Analyse van historische scheefheden in de WMO en verbeterpotentieel van het huidige WMO-verdeelmodel

[Save eerst dit bestand als XXX(titel).doc]

Analyse van historische scheefheden in de WMO en verbeterpotentieel van het huidige WMO-verdeelmodel

A. Notenboom R. Goudriaan G.J. Mazzola

© Aarts De Jong Wilms Goudriaan Public Economics bv (APE)

Den Haag, januari 2011

Analyse van historische scheefheden in de WMO en verbeterpotentieel van het huidige WMO-verdeelmodel A. Notenboom, R. Goudriaan en G.J. Mazzola

Ape rapport nr. 743

© 2011 Aarts De Jong Wilms Goudriaan Public Economics bv (APE) Website: www.ape.nl Omslag: Brordus Bunder, Amsterdam

Niets uit deze uitgave mag worden verveelvoudigd en/of openbaar gemaakt via druk, fotokopie of op welke andere wijze dan ook, zonder voorafgaande schriftelijke toestemming.

INHOUD SAMENVATTING

3

1

7

2

3

4

INLEIDING 1.1 Aanleiding en voorgeschiedenis 1.1.1 Onderzoek van de nadeelgemeenten 1.1.2 Onderzoek van het Sociaal en Cultureel Planbureau 1.1.3 Onderzoek van Cebeon 1.1.4 Advies van de Raad voor de Financiële Verhoudingen 1.1.5 Synthese 1.2 Onderzoeksvragen 1.3 Indeling van het rapport

7 7 7 8 9 10 12 13

HISTORISCHE SCHEEFHEDEN IN DE REGIONALE UITVOERINGSPRAKTIJK

15

2.1 Inleiding 2.2 Verschillen in verstrekte zorg 2.2.1 Verschillen in verstrekte zorg tussen gemeenten 2.2.2 Verschillen in verstrekte zorg tussen zorgkantoren 2.2.3 Verschillen in verstrekte zorg tussen zorgverzekeraars 2.3 Conclusies

15 16 16 17 19 20

GEZONDHEID EN SOCIAAL-ECONOMISCHE STATUS

23

3.1 Inleiding 3.2 Samenhang met gezondheid en sociaal-economische status 3.3 Vergelijking van opdrachtgemeenten i.e.z. met referentiegemeenten 3.4 Conclusies

23 23 26 27

NAAR EEN ALTERNATIEF WMO-VERDEELMODEL

29

4.1 Inleiding 4.2 Gebruikte gegevens 4.3 WMO-verdeelmodel versus herschatting door APE 4.3.1 Inleiding 4.3.2 WMO-verdeelmodel 2010 versus WMO-verdeelmodel 2011 4.3.3 Herschatting van het WMO-verdeelmodel 2011 4.4 Een aanzet voor een alternatief WMO-verdeelmodel 4.4.1 Inleiding 4.4.2 Specificatie van een alternatief WMO-verdeelmodel

29 30 31 31

Ape

32 35 37 37 38

1

4.4.3 Schattingsresultaten van een alternatief WMOverdeelmodel 4.4.4 Analyse van de herverdeeleffecten 4.5 Conclusies

40 42 46

A

BIJLAGE: OPDRACHTGEMEENTEN IN ENGERE ZIN

49

B

BIJLAGE: RELATIE AANTAL CLIËNTEN EN BEVOLKINGSKENMERKEN

51

C BIJLAGE: OPDRACHT- VERSUS REFERENTIEGEMEENTEN

53

LITERATUUR

67

2

Ape

SAMENVATTING Aanleiding Sinds 2008 wordt het gemeentelijk budget voor de WMO verdeeld via een objectief verdeelmodel (in combinatie met een overgangsregeling). Een groot aantal gemeenten heeft een fors nadeel ondervonden van de invoering van het objectieve verdeelmodel voor de WMO en heeft in 2008 APE en BMC gevraagd te onderzoeken wat de achtergronden zijn van deze negatieve herverdeeleffecten. Uit deze onderzoeken komt naar voren dat gezondheidsfactoren en sociaal-economische factoren in het destijds geldende verdeelmodel ontoereikend zijn verwerkt. Aanvullende onderzoeken van het Sociaal en Cultureel Planbureau en Cebeon ondersteunen deze conclusies. Deze bevindingen hebben geleid tot het WMO-verdeelmodel 2011, waarin deze factoren een groter gewicht hebben gekregen. Bij de gemeenten die al sinds 2008 worden geconfronteerd met substantiële negatieve herverdeeleffecten, blijft de twijfel bestaan of sociaal-economische en gezondheidsfactoren wel adequaat in het verdeelmodel zijn verwerkt. Deze en andere gemeenten kampen na invoering van het WMO-verdeelmodel 2011 nog steeds met forse negatieve herverdeeleffecten. Cebeon, de ontwikkelaar van dat verdeelmodel, claimt dat deze herverdeeleffecten het gevolg zijn van scheefheden in de regionale uitvoeringspraktijk uit het AWBZtijdperk, maar onderbouwt deze claim niet. De nadeelgemeenten wijzen erop dat er evenzeer sprake kan zijn van regionale scheefheden in de gezondheidssituatie. Cebeon wijst erop dat de herverdeeleffecten in de tijd afnemen doordat gemeenten de historische scheefheden aan het wegwerken zijn. De nadeelgemeenten wijzen er echter op dat zij noodgedwongen de tering naar de nering moeten zetten. Tegen deze achtergrond heeft een grote groep nadeelgemeenten APE gevraagd onderzoek te doen naar de eventuele aanwezigheid van historische scheefheden in de regionale uitvoeringspraktijk en naar de mogelijkheden voor de ontwikkeling van een alternatief WMO-verdeelmodel dat meer recht doet aan de sociaal-economische en de gezondheidssituatie van de verschillen typen gemeenten. Historische scheefheden in de regionale uitvoeringspraktijk Als er sprake is van historische scheefheden in de regionale uitvoeringspraktijk mogen we verwachten dat het beroep op de huishoudelijke verzorging – in het bijzonder het aantal cliënten – in de nadeelgemeenten na 2005 sterk is gedaald. Als dat het geval is, bestaan er aanwijzingen dat in deze gemeenten in het verleden mogelijk te ruimhartig huishoudelijke ver-

Ape

3

zorging is verstrekt. Uiteraard kunnen deze gemeenten ook noodgedwongen de tering naar de nering hebben gezet. Vanwege de beschikbare gegevens heeft de analyse betrekking op de periode 2005 t/m 2008. De analyse leert dat het aantal cliënten in alle gemeenten tussen 2005 en 2008 nagenoeg gelijk blijft, zo ook in de nadeelgemeenten. De nadeelgemeenten hebben niet eenvoudig kunnen snijden in eventueel ruimhartig verleende zorg. Dit wijst niet op het bestaan van historische scheefheden. In de nadeelgemeenten ligt het aantal uren zorg per cliënt zowel in 2005 als in 2008 op een hoger niveau dan in de overige gemeenten. Is dit het gevolg van regionale gezondheidsverschillen? In alle gemeenten stijgt het aantal uren zorg per cliënt, maar in de nadeelgemeenten is deze stijging minder sterk dan in de overige gemeenten. Op het niveau van zorgkantoorregio’s zien we evenmin grote verschillen tussen zorgkantoorregio’s met relatief veel nadeelgemeenten en de overige zorgkantoorregio’s. De ontwikkeling van het aantal cliënten en het aantal uren zorg per cliënt ligt in beide gevallen rond het gemiddelde. De taken van een zorgkantoor worden in concessie uitgevoerd door een zorgverzekeraar. Ondanks het feit dat de zorgkantoren landelijk worden aangestuurd door de zorgverzekeraars vinden we geen eenduidige relatie tussen zorgverzekeraar en de aanwezigheid nadeelgemeenten. Dit pleit evenmin voor het bestaan van historische scheefheden in de regionale uitvoeringspraktijk. Het voorgaande laat onverlet dat veranderingen in het beroep op de huishoudelijke verzorging mede het gevolg kunnen zijn veranderingen in de bevolking naar gezondheid en sociaal-economische status. De samenhang tussen de ontwikkeling van het aantal uren zorg per cliënt en de veranderingen in de bevolking is bij de nadeelgemeenten in het algemeen veel sterker dan bij de overige gemeenten. Dat de ontwikkeling van het uren zorg per cliënt juist in de nadeelgemeenten het sterkst wordt bepaald door kenmerken van de bevolking naar gezondheid en sociaal-economische status, wijst niet op de aanwezigheid van ruimhartig verstrekte zorg in het verleden, maar eerder op het tegendeel. De groei van het aantal uren zorg in de overige (voordeel)gemeenten wordt daarentegen juist minder sterk beïnvloed door veranderingen in de bevolkingssamenstelling. Aanzet voor een alternatief verdeelmodel In het onderzoek zijn de mogelijkheden voor de opstelling van een alternatief WMO-verdeelmodel verkend. Ten eerste hebben we onderzocht of de verdeelkenmerken van het WMO-verdeelmodel 2011 optimaal zijn vastgesteld. Dit is gedaan door het WMO-verdeelmodel 2011 met dezelfde verdeelkenmerken opnieuw te schatten en bij de vaststelling van de ge-

4

Ape

wichten gebruik te maken van gangbare statistische methoden (gewogen regressieanalyse). Ten tweede is bezien of in het huidige WMO-verdeelmodel alle relevante verdeelkenmerken zijn opgenomen. Dit doen we door een aanzet te geven voor de ontwikkeling van een alternatief verdeelmodel, dat voor een belangrijk deel geënt is op het WMO-verdeelmodel 2011. Het moet leiden tot een eenvoudig en transparant verdeelmodel dat berust op de gemiddelde praktijk en dat goed in staat is om de gemeentelijke WMO-uitgaven te verklaren. Onze conclusie is dat het huidige WMO-verdeelmodel 2011 een duidelijke verbetering is ten opzichte van het verdeelmodel dat in eerdere jaren is gehanteerd. Het nieuwe WMO-verdeelmodel verklaart 45% van de variatie in de WMO-uitgaven tussen gemeenten (was 34%). Desondanks blijft 55% van de variatie in de WMO-uitgaven tussen gemeenten onverklaard. De herverdeeleffecten van het WMO-verdeelmodel 2011 blijven daardoor nog steeds groot, hoewel ze zijn afgenomen vergeleken met het oude verdeelmodel (in absolute zin van 18,38 euro per inwoner tot 16,89 euro per inwoner). Het WMO-verdeelmodel 2011 bevat een aantal overbodige (‘redundante’) verdeelkenmerken, die zonder meer kunnen worden weggelaten. De herverdeeleffecten van het WMO-verdeelmodel 2011 vertonen een sterk regionaal patroon. Het westen van het land kent positieve herverdeeleffecten, terwijl de andere drie landsdelen juist kampen met negatieve herverdeeleffecten. Herschatting van het WMO-verdeelmodel 2011 met dezelfde verdeelkenmerken leert dat de huidige gewichten van het verdeelmodel niet optimaal zijn vastgesteld. Herschatting van het WMO-verdeelmodel 2011 vergroot de verklaringskracht van het model van 45% tot 63%. De absolute herverdeeleffecten dalen daardoor van 16,89 euro per inwoner tot 13,18 euro per inwoner. Het herschatte WMO-verdeelmodel 2011 bevat veel vereveningskenmerken met een niet statistisch significant gewicht. Dit duidt op een grote overlap in de verdeelkenmerken, en een instabiel en weinig robuust verdeelmodel, dat ongeschikt is voor de middelenverdeling. In het rapport is ook een alternatief verdeelmodel ontwikkeld dat meer rekening houdt met sociaal-economische en gezondheidsfactoren dan het huidige WMO-verdeelmodel 2011. Het grote belang van het gecombineerde verdeelkenmerk aandeel lage inkomens van ouderen x chronisch zieken in het alternatieve verdeelmodel, dat zelfstandig maar liefst 42% van de variatie in de gemeentelijke WMO-uitgaven verklaart, onderstreept dit. Het alternatieve verdeelmodel scoort aanzienlijk beter op de robuustheid en de stabiliteit dan het WMO-verdeelmodel 2011. De in het alternatieve ver-

Ape

5

deelmodel opgenomen 13 verdeelkenmerken vertonen vrijwel geen overlap en zijn statistisch significant. Zij verklaren in totaal 60% van de variatie in de gemeentelijke WMO-uitgaven (tegen 45% in het huidige WMOverdeelmodel 2011 met 23 verdeelkenmerken). Het alternatieve verdeelmodel heeft zowel een sterke vermindering van de regionale patronen in de herverdeeleffecten tot gevolg - vergeleken met het huidige WMOverdeelmodel 2011 - als ook een vermindering van de absolute herverdeeleffecten (van 16,89 euro per inwoner tot 13,69 euro per inwoner). Het alternatieve verdeelmodel is zeker nog niet uitontwikkeld en kan verder worden verbeterd op basis van betere gegevens en door informatie over aanvullende verdeelkenmerken, die op dit moment nog niet beschikbaar is. Desondanks is het een betekenisvolle stap vooruit. Slotconclusies De belangrijkste conclusies van het rapport luiden als volgt:  In het onderzoek hebben we geen aanwijzingen gevonden voor het bestaan van historische scheefheden in de regionale uitvoeringspraktijk.  Het WMO-verdeelmodel 2011 is een duidelijke verbetering ten opzichte van het WMO-verdeelmodel dat in eerdere jaren is gebruikt. De verklaringsgraad is echter nog steeds bescheiden, mede omdat de gewichten niet optimaal vast zijn gesteld. Daardoor zijn de herverdeeleffecten onnodig groot en vertonen deze een sterk regionaal patroon.  Het blijkt mogelijk om een eenvoudig, transparant en robuust alternatief verdeelmodel te ontwikkelen dat een veel hogere verklaringsgraad en beperktere herverdeeleffecten dan het huidige WMO-verdeelmodel kent, ondanks een sterke vermindering van het aantal verdeelkenmerken. Tegelijkertijd zijn de regionale patronen in de herverdeeleffecten sterk verminderd.

6

Ape

1

INLEIDING

1.1

Aanleiding en voorgeschiedenis

1.1.1 Onderzoek van de nadeelgemeenten Sinds 2008 wordt het gemeentelijk budget voor de WMO verdeeld via een objectief verdeelmodel (in combinatie met een overgangsregeling). Het verdeelmodel heeft betrekking op de huishoudelijke verzorging en een aantal specifieke regelingen (ex WVG, ex Welzijnswet en ex AWBZ). Het grootste deel van de WMO-middelen is gemoeid met de huishoudelijke verzorging (zorg in natura en het persoonsgebonden budget). Een groot aantal gemeenten heeft een fors nadeel ondervonden van de invoering van het objectieve verdeelmodel voor de WMO. Een deel van deze gemeenten heeft in 2008 APE en BMC gevraagd te onderzoeken wat de achtergronden zijn van deze negatieve herverdeeleffecten. 1 Uit het APEonderzoek komt naar voren dat gezondheidsfactoren in het destijds geldende verdeelmodel ontoereikend zijn verwerkt (APE 2008). Het gaat onder meer om de aanwezigheid van chronische aandoeningen (benaderd via het langdurig gebruik van bepaalde categorieën medicijnen) en regionale sociaal-economische gezondheidsverschillen (als uitvloeisel van regionale verschillen in het opleidingsniveau van de bevolking). Daarnaast blijkt zowel uit het onderzoek van APE (2008) als dat van BMC (2008) dat de sociaal-economische kenmerken van de gemeentelijke bevolking een te geringe rol spelen in het destijds gebruikte WMO-verdeelmodel. APE (2008) plaatst daarnaast kritische kanttekeningen bij de transparantie en de reproduceerbaarheid van dat WMO-verdeelmodel.

1.1.2 Onderzoek van het Sociaal en Cultureel Planbureau In 2009 heeft het Sociaal en Cultureel Planbureau (SCP) een rapport uitgebracht aan het Bestuurlijk overleg financiële verhoudingen, waarin on1

In hoofdstukken 1 tot en met 3 wordt bij de toepassing van het begrip herverdeeleffecten aangesloten bij het spraakgebruik in de WMO-discussie. Herverdeeleffecten zijn daar synoniem met budgetverschuivingen. In hoofdstuk 4 hanteren we herverdeeleffecten in de meer gangbare zin: het verschil tussen het WMO-budget per inwoner en de gerealiseerde WMO-uitgaven per inwoner.

Ape

7

der meer wordt ingegaan op de toereikendheid van het WMO-verdeelmodel inclusief de herverdeeleffecten van dit model (SCP 2009). Het SCP onderschrijft de bevindingen van APE en BMC over de te geringe rol van gezondheidsfactoren en sociaal-economische factoren in het verdeelmodel. Het SCP geeft aan dat het wenselijk is om onderzoek uit te voeren naar de toevoeging van deze factoren aan het WMO-verdeelmodel. Verder constateert het SCP dat de methode die Cebeon heeft gebruikt om het model te schatten, wordt gekenmerkt door een grote mate van ondoorzichtigheid en niet-reproduceerbaarheid. Daardoor is het onduidelijk in welke mate het verdeelmodel een betrouwbaar beeld geeft van de invloed van de relevante objectieve factoren op de kosten en het gebruik van de WMO. 2 Dit sluit aan bij de eerdere bevindingen van APE over het gebrek aan transparantie bij de vaststelling van de gewichten van het verdeelmodel. Een in 2005 door de minister van BZK gedane toezegging aan de Tweede Kamer (2004/2005) over de vergroting van de inzichtelijkheid van de Cebeonmethode is tot op heden (nog) niet geëffectueerd.

1.1.3 Onderzoek van Cebeon Cebeon (2009) heeft een signalerend onderzoek uitgevoerd naar de ontwikkeling van de netto lasten in relatie tot de verdeelsleutel voor de middelen voor huishoudelijke verzorging. In overeenstemming met de onderzoeksresultaten van APE, BMC en het SCP constateert dat Cebeon (2009) dat het aanbeveling verdient om het verdeelmodel te verfijnen met een differentiatie van de sociaal-economische status en een gezondheidsfactor gebaseerd op langdurig medicijngebruik. Daarnaast komt Cebeon – overigens terecht – tot de conclusie dat de indicator lage opleiding op dit moment nog niet voldoet aan de spelregels voor verdeelkenmerken vanwege de beperkte opzet van de betreffende registratie. Cebeon verbindt daar ten onrechte niet de conclusie aan dat gerichte inspanningen moeten worden verricht om deze registratie op het vereiste peil te brengen. Ook de Raad voor de Financiële Verhoudingen (2010) heeft recent gepleit voor een verbetering van de registratie van het opleidingsniveau om deze maatstaf als verdeelkenmerk in het WMO-verdeelmodel en in andere verdeelmodellen te kunnen hanteren. Uit de literatuur is immers bekend dat opleiding de belangrijkste determinant is van sociaal-economische gezondheidsverschillen, terwijl daarnaast ook uit de Cebeon-analyses blijkt dat de toevoeging van laag opgeleiden aan het model een substantieel

2

8

Het SCP (2009, blz. 61) merkt op dat zij zich door onvoldoende inzicht in de onderzoeksmethode van Cebeon geen oordeel kunnen vormen over de kwaliteit en de uitkomsten van de benadering van Cebeon.

