Bevolkingsprognoses vergeleken Auke Vlonk en Paul Reijn, AimTrack, 19 mei 2015 Voor organisaties in en rondom wonen, welzijn en zorg is het van groot belang om een goed inzicht te hebben in de toekomstige bevolkingsontwikkeling en de daarmee verbonden zorg- en welzijnsvraag. Toekomstige investeringsbeslissingen hangen hier sterk van af. Voor de zorg staat daarbij inzicht in de leeftijdsopbouw van de bevolking centraal. Deze informatie zou beschikbaar moeten zijn op wijkniveau en aan moeten sluiten op de op dit niveau reeds beschikbare cijfers over de huidige situatie en het verleden. In deze notitie wordt vanuit de literatuur nagegaan wat onderzoekers hierbij tegen kunnen komen. Prognoses zijn per definitie onzeker In Nederland zijn er twee vooraanstaande bevolkingsprognosemodellen: PEARL (PBL/CBS) en PRIMOS (ABF Research). Het feit dat er op landelijk niveau en binnen gemeenten bevolkingsprognoses worden gemaakt, betekent dat deze bevolkingsprognoses van elkaar verschillen en tot verschillende uitkomsten leiden (Koens, 2014). De toekomst is per definitie onzeker en dus is het ook bij vooraanstaande prognoses als PEARL en PRIMOS niet zeker of ze uit gaan komen (Smeulders et al., 2012). Het is daarom zaak om een zo goed mogelijk inzicht te verkrijgen in de veronderstelde (en daarmee verwachte) ontwikkelingen en trends op het gebied van geboorte, sterfte en binnenlandse en buitenlandse migratie, die kunnen fluctueren door moeilijk te voorspellen sociaal-culturele en economische ontwikkelingen (De Groen et al., 2009). Bij het maken en interpreteren van bevolkingsprognoses is het immers noodzakelijk om te gaan met de onzekerheden rondom de genoemde aspecten, waarvoor aannames door prognosemakers worden gedaan (Smeulders et al., 2012). Onzekerheden die groter worden naarmate verder in de toekomst gekeken wordt, het schaalniveau lager wordt (bijvoorbeeld van landelijk naar wijk en buurt) en er ingezoomd worden op specifieke doelgroepen (bijv. ouderen of kinderen) (Provincie Friesland, 2013; De Groen et al., 2009). PEARL rondt daarom af op honderdtallen hetgeen met name effect heeft op kleinere gemeenten. PEARL had tot 2014 de gemeente als laagste schaalniveau; sindsdien zijn dat regionale COROP gebieden met daarbinnen onderscheid tussen steden en randgebieden. PEARL vervaardigt geen prognoses op lagere schaalniveaus zoals gemeenten, postcodegebieden, wijken en buurten. PRIMOS maakt wel prognoses op deze gebiedsniveaus (Koning et al., 2014). Uitgangspunt: bevolking of huishouden Zowel PEARL als PRIMOS gebruiken de nationale bevolkings- en huishoudensprognose van het CBS als uitgangspunt voor hun prognoses, maar de prognoses verschillen wel op lagere schaalniveaus zoals de COROP regio’s. (Koning et al., 2014; De Groen et al., 2009). Qua methodiek is er een belangrijk verschil tussen PEARL en PRIMOS: PRIMOS maakt de bevolkingsprognose voor een groot deel vanuit de overgangen van huishoudens: de huishoudensposities zijn de basis van het model, terwijl bij PEARL de huishoudensprognose wordt samengesteld aan de hand van de bevolkingsprognose (Elshof & Van Wissen, 2010): de bevolkingsprognose is de basis van het model. PEARL maakt dan ook minder onderscheid naar verschillende huishoudentypes (Elshof & Van Wissen, 2010).
