Naar een analysemodel voor de stad

Transcriptie

1 Naar een analysemodel voor de stad Modelontwikkeling en mogelijke toepassingen Gerard Marlet Clemens van Woerkens

2 Stichting Atlas voor gemeenten is eind december 2003 opgericht door Gerard Marlet en Clemens van Woerkens, voormalig onderzoekers van NYFER, en makers van de Atlas voor gemeenten. De onderzoekers van stichting Atlas voor gemeenten houden zich bezig met ruimtelijk-economisch onderzoek, en stellen zich daarbij ten doel de verschillen tussen Nederlandse wijken, steden en regio s zo precies mogelijk te beschrijven en te verklaren. Daarvoor wordt gebruikgemaakt van een rijk gevulde databank met veel originele en unieke gegevens over alle Nederlandse gemeenten en regio s. Gerard Marlet en Clemens van Woerkens zijn tevens verbonden aan de Utrecht School of Economics, Universiteit Utrecht. Eindredactie: Nadine van den Berg Stichting Atlas voor gemeenten Postbus GP UTRECHT T F E info@atlasvoorgemeenten.nl I Stichting Atlas voor gemeenten, Utrecht, december 2007 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.

3 Naar een analysemodel voor de stad Modelontwikkeling en mogelijke toepassingen

4 Inhoud 1 Inleiding 5 2 Een analysemodel voor de stad 7 3 Effectmeting van stedelijk beleid Nulmeting en midtermmeting Effectmeting 34 4 Beleidsprioriteiten stellen 37 Grafiekenpagina s 44

5 1 Inleiding In het kader van de discussie rond de (toekomstige) ontwikkeling van steden en de toekomst van stedelijk beleid is door de onderzoekers van stichting Atlas voor gemeenten een model ontwikkeld waarmee de omvang, aard en achtergronden van stedelijke problemen (en kansen) in kaart kunnen worden gebracht. Dat analysemodel was in eerste instantie een theoretisch model dat liet zien welke specifiek stedelijke problemen zich in de Nederlandse steden voordoen en welke factoren en mechanismen daarop van invloed zouden kunnen zijn. Het aanvankelijke doel was om daarmee de ontwikkelingen in steden te kunnen verklaren. Vervolgens is het model ingezet om de toekomstige ontwikkeling van steden op relevante indicatoren in kaart te brengen, 1 en daar het juiste beleidsrecept tegenover te stellen. 2 Inmiddels is het model op verschillende onderdelen en voor verschillende doeleinden empirisch getoetst en zijn verschillende publicaties verschenen waarin verslag wordt gedaan van die empirische analyses. 3 Naar aanleiding van de Midterm Review van GSB III ontstond de vraag of en op welke wijze het analysemodel dienst zou kunnen doen voor het meten van de effecten van GSB III. In dit rapport wordt die vraag beantwoord. Voor die inventarisatie zijn diverse presentaties gegeven aan vertegenwoordigers van steden. Bovendien zijn met het analysemodel voor enkele steden gedetailleerde analyses uitgevoerd. Uit die confrontatie met beleidsmakers is gebleken dat het analysemodel behalve voor het verklaren van verschillende verschijnselen in de stad en het meten van effecten van beleid, ook uitermate geschikt is om vooraf een diagnose te stellen van de aard en achtergronden van de problemen in een stad en daar de juiste beleidsprioriteiten bij te stellen. 1 A. Buys, G.A. Marlet, e.a., 2006: Nederland in Bouwstenen voor een toekomstverkenning (Stichting Atlas voor gemeenten, Utrecht / RIGO, ). 2 Ministerie van BZK, 2006: Steden van morgen. Keuzes voor vandaag (Den Haag). 3 Marlet, G.A., Van Woerkens, C.M.C.M., 2007: The Dutch Creative class and how it fosters urban employment growth, in: Urban Studies, 44, 13, 1-21; Marlet, G.A., Van Woerkens, C.M.C.M., 2005: Tolerance, aesthetics, amenities or jobs? Dutch city attraction to the creative class, Discussion Paper Series 05-33, Utrecht School of Economics, Universiteit Utrecht; G.A. Marlet, C.M.C.M. van Woerkens, 2007: Regionale verschillen in kansen voor arbeidsmarktbeleid, in: Verschil maken. Drie jaar Wet werk en bijstand, Divosa-monitor 2007 (Divosa, Utrecht); G.A. Marlet, C.M.C.M. van Woerkens, 2007: Op weg naar Early Warning. Omvang, oorzaak en ontwikkeling van problemen in de wijk (Stichting Atlas voor gemeenten, Utrecht). 5