Ape

deel van de herverdeeleffecten kan wegnemen. Het is moeilijk verdedigbaar dat een groot aantal gemeenten kampt met negatieve herverdeeleffecten, omdat de landelijke registratie van laag opgeleiden op dit moment tekortschiet. In een vervolg op het onderzoek uit 2009 heeft Cebeon (2010) recent geprobeerd het verdeelmodel te verfijnen met een differentiatie van de sociaal-economische status en een gezondheidsfactor gebaseerd op langdurig gebruik van specifieke medicijnen (Farmacie Kosten Groepen, FKG’s). Het geactualiseerde en verfijnde verdeelmodel van Cebeon (2010) leidt tot een beperkte vermindering van de oorspronkelijke herverdeeleffecten. De verwachting was dat het effect van de toegevoegde verdeelmaatstaven groter zou zijn. De vraag is dus, of de gewichten van de toegevoegde verdeelmaatstaven adequaat zijn vastgesteld. Die vraag is vooralsnog echter helaas nauwelijks te beantwoorden vanwege van de gebrekkige verantwoording van de onderzoeksresultaten. Het Cebeon-onderzoek heeft in verband met een gebrekkige response van de steekproefgemeenten overigens een voorlopig karakter.

1.1.4 Advies van de Raad voor de Financiële Verhoudingen Mede naar aanleiding van het recente Cebeon-onderzoek heeft de Raad voor de Financiële Verhoudingen recent een briefadvies over de aanpassing van de middelen in de WMO uitgebracht (RFV 2010). De Raad pleit in navolging van APE (2008) voor een verbeterde registratie van het opleidingsniveau om deze maatstaf als verdeelkenmerk te kunnen gebruiken. De RFV plaatst kritische kanttekeningen bij het gebruik van drempelwaarden voor bepaalde verdeelkenmerken, aangezien dit de transparantie van de verdeelmaatstaven niet ten goede komt. Opvallend in het advies van de Raad is echter dat de RFV kritische kanttekeningen plaatst bij het gebruik van de verdeelmaatstaf langdurig medicijngebruik, 3 ondanks het feit alle uitgevoerde onderzoeken duiden op het belang van gezondheidskenmerken voor het beroep op de WMO en de middelenverdeling. De RFV slaat in zijn kritiek op de verdeelmaatstaf langdurig medicijngebruik helaas op een aantal punten de plank mis: 1. De constatering van de RFV dat deze verdeelmaatstaf mogelijk tot een vertekening leidt in gemeenten met veel AWBZ-gefinancierde instellin3

Dit is een ongelukkige naamgeving die snel tot misverstanden leidt. Het gaat om het langdurige gebruik (meer dan 180 standaard dag doseringen) van specifieke medicijnen die uitsluitend worden voorgeschreven voor geselecteerde chronische aandoeningen.

Ape

9

gen met een verblijfsfunctie snijdt geen houdt. De verdeelmaatstaf berust immers uitsluitend op geneesmiddelengebruik buiten de zorginstellingen (extramuraal geneesmiddelengebruik). Daardoor is deze maatstaf gekoppeld aan mensen die nog zelfstandig wonen en in beginsel behoren tot de doelgroep van de WMO. Gemeenten met relatief veel zorginstellingen worden door de verdeelmaatstaf dus niet overgecompenseerd. 2. De RFV concludeert dat binnen de verdeling van de algemene uitkering geen verdeelmaatstaven passen op basis van gezondheidskenmerken. Deze argumentatie is niet in overeenstemming met het uitgangspunt van kostenoriëntatie in het Gemeentefonds. Als een gemeente een relatief ongezonde bevolking heeft en daardoor hogere kosten moet maken, dan dient de gemeente daarvoor overeenkomstig het uitgangspunt van kostenoriëntatie juist adequaat te worden gecompenseerd. 3. De RFV pleit ervoor om in plaats van het langdurig medicijngebruik de maatstaf gestandaardiseerde mortaliteit te hanteren, ondanks het feit dat de toepassing van deze maatstaf juist op gespannen voet staat met de hiervoor genoemde twee kritische kanttekeningen van de RFV. 4 Daarbij komt dat de gestandaardiseerde mortaliteit geen volledige vervanger is voor het langdurig medicijngebruik, aangezien het slechts een indicator is van de gezondheidstoestand op lange termijn. Het SCP (2010) constateert in een recent advies eveneens dat de gestandaardiseerde mortaliteit niet de rol kan spelen die de RFV voor ogen heeft. Dat laat onverlet dat deze indicator mogelijk een aanvullende rol naast het langdurig medicijngebruik kan spelen in het WMO-verdeelmodel. 4. De RFV gaat er daarnaast aan voorbij dat de maatstaf langdurig medicijngebruik (farmaciekostengroepen) een nationaal en internationaal gevalideerde maatstaf is voor de aanwezigheid van chronische aandoeningen en veelvuldig wordt gebruikt in verdeelmodellen, zo ook in het kader van de Nederlandse Zorgverzekeringswet. We verwijzen daarbij naar de relevante (inter)nationale wetenschappelijke literatuur.

1.1.5 Synthese APE, het SCP en de RFV zijn kritisch over de transparantie van het WMOverdeelmodel. Ten slotte is het interessant dat alle onderzoeken – inclusief 4

10

Juist in gemeenten met veel AWBZ-instellingen met een verblijfsfunctie is de (voor leeftijd en geslacht) gestandaardiseerde sterfte hoog, zonder dat dit tot uiting hoeft te komen in het beroep op de WMO. Bovendien fungeert de gestandaardiseerde sterfte als een indicator voor (on)gezondheid, terwijl volgens de RFV verdeelmaatstaven op basis van gezondheidskenmerken niet passen in de systematiek van het Gemeentefonds.

Ape

de Cebeon-onderzoeken - dezelfde kant op wijzen en daarmee de kritiek op het WMO-verdeelmodel van de nadeelgemeenten ondersteunen: onvolkomenheden in het verdeelmodel veroorzaken onnodige en onterechte herverdeeleffecten. Ondanks de impliciete erkenning hiervan bevat het Cebeon-onderzoek op een aantal punten boude conclusies en veronderstellingen, die - zonder objectieve gronden - tot financiële nadelen voor een groot aantal gemeenten leiden:  Cebeon claimt dat het grootste deel van de aansluitverschillen tussen feitelijke uitgaven en de werking van het verdeelmodel samenhangt met historische scheefheden in de regionale uitvoeringspraktijk. Het is voorstelbaar dat regionale historische scheefheden in de uitvoeringspraktijk c.q. het aanbod hebben bestaan, maar deze claim wordt echter in geen van de tot nu toe verschenen Cebeon-rapportages empirisch onderbouwd. Conclusies over regionale scheefheden in de uitvoeringspraktijk en het aanbod kunnen bovendien niet los worden gezien van regionale scheefheid van de gezondheidssituatie. Bij de opstelling van het oorspronkelijke WMO-verdeelmodel heeft Cebeon geen gebruik gemaakt van informatie over regionale gezondheidsverschillen. Het gevaar bestaat dat Cebeon ten onrechte regionale gezondheidsverschillen (deels) aanziet voor scheefheden in de regionale uitvoeringspraktijk. We zien verder sterk uiteenlopende herverdeeleffecten tussen zorgkantoorregio’s die door dezelfde zorgverzekeraar/concessiehouder worden aangestuurd; dit pleit tegen de hypothese van historische scheefheden in de regionale uitvoeringspraktijk.  Cebeon neemt waar dat de herverdeeleffecten in de tijd afnemen en concludeert dat gemeenten historische scheefheden voor een belangrijk deel hebben weggewerkt. Deze ontwikkeling heeft echter niet noodzakelijk iets van doen met het wegwerken van historische scheefheden, maar kan ook te maken hebben met het feit dat gemeenten noodgedwongen de tering naar de nering zetten. Tegen deze achtergrond heeft een groep van circa 70 gemeenten APE gevraagd op basis van actuele gegevens een (vervolg)onderzoek uit te voeren naar de transparantie en de herverdeeleffecten van het WMOverdeelmodel. Daarbij wordt expliciet gekeken naar de gemeenten met een herverdeeleffect van meer dan 5 euro. In het onderzoek wordt ook aandacht geschonken aan de (vermeende) historische scheefheden in de regionale uitvoeringspraktijk. Dat is mede van belang in het licht van de verdere verbetering van het WMO-verdeelmodel.

Ape

11

1.2

Onderzoeksvragen

Het is de vraag hoe goed het WMO-verdeelmodel aansluit bij de regionale verschillen in de gezondheid, de zorgbehoefte en de sociaal-economische status van de gemeenten. Zolang Cebeon blijft uitgaan van de basisveronderstelling dat het leeuwendeel van de herverdeeleffecten wordt veroorzaakt door historische scheefheden in de regionale uitvoeringspraktijk, kan het verdeelmodel nauwelijks verbeterd worden. Het is van cruciaal belang dat de vaststelling van eventuele scheefheden en de gewichten van het verdeelmodel op transparante en statistisch verantwoorde wijze geschiedt. Dat betekent dat de (nadeel)gemeenten moeten kunnen beschikken over een (eigen) verdeelmodel dat voldoet aan de gangbare wetenschappelijke en statistische criteria, zodat de resultaten van Cebeon kunnen worden beoordeeld op transparantie, verklaringskracht, en omvang van de (niet) vermijdbare herverdeeleffecten. Gelet op deze overwegingen staan de volgende vragen in het onderzoek centraal: 1. Welke aanwijzingen bestaan er voor regionale scheefheden in de uitvoeringspraktijk ten opzichte van regionale scheefheden in de gezondheid en in de sociaal-economische status? 2. Hoe heeft het aantal cliënten en uren huishoudelijke verzorging zich in de onderscheiden gemeenten en zorgkantoorregio’s ontwikkeld tussen 2005 en 2008? 3. Bestaan er op het voorgaande punt grote regionale verschillen in de ontwikkeling van deze variabelen? 4. In hoeverre verschilt de ontwikkeling van het beroep op de huishoudelijke verzorging in de nadeelgemeenten tussen 2005 en 2008 van de ontwikkeling daarvan in de voordeelgemeenten? 5. Wat zijn de gewichten van de bestaande verdeelkenmerken, en de nieuwe, verfijnde verdeelkenmerken voor gezondheid en sociaal-economische status in een nieuw en transparant verdeelmodel? 6. Hoe verhouden de nieuw geschatte gewichten zich tot het huidige en het nieuwe WMO-verdeelmodel van Cebeon, en wat zijn de gevolgen voor de herverdeeleffecten? 7. In hoeverre voldoet het nieuwe Cebeon-verdeelmodel aan de eisen van plausibiliteit, transparantie, reproduceerbaarheid en verklaringskracht?

12

Ape

1.3

Indeling van het rapport

Het rapport gaat in op historische scheefheden in het aanbod van huishoudelijke verzorging en op de constructie van een nieuw en transparant WMO-verdeelmodel. De indeling is als volgt. Hoofdstuk 2 analyseert mogelijke historische scheefheden in de uitvoeringspraktijk. Daarna komt in hoofdstuk 3 de samenhang aan de orde tussen enerzijds de ontwikkeling van het aantal uren per cliënt en het aantal cliënten, en anderzijds de gezondheid en de sociaal-economische status van de inwoners. In hoofdstuk 4 geven we een aanzet voor een alternatief WMO-verdeelmodel.

Ape

13

2

HISTORISCHE SCHEEFHEDEN IN DE REGIONALE UITVOERINGSPRAKTIJK

2.1

Inleiding

In dit hoofdstuk proberen we meer inzicht te krijgen in de mogelijke historische scheefheden in de regionale uitvoeringspraktijk. Dat doen we door te kijken hoe het beroep op de huishoudelijke verzorging zich tussen 2005 en 2008 heeft ontwikkeld. Als er daadwerkelijk sprake is van de genoemde historische scheefheden in de regionale uitvoeringspraktijk, moet uit de analyse van de trends tussen 2005 en 2008 blijken dat het beroep op de huishoudelijke verzorging - in het bijzonder het aantal cliënten - in gemeenten die een duidelijk nadeel ondervinden van de invoering van de WMO over de hele linie sterk is gedaald. Alleen als dat het geval is, bestaan er redelijk harde aanwijzingen dat daar in het verleden mogelijk te ruimhartig huishoudelijke verzorging is verstrekt. Daarbij moet overigens worden aangetekend dat nadeelgemeenten in de praktijk worden gedwongen om de tering naar de nering te zetten. Daarom moeten we hierbij ook de gezondheidssituatie en de sociaal-economische situatie in de gemeenten/regio’s in beschouwing nemen: als gemeenten - ondanks een slechte gezondheidssituatie of sociaal-economische situatie van hun inwoners – om financiële redenen het beroep op de huishoudelijke verzorging moeten terugdringen, kan moeilijk van het wegwerken van historische scheefheden in de uitvoeringspraktijk worden gesproken. In dit hoofdstuk onderzoeken we of we sporen van historische scheefheden terug kunnen vinden op het niveau van gemeenten, zorgkantoorregio’s en de zorgverzekeraars die het zorgkantoor exploiteren (concessiehouders). Vervolgens onderzoeken we in hoeverre sociaal-economische en gezondheidsverschillen tussen gemeenten en regio’s veranderingen in het beroep op de huishoudelijke zorg kunnen verklaren.

Ape

15

2.2

Verschillen in verstrekte zorg

2.2.1 Verschillen in verstrekte zorg tussen gemeenten Allereerst onderzoeken we of in gemeenten die nadeel ondervinden aan de invoering van de WMO en het bijbehorende verdeelmodel ruimhartiger zorg is verleend dan in andere gemeenten. We definiëren een nadeelgemeente als een gemeente waarin het herverdeeleffect door de invoering van het oorspronkelijke WMO-verdeelmodel in 2008 5 extremer is dan -10 euro per inwoner. Daarnaast onderscheiden we de opdrachtgemeenten: de circa 70 gemeenten die opdracht hebben gegeven voor dit onderzoek. Een deelverzameling van 47 van deze gemeenten vormen de ‘opdrachtgemeenten in engere zin’ (zie bijlage A). Opdrachtgemeenten in engere zin (afgekort i.e.z.) zijn er meer dan vijf euro per inwoner op achteruit gegaan door de invoering van het WMO-verdeelmodel. 6 Tabel 2.1: Uren per cliënt en aantal cliënten in 2005 en 2008 naar typen gemeenten Uren per cliënt 2005a

Uren Verandering Verandering per cliënt uren per cliënt aantal cliënten 2008a 2005-2008 (in %) 2005-2008 (in %)

Opdrachtgemeenten i.e.z

127

133

5

-1

Niet-opdrachtgemeenten

108

121

13

-2

Nadeelgemeenten

127

135

7

-2

Overige gemeenten

107

120

13

-1

Totaal Nederland

111

123

11

-2

a

Gemiddelde over gemeenten gewogen naar aantal cliënten 2008.

Bron: CAK (bewerking APE)

Tabel 2.1 vat de resultaten samen. Tussen 2005 en 2008 blijft het aantal cliënten in alle gemeenten in Nederland ongeveer gelijk. Indien er sprake is geweest van historische scheefheden in de uitvoeringspraktijk, verwachten we in de nadeelgemeenten een sterkere daling van het aantal cliënten

5 6

16

Zie junicirculaire 2007, Ministerie van Binnenlandse Zaken en Koninkrijksrelaties. Een belangrijk deel van de nadeelgemeenten is opdrachtgemeente i.e.z. Op een enkele gemeente na zijn alle opdrachtgemeenten i.e.z. ook nadeelgemeenten volgens onze definitie.

Ape

dan in andere gemeenten. We zien echter dat in de nadeel- en opdrachtgemeenten de daling van het aantal cliënten rond het Nederlands gemiddelde ligt. Deze resultaten maken duidelijk dat de nadeelgemeenten niet eenvoudig hebben kunnen snijden in (te) ruimhartig verleende zorg of dat er bij deze gemeenten in het AWBZ-tijdperk geen sprake is geweest van meer dan gemiddeld ruimhartig verleende zorg. Het aantal uren verleende zorg 7 per cliënt ligt in de opdracht- en nadeelgemeenten zowel in 2005 als in 2008 hoger dan in de overige gemeenten of totaal Nederland (zie tabel 2.1). In 2005 wordt in de opdrachtgemeenten i.e.z. gemiddeld 19 uur (18%) meer zorg per cliënt verleend dan in de niet-opdrachtgemeenten; in 2008 is dit afgenomen naar 12 uur (10%) meer zorg per cliënt. In alle gemeenten samen stijgt het aantal uren zorg per cliënt tussen 2005 en 2008 in totaal met 11%. In de opdracht- en nadeelgemeenten is deze stijging geringer, en bedraagt deze 5% respectievelijk 7%. De vraag is, waarom in de opdracht- en nadeelgemeenten cliënten meer uren zorg ontvangen dan gemiddeld. Is er sprake van een ruimhartiger beleid in de opdracht- en nadeelgemeenten, nu en in het verleden? Of zijn de zorguren terecht toegewezen, omdat de opdracht- en nadeelgemeenten cliënten hebben met zwaardere gezondheidsproblematiek? En hoe valt de geringere groei in uren per cliënt tussen 2005 en 2008 in de opdracht- en nadeelgemeenten te verklaren? Het is mogelijk dat de opdracht- en nadeelgemeenten na 2007 (noodgedwongen) de tering naar de nering hebben gezet. Een andere mogelijkheid is dat de rest van Nederland bezig is met een inhaalslag, en binnen enkele jaren op hetzelfde niveau uitkomt. Empirisch onderzoek moet uitwijzen wat de achtergrond is van de verschillen in het aantal uren zorg per cliënt in de verschillende categorieën gemeenten.

2.2.2 Verschillen in verstrekte zorg tussen zorgkantoren Indien de oorzaak van het hoge aantal uren zorg ligt in ruimhartig beleid in het verleden, moeten we daarvan de sporen zien op het niveau van de zorgkantoorregio’s. Immers, voordat de gemeenten verantwoordelijk waren voor toewijzing van huishoudelijke hulp, waren de zorgkantoren belast met de uitvoering van deze taak. Sommige zorgkantoren hebben mogelijk een ruimhartiger beleid gevoerd dan andere. De consequentie daarvan is, 7

Uren verleende zorg betreffen HH1 en HH2. Gegevens zijn afkomstig van het CAK.

