KING-thema 4: Lokale economie. 20 maart 2013

KING-thema 4: Lokale economie 20 maart 2013

Atlas voor gemeenten Postbus 9627 3506 GP UTRECHT T 030 2656438 F 030 2656439 E [email protected] I www.atlasvoorgemeenten.nl © Atlas voor gemeenten, Utrecht, 2013 Alle rechten voorbehouden. Niets uit deze uitgave mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm of op enige wijze, hetzij elektronisch, mechanisch, door fotokopieën, opnamen, of enig andere manier, zonder voorafgaande schriftelijke toestemming van de uitgever.

KING-thema 4: Lokale economie Methodologische verantwoording

KING-thema 4: Lokale economie. Methodologische verantwoording

Inhoud

1 Inleiding 2 Bruto gemeentelijk product als indicator voor de lokale economie 2.1 Verschillen tussen gemeenten: het bruto gemeentelijk product en werkgelegenheidsquote 2.2 Het meten van het bruto gemeentelijk product

6

7 7 9

3 Verklaringsmodel 3.1 Locatietheorieën 3.2 Verklaringsmodel bruto gemeentelijk product en werkgelegenheidsquote per inwoner 3.3 Overige geteste hypotheses

14 14

4 Verklarende variabelen

23

16 21

5


1

Inleiding KING werkt samen met Atlas voor gemeenten aan modellen die de relatieve score van een gemeente op een bepaald thema zo goed mogelijk verklaren uit kenmerken van die gemeente. Voor het thema lokale economie is een verklaringsmodel gebruikt waarbij de bijdrage van een gemeente aan het bruto binnenlands product (het zogenaamde bruto gemeentelijk product) zo goed mogelijk wordt verklaard uit indicatoren die hier statistisch significant mee samenhangen. Deze indicatoren zijn vervolgens gegroepeerd naar categorieën verklarende kenmerken (bijvoorbeeld: agglomeratievoordelen). Deze categorieën vormen de verklarende ‘staven’ in de grafieken op waarstaatjegemeente.nl. In deze achtergrondrapportage wordt kort ingegaan op de centrale indicator voor lokale economie, het achterliggende verklaringsmodel, de gebruikte indicatoren, de bijbehorende bronnen en de bewerkingen die daarop zijn uitgevoerd.

6


2

Bruto gemeentelijk product als indicator voor de lokale economie Verschillen in economische omvang en prestaties tussen landen worden doorgaans gemeten aan de hand van het bruto binnenlands product: de som van de toegevoegde waarde van alle economische activiteiten in een land. De toegevoegde waarde is het verschil tussen de verkoopprijs van een product of dienst en de kosten voor het intermediair verbruik (de inkoop van de hiervoor gebruikte productiefactoren die nodig zijn om een product of dienst te kunnen aanbieden). Om landen van verschillende omvang met elkaar te kunnen vergelijken wordt het bbp gedeeld door het aantal inwoners: de gemiddelde gecreëerde toegevoegde waarde per inwoner. De ideale indicator voor economische verschillen tussen gemeenten sluit hier bij voorkeur zo goed mogelijk bij aan. Daarom worden in dit hoofdstuk de mogelijkheden voor het construeren van een indicator voor het bruto gemeentelijk product beschreven. 1

2.1

Verschillen tussen gemeentelijk product

gemeenten:

het

bruto

Binnen landen bestaan er tussen regio’s en gemeenten grote verschillen in de relatieve bijdrage aan het bbp. Grotere steden (zoals Amsterdam en Rotterdam) hebben nu eenmaal meer banen dan plattelandsgemeenten waardoor de bijdrage van een stad aan het bbp groter is dan die van een plattelandsgemeente. Dit heeft niet alleen te maken met het simpele feit dat er nu eenmaal meer mensen wonen waardoor er ook meer vraag is naar diensten en producten in bijvoorbeeld de detailhandel en horeca. Steden zijn veelal de werkgelegenheidscentra van een regio of land waar onder andere de zakelijke en financiële dienstverlening is geconcentreerd en instellingen als ziekenhuizen, hogescholen en universiteiten zijn gevestigd. Door deze concentratie van werkgelegenheid is het aantal banen per hoofd van de bevolking er over het algemeen hoger dan in plattelandsgemeenten.

1

Dit is feitelijk één van de drie methoden waarmee het bbp kan worden berekend. De andere twee manieren zijn ‘inkomstenmethode’ en ‘consumptiemethode’. Bij de inkomstenmethode worden alle ‘beloningen’ voor de bijdrage aan de totale productie van een land bij elkaar opgeteld (lonen, winsten, maar ook rente en dividenden als vergoeding voor het verschaffen van kapitaal). Bij de consumptiemethode wordt het bbp bepaald door de som van alle (particuliere) bestedingen, investeringen en het saldo import en export. De uitkomst is volgens elke methode (per definitie) hetzelfde.

