 100 inwoners)

4.

Arbeidsongeschikten (in % van inwoners 20-64 jaar)

5.

Totaal allochtonen (in % van alle inwoners)

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

7.

Huurwoningen (in % van alle woningen)

8.

Werkzame beroepsbevolking (in % totale gemeentelijke beroepsbevolking) Regionaal klantenpotentieel (x 1.000)

9.

10. Omgevingsadressendichtheid Constante

Gewicht (guldens) 57,240 112,279 32,549 -35,810 6,044 78,454 6,739 -52,686 0,2864 -0,0597 2.967,288

Bron: APE

6.2.2

De 60.000- gemeenten

Tabel 6.2 toont de schattingsresultaten van het APE-model voor de totale bijstandsuitgaven in gemeenten met minder dan 60.000 inwoners. Voor deze gemeenten zijn de in tabel 4.2 aangeven verdeelkenmerken gehanteerd. De geschatte gewichten voor de totale bijstand vertonen hetzelfde patroon als de eerder in tabel 4.4 gepresenteerde gewichten voor de bijstand onder 65 jaar. De tekens van de gewichten veranderen niet. Net als bij de grotere gemeenten worden de gewichten - vergeleken met die voor de bijstand onder de 65 jaar - in veel gevallen iets kleiner.

APE bv

34

35

Tabel 6.2:

Het APE-model voor de totale bijstand in de 60.000- gemeenten

Verdeelkenmerk

Gewicht (guldens)

1.

Lage inkomens (in % van de personen met inkomen)

17,655

2.

Eenouderhuishoudens (in % van inwoners 20-64 jaar)

132,553

5.

Totaal allochtonen (in % van alle inwoners)

6.

Vrouwen 25-29 jaar (in % van inwoners 20-64 jaar)

7.

Huurwoningen (in % van alle woningen)

9. Regionaal klantenpotentieel (x 1.000) 11. Werklozen met maximale WW-duur (in % van inwoners 20-64 jaar) 12. Werkzame beroepsbevolking (in % totale beroepsbevolking van RBA-regio) 13. Banen handel, horeca en schoonmaak (in % totaal aantal banen in RBA-regio) Constante

2,955 30,935 3,287 2,573 249,750 -14,223 -10,433 703,267

Bron: APE

6.3

De herverdeeleffecten voor de totale bijstand bij volledige normatieve budgettering

In deze paragraaf komen de herverdeeleffecten voor de totale bijstand aan de orde. Dit geschiedt zowel voor het APE-model als voor het SEO-model. Bij de presentatie van de resultaten wordt ervan uitgegaan dat alle bijstandsmiddelen voor 100% op basis van de normatieve verdeelmodellen over de gemeenten worden verdeeld. Eerst passeert een aantal tabellen over de procentuele herverdeeleffecten in alle gemeenten de revue. Het betreft drie vergelijkbare tabellen als in hoofdstuk 4: • tabel 6.3 met de gemiddelde ongewogen procentuele herverdeeleffecten naar grootteklasse van gemeenten; • tabel 6.4 met de gemiddelde gewogen procentuele herverdeeleffecten naar grootteklasse van gemeenten; • tabel 6.5 met de bandbreedte van de procentuele herverdeeleffecten naar grootteklasse van gemeenten. Tabellen 6.3 en 6.4 vertonen hetzelfde patroon van herverdeeleffecten als tabellen 4.5 en 4.6 voor de bijstand onder de 65 jaar. De omvang van de gemiddelde herverdeeleffecten neemt af bij toenemende gemeentegrootte. De herverdeeleffecten van het APE-model zijn - door de bank genomen – geringer dan die van het SEO-model. Daarnaast zijn de herverdeeleffecten in het APE bv

35

36

verdeelmodel voor de totale bijstand iets kleiner dan in het verdeelmodel voor de bijstand onder de 65 jaar.

Tabel 6.3: Ongewogen herverdeeleffecten (in %) voor de totale bijstand bij volledige normatieve budgettering in alle gemeenten

Aantal inwoners

Gemeenten

Aandeel uitgaven (in %)

Ongewogen gemiddelde absolute herverdeeleffecten (in %) SEO APE

Tot 25.000

375

13,1

26,4

26,1

25.000 - 50.000

105

14,6

15,4

14,9

50.000 - 100.000

33

16,1

9,7

6,0

100.000 - 150.000

15

13,4

11,7

8,3

Meer dan 150.000

10

42,9

6,2

4,7

4

32,6

3,0

3,2

538

100,0

22,4

21,8

G4 Totaal Bron: APE

APE bv

36

37

Tabel 6.4: Gewogen herverdeeleffecten (in %) voor de totale bijstand bij volledige normatieve budgettering in alle gemeenten

Aantal inwoners

Gemeenten

Aandeel uitgaven (in %)

Gewogen gemiddelde absolute herverdeeleffecten (in %) SEO APE

Tot 25.000

375

13,1

20,4

20,5

25.000 - 50.000

105

14,6

13,7

13,1

50.000 - 100.000

33

16,1

8,4

5,7

100.000 - 150.000

15

13,4

8,7

7,0

Meer dan 150.000

10

42,9

4,1

3,6

4

32,6

2,7

2,7

538

100,0

9,0

8,0

G4 Totaal Bron: APE

De bandbreedte van de herverdeeleffecten is over de hele linie iets kleiner dan bij de bijstand onder de 65 jaar (vergelijk tabellen 4.7 en 6.5). Het aantal (kleine) gemeenten waarvoor de geschatte verdeelmodellen negatieve budgetten opleveren, is sterk gereduceerd. Alleen het SEOmodel kent nog drie gemeenten met een negatief bijstandsbudget. Het APE-model scoort op het punt van de bandbreedte van de herverdeeleffecten beter dan het SEO-model.

APE bv

37

38

Tabel 6.5:

Bandbreedte van de herverdeeleffecten (in %) voor de totale bijstand bij volledige normatieve budgettering in alle gemeenten SEO

Aantal inwoners

Minimum -142,4a

Tot 25.000 25.000 – 50.000 50.000 – 100.000 100.000 – 150.000 Meer dan 150.000 G4

Totaal

APE

Maximum 268,5

Minimum -89,3b

Maximum 251,5

-30,7

54,8

-29,0

51,9

-34,5

25,6

-10,9

21,9

-41,6

18,9

-29,2

17,0

-17,6

10,7

-17,5

5,0

-2,8

7,9

-2,3

4,7

-142,4

268,5

-89,3

251,5

a In het SEO-model krijgen 3 gemeenten een negatief bijstandsbedrag. b In het APE krijgen 0 gemeenten een negatief bijstandsbedrag. Bron: APE

Tenslotte brengen wij de verdeling van de herverdeeleffecten voor de 40.000+ gemeenten in beeld. Het betreft tabel 6.6 met de ongewogen verdeling van de herverdeeleffecten en tabel 6.7 met de overeenkomstige gewogen verdeling. Tabel 6.6:

Ongewogen verdeling gemeenten naar grootte van het herverdeeleffect voor de totale bijstand bij volledige normatieve budgettering in de 40.000+ gemeenten Verdeling absolute waarde herverdeeleffecten (in %)

SEO APE

Kleiner dan 30%

Kleiner dan 20%

Kleiner dan 15%

Kleiner dan 10%

89,9

78,5

70,9

55,7

97,5

88,6

81,0

69,6

Bron: APE

Tabellen 6.6 en 6.7 vertonen hetzelfde beeld als de voorafgaande tabellen. Het APE-model kent ook in dit opzicht geringere herverdeeleffecten dan het SEO-model. Het blijft niettemin moeilijk de ongewogen herverdeeleffecten bij meer dan 70% van de gemeenten in absolute waarde terug te brengen tot onder de 10%.

APE bv

38

39

Tabel 6.7:

Gewogen verdeling gemeenten naar grootte van het herverdeeleffect voor de totale bijstand bij volledige normatieve budgettering in de 40.000+ gemeenten Verdeling absolute waarde herverdeeleffecten (in %)

Model

Kleiner dan 30%

Kleiner dan 20%

Kleiner dan 15%

Kleiner dan 10%

SEO

98,1

95,3

88,7

77,7

APE

99,7

97,1

92,1

85,5

Bron: APE

APE bv

39

41

7.

Opties voor het verdeelmodel

De resultaten in de voorgaande hoofdstukken geven aan dat het recent ontwikkelde APE-model tot geringere herverdeeleffecten leidt dan het SEO-model. APE heeft echter desondanks de stellige overtuiging dat de kwaliteit van het verdeelmodel verder kan worden verbeterd. Ten eerste is het denkbaar om bij bepaalde verdeelkenmerken die gevoelig zijn voor incidentele fluctuaties niet uit te gaan van jaarcijfers, maar van een voortschrijdend gemiddelde. Variabelen die hiervoor in aanmerking komen zijn bijvoorbeeld het aantal werklozen met maximale WWduur en het aantal verhuizingen. Deze werkwijze leidt tot een meer beheerste dynamiek van het verdeelmodel. Ten tweede verdient het de voorkeur om bij de schatting van het verdeelmodel voor de verdeelkenmerken – waar relevant – uit te gaan van jaargemiddelden in plaats van standcijfers op 1 januari of 31 december. De bijstandsuitgaven hebben immers betrekking op het hele kalenderjaar en niet op één peilmoment. Dit leidt naar verwachting tot een betere aansluiting tussen budgetten en gemeentelijke bijstandsuitgaven. Ten derde verdient het aanbeveling om de transparantie van het verdeelmodel te vergroten door het verdeelmodel verder om te bouwen tot een model waarin het niveau van de bijstandsuitgaven lineair afhankelijk is van het niveau van de verdeelkenmerken. In de vormgeving van het huidige verdeelmodel hangen de bijstandsuitgaven per inwoner uit de referentiepopulatie in navolging van SEO lineair af van verdeelkenmerken die meestal in de vorm van procentuele aandelen zijn gegoten. Dit leidt tot niet-lineaire samenhangen tussen de bijstandsuitgaven enerzijds en de verdeelkenmerken en het aantal inwoners uit de referentiepopulatie anderzijds. Daardoor kan het model in extreme situaties onverwachte herverdeeleffecten tot gevolg hebben. Ten vierde kan met een verdere verfijning van het datamateriaal nog een aanzienlijk betere aansluiting tussen normatieve budgetten gemeentelijke bijstandsuitgaven worden gerealiseerd. Dit geldt in het bijzonder voor verdeelkenmerken met een groot gewicht. Twee voorbeelden springen in het oog: het verdeelkenmerk lage inkomens en de verschillende arbeidsmarktkenmerken. Het aantal mensen met lage inkomens vereist vanwege het relatief grote gewicht bij de bijstand onder de 65 jaar een meer op de verdeelsystematiek toegespitste meting exclusief bejaarden. Het tweede voorbeeld heeft betrekking op de arbeidsmarktkenmerken die in de meeste gevallen alleen op het niveau van RBA-regio’s beschikbaar zijn. Daardoor ontstaan in een normatief verdeelmodel moeilijk te verklaren en te rechtvaardigen intergemeentelijke transfers. Gemeenten met een beter dan gemiddelde arbeidsmarktsituatie ‘liften’ als het ware mee met de slechtere regionale arbeidsmarktcijfers. Een alternatief voor deze maatstaf zou een index kunnen zijn die - analoog aan het lokale of regionale klantenpotentieel in de verdeelsystematiek van het Gemeentefonds - een indicatie geeft van de lokale of regionale arbeidsmarktsituatie (eventueel in bepaalde sectoren) in concentrische cirkels om een gemeente. Tenslotte zou een normatief verdeelmodel aan kwaliteit kunnen winnen wanneer meer inzicht bestaat in de objectieve demografische kenmerken van de groep bijstandsgerechtigden (bijvoorbeeld etniciteit en huishoudenssituatie). De gevonden demografische variabelen kunnen APE bv

41

42

aan het model worden toegevoegd. Zij leiden mogelijk tot een verlaging van de gewichten van een beperkt aantal kenmerken die het systeem thans nog tamelijk gevoelig maken. Voor de overgangssituatie op korte termijn is het goed denkbaar om bij de bijstandsbudgettering uit te gaan van een empirisch onderbouwde mix van normatieve budgettering en budgettering op basis van de historische kosten. Deze optie met historische kosten is eerder met succes toegepast bij de budgettering van ziekenfondsen.20 Een dergelijke aanpak leidt tot kleinere herverdeeleffecten dan een verdeelsystematiek met uitsluitend budgettering op basis van de historische kosten of uitsluitend normatieve budgettering. Simulaties met het APE-model hebben uitgewezen dat voor de 40.000+ gemeenten een systematiek met 47% normatieve budgettering en 53% budgettering via de historische kosten op dit moment in termen van verdelende werking optimaal is. Voor de 40.000- gemeenten zijn de overeenkomstige aandelen 15% normatieve budgettering en 85% budgettering op basis van de historische kosten. Een dergelijke verdeelsystematiek leidt globaal tot circa 50% kleinere herverdeeleffecten dan in een situatie met uitsluitend normatieve budgettering.

20

Zie R. Goudriaan et al., Historische kosten als verdeelcriterium in de ZFW, Aarts en De Jong bv, Den Haag: 1999, hoofdstuk 10.

APE bv

42

43

Bijlage 1: Gedetailleerde schattingsinformatie De volgende vier tabellen geven zonder nader commentaar gedetailleerde schattingsinformatie voor het APE-model. Het betreft achtereenvolgens:

•

tabel b1.1 voor de bijstandsuitgaven onder de 65 jaar in de 40.000+ gemeenten;

• • •

tabel b1.2 voor de bijstandsuitgaven onder de 65 jaar in de 60.000- gemeenten; tabel b1.3 voor de totale bijstandsuitgaven in de 40.000+ gemeenten; tabel b1.4 voor de totale bijstandsuitgaven in de 60.000- gemeenten.

Tabel b1.1:

Het APE-model voor de bijstand onder de 65 jaar in de 40.000+ gemeenten

Verdeelkenmerk 1. Lage inkomens 2. Eenouderhuishoudens

Gewicht (guldens)

t-waarde

76,520

9,88

130,159

4,00

54,026

3,40

-45,165

-5,19

3.

Verhuizingen

4.

Arbeidsongeschikten

5.

Totaal allochtonen

9,450

2,60

6.

Vrouwen 25-29 jaar

71,099

4,12

7.

Huurwoningen

7,113

2,61

8.

Werkzame beroepsbevolking

-5,52

9.

Regionaal klantenpotentieel (x 1.000)

-55,832 0,3493 -0,0725

-2,80

10. Omgevingsadressendichtheid Constante 2

R (‘verklaarde variantie’)

2.711,098

4,80

2,43

0,982

Bron: APE

APE bv

43

44

Tabel b1.2:

Het APE-model voor de bijstand onder de 65 jaar in de 60.000- gemeenten

Verdeelkenmerk

Gewicht (guldens)

t-waarde

22,235

10,86

175,434

10,94

1.

Lage inkomens

2.

Eenouderhuishoudens

5.

Totaal allochtonen

3,597

2,86

6.

Vrouwen 25-29 jaar

27,458

3,43

7.

Huurwoningen

4,494

5,33

9. Regionaal klantenpotentieel (x 1.000) 11. Werklozen met maximale WW-duur

3,059

8,56

229,063

5,60

12. Werkzame beroepsbevolking

-15,597

-2,91

13. Banen handel, horeca en schoonmaak

-13,522

-4,12

673,946

1,35

Constante R2 (‘verklaarde variantie’)

0,868

Bron: APE

APE bv

44

45

Tabel b1.3:

Het APE-model voor de totale bijstand in de 40.000+ gemeenten

Verdeelkenmerk 1. Lage inkomens 2. Eenouderhuishoudens

Gewicht (guldens)

t-waarde

57,240

8,68

112,279

4,00

32,549

2,40

-35,810

-4,82

3.

Verhuizingen

4.

Arbeidsongeschikten

5.

Totaal allochtonen

6,044

1,95

6.

Vrouwen 25-29 jaar

78,454

5,28

7.

Huurwoningen

6,739

2,90

8.

Werkzame beroepsbevolking

-52,686

-6,09

9.

Regionaal klantenpotentieel (x 1.000)

10. Omgevingsadressendichtheid Constante R2 (‘verklaarde variantie’)

0,2864

4,61

-0,0597

-2,70

2.967,288

3,10

0,982

Bron: APE

APE bv

45

46

Tabel b1.4:

Het APE-model voor de totale bijstand in de 60.000- gemeenten

Verdeelkenmerk

Gewicht (guldens)

t-waarde

17,655

10,20

132,553

9,79

1.

Lage inkomens

2.

Eenouderhuishoudens

5.

Totaal allochtonen

2,955

2,79

6.

Vrouwen 25-29 jaar

30,935

4,58

7.

Huurwoningen

3,287

4,61

9. Regionaal klantenpotentieel (x 1.000) 11. Werklozen met maximale WW-duur

2,573

8,52

249,750

7,20

12. Werkzame beroepsbevolking

-14,223

-3,13

13. Banen handel, horeca en schoonmaak

-10,433

-3,76

703,267

1,66

Constante R2 (‘verklaarde variantie’)

0,862

Bron: APE

APE bv

46

47

Bijlage 2: Simulaties SEO heeft op verzoek van de TBG zeven cases met het SEO-model gesimuleerd die de effecten van veranderingen in bijstandsbepalende factoren op de bijstandsuitgaven tot en met 64 jaar in beeld brengen voor verschillende typen gemeenten; bijvoorbeeld voor gemeenten met een lage of hoge bijstandsdruk. Alle simulaties hebben betrekking op gemeenten met meer dan 40.000 inwoners. In deze bijlage worden de resultaten van vergelijkbare simulaties met het APE-model gepresenteerd. De cases zijn in sommige gevallen niet direct geschikt voor doorrekening met het APE-model, omdat zij in beginsel zijn toegespitst op simulaties met het SEO-model. Het APE-model is immers deels gebaseerd op andere verdeelkenmerken dan het SEO-model. De geformuleerde cases zijn zo goed mogelijk vertaald naar het APE-model. Dat lukt in de meeste gevallen relatief goed, omdat de etniciteit en de gemeentelijke arbeidsmarktsituatie, die direct of indirect een belangrijke rol spelen in de cases, in het model zijn opgenomen. In een enkel geval is de vertaling van de case enigszins problematisch, omdat een kenmerk waarin een verandering optreedt niet of slechts indirect in het APE-model voorkomt, zoals het aantal 15 tot en met 19 jarigen (in case 1). Elke case beschrijft de situatie in één of twee gemeenten waar zich een verandering in de bijstandsbepalende factoren voordoet. Door nu te kijken naar de berekende bijstandsuitgaven vóór en na de verandering kunnen wij bepalen of het model plausibele uitkomsten oplevert. In de eerste vijf cases gaan wij steeds uit van twee bestaande gemeenten met in absolute zin een herverdeeleffect van rond de 10%: • Gemeente A met ongeveer 100.000 inwoners en relatief weinig mensen in de bijstand. Deze gemeente heeft een positief herverdeeleffect. • Gemeente B met ongeveer 100.000 inwoners en relatief veel mensen in de bijstand. Deze gemeente heeft een negatief herverdeeleffect. In beide gemeenten veranderen onder meer de samenstelling en/of de omvang van de bevolking. Met het APE-model berekenen wij de effecten van deze veranderingen op de gemeentelijke bijstandsuitgaven. De zesde case beschrijft de effecten van de veranderingen in de omvang en samenstelling van de bevolking op de bijstandsuitgaven in gemeente C met een Vinex-uitbreiding. De zevende en laatste case gaat over gemeente D met een zwakke sociale en economische structuur waaruit de relatief beter gesitueerden wegtrekken. De tabellen bevatten steeds afgeronde cijfers om herkenning van gemeenten tegen te gaan. Bij de berekeningen is echter steeds uitgegaan van de oorspronkelijke niet afgeronde cijfers.

APE bv

47

48

Case 1 Case 1 heeft betrekking op gemeenten A en B. Gemeente A heeft een positief herverdeeleffect en een relatief lage bijstandsdichtheid. Voor het gemeente B geldt precies het omgekeerde. De case analyseert de effecten van een toename van 2.000 inwoners in gemeenten A en B. Van de nieuwe inwoners hebben 400 de leeftijd van 15 tot en met 19 jaar. Deze jongeren gaan allemaal werken. De 1.600 overige nieuwe inwoners wijken qua arbeidsmarktparticipatie en andere bevolkingskenmerken niet af van de oorspronkelijke inwoners van 20 tot en met 64 jaar in beide gemeenten. Door de bevolkingstoename neemt het regionaal klantenpotentieel eveneens met 2.000 toe. Tabel b2.1 toont de waarden van de verdeelkenmerken en de bijstandsuitgaven in beide gemeenten vóór en na de verandering. De effecten van de veranderingen zijn bescheiden. De bijstandsuitgaven per inwoner van 20 tot en met 64 jaar dalen met 1 à 3 gulden. Het niveau van de gemeentelijke bijstandsuitgaven stijgt echter in beide gemeenten licht door de groei van het aantal inwoners van 20 tot en met 64 jaar.

APE bv

48

49

Tabel b2.1:

Verdeelkenmerken en bijstandsuitgaven in case 1 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente A 28,7

Gemeente B 31,8

Verandering aantal inwoners*

Gemeente A 28,7 2.000

Gemeente B 31,8 2.000

Eenouderhuishoudens (in %)

3,1

3,9

3,1

3,9

Vrouwen 25-29 jaar (in %)

9,1

7,1

9,1

7,1

168,5

172,1

170,5

174,1

57,3

57,2

57,3

57,2

OAD (x 1.000)

3,1

2,3

3,1

2,3

Vertrek (per 100 inwoners)

6,0

3,6

6,0

3,6

Totaal allochtonen (in %)

21,2

22,3

21,2

22,3

Werkzame beroepsbevolking (in %)*

94,3

91,9

94,4

91,9

6,6

7,2

6,6

7,2

Regionaal klantenpotentieel (x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.164

1.396

1.163

1.393

91.322

101.280

93.065

103.305

Verschil per inwoner 20-64 jaar in guldens

.

.

-1

-3

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

.

1.743

2.025

Relatief verschil per inwoner 20-64 jaar (in %)

.

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

-0,1

-0,2

49

50

Relatief verschil bijstandsuitgaven (in %)

*

.

.

1,9

2,0

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

50

51

Case 2 In case 2 aanvaarden 1.000 bijstandsgerechtigden die ontheven zijn van de arbeidsverplichting bij dezelfde twee gemeenten A en B als in case 1 een baan met een laag inkomen. Deze bijstandsgerechtigden worden wegens de ontheffing van de arbeidsverplichting niet tot de werkloosheid gerekend. Daardoor neemt de werkloosheid niet af, hoewel de werkzame beroepsbevolking en de totale beroepsbevolking toenemen met 1.000 personen. De waarden van de overige verdeelkenmerken veranderen niet. Door de toegenomen arbeidsmarktparticipatie nemen de bijstandsuitgaven in beide gemeenten - zoals te verwachten - af (zie tabel b2.2). Dat geldt zowel voor de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar als voor het niveau van bijstandsuitgaven. Doordat het aantal inwoners van 20 tot en met 64 jaar niet verandert, daalt het niveau van de gemeentelijke bijstandsuitgaven vanzelfsprekend met hetzelfde percentage als de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar.

APE bv

51

52

Tabel b2.2:

Verdeelkenmerken en bijstandsuitgaven in case 2 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente A 28,7

Gemeente B 31,8

Verandering aantal inwoners

Gemeente A

Gemeente B

28,7

31,8

0

0

Eenouderhuishoudens (in %)

3,1

3,9

3,1

3,9

Vrouwen 25-29 jaar (in %)

9,1

7,1

9,1

7,1

168,5

172,1

168,5

172,1

57,3

57,2

57,3

57,2

OAD (x 1.000)

3,1

2,3

3,1

2,3

Vertrek (per 100 inwoners)

6,0

3,6

6,0

3,6

Totaal allochtonen (in %)

21,2

22,3

21,2

22,3

Werkzame beroepsbevolking (in %)*

94,3

91,9

94,4

92,0

6,6

7,2

6,6

7,2

Regionaal klantenpotentieel (x 1.000) Huurwoningen (in %)

Arbeidsongeschikten (in %)

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.164

1.396

1.159

1.387

91.322

101.280

90.888

100.639

Verschil per inwoner 20-64 jaar in guldens

.

.

-6

-9

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

.

-434

-641

Relatief verschil per inwoner 20-64 jaar (in %)

.

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

-0,5

-0,6

52

53

Relatief verschil bijstandsuitgaven (in %)

*

.

.

-0,5

-0,6

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

53

54

Case 3 In case 3 worden in gemeenten A en B 1.000 asielzoekers met een A-status toegelaten. Voor beide gemeenten geldt dat 700 asielzoekers de leeftijd hebben tussen 20 en 64 jaar. Ze zijn allen allochtoon. Van de 500 huishoudens van asielzoekers is het hoofd werkloos met een laag inkomen. Deze huishoudens komen in aanmerking voor bijstand. Het regionaal klantenpotentieel neemt toe met de bevolkingsgroei. Tabel b2.3 onthult dat de verandering in de bijstandsuitgaven per inwoner tussen 20 en 64 jaar (ruim 90 gulden) en het niveau van de gemeentelijke bijstandsuitgaven beperkt verschilt voor beide gemeenten (circa 8 mln gulden).

APE bv

54

55

Tabel b2.3:

Verdeelkenmerken en bijstandsuitgaven in case 3 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)*

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente A 28,7

Gemeente B 31,8

Verandering aantal inwoners*

Gemeente A 29,2 1.000

Gemeente B 32,2 1.000

Eenouderhuishoudens (in %)

3,1

3,9

3,1

3,9

Vrouwen 25-29 jaar (in %)

9,1

7,1

9,1

7,1

168,5

172,1

169,5

173,1

57,3

57,2

57,3

57,2

OAD (x 1.000)

3,1

2,3

3,1

2,3

Vertrek (per 100 inwoners)

6,0

3,6

6,0

3,6

Totaal allochtonen (in %)*

21,2

22,3

21,9

22,9

Werkzame beroepsbevolking (in %)*

94,3

91,9

93,5

91,0

6,6

7,2

6,5

7,2

Regionaal klantenpotentieel (x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)*

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.164

1.396

1.256

1.490

91.322

101.280

99.382

109.136

Verschil per inwoner 20-64 jaar in guldens

.

.

92

94

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

.

8.060

7.857

Relatief verschil per inwoner 20-64 jaar (in %)

.

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

7,9

6,7

55

56

Relatief verschil bijstandsuitgaven (in %)

*

.

.

8,8

7,8

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

56

57

Case 4 In case 4 verhuist de eerder genoemde groep van 1.000 asielzoekers van gemeente A naar gemeente B. Dit werkt door in het regionaal klantenpotentieel. Verder is de case analoog aan case 3. Tabel b2.4 illustreert dat de bijstandsuitgaven in gemeente A dalen en gemeente B stijgen. De daling van de bijstandsuitgaven in gemeente A is onvoldoende om de stijging van de uitgaven in gemeente B te compenseren. Dat houdt verband met het feit dat gemeente A in het verdeelmodel wordt gecompenseerd voor het aantal verhuizingen uit de gemeente.

APE bv

57

58

Tabel b2.4:

Verdeelkenmerken en bijstandsuitgaven in case 4 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)*

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente A 28,7

Gemeente B 31,8

Verandering aantal inwoners*

Gemeente A 28,2 -1.000

Gemeente B 32,2 1.000

Eenouderhuishoudens (in %)

3,1

3,9

3,1

3,9

Vrouwen 25-29 jaar (in %)

9,1

7,1

9,1

7,1

168,5

172,1

167,5

173,1

57,3

57,2

57,3

57,2

OAD (x 1.000)

3,1

2,3

3,1

2,3

Vertrek (per 100 inwoners)*

6,0

3,6

6,9

3,6

Totaal allochtonen (in %)*

21,2

22,3

20,5

22,9

Werkzame beroepsbevolking (in %)*

94,3

91,9

95,2

91,0

6,6

7,2

6,7

7,2

Regionaal klantenpotentieel (x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)*

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.164

1.396

1.117

1.490

91.322

101.280

86.867

109.136

Verschil per inwoner 20-64 jaar in guldens

.

.

-47

94

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

.

-4.455

7.857

Relatief verschil per inwoner 20-64 jaar (in %)

.

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

-4,0

6,7

58

59

Relatief verschil bijstandsuitgaven (in %)

*

APE bv

.

.

-4,8

7,8

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

59

60

Case 5 Case 5 is analoog aan case 4, met dat verschil dat de 1.000 asielzoekers nu verhuizen van gemeente B naar gemeente A. Dit heeft eveneens consequenties voor het regionaal klantenpotentieel. Tabel b2.5 laat zien dat de bijstandsuitgaven in gemeente B dalen en gemeente A stijgen. De daling van de bijstandsuitgaven in gemeente B is net als in case 4 onvoldoende om de stijging van de uitgaven in de andere gemeente te compenseren. Dat komt door de verhuizingen uit gemeente B.

APE bv

60

61

Tabel b2.5:

Verdeelkenmerken en bijstandsuitgaven in case 5 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)*

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente A 28,7

Gemeente B 31,8

Verandering aantal inwoners*

Gemeente A 29,2 1.000

Gemeente B 31,4 -1.000

Eenouderhuishoudens (in %)

3,1

3,9

3,1

3,9

Vrouwen 25-29 jaar (in %)

9,1

7,1

9,1

7,1

168,5

172,1

169,5

171,1

57,3

57,2

57,3

57,2

OAD (x 1.000)

3,1

2,3

3,1

2,3

Vertrek (per 100 inwoners)*

6,0

3,6

6,0

4,4

Totaal allochtonen (in %)*

21,2

22,3

21,9

21,6

Werkzame beroepsbevolking (in %)*

94,3

91,9

93,5

92,8

6,6

7,2

6,5

7,3

Regionaal klantenpotentieel (x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)*

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.164

1.396

1.256

1.346

91.322

101.280

99.382

96.725

Verschil per inwoner 20-64 jaar in guldens

.

.

92

-50

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

.

8.060

-4.555

Relatief verschil per inwoner 20-64 jaar (in %)

.

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

7,9

-3,6

61

62

Relatief verschil bijstandsuitgaven (in %)

*

.

.