Ape

17

dat de opdrachtgemeenten c.q. nadeelgemeenten vooral moeten te vinden zijn in bepaalde zorgkantoorregio’s. Een aantal zorgkantoorregio’s bevat veel nadeelgemeenten: in Drenthe, Twente, Apeldoorn/Zutphen, Arnhem, Flevoland, Zeeland en Zuid-Limburg is meer dan een derde van de gemeenten nadeelgemeente (zie figuur 2.1). De Randstad, Noord-Holland met uitzondering van West-Friesland, en het midden van Nederland ondervinden gemiddeld weinig nadeel van de invoering van het WMO-verdeelmodel. De vraag is, hoe we deze regionale verschillen kunnen verklaren. Klopt de aanname van Cebeon dat er sprake is van verschillen in de uitvoeringspraktijk tussen zorgkantoren? Of worden verschillen vooral veroorzaakt worden door gezondheidsachterstanden en sociaal-economische status van de bewoners? Gezondheid en sociaal-economische status variëren immers per regio. Figuur 2.1: Nadeel- en opdrachtgemeenten i.e.z.a

a

Gemeente-indeling 2009

Bron: APE

18

Ape

Indien sprake is geweest van een ruimhartig beleid in het verleden, zijn gemeenten dan in staat geweest om tussen 2005 en 2008 de situatie om te buigen? Gemeenten die bij de invoering van de WMO een ruimhartige toewijzing van huishoudelijke hulp aantreffen, moeten ruimte zien om deze in te perken. In hoeverre bestaan verschillen per zorgkantoorregio wat betreft verandering in het gemiddeld aantal verleende uren zorg per cliënt? Indien sprake is van verschillend beleid in het verleden, is te verwachten dat in zorgkantoorregio’s met veel nadeelgemeenten tussen 2005 en 2008 sterker kan worden bezuinigd op het aantal uren per cliënt dan in zorgkantoorregio’s met voordeelgemeenten. Dit blijkt niet het geval te zijn. Zorgkantoorregio’s met veel nadeelgemeenten (meer dan 33%) tonen een even grote stijging in het gemiddeld aantal zorguren per cliënt als zorgkantoorregio’s zonder of met weinig nadeelgemeenten (zie tabel 2.2). Wat betreft aantallen cliënten zien we evenmin grote verschillen tussen de zorgkantoorregio’s. Tabel 2.2: Uren per cliënt en aantal cliënten in 2005 en 2008 naar zorgkantoren Uren Verandering Uren Verandering per cliënt per cliënt uren per cliënt aantal cliënten 2005a 2008a 2005-2008 (in %) 2005-2008 (in %) Zorgkantoren met veel nadeelgemeenten (>33%) Zorgkantoren met weinig nadeelgemeenten Zorgkantoren zonder nadeelgemeenten Totaal Nederland a

121

134

11

0

109

121

11

-3

104

116

12

-2

111

123

11

-2

Gemiddelde over zorgkantoren gewogen naar aantal cliënten 2008

Bron: CAK (bewerking APE)

2.2.3 Verschillen in verstrekte zorg tussen zorgverzekeraars De uitvoering van het beleid van een zorgkantoor is in handen van een zorgverzekeraar die doorgaans de grootste is in de betreffende regio (= de concessiehouder). Dat gold in het AWBZ-tijdperk ook voor het beleid bij de huishoudelijke verzorging. Bij de uitvoering van het beleid leunen zorgkantoren sterk op het landelijk beleid van de zorgverzekeraar. Vier zorgverze-

Ape

19

keraars beheerden destijds de toewijzing van de huishoudelijke verzorging in de zorgkantoorregio’s met veel nadeelgemeenten: Groene Land Achmea (Drenthe, Flevoland), Menzis (Twente, Arnhem), AGIS (Apeldoorn/Zutphen) en CZ (Zeeland, Zuid-Limburg). Deze verzekeraars beheerden echter ook zorgkantoorregio’s waar geen of weinig nadeelgemeenten voorkomen (Groningen in geval van Menzis, Zaanstreek/Waterland in geval van Groene Land Achmea, Zuid-Oost Brabant in geval van CZ, en Amsterdam, Utrecht en ’t Gooi in geval van AGIS). Kortom, er bestaat geen eenduidige relatie tussen de concessiehouder/zorgverzekeraar en de aanwezigheid van nadeelgemeenten. In totaal zijn dertien verschillende verzekeraars betrokken bij de uitvoering van beleid van 32 zorgkantoren. We onderzoeken of tussen verzekeraars grote verschillen bestaan in de stijging van het aantal zorguren per cliënt, en of deze samenhangen met het aandeel nadeelgemeenten in het werkgebied. Indien sprake is van historische scheefheden als gevolg van beleid van zorgverzekeraars, verwachten we dat gemeenten die bij de invoering van de WMO geconfronteerd zijn met ruimhartig beleid uit het verleden de toewijzing van huishoudelijke hulp meer hebben ingeperkt dan andere gemeenten. De verzekeraar in wiens zorgkantoorregio’s de geringste stijging wat betreft het gemiddeld aantal uren per cliënt en het aantal cliënten optreedt, is Zilveren Kruis Achmea. In de twee zorgkantoorregio’s die deze verzekeraar beheerde, komt geen enkele nadeelgemeente voor. Volgende in de rij is DSW. In de regio die DSW beheerde, is slechts één van de acht gemeenten nadeelgemeente. We zien dus dat de geringste stijging in zorguren per cliënt en/of aantal cliënten niet voorkomt in regio’s met veel nadeelgemeenten. Dit suggereert dat er geen sprake is van aantoonbare historische scheefheden als gevolg van beleid van zorgverzekeraars.

2.3

Conclusies

Indien er daadwerkelijk sprake is geweest van historische scheefheden in de regionale uitvoering, moet uit de analyse van de trends tussen 2005 en 2008 blijken dat het beroep op de huishoudelijke verzorging - in het bijzonder het aantal cliënten - in gemeenten die een duidelijk nadeel ondervinden van de invoering van de WMO over de hele linie sterk is gedaald. Alleen als dat het geval is, bestaan er aanwijzingen dat daar in het verleden mogelijk te ruimhartig huishoudelijke verzorging is verstrekt. We komen in dit hoofdstuk tot de volgende conclusies:

20

Ape











De nadeelgemeenten zijn sterk geconcentreerd in een aantal regio’s in Nederland. Nadeelgemeenten komen vooral voor in de periferie van Nederland (het oosten, Flevoland, Drenthe, Zeeland en Zuid-Limburg), en niet in de Randstad en het hart van Nederland. In alle gemeenten blijft het aantal cliënten tussen 2005 en 2008 nagenoeg gelijk. Nadeelgemeenten hebben dus niet eenvoudig kunnen snijden in (te) ruimhartig verleende zorg. Het aantal uren verleende zorg per cliënt ligt op een hoger niveau in de nadeelgemeenten dan in de overige gemeenten, zowel in 2005 als in 2008. In alle gemeenten stijgt het aantal uren verleende zorg per client. In de nadeelgemeenten is deze stijging echter minder sterk dan in de overige gemeenten. Vóór de invoering van de WMO waren zorgkantoren belast met de uitvoering van de huishoudelijke hulp. Indien er sprake is van historisch gegroeide scheefheden in de uitvoeringspraktijk, verwachten we dat in zorgkantoorregio’s met veel nadeelgemeenten tussen 2005 en 2008 een grotere beperking van aantal cliënten en aantal verstrekte zorguren per cliënt gerealiseerd kan worden. Dit zien we niet terug in de gegevens. De stijging in het aantal uren per cliënt en het aantal cliënten in de nadeelzorgkantoorregio’s is conform het landelijk gemiddelde; de stijging in het aantal cliënten ligt zelfs marginaal boven het landelijk gemiddelde. Concessiehouders van de zorgkantoren zijn zorgverzekeraars, die veelal landelijk beleid uitzetten. De zorgverzekeraars in wiens voormalige zorgkantoorregio’s een geringe stijging in uren per cliënt en aantal clienten wordt gerealiseerd, kennen geen of weinig nadeelgemeenten. Dit suggereert dat historisch gegroeide scheefheden geen betekenisvolle rol kunnen spelen bij de verklaring van verschillen tussen gemeenten.

Ape

21

3

GEZONDHEID EN SOCIAAL-ECONOMISCHE STATUS

3.1

Inleiding

In het voorgaande hoofdstuk hebben we gezien dat de nadeelgemeenten sterk regionaal geconcentreerd zijn. We hebben getracht deze regionale verschillen in verband te brengen met het beleid van zorgkantoorregio’s en zorgverzekeraars, die vóór de invoering van de WMO belast waren met de contractering van de huishoudelijke verzorging. We hebben geconcludeerd dat er weinig aanwijzingen bestaan dat de nadeelgemeenten bij de invoering van de WMO geconfronteerd zijn met een ruimhartige praktijk waarin eenvoudig gesneden kan worden. In dit hoofdstuk gaan we na in hoeverre er een samenhang bestaat tussen enerzijds de ontwikkeling van het aantal uren per cliënt en het aantal cliënten, en anderzijds de gezondheid en de sociaal-economische status van de inwoners. We doen dit ten eerste door de samenhang te bestuderen tussen veranderingen in WMO-gebruik en veranderingen in bevolkingskenmerken. Vervolgens onderzoeken we in detail hoe de opdrachtgemeenten i.e.z. zich verhouden ten opzichte van andere gemeenten. Dit geschiedt door de opdrachtgemeente te vergelijken met vergelijkbare gemeenten die echter geen nadeel ondervinden van de invoering van het (oorspronkelijke) WMO-verdeelmodel.

3.2

Samenhang met gezondheid en sociaal-economische status

In deze paragraaf analyseren we of en in hoeverre er een samenhang bestaat tussen de groei van het aantal uren per cliënt in de periode 20052008 en de kenmerken van de bevolking per gemeente naar gezondheid en sociaal-economische status. We onderzoeken bijvoorbeeld of de groei in het aantal uren per cliënt tussen 2005 en 2008 samenhangt met de groei in het aandeel 65+’ers tussen 2005 en 2008. We doen dit door de correlatiecoëfficiënten te berekenen tussen de groei van het aantal uren per cliënt en het aantal cliënten enerzijds in de onderscheiden gemeenten en de groei in bevolkingskenmerken anderzijds. De correlatie is een maatstaf voor de (lineaire) samenhang tussen twee sets factoren. Bij een perfecte samenhang heeft de correlatiecoëfficiënt de waarde 1 (positieve samenhang) of -1 (negatieve samenhang), terwijl bij afwezigheid van samen-

Ape

23

hang de correlatiecoëfficiënt gelijk is aan 0. In de analyse in tabel 3.1 presenteren we de correlatiecoëfficiënten afzonderlijk voor de nadeelgemeenten en de overige gemeenten. Zodoende kunnen we zien of de groei van het aantal uren per cliënt in de nadeelgemeenten sterker dan wel minder sterk wordt bepaald door de groei van bevolkingskenmerken. Voor deze analyse is het noodzakelijk dat we informatie hebben over zowel 2005 als 2008, en dat in deze jaren geen ingrijpende definitiewijzigingen hebben plaatsgevonden. Dat geldt voor informatie van het CBS, zoals het aandeel 65+’ers, eenpersoonshuishoudens, niet-westerse allochtonen, arbeidsongeschikten, en hoog opgeleiden. Helaas zijn alle factoren die gerelateerd zijn aan de Zorgverzekeringswet (zoals de vaststelling van de chronische aandoeningen) door de stelselwijziging onderhavig geweest aan ingrijpende wijzigingen tussen 2005 en 2008. De enige maat voor (on)gezondheid die consistent is in de tijd betreft de gestandaardiseerde sterfte per gemeente. 8 Tabel 3.1 geeft de resultaten. Tabel 3.1: Correlatie tussen groei van aantal uren per cliënt enerzijds en groei van bevolkingskenmerken anderzijds in de periode 20052008 a

Kenmerk

Uren per cliënt

Uren per cliënt

nadeel-

overige

gemeenten (97)

gemeenten (344)

65+’er

0,62

0,14

Eenpersoonshuishoudens

0,52

0,14

Eenpersoonshuishoudens 65+’ers

0,40

0,08

Arbeidsongeschikten

0,20

-0,01

-0,14

-0,02

Bijstandsontvangers

0,02

-0,09

Inwoners met hoge opleiding

0,01

-0,13

-0,26

-0,13

Niet-westerse allochtonen

Gestandaardiseerde sterfte a

Correlaties zijn gebaseerd op de verschillen in de log tussen 2005 en 2008, gewogen naar inwonertal gemeente

Bron: APE

Tabel 3.1 onthult dat de samenhang tussen de ontwikkeling van een aantal bevolkingskenmerken en die van het aantal uren per cliënt bij de nadeelgemeenten in het algemeen sterker is dan bij overige gemeenten: de 8

24

Sterfte gestandaardiseerd voor de bevolkingssamenstelling van gemeenten naar leeftijd en geslacht.

Ape

waarde van de correlatiecoëfficiënten is bij de nadeelgemeenten in veel gevallen in absolute waarde groter. Er bestaat bijvoorbeeld een positieve samenhang tussen de ontwikkeling van het aantal uren per cliënt en die van het aandeel 65+’ers: hoe sterker de toename van het aandeel 65+’ers, hoe sterker de groei in het aantal uren verstrekte zorg per cliënt. Maar deze samenhang is veel sterker in de nadeelgemeenten dan in de overige gemeenten (coëfficiënt is 0,62 versus 0,14). 9 Dit geldt ook voor het aandeel eenpersoonshuishoudens, en het aandeel eenpersoonshuishoudens onder 65+’ers, en in mindere mate voor het aandeel arbeidsongeschikten en gestandaardiseerde sterfte. Deze laatste factor kent een negatief verband met uren per cliënt. Dit betekent dat in gemeenten waarin de gestandaardiseerde sterfte daalt tussen 2005 en 2008, het gemiddeld aantal uren verstrekte zorg stijgt. Dit laatste verband duidt op de intensievere zorg die oudere mensen nodig hebben. De resultaten suggereren dat de ontwikkeling van het aantal uren per client juist in de nadeelgemeenten het sterkst wordt bepaald door de kenmerken van de bevolking naar gezondheid en sociaal-economische status. Dit wijst niet op de aanwezigheid van te ruimhartig verstrekte huishoudelijk verzorging in het verleden, maar eerder op het tegendeel: groei van het aantal uren per cliënt in de overige (voordeel)gemeenten wordt juist in minder sterke mate bepaald door veranderingen de bevolkingssamenstelling. We onderzoeken ook of en in hoeverre er een samenhang bestaat tussen de groei van het aantal cliënten in de periode 2005-2008 en de kenmerken van de bevolking per gemeente naar gezondheid en sociaal-economische status. We vinden opnieuw een relatie tussen de groei van het aantal clienten enerzijds en de ontwikkeling van het aandeel 65+’ers, eenpersoonshuishoudens, en eenpersoonshuishoudens onder 65+’ers anderzijds (zie voor de resultaten bijlage B). Deze verbanden zijn echter niet veel sterker in de nadeelgemeenten dan in de overige gemeenten.

9

Correlaties zijn over het algemeen hoger naarmate het aantal observaties lager is, dus het is niet uitgesloten dat de hogere correlaties in de groep van nadeelgemeenten ten dele – maar niet geheel - gerelateerd kunnen worden aan het geringere aantal gemeenten.

Ape

25

3.3

Vergelijking van opdrachtgemeenten i.e.z. met referentiegemeenten

In deze paragraaf gaan we in detail in op de positie van de opdrachtgemeenten i.e.z. door deze gemeenten steeds te vergelijken met vijf vergelijkbare referentiegemeenten uit andere zorgkantoorregio's. De referentiegemeenten zijn vergelijkbaar qua budget per inwoner en grootteklasse van de gemeente, 10 maar kennen in het verdeelmodel positieve of neutrale herverdeeleffecten. We kijken hoe de deelnemende opdrachtgemeenten i.e.z. ten opzichte van referentiegemeenten scoren op de gezondheidssituatie en de sociaal-economische situatie, en op de ontwikkeling van het beroep op huishoudelijke verzorging tussen 2005 en 2008. Deze analyse geeft inzicht in de aanwezigheid van scheefheden in de uitvoeringspraktijk. Zijn de herverdeeleffecten die Cebeon toeschrijft aan historische scheefheden in de regionale uitvoeringspraktijk reëel of hebben die eerder te maken met onvolkomenheden in het verdeelmodel? De resultaten van de analyse per gemeente zijn te vinden in bijlage C. We zien dat ongeveer de helft van de opdrachtgemeenten i.e.z. een hoog percentage cliënten heeft, en/of een hoog aantal uren zorg per cliënt verstrekt, en/of een geringe groei in aantallen uren per cliënt tussen 2005 en 2008 vertoont. De vraag is natuurlijk of hier sprake is van in het heden en verleden ruimhartig verleende zorg of om terecht verleende zorg. Indien het gaat om terecht verleende zorg, moeten indicatoren voor gezondheid en sociaal-economische status niet of niet goed in het model vertegenwoordigd zijn. We verwachten dan dat de opdrachtgemeenten i.e.z. extremer dan de referentiegemeenten scoren wat betreft de indicatoren voor gezondheid en sociaal-economische status. Als bijvoorbeeld een groot deel van de opdrachtgemeenten een hoger aandeel inwoners heeft met chronische aandoeningen dan de referentiegemeenten, kunnen we concluderen dat het gewicht van chronische aandoeningen in het verdeelmodel niet goed is vastgesteld. Idem geldt dat indien een groot aandeel van de opdrachtgemeenten i.e.z. een hoog percentage inwoners met een lage opleiding kent, dit bevolkingskenmerk ten onrechte in het verdeelmodel ontbreekt. Anderzijds geldt ook dat een hoog percentage cliënten of een hoog aantal uren per cliënt, maar geen afwijkende score wat betreft gezondheids- en sociaal economische kenmerken, een vingerwijzing is naar te ruimhartig verleende zorg in het verleden en/of heden.

10

26

We hebben hier zes grootteklassen gehanteerd: 1) < 25.000 inwoners, 2) ≥ 25.000 en < 50.000 inwoners, 3) ≥ 50.000 en < 100.000 inwoners, 4) ≥ 100.000 en < 150.000 inwoners, 5) ≥ 150.000 en < 200.000 inwoners en 6) ≥ 200.000 inwoners.