7


Dit wordt duidelijk in figuur 2.1. waarin de zogenaamde werkgelegenheidsquote (het gemiddeld aantal banen per inwoner) voor verschillende groepen gemeenten is weergeven. De vier grote steden hebben met 63% de hoogste werkgelegenheidsquote, gevolgd door de G27 met 56%. De overige – kleinere – steden hebben met 51% een kleinere werkgelegenheidsquote dan de G27, maar deze is wel duidelijk hoger dan de werkgelegenheidsquote in de plattelandsgemeenten. Deze hogere werkgelegenheidsquote zorgt ervoor dat de bijdrage van steden aan het bbp – ook na correctie voor het aantal inwoners – hoger is dan die van plattelandsgemeenten. Figuur 2.1 Verhouding tussen aantal banen en inwoners (werkgelegenheidsquote) naar type gemeente Werkgelegenheidsquote

Niet-steden

Rest Steden

G27

G4

0%

10%

20%

30%

40%

50%

60%

70%

Daarnaast is het zo dat niet alle banen hetzelfde zijn: de toegevoegde waarde per medewerker is in de ene sector (bijvoorbeeld de chemie of bij diensten als advocatuur) hoger dan in de andere sector (bijvoorbeeld schoonmaak of detailhandel). Door verschillen in sectorale structuur kan het zo zijn dat twee gemeenten met hetzelfde aantal inwoners en dezelfde werkgelegenheidsquote een andere bijdrage leveren aan het bbp. Hiernaast geldt dat dezelfde baan in een meer stedelijke omgeving tot een hogere toegevoegde waarde leidt dan in een plattelandsgemeente dankzij de voordelen die een stedelijke omgeving biedt (zie de volgende paragraaf).

8


Dit betekent dat verschillen tussen gemeenten in de bijdrage aan het bbp niet volledig inzichtelijk worden door te kijken naar verschillen in werkgelegenheid(squote). Het gaat immers niet alleen om verschillen in het aantal banen, maar ook om de productiviteit van deze banen (die afhankelijk is van sector en locatie). Door informatie over de sectorale structuur en productiviteit te combineren met locaties van werkgelegenheid ontstaat er een reëel beeld van de bijdrage van een gemeente aan het bbp: het bruto gemeentelijk product (bgp). Gemeentelijke verschillen in economische omvang of prestaties kunnen vervolgens in kaart worden gebracht via het bgp per inwoner: Wat is de gemiddelde bijdrage per inwoner van een gemeente aan het bbp?

2.2

Het meten van het bruto gemeentelijk product

Gegevens over werkgelegenheid en sectorale structuur op het niveau van gemeenten zijn onder andere via het CBS en LISA beschikbaar. Verschillen tussen gemeenten in productiviteit tussen banen in dezelfde (hoofd)sector zijn echter niet direct voor handen. Wel publiceert het CBS de zogenaamde regionale rekeningen waarin de verschillen in de toegevoegde waarde tussen sectoren en COROP-regio’s worden gepubliceerd. Door deze gegevens te combineren met cijfers over werkgelegenheid kan worden bepaald in hoeverre een gemiddelde medewerker in de chemie in NoordoostGroningen een hogere of lager productiviteit heeft dan een gemiddelde medewerker in de chemie in de regio Rijnmond. Maar hiermee is nog niet het mogelijke verschil in productiviteit tussen bijvoorbeeld een gemiddelde medewerker in de chemie in Rotterdam en Vlaardingen inzichtelijk gemaakt. Het probleem is dat deze gegevens er niet zijn. Dit betekent dat er of geen indicator voor productiviteit op het niveau van gemeenten kan worden meegenomen of dat een indicator moet worden geconstrueerd die de productiviteit zo goed mogelijk benadert. 2

3

Om toch inzicht te krijgen in de productiviteit per sector in een gemeente wordt vaak een zo goed mogelijke schatting gemaakt aan de hand van 2

En een aantal kleine stedelijke regio’s. In toenemende mate wordt er in wetenschappelijk onderzoek dan ook gebruikgemaakt van microdata die bestaat uit een steekproef van bedrijven of werknemers waarvan deze gegevens wel bekend zijn. Zie bijvoorbeeld het proefschrift van O. Raspe uit 2009: The Regional Knowledge Economy; a Multilevel Perspective on Firm Performance and Localized Knowledge Externalities. Universiteit Utrecht: faculteit geowetenschappen en de inaugurale rede “Pieken in de Polder?!” van Professor Dr.H. de Groot aan de Vrije Universiteit. 3

9


kengetallen en randtotalen. Dit gebeurt veelal aan de hand van de toegevoegde waarde (per sector) op het niveau van COROP-regio’s. Deze wordt vervolgens ‘verdeeld’ naar gemeenten binnen een COROP-regio op basis van de werkgelegenheidsstructuur. Hierbij wordt echter – noodgedwongen door datagebrek – uitgegaan van een gemiddelde productiviteit per werknemer in een bepaalde sector ongeacht de omvang van het bedrijf en de locatie van het bedrijf binnen een COROP-regio. De geschatte verschillen in productiviteit per werknemer tussen gemeenten binnen hetzelfde COROP-gebied zijn dan volledig de resultante van de verschillen in sectorale structuur. Productiviteitsverschillen tussen gemeenten (en het bgp) worden hiermee nog steeds niet volledig correct gemeten. Een belangrijk deel van de verschillen in productiviteit tussen steden zijn in de praktijk weliswaar ook vooral het gevolg van verschillen in sectorale structuur. Maar de kern van de theorieën over productiviteitsvoordelen in steden (zie volgend hoofdstuk) bestaat er nu juist uit dat exact dezelfde bedrijven in dezelfde sector in steden productiever zullen zijn dan in niet-stedelijke gemeenten. 4