8,8

-4,5

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

62

63

Case 6 Case 6 gaat over een redelijk welvarende gemeente waar een Vinex-uitbreiding plaatsvindt. De kenmerken van gemeente C verschillen van gemeenten A en B uit de vijf voorgaande cases. Gemeente C telt 70.000 inwoners. Het aandeel inwoners tussen 20 en 64 jaar komt overeen met het gemiddelde van gemeenten in deze grootteklasse. Daarnaast heeft gemeente C de volgende kenmerken (zie tabel b2.6): • relatief weinig lage inkomens; • relatief weinig huurwoningen; • relatief weinig allochtonen; • een relatief laag werkloosheidspercentage; • relatief weinig eenoudergezinnen; • relatief laag arbeidsongeschiktheidspercentage. De termen relatief weinig of laag duiden op een niveau dat globaal 10% onder het gebruikelijke niveau van gemeenten in deze grootteklasse ligt. In gemeente C komen 3.000 nieuwe inwoners wonen, waarvan 2.000 in de leeftijd van 20 tot en met 64 jaar. De sociale en economische situatie van de nieuwe inwoners is gunstiger dan die van de oorspronkelijke inwoners. Van de oorspronkelijke inwoners heeft 27,4% een laag inkomen, terwijl het overeenkomstige percentage bij de nieuwkomers slechts 13,7% bedraagt. Voor éénouderhuishoudens, arbeidsongeschikten, allochtonen en werklozen is bij de nieuwkomers eveneens een gehalveerd aandeel aangehouden. Het regionaal klantenpotentieel stijgt onder invloed van de bevolkingstoename met 3.000. De waarden van de overige verdeelkenmerken veranderen niet. Door de gunstiger kenmerken van de nieuwe inwoners dalen bijstandsuitgaven per inwoner van 20 tot en met 64 jaar (zie tabel b2.6). Ondanks de bevolkingstoename neemt het niveau van de bijstandsuitgaven licht af (-1,2%). Dit resultaat heeft naar alle waarschijnlijkheid te maken met de doorwerking van de economische impuls die het gevolg is van de verbetering van het economisch draagvlak in de gemeenten. Dit effect is overigens niet expliciet in het APE-model verdisconteerd, maar werkt vermoedelijk in het model door via de interactie tussen de toename van het aantal 20-64 jarigen en de verandering in de overige verdeelkenmerken. Het niveau van de bijstandsuitgaven is – in tegenstelling tot de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar - niet strikt lineair afhankelijk van de verdeelkenmerken.

APE bv

63

64

Tabel b2.6:

Verdeelkenmerken en bijstandsuitgaven in case 6 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)*

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente C

Gemeente C

27,4

Verandering aantal inwoners*

27,0 3.000

Eenouderhuishoudens (in %)*

3,6

3,5

Vrouwen 25-29 jaar (in %)

6,7

6,7

Regionaal klantenpotentieel

63,0

66,0

48,2

48,2

OAD (x 1.000)

1,9

1,9

Vertrek (per 100 inwoners)

3,9

3,9

Totaal allochtonen (in %)*

16,6

16,3

Werkz. beroepsbevolking (in %)*

93,7

93,9

7,3

7,1

(x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)*

Bijstandsuitgaven per inwoner van 20 – 64 jaar

785

741

33.772

33.365

Verschil per inwoner 20 – 64 jaar in guldens

.

-44

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

-407

Relatief verschil per inwoner 20-64 jaar (in %)

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

-5,6

64

65

Relatief verschil bijstandsuitgaven (in %)

*

.

-1,2

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

65

66

Case 7 Case 7 betreft gemeente D met een zwakke structuur en een emigratiesaldo. De kenmerken van deze gemeente wijken sterk af van de gemeenten uit de voorgaande cases. De gemeente telt 100.000 inwoners. Gemeente D heeft de volgende kenmerken: • relatief weinig inwoners tussen 20 en 64 jaar; • relatief veel lage inkomens; • relatief veel allochtonen; • relatief veel eenouderhuishoudens; • relatief veel werklozen en arbeidsongeschikten; • een relatief hoge omgevingsadressendichtheid; • relatief veel verhuizingen uit de gemeente. De gemeente heeft een centrumfunctie. De waarden van de overige verdeelkenmerken zijn gelijk aan die van de gebruikelijke kenmerken van gemeenten rond de 100.000 inwoners. In deze case vertrekken 2.000 inwoners uit de gemeente. Van de vertrekkers hebben 1.300 de leeftijd van 20 tot en met 64 jaar. De vertrekkers bezitten gunstiger sociale en economische kenmerken dan de achterblijvers. Analoog aan de voorgaande case wordt in dit geval verondersteld dat de vertrekkers een 50% gunstiger waarde van de relevante verdeelkenmerken hebben dan de achterblijvers. Wij hanteren deze halvering voor lage inkomens, allochtonen, eenouderhuishoudens, werklozen en arbeidsongeschikten. De overige bijstandsbepalende factoren veranderen niet. Uit tabel b2.7 komt naar voren dat de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar stijgen. Dat doet het niveau bijstandsuitgaven eveneens, zij het in aanzienlijk mindere mate. Het economisch draagvlak van de gemeente verslechtert.

APE bv

66

67

Tabel b2.7:

Verdeelkenmerken en bijstandsuitgaven in case 7 vóór en na de veranderingen

Verdeelkenmerk Lage inkomens (in %)*

Verdeelkenmerken en bijstand

Verdeelkenmerken en bijstand

in uitgangssituatie

na wijziging situatie

Gemeente D

Gemeente D

33,6

Verandering aantal inwoners*

33,8 -2.000

Eenouderhuishoudens (in %)*

3,6

3,7

Vrouwen 25-29 jaar (in %)

7,6

7,6

147,1

145,1

59,6

59,6

OAD (x 1.000)

2,2

2,2

Vertrek (per 100 inwoners)*

5,2

5,7

Totaal allochtonen (in %)*

20,3

20,5

Werkz. beroepsbevolking (in %)*

90,0

89,9

9,7

9,8

Regionaal klantenpotentieel (x 1.000)* Huurwoningen (in %)

Arbeidsongeschikten (in %)*

Bijstandsuitgaven per inwoner van 20 – 64 jaar

1.617

1.668

90.915

91.595

Verschil per inwoner 20 – 64 jaar in guldens

.

51

Verschil niveau bijstandsuitgaven (x 1.000 gld)

.

679

Relatief verschil per inwoner 20-64 jaar (in %)

.

Niveau bijstandsuitgaven (x 1.000 gld)

APE bv

3,1

67

68

Relatief verschil bijstandsuitgaven (in %)

*

.

0,7

De factoren met een sterretje zijn door de simulatie direct of indirect van waarde veranderd. Dat hoeft wegens afrondingen bij de presentatie niet altijd te blijken uit de cijfers in de tabel.

APE bv

68

2

Samenvatting

69

Verklaren en verdelen

Eindrapport van het onderzoeksproject ‘van een potentieel verdeelmodel naar een toepasbaar verdeelmodel’

Prof. Dr. H.A. Keuzenkamp (SEO) Drs. M.H.C. Kok (SEO) Dr. E. Brouwer (DIALOGIC) Met medewerking van: J.P. Hop (SEO) Drs. E.S. Mot (SEO)

Onderzoek in opdracht van het ministerie van SZW

APE bv

69

2

Samenvatting

70

Amsterdam, 12 december 2000

APE bv

70

Inhoud 1

Inleiding ........................................................................................................................... 1

2

Samenvatting................................................................................................................... 3

3

2.1

Criteria ................................................................................................................... 3

2.2

Vereenvoudiging .................................................................................................... 4

2.3

Groot en klein......................................................................................................... 5

2.4

De mogelijke objectieve factoren............................................................................ 6

2.5

De verdeelmaatstaven ........................................................................................... 8

2.6

De verdeeleffecten ................................................................................................. 9

2.7

Bijstand in ruime zin ..............................................................................................11

2.8

Simulaties .............................................................................................................11

2.9

Besluit ...................................................................................................................14

Methode en data .............................................................................................................15 3.1

Methode ................................................................................................................15

3.2

Verzamelen en actualiseren van de dataset ..........................................................21

3.3 4

Demografische kenmerken .....................................................................22

3.2.2

Inkomenskenmerken ..............................................................................26

3.2.3

Centrumfunctiekenmerken, stedelijkheid en regionale effecten...............26

3.2.4

Arbeidsmarktkenmerken .........................................................................28

Besluit ...................................................................................................................32

Schattingsresultaten en herverdeeleffecten .....................................................................33 4.1

4.2

5

3.2.1

Bijstandsuitgaven tot 65 jaar..................................................................................33 4.1.1

Herverdeeleffecten bij 100% objectief ....................................................34

4.1.2

Herverdeeleffecten bij 25% objectief ......................................................38

Bijstandsuitgaven voor 20 jaar en ouder ................................................................40 4.2.1

Herverdeeleffecten bij 100% objectief ....................................................41

4.2.2

Herverdeeleffecten bij 25% objectief ......................................................43

4.3

Resultaten voor bijstand tot 65 jaar, inclusief Ioaz e.d. ..........................................44

4.4

Resultaten voor de totale bijstandsuitgaven...........................................................45 4.4.1

Herverdeeleffecten bij 100% objectief ....................................................45

4.4.2

Herverdeeleffecten bij 25% objectief ......................................................48

Historische kosten bij kleine gemeenten ..........................................................................49 5.1

Bijstandsuitgaven tot 65 jaar..................................................................................49

2

Samenvatting

72

6

Simulaties: stabiliteit en veranderingen in verklarende variabelen ...................................55 6.1

Stabiliteit ...............................................................................................................55

6.2

Simulaties .............................................................................................................58

7

Aandachtspunten voor de toekomst.................................................................................67

8

Conclusie ........................................................................................................................69

Appendix 1 Bronnen, definities en kerncijfers van de gebruikte data ........................................71 Bronnen, definities en gemiddelde waarden ....................................................................72 Aanvullende informatie over bronnen en definities van een aantal factoren.....................74 Correlatie tussen de meest relevante variabele ...............................................................77 Appendix 2 Het verklaringsmodel.............................................................................................81 Appendix 3 Verdeeleffecten van de belangrijkste alternatieve modellen ..................................83 Appendix 4 Gesprekken met gemeenten..................................................................................89 Appendix 5 Simulaties .............................................................................................................47 Eerste Case ....................................................................................................................47 Tweede Case ..................................................................................................................51 Derde Case .....................................................................................................................98 Vierde Case ..................................................................................................................100 Vijfde Case....................................................................................................................102 Zesde Case...................................................................................................................104 Zevende Case...............................................................................................................106 Appendix 6 Samenstelling begeleidingscommissie.................................................................109 Literatuurbijlage ......................................................................................................................111

APE bv

72

1

1

Inleiding

In het regeerakkoord is afgesproken dat gemeenten een grotere prikkel moeten krijgen bij het terugdringen van het beroep op de sociale zekerheid. Voor dat doel wordt de bijstand gebudgetteerd,

waardoor

gemeenten

er

een

financieel

belang

bij

krijgen

als

bijstandsgerechtigden uitstromen. Dit betekent dat de verdeelsleutel ‘90/10’ wordt gewijzigd, waardoor gemeenten een sterker financieel belang krijgen bij het verbeteren van de uitvoering van de bijstand. In de periode 2001 - 2003 zal 25% van de uitkeringslasten voor Abw, Ioaw en Ioaz worden gebudgetteerd. Het betreffende budget wordt aan gemeenten beschikbaar gesteld, zodat gemeenten in staat zijn om de ‘verwachte’ bijstandsuitgaven te bekostigen. De verwachting kan worden gebaseerd op de uitgaven in het verleden (historische kosten) of op ‘objectieve factoren’, zoals de samenstelling van de bevolking en de aard van de lokale economie. Om een verdeelmodel op basis van objectieve factoren te ontwikkelen hebben vanaf 1996 verschillende

onderzoeksbureaus

statistische

modellen

geconstrueerd

(zie

ook

de

literatuurbijlage). Deze modellen hadden tot doel om te bezien of de lokale bijstandsuitgaven verklaard konden worden uit relevante objectieve factoren. Kenmerkend voor deze modellen is dat de grote variatie die zich in lokale omstandigheden voordoet, wordt vereenvoudigd tot enkele kernvariabelen die voor alle gemeenten te meten zijn en waarvan de samenhang met de bijstandsnood plausibel wordt geacht. Op basis van een dergelijk verklaringsmodel kan een normbudget worden bepaald. Dit normbudget kan de basis zijn voor de verdeling over de gemeenten. Het verschil tussen normbudget en feitelijk uitgavenniveau kan geweten worden aan verschillen in beleid, statistische onzekerheden en toevallige lokale omstandigheden. De zoektocht naar een bevredigend verklaringsmodel heeft geresulteerd in het SEO-rapport ‘Actualisatie berekende bijstand in model: eindrapportage’ van 29 april 1999 (zie literatuurbijlage). Dit rapport presenteerde een verklaringsmodel voor de bijstandsuitgaven van alle Nederlandse gemeenten gedurende vijf jaren. Dit model werd om een aantal redenen nog niet geschikt bevonden voor het daadwerkelijk budgetteren van de bijstand. Ten eerste bestonden er vragen over de gekozen variabelen die het beroep op de bijstand zouden moeten verklaren. Ten tweede is het verklaringsmodel technisch geavanceerd, maar de complexiteit ervan belemmert heldere communicatie met niet-specialisten. Uitlegbaarheid en transparantie van het model en van de uitkomsten zijn bij een verdeelmodel van grotere waarde dan bij een verklaringsmodel. Om die redenen heeft het ministerie van Sociale Zaken en Werkgelegenheid (SZW) de SEO verzocht de mogelijkheid te onderzoeken om het verklaringsmodel verder te ontwikkelen.

2

Samenvatting

2

De onderliggende rapportage bevat het resultaat van het onderzoektraject, dat met het verklaringsmodel begon en met een verdeelmodel eindigt. Hierbij wordt niet alleen het eindresultaat gepresenteerd, maar wordt ook ingegaan op het traject dat is afgelegd, de overwegingen die aan de orde zijn geweest en de keuzen die gemaakt zijn. Daarbij worden zowel de suggesties van kamerleden en gemeenten besproken, als de overwegingen van de technische begeleidingscommissie en haar adviseur (zie appendix 6 voor de samenstelling). Wij danken de verschillende betrokkenen voor hun commentaar op eerdere versies van dit rapport. Een statistisch verdeelmodel is nooit perfect. Dat geldt ook voor het onderhavige model. Het model dient ervoor de meest belangrijke factoren, die de bijstandsnood in de gemeenten kunnen verklaren, te identificeren. Het heeft echter niet de pretentie om alle lokale relevante factoren te omvatten. Dat is gegeven de gekozen opzet van een kwantitatief, statistisch model dat is gebaseerd op voor alle gemeenten waarneembare objectieve en relevante factoren, onmogelijk. Het model is niet meer en niet minder dan een instrument voor de budgettering van de bijstand. Op basis van dit instrument kan een budget worden bepaald, dat gemeenten een financiële stimulans geeft om beleid te verbeteren. Voor dit doel achten wij het resulterende model een geschikt uitgangspunt, waarbij het ook voldoende flexibel is om in de toekomst verdere verbeteringen toe te laten.

APE bv

2

3

2

Samenvatting

De doelstelling van het onderzoek is het bestuderen van de mogelijkheid om het in eerder onderzoek geformuleerde verklaringsmodel te vereenvoudigen en geschikt te maken voor implementatie van beleid. Het verklaringsmodel is gebaseerd op zowel waarnemingen voor alle gemeenten als voor een reeks jaren, ofwel een ‘panelmodel’. Als verklaringsmodel voldeed dit, maar als ‘toepasbaar verdeelmodel’ werd het te gecompliceerd gevonden. Op basis van een aantal criteria is derhalve onderzocht of het verklaringsmodel zich laat vereenvoudigen tot een toepasbaar verdeelmodel, en welke objectieve factoren in dat model thuis zouden horen.

2.1 Criteria

De criteria voor een verdeelmodel omvatten meer dan uitsluitend statistische kwaliteit. Voor de overgang van een verklaringsmodel naar een verdeelmodel hebben de volgende criteria als leidraad gediend: 1.

Adequate beschrijving en meting van de objectieve bijstandsnood. Met andere woorden: het model moet de meest belangrijke objectieve (niet door lokaal bijstandsbeleid veroorzaakte) factoren die de bijstandnood bepalen identificeren. Idealiter zijn de verschillen tussen modeluitkomst en feitelijke bijstandsuitgaven de resultaten van lokaal beleid. In de praktijk spelen statistische onzekerheden en toeval echter ook een rol.

2.

Transparantie. Het model moet inzichtelijk en plausibel zijn. Variabelen, die (mogelijk door sterke onderlinge samenhang met andere opgenomen variabelen) een ‘merkwaardig’ effect hebben, moeten zo veel als mogelijk worden vermeden. Specificaties, die het voor gemeenten moeilijk maken om zelf de budgetten na te rekenen, dienen eveneens vermeden te worden.

3.

Minimale herverdeeleffecten gegeven de selectie van objectieve factoren. Dit wil zeggen dat de rol van toeval zo klein mogelijk moet zijn. Dit criterium heeft onder meer consequenties voor de wijze waarop het model gespecificeerd en geschat wordt.

4.

Actualiteit. Het model moet zo goed mogelijk aansluiten op de situatie van het moment waarop de kosten gemaakt worden. De berekende bijstand moet zo nauw mogelijk aansluiten bij de objectieve bijstandsnood in het betreffende jaar. Variabelen, die slechts met grote vertraging beschikbaar zijn, dienen daarom te worden vermeden. Specificaties, die de dynamiek dankzij veranderingen in de werkelijkheid of in het beleid slechts met grote vertraging doorvertalen in bijstandsbudgetten, dienen vermeden te worden.

5.

Betrouwbaarheid en beschikbaarheid van data. Variabelen, die niet goed objectief meetbaar zijn in alle gemeenten, kunnen niet worden gebruikt.

6.

Voorspelbaarheid van budgetten. De budgetten die op basis van het verdeelmodel tot stand komen dienen redelijk stabiel te zijn, voor zover zich in gemeenten geen grote

2

4

Samenvatting

veranderingen voordoen. Voor gemeenten dienen geen onverklaarbare uitslagen in het budget van opeenvolgende jaren voor te doen. Gelijke omstandigheden impliceren een gelijk budget, waarbij er echter rekening mee gehouden moet worden dat de budgettering geschiedt op basis van relatieve omstandigheden. 7.

Bestendig voor gemeentelijke herindelingen. Fusies van gemeenten of aanpassingen van gemeentegrenzen moeten niet tot onaannemelijke aanpassingen van bijstandbudgetten leiden.

In het kader van het eerste criterium is onderzocht, of het verklaringsmodel inderdaad de belangrijkste niet-beleidsmatige factoren bevatte die de bijstandsnood in gemeenten bepalen. Er is hierbij dankbaar gebruik gemaakt van suggesties vanuit de Tweede Kamer, gemeenten, regionale

bijeenkomsten

van

het

Fonds

voor

Werk

en

Inkomen,

en

vanuit

de

begeleidingscommissie, waarbij in nauw overleg met het CBS is bezien welke relevante variabelen zich in principe lenen voor opname in een verdeelmodel. Daarbij is gesproken met vertegenwoordigers van een zestal gemeenten om te bezien of uitkomsten van het verklaringsmodel plausibel waren, en of er belangrijke niet gemeten invloeden waren die ten onrechte in het model ontbraken. Wat betreft het eerste punt bleek dat voor vier grotere gemeenten de richting van de modeluitkomsten redelijk plausibel waren in het licht van het lokaal gevoerde beleid, maar dat de dosering ervan niet uitsluitend aan beleid kan worden toegeschreven. Met andere woorden, de verdeeleffecten waren groter dan op basis van beleidsverschillen aannemelijk is. Voor twee kleine gemeenten bleek het moeilijker om modelmatige verschillen in verdeeleffect te relateren aan beleidsverschillen. Alvorens nader in te gaan op een nadere beschrijving van de objectieve factoren, die zijn onderzocht, worden eerst de verdere specificatie van het model in het licht van de genoemde criteria besproken.

2.2 Vereenvoudiging

Het tweede criterium, de transparantie, vormde een belangrijke overweging om de specificatie van het verklaringsmodel tegen het licht te houden. Vanwege de ingewikkeldheid van het verklaringsmodel is bezien of het mogelijk was om over te gaan op een dwarsdoorsnede model. Een aantal voor niet-specialisten moeilijk te interpreteren technische termen kan in het dwarsdoorsnede model vervallen. Een keerzijde is dat het paneldata model statistisch gezien wat beter is dan het dwarsdoorsnede model. Hier ontstaat dus een afruil met het derde criterium. Een voordeel van werken met dwarsdoorsnede is dat schatten op basis van de meest recent APE bv

4

2

5

Samenvatting

beschikbare dwarsdoorsnede een actueler beeld geeft dan schatten op basis van een langere tijdspanne, zoals in een paneldata model (criterium 4). Ook hier is er weer een keerzijde: bij een model dat op basis van een groter aantal jaren is geschat, zal het berekende bijstandbudget wat minder fluctueren (criterium 6). Indien de werkelijkheid veel dynamiek vertoont, is het vierde criterium van groter belang. Een laatste voordeel van een dwarsdoorsnede model is dat de gemeentelijke herindeling geen sterk complicerende factor is (criterium 7). Bij een paneldata model moeten data voor heringedeelde gemeenten met terugwerkende kracht worden gereconstrueerd, hetgeen geen triviale exercitie is. Een afweging van de verschillende criteria heeft ertoe geleid dat voor het verdeelmodel gekozen is voor een dwarsdoorsnede structuur. Het verlies aan verklaringsgraad woog onvoldoende sterk op tegen de winst aan transparantie, actualiteit en bestendigheid voor gemeentelijke herindelingen. Een

tweede

belangrijke

vereenvoudiging,

na

de

overstap

van

paneldata

richting

dwarsdoorsnede, betreft de specificatie van de variabelen. In het verklaringsmodel werd op grote schaal met logaritmen gewerkt. Op die manier kan eenvoudig een procentuele verandering van het budget per inwoner uit het model worden afgeleid. In beleidskringen wordt vaak een interpretatie in termen van guldens geprefereerd. Bovendien vergt werken met logaritmen een transformatie van de data die de transparantie belemmert. Derhalve is er vereenvoudigd naar een ‘lineair model’ in plaats van een logaritmisch model zodat gemeenten gemakkelijk zelf, aan de hand van voor hen relevante omvang van variabelen kunnen uitrekenen wat het objectieve budget is. Dit leverde voor de kleinere gemeenten een verlies op aan verklaringsgraad waartegenover een winst in transparantie stond. Ook is er nog vereenvoudigd door het aantal variabelen tot de noodzakelijke en belangrijkste terug te brengen. Het opnemen van meer variabelen, die vaak sterk onderling samen variëren, leidt tot een model waarin de effecten per variabele moeilijk te interpreteren zijn. Ook is het in de statistiek altijd mogelijk, dat variabelen om louter toevallige redenen een statistisch significant effect hebben. In dat geval wordt ‘ruis’ in de data ten onrechte met ‘informatie’ verward. Om deze redenen is plausibiliteit van het statistische model steeds een belangrijke leidraad geweest voor de selectie van de variabelen. ‘Vreemde’ verdeeleffecten zijn zo veel als mogelijk vermeden.

2.3 Groot en klein

Empirisch is gebleken dat de verbanden voor kleine gemeenten systematisch anders liggen dan APE bv

5

2

6

Samenvatting

voor grote gemeenten. De grens ligt rond de 50.000 inwoners. Om die reden is gekeken naar een verdeelmodel voor gemeenten tot 60.000 inwoners, en een model voor gemeenten vanaf 40.000 inwoners. In de overlappende zone wordt gradueel van het model voor ‘kleine’ gemeenten overgegaan naar het model voor ‘grote’ gemeenten, zodat er geen harde breuk is voor gemeenten die plots door de grens van 50.000 inwoners schieten door bijvoorbeeld een gemeentelijke herindeling of toestroom van asielzoekers. Ook indien een onderscheid gemaakt wordt tussen de specificatie voor kleine en grote gemeenten, blijkt er nog een probleem te resten. De verdeeleffecten voor kleine gemeenten zijn, gegeven de objectieve factoren, zo groot dat niet aan het eerste criterium voor een verdeelmodel voldaan lijkt te kunnen worden. Om deze reden is in dit onderzoeksrapport ook een korte rapportage toegevoegd, die een indicatie geeft over de mogelijkheden bijstandsuitgaven van kleine gemeenten op basis van historische kosten te budgetteren.

2.4 De mogelijke objectieve factoren

De merites van een groot aantal aanvullende variabelen zijn voor het verdeelmodel beoordeeld. Dit heeft ten opzichte van het eerdere verklaringsmodel geleid tot de opname van de volgende aanvullende factoren: •

Het percentage eenouderhuishoudens tussen de 20 en 64 jaar;

•

De gemiddelde woningbezetting;

•

Het percentage parttimers dat 12 t/m 19 uur per week werkt; en

•

Het percentage sociale huurwoningen.

Sommige

suggesties

bleken

niet

uitvoerbaar,

bijvoorbeeld

zeer

specifieke

of

niet-

kwantificeerbare lokale omstandigheden die een ongunstige verdeling op basis van het model kunnen compenseren. Ook privacygevoelige zaken (blijf-van-mijn-lijfhuizen) vallen daar onder. Het empirisch onderzoek heeft tot de conclusie geleid dat een aantal andere gesuggereerde variabelen niet in het uiteindelijke model moeten worden opgenomen. Aan deze conclusie liggen verschillende redenen ten grondslag. Het betreft variabelen die: 1.

zelf afhankelijk zijn van de bijstandsuitgaven en dus geen ‘objectieve’ factor zijn (zie criterium 1);

2.

geen aanvullende invloed op de bijstandsuitgaven bleken te hebben door het ontbreken van een statistisch voelbaar effect (zie criterium 1);

3.

een implausibel effect hebben doordat de coëfficiënt in het model een onaannemelijke waarde heeft (zie ook criterium 2);

4.

te grote onderlinge afhankelijkheid met andere opgenomen verklarende factoren hebben.

APE bv

6

2

Samenvatting

7

Twee factoren die nauw verwant zijn, laten zich statistisch moeilijk van elkaar onderscheiden; het is in dat geval niet nodig beide factoren op te nemen omdat de ene ook het effect van de andere ‘meeneemt’, bovendien zou opname van beide factoren er vaak toe leiden dat wederzijdse beïnvloeding zo groot is dat het effect per factor zich niet meer laat interpreteren (zie criterium 2); 5.

niet op tijd geleverd konden worden (zie ook criterium 4);

6.

niet beschikbaar zijn omdat er bijvoorbeeld (vooralsnog) geen gegevens vrijgegeven worden (zie criterium 5);

7.

grote onbetrouwbaarheid hebben volgens het CBS (zie criterium 5).

In Tabel 2/1 staan alle variabelen die in beschouwing genomen zijn en die om de hierboven genoemde redenen afgevallen zijn. De nummers die in de tabel staan, komen overeen met de nummers van de redenen die hierboven staan.

APE bv

7

2

Tabel 2/1

8

Samenvatting

Variabelen met de reden van afvallen

Variabelen Percentage alleenstaanden

Reden van afvallen 3, 4

Werking nieuwe vreemdelingenwet (i.e. statushouders)

6

Aantal bijstandsgerechtigden naar duur

1

Fase-indeling van bijstandsgerechtigden

5

Instroom in de bijstand

1

Mensen met een onvolledige WAO

2, 3

Aantal daklozen, psychiatrische patiënten, kunstenaars

6

Regionale werkgelegenheidsstructuur

2

Provinciale effecten

2

Percentage allochtonen 1ste generatie

2, 3

Percentage allochtonen 2de generatie

2, 3

Omgevingsadressendichtheid

2, 3, 4

Percentage lage opleidingen

2, 3

Mortaliteit

2, 3

Regionale klantenpotentieel

2, 4

Geregistreerde werkloosheid langer dan 36 maanden

2

Gemeentelijke werkgelegenheid

7

Percentage zelfstandigen

2, 3

Gemiddelde taxatiewaarde

3

Percentage verweduwden

3, 4

Percentage nieuw gescheiden vrouwen

4

Percentage inwoners tussen 20 en 24 jaar

2

Woonwagenbewoners

6

Blijf-van-mijn-lijfhuizen

6

Percentage parttimers 20 – 34 uur per week op RBA-niveau Aandeel uitkeringsgerechtigden zonder arbeidsplicht boven 57½ jaar

2,3 3

2.5 De verdeelmaatstaven Na een uitgebreid empirisch onderzoek is een model geconstrueerd, dat gegeven de randvoorwaarden optimaal geacht mag worden. Dit is een eenvoudig lineair dwarsdoorsnede model, met een beperkt aantal goed meetbare objectieve factoren. De specificatie is voor kleine en grote gemeenten zoveel mogelijk gelijk. De verdeelmaatstaven zijn in Tabel 2/2 weergegeven.

APE bv

8

2

Tabel 2/2

Samenvatting

9

Maatstaven van het verdeelmodel voor kleine en grote gemeenten (tussen haakjes het teken van het effect op de bijstand per inwoner)

Kleine gemeenten

Grote gemeenten

Vaste constante (-)

Vaste constante (-)

Bevolking (+)

Bevolking (+) Percentage inwoners tussen de 15 en 19 jaar ()

Percentage inwoners tussen de 25 en 29 jaar (+)

Percentage inwoners tussen de 25 en 29 jaar (+)

Percentage eenouderhuishoudens tussen de 20 en 64 jaar (+)

Percentage eenouderhuishoudens tussen de 20 en 64 jaar (+)

Percentage lage inkomens (+)

Percentage lage inkomens (+)

RBA-werkloosheidspercentage (+)

RBA-werkloosheidspercentage (+)

Percentage WW-ers met maximale duur (+)

Percentage WW-ers met maximale duur (+) Percentage arbeidsongeschikten (-)

Percentage parttimers 12-19 uur per week op RBA-niveau (+)

Percentage parttimers 12-19 uur per week op RBA-niveau (+)

Werkgelegenheid in handel en horeca op RBA-niveau (-)

Werkgelegenheid in handel en horeca op RBA-niveau (-)

Gemiddelde woningbezetting (-) Percentage sociale huurwoningen (+)

2.6 De verdeeleffecten

Op basis van het model met bovengenoemde verdeelmaatstaven is geanalyseerd wat de verdeeleffecten zijn. Indien er sprake zou zijn van 100% budgettering, dan treden de volgende gemiddelde verdeeleffecten op (zie Tabel 2/3).