6 Daarmee komt het aantal mogelijke toepassingen van het analysemodel op drie: Verklaren (van verschijnselen en mechanismen in de stad); Effectmeting van stedelijk beleid; (Per stad) beleidsprioriteiten stellen. In deze rapportage wordt het analysemodel voor de stad allereerst nog een keer kort uitgelegd, wordt aangegeven wat de stand van zaken is met de empirische toetsing en worden enkele aanpassingen besproken met het oog op bovenstaande doelen (hoofdstuk 2). Vervolgens wordt de toepasbaarheid van het model besproken, niet alleen de toepasbaarheid voor de genoemde ex-post nulmeting, midtermmeting en effectmeting van stedelijk beleid (hoofdstuk 3), maar in hoofdstuk 4 ook de toepassingsmogelijkheden voor het ex-ante prognosticeren van mogelijke beleidseffecten en het stellen van beleidsprioriteiten (generiek of per stad). 6

7 2 Een analysemodel voor de stad In de jaren zestig en zeventig van de vorige eeuw verlieten huishoudens massaal de stad. De inkomens waren na de oorlog fors gestegen, en steeds meer mensen konden zich een auto permitteren. Die mensen hoefden voortaan niet meer dicht bij hun werk in de stad te wonen. Ze konden zich een groter huis in een groene woonomgeving buiten de stad veroorloven. 4 In Nederland hielp ook het groeikernenbeleid mee aan dat proces van suburbanisatie, omdat buiten de steden aantrekkelijke huizen werden gebouwd. Na de trek uit de stad, van zowel huishoudens als bedrijven, bleven de lagere inkomensgroepen die zich geen auto en geen groot huis konden permitteren achter in de stad. In de steden ontstond zo een concentratie van sociale, economische en milieuproblemen; werkloosheid, armoede, verkrotting, onveiligheid, luchtvervuiling en congestie. 5 Dit klassieke beeld van de oorsprong van stedelijke problemen ligt in Nederland ten grondslag aan het type beleid dat we nu Grotestedenbeleid noemen. Al sinds de jaren zestig zijn bestuurders van de grote steden in Nederland zich bewust van de relatieve neergang van de steden ten opzichte van het ommeland. En al sinds de jaren zestig is er een roep om specifiek beleid voor steden. Die roep heeft uiteindelijk geresulteerd in het Grotestedenbeleid. 6 Succesvolle steden Dat traditionele beeld van stedelijke problemen is deels echter achterhaald. Gaandeweg de jaren negentig bleken veel maar niet alle! steden weer in trek te zijn geraakt bij jonge, hoogopgeleide alleenstaanden en tweeverdieners. Eerder was deze reurbanisatietendens in de VS al zichtbaar geweest. Daar bleek dat jonge hoogopgeleide huishoudens het aanbod aan stedelijke voorzieningen zoals cultuur, horeca en uitgaansleven weer meer gingen waarderen en die voorzieningen weer graag dicht bij huis wilden hebben. 7 4 Margo, 1992: Explaining the postwar suburbanization of population in the United States: the role of income, in: Journal of urban economics, 31, p P.C. Ceshire, D.G.Hay, 1989: Urban problems in western Europe. An economic Analysis (Unwin Hyman, London). 6 N. van Putten, 2006: Terug naar de stad. Een kleine geschiedenis van het Grotestedenbeleid (Ministerie van BZK, Den Haag) 7 Zie bijvoorbeeld: E.L. Glaeser, J.M. Shapiro, 2003: Urban growth in the 1990s: Is city living back?, in: Journal of regional science, 43, 1, pp