Een bruikbaar alternatief lijkt de indicator voor toegevoegde waarde van Bridgis/BREA. Deze indicator is een verbeterde versie van een schatting van de toegevoegde waarde (en daarmee productiviteit) op een laag ruimtelijk schaalniveau. In deze schatting wordt er naast sectorale structuur namelijk ook rekening gehouden met de omvang van de verschillende bedrijven naar sector en gemeente. In sommige sectoren (bijvoorbeeld de metaal- en staalindustrie) zijn er grote interne schaalvoordelen, waardoor grote bedrijven naar verwachting productiever zijn dan kleinere, terwijl dit in andere sectoren niet het geval is, of mogelijk zelfs het omgekeerde effect optreedt. Hiernaast is er op basis van jaarverslagen en jaarrekeningen van bedrijven, en LISA-data, zo goed mogelijk rekening gehouden met verschillen tussen typen vestigingen van hetzelfde bedrijf. Hierdoor wordt waar mogelijk gecorrigeerd voor verschillende activiteiten (en toegevoegde waarde) in vestigingen op verschillende locaties zoals bijvoorbeeld het hoofdkantoor versus een callcenter. Dit is een fundamentele verbetering ten opzichte van de eerder besproken deaggregatiemethoden. Kaart 2.1 laat voor Nederland de verschillen zien in bgp per inwoner. 5

4

Zie bijvoorbeeld G.U. Rienstra, 2003: Steden staan sterker in hun schoenen, in ESB 4404, pp.260263 en O. Raspe, A. Weterings en F. Van Oort 2010: De economische kracht van de Randstad. Den Haag: Planbureau voor de Leefomgeving; A. Weterings e.a. 2007; Clusters en Economische groei. Den Haag: Ruimtelijk Planbureau/Planbureau voor de Leefomgeving. 5 Voor een beschrijving van deze indicator zie www.bridgis.nl.

10


Kaart 2.1

Bruto gemeentelijk product per inwoner in duizenden euro’s

BSP10/BEV10 (QR) 36,313 tot 99,734 29,645 tot 36,313 27,382 tot 29,645 24,911 tot 27,382 23,091 tot 24,911 21,688 tot 23,091 20,370 tot 21,688 19,529 tot 20,370 18,390 tot 19,529 17,488 tot 18,390 16,930 tot 17,488 16,149 tot 16,930 14,953 tot 16,149 13,978 tot 14,953 12,443 tot 13,978 5,424 tot 12,443

Bron Atlas voor gemeenten o.b.v. Bridgis/BREA

11


In kaart 2.1 valt een aantal dingen op. Het bgp is het hoogst in de Randstad en dan vooral in de Noordvleugel. In de rest van Nederland zijn het vooral de stedelijke gemeenten die een relatief hoog bgp kennen. Uitzonderingen hierop zijn de kleinere gemeenten met een (deels historisch bepaalde) specifieke economische structuur, zoals Terneuzen in Zeeuws-Vlaanderen en gemeenten in Groningen (o.a. energiebedrijven en olie- en gaswinning). Deze verschillen tussen gemeenten zijn niet alleen het gevolg van verschillen in werkgelegenheid maar ook van verschillen in productiviteit. Figuur 2.2 laat voor een groot aantal stedelijke gemeenten de werkgelegenheidsquote en de gemiddelde productiviteit (het bgp per baan) zien. De indicator bgp per inwoner is het product van de indicatoren toegevoegde waarde per baan en het aantal banen per inwoner. Beide indicatoren met elkaar vermenigvuldigd levert immers de toegevoegde waarde per inwoner op. Uit figuur 2.2 komt naar voren dat steden met een vergelijkbare werkgelegenheidsquote (zoals Amsterdam en Groningen) sterk kunnen verschillen in relatieve productiviteit en omgekeerd dat steden met een vergelijkbare productiviteit (bijvoorbeeld Zwolle en Zaanstad) een heel verschillende werkgelegenheidsquote kunnen hebben. Figuur 2.2 Productiviteit per baan en aantal banen per inwoner Productiviteit

85

Haarlemmermeer Hoge productiviteit, veel werkgelegenheid

Hoge productiviteit, weinig werkgelegenheid

80 75

Amsterdam Almere

70

Sittard-Geleen

s-Hertogenbosch

Rotterdam

65 Amersfoort Ede Breda Heerlen Schiedam Zoetermeer Venlo Den Haag Emmen Apeldoorn Dordrecht Enschede Maastricht Zaanstad Deventer Hengelo Helmond Leiden(O.) Haarlem Tilburg Nijmegen Lelystad Almelo Alkmaar