1
In de PRIMOS- en PEARL-prognoses is het modelleren van huishoudensveranderingen en de implicaties voor verhuizingen een belangrijk aandachtspunt. Omdat de woningvoorraad een belangrijke plaats inneemt in de methodes van PEARL en PRIMOS zijn de aannames hierover essentieel. Bij PEARL bepaalt men de toename van de woningvoorraad door allereerst te kijken naar de convenanten die gesloten zijn met 20 stedelijke regio’s. Deze worden uitgelijnd met de provinciale ramingen. Vervolgens wordt de getallen die hieruit voortkomen toegewezen aan de gemeentes aan de hand van waarnemingen in de woningbouwproductie en de afgegeven woningbouwvergunningen. Ook wordt er rekening gehouden met hoeveel woningen er gebouwd moeten worden als in alle gemeentes het totale migratiesaldo “nul” zou zijn. Bij PRIMOS wordt er in de eerste jaren gebruikt gemaakt van het provinciaal aangeleverde nieuwbouwprogramma, dat wordt verdeeld over de gemeentes (Elshof & Van Wissen, 2010). In de door Elshof & Van Wissen (2010) geëvalueerde versie van PRIMOS is dat tot 2014. Daarna wordt een deel van het nieuwbouwprogramma ‘vastgezet’ en het overige deel bepaald door huishoudens- en bevolkingsontwikkelingen. Na 10 jaar worden de natuurlijke componenten van de demografische groei als leidend gezien. Helaas zijn dus de essentiële aannames ten aanzien van woningbouw niet transparant (Elshof & Van Wissen, 2010) en leiden deze tot belangrijke verschillen. Variant is dat in de prognoses van de gemeente Den Haag de relatie tussen de bevolkingsomvang en de woningvoorraad wordt gelegd via de gemiddelde woningbezetting. Aangezien de veronderstelling over de gemiddelde woningbezetting cruciaal is voor de prognoses van de toekomstige bevolkingsomvang, is het van groot belang dat die veronderstelling goed wordt onderbouwd (De Beer, 2008, uit Koens, 2014). De aannamen binnen complexe modellen als PEARL en PRIMOS zijn dus vaak maar ten dele bekend (Smeulders et al., 2012) of moeilijk te achterhalen (Elshof & Van Wissen, 2010), terwijl het voor het interpreteren van de uitkomsten van bevolkingsprognoses van belang is om kritisch te kijken naar de aannames die zijn gedaan (Koens, 2014). En als veronderstellingen wel bekend worden gemaakt, hebben ze vaak een hoge onzekerheidsfactor (Elshof & Van Wissen, 2010). Binnen PRIMOS is het probleem bijvoorbeeld dat de gegevens maar voor enkele jaren gepubliceerd zijn en het niet mogelijk is om inzicht te krijgen in demografische componenten, waardoor de cijfers niet verklaard kunnen worden (Elshof & Van Wissen, 2010). PEARL en PRIMOS hebben zelf gepubliceerd over hun uitgangspunten, maar helaas betreffen dit publicaties uit 2005 en 2007 (De Jong et al., 2005; Heida & Van der Meer, 2007). De verschillen: Geboorte en sterfte, migraties en woningbouwprogramma Het is bekend dat PRIMOS grotendeels dezelfde werkwijze als PEARL heeft op het gebied van geboorte, sterfte en buitenlandse migratie. De binnenlandse migratie wijkt daar echter vanaf (De Groen et al., 2009). Geboortecijfers hangen bijvoorbeeld af van emancipatie van vrouwen en individualisering. Sterftecijfers zijn onder meer afhankelijk van de ontwikkeling van welvaartsziekten (De Groen et al., 2009). De manier waarop omgegaan wordt met cijfers rondom geboorte en sterfte is in grote lijnen hetzelfde voor beide modellen: men gaat uit van de toekomstige landelijke ontwikkeling van de CBS-prognose en houdt vervolgens rekening met regionale verschillen (Venhorst & Van Wissen, 2007; Elshof & Van Wissen, 2010). 2
Toch vertonen de methodes van PEARL en PRIMOS enkele verschillen. PEARL splitst uit naar autochtonen en verschillende groepen allochtonen, terwijl in PRIMOS de huishoudenspositie een belangrijke positie inneemt. Dit kan in de berekening van de geboortecijfers uiteindelijk leiden tot wezenlijke verschillen (Elshof & Van Wissen, 2010). Op gemeentelijk (en lagere) niveau(s) zijn bijvoorbeeld verschillen in de verwachte ontwikkeling van het vruchtbaarheidscijfer van autochtonen en niet-westerse allochtonen van belang (Gemeente Amsterdam, 2014), met name in gebieden waar het percentage niet-westerse allochtonen relatief hoog is. Tot en met 2008 werd er in Amsterdam vanuit gegaan dat het