Ape

De resultaten tonen aan dat ten opzichte van de referentiegemeenten de opdrachtgemeenten i.e.z. niet extreem op aandeel 65+’ers, 75+’ers, en eenpersoonshuishoudens scoren. Dit suggereert dat deze kenmerken in het huidige model adequaat vertegenwoordigd zijn. Ook bij de chronische aandoeningen zien we dat een beperkt deel van de opdrachtgemeenten i.e.z. hoger scoort dan de referentiegemeenten. Dit wekt de suggestie dat gemeenten adequaat worden gecompenseerd voor de chronische aandoeningen. Dit geldt echter niet voor het percentage uitkeringsontvangers, het percentage huishoudens met lage inkomens, en percentage inwoners met een lage opleiding. Een belangrijk deel (een derde tot de helft) van de opdrachtgemeenten i.e.z. scoort hoger dan de referentiegemeenten op deze kenmerken. Alle drie kenmerken refereren aan de sociaal-economische status van inwoners. De sociaal-economische status is een belangrijke determinant van gezondheid en van zorgvraag. Deze resultaten wekken de suggestie dat gemeenten met een grote groep inwoners met een lage sociaal-economische status ten onrechte worden benadeeld. Voorbeelden van gemeenten waarvoor dit overtuigend geldt, zijn Pekela en Twenterand. Op alle drie indicatoren van sociaal-economische status scoren deze gemeenten hoger dan hun referentiegemeenten. Daarnaast geldt dat circa tien gemeenten (20%) geen afwijkende positie innemen vergeleken met de referentiegemeenten wat betreft gezondheid en sociaal-economische status. Mogelijk zijn andere bevolkingskenmerken relevant voor de WMO-zorgvraag die wij hier niet in beschouwing hebben kunnen nemen. Zo kan bijvoorbeeld een indicator als langdurig gebruik van hulpmiddelen relevant zijn als benadering voor mobiliteitsbeperkende aandoeningen. Ook kan een suboptimale vaststelling van de gewichten nadelig uitpakken voor deze gemeenten. We kunnen echter evenmin uitsluiten dat in het verleden in deze gemeenten zorg ruimhartig verleend is.

3.4

Conclusies

In dit hoofdstuk zijn we nagegaan in hoeverre er een samenhang bestaat tussen enerzijds de ontwikkeling van het aantal uren per cliënt en het aantal cliënten en anderzijds de gezondheid en de sociaal-economische status van de inwoners. Daarbij maken we onderscheid tussen de nadeelgemeenten en de overige gemeenten. Dit leidt tot de volgende bevindingen:  De ontwikkeling van het aantal uren per cliënt en het aantal cliënten hangt samen met de groei van het aandeel 65+’ers, het aantal eenpersoonshuishoudens, en het aantal eenpersoonshuishoudens bij 65+’ers.

Ape

27





28

Bij het aantal uren per cliënt is deze samenhang (veel) sterker bij de nadeelgemeenten dan bij de overige gemeenten. De ontwikkeling van het aantal uren per cliënt wordt in de nadeelgemeenten sterk bepaald door kenmerken van de bevolking, zoals het aandeel ouderen, arbeidsongeschikten, en de gestandaardiseerde sterfte. Dit wijst niet op de aanwezigheid van te ruimhartig verstrekte huishoudelijk verzorging in het verleden. Opdrachtgemeenten i.e.z. hebben vaker een groot aandeel inwoners met een lage sociaal-economische status dan de referentiegemeenten. Dit wekt de suggestie dat de sociaal-economische status nog onvoldoende in het huidige verdeelmodel is verwerkt.

Ape

4

NAAR EEN ALTERNATIEF WMO-VERDEELMODEL

4.1

Inleiding

In ons eerdere onderzoek signaleerden we twee problemen met het huidige WMO-verdeelmodel (APE 2008). Allereerst is de vraag of de gewichten optimaal vastgesteld zijn. Uit analyses blijkt dat de gewichten in het verdeelmodel voor het aantal ouderen te groot zijn, en de gewichten voor sociaal-economische status te laag zijn (BMC 2008). Dit betekent dat – ten onrechte - relatief veel middelen verdeeld worden op basis van het aandeel ouderen in de gemeente, en relatief weinig op basis van de sociaaleconomische status en gezondheid. Ten tweede is de vraag of alle relevante verdeelkenmerken in het sinds dit jaar geldende WMO-verdeelmodel 2011 zijn opgenomen. Verdeelkenmerken die gerelateerd zijn aan gezondheid en sociaal-economische status zijn nog steeds matig vertegenwoordigd in het verdeelmodel, bijvoorbeeld door het ontbreken van bijstandsontvangers, gemiddeld opleidingsniveau, lage inkomens bij ouderen, of het chronisch gebruik van hulpmiddelen als indicator van mobiliteitskenmerken. Uit recent onderzoek van Knaack (2010) blijkt wederom dat het belang van de sociaal-economische status onvoldoende in het huidige WMOverdeelmodel 2011 is verwerkt. In dit hoofdstuk voeren we twee analyses uit die deze resultaten verder kunnen ondersteunen. Ten eerste schatten we een verdeelmodel met de gangbare statistische methoden en met exact dezelfde verdeelkenmerken als het huidige WMO-verdeelmodel 2011. Indien de aldus verkregen gewichten sterk afwijken van de gewichten van het huidige WMO-verdeelmodel 2011, en indien de herverdeeleffecten aantoonbaar worden verminderd, beschikken we over sterke aanwijzingen dat de gewichten niet optimaal zijn vastgesteld. Ten tweede doen we een poging om een alternatief verdeelmodel op te stellen. Het is nadrukkelijk niet de bedoeling om ‘from scratch’ een nieuw verdeelmodel te ontwikkelen. In plaats daarvan gaan we zoveel mogelijk uit van de verdeelkenmerken die nu al in het huidige verdeelmodel zijn opgenomen en van de nog niet in het model opgenomen verdeelkenmerken waarover een redelijke mate van consensus bestaat. Het alternatieve verdeelmodel geeft onder meer aan wat de maximale verklaringskracht is van de in het model opgenomen verdeelkenmerken en wat de herverdeel-

Ape

29

effecten maximaal mogen zijn. Grotere herverdeeleffecten in het vigerende WMO-verdeelmodel 2011 dan deze maximale herverdeeleffecten moeten in beginsel vermijdbaar zijn, te meer omdat we in de voorgaande hoofdstukken geen aanwijzingen hebben gevonden voor het bestaan van historische scheefheden in de uitvoering. Het alternatieve verdeelmodel dient primair als kader voor de beoordeling van het WMO-verdeelmodel 2011, maar vormt ook een mogelijk alternatief voor dit WMO-verdeelmodel als we er in slagen om een beter functionerend model te ontwikkelen. Bij de ontwikkeling van het alternatieve WMO-verdeelmodel houden we rekening met de uitgangspunten van het recente RFV-advies over de vereenvoudiging van de verdeling van de algemene uitkering gemeentefonds (RFV 2010a). Daarin hanteert de Raad de uitgangspunten eenvoud en transparantie. Om die reden kiezen wij voor de opstelling van een WMO-verdeelmodel met een relatief beperkt aantal verdeelkenmerken zonder arbitrair gekozen drempels. In       

de analyse in het hoofdstuk staan de volgende criteria centraal: eenvoud; transparantie en reproduceerbaarheid; robuustheid; plausibiliteit; verklaringskracht (verklaarde variantie); omvang en spreiding van de herverdeeleffecten; afwezigheid van systematische patronen in de herverdeeleffecten.

4.2

Gebruikte gegevens

Via het CAK hebben we uitgaven zorg in natura en eigen betalingen per gemeente verkregen. Helaas beschikt het CAK niet over informatie over de hoogte van het pgb. In tabel 4.1 vergelijken we deze gegevens met de gegevens die het SCP over 2008 rapporteert. Het SCP gebruikt een andere databron dan het CAK, namelijk het CBS, waaraan gemeenten via het IV 3 formulier rapporteren. Wel voert het SCP een aantal aanvullende bewerkingen uit op de data van het CBS met behulp van CAK-gegevens. De tabel illustreert dat de gegevens van het CAK enige afwijkingen vertonen ten opzichte van die van het CBS. Vergeleken met de eigen opgaaf van gemeenten, die het SCP als input gebruikt heeft, rapporteert het CAK ongeveer 100 mln. euro meer uitgaven aan zorg in natura. Als we vergelijken met het pgb van 2007, lijkt vooral een verschuiving op te treden tussen zorg in natura en pgb. In feite maakt

30

Ape

dit weinig uit omdat het model geschat wordt op het totale uitgaven huishoudelijke hulp. Omdat wij niet over het pgb 2008 per gemeente beschikken, gebruiken we het pgb 2007, en schalen we de optelling van netto zorg in natura en pgb op tot het niveau van het totale WMO-budget 2011 uit de Junicirculaire 2010 (1.383,0 mln. euro). Dit is uiteraard een benadering. Tabel 4.1: WMO-uitgaven volgens diverse bronnen (x mln. euro) SCP 2008

CAK 2008 Junicirculaire 2007

Bruto zorg in natura

982

1.084

pgb

298

?

1.280

?

Eigen bijdragen

193

210

Totaal netto zorg in natura

789

874

1.087

?

Totaal bruto

Totaal netto

134

Bron: Junicirculaire 2007, CAK-gegevens (APE-bewerking) en SCP (2009)

De overige gegevens zijn in het algemeen afkomstig uit de spreadsheet bij de Junicirculaire 2010 en van Statline van het CBS.

4.3

WMO-verdeelmodel versus herschatting door APE

4.3.1 Inleiding In deze paragraaf vergelijken we het WMO-verdeelmodel dat tot en met 2010 in gebruik was eerst met nieuwe WMO-verdeelmodel 2011. Daarna voeren we een herschatting van het WMO-verdeelmodel 2011 uit met de gangbare statistische methoden (regressieanalyse). De eerste twee kolommen van tabel 4.2 bevatten respectievelijk het WMO-verdeelmodel 2010 en het nieuwe WMO-verdeelmodel 2011. De derde kolom toont het WMO-verdeelmodel 2011 na weglating van overbodige verdeelkenmerken, die dubbel in het model voorkomen. De vierde kolom heeft betrekking op een herschatting van het WMO-verdeelmodel 2011 met dezelfde verdeelkenmerken, waarbij de gewichten echter zijn bepaald met de gebruikelijke statistische methoden (regressieanalyse). Het uitgangspunt van onze analyses is dat de totstandkoming van de gewichten van de verdeelkenmerken op transparante wijze plaatsvindt en dat de herverdeeleffecten zo beperkt mogelijk blijven.

Ape

31

Herverdeeleffecten worden in dit hoofdstuk steeds gedefinieerd als het verschil tussen de met het verdeelmodel berekende gemeentelijke budgetten en de feitelijke gemeentelijke uitgaven. In de voorgaande hoofdstukken is het begrip herverdeeleffect steeds gebruikt in de zin van budgetverschuiving.

4.3.2 WMO-verdeelmodel 2010 versus WMO-verdeelmodel 2011 Tabel 4.2 geeft aan dat het WMO-verdeelmodel 2011 op een aantal punten is gewijzigd ten opzichte van eerdere jaren. Deze wijzigingen leiden weliswaar tot een duidelijke verbetering van de verklaringskracht van het WMO-verdeelmodel (met bijna een derde), maar deze blijft uiteindelijk nog steeds bescheiden. Het WMO-verdeelmodel 2010 verklaart slechts 34% van de variatie in de WMO-uitgaven tussen gemeenten. Dit verbetert in het WMO-verdeelmodel 2011 weliswaar tot een verklaringskracht van 45%, maar dat betekent dat nog steeds 55% van de variatie in de WMOuitgaven tussen gemeenten in 2008 niet wordt verklaard door het WMOverdeelmodel 2011. 11 De geringe verklaringskracht van het WMO-verdeelmodel 2011 komt tot uiting in een slechte aansluiting tussen de met het verdeelmodel berekende gemeentelijke budgetten en de feitelijke gemeentelijke uitgaven, en daarmee tot gemiddeld grote absolute herverdeeleffecten, variërend van 18,38 euro per inwoner in het WMO-verdeelmodel 2010 tot 16,89 euro per inwoner in het WMO-verdeelmodel 2011 (zie de laatste regel van de tabel). In het verdeelmodel 2011 lopen de herverdeeleffecten in 2008 sterk uiteen. Kijken we naar de herverdeeleffecten per landsdeel dan blijkt dat alleen het westen van het land gemiddeld positieve herverdeeleffecten (bijna 8 euro per inwoner) ondervindt, terwijl het noorden, het oosten en het zuiden kampen met negatieve herverdeeleffecten (zie ook paragraaf 4.4.4). Dat geeft aan dat het nieuwe verdeelmodel nog steeds tekortschiet, ook nadat de gemeenten door de invoering van de WMO financieel verantwoordelijk zijn geworden voor de huishoudelijke verzorging.

11

32

Het verdeelmodel voor het inkomensdeel van de Wet Werk en Bijstand verklaart op gemeenteniveau bijvoorbeeld meer dan 90% van de variatie in de gemeentelijke uitgaven. Dit is aanzienlijk meer dan in het huidige WMOverdeelmodel.

Ape

Tabel 4.2: WMO-verdeelmodel 2011 versus herschatting door APE Verdeelkenmerka

Verdeelmodel 2010

Verdeelmodel 2011

Inwoners

0,31

0,31

Inwoners 0-19 jaar

0,25

0,25

Inwoners 0-64 jaar

0,35

7,99

Inwoners 20-64 jaar

Verdeelmodel 2011 na correctie

APEherschatting verdeelmodel 2011b

8,55

-66,81

8,30

-7,94

Inwoners 65-74 jaar

43,92

0,22

0,53

327,37

Inwoners 75-84 jaar

165,18

0,22

0,53

-545,38

Inwoners 85+

245,67

0,22

0,53

1.694,02**

Eenpersoonshuishoudens 65-74 jaar

248,02

31,07

31,07

-1.856,91** 1.960,55**

Eenpersoonshuishoudens 75-84 jaar

551,53

124,28

124,28

Eenpersoonshuishoudens 85+

713,89

217,49

217,49

-637,36

0,95

0,95

0,95

25,29

257,44

257,44

1.029,77

1.029,77

-17.261,40*

1.802,09

1.802,09

-2.318,51

221,93

221,93

-1.911,26

887,74

887,74

4.914,87

1.553,53

1.553,53

697,12

234,36

234,36

124,36**

280,38

78,59

78,59

539,03**

0,80

0,80

0,80

-5,88 -5,62

Huishoudens laag inkomen Laag inkomen boven drempel * gewogen huishoudens 65+ Laag inkomen boven drempel * huishoudens 65-74 jaar Laag inkomen boven drempel * huishoudens 75-84 jaar Laag inkomen boven drempel * huishoudens 85+ GGI boven drempel * huishoudens 65-74 jaar GGI boven drempel * huishoudens 75-84 jaar

575,40

GGI boven drempel * huishoudens 85+ FKG boven drempel (chronisch zieken) Uitkeringsontvangers (excl. bijstand) Minderheden OAD*woonruimten/1.000

11.233,31**

-1,88

-0,43

-0,43

Regionaal klantenpotentieel

1,43

1,40

1,40

11,70**

Bbag bedden

1,01

1,01

1,01

-0,85*

58.801,63

23.732,07

23.732,07

-42.738,27

0,34

0,45

0,45

0,63

18,38

16,89

16,89

13,18

Vaste voet per gemeente Verklaarde variantie (R2) Gewogen gemiddelde van de absolute herverdeeleffecten a

FKG: Farmacie Kosten Groepen, ook wel (ongelukkig) aangeduid als langdurig medicijngebruik GGI: gemiddeld gestandaardiseerd inkomen per huishouden OAD: omgevingsadressendichtheid (maat voor stedelijkheid)

b

* significant p < 0,10; ** significant p < 0,05

Bron: Junicirculaire 2010 en APE

Ape

33

Verder valt op dat beide WMO-verdeelmodellen een aantal overbodige (redundante) verdeelkenmerken bevatten. Alle leeftijdsgroepen van de inwoners van gemeenten komen in beide modellen voor, maar daarnaast is het totaal aantal inwoners in de modellen opgenomen. Dit is overbodig: de gewichten van alle leeftijdsgroepen kunnen worden verhoogd met 0,31 euro, zijnde het gewicht van het totaal aantal inwoners in beide verdeelmodellen. Daarnaast komen de inwoners van 0 tot en met 19 jaar (jongeren) twee keer in beide verdeelmodellen voor, zowel als zelfstandig verdeelkenmerk als via het aantal inwoners van 0 tot en met 64 jaar. Dit is eveneens overbodig: de gewichten van de jongeren kunnen worden verhoogd met het gewicht van de 0 tot en met 64 jarigen. De derde kolom van tabel 4.2 illustreert daarom hoe het verdeelmodel 2011 eruitziet na weglating van de overbodige verdeelkenmerken. Weglating dan wel toevoeging van de overbodige verdeelkenmerken heeft geen enkele invloed op de budgettoedeling. Wel is de vaststelling van de waarde van de gewichten van overbodige verdeelkenmerken arbitrair en kan deze niet met de reguliere statistische methoden plaatsvinden. Voorts moet worden opgemerkt dat beide verdeelmodellen een aantal verdeelkenmerken bevatten die een sterke onderlinge overlap vertonen. Huishoudens met een laag inkomen komen bijvoorbeeld als verdeelkenmerk in het WMO-verdeelmodel 2011 voor en daarnaast ook via het laag inkomen boven de drempel vermenigvuldigd met het aantal huishoudens in verschillende leeftijdsklassen. Het aantal huishoudens in verschillende leeftijdsklassen is ook in het verdeelmodel opgenomen in combinatie met het gemiddeld gestandaardiseerd inkomen en vertoont in de hogere leeftijdsklassen bovendien een grote overlap met het aantal eenpersoonshuishoudens en het aantal inwoners in deze leeftijdsklassen. Al met al overlappen de verschillende verdeelkenmerken in het model elkaar sterk. Die overlap loopt in een flink aantal gevallen op tot maar liefst 80 à 90%. Dat blijkt uit de hoge correlaties tussen de verschillende verdeelkenmerken. Deze grote overlap (‘multicollineariteit’) betekent enerzijds dat het verdeelmodel 2011 met aanzienlijk minder verdeelkenmerken toe kan om dezelfde verklaringsgraad en verdelende werking te realiseren als het huidige verdeelmodel. Anderzijds betekent het ook dat de huidige waarde van de gewichten in het WMO-verdeelmodel 2011 in sterke mate wordt bepaald door het toeval. Daardoor is dit model onvoldoende robuust. Gegeven de overlap in de gehanteerde verdeelkenmerken is het immers arbitrair aan welk verdeelkenmerk en in welke omvang de gewichten moeten worden toegekend. Dat leidt ertoe dat de WMO-budgetten van individuele ge-

34

Ape

meenten in sterke mate kunnen zijn bepaald door de toevallige omstandigheid aan welk verdeelmerk het meeste c.q. het minste gewicht wordt toegekend.