60 55 50 45

Utrecht Eindhoven Zwolle Groningen Arnhem

Lage productiviteit, veel werkgelegenheid

Lage productiviteit, weinig werkgelegenheid

30%

35%

40%

Leeuwarden

45%

50%

55%

60%

65%

70%

75%

80%

Arbeidsquote

Bron: Atlas voor gemeenten o.b.v Bridgis/BREA, CBS en LISA

12


Dit betekent dat het bgp per inwoner dus een completer beeld geeft van de economische situatie in een gemeente dan het gebruik van het aantal banen per inwoner. Het is wel zo dat het bgp per inwoner sterk samenhangt met het aantal banen per inwoner (de correlatie is 0,74). Gemeenten met relatief veel banen hebben ook een relatief hoog bgp. Het verschil in bgp tussen gemeenten met het hetzelfde aantal banen wordt verklaard door de toegevoegde waarde van deze banen. De combinatie van het aantal banen en het type banen bepaalt dus het bgp per inwoner. De verschillen in bgp per inwoner zijn vervolgens zo goed mogelijk verklaard aan de hand van verschillende kenmerken van een gemeente.

13


3

Verklaringsmodel Het verklaren van verschillen in het economisch ‘presteren’ van regio’s en gemeenten staat centraal in de locatietheorieën uit de stedelijke economie en economische geografie. Deze theorieën bieden verklaringen voor het feit dat economische activiteiten vaak geconcentreerd zijn in steden en waarom bepaalde steden en gemeenen economisch beter presteren dan andere. Op basis van deze theorieën is vervolgens een verklaringsmodel ontwikkeld.

3.1

Locatietheorieën

In de negentiende eeuw zijn er verschillende theorieën ontwikkeld die de ruimtelijke concentratie van industrie verklaren. Een centrale rol is in deze theorieën weggelegd voor de aanwezigheid of nabijheid van grondstoffen, (goedkope) werknemers en aan- en afvoermogelijkheden. In Nederland spelen deze factoren een belangrijke rol in de verklaring waarom DSM zich in Zuid-Limburg bevindt, waarom de textielindustrie zich in Twente vestigde en waarom Rotterdam een petrochemisch cluster heeft. Deze historische padafhankelijkheid verklaart een deel van de huidige locaties en concentraties van economische (en vooral industriële) activiteiten. De historische beslissing om een zeehaven in een bepaalde gemeente aan te leggen (of de beslissing voor de locatie van Schiphol in de gemeente Haarlemmermeer) is immers nog steeds een belangrijke verklaring voor de locatie van bepaalde sectoren in een beperkt aantal gemeenten. Maar deze factoren spelen in de verklaring van verschillen in locatie (en groei) van bijvoorbeeld de dienstensector een veel kleinere rol. In de moderne locatietheorieën spelen andere voordelen dan ook een cruciale rol. 6

De zogenoemde New Economic Geography van Nobelprijswinnaar Krugman benadrukt de voordelen van stedelijke agglomeraties voor bedrijven. Voortbouwend op de inzichten van Marshall uit 1890 benadrukt deze theorie de verschillende externe schaalvoordelen die een ruimtelijke 7

8

6

Zie bijvoorbeeld: A. Weber, 1909, Über den Standort der Industrien (JCB Mohr, Tubingen). P.R. Krugman, 1991: Increasing returns and economic geography, in: Journal of Political Economy, 99, pp. 483-499. 8 Deze schaalvoordelen hebben betrekking op het effect dat uitgaat van een locatie in een regio waar veel andere bedrijven en huishoudens gevestigd zijn: de schaal van de omgeving. Hiermee zijn dit een fundamenteel ander type schaalvoordelen dan de interne schaalvoordelen die samenhangen met de omvang van een individueel bedrijf. 7

14


concentratie van bedrijven en huishoudens biedt voor bedrijven. Op de eerste plaats een grotere keuze uit toeleveranciers (input sharing) waardoor er meer gevarieerde en goedkope inkoopmogelijkheden zijn. Omgekeerd bieden grootstedelijke agglomeraties ook meer afzetmogelijkheden in de directe omgeving (het thuismarktvoordeel). Ook het aanbod potentiële werknemers is in de stad groter waardoor er een betere matching is wat weer tot een hogere productiviteit leidt (labor market pooling). Tot slot zorgt een concentratie van bedrijven en huishoudens voor zogenaamde kennis-spillovers. Kennisuitwisseling – bewust of onbewust – wordt bevorderd door een hoge dichtheid van mensen en zorgt door leereffecten voor een stijging van de productiviteit. Naast omvang gaat het bij kennis-spillovers (maar ook bij het effect van labor market pooling) om de samenstelling van de bevolking en (potentiële) werknemers. Volgens de human capital theorie gaat het economisch beter met steden en gemeenten als er relatief veel hoogopgeleide mensen wonen en werken. Een hoogopgeleide bevolking is productiever dan gemiddeld, besteedt (mede dankzij een hoger inkomen) vaak meer bij lokale bedrijven en is eerder geneigd om zelf een eigen bedrijf te starten. De laatste jaren is daarom ook veel aandacht uitgegaan naar de factoren die ervoor zorgen dat bepaalde steden meer hoger opgeleiden aan zich weten te binden dan andere. De zogenaamde consumer city theorie wijst op het belang van specifiek stedelijke consumptiemogelijkheden - naast de beschikbaarheid van werk - die steden aantrekkelijke woonplekken maken. Het effect van stedelijke voorzieningen op de economie is in deze theorie dan ook indirect. Een relatief ruim aanbod consumptiemogelijkheden maakt een stad relatief aantrekkelijk voor hoger opgeleiden, en leidt daardoor weer tot een hogere economische groei. 9