vruchtbaarheidscijfer van autochtonen gelijk zou blijven en dat van niet-westerse allochtonen zou dalen richting het cijfer van autochtonen. Echter blijkt dat tussen 1996 en 2010 het vruchtbaarheidscijfer onafgebroken is gestegen, met name in gebieden waar veel jonge gezinnen zijn komen wonen, zoals IJburg in Amsterdam (Gemeente Amsterdam, 2014). Kortom, op lagere schaalniveaus spelen herkomst en migratie een zeer belangrijke rol, ook op het gebied van geboorte en sterfte. Op het gebied van sterfte speelt de aanname op het gebied van de levensverwachting een grote rol: binnen PRIMOS wordt uitgegaan van een lagere levensverwachting dan in PEARL, waardoor er verschillen ontstaan in de te verwachten sterftecijfers. Met name in de gemeenten met een sterk afwijkende huishoudensstructuur (Elshof & Van Wissen, 2010). Veronderstellingen op het gebied van buitenlandse migratie zijn conjunctuurgevoelig en hangen vooral af van politieke ontwikkelingen en het nationale immigratiebeleid (De Groen et al., 2009). De onzekerheid is hoog: buitenlandse migratiecijfers kunnen bijvoorbeeld beïnvloed worden door de komst van asielzoekerscentra, een numerus fixus op een bepaalde studie in het buitenland, of een beleidsverandering van een nieuwe regering. Vooral PRIMOS wordt her en der verrast door asielzoekerscentra die komen en gaan, wat voor sommige gemeenten tot aparte resultaten kan leiden (Elshof & Van Wissen, 2010). De buitenlandse migratie wordt bepaald door middel van een verdeelmodel op basis van verdeelsleutels die gebaseerd zijn op het verleden, waarbij binnen PEARL onderscheid wordt gemaakt tussen eerste en tweede generatie allochtonen (Elshof & Van Wissen, 2010). De onzekerheden op het gebied van geboorte, sterfte en buitenlandse migratie zijn echter kleiner dan op het gebied van binnenlandse migratie. De verschillen tussen PRIMOS en PEARL zitten met name in de aannames op het gebied van binnenlandse migratie (Koens, 2014). De onzekerheden rondom binnenlandse migratie komen vooral doordat intergemeentelijke en interregionale verhuisstromen lastig te voorspellen zijn (De Groen et al., 2009). Eén van de redenen hiervoor is de onzekerheid rondom de woningbouwprogrammering, aangezien deze niet vastligt (Elshof & Van Wissen, 2010). Hoe om wordt gegaan met de onzekerheid rondom aantallen geplande en gerealiseerde woningen en de exacte locatie ervan heeft effect op de bevolkingsgroei en huishoudenssamenstelling (Elshof & Van Wissen, 2010). Inzicht in de vertrekkende en vestigende leeftijdsgroepen is daarbij ook van groot belang, zie bijvoorbeeld IJburg: een positief migratiesaldo onder jonge huishoudens leidt tot een andere leeftijdsopbouw van de bevolking in de toekomst (Smeulders et al., 2012). De samenstelling van de woningvoorraad wordt de belangrijkste component genoemd bij het voorspellen van de binnenlandse migratie (Elshof & Van Wissen, 2010), waarbij migratieveronderstellingen (groten)deels af worden gestemd op een verwacht 3
woningbouwprogramma (Provincie Friesland, 2013). Daarbij is ook het totale aantal huishoudens en de opbouw van de huishoudens van belang. Verschillende huishoudenstypes hebben namelijk verschillende voorkeuren van woningtypen. Als deze niet op elkaar aansluiten heeft dit uiteindelijk ook invloed op de bevolkingsomvang en bevolkingssamenstelling (Elshof & Van Wissen, 2010). Elshof & Van Wissen (2010) stellen dat het ontbreken van ruimte op de woningmarkt betekent dat nieuwkomers zich alleen kunnen vestigen op plekken die door de vertrekkers zijn opengelaten. Een toekomstige groei van de bevolking is in het geval van een gelijkblijvende woningvoorraad daarom ook niet aan de orde. In veel gebieden zal dit zo zijn, echter bijvoorbeeld in Amsterdam groeit het aantal huishoudens sneller dan de woningvoorraad, waarbij ook de gemiddelde huishoudengrootte stijgt. Het ‘overschot’ aan nieuwe huishoudens vindt toch nog een plek in de stad, bijvoorbeeld door in te schikken en het opvullen van leegstand van bijvoorbeeld kantoren: het zogenaamde sponseffect (Gemeente Amsterdam, 2014). Aan de andere kant betekent nieuwbouw in een bepaalde gemeente niet per definitie meer migratie, als in omliggende interessantere gebieden