APE bv

9

2

Tabel 2/3

10

Samenvatting

Samenvatting van verdeeleffecten bij volledige budgettering (procentueel verschil met de gerealiseerde Abw-uitgaven, bijstandsuitgaven in enge zin tot 65 jaar, 1998) Gemeenten vanaf 50.000 inwoners objectief

Gemeenten tot 50.000 inwoners objectief

Gemeenten tot 50.000 inwoners historisch

< -20%

6

123

29

-20% tot –15%

1

23

18

-15% tot –10%

1

38

50

-10% tot 0%

23

59

129

0% tot 10%

17

67

162

10% tot 15%

5

21

35

15% tot 20%

3

30

19

> 20%

2

119

38

Totaal

58

480

480

Duidelijk is dat de spreiding in verdeeleffecten met name bij kleine gemeenten aanzienlijk is. De feitelijke spreiding in verdeeleffecten zal, bij toepassing van dit model, uiteraard kleiner zijn omdat er een bovengrens is aan het risico dat gemeenten lopen bij budgettering (ƒ15,- per inwoner of 15% van het geraamde budget) en omdat uiteindelijk slechts 25% van de (geraamde) bijstandsuitgaven gebudgetteerd zullen worden. Desondanks zal er voor toepassing van het model bij kleine gemeenten een probleem optreden om de doelstelling, het bieden van een positieve prikkel voor verbeteren van beleid, te realiseren: gemeenten die zich ver buiten de beleidsmatig ingestelde grens van het eigen risico bevinden hebben geen financieel voordeel meer bij het terugdringen van het beroep op de bijstand. Om die reden is ook een indicatie gepresenteerd van verdeeleffecten, indien kleine gemeenten op basis van historische kosten gebudgetteerd zouden worden (laatste kolom, Tabel 2/3). De verdeeleffecten zijn duidelijk kleiner. Uiteraard heeft deze systematiek de consequentie, dat de lat voor gemeenten die in het verleden een uitstekend beleid gevoerd hebben hoger komt te liggen dan voor gemeenten die minder voortvarend beleid gevoerd hebben. De afweging tussen het accepteren van grote verdeeleffecten door vast te houden aan budgettering op basis van objectieve factoren, met als gevolg het vervallen van prikkels voor een aanzienlijk deel van de gemeenten, dan wel kleinere verdeeleffecten met duidelijker prikkels, maar ‘straf’ voor goed beleid in het verleden, is een beleidsmatige. Als onderzoeksbureau merken we wel op dat het zeer onwaarschijnlijk is, dat een statistisch model met objectieve factoren voor kleine gemeenten geconstrueerd kan worden, dat duidelijk beter APE bv

10

2

Samenvatting

11

scoort op het eerste verdeelcriterium zonder slechtere score op de andere criteria.

2.7 Bijstand in ruime zin

Naast de bijstand in enge zin (Abw-uitgaven voor inwoners van 20-64 jaar) is ook onderzocht hoe het verdeelmodel uitwerkt indien de bijstand in ruimere zin wordt gebudgetteerd. Het gaat dan om de volgende uitbreidingen: •

Uitkeringen aan mensen in inrichtingen, zelfstandigen, Ioaw, Ioaz;

•

Uitkeringen voor ouderen dan 65 jaar (met name allochtonen die onvoldoende Aow-rechten hebben).

Indien het bestaande model voor de ruim gedefinieerde bijstand wordt gehanteerd, dan ontstaat het volgende beeld. De modelcoëfficiënten worden in de uitgebreide varianten in het algemeen wat kleiner (in absolute waarde). De verdeeleffecten zijn eveneens iets kleiner, met name wat betreft de ‘staart’ van de verdeling voor kleine gemeenten. Het aantal kleine gemeenten met een verdeeleffect dat (ongerestricteerd) negatiever dan 20% zou zijn, bedroeg in het basismodel 123. In het model inclusief ouderen bedraagt dit 114. Indien naast ouderen ook de Ioaw en Ioaz in het model worden opgenomen, neemt het aantal verder af tot 99. Indien wel Ioaw en Ioaz, maar niet ouderen worden opgenomen, gaat het om 104 gemeenten. Voor grote gemeenten verandert in dit opzicht in het referentiejaar nagenoeg niets. Indien wordt gekeken naar budgettering op basis van 25% van de geraamde bijstandsuitgaven, en de grenzen van het eigen risico worden bezien, dan is het aantal kleine gemeenten met een te sterk herverdeeleffect in het basismodel 35%, inclusief ouderen is dit 34%, inclusief ouderen en Ioaw en Ioaz is het 32% Voor grote gemeenten zijn er geen verschillen in deze aantallen (waarbij het overigens wel zo kan zijn, dat er geringe verschuivingen in de samenstelling van de groepen gemeenten optreden).

2.8 Simulaties

De modellen die geanalyseerd zijn, zijn uitgebreid op hun merites beoordeeld. Allereerst is gekeken naar de stabiliteit van de herverdeeleffecten. Indien het bestaande model voor 1997 geschat wordt, zijn de herverdeeleffecten voor dat jaar iets groter (tenzij ook met historische kosten gebudgetteerd zou worden). Een wellicht meer relevante indicatie van stabiliteit is de vraag of gemeenten, die in 1997 in een bepaalde herverdeelklasse zitten, in het erop volgende jaar in dezelfde of een aangrenzende klasse zitten. Er blijkt een zekere ‘mobiliteit’ van gemeenten te bestaan, maar er is duidelijk sprake van consistentie. Opgemerkt moet worden dat APE bv

11

2

12

Samenvatting

volstrekte stabiliteit in dit opzicht waarschijnlijk geen goed teken zou zijn: het zou betekenen dat het model resistent zou zijn voor veranderingen in beleid van de gemeenten. Tot slot wordt opgemerkt dat er niet is onderzocht, hoe goed het model een aantal jaren in de toekomst (of terug in het verleden) kan voorspellen. Naast statistische eigenschappen en de gevolgen voor de budgetten, is ook bezien hoe de budgetten op basis van model reageren op denkbeeldige veranderingen in de kenmerken van gemeenten. Er is naar een zevental denkbeeldige scenario’s gekeken, waarbij steeds het effect voor twee verschillende gemeenten (één met een laag, en één met een hoog herverdeeleffect) zijn vergeleken. In de eerste vijf simulaties hebben de betrokken gemeenten een omvang van ongeveer

100.000

inwoners.

Gesimuleerd

wordt

wat

veranderingen

in

de

bevolkingssamenstelling, zowel wat betreft demografische kenmerken als wat betreft economische kenmerken, teweeg brengen bij de budgetten. De verandering in de feitelijke bijstandsuitgaven kan afwijken van de budgetten, afhankelijk van de lokale beleidsinspanning en de mate waarin de variabelen de objectieve bijstandsnood in model brengen. Achtereenvolgens komen aan de orde: 1.

De gemeenten ervaren een toename van de bevolking met 2000 personen, waarvan 400 de leeftijd tussen 15 en 19 jaar hebben en allen in de handel en horeca gaan werken. De resterende 1600 nieuwe bewoners wijken qua kenmerken niet af van de bestaande populatie. Beide specifieke factoren hebben een negatief effect op het budget. De vraag is of het totale bijstandsbudget voor de gemeente door deze (tamelijk extreme en hypothetische) impuls zal dalen. Dat zou ongewenst zijn, want de bijstandsdruk van de betreffende gemeente zal niet dalen. De simulatie wijst uit dat in beide gemeenten een gematigd positieve vergroting van het budget zal optreden, zodat het model doet wat verwacht mag worden.

2.

Duizend

bijstandsgerechtigden,

die

ontheven

waren

van

de

arbeidsverplichting,

aanvaarden een deeltijdbaan van 12 à 19 uur. Deze bijstandsgerechtigden tellen niet mee in de werkloosheidsvariabele in het model. De bijstandslasten van de gemeenten zullen afnemen, maar doordat de variabele ‘deeltijdwerk’ een positief effect heeft, is de vraag of het budget zal toenemen. Dit is, gezien voorgaande opmerking, ongewenst. De uitkomst van de simulatie is dat er een nihil positief effect op de bijstandsbudgetten zal optreden. De reden is gelegen in het feit dat de deeltijdvariabele op RBA-niveau wordt gemeten, de toename van 400 is daardoor relatief klein bij de betrokken gemeenten. 3.

In beide gemeenten worden 1000 asielzoekers toegelaten. Daarvan hebben er 700 een leeftijd tussen 20 en 64 jaar waarmee ze in aanmerking komen voor de bijstand. Volgens de simulatie stijgen de budgetten voor de twee gemeenten met ongeveer vijf miljoen gulden

APE bv

12

2

13

Samenvatting

per gemeente. Dit is ruim ƒ7.000 per nieuwe uitkeringsgerechtigde, dus minder dan de additionele

uitkeringslasten.

Naarmate

een

groter

deel

van

de

betrokken

uitkeringsgerechtigden op de arbeidsmarkt actief wordt, daalt het nadeel voor de gemeente. Bij deze berekening is overigens afgezien van andere financiële compensatie die gemeenten krijgen bij toestroom van asielzoekers. 4.

Als simulatie 3, maar nu verhuist de groep van 1000 asielzoekers van de gemeente met een sterk positief herverdeeleffect naar de gemeente met een sterk negatief herverdeeleffect. Het idee is dat dit voor het netto totaalbudget niet uit zou moeten maken. De simulatie laat een nihil netto verschil zien (de vertrekgemeente verliest ƒ5.100.000, de aankomstgemeente wint ƒ5.090.000).

5.

Het omgekeerde van simulatie 4: de verhuizing is nu van de gemeente met een sterk negatief herverdeeleffect naar een gemeente met een sterk positief herverdeeleffect. De aankomstgemeente ontvangt ƒ5.090.000, de vertrekgemeente verliest ƒ5.110.000. Het netto verschil is wederom nihil.

6.

Een welvarende gemeente krijgt te maken met een Vinex-uitbreiding. Er wordt verondersteld dat de instromers gunstig zijn voor een lage bijstandsnood. De simulatie is extreem opgezet, door de instromers karakteristieken toe te kennen die in theorie kunnen leiden tot een verlaging van het bijstandsbudget, niet alleen per inwoner (hetgeen verwacht mag worden), maar (gezien de technische specificatie van het model en het daarop voortbouwende verdeelsysteem) ook in guldens. Voor deze opzet is gekozen om te bezien of het model in hypothetische extreme situaties nog aanvaardbare eigenschappen heeft. Per saldo blijkt dit ongewenste negatieve effect zich niet voor te doen, waarmee het model deze toets goed doorstaat.

7.

De laatste simulatie betreft een gemeente van 100.000 inwoners met een zwakke sociale structuur. Van de inwoners vertrekken er 2000 met gunstiger karakteristieken dan de achterblijvers. Verwacht mag worden dat de totale bijstandsuitgaven enigszins dalen, terwijl de uitgaven per inwoner stijgen. Dit komt overeen met de uitkomsten van de simulatie.

Het model genereert derhalve redelijke uitkomsten voor de gesimuleerde aanpassingen. Daarbij moet echter bedacht worden, dat budgettering in werkelijkheid zal plaatsvinden op basis van kenmerken van gemeenten in een eerder jaar, namelijk het jaar waarin de objectieve factoren ten behoeve van de budgettering worden gemeten. Veranderingen in de werkelijkheid komen enigszins vertraagd tot uiting in de verandering van de relatieve aandelen van gemeenten in het macro-budget.

APE bv

13

2

Samenvatting

14

2.9 Besluit

Het onderliggende rapport presenteert informatie over de constructie van een verdeelmodel voor de bijstand. Dit model is, ten opzichte van het eerdere verklaringsmodel, beduidend transparanter en laat zich beter interpreteren door de gebruikers. Deze transparantie maakt ook duidelijk wat het model wel en niet vermag. Als instrument voor het budgetteren van de bijstand is het, met name voor de grote gemeenten, in principe geschikt. Voor kleine gemeenten zal het objectieve verdeelmodel in een zeer groot aantal gevallen zijn doel, het introduceren van prikkels in de bijstand, voorbijschieten. Het aantal kleine gemeenten dat ruim door de beleidmatig vastgestelde budgetteringsgrenzen schiet is immers groot. Het budgetteringsmodel vertoont wat betreft de algemene statistische kwaliteiten geen grote verschillen, indien bijstand in enge of in ruime zin wordt geanalyseerd. Indien oudere bijstandsgerechtigden in de budgettering worden meegenomen dient wel de vraag gesteld te worden, in hoeverre realisaties in het verleden indicatief zijn voor budgetten van de toekomst. Deze vraag is in dit onderzoek niet geanalyseerd. Het gepresenteerde verdeelmodel zal in de toekomst met regelmaat herijkt moeten worden, om veranderingen in de empirische verbanden zo goed als mogelijk op de voet te volgen. Dit wordt ook bij het Gemeentefonds gedaan. Door de keuze het model sterk te vereenvoudigen en het ‘black box’-karakter te verwijderen, is periodieke herijking goed mogelijk. Ervaringen die met de budgettering worden opgedaan kunnen in dit proces worden meegenomen.

APE bv

14

15

3

Methode en data

In dit hoofdstuk zullen de methode van schatten, het verzamelen en actualiseren van de dataset, de redenen waarom een factor (niet) opgenomen is en de voorgestelde nieuwe factoren aan de orde komen.

3.1 Methode Voor de overgang van verklaringsmodel naar verdeelmodel is een zeer groot aantal modellen met elkaar vergeleken. Dit bleek nodig, omdat er niet één model bestaat dat gelijktijdig op alle criteria als beste scoort. Voor het vergelijken van de verschillende modellen zijn de eerder genoemde criteria als algemene uitgangspunten gehanteerd: 1.

Adequate beschrijving van de objectieve bijstandsnood;

2.

Transparant;

3.

Minimale herverdeeleffecten gegeven de objectieve factoren;

4.

Actueel;

5.

Betrouwbare, objectief beschikbare data;

6.

Voorspelbaar (relatief stabiel) budget;

7.

Bestendig voor herindelingen.

De criteria hebben consequenties voor de keuze van de specificatie (de schattingsmethode) en de selectie van objectieve factoren die in het model opgenomen worden. Het eerste criterium impliceert bijvoorbeeld het gebruik van ‘exogene’ variabelen, dat wil zeggen variabelen die niet zelf direct door de bijstandsuitgaven bepaald worden. Ook is, gegeven de verzameling potentieel relevante variabelen, de uiteindelijke selectie mede bepaald door dit criterium. Het tweede criterium impliceert dat verklarende variabelen, die onderling zeer sterk samenhangen en daardoor statistisch moeilijk van elkaar zijn te onderscheiden, bezwaarlijk tegelijkertijd in het model opgenomen kunnen worden (dit staat bekend als het probleem van multicollineariteit). Bij zulke variabelen kunnen schattingscoëfficiënten op het oog vreemde waarden aannemen, overigens zonder dat de herverdeeleffecten daar sterk door beïnvloed worden. Bij onderling samenhangende verklarende factoren is daarom de meest belangrijke geselecteerd voor opname in het model. In het algemeen leidt dit tot plausibele coëfficiënten (dat wil zeggen, coëfficiënten die een effect hebben dat qua richting verwacht mag worden), zonder dat er een groot verlies is aan verklaringsgraad.

3

Methode en data

16

Het derde criterium is onder meer van belang bij de afweging van de schattingstechniek en specificatie van het model. Een stelsel van dezelfde objectieve factoren kan op verschillende statistische wijzen worden gebruikt om de bijstandsnood te modelleren. In het onderzoek zijn enkele van de alternatieven geanalyseerd: van geavanceerde paneldata modellen, tot en met eenvoudige lineaire dwarsdoorsnede modellen. Daarbij is steeds met de methode van ‘gewone kleinste kwadraten’ geschat. Alternatieve schattingsmethoden (zoals minimaliseren van gemiddelde absolute afwijkingen, of schatten met behulp van ‘prior-informatie’ waarmee niet alleen de data van invloed zijn op de bepaling van de coëfficiënten, maar ook aanvullende inzichten), die voordelen kunnen hebben bij het bestrijden van specifieke problemen, brengen meestal andere nadelen met zich mee die zwaarder wegen. Zulke nadelen zijn bijvoorbeeld geringere transparantie of de introductie van een zekere mate van willekeur. Het vierde criterium is van belang bij de keuze van modellen met verschillende ‘geheugens’, bijvoorbeeld tussen het paneldata model (dat gegevens van vijf voorgaande jaren gebruikt) en dwarsdoorsnede modellen (die in dit opzicht slechts de meest actuele verbanden en data benutten). Ook is het van belang voor de opname van de variabelen: data, die slechts met grote vertraging beschikbaar zijn, kunnen daardoor worden uitgesloten. Ook het vijfde criterium is van invloed op de keuze van de variabelen. In verband met het zesde criterium is bezien of de verdeeleffecten een zekere mate van stabiliteit vertonen, en of hetzelfde geldt voor het model. Overigens laat deze analyse zich niet in eenduidige toetsen vertalen: het kan immers zijn dat er in objectieve omstandigheden binnen gemeenten veranderingen voordoen, die veranderende budgetten rechtvaardigen. Hetzelfde geldt voor veranderingen in beleid. Het laatste criterium speelt een rol bij de keuze van modellen (dwarsdoorsnede modellen hebben minder ‘last’ van gemeentelijke herindeling dan een paneldata model). Bij de beoordeling van een model is verder bezien, in hoeverre de opname van bepaalde variabelen in de specificatie (zoals een schaaleffect) dit criterium raken. Modelopzet: panel versus dwarsdoorsnede In eerder onderzoek is steeds gebruik gemaakt van een paneldata structuur (zie Appendix 2 voor specificatie). Omdat het model dat nu ontwikkeld is gemakkelijk te gebruiken moet zijn voor alle gemeenten (een toepasbaar verdeelmodel), is een afweging gemaakt tussen paneldata structuur en dwarsdoorsnede structuur. In een model dat gebaseerd is op paneldata worden niet alleen data voor een bepaald jaar van alle gemeenten gehanteerd, maar worden deze data voor verschillende jaren (vijf, in het onderhavige geval) in een model gecombineerd. Daarmee wordt de kans, dat het model

APE bv

16

3

Methode en data

17

toevallige omstandigheden voor een specifiek jaar overwaardeert, geringer. Bovendien is een groter aantal waarnemingen beschikbaar voor het schatten van de coëfficiënten van het model. Er zijn echter ook nadelen verbonden aan een paneldata model. Ten eerste komen veranderingen in gedrag van individuen of beleid van overheden (waardoor de aard van de samenhangen veranderen) langzamer tot recht in een model dat gebaseerd is op meerdere jaren. Een model, dat gebaseerd is op de meest recent beschikbare dwarsdoorsnede, sluit beter aan op de actualiteit. Een tweede, hieraan verwant specifiek probleem, is de wijze waarop grenscorrecties in het model worden verwerkt. Technisch gezien moeten data geconstrueerd worden zodat de herindeling met terugwerkende kracht wordt ingevoerd (budgettering van de bijstand vindt immers plaats richting de nieuwe heringedeelde gemeente; de data moeten voor alle jaren op deze heringedeelde gemeente betrekking hebben). Beleidsmatig is het discutabel om te belonen of straffen op grond van beleid dat niet noodzakelijk aan een gemeente die te maken heeft met grenscorrecties valt toe te schrijven. Een derde, eveneens gerelateerd probleem is dat mogelijk nieuwe variabelen beschikbaar komen, doch niet met terugwerkende kracht, hetgeen herijking van een panelmodel mede op basis van de nieuwe variabele pas vijf of meer jaar later mogelijk maakt (denk aan fase-indeling bijstandbestand). Ten vierde is een model dat met paneldata werkt technisch beduidend ingewikkelder dan een model dat uitsluitend gebaseerd is op een (zo recent mogelijke) dwarsdoorsnede. Het is daardoor moeilijker te communiceren naar de gebruikers. Indien een dwarsdoorsnede model voldoende statistische kwaliteit heeft ten opzichte van een paneldata model, dan is op grond van de hierboven genoemde overwegingen het dwarsdoorsnede model te verkiezen. Dit vraagstuk is onderzocht, door het paneldata model van het eerdere onderzoek te vergelijken met een qua modelspecificatie zo nauw mogelijke kopie op basis van dwarsdoorsnede (bepaalde technische termen die uitsluitend in de paneldata structuur passen, zijn daarbij geschrapt).21 De vraag naar statistische kwaliteit is behandeld door op drie dimensies het paneldata model te vergelijken met het dwarsdoorsnede model: 1.

De afwijkingen in de herverdeeleffecten tussen paneldata model en dwarsdoorsnede model;

2.

De veranderingen in de herverdeeleffecten jaar op jaar;

3.

De stabiliteit van de parameters in een opvolgende dwarsdoorsnede modellen.

21

Factoren die in het panelmodel opgenomen waren, maar niet meegenomen worden in het dwarsdoorsnede model zijn veelal variabelen die moeilijk te interpreteren zijn door een gemeente. Dit geldt met name voor de volgende factoren: afwijkingen van verschillende interactietermen, het logaritme van de bevolking in het kwadraat, de gemiddelde variabelen en de gemiddelde interactietermen.

APE bv

17

3

Methode en data

18

Ad 1. De verschillen in herverdeling op basis van het panelmodel en dwarsdoorsnede modellen zijn gemiddeld beperkt. De spreiding is bij de dwarsdoorsnede benadering groter, hetgeen vooral aan de kleinere gemeenten valt toe te schrijven. Het teken van de herverdeeleffecten is volgens beide benadering voor bijna alle gemeenten hetzelfde. Bij de belangrijkste uitzondering, een van de G-10 gemeenten, is het teken weliswaar veranderd, maar zijn de herverdeeleffecten in de dwarsdoorsnede benadering duidelijk kleiner. Ad 2. Herverdeling op basis van dwarsdoorsneden genereren sterkere jaarlijkse schommelingen dan herverdeling op basis van een panelmodel. Dit wordt in zeer sterke mate bepaald door de schommelingen bij kleinere gemeenten, waar toeval (mede in de vorm van meetfouten in het bronmateriaal) een grotere rol speelt. Daarbij moet worden opgemerkt, dat deze schommelingen ook in het panelmodel al groot zijn. Ad 3. Indien variabelen een trend hebben dan is een dwarsdoorsnede model meer gewenst, omdat dit model een trend beter kan vertalen in een verandering in herverdeeleffect. Dus als een coëfficiënt in een dwarsdoorsnede model een trend heeft in de tijd (ofwel niet stabiel is) betekent dit dat de dwarsdoorsnede benadering zelfs gewenst is. Het panelmodel schiet dan te kort omdat de coëfficiënt in dat geval een gemiddelde waarde aanneemt en daardoor de eerste en laatste jaren een groter herverdeeleffect geeft dan die bij een dwarsdoorsnede. Na zorgvuldige afweging van de statistische en beleidsmatige overwegingen is de overstap van een paneldata model naar een dwarsdoorsnede model verantwoord geacht. Derhalve is besloten het dwarsdoorsnede model verder te ontwikkelen en geschikt te maken voor de verdeelsystematiek. Modelopzet: keuze van vormgeving variabelen In het verklaringsmodel werden de meeste variabelen in logaritmische vorm opgenomen. Dit heeft als voordeel dat de berekende coëfficiënten geïnterpreteerd kunnen worden als een ‘elasticiteit’. Een elasticiteit geeft weer met hoeveel procent bijvoorbeeld de variabele ‘bijstand’ verandert door een procentuele verandering in één van de verklarende factoren, bijvoorbeeld de omvang van de bevolking. Elasticiteiten maken echter een direct inzicht in termen van guldens moeilijk; een procent voor een groot bijstandbudget is in guldens meer dan een procent van een klein bijstandsbudget. Transparantie richting gebruikers van het model betekent dat interpretatie van het model in termen van guldens grote waarde heeft. Om deze reden is onderzocht of het dwarsdoorsnede model ook in termen van niet getransformeerde, eenvoudig interpreteerbare variabelen gespecificeerd kan worden, zonder dat dit tot een onoverkomelijk verlies in verklaringskracht

APE bv

18

3

Methode en data

19

leidt. Zo een verlies zou immers tot ‘te grote’ herverdeeleffecten aanleiding geven, hetgeen strijdig is met het derde criterium. Voor de grote gemeenten blijkt het lineaire model beter te scoren dan het logaritmische. Voor de kleine gemeenten is dit andersom. Gemeenten met meer dan 50.000 inwoners keerden in 1998 74% van de bijstandsgelden uit. Dit afwegende is besloten om het lineaire model in het verdere onderzoekstraject uit te werken. Modelspecificatie: kleine versus grote gemeenten In eerdere fasen van het project waarvan dit onderzoek deel uitmaakt, is gebleken dat het voor kleine gemeenten beduidend moeilijker is een aanvaardbaar model voor het budgetteren van de bijstand te ontwikkelen, dan voor grote gemeenten. Daarvoor zijn verschillende redenen: 1.

Niet in het model opgenomen gemeentespecifieke objectieve factoren en overige toevalsfactoren heffen elkaar in kleine gemeenten gemiddeld niet op en zijn vaak relatief dominant in de verklaring van de bijstandsuitgaven. Tot de niet gemodelleerde gemeentespecifieke objectieve factoren worden lokale omstandigheden gerekend die weliswaar van invloed zijn op de gemeentelijke bijstandsuitgaven, maar die bij gebrek aan objectieve gegevens niet in het empirische model kunnen worden gespecificeerd. Veel genoemd is daarbij de aanwezigheid van een asielzoekerscentrum, een woonwagenkamp of een blijf-van-mijn-lijfhuis in kleine gemeenten. Dergelijke omissies in de modelspecificatie hebben voor de grote gemeenten minder gevolgen dan voor de kleine. Als de aanwezigheid van bijvoorbeeld de laatstgenoemde faciliteit structureel extra bijstandsuitgaven ter grootte van f 300.000 oplevert, dan betekent dit voor een gemiddelde gemeente in de grootteklasse 25.000 tot 50.000 inwoners een stijging van het uitgavenniveau met ruim 2%. In een gemiddelde gemeente in de grootteklasse 150.000 tot 250.000 inwoners daarentegen betekenen extra uitgaven ter hoogte van f 300.000 een stijging van niet meer dan 0,1%. De specificatiefout die het gevolg is van het ontbreken van bijvoorbeeld een indicator ‘blijf-vanmijn-lijfhuis’ heeft voor een relatief kleine gemeente dus aanzienlijk grotere gevolgen dan voor een grote gemeente;

2.

Meetfouten bij de variabelen. Vaak worden variabelen bij meting door het CBS op tientallen afgerond. Bij kleine gemeenten kan dit een grote procentuele afwijking opleveren. In kleine gemeenten is de statistische onzekerheid daardoor relatief groot.

Bij het eerdere onderzoek is gebleken dat de cesuur rond de 50.000 inwoners ligt. Een gelijk gespecificeerd model voor gemeenten tot 50.000 inwoners en gemeenten vanaf 50.000 inwoners levert statistisch significant verschillende coëfficiënten op (zie ook het hoofdstuk met de schattingsresultaten). Dit is aanleiding geweest om voor de twee grootteklassen separaat te schatten. Omdat echter vermeden dient te worden dat een gemeente, die van 49.000 inwoners

APE bv

19

3

Methode en data

20

marginaal groeit tot iets boven de 50.000, er plots een ander verdeelregime intreedt, met mogelijk ongunstige effecten22, is gekozen voor een overgangsfase. Concreet houdt dit in dat een model geschat is voor gemeenten tot 60.000 inwoners, en voor gemeenten vanaf 40.000 inwoners. Gemeenten in de overgangszone tussen 40.000 en 60.000 inwoners hebben te maken met beide schattingsmodellen, waarbij het gewicht van het model voor kleine gemeenten lineair afneemt van 1 tot 0 (en dat voor grote gemeenten toeneemt van 0 tot 1) naarmate de grens van 60.000 inwoners meer wordt genaderd. Deze aanpak is doorzichtig en doordat er een overgangsgebied is, veranderen de geschatte bijstandsuitgaven zeer geleidelijk. Het schatten in twee grootteklassen maakt herverdeling van de ene grootteklasse naar de andere per definitie onmogelijk. Angst (of deze gerechtvaardigd is of niet) dat kleine gemeenten ‘opdraaien’ voor bijstandsproblemen in de grote gemeenten kan hierdoor worden vermeden.23 Modelopzet: weging De basis voor het gehanteerde model is het verklaren van de bijstandsuitgaven per inwoner. Hier is voor gekozen, omdat een specificatie in termen van de bijstandsuitgaven zelf tot onbevredigende resultaten zou leiden. In dat geval is er een ‘puntenwolk’ bestaande uit een grote groep kleinere gemeenten, die gepaard gaat met een klein aantal punten die ver buiten deze wolk liggen voor de grote gemeenten. Regressie zou dan een lijn opleveren die in extreme mate door de uitschieters (met name Amsterdam) bepaald zou worden. De informatie in de andere gemeenten wordt dan nauwelijks benut. Omgekeerd heeft schatten in termen van bijstandsuitgaven per inwoner het gevolg, dat alle gemeenten ongeveer hetzelfde gewicht in de schattingen krijgen. Dit doet geen recht aan het grotere belang van grote gemeenten. Een fout van 1% in de bijstandsuitgaven per inwoner is voor Amsterdam ingrijpender dan een zelfde procentuele fout in Schiermonnikoog. Dit geldt temeer daar bekend is dat toevalsfactoren bij kleine gemeenten een sterkere rol spelen, zodat de statistische informatie van kleinere gemeenten minder betrouwbaar is. Om deze redenen is uiteindelijk gekozen voor een specificatie in termen van bijstandsuitgaven per inwoner, maar wordt bij het schatten een groter gewicht toegekend aan bijstandsuitgaven per inwoner van grote gemeenten. Er blijft uiteraard gelden dat storingen zowel bij grote als bij kleine gemeenten gemiddeld Dit hangt af van de specifieke waarden van de verklarende variabelen, er kan ook sprake zijn van een gunstig verdeeleffect. 23 Ter indicatie: bij 100% budgetteren is het gemiddelde herverdeeleffect voor alle gemeenten vrijwel gelijk aan nul. Het herverdeeleffect voor de totale groep kleine gemeenten is 0,1% positief, voor grote gemeenten 0,03% negatief. Bij 25% budgetteren resulteren voor beide groepen licht positieve totale herverdeeleffecten, doordat negatieve risico’s afgekapt zijn en voor rekening van het Rijk komen. Bij kleine gemeenten gaat het om 1% van het budget, bij grote gemeenten om een kwart procent. 22

APE bv

20

3

21

Methode en data

genomen vrijwel gelijk aan nul zijn. Conclusie Aldus is de methode gehanteerd dat het uitgebreide, technisch geavanceerde verklaringsmodel is vereenvoudigd tot een dwarsdoorsnede model in termen van niveaus. Dit model is vervolgens nader ontwikkeld, door te analyseren of bestaande variabelen op enigerlei wijze problematisch waren en aanvullende variabelen van belang zouden blijken. In het volgende onderdeel over de variabelen is uiteengezet op welke wijze deze analyse van variabelen geleid heeft tot een model, dat zo goed als mogelijk voldoet aan de eisen die aan een verdeelmodel gesteld worden.