10

De voordelen van ruimtelijke concentratie hebben echter ook een keerzijde: files, meer overlast en onveiligheid, hogere grond- en vastgoedprijzen en hogere lonen (hoe productiever de werknemer hoe hoger het loon). Dit leidt ertoe dat steden niet oneindig zullen doorgroeien en dat bepaalde sectoren (die minder voordelen ervaren dan andere) de stad uittrekken (industrie of logistiek) terwijl andere (die profiteren van deze voordelen) zich juist

9

E.L. Glaeser, A. Saiz, 2003: The rise of the Skilled City, NBER working paper 10191; C.J. Simon, C. Nardinelli 2002 Human Capital and the rise of American Cities, Regional Science and Urban Economics 32(1): 59-96. 10 E.L. Glaeser, J. Kolko, A. Saiz, 2001: Consumer City, in: Journal of Economic Geography, pp. 27-50.

15


bovengemiddeld in steden bevinden, zoals de financiële en zakelijke dienstverlening. Ten slotte is hierbij cruciaal is dat agglomeratievoordelen (en -nadelen) van ruimtelijke nabijheid tot andere bedrijven en huishoudens niet stoppen bij de grenzen van de stad of gemeente. Gemeenten die vlakbij een grote stad liggen, profiteren natuurlijk ook van het stedelijke aanbod. Voor bedrijven in bijvoorbeeld Haarlem of Diemen zijn de inwoners en bedrijven uit Amsterdam immers ook klanten, toeleveranciers of mogelijke medewerkers die zich binnen acceptabele reistijd bevinden. 11

3.2

Verklaringsmodel bruto gemeentelijk product per inwoner

Samenvattend betekent dit dat verschillen tussen gemeenten in bgp verklaard kunnen worden uit een combinatie van agglomeratievoordelen (externe schaalvoordelen), human capital en innovatie, en geografische (historische) factoren. Op basis van deze inzichten is een model geschat waarbij deze verschillen tussen gemeenten zo goed mogelijk worden verklaard uit variabelen die bovenstaande factoren meten. Tabel 3.1 laat de de coëfficiënten en de T-waarden van de significante variabelen zien voor de verklaring van het bgp per inwoner Twee variabelen voor agglomeratievoordelen zijn (positief) significant: het aantal potentiële werknemers (voor bedrijven in een gemeente) binnen acceptabele reistijd voor en een dummy variabele die aangeeft of een gemeente een stedelijke centrumfunctie vervult . In de eerste indicator wordt rekening gehouden met het feit dat de agglomeratievoordelen niet stoppen bij de gemeentegrens. Gemeenten (met bedrijven) die voor relatief veel potentiële werknemers binnen acceptabele reistijd liggen, hebben gemiddeld een hoger bgp per inwoner. Er is ook getest wat het effect is van de nabijheid van relatief veel andere bedrijven binnen acceptabele reistijd (als indicator voor input sharing). Dit bleek als losse indicator positief significant maar bij het gezamenlijk opnemen van deze indicator en de indicator voor bereikbaarheid voor potentiële werknemers bleek de laatste 12

11

Zie ook: S. Brakman, H. Garretsen en C. van Marrewijk, 2009: The new introduction to geographical economics (Cambridge University Press). In het volgende hoofdstuk worden alle indicatoren uitgebreid beschreven.

12

16


wel significant te zijn en de eerste niet meer. De significante variabele voor gemeenten die als (stedelijk) centrum worden aangeduid komt vooruit uit feit dat deze gemeenten veelal een bovengemiddelde werkgelegenheid hebben omdat er instellingen met een regionale functie zoals ziekenhuizen en hbo-instellingen gevestigd zijn. Hiernaast waren drie variabelen die human capital meten significant: het ruimtelijk gemiddelde van het aandeel hoogopgeleiden, het ruimtelijk gemiddelde van het aandeel middelbaar opgeleiden, en het aandeel (woonachtige) hbo- en WO-studenten in een stad. Het significante effect van de eerste twee indicatoren duidt erop dat niet alleen de omvang, maar ook de samenstelling van het aanbod potentiële werknemers ertoe doet. Onder de categorie human capital zijn ook twee variabelen toegevoegd met betrekking tot de leeftijd van de bevolking. Het aandeel mensen in de leeftijdscategorie 55-65 hangt negatief samen met het bgp per inwoner, wat mogelijk een indicatie is voor de lagere productiviteit van mensen in deze leeftijdsklasse ten opzichte van jongere mensen. Hiernaast bleek het aandeel 65-plussers significant samen te hangen met het bgp per inwoner. Dit duidt op een mogelijk bestedingseffect: 65-plussers beschikken gemiddeld over een relatief groot vermogen, wat mogelijk tot uiting komt in extra bestedingen in de gemeenten. 13