8 Die veranderende modes kunnen ook in Nederland een deel van de verklaring bieden voor de hernieuwde aantrekkingskracht van enkele steden. Maar ook het feit dat het stedelijke beleid het opknappen van steden al in volle gang was kan hieraan debet zijn. In die succesvolle steden zijn problemen echter niet afwezig, ze hebben alleen een andere oorsprong. In succesvolle steden is vaak sprake van een toenemende tweedeling tussen kansrijk en kansarm. Er concentreren zich niet langer alleen maar kansarme bevolkingsgroepen. De stedelijke bevolking bestaat voor een groot deel juist uit kansrijke, jonge hoogopgeleiden. Maar daarnaast blijft de relatief grote voorraad sociale huurwoningen in die steden bevolkt door een veel kansarmere bevolkingsgroep. Die laatste groep komt door een mismatch van vraag en aanbod op de arbeidsmarkt vaak niet in aanmerking voor de vele economische kansen die de succesvolle steden bieden. Die grote verschillen leiden tot frustratie bij mensen die de kansen die ze om zich heen zien niet kunnen grijpen. En die frustratie leidt vaak tot crimineel gedrag en dus onveiligheid in de stad. 8 Complexe stedelijke problemen Door de hernieuwde populariteit van veel steden zijn er grote verschillen ontstaan tussen Nederlandse steden. Enerzijds zijn er steden die in trek zijn bij de midden- en hogere inkomensgroepen, en anderzijds zijn er steden waaraan de reurbanisatietendens voorbij lijkt te zijn gegaan. In die laatste groep steden is nog steeds sprake van een concentratie van zwakkere bevolkingsgroepen en de daarbij horende problemen. In de eerste groep steden wonen in toenemende mate zowel kansrijke als kansarme bevolkingsgroepen. Die verschillen tussen (en binnen) de Nederlandse steden zorgen voor een toenemende complexiteit en diversiteit van de aard en achtergronden van stedelijke problemen. Die toenemende complexiteit heeft de onderzoekers van stichting Atlas voor gemeenten aangespoord tot het ontwikkelen van een analysemodel waarmee de verschillende varianten en achtergronden van stedelijke problemen kunnen worden doorgrond en verklaard. Dat heeft geleid tot een analysemodel waarmee in theorie de (achtergronden van) problemen in 8 Zie o.a. R.G. Wilkinson, I. Kawachi and B.P. Kennedy, Mortality, the social environment, crime and violence, in: Sociology of Health and Illness, 20, 1998, ; G.A. Marlet, C.M.C.M. van Woerkens, 2006: Wie de jeugd heeft, in: Atlas voor gemeenten 2006 (Stichting Atlas voor gemeenten, Utrecht). 8

9 steden in het algemeen, en voor elke stad afzonderlijk, beter kunnen worden begrepen. Dat model is schematisch weergegeven in de figuur op de volgende pagina. 9

10 Figuur 2.1 Schematische weergave van het analysemodel voor de stad Economie Economie Agglomeratie Agglomeratie en en stedelijkheid stedelijkheid Stichting Atlas voor gemeenten Arbeidsparticipatie Arbeidsparticipatie Overlast Overlast & & onveiligheid onveiligheid Bevolkingssamenstelling Bevolkingssamenstelling Woonomgeving Woonomgeving Aard en achtergronden van stedelijke problemen Het analysemodel voor de stad heeft als doel de aard en achtergronden van stedelijke problemen (en kansen) in kaart te brengen. De stedelijke problemen hebben enerzijds betrekking op een overmatige concentratie van economische achterstanden en leefbaarheidsproblemen in (delen van) steden en anderzijds op files, geluidshinder, milieuvervuiling en andere zogenoemde agglomeratienadelen. 9 De meeste van die stedelijke problemen 9 S. Brakman, H. Garretsen, C., van Marrewijk, 2001: An introduction to geographical economics (Cambridge University Press). 10