3.2 Verzamelen en actualiseren van de dataset

In het onderzoek is in eerste instantie uitgegaan van de variabelen, die in het paneldata model waren opgenomen. Deze variabelen zijn geactualiseerd en met terugwerkende kracht tot 1994 heringedeeld op basis van de gemeentelijke indeling van 1999.24 Daarnaast is de dataverzameling aangevuld met aanvullende objectieve factoren die mogelijk een rol moeten spelen in het verdeelmodel. De afhankelijke variabele voor het basismodel is, zoals hiervoor reeds is aangegeven, de bijstandsuitgaven per inwoner tussen de 20 en 64 jaar. De bijstandsuitgaven zijn uitgedrukt in duizenden guldens en de informatie is geleverd door het ministerie van SZW. De verklarende variabelen die in het model gebruikt zijn (of uitgeprobeerd zijn), zijn zoveel als mogelijk gedefinieerd in percentages. Naast het basismodel zijn ook modellen geconstrueerd (met in principe dezelfde verklarende variabelen) voor ruimer gedefinieerde bijstandsuitgaven per inwoner, namelijk: •

De bijstandsuitgaven per inwoner vanaf 20 jaar inclusief inwoners vanaf 65 jaar, en

•

De totale bijstandsuitgaven, ofwel de som van de bijstandsuitgaven per inwoner vanaf 20 jaar, uitkeringen aan mensen in een inrichting, uitkeringen aan zelfstandigen, de Ioaw en de Ioaz.

De objectieve factoren die gebruikt zijn in het model zijn afkomstig van het Centraal Bureau voor de Statistiek (CBS), het ministerie van Volkshuisvesting, Ruimtelijke Ordening en Milieubeheer (VROM) en het Landelijk Instituut Sociale Verzekeringen (LISV).

24

Zoals in paragraaf 3.1 gemeld is, is uiteindelijk een dwarsdoorsnede model geconstrueerd. Indien op enig moment toch weer teruggevallen zou worden op de paneldata methode, dan is een speciaal geschreven programma beschikbaar dat herindelingen met terugwerkende kracht kan simuleren.

APE bv

21

3

22

Methode en data

Voor de precieze definities van de variabelen en hun bronnen verwijzen wij naar Appendix 1. De objectieve factoren kunnen verdeeld worden in verschillende groepen kenmerken. Allereerst staan de demografische kenmerken beschreven. Vervolgens worden inkomenskenmerken, centrumfunctiekenmerken en regionale effecten, en arbeidsmarktkenmerken genoemd.

3.2.1

Demografische kenmerken

3.2.1.1 Etniciteit Het verklaringsmodel bevatte niet-Nederlanders als variabele. Deze factor werd onder meer vanuit de Tweede Kamer en in regionaal overleg met de Vereniging Nederlandse Gemeenten als onbevredigend ervaren. In het bijzonder is gewezen op de effecten van de nieuwe Vreemdelingenwet. Om die reden is gezocht naar een meer passende maat voor de effecten van (de instroom van) allochtonen op de bijstandsnood. Een extra reden is dat het verdeelmodel rekening moet houden met bijstandsuitgaven voortvloeiend uit de categorie mensen met een onvolledige Aow. Het betreft hier vooral oudere allochtonen die onvoldoende Aow-recht hebben opgebouwd. Ook hiervoor is ‘niet-Nederlander’ een te ruwe indicatie. De effecten van de nieuwe Vreemdelingenwet wordt eigenlijk het beste ondervangen door data over statushouders, maar het is niet mogelijk om deze data te krijgen. Op basis van het vijfde criterium is deze variabele derhalve niet opgenomen. Over de VVTV-ers zijn wel gegevens beschikbaar. VVTV-ers zijn asielzoekers die een voorwaardelijke vergunning tot verblijf krijgen omdat ze niet in aanmerking komen voor een Astatus en vergunning tot verblijf, maar niet teruggestuurd kunnen worden naar het land van herkomst. Omdat in de toekomst alle statushouders onder één groep vallen, is besloten om deze variabele niet op te nemen. Statistische informatie die wel beschikbaar en in principe bruikbaar is als alternatief voor ‘nietNederlanders’ valt te vinden in de data over allochtonen van de 1ste en 2de generatie (waarbij een persoon tot de allochtonen gerekend wordt als tenminste één ouder in het buitenland is geboren).25 Beide generaties zijn opgenomen geweest in het model, maar geen van de generaties is in het model gebleven. De reden is dat de coëfficiënten van de 1ste en 2de generatie niet plausibel zijn: meer allochtonen zouden een lager budget per inwoner genereren.26 Het tweede criterium, Voor een meer uitgebreide definitie van allochtonen 1ste en 2de generatie verwijzen we naar Appendix 1. 26 Een verklaring kan zijn dat een reeds aanwezige variabele, het percentage lage inkomens, het effect van allochtonen reeds incorporeert. Wegens onderlinge samenhang kunnen dit soort implausibele effecten ontstaan. 25

APE bv

22

3

Methode en data

23

transparantie, wordt daardoor geschaad. Overigens is het aantal allochtonen van de 2de generatie dat tenminste 20 jaar oud is relatief klein. Dit leidt tot een weinig betrouwbaar te meten effect. In het model voor bijstandsuitgaven voor de bevolking boven de twintig jaar (inclusief bijstandgerechtigde ouderen) is bij de betreffende verklarende variabele allochtonen van de 1ste generatie ook de groep ouder dan 65 jaar meegenomen. Het effect ervan is wisselend in de grotere en de kleinere gemeenten. Vanwege dit onduidelijke effect is deze factor niet opgenomen in het model voor als de bijstandsuitgaven voor inwoners boven de twintig. Ook is in dit model gekeken naar de invloed van alleen de factor allochtonen boven de 65 jaar. In het model voor bijstand in ruime zin zou verwacht worden dat er een positief verband was met de bijstandsuitgaven per inwoner. Deze variabele had echter niet het verwachte positieve effect en was bovendien nauwelijks van invloed op de voorspelling. Derhalve is ook deze variabele niet opgenomen in het uiteindelijk geformuleerde model.

3.2.1.2 Echtscheidingen, eenouderhuishoudens en mortaliteit Echtscheidingen Echtscheidingen leiden vaak tot een beroep op de bijstand. Om deze reden is de factor nieuw gescheiden vrouwen in het eerdere paneldata model gehanteerd als relevante variabele voor de verklaring van de bijstand. Het percentage nieuw gescheiden vrouwen is het totaal aantal vrouwelijke inwoners dat dit jaar van echt scheidde als percentage van de bevolking tussen de 15 en 64 jaar. Opname van deze variabele in het model geeft weliswaar het verwachte positieve effect, maar leidt tot minder plausibele effecten van andere variabelen. Dit valt toe te schrijven aan een hoge correlatie met de in het model nieuw opgenomen factor eenouderhuishoudens, die van groter belang blijkt voor de verklaringsgraad en de herverdeeleffecten. Vanwege dit zwaardere effect is gekozen voor de factor eenouderhuishoudens om in het model op te nemen (zie onder). Vanwege de samenhang mag worden aangenomen dat ze het effect van nieuw gescheiden vrouwen goeddeels incorporeert. Alleenstaanden en eenouderhuishoudens Het aantal alleenstaanden en eenouderhuishoudens is in het model geanalyseerd, omdat de vaste kamercommissie van SZW in het algemeen overleg over FWI deze factor zeer relevant achtte. Er wordt een positief verband verwacht tussen de mate waarin de bevolking uit alleenstaanden bestaat, en de bijstandsnood. De Gemeentelijke Basisadministratie levert informatie over gezinnen maar slechts ten dele informatie over huishoudens. Met name de

APE bv

23

3

Methode en data

24

informatie over het daadwerkelijke aantal alleenstaanden ontbreekt. Om toch een idee van het aantal alleenstaanden en het aantal eenouderhuishoudens per gemeente te krijgen, is een schatting gemaakt van dit aantal met gebruikmaking van informatie uit de jaarlijkse huishoudenstatistiek. De cijfers die gebruikt zijn bij het onderzoek zijn de aantallen gedeeld door de inwoners tussen de 15 en 64 jaar. De factor alleenstaanden blijkt in het model statistisch gezien een negatief effect te hebben op de bijstandsuitgaven per inwoner, zowel bij kleine als bij grote gemeenten. Dit is weinig plausibel. Om deze reden is deze variabele niet opgenomen in het model. Daartegenover staat de opname van de factor eenouderhuishoudens in het model. De invloed van deze factor is plausibel (positief), statistisch significant, en heeft duidelijk matigende invloed op de herverdeeleffecten. Gemiddelde woningbezetting Een andere factor die wat zegt over het aantal alleenwonende alleenstaanden is de gemiddelde woningbezetting. Deze is eveneens naar voren gekomen in het algemeen overleg over FWI. Indien eveneens de factor alleenstaanden opgenomen zou zijn, zou gelijktijdige opname van de gemiddelde woningbezetting door de sterke onderlinge correlatie een vertroebelend statistisch effect hebben. Het blijkt echter dat opname van de gemiddelde woningbezetting tot plausibeler resultaten leidt (lage woningbezetting leidt tot hogere bijstandsuitgaven per inwoner) dan opname van alleenstaanden, zij het dat dit alleen bij de groep kleine gemeenten het geval is. Ook de herverdeeleffecten worden hierdoor enigszins gematigd. Om deze redenen is de variabele opgenomen in het model voor kleine gemeenten. Gezondheid Gezondheidsproblemen kunnen de achtergrond vormen voor een beroep op de bijstand. Een objectieve en beschikbare maat voor gezondheid in gemeenten is niet direct voorhanden. De gegevens uit de gezondheidsenquête zijn gebaseerd op een steekproef van 4000 personen. Er is derhalve geen betrouwbaar beeld op gemeenteniveau beschikbaar. Er is wel een indirecte maatstaf, relatieve mortaliteit (de mortaliteit per gemeente ten opzichte van heel Nederland). Deze variabele bleek een tegenstrijdig effect voor kleine en grote gemeenten te hebben, in plaats van een significant positief effect. Derhalve is de relatieve mortaliteit niet opgenomen in het uiteindelijke model. Sociale huurwoningen In het verklaringsmodel speelde het percentage huurwoningen een rol. Een betere indicatie van de sociale structuur van een gemeente wordt gegeven door het percentage sociale huurwoningen. De twee variabelen zijn met elkaar vergeleken en beoordeeld op hun bijdrage aan plausibiliteit en verdeeleffecten. Het percentage sociale huurwoningen en het percentage huurwoningen hebben bij kleine gemeenten een vergelijkbaar statistisch effect. Omdat het APE bv

24

3

Methode en data

25

percentage sociale huurwoningen een sterker verband zal hebben met de sociale structuur van gemeenten en om die reden een plausibeler belang toegedicht wordt, is er voor gekozen deze variabele op te nemen in plaats van het percentage huurwoningen. Het is vervolgens gebleken dat deze variabele bij kleine gemeenten wel een relevant effect in de verwachte richting heeft, maar bij grote gemeenten niet. Om deze reden is de variabele alleen bij kleine gemeenten opgenomen. Daklozen, psychiatrische patiënten, kunstenaars en maatschappelijke opvang De vaste kamercommissie SZW hecht er belang aan dat de betekenis van het aantal daklozen, psychiatrische patiënten en kunstenaars in het model opgenomen wordt. Op het moment van het schrijven van dit rapport is er echter geen zekerheid of de basisinformatie vrijgegeven zal worden voor het actualiseren van het model en of het materiaal aan de betrouwbaarheidseisen voor een operationeel verdeelmodel voldoet. Op basis van het vijfde criterium, beschikbaarheid van betrouwbare informatie voor alle gemeenten, kunnen de betreffende factoren dus niet in het model worden opgenomen. Het is mogelijk dat in de toekomst bezien wordt of over de zeer gevoelige factor maatschappelijke opvang betrouwbare gegevens beschikbaar gesteld kunnen worden voor het actualiseren van het model. Jongeren Waarom er voor bepaalde groepen jongeren een positief of negatief verband met de bijstand moet zijn, is niet direct evident. In het verklaringsmodel bleek echter dat de leeftijdsopbouw van de bevolking een factor was die de bijstandsnood mede kon verklaren. In het verdeelmodel dat gebaseerd is op een dwarsdoorsnede schatting is dit minder pregnant het geval. De leeftijdsopbouw wordt gerepresenteerd door het percentage 15 tot en met 19 jarigen en het percentage 25 tot en met 29 jarigen. Een stijging van het aantal jongeren in de leeftijdsklasse 15 – 19 jaar gaat in grote gemeenten gepaard met een daling van de bijstandsuitgaven per inwoner. Dit wordt, mede op basis van het feit dat deze categorie niet in aanmerking komt voor de bijstand, plausibel geacht. Voor kleine gemeenten werd een licht positief verband tussen het percentage jongeren in deze categorie en de bijstandsuitgaven per inwoner gevonden. Dit wordt niet plausibel geacht en is om die reden geen factor in het verdeelmodel. De reden waarom in dit geval een variabele, die bij kleine en grote gemeenten een tegengesteld effect heeft, niet is komen te vervallen in beide gemeenten, is dat ze een duidelijk dempende invloed heeft op de verdeeleffecten bij grote gemeenten. De andere leeftijdsvariabele is in het eerdere onderzoek ten behoeve van het verklaringsmodel gespecificeerd om de bijzondere positie van studentensteden te modelleren. Studentensteden hebben een relatief hoog percentage inwoners in de leeftijdsklasse 25 – 29 jaar. Deze groep heeft APE bv

25

3

Methode en data

26

in het algemeen de studie afgerond maar nog niet altijd werk gevonden (of rond de studie af met een bijstandsuitkering in plaats van een beurs). Een hoger percentage 25 tot 29 jarigen leidt tot hogere bijstandsuitgaven in kleine en (in sterkere mate) grote gemeenten.

3.2.2

Inkomenskenmerken

Een kernvariabele in het model betreft het percentage lage inkomens. Dit is het percentage personen met een inkomen tussen de 12.900 en 25.500 gulden (de decielen 2 - 4 van de landelijke inkomensverdeling). De factor lage inkomens blijkt een grote invloed te hebben op de bijstandsuitgaven per inwoner. Dat is al de ervaring van eerder onderzoek en wordt in dit onderzoek nog eens bevestigd. Hoe hoger het percentage lage inkomens, des te meer bijstandsuitgaven per inwoner in een gemeente.27 De variabele heeft een duidelijke invloed op het matigen van de herverdeeleffecten. Het percentage zelfstandigen was een factor in het verklaringsmodel van het eerdere onderzoek. Het is niet bij voorbaat evident wat voor een effect bij deze variabele verwacht zou moeten worden. Er werd een negatief verband verwacht omdat zelfstandigen minder snel dan werknemers een beroep zouden doen op de bijstand (overigens werd in het verklaringsmodel nog geen rekening gehouden met de Ioaz). De factor blijkt in het dwarsdoorsnede model een van teken wisselend en statistisch niet significant effect in kleine en grote gemeenten te hebben en draagt niet duidelijk bij aan de verklaring van de bijstandsnood. Om deze redenen is het percentage zelfstandigen niet opgenomen in het verdeelmodel.

3.2.3

Centrumfunctiekenmerken, stedelijkheid en regionale effecten

Klantenpotentieel Het klantenpotentieel is het aantal klanten dat een woonkern aantrekt uit alle kernen binnen een straal van zestig kilometer. Deze variabele speelt een rol in het Gemeentefonds en was opgenomen in het verklaringsmodel. Gemeenten met een groot klantenpotentieel wordt een centrumfunctie toegedicht, die ook van invloed zou zijn op het aantrekken van kwetsbare groepen en derhalve positief zou bijdragen aan de bijstandsnood. Het klantenpotentieel is uitgebreid onderzocht, onder meer om het samenspel met de factor ‘bevolking’, die eveneens in het model zit, te bezien. Uiteindelijk is het klantenpotentieel niet opgenomen in het verdeelmodel. De variabele heeft een sterke correlatie met de bevolking (de correlatiecoëfficiënt 27

Overigens moet vermeld worden dat deze variabele zelf mede afhangt van het beroep op de bijstand en dus met een zekere beperking voldoet aan de eisen, die aan het verdeelmodel worden gesteld. Statistisch valt dit te onderzoeken door een toets uit te voeren op ‘exogeniteit’. Dit is onderzocht in het rapport ‘Berekende bijstand in model’ (1998). Op grond van de statistische overwegingen is besloten de betreffende variabele als exogeen te kenmerken en in het model te handhaven.

APE bv

26

3

Methode en data

27

is 0,98; zie de correlatiematrix in Appendix 1). Daarnaast is de definitie van klantenpotentieel minder transparant, en meer voor discussie vatbaar, dan de variabele bevolking.28 Hoewel het statistische effect van opname van de variabelen klantenpotentieel dan wel bevolking niet sterk uiteenloopt, zijn de grotere objectiviteit van de variabele bevolking en de iets gematigder verdeeleffecten daarvan de redenen om deze variabele op te nemen, ten koste van klantenpotentieel. Omgevingsadressendichtheid De omgevingsadressendichtheid is eveneens uitvoerig onderzocht. Ze beoogt de mate van concentratie van menselijke activiteiten (wonen, werken, schoolgaan, winkelen, uitgaan, etc.) weer te geven. Deze maatstaf vormt de basis voor de indeling van gemeenten naar stedelijkheid. De gedachte is dat een grotere mate van stedelijkheid ook tot grotere bijstandsdruk zou leiden. Deze factor is op drie verschillende manieren opgenomen geweest in het model. Eerst als ruwe factor, daarna als factor met de klassenindeling en tot slot als factor met klassenindeling als dummy. De als ruwe factor opgenomen in het model heeft niet het verwachte positief significante effect. Dezelfde factor ingedeeld in klassen heeft in het model zelfs niet het verwachte teken. De factor als dummy heeft wel het verwachte teken, maar omdat de dummy sterke correlatie vertoont met onder andere eenouderhuishoudens en daardoor het zicht op het effect van deze van groter belang zijnde variabele vertroebelt, is besloten om de dummy buiten het model te houden. Gemiddelde WOZ De gemiddelde WOZ staat voor de gemiddelde taxatiewaarde per gemeente. Ook deze factor is van buiten gesuggereerd als van belang zijnde ter verklaring van de bijstandsdruk: gemeenten met een hoge gemiddeld WOZ zouden tevens welvarende gemeenten zijn met weinig bijstandsnood. Daar tegenover staat dat de taxatiewaarde in de Randstad, en in grote steden als Amsterdam, wellicht weer relatief hoog is, zodat er enige twijfel bestaat over het te verwachten effect. Deze factor is uiteindelijk niet opgenomen in het verdeelmodel, omdat deze in de geschatte modellen een wisselend en daarmee vaak moeilijk interpreteerbaar effect had. Ook zorgde deze factor ervoor dat de herverdeeleffecten groter waren dan gewenst. De betrouwbaarheid van deze variabele is ook niet boven twijfel verheven, omdat ze niet jaarlijks opnieuw gemeten wordt. Er vindt slechts één keer in de vijf jaar een nieuwe waardering van onroerend goed plaats. De beschikbare gegevens hebben betrekking op 1999, deze gegevens zijn gebruikt voor

28

In een van de gesprekken met gemeenten kwam naar voren dat klantenpotentieel zelfs als onrechtvaardige verdeelfactor wordt beschouwd.

APE bv

27

3

Methode en data

28

1998. De resulterende meetfout is waarschijnlijk kleiner dan de meetfout die ontstaat door de onregelmatige periodieke herijking van de WOZ. Aantrekkingskracht grote steden Vanuit de vier grote steden is aangegeven dat ze een bijzondere bijstandslast dragen door de aantrekkingskracht op nieuwkomers. Empirisch blijkt echter niet dat de G-4 gebukt gaan onder onverklaarbaar grote verdeeleffecten, indien de verdeeleffecten voor 1998 gesimuleerd worden.29 Blijkbaar zijn er termen in het model, zoals lage inkomens, sociale huurwoningen, werkloosheid en eenouderhuishoudens, die de problematiek van grote steden al voldoende ondervangen. Bovendien bevat het model een schaalfactor, namelijk de bevolking, die ervoor zorgt dat grotere gemeenten een iets hoger bedrag per inwoner krijgen ter compensatie van de bijstandsdruk. Ook andere specifiek regionale factoren kunnen een rol spelen, zoals ligging in een bepaald deel van het land, nabij een grens of rivier, in een sterke of zwakke regio etc.. Deze factoren zijn niet als variabele (‘dummy’, in het jargon) opgenomen, omdat regionale verschillen geen objectieve factor worden geacht voor de bepaling van het budget. Er zullen bij een statistisch verdeelmodel altijd verschillen tussen bepaalde groepen gemeenten bestaan, bijvoorbeeld een groep nabijgelegen gemeenten die beneden het gemiddelde ‘scoort’, of een provincie die beneden het gemiddelde scoort. Voor zulke gemeenten ligt het dan voor de hand om specifieke, niet in het model opgenomen regionale factoren als verklaring te zoeken, en er zullen altijd zulke verklaringen aangevoerd kunnen worden. Wij achten het niet zinvol om dit in een model op te nemen, omdat daarmee vervolgens weer een andere groep geografisch verwante gemeenten geconstrueerd kan worden waarvoor wederom geldt dat deze beneden het gemiddelde scoort. Overigens is wel onderzocht of de provinciale verschillen in verdeeleffecten groot zijn, waarbij geconcludeerd werd dat provinciale verschillen statistisch gezien onvoldoende reden waren om daarmee in het model rekening te houden.

3.2.4

Arbeidsmarktkenmerken

Gemeentelijke werkgelegenheid Deze variabele meet het totaal aantal banen van werknemers per gemeente. De gegevens zijn afkomstig uit de Enquête Werkgelegenheid en Lonen. Dit is een grootschalige enquête onder bedrijven naar arbeid en beloning van werknemers. Het CBS heeft in 1999 de beheerders van het gemeentefonds geadviseerd deze variabele niet op Hierbij moet in acht genomen worden dat bij feitelijke implementatie gebudgetteerd wordt voor een later jaar op basis van een zo recent mogelijke verzameling van gegevens over gemeenten. 29

APE bv

28

3

Methode en data

29

te nemen als factor bij de berekeningen voor de uitkeringen uit het Gemeentefonds. De reden voor dit negatieve advies is dat de uitkomsten op gemeenteniveau, en dan met name voor de kleinere gemeenten, een relatief grote onnauwkeurigheid hebben. Gezien het advies van het CBS en door de slechte resultaten van deze factor in de modelanalyse (criteria 1, 2 en 5) is besloten deze factor niet op te nemen. Regionale werkgelegenheid De werkgelegenheidsindicator die in principe wel geschikt geacht wordt voor gebruik in een verdeelmodel is het aantal banen per RBA uit de Enquête Werkgelegenheid en Lonen. Op dat regionale niveau zijn de data zeer robuust. De variabele regionale werkgelegenheid is uiteindelijk niet opgenomen in het model, omdat deze niet het verwachte negatieve effect had (aannemelijk zou zijn dat een sterke arbeidsmarkt in de omgeving tot een mindere bijstandsdruk zou leiden). De factor handel en horeca, die uit hetzelfde databestand ontleend wordt, was eerder in het verklaringsmodel opgenomen, met als reden dat de betreffende sector een goede indicatie geeft van de toegankelijkheid tot de arbeidsmarkt. De sector biedt een laagdrempelige uitweg uit de bijstand en zou derhalve een negatief effect op de bijstandsdruk hebben. Dit blijkt ook in het uiteindelijke verdeelmodel het geval te zijn, waarbij de factor bijdraagt aan het matigen van de verdeeleffecten. Derhalve is hij in het model gehandhaafd. Omdat in eerder onderzoek is gebleken dat opname van andere bedrijfstakken geen bijdrage in nadere verklaring van het beroep op de bijstand oplevert, is de sector handel en horeca de enige specifieke bedrijfstak die is opgenomen. In een dwarsdoorsnede model is overigens op grond van een veel geringer aantal waarnemingen de mogelijkheid om de arbeidsmarkt in detail te specificeren niet aanwezig. Werkloosheid en duur Het werkloosheidspercentage heeft naar verwachting een sterke samenhang met de bijstandsnood in een gemeente. Op grond van de beschikbaarheid van gegevens is het werkloosheidspercentage op RBA-niveau het uitgangspunt voor de analyse. Dit is opgenomen in het uiteindelijke verdeelmodel omdat het, net als in eerder onderzoek, inderdaad de verwachte grote (positieve) invloed heeft op de bijstandsuitgaven per inwoner. De geregistreerde werkloosheid naar duur van inschrijving per RBA geeft aan hoe structureel arbeidsmarktproblemen op lokaal niveau zijn. De duur van de werkloosheid is niet bekend voor de werkloze beroepsbevolking, maar er zijn wel cijfers voor de geregistreerde werklozen. Deze aantallen geregistreerde werklozen zijn uitgesplitst naar duur van inschrijving bij het arbeidsbureau. Toch zijn er een paar dataproblemen. Als eerste kennen de aantallen

APE bv

29

3

geregistreerde

30

Methode en data

werklozen

per

RBA

een

relatief

grote

onnauwkeurigheid

door

het

steekproefkarakter van het onderzoek. De nauwkeurigheidsmarge bedraagt ongeveer 10 procent. Om deze reden publiceert het CBS de aantallen afgerond op duizendtallen. In cellen met minder dan 2000 geregistreerde werklozen worden de aantallen niet gepubliceerd omdat de gegevens daar onvoldoende betrouwbaar worden geacht. In dit onderzoek zijn de ontbrekende waarden derhalve noodgedwongen op nul gesteld. De data zijn geschaald door te delen door de totale bevolking tussen de 15 en 64 jaar om consistentie te krijgen met de overige variabelen. Per saldo blijkt de resulterende factor geen invloed te hebben op de bijstandsuitgaven per inwoner. Daarom is besloten om deze factor niet op te nemen in het uiteindelijke model: aan criteria 1, 3 en 5 is niet voldaan. In het algemeen overleg FWI kwam naar voren dat men graag het aantal bijstandsgerechtigden naar bijstandsduur als objectieve factor zag. Deze factor voldoet niet aan het criterium dat hij onafhankelijk dient te zijn van het lokale bijstandsbeleid. Desondanks is overwogen om, ter overweging, deze variabele toch in een modelvariant op te nemen. Het probleem met deze factor is dat de gemeenten toestemming moeten geven, omdat het CBS geheimhouding heeft beloofd aan de gemeenten. Deze toestemming moest voor 1 september 2000 gegeven worden, maar was niet op tijd. Ook hierom wordt de betreffende factor vooralsnog niet opgenomen. Ook de instroom in de bijstand werd als factor genoemd. Wederom valt op grond van het criterium dat deze factor mede door lokaal gevoerd (poortwachters)beleid te beïnvloeden, is te beargumenteren dat hij niet in een objectief verdeelmodel thuis hoort. Bij actualisatie van het model zouden deze factoren wel opgenomen kunnen worden, mits alle gemeenten toestemming aan het CBS geven om de cijfers vrij te geven voor het specificeren van het verdeelmodel, en mits de beleidsmakers menen dat de factoren voldoende onafhankelijk zijn van gevoerd beleid om te kwalificeren als objectieve factor. Het aandeel uitkeringsgerechtigden zonder arbeidsplicht boven de 57½ jaar is geprobeerd bij de actualisatie van het model en had niet het verwachte positieve effect. De variabele is derhalve niet opgenomen. De ‘concurrentie’ van de bijstand met andere uitkeringssituaties is ondervangen door het opnemen van het percentage arbeidsongeschikten. Bij kleine gemeenten speelt deze variabele geen rol van betekenis. Bij grote gemeenten is er echter een duidelijk negatief effect meetbaar: meer arbeidsongeschiktheid leidt tot lagere bijstandsdruk. Blijkbaar is er tot op zekere hoogte sprake van communicerende vaten, en bevat de WAO groepen uitkeringsgerechtigden die zonder het bestaan van de WAO snel in de bijstand zouden komen.