ook veel nieuwbouw plaats vindt. En als er niet of weinig gebouwd gaat worden, beperkt dat de verwachte migratie. In Friesland wordt een andere benadering gehanteerd: deze baseert de binnenlandse migratie vooral door middel van trendextrapolatie van migratiecijfers uit het verleden, die overigens ook deels afhankelijk zijn geweest van woningbouwprogramma’s (Provincie Friesland, 2013). Bij de prognoses van CBS/PBL en ABF is het de vraag of de verwachte woningbouwprogramma’s actueel zijn en ook in hoeverre ze gerealiseerd gaan worden. Zo is bijvoorbeeld de vraag of de plannen kwalitatief wel aan sluiten bij de vraag van doorstromers en dus of de prognoses realistisch zijn, met name ook in krimpgebieden. Bij de aanpak via trendmatige extrapolatie is het de vraag of de trend voortgezet zal worden of dat juist een trendbreuk op zal gaan treden. Gezien dergelijke onzekerheden is het voor de gebruiker zeker zinvol om de uitkomsten van de verschillende prognoses te vergelijken en daarbij ook naar de onderliggende migratie- en woningbouwveronderstellingen te kijken (Provincie Friesland, 2013). Venhorst & Van Wissen (2007) stellen dat hoe lokaler de prognose-makende instelling, hoe hoger de prognose. Het is met name de component migratie die voor deze verschillen verantwoordelijk is. De reden daarvoor is naar alle waarschijnlijkheid dat naarmate men dichter bij het beleid komt, de gevolgen van dat beleid gunstiger worden ingeschat. Prognoses die verder van het beleid afzitten zijn wat voorzichtiger in hun veronderstellingen. De gemeente Amsterdam (2014) toont anderzijds aan dat de PRIMOS prognose hogere aantallen verwacht, gebaseerd op verwachtingen voor meer woningbouw. De gemeente Amsterdam stelt hierbij dat gemeenten over het algemeen nauwkeuriger (kunnen zijn), aangezien ze meer en beter kunnen controleren op de voortgang en verwachte oplevering van de woningbouw. De PEARL prognose zat tussen de PRIMOS prognose en de gemeentelijke prognose in, ondermeer doordat PEARL andere veronderstellingen heeft over de leegstand en inwoning (Gemeente Amsterdam, 2014).
4
Onzekerheden rondom en tussen geboorte, sterfte en migratie hebben effect op de verdeling van de bevolking en andersom: de vestiging van bijvoorbeeld studenten in Amsterdam die na hun studie in dezelfde stad een gezin stichten (waar ze voorheen relatief meer de stad zouden verlaten), betekent dat het geboortecijfer in Amsterdam stijgt, de migratie (in die leeftijdsgroep) afneemt en het sterftecijfer in de gebieden (bijv. wijken) zal afnemen. De mate van verstedelijking en het wel of niet definitief vestigen van starters in de stad, heeft derhalve effect op de bevolkingssamenstelling. Uit de studie van Elshof & Van Wissen (2010) blijkt dat de aannames rondom verstedelijking tot verschillende uitkomsten kunnen leiden: zo rekende PEARL op 30.000 meer inwoners in 2040 in de gemeente Groningen dan PRIMOS. In PRIMOS groeit de bevolking door een hogere toename in omliggende gemeenten in het gebied Groningen-Assen en Hoogezand-Sappemeer. Dit betreft ook de toekomstige ouderen. Elshof & Van Wissen (2010) vonden dat in PEARL deze groep meer geconcentreerd was in de gemeente Groningen, terwijl bij PRIMOS de vergrijzing gelijkmatiger wordt opgevangen door de omliggende gemeenten. Koens (2014) kwam tot de conclusie dat ook in de leeftijdscategorie 12-18 de uitkomsten van PRIMOS substantieel kunnen afwijken van die van PEARL. Bovenstaande impliceert dat een bevolkingsprognose per definitie naast de toekomstige werkelijkheid zit. Vanwege verschillende aannames op de demografische componenten zoals geboorte, sterfte en migratie zullen er verschillen ontstaan tussen prognoses. Zo zijn de uitkomsten binnen PEARL zo dat deze extremere groei in de grootste steden (G4) verwacht, en minder sterke groei of juist krimp in kleinere gemeenten (G28) dan dat PRIMOS verwacht (Koens, 2014). Meer of minder verstedelijking zal effect hebben op het aantal geboorten, sterfgevallen en migraties in zowel steden als omliggende gemeenten. Het is als met een waterbed, waar het ene model grotere bevolkingsaantallen in de grotere gemeente verwacht dan het andere, verwacht het kleinere bevolkingsaantallen in de