11 vallen in het analyseschema (figuur 2.1) binnen de rode kaders: arbeidsparticipatie (sociaal-economische achterstanden) en overlast & onveiligheid. De genoemde agglomeratienadelen vallen vanzelfsprekend binnen het kader agglomeratie en stedelijkheid. Het doel van het analysemodel is te achterhalen welke mechanismen en factoren in de stad van invloed zijn op die problemen en op welke wijze die met beleid te beïnvloeden zijn. Daarbij is vooral ook gezocht naar oorzaak en gevolg in die stedelijke mechanismen, want in de discussie over stedelijke problemen worden problemen en oorzaken van die problemen vaak door elkaar gebruikt; er wordt onvoldoende rekening gehouden met de onderlinge samenhang. Werkloosheid en veiligheid zijn zonder enige twijfel stedelijke problemen. Maar een groot aandeel niet-westerse allochtonen in een stad is op zich geen probleem, hoewel het waarschijnlijk wel samenhang met die problemen vertoont. Visueel kan het schema dan ook grotendeels als volgt worden geïnterpreteerd: een (deel van) de problemen in de stad (de rode kaders) kan worden verklaard uit de overige factoren uit het schema (de blauwe kaders). Hieronder worden die veronderstelde causale relaties een voor een verder toegelicht. Oorzaak en gevolg De kwalificatie causale relatie dient met voorzichtigheid te worden gehanteerd. De in het schema weergegeven pijlen zijn op de theorie gebaseerde hypothetische oorzaak-gevolgrelaties. Maar die relaties sluiten niet bij voorbaat de omgekeerde richting van het verband uit. Bij de empirische toetsing van het model moet daarmee rekening worden gehouden. Overigens is in veel gevallen de omgekeerde causaliteit vanuit theoretisch oogpunt niet of nauwelijks te verwachten. Veel factoren uit het blokje agglomeratie en stedelijkheid hebben bijvoorbeeld te maken met de geografische ligging en ontstaansgeschiedenis van de stad en zijn binnen dit model zonder al te veel problemen als zuiver exogeen aan te merken. Dat geldt ook voor veel factoren uit het blokje woonomgeving, omdat veel van die factoren (in Nederland) puur het resultaat zijn van beleid, zoals de kenmerken van de woonomgeving en het voorzieningenniveau in de stad. Daar waar twijfel blijft bestaan over de richting van de causale relatie en de exogeniteit van de indicatoren is en zal daar bij de empirische toetsing van het model en de interpretatie van de resultaten vanzelfsprekend rekening mee worden gehouden. Vanwege de vele, veronderstelde causale relaties en 11

12 de rijkdom aan indicatoren is het model overigens uitstekend geschikt om dat vermeende endogeniteitsprobleem te testen en daar middels zogenoemde instrumental variables 10 een oplossing voor te vinden. Arbeidsparticipatie De mate van arbeidsparticipatie, of omgekeerd: werkloosheid, in een stad is in theorie te verklaren uit zowel de vraag- als de aanbodkant van de arbeidsmarkt. Aan de vraagkant gaat het vanzelfsprekend om de regionale vraag naar arbeid, ofwel: de beschikbaarheid van banen en de sectorale verdeling van die banen (in het schema vallen die factoren binnen het kader economie ). Een eenzijdige, industriële werkgelegenheidsstructuur blijkt bijvoorbeeld te leiden tot een relatief hoge werkloosheid, sectorale diversiteit daarentegen juist tot lage werkloosheid. 11 Aan de andere kant zijn de kenmerken van het aanbod van belang, ofwel de persoonlijke vaardigheden en het kennisniveau van potentiële werknemers. Werkloosheid in een stad of regio hangt dan ook in hoge mate af van de verschillende kenmerken van de bevolking op het gebied van opleiding, leeftijd, etniciteit en samenstelling van de huishoudens. 12 Die kenmerken van de bevolking vallen binnen het causale schema onder het blokje bevolkingssamenstelling. Werkloosheid en/of arbeidsparticipatie zijn in theorie dus enerzijds te verklaren door de economische kansen die een stad biedt en anderzijds de bevolkingssamenstelling van een stad. In het causale schema zijn er dan ook pijlen getrokken die vertrekken vanuit het blokje economie en bevolkingssamenstelling en die eindigen bij het blokje arbeidsparticipatie. Dit deel van de veronderstelde, causale relaties in het analysemodel is empirisch getoetst in een onderzoek naar de verschillen in bijstandsniveau tussen gemeenten. In tabel 2.1 zijn de resultaten weergegeven. In de tabel zijn de resultaten getoond uit een meervoudige regressieanalyse met het op 10 Endogeniteitsproblemen kunnen worden opgelost door een verklarende variabele waarvoor twijfel bestaat aan de exogeniteit eerst in een meervoudige regressieanalyse te verklaren uit andere factoren die wel zuiver exogeen zijn. Vervolgens wordt in het model niet de waarde van de variabele zelf maar de voorspelde waarde uit dat tweede model ingevuld. Omdat die waarde voorspeld wordt uit indicatoren die zuiver exogeen zijn, is ook de geïnstrumenteerde waarde van de verklarende variabele zuiver exogeen en wordt een mogelijk endogeniteitsprobleem dus voorkomen. 11 Overman, H.G., Puga, D., 2002: Unemployment clusters across Europe's regions and countries, in: Economic Policy, pp ; K. Frenken, F.G. van Oort, T. Verbugt, R. Boschma, 2004: Variety and regional economic growth in the Netherlands (Ministerie van Economische Zaken, Den Haag). 12 Ibidem, en: Ashenfelter, O. and J. Ham, Education, Unemployment and Earnings. Journal of Political Economy, vol.87, no.5, S99-S