4.3.3 Herschatting van het WMO-verdeelmodel 2011 We hebben het WMO-verdeelmodel 2011 opnieuw geschat met dezelfde verdeelkenmerken, maar nu via de gangbare statistische methoden. Voorafgaande aan de modelschatting standaardiseren we de WMO-uitgaven en alle verdeelkenmerken met het aantal inwoners; dat wil zeggen, we delen alle variabelen door het aantal inwoners om te corrigeren voor verschillen in gemeentegrootte en om schaalgedomineerde schijnverbanden te voorkomen. We schatten het model met regressieanalyse (gewogen kleinstekwadratenmethode). De weging vindt plaats met het aantal inwoners. De schattingsmethode zorgt ervoor dat het model zo goed mogelijk de gemeentelijke WMO-uitgaven voorspelt op basis van de gehanteerde verdeelkenmerken. 12 Daarbij wordt uitgegaan van de gemiddelde praktijk, gegeven het niveau van de gemeentelijke WMO-uitgaven en de waarden van de verdeelkenmerken. Bij de herschatting van het WMO-verdeelmodel 2011 laten we de overbodige verdeelkenmerken weg. De vierde kolom van tabel 4.2 toont de resultaten van de herschatting van het WMO-verdeelmodel 2011. Een vergelijking tussen kolommen 3 en 4 van tabel 4.2 illustreert dat er grote verschillen bestaan tussen het oorspronkelijke WMO-verdeelmodel 2011 en het herschatte WMO-verdeelmodel 2011. De resultaten van het herschatte WMO-verdeelmodel 2011 onderstrepen in het algemeen het belang van sociaal-economische en gezondheidsfactoren ten opzichte van zuiver demografische factoren. Dat is ook logisch, omdat het beroep op de WMO voor een belangrijk deel wordt bepaald door de zorgbehoefte van de inwoners en hun financiële mogelijkheden. Voor inwoners met meer financiële mogelijkheden bestaan er bovendien concurrerende alternatieven voor huishoudelijke verzorging krachtens de WMO, omdat zij bij een beroep hierop relatief hoge eigen bijdragen verschuldigd zijn. De herschatting van het verdeelmodel 2011 leidt tot een sterke toename van de verklaringskracht van het model ten opzichte van het oorspronkelijke WMO-verdeelmodel 2011. De herschatte versie van het verdeelmodel 2011 verklaart 63% van de variatie in de gemeentelijke WMO-uitgaven 12

De gewogen som van de gekwadrateerde herverdeeleffecten per inwoner van alle gemeenten wordt geminimaliseerd.

Ape

35

tegen 45% in het oorspronkelijke WMO-verdeelmodel 2011. Dat is weliswaar een verbetering van 40% ten opzichte van het vigerende verdeelmodel, maar er blijft nog voldoende verbeterpotentieel over. De gemiddelde absolute herverdeeleffecten dalen tot 13,18 euro per inwoner (van 16,89 euro in het oorspronkelijke WMO-verdeelmodel 2011). De kwaliteit van het herschatte WMO-verdeelmodel 2011 laat echter nog te wensen over. Slechts van een beperkt aantal verdeelkenmerken is de waarde van de gewichten statistisch significant. Dat is een direct gevolg van de eerdergenoemde overlap in de verdeelkenmerken. Een groot aantal van deze verdeelkenmerken heeft geen toegevoegde waarde voor de verklaring van de verschillen in gemeentelijke WMO-uitgaven. Ook is het door de overlap lastig om de waarde van de gewichten van de verdeelkenmerken nauwkeurig te bepalen. Gegeven de vele insignificante gewichten van de verdeelkenmerken is het met de huidige set verdeelkenmerken ondoenlijk om een robuust verdeelmodel op te stellen. Het herschatte WMOverdeelmodel 2011 is daarom in deze vorm niet geschikt als verdeelmodel, want het is onvoldoende robuust en stabiel. De herschatte versie van het verdeelmodel is uitsluitend bedoeld als toets op de vaststelling van de gewichten en om aan te geven met hoeveel de herverdeeleffecten redelijkerwijs kunnen worden beperkt. De vraag is of de opdrachtgemeenten een hoger budget zouden krijgen op basis van het herschatte WMO-verdeelmodel 2011 dan op basis van het oorspronkelijke WMO-verdeelmodel 2011. Uit onze analyse blijkt dat van de 47 opdrachtgemeenten i.e.z. er 41 gemeenten een groter budget ontvangen (89%) op basis van het herschatte WMO-verdeelmodel 2011. De opdrachtgemeenten gaan er gemiddeld met 5,35 euro per inwoner op vooruit. Van de nadeelgemeenten in totaal zouden 73 van de 94 gemeenten een groter budget ontvangen (78%). De nadeelgemeenten gaan er gemiddeld met 5,96 euro per inwoner op vooruit ten opzichte van het oorspronkelijke WMO-verdeelmodel 2011. In totaal gaat 55% van alle gemeenten erop vooruit door de herschatting van het WMO-verdeelmodel 2011. Dat is een lager percentage dan bij de opdrachtgemeenten i.e.z. en de nadeelgemeenten. De intuïtie van gemeenten dat de WMO-gelden op basis van het huidige WMO-verdeelmodel niet rechtvaardig worden verdeeld, wordt gestaafd door deze resultaten. De resultaten van suggereren dat de gewichten in het oorspronkelijke WMO-verdeelmodel 2011 niet optimaal zijn vastgesteld. Zelfs als niets gewijzigd wordt in de verdeelkenmerken, kan aanpassing van de gewichten al een duidelijke verbetering opleveren voor de opdrachtgemeenten i.e.z. en de nadeelgemeenten.

36

Ape

4.4

Een aanzet voor een alternatief WMO-verdeelmodel

4.4.1 Inleiding In deze paragraaf proberen we een aanzet te geven voor de ontwikkeling van een alternatief WMO-verdeelmodel. Het moet gaan om een eenvoudig, plausibel en robuust model dat op transparante wijze wordt ontwikkeld, waardoor de resultaten reproduceerbaar zijn. Gegeven de eis van eenvoud streven we naar een verdeelmodel met een relatief beperkt aantal verdeelkenmerken. De gewichten van de verdeelkenmerken moeten statistisch significant zijn om instabiliteit en toevalsfluctuaties te beperken. 13 Gegeven de wenselijkheid van een transparant verdeelmodel maken we geen gebruik van (arbitraire) drempelwaarden. Het alternatieve verdeelmodel moet daarnaast voldoen aan de eisen van acceptabele verklaringskracht en daarmee van relatief beperkte herverdeeleffecten, gelet op het feit dat we in ons onderzoek geen duidelijke sporen van historische scheefheden in de regionale uitvoeringspraktijk hebben aangetroffen. Bovendien mogen er geen systematische patronen in de herverdeeleffecten bestaan. Die duiden immers op ontbrekende verdeelkenmerken. Uitgangspunt bij de ontwikkeling van het alternatieve verdeelmodel is dat het model de gemiddelde praktijk van de WMO-uitvoering door gemeenten adequaat beschrijft. Gemeenten die het slechter doen of ruimhartiger zijn dan de gemiddelde praktijk kampen met negatieve herverdeeleffecten, terwijl gemeenten die het beter doen of minder ruimhartig zijn dan de gemiddelde praktijk positieve herverdeeleffecten ondervinden. De analyse in deze paragraaf heeft nadrukkelijk het karakter van een aanzet voor een alternatief verdeelmodel niet de ontwikkeling van een definitief verdeelmodel. Dat laatste valt buiten het bestek van het huidige onderzoek en vergt een uitgebreider onderzoek. Een belang aandachtspunt bij de modelontwikkeling is dat het alternatieve verdeelmodel zo goed mogelijk rekening houdt met sociaal-economische en gezondheidsfactoren. Dit zijn belangrijke determinanten van het beroep op de huishoudelijke verzorging, zoals ook uit eerdere onderzoeken is gebleken. WMO-cliënten hebben onder meer een slechte gezondheid en een laag inkomen, veelal gecombineerd. Daar komt bij dat mensen met een hoger inkomen beschikken over concurrerende alternatieven voor huis13

Alleen voor het gewicht van het aantal inwoners maken we een uitzondering. Dit is immers de constante term van de regressievergelijking voor de WMO-uitgaven per inwoner. We zien geen reden om een model zonder constante term te schatten.

Ape

37

houdelijke verzorging krachtens de WMO, omdat zij bij een beroep op de huishoudelijke verzorging in het kader van de WMO relatief hoge eigen bijdragen verschuldigd zijn. Helaas moeten we constateren dat nog niet alle gewenste gegevens in voldoende betrouwbare vorm beschikbaar zijn. Dat geldt onder meer voor het opleidingsniveau van de gemeentelijke bevolking (in bijzonder het aandeel laag opgeleiden) en het aantal inwoners met mobiliteitsbeperkingen. Daarom nemen we die kenmerken noodgedwongen niet in beschouwing.

4.4.2 Specificatie van een alternatief WMO-verdeelmodel Het alternatieve WMO-verdeelmodel borduurt voort op het WMO-verdeelmodel 2011. Dat is voor een belangrijk deel ingegeven door de beschikbare gegevens. Het streven is echter om desondanks de verklaringskracht ten opzichte van het vigerende WMO-verdeelmodel 2011 te verbeteren met behoud van de eerder geformuleerde eisen aan het nieuwe model. Dat betekent naar verwachting dat de verklaringskracht van het alternatieve verdeelmodel de verklaringskracht van het herschatte WMO-verdeelmodel moeilijk kan overtreffen, hoewel het zonder meer mogelijk moet zijn om op dit punt aanzienlijk beter te scoren dan het huidige WMO-verdeelmodel 2011. Het alternatieve verdeelmodel moet rekening houden met demografische factoren, de gezondheidssituatie, sociaal-economische factoren en een aantal overige factoren, die te maken hebben met de stedelijkheid en de centrumfunctie van gemeenten. Bij de opstelling van het verdeelmodel proberen we zoveel mogelijk overlap in de verdeelkenmerken te voorkomen om een robuust verdeelmodel te verkrijgen dat voldoet aan de gangbare statistische eisen. Het alternatieve verdeelmodel wordt geschat met gewogen regressieanalyse. Dezelfde methode hebben we ook toegepast bij de herschatting van het WMO-verdeelmodel 2011. De selectie van de verdeelkenmerken berust onder meer op theoretische en inhoudelijke overwegingen en op het kwantitatieve belang voor de verklaring van de gemeentelijke verschillen in de WMO-uitgaven (statistische significantie en bijdrage aan de verklaringsgraad). In tegenstelling tot het huidige WMO-verdeelmodel 2011 bevat het alternatieve verdeelmodel minder demografische kenmerken. We hebben er bewust voor gekozen om minder demografische kenmerken in het verdeelmodel op te nemen, aangezien deze kenmerken relatief beperkt bijdragen aan de verklaring van de gemeentelijke uitgavenverschillen. Daarmee voorkomen we bovendien dat er een grote overlap optreedt in de

38

Ape

verdeelkenmerken, die weer leidt tot instabiliteit van het verdeelmodel. Zo bestaat er bijvoorbeeld een grote overlap tussen het aantal huishoudens van 85 jaar en ouder, het aantal eenpersoonshuishoudens van 85 jaar en ouder, en het aantal inwoners van 85 jaar en ouder. Deze demografische categorieën vallen in de praktijk immers voor een groot deel samen. Daarom beperken we ons bij de verdeelkenmerken tot het aantal inwoners in de relevante leeftijdsgroepen met een correctieterm voor het aantal huishoudens in de oudere leeftijdsgroepen, teneinde doublures tegen te gaan. Het alternatieve verdeelmodel bevat de volgende verdeelkenmerken:  Inwoners  Inwoners 65-74 jaar  Inwoners 75-84 jaar  Inwoners 85+  Huishoudens 65+  Aandeel lage inkomens 65+ * chronische zieken (FKG)  Gestandaardiseerde sterfte * inwoners  Gestandaardiseerd gemiddeld /1.000 * inwoners  Uitkeringsontvangers (excl. bijstand)  Minderheden  Inwoners stedelijk gebied  Regionaal klantenpotentieel  Bbag bedden Het aantal inwoners vormt enerzijds een maat voor de schaal van een gemeente. Anderzijds geeft ook een basisbedrag aan dat een gemeente voor elke inwoner krijgt en waarop vervolgens - afhankelijk van de WMObehoefte - specifieke toe- of afslagen worden toegepast. Voor de inwoners in de oudere leeftijdsgroepen ontvangt een gemeente toeslagen. Voor de huishoudens van ouderen (65+) vindt een afslag plaats om ervoor te zorgen dat er geen overcompensatie optreedt. Het beroep op de WMO is immers deels gerelateerd aan het huishouden (onder meer vanwege de mogelijkheid tot mantelzorg binnen het eigen huishouden). Daarom vindt er een overcompensatie plaats als er in het verdeelmodel alleen rekening wordt gehouden met het aantal inwoners in de relevante leeftijdsgroepen. Door rekening te houden met een afslag voor het aantal huishoudens van 65+’ers wordt hiervoor gecorrigeerd. Gegeven het feit dat vooral ouderen gebruik maken van de WMO, speelt de aanwezigheid van lage inkomens bij ouderen een belangrijke rol bij het beroep op de WMO. Vooral de aanwezigheid van lage inkomens in combinatie met chronische aandoeningen is een cruciale determinant van het

Ape

39

beroep op de WMO. Daarom bevat het alternatieve verdeelmodel een verdeelkenmerk dat deze twee factoren combineert. Ook wordt rekening gehouden met de gestandaardiseerde sterfte van de bevolking als aanvullende gezondheidsfactor. Dit verdeelkenmerk is recent gesuggereerd door de RFV (2010). Met uitzondering van inwoners stedelijk gebied komen de overige verdeelkenmerken ook voor in het WMO-verdeelmodel 2011. Inwoners stedelijk gebied vervangt de maatstaf omgevingsadressendichtheid * woningen en is iets gemakkelijker te interpreteren dan het oorspronkelijke verdeelkenmerk. Het gestandaardiseerd gemiddeld inkomen en het aantal uitkeringsontvangers fungeren als aanvullende maatstaven voor de sociaal-economische situatie van een gemeente. De resterende verdeelkenmerken hebben te maken met de stedelijkheid en de centrumfunctie van gemeenten.

4.4.3 Schattingsresultaten van een alternatief WMO-verdeelmodel Tabel 4.3 toont de schattingsresultaten voor het alternatieve WMO-verdeelmodel. Het alternatieve verdeelmodel scoort met een verklaringskracht van 60% - ondanks een beperkt aantal verdeelkenmerken (13) aanzienlijk beter dan het vigerende WMO-verdeelmodel 2011 (met 23 verdeelkenmerken) dat slechts 45% van de variatie in de gemeentelijke WMO-uitgaven verklaart. Ook zijn de gemiddelde absolute herverdeeleffecten van het alternatieve verdeelmodel aanzienlijk kleiner dan die van het vigerende WMO-verdeelmodel 2011: 13,69 euro per inwoner versus 16,89 euro per inwoner. Uit een nadere analyse blijkt dat van de 47 opdrachtgemeenten i.e.z. er 44 gemeenten een groter budget ontvangen (94%) op basis van het alternatieve verdeelmodel 2011. De opdrachtgemeenten gaan er gemiddeld met 4,97 euro per inwoner op vooruit ten opzichte van het WMO-verdeelmodel 2011. Van de nadeelgemeenten zouden 73 van de 94 gemeenten een groter budget ontvangen (78%) op basis van het alternatieve verdeelmodel. De nadeelgemeenten gaan er gemiddeld met 4,72 euro per inwoner op vooruit ten opzichte van het oorspronkelijke WMO-verdeelmodel 2011. Op de patronen in de herverdeeleffecten komen we in de volgende paragraaf terug. Alle gewichten van de verdeelkenmerken in het alternatieve WMOverdeelmodel zijn statistisch significant met uitzondering van het gewicht van het aantal inwoners (zie ook voetnoot 13). Dat geeft vertrouwen in de robuustheid en de stabiliteit van het alternatieve verdeelmodel. Het alternatieve verdeelmodel onderstreept het grote belang van sociaal-economische en gezondheidsfactoren. Dat geldt in het bijzonder voor het gecombineerde verdeelkenmerk aandeel lage inkomens van ouderen * chro-

40

Ape

nisch zieken, dat zelfstandig maar liefst 42% van de variatie in de gemeentelijke WMO-uitgaven verklaart. Ter vergelijking merken we op dat het WMO-verdeelmodel 2011 nauwelijks meer verklaart: in totaal 45%, ondanks de aanwezigheid van 23 verdeelkenmerken. Tabel 4.3: Aanzet voor een alternatief WMO-verdeelmodel Verdeelkenmerka Inwoners

Alternatief WMO-verdeelmodelb 29,89

Inwoners 65-74 jaar

655,11**

Inwoners 75-84 jaar

795,80**

Inwoners 85+

957,31**

Huishoudens 65+ Aandeel lage inkomens 65+ * chronische zieken (FKG)

-711,08** 741,83**

Gestandaardiseerde sterfte * inwoners

17,11**

GGI /1.000

-2,21**

Uitkeringsontvangers (excl. bijstand)

514,72**

Minderheden

-80,93**

Inwoners stedelijk gebied

-8,79**

Regionaal klantenpotentieel

11,08**

Bbag bedden

-1,37**

Verklaarde variantie (R2) Gewogen gemiddelde van de absolute herverdeeleffecten a

0,60 13,69

FKG: Farmacie Kosten Groepen, ook wel aangeduid als langdurig medicijngebruik, is een maatstaf voor chronisch zieken GGI: gemiddeld gestandaardiseerd inkomen per huishouden

b

* significant p < 0,10; ** significant p < 0,05

Bron: APE

Naarmate de leeftijd van de inwoners stijgt, neemt het gewicht en daarmee het bedrag dat gemeenten ontvangen voor deze inwoners toe. Wel vindt er een afslag op deze bedragen plaats voor het aantal huishoudens van 65 en jaar en ouder om overcompensatie tegen te gaan. Gemeenten met een hogere gestandaardiseerde sterfte ontvangen een hoger bedrag per inwoner om hen te compenseren voor hun ongezondere bevolking. Dit komt tot uiting in het positieve gewicht van het verdeelkenmerk gestandaardiseerde sterfte * aantal inwoners. Voor het gestandaardiseerd gemiddeld inkomen per huishouden (GGI) geldt een negatief gewicht: gemeenten met een hoger GGI moeten geld inleveren ten gunste van armere gemeenten. Hoe hoger het GGI is des te geringer is ceteris paribus het be-

Ape

41

roep op de WMO. De WMO-uitgaven hangen positief samen met aantal uitkeringsontvangers. Het positieve gewicht van het regionaal klantenpotentieel geeft aan dat in centrumgemeenten een relatief groter beroep op de WMO wordt gedaan. Inwoners stedelijk gebied en minderheden hangen sterk samen met de stedelijkheid van een gemeente. Stedelijke gemeenten ontvangen op grond van de hiervoor besproken sociaal-economische en gezondheidskenmerken een hoog WMO-budget per inwoner. Om overcompensatie tegen te gaan, resulteert de modelschatting in een negatief gewicht voor de stedelijke kenmerken inwoners stedelijk gebied en minderheden. Ten slotte resulteert voor de Bbag bedden eveneens een negatief gewicht, omdat deze primair gerelateerd zijn aan de intramurale AWBZ-bevolking, die wanneer zij verblijven in een AWBZ-instelling geen beroep doen op de huishoudelijke verzorging. 14 Samenvattend kan worden gesteld dat het alternatieve verdeelmodel adequaat scoort op eenvoud, robuustheid en verklaringskracht, hoewel er nog voldoende verbeterpotentieel aanwezig lijkt te zijn.

