Gemeente Rotterdam

Rotterdam is na Amsterdam de grootste stad van Nederland. Dit brengt een hoop gegevens met zich mee die kunnen bijdragen aan het verkrijgen van nieuwe inzichten en uiteindelijk ook kunnen helpen bij het voeren van beleid. We werken aan een breed scala van onderwerpen en projecten. Denk bijvoorbeeld aan het inzichtelijk maken van informatie d.m.v. dashboards en het creëren van simulatiemodellen. Dit allen om meer inzicht te krijgen vanuit de data en zo het leven van de Rotterdamse burger te verbeteren en de werkzaamheden van de Rotterdamse ambtenaren efficiënter te maken.

GEZOND, VEILIG EN KANSRIJK OPGROEIEN.

Voor het jeugdbeleid wordt door de gemeente Rotterdam gebruik gemaakt van het factorenmodel “Rotterdam Groeit”. Dit is een model samengesteld vanuit de literatuur over de factoren die invloed hebben op het succesvol opgroeien van een kind. Het model is grafisch weergegeven in onderstaande figuur. Het factorenmodel beschikt over een aantal categorieën/doelen zoals: armoede, delinquentie, schoolsucces en werk. Elk van deze categorieën is onderverdeeld in verschillende factoren. Het model brengt in beeld welke factoren van invloed zijn op de verschillende doelen. Veel factoren zijn van invloed op meerdere doelen en van invloed op elkaar. Niet alleen factoren die specifiek tot het kind behoren worden in het factorenmodel meegenomen, maar ook bijvoorbeeld ouder- en buurtfactoren kunnen invloed hebben op hoe een kind zich ontwikkelt tijdens zijn/haar jeugd. 

Deze factoren zijn, waar mogelijk, vertaald naar indicatoren (cijfers). Via de Staat van de Jeugd monitort de gemeente Rotterdam jaarlijks de ontwikkeling op al deze factoren. Bronnen hiervoor zijn onder andere het CBS en de gemeente zelf. Met deze data is het mogelijk om het factorenmodel te toetsen aan de praktijk. Vragen als: ‘welke factoren hebben invloed op een succesvolle schoolcarrière?’ en ‘welke factoren dragen bij aan kansen op het gebied van werk?’ komen hierbij naar voren. Is het mogelijk om aan de hand van deze analyses het factorenmodel met Rotterdamse data te ondersteunen en misschien factoren te vinden die ontbreken?

PROBLEEM

RESULTAAT

Tijdens dit onderzoek is de eerste stap gemaakt in het bouwen van een datagedreven beleidsmodel. Veel van de uitkomsten bevestigen wat vanuit het factorenmodel al bekend was, maar voor het trekken van harde conclusies zijn meer analyses nodig en is het belangrijk dat de cohorten worden uitgebreid. Daarnaast zijn er ook interessante verbanden naar voren gekomen tussen factoren onderling, die vragen hebben opgeworpen voor vervolgonderzoek.

Veel van de beschikbare data is voor verschillende jaren beschikbaar en dit zorgt ervoor dat er veel moeilijkheden ontstaan wanneer het gaat over het vergelijken van de factoren. Om een zo consistent mogelijke dataset te verkrijgen is gekozen om cohorten te maken van Rotterdamse kinderen gebaseerd op geboortejaar. Hierdoor is voor elk persoon in deze dataset dezelfde informatie beschikbaar. Dit resulteert in betere vergelijkingen. 

Er is uiteindelijk gekozen voor het onderzoeken van drie verschillende uitkomsten, namelijk:

  • Schoolsucces (zittenblijven, opstroom en afstroom)
  • Kansen op gebied van werk (bijstandsuitkering)
  • Crimineel gedrag (verdachte van strafbaar feit)

Voor bijvoorbeeld de uitkomst bijstandsuitkering zijn de kinderen geboren in 1995 (cohort 1) en 1996 (cohort 2) apart geanalyseerd. In onderstaand figuur is grafisch weergegeven hoe dit is gedaan.

Voor deze twee cohorten zijn de gegevens van één jaar voor de geboorte tot en met 18 jaar oud gebruikt als voorspellers/indicatoren. Daarna is gekeken of het kind tussen de leeftijd 19 tot en met 22 in de bijstand is gekomen. Voor alle drie de uitkomsten zijn eigen cohorten samengesteld. De reden van twee cohorten is om de inzichten van cohort 1 te toetsen aan cohort 2. Dit zodat de uitkomsten minder geboortejaar afhankelijk zijn.

Om verbanden tussen de uitkomsten en indicatoren en de indicatoren onderling te toetsen is gebruik gemaakt van de Chi-kwadraat test en de Pearson correlatie test. Wanneer deze testen een mogelijk verband tonen is door middel van kruistabellen gekeken hoe dit verband precies in elkaar steekt. 

AANPAK

Gerelateerd artikel

Techday augustus

| Data for Good | No Comments
Waarom zijn recommender systemen één van dé succesverhalen op het gebied van AI en machine learning? Deze systemen bieden voor…