13 basis van een shift-share-analyse voor demografische kenmerken gecorrigeerde bijstandsniveau als afhankelijke variabele. Tabel 2.1 Wat verklaart verschillen in het bijstandsniveau tussen gemeenten (2006)? Effect op bijstandsniveau ECONOMIE Kansen op de arbeidsmarkt voor laagopgeleiden - Kansen op de arbeidsmarkt voor hoogopgeleiden - BEVOLKINGSSAMENSTELLING Aandeel arbeidsongeschikten in de beroepsbevolking - Aandeel Marokkanen in de beroepsbevolking + Aandeel Turken in de beroepsbevolking + Aandeel Antilianen in de beroepsbevolking + Aandeel overige niet-westerse allochtonen in de beroepsbevolking + Aandeel laagopgeleiden in de beroepsbevolking + - = indicator verlaagt het bijstandsniveau in de gemeente (hoe hoger, hoe minder bijstand) + = indicator verhoogt het bijstandniveau in de gemeente Verklaringskracht totale model (adj. R 2 ): 78 % Alleen significant verklarende variabelen (bij een 99%-betrouwbaarheidsinterval) zijn in deze tabel getoond. Bron: G.A. Marlet, C.M.C.M. van Woerkens, 2007: Regionale verschillen in kansen voor arbeidsmarktbeleid, in: Verschil maken. Drie jaar Wet werk en bijstand, Divosa-monitor 2007 (Divosa, Utrecht). De verschillen in bijstandsniveau tussen Nederlandse gemeenten bleken voor een deel te verklaren te zijn uit kenmerken van de bevolking, met name leeftijd en huishoudensamenstelling, etnische afkomst en opleidingsniveau. Een andere belangrijke verklaring bood een complexe indicator voor de 13

14 vraagkant van de arbeidsmarkt die zowel rekening houdt met de regionale beschikbaarheid van banen, de sectorale werkgelegenheidsstructuur als de regionale concurrentie van potentiële werknemers om die banen. 13 Die indicator drukt de kansen op de arbeidsmarkt voor de verschillende inwoners van een stad uit en bleek de belangrijkste verklaring te bieden voor de verschillen in bijstandsniveau. Economie De economische omstandigheden in een stad bieden dus een belangrijke verklaring voor de vraag of in die stad veel mensen meedoen op de arbeidsmarkt of dat juist veel mensen werkloos zijn. De economie van een stad is op haar beurt in theorie natuurlijk ook weer afhankelijk van een veelheid aan indicatoren. Ook daarin speelt de samenstelling van de bevolking weer een belangrijke rol. Het economische wel en wee van een stad blijkt in theorie namelijk in belangrijke mate afhankelijk van de kwaliteiten van de bevolking, ofwel: de voorraad human capital. 14 Daarnaast speelt ook de mate van agglomeratie weer een belangrijke rol bij het verklaren van de verschillen in economische groei tussen steden. Steden in geagglomereerde regio s 15 met een diverse sectorale structuur 16 zijn in theorie steden die het economisch beter doen dan steden met een eenzijdige sectorale structuur in een meer perifeer gelegen regio. 17 In het schema vertrekken dan ook zowel pijlen vanuit agglomeratie en stedelijkheid als vanuit bevolkingssamenstelling richting economie. Dit deel van de veronderstelde causale relaties is door de onderzoekers van stichting Atlas voor gemeenten uitgebreid empirisch getoetst met het oog op het belang van de modieuze creatieve klasse voor de stad in het licht van de aloude human capital theorie. 18 Uit die studie bleek dat de werkgelegenheid in Nederlandse steden inderdaad harder groeit in steden met weinig files 13 Zie voor een gedetailleerde uitleg van die indicator: G.A. Marlet, C.M.C.M. van Woerkens, 2007: Regionale verschillen in kansen voor arbeidsmarktbeleid, in: Verschil maken. Drie jaar Wet werk en bijstand, Divosa-monitor 2007 (Divosa, Utrecht) 14 Zie bijvoorbeeld: Lucas, R.E., 1988: On the mechanism of economic development, in: Journal of monetary economics, 22, pp. 3-42; V. K. Mathur 1999: Human-capital-based strategy for regional economic development, Economic Development Quarterly XIII (1999), 3, pp ; Glaeser, Saiz, 2003: The rise of the skilled city, NBER Working Paper Krugman, P.R., 1995: Development, geography and economic theory, MIT Press, Cambridge Mass. 16 Jacobs, 1984: Cities and the wealth of nations. 17 Zie ook: Van Oort, F.G., 2002: Agglomeration, economic growth and innovation. Spatial analysis of growth- and R&D externalities in the Netherlands (Tinbergen Institute research series ; no. 260,, Thela Thesis) 18 Marlet, G.A., Van Woerkens, C.M.C.M., 2007: The Dutch Creative class and how it fosters urban employment growth, in: Urban Studies, 44, 13,