4.4.4 Analyse van de herverdeeleffecten Tot nu toe hebben we nog weinig aandacht geschonken aan de patronen in de herverdeeleffecten van het alternatieve verdeelmodel en het WMOverdeelmodel 2010. Tabel 4.4 brengt hierin verandering. De tabel vergelijkt de herverdeeleffecten van beide verdeelmodellen, uitgesplitst naar gemeentegrootte en naar landsdeel. 15 In het WMO-verdeelmodel 2011 is sprake van een systematisch patroon van herverdeeleffecten. Alle landsdelen behalve het westen van het land kampen met negatieve herverdeeleffecten.

14

15

42

Als alternatief zouden we in plaats van het aantal Bbag bedden ook het aantal personen dat in een institutioneel huishouden verblijft als verdeelkenmerk kunnen opnemen. Conform de indeling naar landsdelen van het CBS omvat het noorden van het land de provincies Groningen, Friesland en Drenthe. Het landsdeel oost bestaat uit de provincies Overijssel, Gelderland en Flevoland. Het westen van het land omvat de provincies Utrecht, Noord-Holland, Zuid-Holland en Zeeland. Het zuiden wordt gevormd door de provincies Noord-Brabant en Limburg.

Ape

Tabel 4.4: Herverdeeleffecten: WMO-verdeelmodel 2011 versus alternatief verdeelmodel WMO-verdeelmodel 2011 Herverdeeleffectena

Absolute herverdeeleffectena

Alternatief verdeelmodel Herverdeeleffectena

Absolute herverdeeleffectena

Aantal inwoners gemeente Tot 25.000 25.000 – 50.000 50.000 – 100.000

1,07

14,62

3,87

14,45

-5,72

17,47

-2,88

14,54

2,37

15,07

2,38

13,00

100.000 – 250.000

-3,18

20,22

-1,13

15,94

250.000 of meer

12,82

16,77

-1,31

8,11

-5,64

17,04

2,82

15,26

Landsdeel Noord Oost

-10,24

17,62

-3,57

14,49

West

7,55

15,97

-0,32

11,68

Zuid

-3,57

18,09

2,85

16,53

0,00

16,89

0,00

13,69

Totaal a

Euro’s per inwoner

Bron: APE

Tabel 4.4 illustreert daarnaast dat de vier grote steden in het WMOverdeelmodel 2011 gemiddeld grote positieve herverdeeleffecten ondervinden. In het alternatieve verdeelmodel zijn deze systematische herverdeeleffecten verdwenen. Er bestaan geen systematische patronen in de herverdeeleffecten naar landsdeel en naar gemeentegrootte. Bovendien zijn de herverdeeleffecten duidelijk kleiner. Dat blijkt ook uit de grootte van de absolute herverdeeleffecten. Kortom, in het alternatieve verdeelmodel sluiten de berekende budgetten en de gerealiseerde uitgaven veel beter op elkaar aan dan in het WMO-verdeelmodel 2011. Figuur 4.1 toont in aanvulling op de voorgaande tabel de frequentieverdeling van de herverdeeleffecten. Uit de figuur blijkt dat de herverdeeleffecten in het WMO-verdeelmodel 2011 (rood) meer uitgesproken zijn dan in het alternatieve verdeelmodel (geel). Dat komt vooral tot uiting in een groter aantal gemeenten dat in het WMO-verdeelmodel 2011 forse negatieve of positieve herverdeeleffecten kent dan in het alternatieve verdeelmodel, alsmede in een navenant betere score van het alternatieve verdeelmodel in het middengebied.

Ape

43

Figuur 4.1: Frequentieverdeling van de herverdeeleffecten: WMO-verdeelmodel 2011 versus alternatief verdeelmodela Aantal gemeenten

100

Huidig model Alternatief model

90 80 70 60 50 40 30 20 10

20 euro of meer

10 euro tot 20 euro

5 euro tot 10 euro

0 euro tot 5 euro

-5 euro tot 0 euro

-10 euro tot -5 euro

-20 euro tot -10 euro

Tot -20 euro

0

Herverdeeleffecten

a

Euro’s per inwoner

Bron: APE

Figuren 4.2 en 4.3 brengen de regionale patronen in de herverdeeleffecten in beeld voor achtereenvolgens het WMO-verdeelmodel 2011 en het alternatieve verdeelmodel. Figuur 4.2 onthult - in overeenstemming met de resultaten inn tabel 4.4 - sterke regionale patronen in de herverdeeleffecten van het WMO-verdeelmodel 2011. Vooral de wat meer perifere gebieden van Nederland zijn sterk rood gekleurd. Dit duidt op forse negatieve herverdeeleffecten in deze gebieden. Daar staat tegenover dat de Randstad overwegend groen gekleurd is vanwege de overwegend positieve herverdeeleffecten. De opdrachtgemeenten i.e.z. - gearceerd in de figuren aangegeven – zijn in algemeen rood of roze gekleurd en kampen in het huidige WMO-verdeelmodel 2011 dus met negatieve herverdeeleffecten. Figuur 4.3 laat zien dat er bij toepassing van het alternatieve verdeelmodel nog steeds regionale patronen in de herverdeeleffecten blijven bestaan, maar dat deze veel minder sterk zijn dan in het WMO-verdeelmodel 2011. Een aantal van de opdrachtgemeenten i.e.z. kleurt nog steeds in het rood, maar de negatieve herverdeeleffecten zijn minder groot dan ze in het WMO-verdeelmodel 2011 zijn. Dat laat onverlet dat de getoonde resultaten illustreren dat er nog voldoende ruimte voor verbetering overblijft.

44

Ape

Figuur 4.2: Herverdeeleffecten van het WMO-verdeelmodel 2011 (in euro’s per inwoner

Bron: APE

Ape

45

Figuur 4.3: Herverdeeleffecten van het alternatieve WMO-verdeelmodel (in euro’s per inwoner

Bron: APE

4.5

Conclusies

In het voorliggende hoofdstuk hebben we de mogelijkheden voor de opstelling van een alternatief WMO-verdeelmodel verkend. Ten eerste hebben we onderzocht of de verdeelkenmerken van het WMO-verdeelmodel

46

Ape

2011 optimaal zijn vastgesteld. Dit doen we door het WMO-verdeelmodel 2011 met dezelfde verdeelkenmerken opnieuw te schatten en bij de vaststelling van de gewichten gebruik te maken van gangbare statistische methoden (gewogen regressieanalyse). Ten tweede is bezien of in het huidige WMO-verdeelmodel alle relevante verdeelkenmerken zijn opgenomen. Dit doen we door een aanzet te geven voor de ontwikkeling van een alternatief verdeelmodel, dat voor een belangrijk deel geënt is op het WMOverdeelmodel 2011. We streven naar een eenvoudig en transparant verdeelmodel dat berust op de gemiddelde praktijk en dat goed in staat is om de gemeentelijke WMO-uitgaven te verklaren. Zodoende worden de onnodige herverdeeleffecten beperkt. We zetten daarbij in dit hoofdstuk steeds de met het verdeelmodel berekende budgetten af tegen de gerealiseerde WMO-uitgaven om een maatstaf te krijgen voor de herverdeeleffecten. Het hoofdstuk leidt tot de volgende conclusies:  Het WMO-verdeelmodel 2011 is een duidelijke verbetering ten opzichte van het verdeelmodel dat in eerdere jaren is gebruikt. Het nieuwe WMO-verdeelmodel verklaart 45% van de variatie in de WMO-uitgaven tussen gemeenten (was 34%). Desondanks blijft 55% van de variatie in de WMO-uitgaven tussen gemeenten onverklaard.  De herverdeeleffecten van het WMO-verdeelmodel 2011 blijven daardoor nog steeds groot, hoewel ze zijn afgenomen vergeleken met het oude verdeelmodel (in absolute zin van 18,38 euro per inwoner tot 16,89 euro per inwoner).  Het WMO-verdeelmodel 2011 bevat een aantal overbodige (redundante) verdeelkenmerken, die zonder meer kunnen worden weggelaten. Daarnaast bevat het WMO-verdeelmodel 2011 een groot aantal verdeelkenmerken die onderling een extreem grote overlap vertonen.  De herverdeeleffecten van het WMO-verdeelmodel 2011 vertonen een sterk regionaal patroon. Het westen van het land kent positieve herverdeeleffecten, terwijl de andere landsdelen kampen met negatieve herverdeeleffecten.  Herschatting van het WMO-verdeelmodel 2011 met dezelfde verdeelkenmerken leert dat de huidige gewichten van het verdeelmodel niet optimaal zijn vastgesteld. Herschatting van het WMO-verdeelmodel 2011 vergroot de verklaringskracht van het model van 45% tot 63%. De absolute herverdeeleffecten dalen daardoor van 16,89 euro per inwoner tot 13,18 euro per inwoner. De opdrachtgemeenten i.e.z. en de nadeelgemeenten gaan er na de herschatting in de meeste gevallen op vooruit.  Het herschatte WMO-verdeelmodel 2011 bevat veel vereveningskenmerken met een niet statistisch significant gewicht. Dit duidt op grote

Ape

47









48

overlap in de verdeelkenmerken, en een instabiel en weinig robuust verdeelmodel, dat ongeschikt is voor de middelenverdeling. Het hier ontwikkelde alternatieve verdeelmodel houdt meer rekening met sociaal-economische en gezondheidsfactoren dan het huidige WMO-verdeelmodel 2011. Het grote belang van het gecombineerde verdeelkenmerk aandeel lage inkomens van ouderen x chronisch zieken, dat zelfstandig maar liefst 42% van de variatie in de gemeentelijke WMO-uitgaven verklaart, onderstreept dit. Het alternatieve verdeelmodel scoort aanzienlijk beter op de robuustheid en de stabiliteit dan het WMO-verdeelmodel 2011. De in het alternatieve verdeelmodel opgenomen 13 verdeelkenmerken vertonen vrijwel geen overlap en zijn statistisch significant. Deze kenmerken verklaren in totaal 60% van de variatie in de gemeentelijke WMO-uitgaven (tegen 45% in het huidige verdeelmodel 2011 met 23 verdeelkenmerken). Het alternatieve verdeelmodel heeft een sterke vermindering van de regionale patronen in de herverdeeleffecten tot gevolg vergeleken met het huidige WMO-verdeelmodel 2011. De opdrachtgemeenten i.e.z. en de nadeelgemeenten gaan er in de meeste gevallen op vooruit. Het alternatieve verdeelmodel is nog niet uitontwikkeld en kan verder worden verbeterd op basis van betere gegevens en door informatie over aanvullende verdeelkenmerken, die op dit moment nog niet beschikbaar is.

Ape

A

BIJLAGE: OPDRACHTGEMEENTEN IN ENGERE ZIN

1.

Aalten

2.

Hoogeveen

3. 5.

Midden Drenthe

4.

Rijssen

Hoorn

6.

Almelo

7.

Pekela

8.

Twenterand

9.

Dinkelland

10. Sint Oedenrode

11. Westerbork

12. Niedorp

13. Apeldoorn

14. Duiven

15. Lelystad

16. Berkelland

17. Lochem

18. Rucphen

19. Coevorden

20. Zutphen

21. Oost-Gelre

22. Heerde

23. Sittard-Geleen

24. Doetinchem

25. Losser

26. Bernheze

27. Den Helder

28. Eemsmond

29. Brummen

30. Tubbergen

31. Zeewolde

32. Zwartewaterland

33. Roosendaal

34. Bronckhorst

35. Wierden

36. Oude IJsselstreek

37. Hellendoorn

38. Winterswijk

39. Voorst

40. Harderwijk

41. Veenendaal

42. Hulst

43. Emmen

44. Maasdriel

45. Den Haag

46. Reusel- De Mierden

47. Montferland

Ape

49

B

BIJLAGE: RELATIE AANTAL CLIËNTEN EN BEVOLKINGSKENMERKEN

Tabel B.1: Correlatie tussen groei van aantal cliënten enerzijds en groei van bevolkingskenmerken anderzijds in de periode 2005-2008 Kenmerka

Aantal cliënten

Aantal cliënten overige

nadeelgemeenten (97)

gemeenten (344)

65+’er

0,21

0,20

Eenpersoonshuishoudens

0,28

0,25

Eenpersoonshuishoudens 65+’ers

0,26

0,19

-0,05

0,03

0,06

-0,02

-0,04

0,02

Inwoners met hoge opleiding

0,15

-0,03

Gestandaardiseerde sterfte

0,05

-0,03

Arbeidsongeschikten Niet-westerse allochtonen Bijstandsgerechtigden

a

Correlaties zijn gebaseerd op het verschil in de log tussen 2005 en 2008, gewogen naar inwonertal gemeente

Bron: APE

Ape

51

C

BIJLAGE: OPDRACHT- VERSUS REFERENTIEGEMEENTEN

Afkorting

Voluit

Inw

Aantal inwoners 2010

Uitk p inw

Uitkering 2011 WMO gedeeld door aantal inwoners

Cliënt

Aandeel van cliënten (2008) op 65+’ers

Uren p cliënt

Aantal uren per cliënt in 2008

Groei uren p cliënt Verandering in uren per cliënt tussen 2005 en 2008 65+

Aandeel 65+’ers op totaal aantal inwoners

75+

Aandeel 75+’ers op totaal aantal inwoners

Eph 65+ Eph 75+ HH LI UO Chron Z Inw LO

Ape

Aandeel eenpersoonshuishoudens van 65+ op het totaal aantal huishoudens Aandeel eenpersoonshuishoudens van 75+ op het totaal aantal huishoudens Aandeel huishoudens met laag inkomen op het totaal aantal huishoudens Aandeel uitkeringsontvangers (excl bijstandsgerechtigden) op het totaal aantal inwoners Aandeel chronisch zieken op het totaal aantal inwoners Aandeel laag opgeleiden op het totaal aantal inwoners (missing voor gemeenten met minder dan 10.000 inwoners)

53

Gemeente

Inw

Zeewolde

20927

Uitk p inw 39,5

Cliënt 17,0%

Uren

Groei uren

p cliënt

p cliënt

119,2

0,0%

65+

75+

eph 65+

Eph 75+

HH LI

UO

Chron Z

9,1%

3,7%

6,1%

3,4%

20,9%

3,8%

11,2%

Inw LO 22,1%

Graafstroom

9814

49,4

10,6%

120,8

23,2%

13,5%

5,6%

8,8%

5,2%

19,8%

2,4%

13,3%

Eemnes

8843

49,7

11,8%

102,9

17,5%

13,1%

5,1%

9,0%

5,0%

19,4%

4,0%

13,9%

Staphorst

16154

49,7

8,4%

121,1

22,8%

12,0%

5,4%

7,7%

4,8%

20,1%

3,2%

11,4%

Schermer

5361

50,0

11,0%

99,5

24,8%

13,1%

4,8%

8,1%

4,7%

20,8%

5,0%

12,2%

Zaanstad

145282

86,0

15,4%

116,2

8,9%

15,2%

6,6%

10,7%

6,4%

30,9%

6,8%

16,7%

32,0%

Haarlem

149516

86,6

16,1%

109,7

14,1%

15,3%

7,4%

12,6%

7,4%

33,5%

6,5%

15,9%

30,8%

Dordrecht

118607

92,1

21,6%

125,7

14,2%

15,1%

7,2%

11,2%

6,8%

34,0%

5,8%

16,8%

32,7%

43,3%

Venlo

100328

102,8

19,8%

134,7

13,9%

16,9%

7,7%

11,6%

6,8%

33,9%

6,3%

18,0%

42,7%

Emmen

109510

114,0

22,2%

160,1

8,3%

17,4%

7,8%

11,3%

6,8%

35,7%

8,3%

19,1%

44,3%

26209

102,4

15,6%

132,3

4,9%

17,9%

8,1%

11,2%

6,8%

32,6%

6,6%

17,6%

38,2%

Ooststellingwerf Heerenveen

43391

104,4

17,1%

118,8

8,8%

18,3%

8,8%

12,1%

7,6%

32,6%

5,8%

16,9%

32,9%

Coevorden

36146

104,7

19,6%

139,5

1,5%

18,6%

8,5%

12,1%

7,4%

32,2%

6,0%

18,9%

32,6%

Renkum

31684

107,4

14,7%

118,8

7,0%

23,1%

11,7%

15,7%

10,0%

28,8%

5,5%

18,0%

28,0%

Rheden

43718

112,9

15,8%

120,6

13,4%

23,1%

11,6%

14,9%

8,9%

32,0%

6,5%

18,7%

29,2%

Haren

18535

93,0

13,2%

104,9

5,7%

24,6%

12,7%

15,7%

9,9%

27,2%

3,8%

17,0%

20,9%

Alblasserdam

19006

93,7

19,5%

121,3

24,1%

17,1%

7,8%

11,5%

7,3%

30,1%

3,8%

16,4%

38,1%

Losser

22640

93,8

21,3%

133,0

8,2%

17,3%

7,1%

10,4%

6,0%

30,4%

7,9%

17,8%

38,7%

Middelharnis

17966

95,1

14,2%

137,2

16,9%

17,2%

8,2%

10,2%

6,3%

28,9%

5,7%

18,0%

32,4%

Zundert

21098

95,5

17,1%

127,1

10,0%

17,2%

8,0%

11,2%

7,0%

26,8%

5,3%

18,5%

37,1%

Ape

54

Gemeente

Inw

Uitk p inw

Cliënt

Uren

Groei uren

p cliënt

p cliënt

65+

75+

eph 65+

Eph 75+

HH LI

UO

Chron Z

Inw LO

De Bilt

42072

84,6

14,2%

94,7

9,7%

21,0%

11,1%

15,2%

9,6%

25,3%

4,1%

16,9%

22,1%

Heemskerk

38892

84,7

15,5%

108,6

17,0%

17,8%

8,2%

11,4%

6,6%

27,4%

5,7%

15,9%

36,3%

Hellendoorn

35784

85,1

21,9%

129,7

0,8%

16,8%

7,3%

10,6%

6,2%

28,9%

5,8%

16,3%

33,2%

Zevenaar

31890

88,0

15,6%

121,0

3,5%

18,0%

7,2%

12,1%

6,9%

29,8%

6,1%

16,0%

32,4%

Waalwijk

45756

88,2

16,5%

133,0

12,6%

16,5%

6,8%

10,8%

6,1%

28,6%

5,5%

18,3%

40,1%

Leidsch-Vrb

72226

96,9

14,8%

98,4

8,3%

20,2%

10,1%

14,4%

8,7%

29,4%

4,2%

17,7%

28,1%

Schiedam

75792

99,3

21,2%

124,6

6,3%

15,2%

7,6%

11,5%

6,9%

35,4%

5,2%

17,2%

39,7%

Almelo

72621

101,0

25,1%

131,0

6,4%

15,5%

6,8%

11,2%

6,5%

35,8%

8,0%

17,2%

35,2%

Smallingerland

55294

102,0

18,5%

136,6

11,8%

17,1%

7,6%

11,1%

6,6%

35,3%

6,2%

17,5%

32,9%

Roermond

55176

103,3

18,5%

145,4

15,3%

16,5%

7,4%

12,5%

7,2%

35,4%

7,7%

18,1%

39,1%

Terneuzen

54892

106,4

17,3%

133,6

11,7%

19,8%

9,0%

12,1%

7,2%

33,3%

6,1%

19,0%

35,1%

Leeuwarden

94131

106,6

22,8%

125,4

24,8%

14,9%

7,3%

10,7%

6,6%

35,5%

5,5%

17,4%

29,1%

Vlaardingen

70540

110,1

19,0%

114,0

4,0%

18,7%

9,3%

13,0%

7,9%

35,8%

4,9%

17,5%

35,3%

Hoogeveen

54787

110,1

18,7%

137,1

5,1%

17,0%

7,8%

11,7%

6,9%

34,2%

7,7%

19,3%

43,1%

Heerlen

89267

135,7

19,2%

137,8

10,5%

19,0%

9,1%

13,6%

7,9%

40,8%

10,4%

20,7%

41,3%

Beverwijk

38850

97,8

19,4%

115,6

9,3%

16,0%

8,0%

11,6%

7,0%

31,5%

6,5%

17,5%

36,8%

Middelburg

48019

97,9

18,2%

126,5

4,7%

17,3%

8,0%

11,9%

7,3%

31,8%

4,9%

16,4%

31,4%

Aalten

27516

98,6

21,5%

140,0

5,7%

17,0%

7,7%

10,9%

6,5%

31,3%

6,4%

17,5%

38,3%

Sneek

33427

98,7

18,7%

119,5

29,7%

17,3%

7,8%

11,8%

6,9%

35,9%

6,0%

17,0%

28,8%

Ooststellingwerf

26209

102,4

15,6%

132,3

4,9%

17,9%

8,1%

11,2%

6,8%

32,6%

6,6%

17,6%

38,2%

Ape

55

Gemeente Aalburg

Inw Uitk p inw 12630

67,9

Cliënt 15,3%

Uren p

Groei uren

cliënt

p cliënt

132,6

18,6%

65+ 13,3%

75+ 6,0%

eph 65+ 8,5%

Eph 75+ 5,3%

HH LI 23,0%

UO 3,4%

Chron Z 16,3%

Inw LO 41,4%

Maasdonk

11219

68,4

11,3%

110,2

( 2,8%)