14

Ook verschillende indicatoren die historische en geografische factoren meenemen bleken significant. De locatie van (main-)ports (Schiphol en de aanwezigheid van een (kleine) zeehaven) hangt positief samen met het gemiddelde bgp per inwoner. Gemeenten die – door historische padafhankelijkheid – een zeehaven (of Schiphol) binnen hun grenzen hebben, hebben vaak een bovengemiddeld hoge werkgelegenheid door locatiebeslissingen van grote (industriële) bedrijven die in het verleden specifiek voor bijvoorbeeld de haven naar een gemeente zijn gekomen (bijvoorbeeld de vestiging van Hoogovens/Tata Steel in IJmuiden of Dow Chemical in Terneuzen).

13

Er zijn verschillende onderzoeken naar de relatie tussen leeftijd en productiviteit waarbij er niet een eenduidig beeld naar voren komt (zie bijvoorbeeld J. C. Van Ours en L. Stoeldraijer; 2010. Age, wage and productivity, CentER, Discussion Paper, 2010-12 en OECD; 2006 Ageing and Employment Policies: Live Longer, Work Longer, Paris. Een andere mogelijkheid voor het significant negatieve effect kan zijn dat een groter deel van de mensen in deze leeftijdsklasse niet (meer) werkt vanwege bijvoorbeeld vervroegde uittreding. 14 Zie bijvoorbeeld DNB-bulletin 25-oktober 2012: De vermogens van jong en oud.

17


Hiernaast bleek de omvang van de historisch beschikbare ruimte voor bedrijvigheid significant. Dit impliceert niet dat het aanleggen van bedrijventerreinen direct voor meer werkgelegenheid en een hoger bgp per inwoner zorgt. Met deze indicator wordt gecorrigeerd voor het feit dat er binnen regio’s in sommige gemeenten meer ruimte was voor bedrijvigheid en/of dat er in het verleden besloten is om daar de (regionale) werkgelegenheid te concentreren. Hiernaast blijkt veiligheid – gemeten als inbraken (in bedrijfspanden) per werknemer – negatief samen te hangen met de omvang van het bgp per inwoner. Bedrijfsinbraken zijn gedeeld door het aantal werknemers om te corrigeren voor de omvang van de economische activiteiten. Omdat bedrijfsterreinen vaak wat afgelegen liggen en in de avond veelal verlaten zijn komen bedrijfsinbraken hier relatief vaak voor. Daarom is deze indicator ook onder de categorie bedrijfsterrein gezet. De Index Overlast & onveiligheid bleek niet significant – wat te verklaren is door het feit dat de nadruk hierbij ligt op het perspectief van inwoners en niet van bedrijven. Ten slotte blijken verschillende variabelen voor sectorale structuur significant te zijn. Sectoren met een relatief hoge productiviteit (financieelzakelijke diensten, industrie en nutsbedrijven) hebben een positief effect en sectoren met een relatief lage productiviteit hebben een negatief effect (de bouw, onderwijs en creatieve sectoren) op het bgp per inwoner. Er is hierbij ook getest of het ruimtelijk gemiddelde van het aandeel van de verschillende sectoren een effect heeft (vanuit het theoretische idee dat bedrijven in een bepaalde sector kunnen profiteren van de aanwezigheid van relatief veel bedrijven in dezelfde of gerelateerde sectoren). Deze variabelen bleken echter niet significant te zijn. De omvang van de bedrijfsinvesteringen per werknemer (in het jaar ervoor) heeft een positieve relatie met het bgp per inwoner. Deze gegevens zijn alleen op het niveau van de zogenaamde COROP-regio’s beschikbaar waardoor – noodgedwongen dezelfde waarde per gemeente in een COROP-regio is aangenomen. Het in tabel 3.1 gepresenteerde model blijkt de gemeentelijke verschillen in de relatieve omvang van de economie (redelijk) goed te verklaren. Er is een aantal gemeenten waarbij dit echter minder het geval is. Het zogenaamde residu – het deel van de score van een gemeente dat niet door de significante variabelen wordt verklaard – is voor een aantal gemeenten relatief hoog of juist relatief laag. In gemeenten waar het residu relatief hoog

18


is (veel meer economische activiteiten dan verwacht) zijn er vaak specifieke factoren zoals de vestiging van een omvangrijk bedrijf die daarmee samenhangen (bijvoorbeeld de bloemenveiling in Aalsmeer). Gemeenten met een relatief laag residu (veel minder economische activiteit dan verwacht) zijn onder andere gemeenten waar de bevolking door landelijk woningmarktbeleid snel is gegroeid, zoals Almere of LeidschendamVoorburg, en die voor werk veelal op andere gemeenten is aangewezen (respectievelijk Amsterdam en Den Haag).