APE bv

30

3

Methode en data

31

Deeltijdwerk Het percentage parttimers in de werkgelegenheid is een belangrijke indicatie van de toegankelijkheid van de arbeidsmarkt. Twee deelgroepen parttimers zijn uitgeprobeerd: 12 tot 19 uur en 20 tot 34 uur. De laatste groep had geen duidelijke invloed op de bijstandsdruk en is derhalve niet opgenomen. De eerste groep blijkt wel een significant effect te hebben, waarbij echter een groter aandeel mensen met kleine deeltijdbanen gepaard gaat met een hogere bijstandsdruk. Dit valt slechts te verklaren, indien het personen betreft die ook (een gedeelte van het jaar) in een bijstandssituatie verkeren. Omdat de variabele een duidelijke bijdrage levert aan het matigen van de verdeeleffecten, en omdat de verklaring van de richting van het gevonden effect niet te gezocht is, is besloten om deze variabele in het model op te nemen.30 Opleiding Een andere nieuwe objectieve factor die een rol kan spelen bij het beïnvloeden van de bijstandsuitgaven per inwoner is de factor lage opleidingen. De lage opleidingen zijn in vier groepen onderverdeeld, namelijk (1) basisonderwijs, (2) MAVO en VBO, (3) VBO en basisonderwijs en (4) VBO. Alle vier de groepen zijn uitgeprobeerd in het model, zowel afzonderlijk als in onderlinge combinaties. Het te verwachten effect van de factor zou zijn dat de bijstandsuitgaven per inwoner zouden stijgen als een inwoner een lage opleiding zou hebben. Dit effect is bij het schatten niet naar voren gekomen. Om deze reden zijn de lage opleidingen niet opgenomen in het verdeelmodel. Arbeidsongeschikten In het verleden zijn veel werknemers met een kwetsbare arbeidsmarktpositie in de arbeidsongeschiktheidsregelingen terechtgekomen. Een groot deel daarvan heeft de leeftijd van 65 jaar in 1998 nog niet bereikt. Vanwege hun arbeidsongeschiktheidsstatus worden deze mensen niet langer tot de beroepsbevolking gerekend. Zij zijn dus gevrijwaard van het werkloosheidsrisico en doen geen beroep op de bijstand. Wanneer veel inactieven een arbeidsongeschiktheidsuitkering ontvangen kan om deze reden het beroep op de bijstand lager zijn (arbeidsongeschiktheid als substituut voor bijstandsgerechtigd). Deze verwachting werd bevestigd in dit onderzoek voor de grotere gemeenten. Bij kleine gemeenten blijkt er geen duidelijk effect van arbeidsongeschiktheid op de bijstandsnood te zijn. WW-ers met een maximale duur De kans is groot dat werklozen die hun WW-uitkering verliezen omdat de maximale wettelijke uitkeringstermijn is verstreken, zich wenden tot de sociale dienst met het verzoek om een uitkering krachtens de Abw. De verwachting is dan ook dat een hoger aantal WW30

In de gesprekken die met gemeenten zijn gevoerd, werd door een gesprekspartner aangegeven dat sommige mensen met deeltijdwerk net te weinig verdienen en daardoor in aanmerking komen voor

APE bv

31

3

Methode en data

32

beëindigingen van dit type leidt tot een hogere bijstandsuitgaven. De resultaten van de analyse bevestigen deze verwachting in beide gemeentegrootte.

3.3 Besluit

Na overweging van de verschillende criteria, die voor een verdeelmodel relevant zijn, is besloten om het geavanceerde maar complexe verklaringsmodel sterk te vereenvoudigen. Het resultaat is een transparant, lineair model dat geschat is op basis van de meest recente dwarsdoorsnede van data. In dit hoofdstuk zijn onder andere de objectieve factoren besproken die gesuggereerd zijn door onder meer de vaste commissie van SZW en de VNG. Uit dit hoofdstuk komt naar voren dat bepaalde nieuwe objectieve factoren niet gebruikt kunnen worden in het model dat nu op tafel ligt. De redenen variëren van het hebben van een onbeduidend effect, een implausibel effect, een tegenstrijdig effect bij kleine en grote gemeenten, tot het niet beschikbaar zijn van betrouwbare data. De extra factoren die gesuggereerd zijn en wel opgenomen zijn in het model, zijn eenouderhuishoudens, gemiddelde woningbezetting, percentage deeltijdwerkers en percentage sociale huurwoningen.

aanvullende bijstand.

APE bv

32

33

4

Schattingsresultaten en herverdeeleffecten

In paragraaf 4.1 worden de schattingsresultaten en herverdeeleffecten van de bijstandsuitgaven tot 65 besproken, in paragraaf 4.2 de uitkomsten van de schattingsresultaten en herverdeeleffecten van de bijstandsuitgaven vanaf 20 jaar, in paragraaf 4.3 worden de schattingsresultaten en herverdeeleffecten van de totale bijstandsuitgaven tot 65 jaar besproken. Tot slot staan in paragraaf 4.4 de resultaten voor de totale bijstandsuitgaven voor inwoners vanaf 20 jaar.

4.1 Bijstandsuitgaven tot 65 jaar In deze paragraaf komen de schattingsresultaten van de bijstandsuitgaven tot 65 jaar aan de orde voor gemeenten tot 60.000 inwoners en voor gemeenten vanaf 40.000 inwoners. In Tabel 4/1 worden de geschatte coëfficiënten gepresenteerd voor gemeenten tot 60.000 inwoners en voor gemeenten vanaf 40.000 inwoners. Zoals hiervoor reeds is aangegeven is er gekozen voor een overlap voor gemeenten met inwoners tussen de 40.000 en 60.000 om veranderingen van herverdeeleffecten bij groei van de gemeenten of bij een herindeling te minimaliseren. In de tabel staan voor beide modellen de geschatte coëfficiënten. Tabel 4/1

Schattingen bijstandsuitgaven per inwoner van 20-64 jaar. Schattingen voor gemeenten tot 60.000 inwoners en vanaf 40.000 inwoners voor het jaar 1998

Variabelen Constante Bevolking Percentage sociale huurwoningen Percentage lage inkomens Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBA-werkloosheidspercentage Percentage parttimers 12 – 19 uur per week op RBA-niveau Werkgelegenheid in handel en horeca op RBA-niveau Percentage eenouderhuishoudens tussen 20 en 64 jaar Gemiddelde woningbezetting Percentage arbeidsongeschikten Percentage WW-ers met maximale duur

Tot 60.000 inwoners Coëfficiënten -744.42 0.0020 4.56 17.71

Vanaf 40.000 inwoners Coëfficiënten -2483.74 0.0006

23.63 8.06 31.39

83.82 -66.00 44.73 41.58 47.35

-24.90

-25.89

236.52

223.22

-85.25 244.23

-44.59 424.10

4

Schattingsresultaten en herverdeeleffecten

34

De modellen voor kleine en grote gemeenten laten zich relatief goed interpreteren. Een aantal toelichtende opmerkingen is bedoeld voor nadere duiding van de modellen. Bij de formulering van het model is geprobeerd om voor de twee groepen gemeenten zo veel als mogelijk dezelfde factoren mee te laten spelen. Dit is niet volledig gelukt: het blijkt dat kleine gemeenten en grote gemeenten met enkele specifieke verklarende factoren te maken hebben. Indien deze factoren meegenomen worden in de specificatie voor de andere groep gemeenten, leidt dat tot een slechtere interpretatie van de overige coëfficiënten, zonder een duidelijk betere verklaringskracht te genereren. Voor de kleine gemeenten is de verklaringskracht minder goed dan voor de grote gemeenten. Dit zal hieronder blijken, zodra de verdeeleffecten worden besproken. Doordat de variabele ‘bevolking’ in het model is opgenomen, ontstaat een schaaleffect. Immers, de bijstand per inwoner stijgt als de bevolking toeneemt (zie ook het hoofdstuk met de simulaties). Dit kan geweten worden aan een grotere aantrekkingskracht op kwetsbare groepen in grotere gemeenten. Ook is het mogelijk dat kleine gemeenten een andere cultuur kennen, waarbij bijvoorbeeld sociale controle sterker aanwezig is en een remmend effect op de bijstandsvraag heeft. Doordat bevolking een positief effect op de bijstand per inwoner heeft, ontstaat een (weliswaar klein) probleem bij het zevende criterium voor verdeelmodellen, dat ze bestand moeten zijn tegen gemeentelijke herindeling. Indien twee of meer gemeenten worden samengevoegd, dan zou de som der afzonderlijke gemeenten een zelfde budget moeten krijgen als de samengevoegde gemeente. Volgens het verdeelmodel dat hierboven gepresenteerd is, krijgt de samengevoegde gemeente meer dan de som der delen. Een fusie van Hengelo en Enschede zou bijvoorbeeld deze steden een groter gemeenschappelijk bijstandsbudget opleveren. Het effect is echter klein en bovendien geen reden voor klagen door de betrokken gemeenten. Het is bovendien verdedigbaar, omdat op termijn de samengevoegde gemeente ook dezelfde eigenschappen zal gaan vertonen als andere grote gemeenten, waaronder aantrekkingskracht op kwetsbare groepen en wellicht afname van sociale controle. Zoals in het vorige hoofdstuk reeds gemeld is, zijn alternatieve variabelen om dit schaaleffect in het model tot uiting te laten komen (zoals omgevingadressendichtheid of klantenpotentieel) ongeschikt gebleken.

4.1.1

Herverdeeleffecten bij 100% objectief

In deze paragraaf wordt nader ingegaan op de residuen, hier gepresenteerd als

APE bv

34

4

35

Schattingsresultaten en herverdeeleffecten

‘herverdeeleffecten’31. De verdeling van de gemiddelde procentuele afwijkingen tussen voorspelde en gerealiseerde bijstandsuitgaven voor het jaar 1998 (Tabel 4/1/1a) geeft een beeld van de mate waarin de empirische modellen passen bij de waargenomen variatie, binnen en tussen de gemeenten, van de bijstandsuitgaven. Op basis van de boven samengevatte schattingen is voor elke gemeente berekend welk bijstandsuitgavenniveau wordt voorspeld door het model. Deze voorspelde uitgavenniveaus zijn vergeleken met de werkelijke bijstandsuitgaven. Het relatieve verschil kan worden aangeduid als het herverdeeleffect dat zou optreden indien de gemeente een bijstandsbudget zou hebben ontvangen gelijk aan de met het model voorspelde bijstandsuitgaven. Een negatief herverdeeleffect betekent dat de gemeente er op achteruit zou gaan en een positief effect betekent ‘winst’. ‘Winst’ of ‘verlies’ wordt veroorzaakt door drie soorten factoren: beleidsfactoren, niet gemodelleerde gemeentespecifieke objectieve factoren en overige toevalsfactoren. Idealiter zijn de verdeeleffecten uitsluitend aan verschillen in beleid toe te schrijven. Deze pretentie heeft het verdeelmodel echter niet. De meest belangrijke objectieve factoren, die voor alle gemeenten een rol spelen, zijn gemodelleerd, maar het blijft mogelijk dat er specifieke gemeentelijke factoren en andere toevalsomstandigheden een rol spelen die gemeenten winst of verlies opleveren. Het model wordt van voldoende kwaliteit geacht om als uitgangspunt te dienen voor het budgetteren van de bijstand, maar zal nooit een perfecte maat zijn om de kwaliteit van lokaal beleid te meten. Met andere woorden: het model biedt geen absolute econometrische ‘waarheid’ over lokaal beleid, maar is wel een doelmatig instrument om een goede uitvoering van het bijstandsbeleid te belonen. Gemeenten met een relatief doelmatig bijstandsbeleid hebben een grotere kans in de plus te eindigen. De verdeling van de over de periode 1998 genomen gemiddelden van de procentuele afwijkingen voor het model voor alle gemeenten en voor alleen de kleine gemeenten worden respectievelijk in Tabel 4/1/1a en Tabel 4/1/1b gepresenteerd. Omdat eerder geregeld gesteld werd, dat het moeilijker is de objectieve bijstandsnood in kleine gemeenten te modelleren, is een kolom toegevoegd met de gemiddelde bevolkingsomvang. Deze kolom bevestigt dat de grote uitschieters in de verdeeleffecten vooral bij kleinere gemeenten gevonden worden. Tabel 4/1/1b bevestigt dit. De verdeeleffecten voor de grote gemeenten worden in Tabel 4/1/1c gepresenteerd.

31

De gepresenteerde gegevens betreffen de afwijkingen tussen met behulp van het empirische model voorspelde bijstandsuitgaven en de waargenomen gerealiseerde bijstandsuitgaven. De ‘herverdeeleffecten’ zijn berekend voor een 100% objectief model. In werkelijkheid wordt 25% gebudgetteerd. Ook zal in werkelijkheid niet hetzelfde jaar worden gebruikt voor schatting van het model en bepaling van het budget: het model zal gebruikt worden om voor een later jaar budgetten te bepalen.

APE bv

35

4

36

Schattingsresultaten en herverdeeleffecten

Tabel 4/1/1a Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor alle gemeenten

[( y$ − y ) / y ]

Aantal gemeenten

relatieve frequentie (in %)

gemiddelde bevolkingsomvang

Min%,-60%

31

5.76

10100

- 60%, - 40%

37

6.88

21900

- 40%, - 30%

20

3.72

16600

- 30%, - 20%

41

7.62

17800

- 20%, - 15%

24

4.46

22300

- 15%, - 10%

39

7.25

21300

- 10%, - 0%

82

15.24

49100

10%

84

15.61

47400

10%, 15%

26

4.83

39100

15%, 20%

33

6.13

26400

20%, 30%

43

7.99

22200

30%, 40%

26

4.83

16700

40%, 60%

27

5.02

19800

25

4.65

11500

538

100.00

29100

0%,

60%, max% Totaal

Tabel 4/1/1b Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten tot 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

Min%,-60%

31

6.46

10100

- 60%, - 40%

34

7.08

15300

- 40%, - 30%

18

3.75

11900

- 30%, - 20%

40

8.33

16700

- 20%, - 15%

23

4.79

16700

- 15%, - 10%

38

7.92

19300

- 10%, - 0%

59

12.29

20900

10%

67

13.96

22200

10%, 15%

21

4.38

20200

15%, 20%

30

6.25

16700

20%, 30%

41

8.54

20000

30%, 40%

26

5.42

16700

40%, 60%

27

5.62

19800

60%, max%

25

5.21

11500

480

100.00

17800

0%,

Totaal

APE bv

36

4

37

Schattingsresultaten en herverdeeleffecten

Tabel 4/1/1c Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten vanaf 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

- 60%, - 40%

3

5.17

96000

- 40%, - 30%

2

3.45

58700

- 30%, - 20%

1

1.72

Pm32

- 20%, - 15%

1

1.72

Pm

- 15%, - 10%

1

1.72

Pm

- 10%, - 0%

23

39.66

121500

10%

17

29.31

146900

10%, 15%

5

8.62

118700

15%, 20%

3

5.17

123500

20%, 30%

2

3.45

67500

58

100.00

122500

0%,

30%, 40% 40%, 60% 60%, max% Totaal

In Tabel 4/1/1a zien we dat de grootste afwijkingen zich voordoen bij gemiddeld genomen de kleinste gemeenten. Grote afwijkingen van meer dan 40 procent zijn gevonden in 120 gemeenten, ofwel 22 procent van de totale populatie gemeenten. Opmerkelijk is dat in 52 van deze 120 gemeenten de voorspelde uitgaven (veel) hoger liggen dan de gerealiseerde, deze (relatief kleine) gemeenten zouden dus ‘winst’ hebben, wanneer het herverdeelmodel zou worden toegepast. Uit de tabel valt verder af te lezen dat in 54 procent van de gemeenten de gemiddelde herverdeeleffecten tussen de plus en minus 20 procent liggen. Dit is het gebied waar uitgegaan mag worden van de gewenste prikkelwerking van budgettering. In Tabel 4/1/1c komt naar voren dat de spreiding bij grote gemeenten duidelijk kleiner is dan de spreiding bij kleine gemeenten. De drie gemeenten met een groot negatief herverdeeleffect (60% tot –40%) zijn nog individueel beschouwd. Het blijkt om gemeenten te gaan, die op vrijwel alle factoren in het model relatief gunstig scoren. Dat wil zeggen, op basis van vrijwel alle objectieve factoren van het verdeelmodel mag een lage bijstandsdruk worden verwacht. Desondanks hebben de betreffende gemeenten relatief hoge bijstandsuitgaven. Hoewel het niet aannemelijk is dat gemeentelijk beleid tot een bovenmatige bijstandsdruk leidt die in de orde van 50% ligt, lijkt het niet onaannemelijk dat de betreffende gemeenten op grond van hun

Omdat maar één gemeente in deze categorie valt, is hier in verband met de anonimiteit die in deze fase van het project nog wordt nagestreefd geen getal neergezet. 32

APE bv

37

4

38

Schattingsresultaten en herverdeeleffecten

gunstige kenmerken een lager niveau van de bijstandsgaven moeten kunnen realiseren.33 Tabel 4/1/2 presenteert per gemeentegrootteklasse de gemiddelde absolute waarden van de herverdeeleffecten, zowel ongewogen (per gemeente) als gewogen (hetgeen meer informatie geeft over de totale verschillen in bijstandsuitgaven). Gemiddeld genomen is de absolute waarde van de herverdeeleffecten het grootst in de gemeenten met minder dan 25.000 inwoners, en het kleinst in de grote gemeenten. Het negatieve verband tussen de absolute waarde van de omvang

van

de

herverdeeleffecten

en

de

bevolkingsomvang

ook

binnen

de

gemeentegrootteklasse wordt aangetroffen. Tabel 4/1/2 Ongewogen en gewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse

Aantal gemeenten

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

Gemiddeld procentueel verschil, (gewogen)

0 tot 25.000

375

12.0%

32%

24%

25.000 tot 50.000

105

14.2%

16%

15%

50.000 tot 100.000

33

16.2%

11%

9%

100.000 tot 150.000

15

13.6%

13%

9%

Meer dan 150.000

10

44.0%

6%

3%

538

100.0%

26%

9%

Totaal

4.1.2

Herverdeeleffecten bij 25% objectief

In deze subparagraaf gaan wij ervan uit dat, overeenkomstig de wet, alleen de negatieve herverdeeleffecten begrensd zijn. De grens is het minimum van ƒ15,- per inwoner en 15% van de geraamde bijstandsuitgaven. Dit om het risico van de gemeenten te beperken. De gemeenten lopen risico over het objectieve deel; het risico is dus over 25% van de geraamde bijstandsuitgaven, want de rest wordt gedeclareerd. Om te verduidelijken hanteren wij twee voorbeelden.

Uitdrukkelijk dient echter gemeld te worden dat dit onderzoek niet pretendeert individuele gemeenten stuk voor stuk te kunnen kwalificeren. 33

APE bv

38

4

Schattingsresultaten en herverdeeleffecten

39

Cijfervoorbeeld 1: Gemeente A heeft 100.000 inwoners en een budget van 5 mln. (i.e. 25% van de geraamde uitgaven). Het maximale risico voor deze gemeente bedraagt dan het minimum van ƒ15,- per inwoner (ƒ1,5 mln.) en 15% van het geraamde budget (ƒ0,75 mln.). Dus het minimum van ƒ1,5 mln. en ƒ0,75 mln. is ƒ0,75 mln.. Het maximale risico dat gemeente A loopt is ƒ0,75 mln.. De werkelijke uitgaven van gemeente A zijn bijvoorbeeld ƒ24 mln.; hiervan komt 25% ten laste van het budget; 25% van ƒ24 mln. is ƒ6 mln.. De gemeente krijgt maar ƒ5 mln. en lijdt een verlies van ƒ1 mln.. Het maximale risico dat gemeente A loopt is ƒ0,75 mln.. Het Rijk zal een extra budget geven van ƒ0,25 mln..

Cijfervoorbeeld 2: Gemeente B heeft 100.000 inwoners en een budget van ƒ12 mln. (i.e. 25% van de geraamde uitgaven). Het maximale risico voor deze gemeente bedraagt dan het minimum van ƒ15,- per inwoner en 15% van het geraamde budget. Het minimum van ƒ1,5 mln. en ƒ1,8 mln. is ƒ1,5 mln.. Het maximale risico dat gemeente B loopt is ƒ1,5 mln.. De werkelijke uitgaven van gemeente B zijn ƒ55 mln.; hiervan komt 25% ten laste van het budget; 25% van ƒ55 mln. is ƒ13,75 mln.. De gemeente krijgt een budget van ƒ12 mln. en lijdt dus een verlies van ƒ1,75 mln.. Het maximale risico dat gemeente B loopt is ƒ1,5 mln.. Het Rijk zal ƒ0,25 mln. extra als budget moeten geven aan gemeente B.

In Tabel 4/1/3 wordt het percentage en het aantal gemeenten weergegeven met een te hoog negatief herverdeeleffect. Zoals valt te verwachten zijn er relatief meer kleine gemeenten met een te hoog herverdeeleffect dan grote gemeenten. Bij de gemeente onder de G-10 die te maken heeft met een te negatief verdeeleffect is de bron van begrenzing de vijftien gulden per inwoner. Het procentuele herverdeeleffect voor de betreffende gemeente is bepaald niet extreem en zit ver van de afkapgrens. Hetzelfde geldt voor de volgende grootste gemeente in de categorie van 100.000 tot 150.000 inwoners.

APE bv

39

4

40

Schattingsresultaten en herverdeeleffecten

Tabel 4/1/3 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

40%

150

16%

17

24%

8

27%

4

10%

1

33%

180

4.2 Bijstandsuitgaven voor 20 jaar en ouder In deze paragraaf komen de schattingsresultaten te staan voor de bijstandsuitgaven voor mensen vanaf 20 jaar, doch nog steeds zonder Ioaz, Ioaw e.d..34 In vergelijking met de beperkter gedefinieerde bijstandsuitgaven in de vorige paragraaf kan opgemerkt worden dat de meeste coëfficiënten in absolute waarde kleiner worden. Een uitzondering hiervan is het percentage inwoners tussen de 25 en 29 jaar bij grote gemeenten. In Tabel 4/2 worden de schattingsresultaten gegeven voor het verdeelmodel voor bijstandsuitgaven voor twintig jaar en ouder.

De belangrijkste aanpassing is de categorie 65-plussers die onvoldoende aow-recht heeft opgebouwd. Het is mogelijk dat de toename van deze categorie disproportioneel over gemeenten verdeeld is, waarbij grote gemeenten een stijgend aandeel voor hun rekening nemen. Een model dat op basis van een statistisch meest recent beschikbare verdeling over gemeenten budgetten voor een later jaar genereert, doet aan deze problematiek van grote steden geen recht. In hoeverre de verdeling van oudere (65+) bijstandsgerechtigden over gemeenten inderdaad aan een trendmatige verandering onderhevig is, kon binnen het kader van dit onderzoek niet worden uitgezocht. 34

APE bv

40

4

Tabel 4/2

Schattingen bijstandsuitgaven per inwoner vanaf 20 jaar. Schattingen voor gemeenten tot 60.000 inwoners en vanaf 40.000 inwoners voor het jaar 1998 Tot 60.000 inwoners Coëfficiënten

Variabelen Constante Bevolking Percentage sociale huurwoningen Percentage lage inkomens Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBA-werkloosheidspercentage Percentage parttimers 12 – 19 uur per week op RBA-niveau Werkgelegenheid in handel en horeca op RBA-niveau Percentage eenouderhuishoudens tussen 20 en 64 jaar Gemiddelde woningbezetting Percentage arbeidsongeschikten Percentage WW-ers met maximale duur

4.2.1

41

Schattingsresultaten en herverdeeleffecten

Vanaf 40.000 inwoners Coëfficiënten

-766.29

-2276.25

0.0016

0.0005

3.98 12.78

59.48 -38.36

21.60

50.63

7.22

38.83

26.69

42.02

-19.80

-18.18

199.58

190.77

-19.04 -26.93 219.74

403.53

Herverdeeleffecten bij 100% objectief

Tabel 4/2/1a Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor alle gemeenten

[( y$ − y ) / y ]

Aantal gemeenten

Min%,-60% - 60%, - 40% - 40%, - 30% - 30%, - 20% - 20%, - 15% - 15%, - 10% - 10%, - 0% 0%, 10% 10%, 15% 15%, 20% 20%, 30% 30%, 40% 40%, 60% 60%, max% Totaal

24 35 22 39 33 34 83 78 32 37 44 28 24 25 538

APE bv

relatieve frequentie (in %) 4.46 6.51 4.09 7.25 6.13 6.32 15.43 14.50 5.95 6.88 8.18 5.20 4.46 4.65 100.00

Gemiddelde bevolkingsomvang 9100 16500 20200 20100 21000 23800 50000 44200 40800 29200 19700 19000 19300 11100 29100

41

4

42

Schattingsresultaten en herverdeeleffecten

Tabel 4/2/1b Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten tot 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Min%, - 60% - 60%, - 40% - 40%, - 30% - 30%, - 20% - 20%, - 15% - 15%, - 10% - 10%, - 0% 0%, 10% 10%, 15% 15%, 20% 20%, 30% 30%, 40% 40%, 60% 60%, max% Totaal

24 34 20 36 32 33 59 65 25 33 43 27 24 25 480

Relatieve frequentie (in %) 5.00 7.08 4.17 7.50 6.67 6.88 12.29 13.54 5.21 6.88 8.96 5.62 5.00 5.21 100.00

Gemiddelde bevolkingsomvang 9100 14000 12900 16700 17000 21600 20000 21300 21100 19300 18300 17800 19300 11100 17800

Tabel 4/2/1c Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten vanaf 50.000 inwoners

[( y$ − y ) / y ] Min%, - 60% - 60%, - 40% - 40%, - 30% - 30%, - 20% - 20%, - 15% - 15%, - 10% - 10%, - 0% 0%, 10% 10%, 15% 15%, 20% 20%, 30% 30%, 40% 40%, 60% 60%, max% Totaal

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

1 2 3 1 1 24 13 7 4 1 1

1.72 3.45 5.17 1.72 1.72 41.38 22.41 12.07 6.90 1.72 1.72

Pm 93300 60600 Pm Pm 123800 158700 111100 111000 Pm Pm

58

100.00

122500

In Tabellen 4/2/1a-c zien we wederom dat de grootste afwijkingen zich voordoen bij gemiddeld genomen de kleinste gemeenten. In Tabel 4/2/1a worden grote afwijkingen van

APE bv

42

4

43

Schattingsresultaten en herverdeeleffecten

meer dan 40 procent gevonden in 108 gemeenten, ofwel 20 procent van de totale populatie gemeenten. Opmerkelijk is dat in 49 van deze 108 gemeenten de voorspelde uitgaven (veel) hoger liggen dan de gerealiseerde, deze (relatief kleine) gemeenten zouden dus ‘winst’ hebben, wanneer het herverdeelmodel zou worden toegepast. Uit de tabel valt verder af te lezen dat in 247 (55 procent van de populatie) van de gemeenten de gemiddelde herverdeeleffecten tussen de plus en minus 20 procent liggen. In 161 gemeenten (30 procent van de populatie) liggen de gemiddelde relatieve afwijkingen binnen de marge van plus en minus 10 procent. Tabel 4/2/2 Ongewogen en gewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse

Aantal gemeenten

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

Gemiddeld procentueel verschil, (gewogen)

0 tot 25.000

375

11.9%

31%

23%

25.000 tot 50.000

105

14.2%

16%

15%

50.000 tot 100.000

33

16.2%

11%

9%

100.000 tot 150.000

15

13.6%

12%

9%

Meer dan 150.000

10

44.1%

7%

5%

538

100.0%

26%

10%

Totaal

4.2.2

Herverdeeleffecten bij 25% objectief

Tabel 4/2/3 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

38%

143

25.000 tot 50.000

19%

20

50.000 tot 100.000

24%

8

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

33%

176

Vergelijken we de tabellen uit deze paragraaf met die uit paragraaf 4.1 (bijstandsuitgaven per inwoner tot 65 jaar) dan valt op dat er toch wel wat verbeteringen zijn. In Tabel 4/2/1a zijn minder gemeenten die een afwijking meer dan 40% hebben tussen de voorspelde en de gerealiseerde Abw-uitgaven. De staarten in Tabel 4/2/1c hebben een iets gunstiger verloop dan APE bv

43

4

44

Schattingsresultaten en herverdeeleffecten

de staarten in paragraaf 4.1. Het aantal gemeenten dat een te groot negatief herverdeeleffect heeft, is voor de bijstandsuitgaven tot 65 jaar iets hoger (180 in Tabel 4/1/3 ten opzichte van 176 indien ook ouderen worden meegenomen in het model). De gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven zijn in beide modellen even groot.

Concluderend kunnen we zeggen dat de resultaten van het verdeelmodel voor de bijstandsuitgaven per inwoner vanaf twintig jaar beter zijn dan de resultaten voor de bijstandsuitgaven per inwoner tot 65 jaar.

4.3 Resultaten voor bijstand tot 65 jaar, inclusief Ioaz e.d. Indien een model wordt geschat voor de bijstandscategorieën, die in principe door beleid beïnvloedbaar zijn, dus de ruime bijstand tot 65 jaar, dan zijn de herverdeeleffecten het kleinst. De schattingsresultaten voor de coëfficiënten zijn weer vergelijkbaar met die van de voorgaande varianten en worden daarom niet apart gepresenteerd.35 Beleidsmatig is bepaald dat de bijstand inclusief 65-plussers gebudgetteerd gaat worden. Er bestaat echter belangstelling voor de vraag of budgetteren van bijstand in ruime zin zonder de beleidsresistente groep ouderen duidelijk verschillende verdeeleffecten oplevert. Het belangrijkste verschil ontstaat bij de middelgrote gemeenten (50.000 tot 100.000), waar nu 18% in plaats van 24% met een te sterk herverdeeleffect te maken heeft. Ter illustratie is de tabel van de vorige paragrafen met de aantallen gemeenten met te sterke verdeeleffecten hier voor de betreffende bijstandsdefinitie gepresenteerd. Tabel 4/3/3 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

37%

140

25.000 tot 50.000

16%

17

50.000 tot 100.000

18%

6

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

31%

168

35

Uiteraard zijn deze op verzoek beschikbaar.