14,9%

6,5%

8,4%

4,6%

26,5%

6,6%

16,1%

38,4%

Wierden

23430

68,7

18,4%

119,6

5,9%

16,2%

6,7%

10,0%

5,8%

24,4%

5,0%

14,7%

30,6%

Wijdemeren

23403

68,9

13,1%

108,3

10,6%

18,9%

8,3%

11,9%

6,9%

24,2%

4,1%

16,7%

30,3%

Ouder-Amstel

13094

69,0

13,4%

93,4

12,7%

17,3%

8,5%

12,3%

7,4%

26,3%

3,8%

15,4%

20,7%

Lingewaal

10900

60,8

12,6%

107,3

2,5%

14,3%

5,8%

9,5%

5,6%

22,6%

3,9%

14,7%

42,5%

Rozendaal

1499

61,4

7,1%

114,6

( 4,3%)

25,4%

12,7%

10,0%

6,0%

12,6%

2,7%

14,8%

Tubbergen

21152

61,6

20,8%

137,0

4,1%

14,6%

6,5%

9,2%

5,3%

21,7%

4,9%

14,1%

34,9%

Wymbritseradiel

16151

61,7

12,8%

124,5

42,5%

14,6%

5,2%

9,4%

5,6%

27,6%

3,8%

13,4%

32,1%

Bunnik

14473

62,4

10,5%

92,0

12,8%

19,0%

8,3%

11,2%

6,5%

16,4%

3,9%

15,7%

18,4%

Aalsmeer

29182

62,0

12,1%

99,5

10,7%

14,9%

6,6%

10,6%

6,3%

22,7%

3,8%

14,5%

40,9%

Woerden

49342

62,0

15,1%

111,9

10,8%

13,7%

5,7%

9,9%

5,7%

23,3%

4,4%

15,5%

29,4%

Duiven

25624

62,8

19,5%

124,0

13,2%

12,6%

5,5%

8,3%

4,7%

23,8%

4,5%

14,0%

33,3%

Geldermalsen

26261

62,8

14,6%

129,4

0,5%

14,1%

5,7%

9,7%

5,8%

22,3%

4,3%

15,0%

32,7%

Edam-Volend

28520

63,5

10,8%

107,6

2,4%

13,8%

4,9%

10,2%

5,7%

24,1%

5,7%

17,1%

42,9%

Hengelo O

80809

93,3

24,7%

115,0

12,2%

16,3%

7,7%

10,9%

6,5%

33,0%

6,2%

15,9%

25,2%

Leidsch-Voorb

72226

96,9

14,8%

98,4

8,3%

20,2%

10,1%

14,4%

8,7%

29,4%

4,2%

17,7%

28,1%

Doetinchem

56111

98,4

23,2%

147,4

15,1%

16,1%

7,3%

10,9%

6,5%

31,4%

7,4%

17,8%

33,5%

Schiedam

75792

99,3

21,2%

124,6

6,3%

15,2%

7,6%

11,5%

6,9%

35,4%

5,2%

17,2%

39,7%

Smallingerland

55294

102,0

18,5%

136,6

11,8%

17,1%

7,6%

11,1%

6,6%

35,3%

6,2%

17,5%

32,9%

56

Ape

Gemeente Oostflakkee Millingen ad Rijn

Inw Uitk p inw 10384

89,2

Cliënt 16,4%

Uren p

Groei uren

cliënt

p cliënt

146,1

16,2%

65+ 15,9%

75+ 6,8%

eph 65+ 11,4%

Eph 75+ 6,6%

HH LI 27,7%

UO 4,8%

Chron Z 18,1%

Inw LO 29,1%

5919

90,3

13,8%

119,9

28,5%

14,9%

6,8%

10,0%

5,8%

31,4%

5,3%

18,2%

Brummen

21156

90,4

16,4%

130,6

5,6%

18,9%

8,0%

12,0%

7,3%

27,0%

5,4%

17,7%

34,3%

Bedum

10444

90,9

13,2%

116,7

11,8%

15,5%

6,7%

9,5%

5,6%

33,1%

6,7%

16,9%

27,3%

De Wolden

23549

92,2

16,0%

124,0

6,3%

19,0%

8,8%

11,2%

6,8%

28,2%

5,1%

17,2%

34,2%

Groningen

187622

77,9

23,8%

117,4

10,6%

11,2%

5,6%

7,9%

4,7%

32,3%

5,5%

15,2%

17,8%

Breda

173445

86,4

20,1%

125,6

8,1%

15,5%

7,3%

10,7%

6,4%

30,1%

4,8%

17,0%

28,9%

Nijmegen

162932

87,1

16,3%

112,9

18,8%

13,3%

6,1%

10,1%

5,8%

32,8%

5,8%

16,2%

24,1%

Apeldoorn

155775

91,1

18,4%

123,2

6,6%

16,7%

7,8%

11,5%

6,9%

30,8%

6,5%

17,3%

30,7%

Enschede

157321

100,3

23,7%

125,0

12,8%

14,6%

6,6%

10,5%

6,4%

34,7%

7,9%

16,4%

30,6%

42072

84,6

14,2%

94,7

9,7%

21,0%

11,1%

15,2%

9,6%

25,3%

4,1%

16,9%

22,1%

De Bilt Heemskerk

38892

84,7

15,5%

108,6

17,0%

17,8%

8,2%

11,4%

6,6%

27,4%

5,7%

15,9%

36,3%

Lochem

33437

86,7

16,2%

129,2

14,3%

22,2%

10,2%

12,5%

7,6%

25,5%

5,1%

16,8%

21,9%

Hof van Twente

35464

87,9

16,9%

126,4

26,1%

19,7%

8,5%

12,7%

7,8%

25,3%

5,1%

17,0%

33,8%

Zevenaar

31890

88,0

15,6%

121,0

3,5%

18,0%

7,2%

12,1%

6,9%

29,8%

6,1%

16,0%

32,4%

5919

90,3

13,8%

119,9

28,5%

14,9%

6,8%

10,0%

5,8%

31,4%

5,3%

18,2%

Bedum

10444

90,9

13,2%

116,7

11,8%

15,5%

6,7%

9,5%

5,6%

33,1%

6,7%

16,9%

27,3%

Heerde

18329

91,0

15,6%

139,6

3,8%

18,1%

8,1%

11,7%

6,9%

27,5%

5,8%

17,8%

38,7%

Millingen ad Rijn

De Wolden

23549

92,2

16,0%

124,0

6,3%

19,0%

8,8%

11,2%

6,8%

28,2%

5,1%

17,2%

34,2%

Het Bildt

10908

92,7

18,0%

115,7

18,2%

15,6%

6,7%

11,3%

6,5%

33,7%

5,4%

17,1%

45,9%

Ape

57

Gemeente Deurne

Inw Uitk p inw 31536

76,5

Cliënt 13,3%

Uren p

Groei uren

cliënt

p cliënt

129,9

11,9%

65+ 16,2%

75+ 6,6%

eph 65+ 10,4%

Eph 75+ 5,8%

HH LI 27,6%

UO 6,7%

Chron Z 15,7%

Inw LO 38,6%

Veldhoven

43256

76,9

14,1%

113,9

22,1%

16,6%

7,0%

9,7%

5,5%

26,6%

5,8%

16,3%

29,4%

Hardewijk

44052

78,4

18,2%

137,5

5,0%

14,0%

6,4%

10,1%

6,0%

26,6%

5,8%

16,5%

42,4%

Drimmelen

26570

78,7

14,3%

119,4

17,1%

16,0%

6,5%

10,0%

5,8%

24,3%

5,0%

17,6%

34,9%

Gilze en Rijen

25973

79,0

15,4%

123,6

8,9%

15,2%

6,0%

9,3%

5,4%

26,9%

5,0%

17,6%

31,1%

Ooststellingwerf

26209

102,4

15,6%

132,3

4,9%

17,9%

8,1%

11,2%

6,8%

32,6%

6,6%

17,6%

38,2%

Heerenveen

43391

104,4

17,1%

118,8

8,8%

18,3%

8,8%

12,1%

7,6%

32,6%

5,8%

16,9%

32,9%

Winterswijk

29026

106,3

21,3%

139,0

13,3%

18,3%

8,8%

11,1%

6,8%

33,0%

6,6%

17,9%

33,3%

Weststellingwerf

25841

113,8

15,9%

137,9

15,6%

18,8%

8,8%

12,1%

7,6%

33,2%

5,9%

18,1%

32,9%

Vlissingen

44608

113,9

22,3%

136,6

18,9%

18,7%

8,9%

13,0%

8,0%

34,2%

5,5%

18,2%

34,0%

8794

64,8

14,1%

118,7

0,7%

14,2%

6,0%

10,0%

5,7%

27,9%

5,3%

14,4%

Wervershoof Heumen

16646

65,4

9,7%

107,9

17,7%

16,9%

6,8%

11,2%

6,2%

23,7%

4,8%

15,4%

22,1%

Westervoort

15242

65,5

20,7%

124,2

1,1%

12,1%

5,1%

8,8%

5,1%

27,0%

5,9%

15,0%

47,9%

Naarden

17038

65,6

13,6%

108,6

15,3%

19,7%

10,0%

15,5%

9,7%

21,3%

3,6%

16,3%

16,7%

9853

65,7

14,2%

120,2

16,8%

16,3%

7,2%

9,8%

5,9%

26,8%

3,5%

14,3%

Leerdam

20758

89,0

17,7%

148,5

30,1%

16,0%

7,4%

11,3%

6,7%

28,6%

6,5%

17,7%

37,5%

Oostflakkee

10384

89,2

16,4%

146,1

16,2%

15,9%

6,8%

11,4%

6,6%

27,7%

4,8%

18,1%

29,1%

Voorst

23781

90,0

15,7%

126,6

5,0%

18,1%

8,5%

10,6%

6,5%

28,8%

6,1%

16,3%

29,1%

Oudewater

Millingen ad Rijn Bedum

58

5919

90,3

13,8%

119,9

28,5%

14,9%

6,8%

10,0%

5,8%

31,4%

5,3%

18,2%

10444

90,9

13,2%

116,7

11,8%

15,5%

6,7%

9,5%

5,6%

33,1%

6,7%

16,9%

27,3%

Ape

Gemeente Someren Ouderkerk

Inw Uitk p inw 18249

70,6

Cliënt 13,1%

Uren p

Groei uren

cliënt

p cliënt

117,0

9,9%

65+ 16,0%

75+

eph 65+

6,6%

11,2%

Eph 75+ 6,5%

HH LI 27,2%

UO 5,4%

Chron Z 13,0%

Inw LO 39,1%

8145

70,6

13,5%

109,7

9,5%

15,7%

6,7%

10,9%

6,7%

26,3%

3,3%

14,8%

Maasdriel

23770

70,9

15,4%

151,0

10,9%

14,2%

6,2%

8,9%

5,3%

25,0%

5,1%

15,6%

43,6%

Bergeijk

18064

71,0

11,6%

130,2

37,3%

16,7%

6,6%

10,9%

6,4%

24,5%

5,1%

15,8%

29,6%

Oud-Beijerland

23564

71,2

14,8%

108,6

6,5%

14,5%

6,3%

10,4%

6,3%

23,4%

3,8%

16,6%

30,5%

Leidsch-Voorburg

72226

96,9

14,8%

98,4

8,3%

20,2%

10,1%

14,4%

8,7%

29,4%

4,2%

17,7%

28,1%

Schiedam

75792

99,3

21,2%

124,6

6,3%

15,2%

7,6%

11,5%

6,9%

35,4%

5,2%

17,2%

39,7%

Den Helder

57454

100,6

18,2%

120,5

11,4%

16,3%

7,0%

11,9%

6,8%

35,8%

7,6%

18,6%

35,5%

Smallingerland

55294

102,0

18,5%

136,6

11,8%

17,1%

7,6%

11,1%

6,6%

35,3%

6,2%

17,5%

32,9%

Roermond

55176

103,3

18,5%

145,4

15,3%

16,5%

7,4%

12,5%

7,2%

35,4%

7,7%

18,1%

39,1%

Westland

99744

69,2

13,8%

121,4

7,7%

15,2%

6,6%

9,5%

5,7%

24,3%

4,1%

14,8%

34,7%

Katwijk

61831

71,4

12,4%

123,4

17,1%

13,9%

6,0%

10,5%

6,1%

27,2%

4,0%

15,6%

39,1%

Veenendaal

62072

77,8

19,7%

113,4

( 0,2%)