19


Tabel 3.1 Wat zijn de achtergronden van het bruto gemeentelijk product per inwoner? Samenhang met bgp per inwoner Coëfficiënt T-waarde AGGLOMERATIEVOORDELEN Bereikbaarheid door 0,007 3,7 potentiële beroepsbevolking Steden met centrumfunctoe 6,68 4,8 HUMAN CAPITAL Aandeel hoogopgeleiden 94,43 1,7 (ruimtelijk gemiddelde) Aandeel middelbaar 186,59 2,8 opgeleiden (ruimtelijk gemiddelde) Woonachtige hbo- en WO86,24 2,5 studenten Aandeel 65-plussers 57,84 2,8 Aandeel 55-64-jarigen -52,70 -2,8 SECTORALE STRUCTUUR Gemiddelde investeringen 0,00035 1,9 bedrijven per werknemer* Aandeel financieel-zakelijke 15,44 1,9 diensten Aandeel maakindustrie 39,03 2,5 Aandeel nutsbedrijven 136,54 2,3 Aandeel onderwijs -62,45 -4,1 Aandeel bouw -21,49 -2,7 Aandeel creatieve -43,01 -2,6 bedrijfstakken (MAIN-)PORTS Schiphol 30,9 9,6 (Main-) ports 12,6 4,3 BEDRIJFSTERREIN Omvang uitgegeven bedrijven129,5 4,3 terreinen (1988-2004) (proxy voor historische verschillen in beschikbare ruimte) Inbraken bij bedrijven -0,062 -1,7 R2=0,45 Een + betekent dat die factor ‘positief‘ samenhangt met het bgp per inwoner (hoe hoger de waarde van die factor, hoe hoger het bgp per inwoner). Een - betekent dat die factor negatief samenhangt met het bgp per inwoner (hoe hoger de waarde van die factor, hoe lager het bgp). *(t-1, coropniveau, in € 1000 )

20


3.3

Overige geteste hypotheses

Op basis van de beschreven theorieën en mogelijke indicatoren voor gemeentelijk beleid zijn ook andere hypotheses geformuleerd. Hiervoor zijn in sommige gevallen geen data gevonden en in andere gevallen bleken deze niet significant te zijn. Tabel 3.2 en tabel 3.3 geven een overzicht hiervan. Tabel 3.2 Geteste hypotheses en indicatoren waarvoor geen data of geen significant effect is gevonden Thema/hypoIndicator Geen data of geen these significant effect? Agglomeratievoordelen

Nabijheid bedrijven/banen (input sharing)

Niet significant (in combinatie met nabijheid potentiële medewerkers)

Nabijheid/ bereikbaarheid bevolking (thuismarkteffect)

Niet significant (in combinatie met nabijheid potentiële medewerkers)

Werk/bevolking over de grens

Niet significant

(Bebouwings)dichtheid

Niet significant

Bevolkingsomvang Woonattracties (‘amenity-index’)

Niet significant Niet significant

Aandeel mbostudenten in bevolking

Niet significant

Ruimtelijk gemiddelde laagopgeleiden

Niet significant

Innovatiekracht

Geen data op gemeenteniveau

Agglomeratienadelen

Filedruk

Niet significant

Sectorale structuur

Aandeel overige (niet in tabel 3.1 weergegeven) sectoren

Niet significant

Human capital en innovatie

21


Tabel 3.3 Geteste hypotheses en indicatoren waarvoor geen data of geen significant effect is gevonden (vervolg) Thema/hypothese Indicator Geen data of geen significant effect? Sectorale structuur Ruimtelijke Niet significant gemiddelde van (aandelen van) sectoren Starters

Aandeel startende ondernemers als % van de bevolking

Kamer van Koophandel, CBS

Geografie en historie

Nabijheid (voormalige) mijnen

Niet significant

Afstand tot Schiphol

Niet significant

Afstand tot Rotterdamse haven

Niet significant

Afstand tot zeehavens

Niet significant

Afstand tot Amsterdam of Utrecht

Niet significant

Nabijheid (voormalige) mijnen

Niet significant

Breedband internet

Geen data op gemeenteniveau

Bewijs van goede dienstverlening

Niet significant

Andere leeftijdsklassen (vergelijk tabel 3.1)

Niet significant

Krimpgemeenten (dalend aantal inwoners de afgelopen jaren)

Niet significant

Gemeentelijk beleid

Bevolking

22


4

Verklarende variabelen De in het uiteindelijke verklaringsmodel (tabel 3.1) gebruikte variabelen zijn afkomstig uit verschillende bronbestanden. Tabel 4.1 en 4.2 geven een overzicht van de definities van de verklarende variabelen en de hiervoor gebruikte bronbestanden. De gebruikte gegevens hebben betrekking op de waarde in het jaar 2010. De reden hiervoor is dat 2010 het meest recente jaar is waarvoor de gebruikte data voor de constructie van de indicator bgp per inwoner beschikbaar is. De brondata zijn bewerkt en gecombineerd door Atlas voor gemeenten. Daarmee ontstaan indicatoren die zo goed mogelijk aansluiten bij de theorie, en ook voor kleinere gemeenten een betrouwbare analyse mogelijk maken. Bovendien zijn in alle gevallen gemeentegrenscorrecties doorgevoerd. Voor de constructie van een aantal indicatoren is gebruikgemaakt van een relatief complexe methode waarbij een gewogen ruimtelijk gemiddelde wordt berekend. De berekening van die indicatoren staat hieronder beschreven. Bereikbaarheid potentiële medewerkers