APE bv

44

4

45

Schattingsresultaten en herverdeeleffecten

4.4 Resultaten voor de totale bijstandsuitgaven

Tot slot worden de resultaten voor de totale bijstandsuitgaven gepresenteerd. Met totale bijstandsuitgaven wordt de som bedoeld van bijstandsuitgaven vanaf twintig jaar (inclusief ouderen), uitkeringen aan mensen in inrichtingen, uitkeringen aan zelfstandigen, Ioaw en Ioaz. Worden deze schattingsresultaten vergeleken met de bijstandsuitgaven tot 65 jaar dan kan er gezegd worden dat de meeste factoren een wat kleinere invloed op de bijstandsuitgaven per inwoner hebben. De belangrijkste verandering doet zich bij de gemiddelde woningbezetting voor. De coëfficiënt van deze factor is van – 85 in Tabel 4/1 naar –18 gegaan (en is statistisch niet langer significant). Een andere factor die erg gedaald is, is het percentage eenouderhuishoudens. Deze coëfficiënt is van 236 in Tabel 4/1 naar 189 gedaald. Een paar factoren in het model beïnvloeden de totale bijstandsuitgaven sterker, bijvoorbeeld het percentage WW-ers met een maximale duur. De schattingsresultaten staan in Tabel 4/4. Tabel 4/4

Schattingen totale bijstandsuitgaven per inwoner vanaf 20 jaar. Schattingen voor gemeenten tot 60.000 inwoners en vanaf 40.000 inwoners voor het jaar 1998

Variabelen

Tot 60.000 inwoners Coëfficiënten

Vanaf 40.000 inwoners Coëfficiënten

Constante

-737.92

-2216.51

Bevolking

0.0017

0.0006

Percentage sociale huurwoningen Percentage lage inkomens

4.02 13.70

Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar

63.12 -41.49

21.16

47.44

8.14

37.81

27.16

40.90

Werkgelegenheid in handel en horeca op RBA-niveau

-20.54

-17.78

Percentage eenouderhuishoudens tussen 20 en 64 jaar

188.81

177.30

Gemiddelde woningbezetting

-18.50

RBA-werkloosheidspercentage Percentage parttimers 12 – 19 uur per week op RBA-niveau

Percentage arbeidsongeschikten Percentage WW-ers met maximale duur

4.4.1

-32.42 275.79

460.77

Herverdeeleffecten bij 100% objectief

Net als in de vorige paragrafen worden hier de herverdeeleffecten gepresenteerd. In grote lijnen verandert er weinig: de staarten in de verdeeleffecten worden bij kleine gemeenten nog iets dunner (ofwel het aantal extremen in de verdeeleffecten neemt verder af, al blijft het resterende aantal nog groot). APE bv

45

4

46

Schattingsresultaten en herverdeeleffecten

Tabel 4/4/a1 Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde totale bijstandsuitgaven in 1998 voor alle gemeenten

[( y$ − y ) / y ]

Aantal gemeenten

relatieve frequentie (in %)

gemiddelde bevolkingsomvang

Min%,-60%

17

3.16

8200

- 60%, - 40%

26

4.83

17000

- 40%, - 30%

24

4.46

21200

- 30%, - 20%

38

7.06

20100

- 20%, - 15%

33

6.13

19800

- 15%, - 10%

37

6.88

27400

- 10%, - 0%

85

15.80

46800

10%

93

17.29

39800

10%, 15%

47

8.74

35600

15%, 20%

26

4.83

28600

20%, 30%

49

9.11

20600

30%, 40%

23

4.28

22400

40%, 60%

24

4.46

14700

60%, max%

16

2.97

9900

538

100.00

29100

0%,

Totaal

Tabel 4/4/1b Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde totale bijstandsuitgaven in 1998 voor gemeenten tot 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

Min%,-60%

17

3.54

8200

- 60%, - 40%

25

5.21

13700

- 40%, - 30%

22

4.58

14700

- 30%, - 20%

35

7.29

16600

- 20%, - 15%

32

6.67

15700

- 15%, - 10%

35

7.29

22900

- 10%, - 0%

63

13.12

19600

10%

79

16.46

19400

10%, 15%

39

8.12

19600

15%, 20%

23

4.79

18900

20%, 30%

47

9.79

18600

30%, 40%

23

4.79

22400

40%, 60%

24

5.00

14700

60%, max%

16

3.33

9900

480

100.00

17800

0%,

Totaal

APE bv

46

4

47

Schattingsresultaten en herverdeeleffecten

Tabel 4/4/1c Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde totale bijstandsuitgaven in 1998 voor gemeenten vanaf 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

- 60%, - 40%

1

1.72

Pm

- 40%, - 30%

2

3.45

93300

- 30%, - 20%

3

5.17

60600

- 20%, - 15%

1

1.72

Pm

- 15%, - 10%

2

3.45

106900

- 10%, - 0%

22

37.93

124800

10%

14

24.14

155100

10%, 15%

8

13.79

114000

15%, 20%

3

5.17

103100

20%, 30%

2

3.45

67500

58

100.00

122500

0%,

30%, 40% 40%, 60% 60%, max% Totaal

In Tabellen 4/4/1a-c zien we net als eerder dat de grootste afwijkingen zich voordoen bij gemiddeld genomen de kleinste gemeenten. Uit de tabel valt verder af te lezen dat in 60 procent van de gemeenten de gemiddelde herverdeeleffecten tussen de plus en minus 20 procent liggen. Tabel 4/4/2 Ongewogen en gewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde totale bijstandsuitgaven per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten Gemeentegrootteklasse

Aantal gemeenten

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

Gemiddeld procentueel verschil, (gewogen)

0 tot 25.000

375

13.1%

26%

20%

25.000 tot 50.000

105

14.6%

15%

14%

50.000 tot 100.000

33

16.1%

10%

8%

100.000 tot 150.000

15

13.4%

12%

9%

Meer dan 150.000

10

42.9%

6%

4%

538

100.0%

22%

9%

Totaal

APE bv

47

4

48

Schattingsresultaten en herverdeeleffecten

4.4.2

Herverdeeleffecten bij 25% objectief

Tabel 4/4/3 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1998 voor alle gemeenten % gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

36%

135

25.000 tot 50.000

16%

17

50.000 tot 100.000

24%

8

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

31%

165

Gemeentegrootteklasse

Vergelijken we alle tabellen uit deze paragraaf met de tabellen uit paragraaf 4.1 dan kunnen we concluderen dat over het geheel genomen de resultaten van de totale bijstandsuitgaven per inwoner iets beter zijn dan de schattingsresultaten voor de bijstandsuitgaven per inwoner tot 65 jaar. Het aantal uitschieters neemt af. De gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde totale bijstandsuitgaven per gemeentegrootte zijn kleiner dan die bij de bijstandsuitgaven tot 65 jaar. Ook het aantal gemeenten met een te groot negatief herverdeeleffect (165) is kleiner ten opzichte van de bijstandsuitgaven tot 65 jaar (180). Vergelijken we de tabellen met de tabellen uit paragraaf 4.2 dan kan geconcludeerd worden dat het model voor de totale bijstandsuitgaven per inwoner beter is dan het model voor de bijstandsuitgaven per inwoner vanaf twintig jaar. Dit komt onder meer doordat het model in deze paragraaf minder gemeenten een te negatief herverdeeleffect heeft (165 tegenover 176) en de

gemiddelde

procentuele

verschillen

tussen

de

gerealiseerde

en

de

voorspelde

bijstandsuitgaven zijn lager. Hieruit kan de conclusie getrokken worden dat op grond van de hierboven gepresenteerde overwegingen de statistische resultaten van het verdeelmodel het beste zijn als de totale bijstandsuitgaven per inwoner geschat wordt.

APE bv

48

49

5

Historische kosten bij kleine gemeenten

5.1 Bijstandsuitgaven tot 65 jaar

Uit de resultaten van hoofdstuk 4 bleek dat kleine gemeenten zeer vaak met erg grote verdeeleffecten te maken krijgen indien op basis van objectieve factoren wordt gebudgetteerd. Zoals gemeld, spelen gemeentespecifieke factoren in kleine gemeenten een grotere rol en zal het verschil tussen budget en feitelijke uitgaven sterker door toeval, en minder door beleid, bepaald worden dan bij de grotere gemeenten. Gezien de omvang van dit probleem is, ter indicatie van alternatieve mogelijkheden van de budgetteringssystematiek, ook een model ontwikkeld voor de kleine gemeenten op basis van historische kosten. Daarbij wordt weer gewerkt met twee deelverzamelingen in de data: gemeenten tot 60.000 inwoners en gemeenten vanaf 40.000 inwoners. Het model met objectieve factoren voor gemeenten tot 60.000 inwoners is vervangen door een model op basis van historische kosten. Gemeenten tot 40.000 inwoners hebben in onderstaande analyse uitsluitend met dit historische budget te maken, gemeenten in de overgangszone tussen 40.000 en 60.000 inwoners krijgen langzaam een groter aandeel van het budget op basis van het model met objectieve factoren dat voor de grotere gemeenten is geschat. Gemeenten vanaf 60.000 inwoners worden behandeld als in het voorgaande hoofdstuk. Indien historische kosten opgenomen worden in het model, wordt het probleem van gemeentelijke herindelingen weer iets groter. Immers, er moet met een langer geheugen worden gewerkt en gemeenten moeten met terugwerkende kracht worden heringedeeld. Daarom is het wenselijk om een geheugen te nemen van de historische kosten die niet al te lang is. Empirisch worden de bijstandsuitgaven in een bepaald jaar het beste voorspeld door uitsluitend de bijstandsuitgaven in het voorafgaande jaar. Een geheugen van één jaar zou echter ongewenst kort zijn: een beleidsverbetering zou direct na een jaar al tot een hogere lat voor de betreffende gemeente leiden en dus een beloning van korte duur zijn. Gekozen is voor een geheugen van drie jaar. Hieronder

wordt

een

eenvoudige

regressievergelijking

gepresenteerd,

waarbij

de

bijstandsuitgaven per inwoner in 1998 gerelateerd worden aan een constante en de gemiddelde uitgaven per inwoner in de periode 1994 - 1996. Dit is het verleden waarvoor in werkelijkheid data beschikbaar zullen zijn indien op basis van historische kosten gebudgetteerd zou worden (1997 zou niet beschikbaar zijn voor bepaling van het budget 1998). Een alternatief voor de regressievergelijking is de nog eenvoudiger methode van het berekenen van de aandelen in het budget binnen de groep kleine gemeenten, en deze aandelen te gebruiken voor de verdeling van het nieuwe budget. Er zijn geen dwingende redenen om de ene of de andere methode uit te

5

Historische kosten bij kleine gemeenten

50

sluiten. Zodra echter een meer verfijnde analyse van historische kosten gemaakt zou worden, bijvoorbeeld door enkele aanvullende (objectieve) factoren aan de historische maat toe te voegen, dan ligt de regressiemethode voor de hand. Vooralsnog is slechts een zeer simpel model geschat voor de kleinere gemeenten met inwoners tot 60.000. Voor de eng gedefinieerde categorie bijstand (tot 65 jaar, exclusief Ioaw e.d.) is het volgende verband gevonden:36

y1998 = − 7.272+ 0.842 y ( −1.89 )

(119 .40 )

( R = 0.967 , tussen haakjes staan de t-waarden). 2

Voor gemeenten met weinig bijstandsuitgaven per inwoner telt de constante relatief zwaarder mee dan voor gemeenten met veel bijstandsuitgaven per inwoner. Dat leidt tot iets lagere bijstandsuitgaven per inwoner voor de kleinste onder de groep kleine gemeenten. De coëfficiënt voor de gemiddelde uitgaven per inwoner in het verleden is kleiner dan één. Dit wil zeggen dat de geschatte bijstandsuitgaven per inwoner voor alle gemeenten in het jaar 1998 lager zijn dan het voortschrijdende gemiddelde van 1994 tot en met 1996. Voor de verdeling van de bijstandsuitgaven onder de gemeenten maakt dit niets uit: immers, dit gebeurt op basis van het actuele macrobudget. Voor de gemeenten met meer dan 40 duizend inwoners geldt hetzelfde schattingsresultaat als in Tabel 4/1. De overige tabellen veranderen doordat er voor de kleinere gemeenten is gekozen voor een schatting op basis van historische kosten. Merk op dat de kolommen met resultaten voor grotere gemeenten iets kunnen veranderen, doordat tot 60.000 inwoners sprake is van (een afnemend aandeel) historische kosten. Tabel 5/1/1a toont dat budgetteren op basis van historische kosten bij kleine gemeenten tot een dramatische verbetering van de verdeeleffecten leidt: de extreme verdeeleffecten verdwijnen grotendeels.

36

Voor de ruimer gedefinieerde bijstandscategorieën zijn vergelijkbare berekeningen gemaakt. De resultaten komen in sterke mate overeen met de hierna gepresenteerde en zijn op verzoek beschikbaar.

APE bv

50

5

Historische kosten bij kleine gemeenten

51

Tabel 5/1/1a Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor alle gemeenten

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

Min%,-60% - 60%, - 40%

5

0.93

60800

- 40%, - 30%

11

2.04

24400

- 30%, - 20%

19

3.53

16900

- 20%, - 15%

19

3.53

23400

- 15%, - 10%

51

9.48

17900

- 10%, - 0%

151

28.07

34900

10%

179

33.27

30900

10%, 15%

39

7.25

26000

15%, 20%

25

4.65

39900

20%, 30%

25

4.65

18700

30%, 40%

5

0.93

12100

40%, 60%

8

1.49

7900

60%, max%

1

0.19

Pm

538

100.00

29100

0%,

Totaal

Tabel 5/1/1b Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten tot 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

Min%,-60% - 60%, - 40%

2

0.42

8000

- 40%, - 30%

9

1.88

16800

- 30%, - 20%

18

3.75

14200

- 20%, - 15%

18

3.75

16300

- 15%, - 10%

50

10.42

16400

- 10%, - 0%

129

26.88

20300

10%

162

33.75

18200

10%, 15%

35

7.29

19600

15%, 20%

19

3.96

12700

20%, 30%

24

5.00

16000

30%, 40%

5

1.04

12100

40%, 60%

8

1.67

7900

60%, max%

1

0.21

Pm

480

100.00

17800

0%,

Totaal

APE bv

51

5

Historische kosten bij kleine gemeenten

52

Tabel 5/1/1c Spreiding van de gemiddelde relatieve verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1998 voor gemeenten vanaf 50.000 inwoners

[( y$ − y ) / y ]

Aantal gemeenten

Relatieve frequentie (in %)

Gemiddelde bevolkingsomvang

Min%, -60% - 60%, - 40%

3

5.17

96000

- 40%, - 30%

2

3.45

58700

- 30%, - 20%

1

1.72

Pm

- 20%, - 15%

1

1.72

Pm

- 15%, - 10%

1

1.72

Pm

- 10%, - 0%

22

37.93

120300

10%

17

29.31

151700

10%, 15%

4

6.90

81500

15%, 20%

6

10.34

126100

20%, 30%

1

1.72

Pm

58

100.00

122500

0%,

30%, 40% 40%, 60% 60%, max% Totaal

In Tabel 5/1/1a worden de grote afwijkingen van meer dan plus of min 40 procent gevonden in slechts veertien gemeenten, ofwel 3% van de totale populatie gemeenten. In het model met uitsluitend objectieve factoren was dit 22%. Uit de tabel valt verder te lezen dat 86 procent van de gemeenten de gemiddelde herverdeeleffecten hebben tussen de min en plus twintig procent, dit was 54% in het model dat uitsluitend objectieve factoren bevat. In 330 gemeenten liggen de herverdeeleffecten zelfs tussen de min en plus tien procent. Vergeleken met het eerder gepresenteerde model dat uitsluitend objectieve factoren bevat is het verschil zeer groot. Dit wordt in de aanvullende tabellen bevestigd. Tabel 5/1/2 laat zien dat waar in het eerdere hoofdstuk de absolute waarde van de herverdeeleffecten het grootst in de kleinste gemeenten was, deze nu is verplaatst naar de middelgrote gemeenten.

APE bv

52

5

Historische kosten bij kleine gemeenten

53

Tabel 5/1/2 Ongewogen en gewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abwuitgaven per gemeentegrootteklasse voor alle gemeenten in 1998 Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

Aantal gemeenten 375 105 33 15 10 538

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

12.0% 14.2% 16.2% 13.6% 44.0% 100.0%

Gemiddeld procentueel verschil, (gewogen)

11% 8% 11% 13% 7% 10%

9% 7% 9% 9% 4% 6%

In Tabel 5/1/3 staan de gemeenten met te grote negatieve herverdeeleffecten met de percentages. In totaal hebben 81 gemeenten een te groot negatief herverdeeleffect (was 180, bij uitsluitend objectieve factoren). De meerderheid (58) hiervan bestaat uit kleine gemeenten met minder dan 25 duizend inwoners (was 150). Ook bij gemeenten met inwoners tussen 25 en 50 duizend is het aantal gemeenten met een negatief herverdeeleffect gedaald van 17 naar twaalf. Tabel 5/1/3 Percentage en aantal gemeenten met een te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief/historisch en 75% op declaratiebasis per gemeentegrootteklasse voor alle gemeenten in 1998 Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

% gemeenten met te negatieve herverdeeleffecten 15% 11% 18% 27% 10% 15%

Aantal gemeenten met te negatieve herverdeeleffecten 58 12 6 4 1 81

Geconcludeerd mag worden dat een model dat historische kosten voor kleinere gemeenten bevat en objectieve factoren voor grotere gemeenten, tot aanzienlijk minder extreme herverdeeleffecten leidt. Het aantal gemeenten dat zich in de staart van de verdeeleffecten bevindt, en daardoor de facto geen financiële stimulans zal ervaren om het bijstandsbeleid te verbeteren, neemt aanzienlijk af indien historische kosten worden aanvaard voor budgettering. De keuze tussen de varianten is echter niet op grond van statistische overwegingen te maken: hier speelt het beleidsmatige dilemma tussen ‘straffen’ voor goede prestaties in het verleden, of aanvaarden dat budgetteren in een aanzienlijk aantal gemeenten nauwelijks de gewenste APE bv

53

5

Historische kosten bij kleine gemeenten

54

prikkelwerking zal hebben.

APE bv

54

55

6 Simulaties: stabiliteit en veranderingen in verklarende variabelen 6.1 Stabiliteit

Het is voor het ministerie en de gemeenten van belang dat de modellen, die gebruikt worden voor de budgettering van de bijstandsuitgaven, stabiel zijn. Dit betekent dat er geen grote veranderingen in de herverdeeleffecten mogen zijn voor schattingen van andere jaren. Om de stabiliteit te bekijken hebben we de modellen van hoofdstuk 4 en 5 geschat voor 1997. De belangrijkste resultaten zijn in de volgende tabellen samengevat. Allereerst de resultaten voor het model volgens de specificatie van hoofdstuk 4.1, nu op de bijstandsuitgaven per hoofd, in enge zin, voor het jaar 1997. Tabel 6/1/2 Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven per gemeentegrootteklasse in het jaar 1997 Gemeentegrootteklasse

Aantal gemeenten

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

0 tot 25.000

375

12.2%

34%

25.000 tot 50.000

105

14.1%

18%

50.000 tot 100.000

33

16.2%

11%

100.000 tot 150.000

15

13.5%

14%

Meer dan 150.000

10

43.8%

8%

538

100.0%

28%

Totaal

Voor het totaal aantal gemeenten in Nederland is het gemiddelde van de procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1997 twee procentpunten hoger dan in 1998. Voor de kleine gemeentegrootteklasse geldt hetzelfde, ook voor deze klasse ligt het percentage hoger in 1997.

Simulaties: stabiliteit en veranderingen in verklarende variabelen

56

Tabel 6/1/3 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1997 % gemeenten met te negatieve herverdeeleffecten

Gemeentegrootteklasse

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

38%

142

25.000 tot 50.000

21%

22

50.000 tot 100.000

24%

8

100.000 tot 150.000

40%

6

Meer dan 150.000

20%

2

Totaal

33%

180

Wordt deze tabel vergeleken met de tabel uit paragraaf 4.1.2 dan valt op dat het aantal gemeenten met een te negatief herverdeeleffect gelijk gebleven is, maar dat er minder in de kleinste gemeentegrootteklasse zijn. Deze zijn verplaatst naar alle andere gemeentegrootteklasse behalve die klasse die tussen de 50.000 en 100.000 inwoners heeft. Een interessante indicatie van de stabiliteit is de mate, waarin gemeenten van het ene op het volgende jaar in een andere herverdeelklasse terechtkomen. Dit wordt in Tabel 6/1/4 gepresenteerd. Volledige stabiliteit zou impliceren dat slechts de cellen in de diagonaal gevuld zouden worden. In werkelijkheid is er enige ‘mobiliteit’ van gemeenten. Indien dit te maken heeft met beleid, is dit een gewenst effect – een zekere spreiding rond de diagonaal is niet bij voorbaat ongewenst. Tabel 6/1/4 Verdeling herverdeeleffecten in per %-klasse 1998 ten opzichte van 1997, grote gemeenten 1998\1997

> 20%

15 – 20%

> 20%

1

1

15 – 20%

1

1

10 – 15%

2

0 – 10%

2

-10 – 0%

10 – 15%

10 – 0%

-10 – 0%

-15 – -10%

-20 – -15%

2

3

1 3 2

10

3

9

9

-15 – -10%

1

-20 – -15%

1

> -20%

> -20%

1

1

4

Indien het model van hoofdstuk 5, dat ook historische kosten bevat, wordt genomen, dan ontstaat het volgende beeld.

APE bv

56

Simulaties: stabiliteit en veranderingen in verklarende variabelen

57

Tabel 6/1/5 Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven per gemeentegrootteklasse in het jaar 1997 Gemeentegrootteklasse

Aantal gemeenten

0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

375 105 33 15 10 538

Aandeel in de Abw-uitgaven 12.2% 14.1% 16.2% 13.5% 43.8% 100.0%

Gemiddeld procentueel verschil, (ongewogen) 9% 6% 11% 14% 8% 9%

Voor het totaal aantal gemeenten in Nederland is het gemiddelde van de procentuele verschillen tussen de voorspelde en de gerealiseerde Abw-uitgaven in 1997 één procentpunt lager dan in 1998. Alleen de gemeentegrootteklasse van 50 duizend tot 100 duizend inwoners heeft hetzelfde percentage gehouden. Tabel 6/1/6 Percentage en aantal gemeenten met te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse in het jaar 1997 Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

Aantal gemeenten met te negatieve herverdeeleffecten

11% 6% 24% 40% 10% 12%

42 6 8 6 1 63

Wordt deze tabel vergeleken met Tabel 5/1/3 dan valt op dat er in 1997 minder gemeenten zijn met een te groot negatief herverdeeleffect: 63, in vergelijking met 81 in 1998. Gemeenten die in de twee jaren een van teken wisselend herverdeeleffect hebben, zijn in het algemeen gemeenten waarbij het effect gering is (dicht bij de nul ligt). Het aantal uitschieters in omslaande herverdeeleffecten is beperkt. De conclusie die getrokken kan worden is, dat een absoluut oordeel over de stabiliteit van het model niet gegeven kan worden. Immers, het is niet bij voorbaat ongewenst dat er zich verschuivingen voordoen. Echter, het model lijkt redelijk stabiel te zijn. De herverdeeleffecten

APE bv

57

Simulaties: stabiliteit en veranderingen in verklarende variabelen

58

verschillen voor de beide jaren niet zoveel, verschuivingen vinden meestal plaats van de ene verdeelklasse naar de aangrenzende klasse.

6.2 Simulaties Naast de stabiliteit, die is onderzocht door het model op twee verschillende jaren te testen, is ook bezien in hoeverre het model plausibele uitkomsten genereert bij hypothetische veranderingen van de werkelijkheid. Er is naar een zevental denkbeeldige scenario’s gekeken, waarbij steeds het effect voor twee verschillende gemeenten (een met een laag, en een met een hoog herverdeeleffect) zijn vergeleken. In de eerste vijf simulaties hebben de betrokken gemeenten een omvang van ongeveer

100.000

inwoners.

Gesimuleerd

wordt

wat

veranderingen

in

de

bevolkingssamenstelling teweeg brengen, zowel wat betreft demografische kenmerken, als wat betreft economische kenmerken. Een overzicht van de exacte simulaties met hun uitkomsten is opgenomen als Appendix.

APE bv

58

Simulaties: stabiliteit en veranderingen in verklarende variabelen

59

Case 1. De gemeenten ervaren een toename van de bevolking met 2000 personen, waarvan 400 de leeftijd tussen 15 en 19 jaar hebben en allen in de handel en horeca gaan werken. De resterende 1600 nieuwe bewoners wijken qua kenmerken niet af van de bestaande populatie. Beide specifieke factoren hebben een negatief effect op het budget. De vraag is of het totale bijstandsbudget voor de gemeente door deze (tamelijk extreme en hypothetische) impuls zal dalen. Dat zou ongewenst zijn, want de bijstandsdruk van de betreffende gemeente zal niet dalen. De simulatie wijst uit dat in beide gemeenten een gematigd positieve vergroting van het budget zal optreden, zodat het model doet wat verwacht mag worden. Tabel 6/2/1 Case 1: Waarde objectieve factor met twee gemeenten voor en na simulatie

Factor Verandering in bevolking Absoluut verschil per inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale bijstandsuitgaven *ƒ1000

APE bv

Gemeente A: met Gemeente B: met groot positief groot negatief herverdeeleffect herverdeeleffect

Gemeente A: met groot positief herverdeeleffect

Gemeente B: met groot negatief herverdeeleffect

Waarde Waarde objectieve objectieve factor factor in in uitgangssituatie uitgangssituatie

Waarde objectieve factor na simulatie

Waarde objectieve factor na simulatie

(nvt)

(nvt)

2000

2000

-15

-14

380

740

59

Simulaties: stabiliteit en veranderingen in verklarende variabelen

60

Case 2. Duizend bijstandsgerechtigden, die ontheven waren van de arbeidsverplichting, aanvaarden een deeltijdbaan van 12 à 19 uur. Deze bijstandsgerechtigden tellen niet mee in de werkloosheidsvariabele in het model. De bijstandslasten van de gemeenten zullen afnemen, maar doordat de variabele ‘deeltijdwerk’ in het model een positief effect op het bijstandsbudget per inwoner heeft is de vraag of het budget aanmerkelijk zal toenemen (het positieve effect wordt toegeschreven aan het feit dat er mensen met een deeltijdbaan zijn die ook een gedeeltelijk bijstandsuitkering hebben). Dit is, gezien de feitelijk afnemende bijstandsnood, ongewenst. De uitkomst van de simulatie is dat er een nihil positief effect op de bijstandbudgetten zal optreden. De reden is gelegen in het feit dat de deeltijdvariabele op RBA-niveau wordt gemeten, de toename van 400 is klein in verhouding tot de totale RBA deeltijdwerkgelegenheid. Tabel 6/2/2 Case 2: Waarde objectieve factor van twee gemeenten voor en na simulatie

Factor Percentage parttimers 12 – 19 uur per week op RBA – niveau

Gemeente A: met Gemeente B: met Gemeente A: met groot positief groot negatief groot positief herverdeeleffect herverdeeleffect herverdeeleffect

Gemeente B: met groot negatief herverdeeleffect

Waarde objectieve Waarde objectieve Waarde factor in factor in objectieve factor uitgangssituatie uitgangssituatie na simulatie

Waarde objectieve factor na simulatie

11.18

7.41

11.18

7.42

Absoluut verschil per inwoner 20 – 64 jaar (ƒ)

0

0

Absoluut verschil totale bijstandsuitgaven *ƒ1000

10

0

APE bv

60

Simulaties: stabiliteit en veranderingen in verklarende variabelen

61

Case 3. In beide gemeenten worden 1000 asielzoekers toegelaten. Daarvan hebben er 700 een leeftijd tussen 20 en 64 jaar waarmee ze in aanmerking komen voor de bijstand. Volgens de simulatie stijgen de budgetten voor de twee gemeenten met ongeveer vijf miljoen gulden per gemeente. Dit is ruim f 7.000 per nieuwe uitkeringsgerechtigde, dus minder dan de additionele uitkeringslasten. Naarmate een groter deel van de betrokken uitkeringsgerechtigden op de arbeidsmarkt actief wordt, daalt het nadeel voor de gemeente. Bij deze berekening is overigens afgezien van andere financiële compensatie die gemeenten krijgen bij toestroom van asielzoekers. Tabel 6/2/3 Case 3: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: met groot positief herverdeeleffect

Factoren % lage inkomens Verandering in bevolking Absoluut verschil per inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale bijstandsuitgave n in *ƒ1000

APE bv

Gemeente A: met groot positief herverdeeleffect

Gemeente B: met groot negatief herverdeeleffect

Waarden Waarden Waarden objectieve factor in objectieve factor in objectieve factor uitgangssituatie uitgangssituatie na simulatie

Waarden objectieve factor na simulatie

30.00

Gemeente B: met groot negatief herverdeeleffect

33.00

30.62

33.64

1000

1000

54

56

5030

4980

61

Simulaties: stabiliteit en veranderingen in verklarende variabelen

62

Case 4. Als simulatie 3, maar nu verhuist de groep van 1000 asielzoekers van de gemeente met een sterk positief herverdeeleffect naar de gemeente met een sterk negatief herverdeeleffect. Het idee is dat dit voor het netto totaalbudget niet uit zou moeten maken. De simulatie laat een nihil netto verschil zien (de vertrekgemeente verliest ƒ5.100.000, de aankomstgemeente wint ƒ5.090.000). Tabel 6/2/4 Case 4: Waarden objectieve factoren voor twee gemeenten voor en na simulatie Gemeente A: met groot positief herverdeeleffect

Factoren % lage inkomens Verandering in bevolking Absoluut verschil per inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale bijstandsuitgave n in *ƒ1000

APE bv

Gemeente B: met groot negatief herverdeeleffect

Gemeente A: met groot positief herverdeeleffect

Gemeente B: met groot negatief herverdeeleffect

Waarden Waarden Waarden Waarden objectieve factoren objectieve factoren objectieve factoren objectieve factoren in uitgangssituatie in uitgangssituatie na simulatie na simulatie 30.00

33.00

29.37

33.64

-1000

1000

-55

57

-5100

5090

62

Simulaties: stabiliteit en veranderingen in verklarende variabelen

63

Case 5. Het omgekeerde van simulatie 4: de verhuizing is nu van de gemeente met een sterk negatief herverdeeleffect naar een gemeente met een sterk positief herverdeeleffect. De aankomstgemeente ontvangt ƒ5.090.000, de vertrekgemeente verliest ƒ5.110.000. Het netto verschil is wederom nihil. Tabel 6/2/5 Case 5: Waarde objectieve factor voor en na simulatie Gemeente A: met groot positief herverdeeleffect

Factoren % lage inkomens Verandering in bevolking Absoluut verschil per inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale bijstandsuitgave n in *ƒ1000

APE bv

Gemeente B: met groot negatief herverdeeleffect

Gemeente A: met groot positief herverdeeleffect

Gemeente B: met groot negatief herverdeeleffect

Waarden Waarden Waarden Waarden objectieve factoren objectieve factoren objectieve factoren objectieve factoren in uitgangssituatie in uitgangssituatie na simulatie na simulatie 30.00

33.00

30.62

32.35

1000

-1000

54

58

5090

-5110

63

Simulaties: stabiliteit en veranderingen in verklarende variabelen

64

Case 6. Een welvarende gemeente krijgt te maken met een Vinex-uitbreiding. Er wordt verondersteld dat de instromers gunstig zijn voor een lage bijstandsnood. De simulatie is extreem opgezet, door de instromers karakteristieken toe te kennen die in theorie kunnen leiden tot een verlaging van het bijstandsbudget, niet alleen per inwoner (hetgeen verwacht mag worden), maar (gezien de technische specificatie van het model en het daarop voortbouwende verdeelsysteem) ook in guldens. Voor deze opzet is gekozen om te bezien of het model in hypothetische extreme situaties nog aanvaardbare eigenschappen heeft. Per saldo blijkt dit ongewenste negatieve effect zich niet voor te doen, waarmee het model deze toets goed doorstaat. Tabel 6/2/6 Case 6: Waarde objectieve factor van twee gemeenten voor en na simulatie

Factor Verandering in bevolking

Gemeente C: Vinex-gemeente

Gemeente C: Vinex-gemeente

Waarde objectieve factor in uitgangssituatie

Waarde objectieve factor na simulatie 3000

Absoluut verschil per inwoner 20 – 64 jaar (ƒ)

-23

Absoluut verschil totale bijstandsuitgaven *ƒ1000

220

APE bv

64

Simulaties: stabiliteit en veranderingen in verklarende variabelen

65

Case 7. De laatste simulatie betreft een gemeente van 100.000 inwoners met een zwakke sociale structuur. Van de inwoners vertrekken er 2000 met gunstiger karakteristieken dan de achterblijvers. Verwacht mag worden dat de totale bijstandsuitgaven enigszins dalen, terwijl de uitgaven per inwoner stijgen. Dit komt overeen met de uitkomsten van de simulatie. Tabel 6/2/7 Case 7: Waarde objectieve factor van twee gemeenten voor en na simulatie

Factor Verandering in bevolking Absoluut verschil per inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale bijstandsuitgaven *ƒ1000

Gemeente D: zwakke structuur

Gemeente D: zwakke structuur

Waarde objectieve factor in uitgangssituatie

Waarde objectieve factor na simulatie -2000 27 -30

Het model genereert derhalve redelijke uitkomsten voor de gesimuleerde aanpassingen. Daarbij moet echter bedacht worden, dat budgettering in werkelijkheid zal plaatsvinden op basis van kenmerken van gemeenten in een eerder jaar, namelijk het jaar waarin de objectieve factoren ten behoeve van de budgettering worden gemeten. Veranderingen in de werkelijkheid komen enigszins vertraagd tot uiting in de verandering van de relatieve aandelen van gemeenten in het macrobudget.