13,7%

6,2%

9,6%

5,7%

28,8%

5,1%

16,4%

32,1%

Gouda

71167

78,6

17,6%

109,3

7,8%

14,5%

6,8%

10,6%

6,3%

30,1%

5,4%

15,8%

31,0%

Helmond

88338

79,5

20,1%

118,8

6,6%

13,3%

5,5%

9,9%

5,8%

32,2%

7,2%

15,5%

37,8%

Tytsjerksteradiel

32260

91,1

17,7%

143,2

18,2%

17,8%

7,7%

10,9%

6,8%

30,0%

5,0%

17,0%

32,2%

Achtkarspelen

28091

91,9

17,9%

140,8

1,7%

15,1%

6,3%

10,3%

6,0%

33,2%

6,8%

16,9%

46,9%

Zutphen

46877

91,9

21,0%

128,8

8,9%

15,0%

6,8%

11,4%

6,8%

33,8%

8,1%

17,3%

33,7%

Gorinchem

34621

92,5

18,0%

116,4

18,5%

15,3%

7,3%

11,4%

6,8%

33,5%

6,7%

16,7%

38,8%

Valkenswaard

30734

96,0

14,0%

115,1

32,6%

19,4%

8,2%

12,3%

7,2%

30,9%

5,3%

18,4%

36,1%

Ape

59

Gemeente Sneek

Inw Uitk p inw 33427

98,7

Cliënt 18,7%

Uren p

Groei uren

cliënt

p cliënt

119,5

29,7%

65+ 17,3%

75+ 7,8%

eph 65+ 11,8%

Eph 75+ 6,9%

HH LI 35,9%

UO 6,0%

Chron Z 17,0%

Inw LO 28,8%

Ooststellingwerf

26209

102,4

15,6%

132,3

4,9%

17,9%

8,1%

11,2%

6,8%

32,6%

6,6%

17,6%

38,2%

Hulst

27855

103,7

18,6%

153,6

20,8%

19,4%

9,0%

12,9%

7,9%

30,9%

6,5%

17,3%

31,2%

Heerenveen

43391

104,4

17,1%

118,8

8,8%

18,3%

8,8%

12,1%

7,6%

32,6%

5,8%

16,9%

32,9%

Renkum

31684

107,4

14,7%

118,8

7,0%

23,1%

11,7%

15,7%

10,0%

28,8%

5,5%

18,0%

28,0%

Utrecht

306731

61,2

19,5%

121,6

9,2%

9,9%

4,6%

7,4%

4,3%

28,8%

4,9%

13,8%

24,7%

Amsterdam

767849

76,1

22,0%

110,1

6,6%

11,1%

5,1%

10,8%

6,2%

33,8%

6,2%

14,8%

24,0%

Den Haag

489375

87,7

20,7%

118,2

10,9%

13,1%

6,5%

11,9%

7,1%

33,2%

5,3%

16,6%

32,2%

Tilburg

204924

88,9

21,8%

114,6

10,5%

13,7%

6,0%

9,9%

5,7%

32,1%

5,9%

16,8%

32,2%

Eindhoven

214036

97,1

17,7%

104,3

17,2%

15,8%

7,6%

10,9%

6,5%

32,6%

5,9%

17,6%

28,5%

13494

52,0

13,9%

113,4

24,5%

13,2%

4,6%

9,6%

5,6%

19,7%

3,4%

13,5%

25,8%

Montfoort U Muiden

6510

52,1

10,9%

100,2

3,8%

17,6%

7,3%

11,7%

6,7%

22,6%

4,1%

13,9%

Niedorp

12135

52,3

17,4%

127,0

16,7%

13,2%

5,0%

9,4%

5,5%

21,2%

5,4%

12,9%

Liesveld

9745

54,0

13,0%

104,8

10,6%

13,2%

5,5%

9,3%

5,6%

24,4%

2,5%

13,5%

Wijk bij Duurstede

23183

55,0

13,6%

103,7

14,5%

11,5%

4,4%

8,3%

4,8%

22,0%

5,0%

14,9%

33,3%

Nieuwegein

60846

69,5

16,3%

118,1

23,3%

12,9%

4,9%

9,2%

5,2%

25,8%

6,0%

16,7%

31,8%

Katwijk

61831

71,4

12,4%

123,4

17,1%

13,9%

6,0%

10,5%

6,1%

27,2%

4,0%

15,6%

39,1%

Hoorn

70206

77,0

20,6%

119,5

7,0%

13,3%

5,7%

10,3%

6,1%

31,2%

7,3%

15,7%

29,9%

36,1%

Gouda

71167

78,6

17,6%

109,3

7,8%

14,5%

6,8%

10,6%

6,3%

30,1%

5,4%

15,8%

31,0%

Helmond

88338

79,5

20,1%

118,8

6,6%

13,3%

5,5%

9,9%

5,8%

32,2%

7,2%

15,5%

37,8%

60

Ape

Gemeente Druten

Inw Uitk p inw 18106

73,8

Cliënt 12,0%

Uren p

Groei uren

cliënt

p cliënt

122,1

14,5%

65+ 13,4%

75+ 5,2%

eph 65+ 8,0%

Eph 75+ 4,5%

HH LI 29,0%

UO 6,6%

Chron Z 15,2%

Inw LO 31,1%

Eersel

18166

74,1

10,1%

117,6

42,5%

17,7%

7,5%

11,6%

6,6%

24,0%

6,3%

15,5%

29,2%

Sint Oedenrode

17687

74,6

12,7%

127,3

1,7%

16,1%

6,6%

10,5%

6,3%

25,5%

5,4%

15,9%

25,9%

Heiloo

22459

74,6

13,5%

103,7

19,1%

21,4%

9,5%

13,2%

7,6%

23,3%

5,1%

16,0%

23,6%

Wormerland

15873

74,8

12,7%

106,9

7,1%

17,6%

6,9%

10,9%

6,1%

26,4%

4,7%

16,0%

28,9%

Dongeradeel

24317

102,1

16,5%

129,1

14,6%

17,5%

7,7%

11,1%

6,5%

35,5%

7,1%

17,9%

38,1%

Simpelveld

10995

102,7

14,0%

157,9

30,1%

19,9%

8,1%

12,3%

6,9%

28,9%

7,9%

19,9%

35,2%

Rucphen

22489

103,4

16,3%

175,3

40,1%

17,0%

6,5%

11,0%

6,1%

26,8%

10,0%

22,1%

48,0% 41,1%

Harlingen

15800

103,6

16,9%

124,0

13,6%

18,1%

7,8%

10,9%

6,5%

38,3%

5,6%

19,2%

Bolsward

9916

103,6

17,1%

128,2

46,5%

18,6%

8,7%

11,9%

7,2%

37,4%

5,4%

16,8%

Vaals

9874

114,8

13,4%

132,0

12,4%

21,8%

9,4%

13,7%

7,9%

36,7%

6,0%

22,0%

Valkenb ad Geul

17097

115,9

14,6%

142,0

13,2%

22,5%

10,6%

13,9%

8,0%

34,4%

7,1%

20,1%

31,5%

Sluis

24093

118,5

17,9%

135,9

20,7%

22,6%

11,1%

14,3%

9,0%

34,3%

6,0%

19,3%

31,7%

941

119,3

19,9%

122,7

84,5%

21,9%

9,7%

18,8%

11,7%

31,4%

4,7%

17,9%

Pekela

13038

135,0

17,8%

142,2

27,6%

17,1%

7,6%

10,3%

6,2%

38,3%

11,2%

21,9%

44,2%

Lansingerland

52535

40,1

9,9%

102,1

10,9%

11,9%

4,8%

8,0%

4,6%

18,9%

2,7%

12,3%

30,9%

Heerhugowaard

51253

58,8

14,7%

107,4

9,7%

12,1%

4,2%

8,6%

4,8%

25,2%

6,7%

14,4%

32,6%

Lelystad

74682

63,7

20,8%

129,3

1,2%

10,9%

4,2%

7,9%

4,6%

29,3%

7,1%

14,6%

35,2%

Alphen ad Rijn

72577

68,3

16,7%

124,7

25,3%

12,8%

5,5%

9,3%

5,5%

27,6%

5,0%

15,1%

30,5%

Westland

99744

69,2

13,8%

121,4

7,7%

15,2%

6,6%

9,5%

5,7%

24,3%

4,1%

14,8%

34,7%

Schiermonnikoog

Ape

61

Gemeente Sliedrecht

Inw Uitk p inw 24061

110,4

Cliënt 17,3%

Uren p

Groei uren

cliënt

p cliënt

117,2

24,5%

65+

75+

17,2%

8,3%

eph 65+ 11,7%

Eph 75+ 7,5%

HH LI 33,0%

UO 6,3%

Chron Z 18,3%

Inw LO 37,6%

Zandvoort

16639

111,6

11,3%

109,5

19,9%

21,2%

10,2%

15,8%

9,7%

33,9%

6,8%

18,9%

32,0%

Eemsmond

16419

112,4

18,7%

127,5

( 2,4%)

17,2%

8,0%

12,0%

7,2%

37,6%

8,1%

18,9%

36,6%

9874

114,8

13,4%

132,0

12,4%

21,8%

9,4%

13,7%

7,9%

36,7%

6,0%

22,0%

Valkenb ad Geul

17097

115,9

14,6%

142,0

13,2%

22,5%

10,6%

13,9%

8,0%

34,4%

7,1%

20,1%

31,5%

Oisterwijk

25845

83,2

12,6%

113,0

14,8%

18,9%

8,3%

11,5%

6,5%

25,2%

5,3%

18,1%

33,3%

Bussum

32128

83,8

14,8%

110,2

10,8%

19,4%

10,6%

15,0%

9,3%

29,2%

4,2%

16,7%

22,5%

Oost-Gelre

30028

83,9

20,7%

146,3

11,8%

16,2%

7,0%

9,8%

5,6%

29,8%

6,2%

16,8%

37,2%

Vaals

Opsterland

30048

84,6

15,5%

135,4

8,2%

16,0%

7,2%

10,5%

6,2%

31,0%

5,4%

15,5%

34,4%

De Bilt

42072

84,6

14,2%

94,7

9,7%

21,0%

11,1%

15,2%

9,6%

25,3%

4,1%

16,9%

22,1%

Valkenswaard

30734

96,0

14,0%

115,1

32,6%

19,4%

8,2%

12,3%

7,2%

30,9%

5,3%

18,4%

36,1%

Ermelo

26261

96,1

12,1%

113,7

2,1%

18,7%

8,4%

11,8%

6,8%

26,6%

7,3%

17,4%

31,4%

Oude IJsselstreek

39895

97,4

18,9%

146,8

17,2%

17,8%

7,8%

10,9%

6,3%

30,4%

6,1%

18,1%

38,3%

Zwijndrecht

44401

97,4

17,8%

123,4

7,6%

18,7%

8,5%

12,8%

7,7%

30,7%

4,5%

17,3%

35,1%

Beverwijk

38850

97,8

19,4%

115,6

9,3%

16,0%

8,0%

11,6%

7,0%

31,5%

6,5%

17,5%

36,8%

Skarsterlan

27295

81,3

15,7%

122,7

36,0%

16,4%

7,2%

10,8%

6,5%

28,6%

4,5%

15,3%

29,2%

Geldrop-Mierlo

38111

81,3

13,3%

112,6

20,3%

17,2%

7,3%

11,8%

6,8%

28,2%

5,4%

15,9%

36,8%

Twenterand

33568

81,5

22,0%

147,1

11,6%

14,2%

6,1%

8,6%

5,0%

29,1%

7,3%

16,8%

44,8%

Bergen NH

30989

82,1

12,0%

95,5

8,7%

23,3%

10,4%

15,3%

9,0%

28,9%

6,0%

16,6%

27,4%

Dongen

25068

82,3

18,3%

122,6

18,1%

16,0%

6,7%

10,2%

5,9%

26,8%

5,0%

18,1%

36,7%

62

Ape

Gemeente

Hilversum

Inw Uitk p inw 84573

91,4

Cliënt 13,7%

Uren p

Groei uren

cliënt

p cliënt

110,8

10,9%

65+ 17,9%

75+ 9,1%

eph 65+ 12,6%

Eph 75+ 7,7%

HH LI 31,0%

UO 5,4%

Chron Z 17,4%

Inw LO 30,9%

Hengelo O

80809

93,3

24,7%

115,0

12,2%

16,3%

7,7%

10,9%

6,5%

33,0%

6,2%

15,9%

25,2%

Roosendaal

77571

94,6

17,5%

153,5

29,7%

16,8%

7,5%

11,3%

6,6%

31,4%

5,8%

17,9%

38,4%

Leidsch-Voorburg

72226

96,9

14,8%

98,4

8,3%

20,2%

10,1%

14,4%

8,7%

29,4%

4,2%

17,7%

28,1%

Schiedam

75792

99,3

21,2%

124,6

6,3%

15,2%

7,6%

11,5%

6,9%

35,4%

5,2%

17,2%

39,7%

Wijdemeren

23403

68,9

13,1%

108,3

10,6%

18,9%

8,3%

11,9%

6,9%

24,2%

4,1%

16,7%

30,3%

Ouder-Amstel

13094

69,0

13,4%

93,4

12,7%

17,3%

8,5%

12,3%

7,4%

26,3%

3,8%

15,4%

20,7%

Reusel-De Mierden

12564

69,2

24,0%

71,2

28,7%

13,8%

5,9%

8,9%

5,1%

25,1%

5,9%

16,2%

36,6%

Korendijk

10887

69,2

10,4%

118,3

18,4%

15,5%

6,3%

8,9%

5,4%

22,9%

3,3%

16,0%

35,8%

Bernisse

12454

69,3

8,2%

95,9

9,5%

16,7%

6,5%

10,0%

5,9%

21,3%

3,1%

16,3%

32,9%

Castricum

34629

72,6

13,9%

96,6

9,8%

19,5%

8,8%

12,8%

7,6%

21,7%

5,0%

16,0%

27,4%

Heusden

42981

72,7

14,5%

127,8

11,8%

15,0%

6,1%

9,7%

5,6%

26,5%

5,2%

16,2%

34,8%

Dinkelland

26051

73,2

19,1%

135,7

12,4%

17,2%

7,9%

9,8%

5,8%

25,6%

4,9%

15,0%

32,6%

Wijchen

40158

73,8

12,3%

113,2

13,7%

14,5%

5,9%

10,3%

5,9%

28,1%

5,4%

16,3%

28,5%

Leudal

36795

74,1

14,3%

143,1

13,5%

16,9%

7,2%

10,2%

5,9%

27,7%

5,5%

15,6%

31,4%

Deurne

31536

76,5

13,3%

129,9

11,9%

16,2%

6,6%

10,4%

5,8%

27,6%

6,7%

15,7%

38,6%

Veldhoven

43256

76,9

14,1%

113,9

22,1%

16,6%

7,0%

9,7%

5,5%

26,6%

5,8%

16,3%

29,4%

Rijssen

37082

77,2

16,9%

122,8

3,5%

15,3%

7,2%

10,1%

6,1%

27,8%

4,8%

15,9%

37,4%

Drimmelen

26570

78,7

14,3%

119,4

17,1%

16,0%

6,5%

10,0%

5,8%

24,3%

5,0%

17,6%

34,9%

Gilze en Rijen

25973

79,0

15,4%

123,6

8,9%

15,2%

6,0%

9,3%

5,4%

26,9%

5,0%

17,6%

31,1%

Ape

63

Gemeente

Inw Uitk p inw

Maassluis

31625

89,2

Heemstede

26060

89,3

Midden Drenthe

33586

90,6

Tytsjerksteradiel

32260

91,1

Achtkarspelen

28091

Edam-Volendam

Cliënt 16,6%

Uren p

Groei uren

cliënt

p cliënt

110,1

1,7%

10,3%

99,4

17,5%

129,6

17,7%

91,9

28520

Beuningen Bernheze

65+

75+

16,9%

7,2%

15,3%

23,1%

3,6%

17,4%

143,2

18,2%

17,9%

140,8

63,5

10,8%

25475

64,4

29663

65,1

eph 65+

Eph 75+

HH LI 29,4%

UO 5,2%

Chron Z 17,0%

Inw LO

12,4%

7,3%

37,9%

11,6%

16,6%

10,0%

24,1%

5,7%

17,8%

18,5%

7,7%

10,7%

6,7%

26,3%

6,1%

17,4%

35,0%

17,8%

7,7%

10,9%

6,8%

30,0%

5,0%

17,0%

32,2%

1,7%

15,1%

6,3%

10,3%

6,0%

33,2%

6,8%

16,9%

46,9%

107,6

2,4%

13,8%

4,9%

10,2%

5,7%

24,1%

5,7%

17,1%

42,9%

12,1%

116,6

30,0%

13,1%

5,3%

9,1%

5,2%

27,3%

5,0%

16,1%

33,5%

11,7%

123,8

3,2%

15,2%

6,5%

7,7%

4,4%

23,3%

5,9%

15,6%

38,7%

Culemborg

27493

65,1

16,2%

118,8

7,5%

12,9%

5,6%

9,8%

5,8%

26,3%

4,7%

14,2%

40,5%

Overbetuwe

45546

65,3

14,1%

134,4

10,2%

13,8%

5,5%

9,1%

5,2%

24,4%

4,5%

15,6%

35,7%

Wymbritseradiel

16151

61,7

12,8%

124,5

42,5%

14,6%

5,2%

9,4%

5,6%

27,6%

3,8%

13,4%

32,1%

Bunnik

14473

62,4

10,5%

92,0

12,8%

19,0%

8,3%

11,2%

6,5%

16,4%

3,9%

15,7%

18,4%

Zwartewaterland

21921

62,8

17,6%

143,4

1,0%

12,2%

5,2%

8,8%

5,6%

24,7%

4,0%

13,1%

41,9%

Boekel

9780

62,9

12,2%

123,0

4,6%

13,9%

5,6%

8,9%

5,1%

24,5%

6,9%

14,4%

Loenen

8475

63,2

11,3%

98,2

4,1%

18,4%

7,7%

12,9%

7,4%

25,4%

3,5%

15,9%

Roermond

55176

103,3

18,5%

145,4

15,3%

16,5%

7,4%

12,5%

7,2%

35,4%

7,7%

18,1%

39,1%

Terneuzen

54892

106,4

17,3%

133,6

11,7%

19,8%

9,0%

12,1%

7,2%

33,3%

6,1%

19,0%

35,1%

Leeuwarden

94131

106,6

22,8%

125,4

24,8%

14,9%

7,3%

10,7%

6,6%

35,5%

5,5%

17,4%

29,1%

Vlaardingen

70540

110,1

19,0%

114,0

4,0%

18,7%

9,3%

13,0%

7,9%

35,8%

4,9%

17,5%

35,3%

Sittard-Geleen

95213

111,7

17,6%

146,3

2,5%

18,5%

8,5%

12,8%

7,4%

34,1%

8,8%

18,7%

36,3%

64

Ape

Gemeente Heemstede

Inw Uitk p inw 26060

89,3

Cliënt 10,3%

Uren p

Groei uren

cliënt

p cliënt

99,4

15,3%

65+ 23,1%

75+ 11,6%

eph 65+ 16,6%

Eph 75+ 10,0%

HH LI 24,1%

UO 5,7%

Chron Z 17,8%

Inw LO 18,5%

Tynaarlo

32364

90,3

14,3%

120,7

16,3%

20,3%

9,6%

12,1%

7,4%

27,9%

5,0%

17,1%

25,0%

Bronckhorst

37737

91,0

18,9%

143,0

13,6%

19,5%

8,8%

11,0%

6,7%

25,8%

5,2%

17,6%

31,7%

Tytsjerksteradiel

32260

91,1

17,7%

143,2

18,2%

17,8%

7,7%

10,9%

6,8%

30,0%

5,0%

17,0%

32,2%

Achtkarspelen

28091

91,9

17,9%

140,8

1,7%

15,1%

6,3%

10,3%

6,0%

33,2%

6,8%

16,9%

46,9%

Weert

48405

88,5

15,5%

141,9

13,3%

18,3%

7,8%

12,0%

6,8%

30,3%

6,1%

17,1%

33,5%

Maassluis

31625

89,2

16,6%

110,1

1,7%

16,9%

7,2%

12,4%

7,3%

29,4%

5,2%

17,0%

37,9%

Berkelland

44968

89,2

17,6%

146,3

19,0%

17,9%

7,6%

11,3%

6,6%

29,1%

6,2%

17,6%

33,2%

Heemstede

26060

89,3

10,3%

99,4

15,3%

23,1%

11,6%

16,6%

10,0%

24,1%

5,7%

17,8%

18,5%

Tynaarlo

32364

90,3

14,3%

120,7

16,3%

20,3%

9,6%

12,1%

7,4%

27,9%

5,0%

17,1%

25,0%

Heemstede

26060

89,3

10,3%

99,4

15,3%

23,1%

11,6%

16,6%

10,0%

24,1%

5,7%

17,8%

18,5%

Tynaarlo

32364

90,3

14,3%

120,7

16,3%

20,3%

9,6%

12,1%

7,4%

27,9%

5,0%

17,1%

25,0%

Montferland

35183

90,8

16,4%

144,6

10,2%

18,0%

7,5%

10,9%

6,4%

28,2%

7,1%

17,7%

38,5%

Tytsjerksteradiel

32260

91,1

17,7%

143,2

18,2%

17,8%

7,7%

10,9%

6,8%

30,0%

5,0%

17,0%

32,2%

Achtkarspelen

28091

91,9

17,9%

140,8

1,7%

15,1%

6,3%

10,3%

6,0%

33,2%

6,8%

16,9%

46,9%

Ape

65

LITERATUUR

APE, 2008, Analyse van de negatieve herverdeeleffecten van het verdeelmodel voor de WMO, Den Haag: APE. BMC, 2008, Onderzoek naar de uitkomsten van het objectieve verdeelmodel WMO, Emmen/Zwartewaterland: BMC. Cebeon, 2009, POR 2010: verkenningen verdeling Wmo, Amsterdam: Cebeon. Cebeon, 2010, POR 2010: onderhoud verdeelmodel Wmo, Amsterdam: Cebeon. Knaack, F., 2010, Analyse van het verfijnde verdeel WMO, Vries: Ferry Knaack AdviesVV. RFV, 2010, Advies aanpassing verdeling WMO, Den Haag: Raad voor de Financiële Verhoudingen. RFV, 2010a, Vereenvoudiging van de verdeling algemene uitkering gemeentefonds (advies en cahier), Raad voor de Financiële Verhoudingen. SCP, 2009, Definitief advies over het Wmo-budget huishoudelijke hulp voor 2009, Den Haag: Sociaal en Cultureel Planbureau. SCP, 2010, Definitief advies over het Wmo-budget huishoudelijke hulp voor 2011, Den Haag: Sociaal en Cultureel Planbureau. Tweede Kamer, 2004/2005, 29 800B nr. 17, Brief van de minister van BZK over de vaststelling van de begrotingsstaat van het Gemeentefonds voor het jaar 2005.

Ape

67