perifere gemeenten (Koens, 2014). De verschillen in aantallen kunnen effect hebben op het beleid: moeten er nog woningen worden gebouwd, en zo ja, voor wie? En is er bijvoorbeeld een overschot of tekort aan voorzieningen? Op welke gebieden? En het (nieuwe) beleid kan vervolgens weer leiden tot meer of minder verstedelijking… Conclusies Er is geen 100% waarheid, simpelweg omdat er teveel onzekerheden zijn. Echter is ondanks deze onzekerheden toch wel een zekere mate van waarheid over de toekomstige ontwikkeling: we weten hoeveel mensen er nu wonen, we weten dat deze mensen over 5 jaar ook 5 jaar ouder zijn, dat er mensen geboren zullen worden, zullen sterven en een aantal zullen migreren. Bevolkingsprognoses bieden daarom een prima basis, waarbij het zaak is om flexibel om te springen met het gebruik ervan door bijvoorbeeld gebruik te maken van verschillende scenario’s (Elshof, 2010). Door gebruik te maken van verschillende bestaande prognoses, deze met elkaar te vergelijken, en zoveel mogelijk inzicht te verzamelen over de achtergronden van de prognoses, kan een zo’n ‘goed’ mogelijk beeld worden verkregen. Een vergelijking tussen PEARL en PRIMOS (Koens, 2014) levert daarbij volgens PEARL en PRIMOS betrokkenen zelf het volgende beeld:
5
Tabel 1 – Kwalitatieve inventarisatie van kenmerken van de regionale bevolkingsprognoses in PEARL en PRIMOS (Koens, 2014)
Voor toepassing in wonen, zorg en welzijn kan hierop worden aangevuld: Beide modellen bieden een goede basis. Voor de zorg is in beide modellen voldoende inzicht in de leeftijdsopbouw van de bevolking, essentieel voor de zorgvraag. Verschillen zijn terug te voeren op weinig transparante uitgangspunten over woningbouwprogramma en migraties. PEARL is openbaar beschikbaar en daarmee voor eenieder toegankelijk. Hiermee zijn uitgangspunten minimaal deels te analyseren.
6
PEARL kent als laagste schaalniveau COROP, PRIMOS 4 positie postcode en/of CBS Wijk Buurt. Dit detailniveau is essentieel voor wonen, welzijn en zorg. Via een verdeelmodel is ook PEARL op dit schaalniveau toegankelijk te maken. Aansluiting op de realiteit is tenslotte essentieel, voor PEARL zowel op COROP-niveau als na eventuele toepassing van een verdeelmodel op lagere schaalniveaus als 4 positie postcode en/of CBS Wijk Buurt. Voor PRIMOS is de mate van aansluiting in deze onbekend.
LITERATUUR Beer, J. de (2008) Second opinion Bevolkingsprognose 2008-2025 Den Haag, Nederlands Interdisciplinair Demografisch Instituut, Den Haag. Beets, G., de Graaf, A. & van Duin, C. (2013) Bevolkingsprognose 2012-2060: veronderstellingen over de geboorte. In: Bevolkingstrends, CBS: Den Haag. Elshof, H. & L.J.G. van Wissen (2010) Evaluatie bevolkingsprognoses Regio Groningen-Assen, Rijksuniversiteit Groningen – Faculteit der Ruimtelijke Wetenschappen, Basiseenheid Demografie, Groningen. Groen, M. de, J.F.I. Klaver & P.H. Renooy (2009) Verkenning Rijksagenda Krimp en Ruimte, Regioplan Beleidsonderzoek, Den Haag. Heida, H. & A. van der Meer (2007) PRIMOS 2007: prognosemodel voor bevolking, huishoudens en woningbehoefte, ABF Research, Delft. Jong, A. de, et al. (2005) Achtergronden en veronderstellingen bij het model PEARL: naar een nieuwe regionale bevolkings- en allochtonenprognose, NAi uitgevers, Den Haag. Koens, B. (2014) Regionale bevolkingsprognoses van PEARL en PRIMOS en de implicaties van verschillen voor de leerlingenprognoses voor instellingen in het voortgezet onderwijs, Dienst Uitvoering Onderwijs, Zoetermeer. Koning, M., E. Schep & R. Semenow (2014) Scenariostudie Overijssel – Bevolking, werkgelegenheid en woningvraag tot 2040 in drie scenario’s, Economisch Instituut voor de Bouw, Amsterdam. Smeulders, E., P. Burger & J. van Iersel (2012) Demografische ontwikkelingen op kernniveau – In de gemeenten Ommen, Dalfsen en Terschelling, RIGO, Amsterdam. Smits, A. (2014) Factsheet Bevolkingsprognoses, Gemeente Amsterdam – Bureau Onderzoek en Statistiek, Amsterdam. Venhorst, V. & L.J.G. van Wissen (2007) Demografische trends en de ontwikkeling van kwantitatieve en kwalitatieve woningbehoefte – een verkenning voor de noordelijke provincies, Rijksuniversiteit Groningen – Faculteit der Ruimtelijke Wetenschappen, Groningen.
7