De indicator bereikbaarheid potentiële medewerkers meet het totaal aantal mensen tussen de 15 en 64 jaar dat binnen– voor deze medewerkers – acceptabele reistijd woont ten opzichte van de bedrijven in een bepaalde gemeente. Hiermee meet deze indicator het zogenaamde voordeel van labor market pooling: hoeveel potentiële medewerkers hebben bedrijven in een bepaalde gemeente tot hun beschikking. Het gaat hierbij dus niet alleen om de omvang van de potentiële beroepsbevolking in de gemeente zelf, maar ook om de omvang van de potentiële beroepsbevolking in andere gemeenten voor zover deze binnen acceptabele reistijd liggen. De ‘acceptabele reistijd’ is gebaseerd op de feitelijke reistijden voor woonwerkverkeer. De beschikbaarheid van medewerkers voor bedrijven is daarom het zogenoemde ruimtelijke gemiddelde van mensen tussen de 15 en 64 jaar, op basis van werkelijke reistijden, en rekening houdend met files. De achterliggende brondata zijn afkomstig van CBS, ESRI en AVV. Ruimtelijk gemiddelde van het opleidingsniveau

Op basis van het aandeel hoog- (hbo en WO) en middelbaar opgeleiden in de beroepsbevolking per gemeente en bovenstaande methode is vervolgens het ruimtelijk gemiddelde van het aandeel hoog- en middelbaar opgeleiden bepaald. 23


Tabel 4.1 Definitie en bronnen van gebruikte verklarende variabelen – dl. 1 Indicator

Definitie

Bereikbaarheid door potentiële beroepsbevolking

Aantal inwoners tussen de 15 en 64 jaar dat binnen de (voor deze inwoners) acceptabele reistijd woont om in potentie te gaan werken voor bedrijven in een gemeente

Centrumfunctie

Dummyvariabele die waarde 1 krijgt als de gemeente functioneert als een centrumstad binnen een regio (definitie gebaseerd op de mate waarin inwoners van gemeenten in de omgeving afhankelijk zijn voor voorzieningen en werk in een 15 andere gemeente)

Atlas voor gemeenten

Aandeel hoogopgeleiden (ruimtelijk gemiddelde)

Het aandeel inwoners tussen de 15 en 64 jaar met een hbo- of WO-opleiding dat binnen acceptabele reistijd woont om in potentie te gaan werken voor bedrijven in een gemeente

CBS; ESRl; AVV

Aandeel middelbaar opgeleiden (ruimtelijk gemiddelde)

Het aandeel inwoners tussen de 15 en 64 jaar met een mboopleiding dat binnen acceptabele reistijd woont om in potentie te gaan werken voor bedrijven in een gemeente

CBS; ESRl; AVV

Woonachtige hbo- en WO-studenten

Studenten op een hbo- of WOinstelling als % van de totale bevolking

CBS

15

Brondatabestanden CBS; ESRl; AVV

Zie voor een uitgebreide omschrijving G. Marlet, C. van Woerkens, Naar een optimale gemeentegrootte. Inleiding Atlas voor gemeenten 2012. Te downloaden via www.atlasvoorgemeenten.nl

24


Tabel 4.2 Definitie en bronnen van gebruikte verklarende variabelen – dl. 2 Indicator

Definitie

Schiphol en (Main-) Ports: aanwezigheid (kleine) zeehaven

Dummyvariabele voor respectievelijk de gemeente Haarlemmermeer, en de volgende groep gemeenten: Rotterdam, Amsterdam, Delfzijl, IJmuiden, Terneuzen, Vlissingen, Eemshaven, Moerdijk en Harlingen

Omvang uitgegeven bedrijventerreinen – 1988 tot en met 2004 (als proxy voor historische verschillen in beschikbare ruimte)

Aantal hectares bedrijventerrein (uit de periode 1988-2004) als percentage van de totale oppervlakte

VGM, IBIS

Inbraken bij bedrijven

Inbraken bij bedrijven als percentage van de werkgelegenheid

IVM, CBS

Aandeel van de sectoren financieelzakelijke diensten, maakindustrie, nutsbedrijven, onderwijs en bouw

Aandeel van de werkgelegenheid in de sectoren die op basis van de beschrijving van de activiteiten onder die SBIcodes vallen die door LISA tot deze sectoren worden 16 gerekend

LISA

Investeringen

Investeringen van bedrijven in euro’s per medewerker (COROP-niveau) Aantal inwoners tussen 55 en 64 jaar en 65 jaar en ouder als % van de totale bevolking

CBS

Aandeel 55-64-jarigen en 65-plussers in de bevolking

16

Brondatabestanden Atlas voor gemeenten

CBS

Zie voor een uitgebreide definitie www.lisa.nl.

25

KING-thema 4: Lokale economie. 20 maart 2013

Recommend Documents