APE bv

65

67

7

Aandachtspunten voor de toekomst

Een verdeelmodel is nooit ‘af’. Immers, de werkelijkheid verandert, net als de beschikbare informatie over de werkelijkheid. Het verdeelmodel kan via kleine en grote veranderingen worden aangepast aan nieuwe kennis en mogelijkheden. Dit is ook de gang van zaken bij andere verdeelmodellen, zoals voor het Gemeentefonds en voor de ziektekosten. Hier een aantal van de overwegingen voor verdere verbetering, met consequenties (zie TBG 50).

Data Actualisatie bestaande data Het is mogelijk om het model opnieuw te schatten met meer recente data, zodra deze beschikbaar komen. De coëfficiënten zullen daarbij jaar op jaar enigszins veranderen, deels door toeval, maar verder omdat de werkelijkheid ook verandert. Hoe frequent het model opnieuw geschat wordt, is een beleidskeuze, waarbij actualiteit en voorspelbaarheid tegen elkaar afgewogen moeten worden. Toevoeging nieuwe variabelen Wat betreft data, zal in de toekomst met name gekeken worden naar de beschikbaarheid en betrouwbaarheid van gegevens over maatschappelijke opvang. Op dit moment is het nog niet mogelijk om deze factor op adequate wijze in het model op te nemen. Het is denkbaar in de toekomst gebruik te maken van de ‘kansmeter’ als variabele, zodra deze voldoet aan de kwaliteitseis voor de data. Methode Het gepresenteerde model is geschat op basis van standaardtechnieken in de statistiek, die relatief eenvoudig te implementeren zijn. Bij het specificatieproces is gebleken dat het met deze technieken niet mogelijk is een model te construeren, dat op alle relevante criteria als ‘beste’ uit de bus komt. Er zijn echter andere schattingstechnieken, die op sommige dimensies wellicht betere resultaten geven, bijvoorbeeld door uitschieters in herverdeeleffecten niet of slechts verzwakt in de statistische analyse op te nemen (maar benadrukt dient te worden dat er altijd een prijs betaald moet worden in termen van transparantie of bepaalde slechtere statistische eigenschappen). Ook is het denkbaar om het model te schatten met uitsluiting van een aantal grote gemeenten, en daarvoor een aangepast model te hanteren. Tot slot is het mogelijk om een model te specificeren, dat op basis van karakteristieken van individuen is geschat. De bijstandsnood wordt dan niet gerelateerd aan gemiddelde kenmerken voor gemeenten, maar aan kenmerken voor individuen. Vervolgens wordt op basis van de

Simulaties: stabiliteit en veranderingen in verklarende variabelen

68

aanwezigheid van zulke kenmerken in de verschillende gemeenten een objectieve schatting van bijstandsnood gegeven. Deze microbenadering vergt echter een geheel nieuwe modelmatige analyse en zou een breuk vormen met de nu gehanteerde methode.

APE bv

68

69

8

Conclusie

De overgang van ‘verklaringsmodel’ naar ‘verdeelmodel’ heeft geleid tot een model, dat beduidend aan transparantie heeft gewonnen. De hoop, dat opname van een aantal alternatieve objectieve factoren de verdeeleffecten (met name voor kleine gemeenten) zou kunnen matigen, is echter niet uitgekomen. Het uiteindelijk gepresenteerde model is eenvoudig van opzet: het heeft een simpele lineaire structuur en is gebaseerd op data van de meest recent beschikbare dwarsdoorsnede. De coëfficiënten van het model laten zich eenvoudig interpreteren en zijn qua richting plausibel. In vergelijking met het verklaringsmodel is er geen sprake meer van een ‘black box’. Aan deze transparantie is bij de constructie van het model een zeer zwaar gewicht toegekend. Deze transparantie maakt ook duidelijk wat het model wel en niet vermag. Als instrument voor het budgetteren van de bijstand is het, met name voor de grote gemeenten, geschikt. Voor kleine gemeenten zal het objectieve verdeelmodel in een zeer groot aantal gevallen zijn doel, het introduceren van prikkels in de bijstand, voorbijschieten. Het aantal kleine gemeenten dat ruim door de beleidsmatig vastgestelde budgetteringsgrenzen schiet is immers groot. Wij achten de hoop ijdel, dat toch een model met uitsluitend objectieve factoren geconstrueerd kan worden, dat bij kleine gemeenten zowel matige verdeeleffecten genereert, als voldoet aan de criteria van transparantie, betrouwbare data en bestendigheid voor gemeentelijke herindelingen. Om de overweging, of budgettering op basis van objectieve factoren bij kleine gemeenten zinnig is, te faciliteren, is een indicatieve variant gepresenteerd waarbij kleine gemeenten op basis van historische kosten gebudgetteerd zouden worden. De uitschieters in de verdeeleffecten nemen dan zeer sterk af. Opgemerkt moet uiteraard wel worden, dat in dit geval de lat voor gemeenten, die in het verleden goed beleid gevoerd hebben, hoger komt te liggen. Het budgetteringsmodel vertoont wat betreft de algemene statistische kwaliteiten geen grote verschillen, indien bijstand in enge of in ruime zin wordt geanalyseerd. Indien oudere bijstandsgerechtigden in de budgettering worden meegenomen dient wel de vraag gesteld te worden, in hoeverre realisaties in het verleden indicatief zijn voor budgetten van de toekomst. Deze vraag geldt altijd voor verdeelmodellen, maar is in het bijzonder relevant waar de verdeling van de bijstand voor 65-plussers over de steden aan een trendmatige verandering onderhevig is, zonder dat betrokken gemeenten instrumenten hebben om hier via beleid iets aan te doen. Deze vraag is in dit onderzoek niet nader geanalyseerd. Het gepresenteerde verdeelmodel zal in de toekomst met regelmaat herijkt moeten worden, om veranderingen in de empirische verbanden zo goed als mogelijk op de voet te volgen. Door de keuze het model sterk te vereenvoudigen en het ‘black box’-karakter te verwijderen, is periodieke herijking goed mogelijk. Ervaringen die met de budgettering worden opgedaan

Simulaties: stabiliteit en veranderingen in verklarende variabelen

70

kunnen in dit proces worden meegenomen.

APE bv

70

71

Appendix 1

Bronnen, definities en kerncijfers van de gebruikte data

Deze appendix bevat achtereenvolgens een paragraaf met bronnen, basisdefinities en gemiddelde waarden, een paragraaf met aanvullende informatie over de precieze betekenis van een aantal variabelen en een paragraaf met de correlatiematrix voor de meest relevante variabelen.

Bronnen, definities en kerncijfers van de gebruikte data

72

Bronnen, definities en gemiddelde waarden Tabel A1/1

Bronnen van gebruikte data

Gemeentelijk kenmerk

Definitie

Bron

Basis

Afhankelijke variabelen

Gemiddelden Klein

Groot

Bijstandsuitgaven per hoofd van de potentieel bijstandsgerechtigde bevolking

Verstrekte Abw-uitkeringen / bevolking tussen de 20 en 64 jaar

SZW

Gemeente

379.65

999.83

Bijstandsuitgaven per hoofd van de bevolking

Verstrekte Abw-uitkeringen / bevolking vanaf 20 jaar

SWZ

Gemeente

315.11

834.10

Totale bijstandsuitgaven per hoofd van de bevolking

Totale bijstand / bevolking vanaf 20 jaar

SZW

Gemeente

363.02

879.02

Percentage allochtonen 1ste generatie tussen de 20 en 64 jaar

% van de bevolking

CBS

Gemeente

1.31

4.51

Percentage allochtonen 2de generatie tussen de 20 en 64 jaar

% van de bevolking

CBS

Gemeente

0.15

0.43

Percentage nietNederlanders

% van de bevolking

CBS

Gemeente

2.28

4.65

Percentage 15 – 19 jaar

% van de bevolking

SBG

Gemeente

6.16

5.95

Percentage 20 – 24 jaar

% van de bevolking tussen de 20 en 64 jaar

SBG

Gemeente

9.14

10.41

Percentage 25 – 29 jaar

% van de bevolking tussen de 20 en 64 jaar

SBG

Gemeente

11.46

13.37

Percentage nieuw gescheiden vrouwen

% van de bevolking tussen de 15 en 64 jaar

SBG

Gemeente

0.15

0.22

Percentage verweduwden

% van de bevolking

SBG

Gemeente

5.41

5.68

Percentage eenoudergezinnen tussen de 20 en 64 jaar

% van de bevolking tussen de 15 en 64 jaar

GBA

Gemeente

2.11

3.25

Percentage alleenstaanden tussen de 20 en 64 jaar

% van de bevolking tussen de 15 en 64 jaar

GBA

Gemeente

8.64

15.52

SEO en CBS

Gemeente

0.95

1.01

Demografische kenmerken

Mortaliteit Percentage sociale huurwoningen

% van het totale woningaanbod

VROM

Gemeente

27.32

39.77

Percentage huurwoningen

% van het totale woningaanbod

VROM

Gemeente

35.77

52.15

Gemiddelde woningbezetting

Aantal inwoners gedeeld door het totale woningaanbod

SBG

Gemeente

2.62

2.39

APE bv

72

Bronnen, definities en kerncijfers van de gebruikte data

Tabel A1/1

73

Vervolg Bronnen van gebruikte data

Inkomenskenmerken Percentage personen met inkomens in de decielen 2 – 4 van de landelijke inkomensverdeling

Percentage van het aantal personen met een inkomen

CBS

Gemeente

28.12

30.52

Percentage zelfstandigen

Percentage van het aantal personen met een inkomen

CBS

Gemeente

11.05

6.26

Klantenpotentieel

Maatstaf voor centrumfunctie

SBG

Gemeente

Bevolkingsomvang

Aantal inwoners

SBG

Gemiddelde taxatiewaarde

Gemiddelde taxatiewaarde van woningen

CBS

Omgevingsadressendich theid

Mate van concentratie van menselijke activiteiten

Gemeentelijke werkgelegenheid

Centrumfunctiekenmerken 8922

157078

Gemeente

18338

101657

Gemeente

201.96

167.22

SBG

Gemeente

684

1847

% van de bevolking tussen de 15 en 64 jaar

SBG

Gemeente

42.40

66.91

Regionale werkgelegenheid

% van de bevolking tussen de 15 en 64 jaar

Rarbo n

RBA96

56.69

58.33

Regionale werkloosheid

percentage

EBB

RBA96

4.99

4.95

Uitstroom uit de WW wegens het bereiken van de maximale duur

% van de bevolking tussen de 15 en 64 jaar

LISV

Gemeente

0.44

0.54

Parttimers 12 – 19 uur per week

% van de totale werkgelegenheid

EBB

RBA96

8.88

8.57

Parttimers 20 – 34 uur per week

% van de totale werkgelegenheid

EBB

RBA96

24.27

23.75

Werkgelegenheid in handel en horeca

% van de totale werkgelegenheid

EBB

RBA96

20.52

20.83

Arbeidsongeschiktheid

% van de bevolking tussen de 15 en 64 jaar

CBS en LISV

Gemeente

7.91

8.40

Geregistreerde werkloosheid

Percentage

CBS

RBA96

4.39

5.01

Percentage basisonderwijs

% van de bevolking tussen de 15 en 64 jaar

Rarbo n

RBA96

13.20

13.28

Percentage MAVOopleiding

% van de bevolking tussen de 15 en 64 jaar

Rarbo n

RBA96

10.20

10.28

Percentage MAVO en VBO-opleiding

% van de bevolking tussen de 15 en 64 jaar

Rarbo n

RBA96

25.90

25.36

Percentage VBOopleiding

% van de bevolking tussen de 15 en 64 jaar

Rarbo n

RBA96

15.70

15.07

Arbeidsmarktkenmerken

APE bv

73

Bronnen, definities en kerncijfers van de gebruikte data

74

Aanvullende informatie over bronnen en definities van een aantal factoren Data van het CBS zijn voor zover mogelijk via Statline (de elektronische databank van het CBS) betrokken. Niet alle CBS-data zijn echter op die wijze beschikbaar. Dit betreft het percentage lage inkomens, het percentage zelfstandigen, de geregistreerde werkloosheid naar duur, de alleenstaanden en eenouderhuishoudens en de allochtonen in twee generaties verdeeld. De cijfers van huurwoningen en sociale huurwoningen zijn geleverd door VROM. De gegevens van de arbeidsongeschikten en de uitstroom uit de WW wegens maximale duur zijn van het LISV. Definitie van de objectieve factor allochtonen De 1ste generatie betreft personen die zelf in het buitenland zijn geboren met minstens één in het buitenland geboren ouder. Voor de eerste generatie allochtonen is het herkomstland het land waar de persoon is geboren. De voorwaarde dat één van de ouders in het buitenland moet zijn geboren sluit in het buitenland geboren personen met in Nederland geboren ouders uit. Zij worden, eenmaal teruggekeerd in Nederland, tot de autochtone bevolking van Nederland gerekend. De 2de generatie betreft personen die in Nederland zijn geboren met eveneens minstens één in het buitenland geboren ouder. In deze gegevens over allochtonen is rekening gehouden met de niet-westerse allochtonen. Dit zijn mensen uit Turkije en alle landen in Afrika, Latijns-Amerika en Azië (met uitzondering van Japan en Indonesië). Als informatie over het geboorteland van één van de ouders ontbreekt, wordt verondersteld dat het geboorteland van deze ouder hetzelfde is als dat van de andere ouder. Als informatie over het geboorteland van beide ouders ontbreekt, dan wordt verondersteld dat de ouders hetzelfde geboorteland hebben als de persoon zelf. De definitie van ‘van echt scheidenden’ Van echt scheidenden zijn zij die ten tijde van de inschrijving in een register van de burgerlijke stand in Nederland woonachtig waren. Met ingang van oktober 1994 worden alleen de echtscheidingen geteld waarvan ten minste één de betrokken partner als ingezetene in de basisadministratie van een Nederlandse gemeente is opgenomen. Het maakt daarbij niet uit of de echtscheiding al dan niet door een Nederlandse rechter is uitgesproken. Hebben deze echtscheidingen betrekking op in het buitenland gesloten huwelijken, dan worden ze ingeschreven in het register van de burgerlijke stand van de gemeente ‘s-Gravenhage.

APE bv

74

Bronnen, definities en kerncijfers van de gebruikte data

75

Lage inkomens In de verdelingstabellen van het CBS zijn de aantallen en de gemiddelden afgerond. Door deze afronding is de som van de onderdelen niet altijd precies gelijk aan het bijbehorende totaal. Bij het samenstellen van de tabellen zijn geheimhoudingsregels in acht genomen. Dit betekent indien het aantal steekproef waarnemingen minder dan tien bedraagt, er in de tabellen een ‘X’ voorkomt. Het klantenpotentieel Bij de CBS-definitie van deze variabele is verondersteld dat de regionale aantrekkingskracht van een kern toeneemt met het kwadraat van het inwonertal en afneemt met het kwadraat van de afstand tot die kern. Met ingang van 1999 worden afstanden kleiner dan één kilometer, tussen twee woonkernen gefixeerd op één kilometer. De omgevingsadressendichtheid Voor de berekening van de maatstaf is eerst voor ieder adres binnen een gemeente de adressendichtheid vastgesteld van een gebied met een straal van één kilometer rondom dat adres. Daarna is het gemiddelde berekend van de omgevingsadressendichtheid van alle afzonderlijke adressen binnen de gemeente. De omgevingsadressendichtheid is opgenomen als het gemiddeld aantal adressen per km2 binnen een cirkel met een straal van één kilometer op 1 januari van het desbetreffende jaar. De berekende omgevingsadressendichtheid geeft voor iedere Nederlandse gemeente een numerieke waarde voor de stedelijkheidsmaatstaf. Er is in dit onderzoek gebruik gemaakt van deze variabele ingedeeld in vijf klassen. Om bij toepassing van de indeling in statistieken een zo goed mogelijke celvulling te garanderen zijn de klassengrenzen zo gekozen dat alle klassen ongeveer hetzelfde aantal inwoners bevatten. De klassengrenzen zijn dus ongeveer gelijk aan de kwintielgrenzen van de cumulatieve verdeling naar inwonertal van de gemeenten geordend naar omgevingsadressendichtheid. Na afronding leidt dit tot de grenzen van 2500, 1500, 1000 en 500 omgevingsadressen per km2. De resulterende vijf klassen worden aangeduid met de volgende termen: zeer sterk stedelijk, sterk stedelijk, matig stedelijk, weinig stedelijk en niet stedelijk. Het percentage parttimers Voor het verdeelmodel is om kwaliteitsredenen voor zover mogelijk gekozen voor banengegevens uit de enquête Werkgelegenheid en Lonen op RBA niveau. Helaas komen uit dit onderzoek geen regionale cijfers naar arbeidsduur beschikbaar. Hiervoor moest dus toch de Enquête Beroepsbevolking gebruikt worden. Het gaat dan om gegevens over de werkzame beroepsbevolking naar arbeidsduur per week per RBA. Deze reeks is opgenomen in Statline. De arbeidsduurklassen waaruit gekozen kan worden zijn 12 t/m 19 uur, 20 t/m 34 uur en langer dan 35 uur per week. Iedereen die minder dan 35 uur werkt, wordt beschouwd als een

APE bv

75

Bronnen, definities en kerncijfers van de gebruikte data

76

parttimer. In het onderzoek worden parttimers gedeeld door de totale werkgelegenheid. Parttimers zijn alle mensen van 15 – 64 jaar die tenminste twaalf uur per week werken (werknemers,

zelfstandigen

en

meewerkende

gezinsleden).

De

aantallen

betreffen

jaargemiddelden en de indeling naar regio is gebaseerd op de woongemeente.

APE bv

76

Bronnen, definities en kerncijfers van de gebruikte data

77

Correlatie tussen de meest relevante variabele Tabel A1/2

Correlatiematrix van de gehanteerde variabelen

Variabelen

(1)

Bijstandsuitgaven per inwoner tussen 20 en 64 jaar (1) Bevolking (2) Percentage sociale huurwoningen (3) Percentage lage inkomens (4) Percentage inwoners tussen 15 en 19 jaar (5) Percentage inwoners tussen 25 en 29 jaar (6) RBA-werkloosheidspercentage (7) Percentage parttimers (8) Werkgelegenheid in handel en horeca (9) Percentage eenouderhuishoudens tussen 20 en 64 jaar (10) Gemiddelde woningbezetting (11) Percentage arbeidsongeschikten (12) Percentage WW-ers met maximale duur (13) Percentage nieuw gescheiden vrouwen (14) Omgevingsadressendichtheid (15)

1

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

0.67 0.71

1 0.44

0.61 -0.18

0.26 -0.16

0.44 -0.06

1 -0.06

1

0.46

0.43

0.52

0.28

0.14

1

0.29

0.02

0.20

0.36

-0.05

0.01

-0.01 -0.22

-0.16 -0.01

-0.10 -0.03

0.20 -0.37

0.11 0.07

0.01 0.04

-0.11 -0.56

1 0.30

1

0.78

0.60

0.62

0.27

-0.26

0.24

0.12

-0.13

0.03

1

-0.62

-0.36

-0.45

-0.33

0.56

-0.06

-0.28

0.08

0.15

-0.67

1

0.29

0.07

0.13

0.61

-0.24

-0.07

0.15

0.04

-0.27

0.16

-0.19

1

0.57

0.22

0.39

0.50

-0.25

0.12

0.42

0.09

-0.34

0.43

-0.54

0.38

1

0.51

0.35

0.45

0.13

-0.27

0.15

0.02

-0.10

0.14

0.72

-0.52

0.10

0.24

1

0.68

0.74

0.59

0.15

-0.19

0.45

-0.07

-0.26

0.08

0.76

-0.48

-0.02

0.18

0.57

(15)

1

1

1

(16)

Bronnen, definities en kerncijfers van de gebruikte data

Klantenpotentieel (16)

APE bv

0.65

0.98

0.39

78

0.27

-0.15

0.41

0.03

-0.12

-0.03

0.54

-0.33

0.07

0.21

0.29

0.66

1

78

81

Appendix 2

Het verklaringsmodel

Als uitgangspunt voor het onderzoekstraject gold het verklaringsmodel volgens het rapport ‘Actualisatie berekende bijstand in model: eindrapportage’.37 Dit model betrof een paneldata model voor de periode 1993-1997. Het model was geschat voor meerdere jaarwaarnemingen van alle gemeenten, voor alle gemeenten en gemeenten met meer dan 50.000 inwoners. Tabel A2/1 memoreert de schattingsresultaten van dit model voor alle gemeenten. Tabel A2/1

Schattingen Ln(bijstandsuitgaven per inwoner van 20-64 jaar). Schattingen voor alle gemeenten voor de jaren 1993-1997

Variabele

Coëfficiënt

Tijdsinvariante variabelen Constante

9.08

Percentage lage inkomens

0.03

Percentage zelfstandigen

-0.03

Ln(klantenpotentieel)

0.06

Macro-ontwikkeling Abw-uitgaven (jaardummies) Dummy voor 1994

0.01

Dummy voor 1995

-0.19

Dummy voor 1996

-0.07

Dummy voor 1997

-0.12

(

Afwijkingen variabelen xi , t − xi

)

Percentage gescheiden personen

0.06

RBA-werkgelegenheid als pct. Van de PBB

0.08

Gemeentelijke werkgelegenheid als pct. Van de PBB

-0.09

Aandeel handel en horeca in RBAwerkgelegenheid

-0.02

Aandeel WW-ers met maximale duur

0.03

Percentage huurwoningen

-0.78

Aandeel niet-Nederlanders

0.00

Aandeel arbeidsongeschikten

0.00

Ln(bevolking)

2.26

Ln(bevolking) kwadratisch

-0.06

Aandeel inwoners 15-19 jaar

-6.82

37

E.S. Mot, F. Felsö, E. Brouwer (1999), met advies van L. Aarts, Actualisatie berekende bijstand in model: eindrapportage, SEO-rapport 501, Stichting voor Economisch Onderzoek, Amsterdam.

Simulaties

Tabel A2/1

82

Vervolg Schattingen Ln(bijstandsuitgaven per inwoners 20-64 jaar). Schattingen voor alle gemeenten voor de jaren 1993 – 1997

Aandeel inwoners 20 – 24 jaar

-1.90

Aandeel inwoners 25 – 29 jaar

-3.94

Percentage verweduwden

0.93

RBA-werkloosheidspercentage

0.00

Percentage nieuw gescheiden vrouwen

1.44

[ (

Afwijking interactieterm xi , t inwoners i , t − inwoners i

)]

Aandeel inwoners 15 – 19 jaar

-6.58

Aandeel inwoners 20 – 24 jaar

-5.64

Aandeel inwoners 25 – 29 jaar

-5.47

Percentage nieuw gescheiden vrouwen

1.24

( )

Gemiddelde variabele xi

Percentage gescheiden personen

0.10

RBA-werkgelegenheid

-0.57

Gemeentelijke werkgelegenheid

-0.09

Aandeel handel en horeca in RBAwerkgelegenheid

-0.02

Aandeel WW-ers met maximale duur

0.42

Percentage huurwoningen

0.88

Aandeel niet-Nederlanders

0.01

Aandeel arbeidsongeschikten

-0.00

Ln(bevolking)

0.83

Ln(bevolking) kwadratisch

-0.04

Aandeel inwoners 15 – 19 jaar

-5.52

Aandeel inwoners 20 – 24 jaar

-1.74

Aandeel inwoners 25 – 29 jaar

-0.56

Percentage verweduwden

-3.65

Werkloosheidspercentage in RBA-regio

0.01

Percentage nieuw gescheiden vrouwen

1.21

[ (

Gemiddelde interactietermen xt inwoners

)]

Aandeel inwoners 15 – 19 jaar

0.70

Aandeel inwoners 20 – 24 jaar

0.16

Aandeel inwoners 25 – 29 jaar

0.39

Percentage nieuw gescheiden vrouwen

APE bv

-0.13

82

83

Appendix 3

Verdeeleffecten van de belangrijkste alternatieve modellen

Deze appendix bevat tabellen met verdeeleffecten van de een aantal modellen dat de revue is gepasseerd in de analyses. Het gaat om: 1.

Het ‘verklaringsmodel’ (paneldata structuur; zie Appendix 2);

2.

Het dwarsdoorsnede model met logaritmische variabelen;

3.

Het dwarsdoorsnede model lineair (zonder logaritmische variabelen);

4.

Het vereenvoudigde en aangepaste dwarsdoorsnede model

5.

Het objectieve dwarsdoorsnede model in combinatie met historische kosten

1. Verklaringsmodel Tabel A3/1

Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abw-uitgaven per gemeentegrootteklasse voor alle gemeenten in de periode 1993 – 1997

Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

Aantal gemeenten 362 98 33 15 9 517

Aandeel in de Abw-uitgaven 12% 14% 17% 15% 41% 100%

Gemiddeld procentueel verschil, (ongewogen) 18% 13% 9% 8% 9% 16%

Verdeeleffecten van de belangrijkste alternatieve modellen

84

2. Dwarsdoorsnede model logaritmisch Tabel A3/2

Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abw-uitgaven per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

Tabel A3/3

Aandeel in de Abw-uitgaven

Aantal gemeenten 375 105 33 15 10 538

Gemiddeld procentueel verschil, (ongewogen)

11.9% 14.1% 16.1% 13.4% 44.4% 100.0%

20% 13% 9% 6% 5% 17%

Percentage en aantal gemeenten met een te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

26%

97

25.000 tot 50.000

13%

14

50.000 tot 100.000

18%

6

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

23%

122

APE bv

84

Verdeeleffecten van de belangrijkste alternatieve modellen

85

3. Dwarsdoorsnede model lineair Tabel A3/4

Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abw-uitgaven per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

Aantal gemeenten

Aandeel in de Abw-uitgaven

Gemiddeld procentueel verschil, (ongewogen)

0 tot 25.000

375

12.0%

26%

25.000 tot 50.000

105

14.2%

17%

50.000 tot 100.000

33

16.2%

10%

100.000 tot 150.000

15

13.6%

10%

Meer dan 150.000

10

44.0%

6%

538

100.0%

22%

Totaal

Tabel A3/5

Percentage en aantal gemeenten met een te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse 0 tot 25.000 25.000 tot 50.000 50.000 tot 100.000 100.000 tot 150.000 Meer dan 150.000 Totaal

APE bv

% gemeenten met te negatieve herverdeeleffecten 29% 18% 18% 27% 10% 26%

Aantal gemeenten met te negatieve herverdeeleffecten 108 19 6 4 1 138

85

Verdeeleffecten van de belangrijkste alternatieve modellen

86

4. Dwarsdoorsnede model vereenvoudigd en aangepast Tabel A3/6

Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abw-uitgaven per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

Aandeel in de Abw-uitgaven

Aantal gemeenten

Gemiddeld procentueel verschil, (ongewogen)

0 tot 25.000

375

12.0%

32%

25.000 tot 50.000

105

14.2%

16%

50.000 tot 100.000

33

16.2%

11%

100.000 tot 150.000

15

13.6%

13%

Meer dan 150.000

10

44.0%

6%

538

100.0%

26%

Totaal

Tabel A3/7

Percentage en aantal gemeenten met een te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

40%

150

25.000 tot 50.000

16%

17

50.000 tot 100.000

24%

8

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

33%

180

APE bv

86

Verdeeleffecten van de belangrijkste alternatieve modellen

87

5. Dwarsdoorsnede model objectief in combinatie met historisch Tabel A3/8

Ongewogen gemiddelden van de (absolute waarde van) de gemiddelde procentuele verschillen tussen de voorspelde en gerealiseerde Abw-uitgaven per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

Aandeel in de Abw-uitgaven

Aantal gemeenten

Gemiddeld procentueel verschil, (ongewogen)

0 tot 25.000

375

12.0%

11%

25.000 tot 50.000

105

14.2%

8%

50.000 tot 100.000

33

16.2%

11%

100.000 tot 150.000

15

13.6%

13%

Meer dan 150.000

10

44.0%

7%

538

100.0%

10%

Totaal

Tabel A3/9

Percentage en aantal gemeenten met een te groot negatief herverdeeleffect (minimum van ƒ15,- per inwoner en 15% herverdeeleffect), bij 25% objectief en 75% op declaratiebasis per gemeentegrootteklasse voor alle gemeenten in 1998

Gemeentegrootteklasse

% gemeenten met te negatieve herverdeeleffecten

Aantal gemeenten met te negatieve herverdeeleffecten

0 tot 25.000

15%

58

25.000 tot 50.000

11%

12

50.000 tot 100.000

18%

6

100.000 tot 150.000

27%

4

Meer dan 150.000

10%

1

Totaal

15%

81

APE bv

87

89

Appendix 4 gemeenten

Gesprekken met

Als onderdeel van het onderzoek is gesproken met vertegenwoordigers van een zestal gemeenten. De gesprekken zijn steeds per twee gemeenten gevoerd, waarbij gemeenten van vergelijkbare omvang met een duidelijk negatief en duidelijk positief herverdeeleffect gekoppeld werden.

Opzet De gesprekken hadden tot doel om te bezien: 1.

Of de effecten, die op basis van het verklaringsmodel (met paneldata structuur) gegenereerd werden, plausibel waren in het licht van de situatie in de gemeenten;

2.

Of er ten onrechte belangrijke objectieve factoren in het model ontbraken.

In de gesprekken is niet gepoogd de kwaliteit van het beleid objectief te meten. Zou dit kunnen, dan was er geen verdeelmodel nodig op basis van objectieve factoren maar zou de directe weg bewandeld zijn, budgettering op basis van beleid. Wel is gepoogd enig inzicht te verkrijgen in de bestuurlijke omstandigheden van gemeenten. Daarbij kwam aan de orde: -

Een subjectief oordeel van de aanwezige beleidsambtenaren over de kwaliteit en betrokkenheid van de wethouder, waarbij ook gevraagd is of bijstandsbeleid als bestuurlijke prioriteit geldt;

-

De continuïteit van beleid (de situatie nu vergeleken met vijf jaar geleden);

-

Samenwerking sociale dienst en arbeidsvoorziening;

-

Is er actief en effectief werkgelegenheidsbeleid of uitstroombeleid;

-

Is er actief en effectief poortwachters- en sanctiebeleid;

-

Zijn er relevante regionale samenwerkingsverbanden;

-

Specifieke lokale en regionale omstandigheden die het modelmatige effect kunnen verklaren.

Beleid Uit de gesprekken kwam het beeld naar voren dat de uitkomsten van het verklaringsmodel wat betreft de grotere gemeenten qua richting overeenkomen met de subjectieve impressie die in de gesprekken werd gewekt. Gemeenten met een positief herverdeeleffect lijken bijvoorbeeld een strengere poortwachter te hebben, waarbij aanvragers voor ene uitkering bijvoorbeeld eerst verplicht wordt bij een uitzendbureau voorbij te gaan alvorens de aanvraag in behandeling

Gesprekken met gemeenten

90

wordt genomen. De aanwezigheid van een uitzendbureau binnen de gemeentegrenzen werd overigens als relevante variabele genoemd. Hierover waren geen data beschikbaar. Indien de factor werkelijk relevant is, zouden gemeenten de vestiging van uitzendbureaus met beleid kunnen ondersteunen, waarmee het niet geheel voldoet aan het criterium dat het een ‘objectieve’, van het beleid onafhankelijke variabele betreft. De mate waarin het poortwachterseffect een rol kan spelen neemt volgens sommige gemeenten af. De bijstandspopulatie bestaat in toenemende mate uit cliënten in ‘fase 4’. Er is minder instroom dan vroeger, uitstroom hangt sterker af van de kwaliteiten van de cliënten. De faseindeling was overigens nog niet beschikbaar voor gebruik in het verdeelmodel. Verschillen in beleid lijken volgens de gesprekspartners in het verdere verleden (vijf jaar) een grotere rol gespeeld te hebben dan in het meer recente verleden. Dit komt mede door de veranderende arbeidsmarktsituatie. Bij de kleinere gemeenten speelde de toevalsfactor een grote rol en was het verschil in beleid niet zo in het oog springend dat dit de verschillen in verdeeleffecten zou kunnen verklaren. Het al dan niet aanwezig zijn van een goede consulent maakt op dit niveau al een groot verschil. Overigens kan dit wel als beleidsmatige variabele worden aangemerkt.

Objectieve factoren In de gesprekken is uitgebreid aandacht besteed aan mogelijke objectieve factoren die in het model gemist worden. Daarbij zijn met name zeer specifieke factoren genoemd (de ligging aan een grote rivier) en factoren die niet beschikbaar zijn (zoals zeer specifieke groepen allochtonen, aanwezigheid van een asielzoekerscentrum, woonwagenbewoners). Ook is kerkelijke gezindheid als factor genoemd. Omdat dit een merkwaardige grond voor het vaststellen van budgetten lijkt is deze factor niet in de analyse meegenomen. Verder is de regionale opvangfunctie van gemeenten genoemd. Deze factor is in de analyse ondervangen door de invloed van andere centrumfunctiekenmerken te onderzoeken. Ook wordt de arbeidsmarktsituatie in verschillende bedrijfstakken genoemd. Dit is in eerdere analyses met het paneldata model kwantitatief onderzocht en bleek toen (met uitzondering van de sector handel en horeca) niet van belang te zijn bij het verklaren van de bijstand. Een genoemde factor die met andere woorden ook in andere gremia is genoemd, is de aanwezigheid van goedkope huisvesting. Het percentage sociale huurwoningen geldt hiervoor als indicatie en is in het model opgenomen. Ook genoemd is de WOZ-waarde. Deze bleek geen bruikbare factor (zie hoofdtekst).

APE bv

90

Gesprekken met gemeenten

91

Een genoemde factor die niet nader kwantitatief geanalyseerd is, is de beschikbaarheid van kinderopvang. De overweging daarbij was dat beperkingen in de beschikbaarheid in de periode waarvoor het model geschat is (1998) nog niet als belangrijke reden wordt gezien voor relatief hoge bijstandsdruk. Na het aanscherpen van de sollicitatieplicht voor bijstandsmoeders zou dit in de toekomst kunnen veranderen. Tot slot: in een van de gesprekken is vanuit de gemeenten opgemerkt dat men het betreurt, dat herverdeling plaats zal vinden op basis van factoren die door het CBS aangeleverd worden. Dit, terwijl gemeenten zeer veel actuele informatie in de doeltreffendheidrapporten (‘en alle andere rapporten die ingevuld moeten worden’) verstrekken. Een directe meting van beleidskwaliteit zou volgens sommige gemeentelijke vertegenwoordigers mogelijk moeten zijn. Dit lijkt een te optimistische stellingname.

APE bv

91

93

Appendix 5

Simulaties

De begeleidingscommissie heeft een zevental cases voorgesteld die de gevoeligheid van het model voor Abw-uitgaven tot 65 jaar in kaart brengt. Daarbij was de bedoeling om de gevolgen van bepaalde veranderingen in een gemeente met een lage of hoge bijstandsdruk te analyseren. De aangeleverde cases waren niet altijd direct geschikt voor verwerking in het model, doordat ze niet 1-op-1 aansloten op de gebruikte variabelen. Bovendien waren in een paar gevallen de voorgestelde simulaties dermate extreem, dat deze niets met feitelijk mogelijke veranderingen te maken hebben en daarom ook geen inzicht konden verschaffen in mogelijke gevolgen voor de budgettering van de bijstand. Om die redenen zijn de cases zodanig geformuleerd dat deze hoewel vaak nog wel extreem, ook nog ‘realistisch’ en informatief zijn. Bovendien is een zo goed mogelijke vergelijkbaarheid nagestreefd. In elke case gaan wij uit van een of twee gemeenten waar zich een verandering van samenstelling van de populatie voor doet. Door nu te kijken naar de geschatte bijstandsuitgaven per inwoner van 20 tot 65 jaar en totale bijstandsuitgaven voor en na de simulatie kunnen wij bepalen of het model plausibele uitkomsten genereert. In de eerste vijf cases gaan wij steeds uit van twee bestaande gemeenten. Een gemeente ‘A’ met ongeveer 100 duizend inwoners heeft een groot positief herverdeeleffect (met relatief weinig mensen in de bijstand) en een bestaande gemeente ‘B’ van ongeveer 100 duizend inwoners heeft een groot negatief herverdeeleffect (met relatief veel mensen in de bijstand). Voor beide gemeenten veranderen we de samenstelling van de bevolking en ramen de voor beide gemeenten. De zesde case gaat over een Vinex-gemeente en de laatste case gaat over een gemeente met een zwakke structuur met emigratiesaldo.

Simulaties

94

Eerste Case Toename van 2000 inwoners, waarvan 400 de leeftijd hebben tussen 15 en 19 jaar. Deze jongeren gaan allemaal in de handel en horeca sector werken, waarbij de karakteristieken van de 1600 volwassenen niet afwijken van de oorspronkelijke inwoners van beide gemeenten. Het gemiddelde aantal inwoners tussen de 15 en 19 is voor beide gemeenten ruim 5%. Bij de nieuwelingen is het gemiddelde beduidend hoger, namelijk 20%. In Tabel A5/1 staan de waarden van de objectieve factoren van beide gemeenten en de uitkomst van de simulatie. Doordat in het model de werkgelegenheid in handel en horeca op RBA-niveau is opgenomen verandert het gemiddelde amper (verschil is pas zichtbaar bij drie cijfers achter de komma). De bijstandsuitgaven per inwoner van 20 tot 65 jaar dalen voor beide gemeenten met ongeveer ƒ15,-. De totale bijstandsuitgaven stijgen voor beide gemeenten. Voor ‘B’ is de stijging van de totale bijstandsuitgaven38 groter dan voor ‘A’, omdat in ‘B’ meer mensen een bijstandsuitkering hebben dan in ‘A’.

38

APE bv

De verandering wordt in duizenden guldens aangegeven.

94

Simulaties

Tabel A5/1

95

Case 1: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: Gemeente B: Gemeente A: Gemeente B: met groot met groot met groot met groot positief negatief positief negatief herverdeeleffect herverdeeleffect herverdeeleffect herverdeeleffect

Factoren

Percentage lage inkomens Percentage WW-ers met maximale duur Verandering in Bevolking ** Percentage eenouderhuishoudens tussen 20 en 64 jaar

Waarden Waarden objectieve objectieve factoren in factoren in uitgangssituatie uitgangssituatie

Waarden objectieve factoren na simulering

Waarden objectieve factoren na simulering

30.00

33.00

30.00

33.00

0.49

0.50

0.49

0.50

2,000

2,000

3.11

3.85

3.11

3.85

Percentage parttimers 12 – 19 uur per week op RBA – niveau

11.18

7.41

11.18

7.41

Werkgelegenheid in handel en horeca op RBA Percentage inwoners tussen 15 en 19 jaar ** Percentage inwoners tussen 25 en 29 jaar RBAwerkloosheidspercentage Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten

25.24

20.81

25.24

20.81

5.41

5.79

5.66

6.03

17.82

14.09

17.82

14.09

3.30

6.80

3.30

6.80

39.34

39.57

39.34

39.57

237.11

232.91

237.11

232.91

6.11

6.60

6.11

6.60

Bijstandsuitgaven per inwoner 20 – 64 jaar Totale bijstandsuitgaven (*ƒ1000) Absoluut verschil per inwoner 20 – 64 jaar (ƒ)

1,181

1,473

1,166

1,459

92,650

106,900

93,030

107,640

.

.

-15

-14

Absoluut verschil totale bijstandsuitgaven *ƒ1000

.

.

380

740

Verschil in % per inwoner 20 – 64 jaar

.

.

-1.28%

-0.98%

Verschil in % totale bijstandsuitgaven

.

.

0.41%

0.69%

De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

95

Simulaties

96

Tweede Case Nu aanvaarden 1000 bijstandsgerechtigden, die ontheven zijn van de arbeidsverplichting, voor dezelfde twee gemeenten als in case 1 een deeltijdbaan tussen de 12 en 19 uur. Ervan uitgaande dat deze bijstandsgerechtigden vanwege de ontheffing van de arbeidsverplichting niet tot de werkloosheid worden gerekend, neemt de RBA-werkloosheid niet af, de beroepsbevolking neemt wel toe. De beroepsbevolking zit echter niet in het model. De overige waarden van de exogene factoren blijven gelijk. Voordat wij naar de uitkomst kijken is een opmerking wel op zijn plaats. Een besteedbaar inkomen tot ƒ25.500 per jaar wordt als laag inkomen gerekend. Doordat de 1000 bijstandsgerechtigden een deeltijdbaan vinden, zou het besteedbaar inkomen voor een aantal van deze mensen niet meer tot een laag inkomen gerekend kunnen worden. In dat geval zal de geschatte bijstandsuitgaven wat lager uitvallen dan nu uit de simulatie rolt. De gevonden effecten zijn vrij klein, dit komt omdat het percentage parttimers per RBA gebied is.

APE bv

96

Simulaties

Tabel A5/2

97

Case 2: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: Gemeente B: Gemeente A: Gemeente B: met groot met groot met groot met groot positief negatief positief negatief herverdeeleffec herverdeeleffect herverdeeleffect herverdeeleffect t

Factoren

Percentage lage inkomens Percentage WW-ers met maximale duur

Waarden Waarden objectieve objectieve factoren in factoren in uitgangssituatie uitgangssituatie

Waarden objectieve factoren na simulering

30.00

33.00

30.00

33.00

0.49

0.50

0.49

0.50

0

0

Verandering in Bevolking Percentage eenouderhuihoudens tussen 20 en 64 jaar

Waarden objectieve factoren na simulering

3.11

3.85

3.11

3.85

Percentage parttimers 12 – 19 uur per week op RBAniveau**

11.18

7.41

11.18

7.42

Werkgelegenheid in handel en horeca op RBA-niveau Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBAwerkloosheidspercentage Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten

25.24

20.81

25.24

20.81

5.41

5.79

5.41

5.79

17.82

14.09

17.82

14.09

3.30

6.80

3.30

6.80

39.34

39.57

39.34

39.57

237.11

232.91

237.11

232.91

6.11

6.60

6.11

6.60

Bijstandsuitgaven per 1,181 1,473 1,181 inwoner 20-64 jaar Totale bijstandsuitgaven in 92,650 106,900 92,660 duizenden guldens Absoluut verschil per . . 0 inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale . . 10 bijstandsuitgaven in *ƒ1000 Verschil in % per inwoner . . 0.02% 20 – 64 jaar Verschil in % totale . . 0.01% bijstandsuitgaven De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

1,473 106,900 0 0 0.00% 0.00%

97

Simulaties

98

Derde Case In deze derde case worden in beide gemeenten 1000 asielzoekers met een A-status toegelaten. Voor beide gemeenten geldt dat 700 asielzoekers de leeftijd hebben tussen 20 en 64 jaar. Ze hebben allen een laag inkomen en komen in aanmerking voor de bijstand. De verandering in de bijstandsuitgaven per inwoner tussen 20 en 64 jaar en de totale bijstandsuitgaven verschillen amper tussen de twee gemeenten. Omgerekend per hoofd asielzoeker met een leeftijd tussen de 20 en 64 jaar stijgt de bijstandsuitgaven ƒ600 per maand.

APE bv

98

Simulaties

Tabel A5/3

99

Case 3: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: Gemeente B: Gemeente A: Gemeente B: met groot met groot met groot met groot positief negatief positief negatief herverdeeleffec herverdeeleffect herverdeeleffect herverdeeleffect t

Factoren

% lage inkomens **

Waarden Waarden objectieve objectieve factoren in factoren in uitgangssituatie uitgangssituatie

Waarden objectieve factoren na simulering

Waarden objectieve factoren na simulering

30.00

33.00

30.62

33.64

Percentage WW-ers met maximale duur ** Verandering in Bevolking ** Percentage eenouderhuishoudens tussen 20 en 64 jaar

0.49

0.50

0.48

0.49

3.11

3.85

3.11

3.85

Percentage parttimers 12 – 19 uur per week op RBAniveau **

11.18

7.41

11.15

7.41

Werkgelegenheid in handel en horeca op RBA-niveau ** Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBAwerkloosheidspercentage ** Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten

25.24

20.81

25.17

20.78

5.41

5.79

5.41

5.79

17.82

14.09

17.82

14.09

3.30

6.80

3.29

6.79

39.34

39.57

39.34

39.57

237.11

232.91

237.11

232.91

6.11

6.60

6.00

6.47

1,000

Bijstandsuitgaven per 1,181 1,473 1,235 inwoner 20 – 64 jaar Totale bijstandsuitgaven in 92,650 106,900 97,680 duizenden guldens Absoluut verschil per . . 54 inwoner 20 – 64 jaar (ƒ) Absoluut verschil totale . . 5,030 bijstandsuitgaven in *ƒ1000 Verschil in % per inwoner . . 4.54% 20 – 64 jaar Verschil in % totale . . 5.43% bijstandsuitgaven De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

1,000

1,529 111,880 56 4,980 3.78% 4.66%

99

Simulaties

100

Vierde Case Analoog aan de derde case, maar nu verhuist de genoemde groep van 1000 asielzoekers van ‘A’ naar ‘B’. We zien dat wat ‘A’ minder krijgt, ‘B’ meer krijgt.

APE bv

100

Simulaties

Tabel A5/4

101

Case 4: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: Gemeente B: Gemeente A: Gemeente B: met groot met groot met groot met groot positief negatief positief negatief herverdeeleffe herverdeeleffe herverdeeleffect herverdeeleffect ct ct

Factoren

Waarden Waarden objectieve objectieve factoren in factoren in uitgangssituati uitgangssituati e e

% lage inkomens**

30.00

33.00

29.37

33.64

0.49

0.50

0.50

0.49

Percentage WW-ers met maximale duur** Verandering in Bevolking** Percentage eenouderhuishoudens tussen 20 en 64 jaar

Waarden objectieve factoren na simulering

-1,000

Waarden objectieve factoren na simulering

1,000

3.11

3.85

3.11

3.85

Percentage parttimers 12 – 19 uur per week op RBAniveau**

11.18

7.41

11.28

7.34

Werkgelegenheid in handel en horeca op RBA-niveau** Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBAwerkloosheidspercentage** Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten

25.24

20.81

25.47

20.61

5.41

5.79

5.41

5.79

17.82

14.09

17.82

14.09

3.30

6.80

3.31

6.79

39.34

39.57

39.34

39.57

237.11

232.91

237.11

232.91

6.11

6.60

6.22

6.47

Bijstandsuitgaven per 1,181 1,473 1,126 inwoner 20-65 Totale bijstandsuitgaven in 92,650 106,900 87,550 duizenden guldens Absoluut verschil per . . -55 inwoner 20-65 (ƒ) Absoluut verschil totale . . -5,100 bijstandsuitgaven in *ƒ1000 Verschil in % per inwoner . . -4.68% 20-65 Verschil in % totale . . -5.50% bijstandsuitgaven De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

1,530 111,990 57 5,090 3.89% 4.76%

101

Simulaties

102

Vijfde Case Analoog aan de derde en vierde case, maar nu verhuist de genoemde groep van 1000 asielzoekers van ‘B’ naar ‘A’. We zien dat wat ‘B’ minder krijgt, ‘A’ meer krijgt.

APE bv

102

Simulaties

Tabel A5/5

103

Case 5: Waarden objectieve factoren van twee gemeenten voor en na simulatie Gemeente A: Gemeente B: Gemeente A: Gemeente B: met groot met groot met groot met groot positief negatief positief negatief herverdeeleffec herverdeeleffect herverdeeleffect herverdeeleffect t

Factoren

% lage inkomens **

Waarden Waarden objectieve objectieve factoren in factoren in uitgangssituatie uitgangssituatie

Waarden objectieve factoren na simulering

Waarden objectieve factoren na simulering

30.00

33.00

30.62

32.35

Percentage WW-ers met maximale duur ** Verandering in Bevolking ** Percentage eenouderhuihoudens tussen 20 en 64 jaar

0.49

0.50

0.48

0.51

3.11

3.85

3.11

3.85

Percentage parttimers 12 – 19 uur per week op RBAniveau **

11.18

7.41

11.08

7.49

Werkgelegenheid in handel en horeca op RBA-niveau ** Percentage inwoners tussen 15 en 19 jaar Percentage inwoners tussen 25 en 29 jaar RBAwerkloosheidspercentage ** Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten

25.24

20.81

25.02

21.01

5.41

5.79

5.41

5.79

17.82

14.09

17.82

14.09

3.30

6.80

3.29

6.81

39.34

39.57

39.34

39.57

237.11

232.91

237.11

232.91

6.11

6.60

6.00

6.73

1,000

Bijstandsuitgaven per 1,181 1,473 1,236 inwoner 20 – 64 jaar Totale bijstandsuitgaven in 92,650 106,900 97,740 duizenden guldens Absoluut verschil per . . 54 inwoner 20-64 jaar (ƒ) Absoluut verschil totale . . 5,090 bijstandsuitgaven in *ƒ1000 Verschil in % per inwoner . . 4.60% 20 – 64 jaar Verschil in % totale . . 5.49% bijstandsuitgaven De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

-1,000

1,415 101,790 -58 -5,110 -3.96% -4.78%

103

Simulaties

104

Zesde Case Deze case gaat over één welvarende gemeente met Vinex-uitbreiding. De kenmerken van deze gemeente ‘C’ wijken sterk af van de gemeenten ‘A’ en ‘B’ uit de vorige cases. Het gaat nu over een gemeente met 70.000 inwoners met een gemiddeld aandeel inwoners tussen 20 en 64 jaar, met

relatief

weinig

lage

inkomens39,

relatief

veel

jongeren,

relatief

laag

werkloosheidspercentage, gemiddeld percentage parttimers, relatief weinig handel-horeca, relatief weinig eenoudergezinnen, relatief laag arbeidsongeschiktheid en relatief laag percentage WW-ers met maximale duur. De precieze waarden van de kenmerken staan van deze Vinex gemeente beschreven in Tabel A5/6. Nu komt er in deze gemeente 3000 inwoners vanuit andere gemeenten bij, waarvan 2000 een leeftijd hebben van 20 tot en met 64 jaar. Wij gaan er van uit dat de karakteristieken van de nieuwe inwoners gunstig zijn voor een lage bijstandsnood. Het percentage met een laag inkomen van de oorspronkelijke bewoners bedraagt ongeveer 25 procent. Voor de nieuwkomers bedraagt dit percentage de helft, dus 12½ procent. Wij hebben dan ook voor de nieuwkomers handel-horeca, jongeren tussen 15 en 19 jaar, éénoudergezinnen, arbeidsongeschikten en percentage WW-ers met maximale duur het percentage gehalveerd ten opzichte van de oorspronkelijke bewoners. Voor de overige factoren hebben wij het percentage constant gehouden. We zien dat de bijstandsuitgaven per inwoner van 20 tot en met 64 jaar daalt en dat de totale bijstandsuitgaven wat toeneemt.

Bij deze case en de volgende case gebruiken wij de term ‘relatief laag‘ voor een waarde van een kenmerk die 10% lager ligt dan een kenmerk van een gemiddelde gemeente met ongeveer de zelfde aantal inwoners. De term ‘relatief hoog’ gebruiken wij als een kenmerk die 10% hoger ligt dan een kenmerk van een gemiddelde gemeente met ongeveer hetzelfde aantal inwoners. 39

APE bv

104

Simulaties

Tabel A5/6

105

Case 6: Waarden objectieve factoren van een Vinex gemeente voor en na simulatie. Gemeente C: Vinexgemeente

Factoren

Gemeente C: Vinexgemeente

Waarden objectieve Waarden objectieve factoren in factoren na simulering uitgangssituatie

% lage inkomens ** Percentage WW-ers met maximale duur **

27.46

26.88

0.49

0.48

Verandering in Bevolking **

3,000

Percentage eenouderhuishoudens tussen 20 en 64 jaar ** Percentage parttimers 12 – 19 uur per week op RBA-niveau Werkgelegenheid in handel en horeca op RBAniveau ** Percentage inwoners tussen 15 en 19 jaar ** Percentage inwoners tussen 25 en 29 jaar ** RBA-werkloosheidspercentage

2.93

2.81

8.57

8.57

18.75

17.95

6.54

6.26

13.37

13.44

4.46

4.46

7.56

7.24

Percentage sociale huurwoningen Gemiddelde woningbezetting Percentage arbeidsongeschikten ** Bijstandsuitgaven per inwoner 20 – 64 jaar

656

Totale bijstandsuitgaven in duizenden guldens Absoluut verschil per inwoner 20 – 64 jaar (ƒ)

29,380

632 29,600

.

-23

Absoluut verschil totale bijstandsuitgaven *ƒ1000 .

220

Verschil in % per inwoner 20-65

.

-3.55%

Verschil in % totale bijstandsuitgaven

.

0.75%

De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

105

Simulaties

106

Zevende Case Het gaat nu om een gemeente met een zwakke structuur met emigratiesaldo. De kenmerken van deze gemeente ‘D’ wijkt ook sterk af van de gemeenten ‘A’, ‘B’ en ‘C’ uit de vorige cases. Het gaat nu over een gemeente met 100 duizend inwoners met een relatief laag percentage inwoners tussen 20 en 64 jaar. Met relatief veel lage inkomens, relatief hoog werkloosheidspercentage, relatief veel handel-horeca, relatief veel eenoudergezinnen, relatief veel arbeidsongeschiktheid en relatief hoog percentage WW-ers met maximale duur. De overige kenmerken zijn gelijk aan de gemiddelde kenmerken van gemeenten met inwoners tussen de 80 duizend en 120 duizend inwoners. Nu gaan er 2000 inwoners weg uit de gemeente, waarvan 1300 een leeftijd hebben van 20 tot 64 jaar. Wij zijn er vanuit gegaan dat de inwoners die weggaan gunstiger karakteristieken hebben dan de blijvers. Op analoge wijze als in de zesde case gaan we er van uit dat de vertrekkers 50% gunstiger karakteristieken waarden hebben dan de blijvers. Dit is toegepast op de volgende kenmerken: lage inkomens, jongeren tussen 15-19 jaar en volwassenen tussen 25-29 jaar, éénoudergezinnen, arbeidsongeschikten en het percentage WW-ers met maximale duur. Voor de overige factoren is het percentage constant gehouden. We zien dat de bijstandsuitgaven per inwoner tussen 20 en 64 jaar stijgen. De totale bijstandsuitgaven dalen.

APE bv

106

Simulaties

Tabel A5/7

107

Case 7: Waarden objectieve factoren van een gemeente met zwakke structuur Gemeente D: zwakke structuur

Factoren

Gemeente D: zwakke structuur

Waarden objectieve Waarden objectieve factoren in factoren na uitgangssituatie simulering

% lage inkomens ** Percentage WW-ers met maximale duur **

33.57

33.93

0.60

0.61

Verandering in Bevolking **

-2,000

Percentage eenouderhuishoudens tussen 20 en 64 jaar ** Percentage parttimers 12 – 19 uur per week op RBAniveau Werkgelegenheid in handel en horeca op RBA-niveau ** Percentage inwoners tussen 15 en 19 jaar **

3.58

3.62

8.57

8.57

22.91

23.25

5.95

6.03

13.37

13.52

RBA-werkloosheidspercentage

5.45

5.45

Percentage sociale huurwoningen

0.00

0.00

Gemiddelde woningbezetting

0.00

0.00

Percentage arbeidsongeschikten **

9.24

9.38

Percentage inwoners tussen 25 en 29 jaar **

Bijstandsuitgaven per inwoner 20 – 64 jaar Totale bijstandsuitgaven in duizenden guldens

1,274

1,301

77,450

77,420

Absoluut verschil per inwoner 20 – 64 jaar (ƒ)

.

27

Absoluut verschil totale bijstandsuitgaven in *ƒ1000

.

-30

Verschil in % per inwoner 20 – 64 jaar

.

2.14%

Verschil in % totale bijstandsuitgaven

.

-0.04%

De factoren met een sterretje zijn door de simulatie van waarde veranderd.

APE bv

107

109

Appendix 6

Samenstelling begeleidingscommissie

Drs. H. de Wolf

Ministerie van Sociale Zaken en Werkgelegenheid (voorzitter)

Drs. A.L.J. Veraart

Ministerie van Sociale Zaken en Werkgelegenheid

Drs. F.M. Nieuweboer

Ministerie van Sociale Zaken en Werkgelegenheid

Drs. F.J. van Sloten

Ministerie van Binnenlandse Zaken

Dhr. H. Tanja

Ministerie van Binnenlandse Zaken

Drs. M.S. Heekelaar

Ministerie van Financiën

Drs. S. van den Elshout

Centraal Bureau voor de Statistiek

Dhr. F. Kentin

Vereniging van Nederlandse Gemeenten

Drs. G.A. Oskam

Vereniging van Nederlandse Gemeenten

Dhr. R. Hielckert

Gemeente Amsterdam

Drs. A.J.W.M. Verhagen

Gemeente Den Haag

Dhr. J. Minnaard

Gemeente Groningen

Dr. J.W.G. Scheltinga

Gemeente Heusden

Adviseur van de begeleidingscommissie: dr. L.J.M. Aarts

111

Literatuurbijlage Aarts, L.J.M., Ph. R. de Jong, E.S. Mot, m.m.v. M. Brander, E. Brouwer, A.W.M. de Groot, Berekende bijstand: een onderzoek t.b.v de interdepartementale werkgroep heroverweging bijstandregelingen naar de haalbaarheid van een objectief verdeelmodel in de financiering van de gemeentelijke Abw-uitgaven, Financieringssysteem van de Algemene Bijstandswet, Rapport 1, Interdepartementaal Beleidsonderzoek Financieringssysteem van de Algemene Bijstandswet, s.n., Den Haag, 1996, Leidse Stichting voor Economie en Recht, Leiden, Stichting voor Economisch Onderzoek, Amsterdam, 1996. Aarts, Leo (Lester), Erik Brouwer, Esther Mot (SEO), Pieter van Winden, Robert Olieman, Jaap de Koning, Elwin de Vries (NEI), Berekende bijstand in model: eindrapportage; vervolgonderzoek t.b.v. de interdepartementale Projectgroep Objectief Verdeelmodel naar de haalbaarheid van een objectief verdeelmodel in de financiering van de gemeentelijke Abw-uitgaven, SEO-rapport nr. 478, Stichting voor Economisch Onderzoek, Amsterdam, 1998. Brouwer, E., E. Mot en I. Overtoom, met advies van L. Aarts (1999), Actualisatie berekende bijstand in model, eindrapportage, SEO-rapport nr. 501, Stichting voor Economisch Onderzoek, Amsterdam. Mot, E.S., F. Felsö en E. Brouwer (1999), met advies van L. Aarts, Beantwoording aanvullende vragen bij geactualiseerd objectief verdeelmodel voor de bijstand, Stichting voor Economisch Onderzoek, Amsterdam. Verhagen, A.J.W.M. (1997), Criteria aan de verdeelmaatstaven van specifieke uitkeringen, COELO, rapport 1997-4.