15 (agglomeratienadelen), veel human capital (kennis, creativiteit en vaardigheden) en een diverse sectorale structuur. Bevolkingssamenstelling De samenstelling van de bevolking in een stad lijkt in het analyseschema een spilfunctie te vervullen. Vanuit dat blok vertrekken maar liefst drie pijlen: de samenstelling van een stad is in theorie zowel belangrijk voor de lokale economie en de arbeidsparticipatie als voor de veiligheid in de stad (zie hieronder). De samenstelling van de bevolking in een stad wordt op haar beurt in theorie weer verklaard uit de economische kansen die zo n stad biedt (in het schema de pijl van economie naar bevolkingssamenstelling ). De kans op een baan in en vanuit een stad biedt een belangrijke verklaring voor de aantrekkingskracht van steden op mensen met een hogere opleiding en mensen uit de midden- en hogere inkomensgroepen. Met name tweeverdieners blijken veelal een strategische woonplaatskeuze te maken van waaruit de carrièrekansen van beide partners optimaal zijn. 19 Daarnaast speelt de woonomgeving een belangrijke rol. Niet alleen de kwaliteit van de woning en de woonomgeving zelf, maar ook het voorzieningenniveau in de stad en de mate waarin mensen zich in de stad en de omgeving van de stad kunnen vermaken (de zogenoemde amenities). 20 Er zijn in het schema dan ook twee pijlen die wijzen in de richting van het blok bevolkingssamenstelling : één die vertrekt vanuit economie en één die vertrekt vanuit woonomgeving. Bovendien is er een pijl van overlast & onveiligheid naar woonomgeving die aanduidt dat ook overlast en onveiligheid onderdeel uitmaken van de kwaliteit van de woonomgeving en dus in theorie van invloed zijn op de bevolkingssamenstelling in een stad. Dit deel van de veronderstelde causale relaties wordt uitgebreid getoetst in lopend onderzoek door de onderzoekers van stichting Atlas voor gemeenten. Eerste resultaten laten zien dat de samenstelling van de bevolking van een stad inderdaad afhankelijk is van enerzijds de 19 D. Costa, E. Kahn, 2000: Power couples: Changes in the locational choice of the college educated, , in: Quarterly Journal of Economics, 115, 4, pp ; J. Compton, R.A. Pollak, 2004: Why are power couples increasingly concentrated in large metropolitan areas, NBER Working Paper 10918; Crozet, M., Do migrant follow market potential? An estimation of a new economic geography model. Journal of Economic Geography 4(4): P. Cheshire, S. Sheppard, 1995: On the price of land and the value of amenities, in: Economica, 62, 246, pp ; Glaeser, E.L., Kolko, J., Saiz, A., 2000: Consumer city (Working paper series, nr. 7790, Cambridge MA, National Bureau of Economic Research), p. 12; T.N. Clark, 2003: Urban amenities: lakes, opera, and juice bars do they drive development?, in: The city as an entertainment Machine, Research in Urban Policy, 9, pp

16 beschikbaarheid van banen en anderzijds van de kwaliteit van de woonomgeving en het voorzieningenniveau in de stad. 21 Overlast en onveiligheid Tot slot wordt de mate van overlast en onveiligheid in een stad of wijk in theorie verklaard uit alle andere factoren die in het analyseschema zijn opgenomen. Vanuit alle blokken in het schema vertrekt een pijl naar het blok overlast & onveiligheid. Het eerste veronderstelde causale pad loopt van een ongunstige bevolkingssamenstelling naar werkloosheid, naar problemen met overlast en onveiligheid. Zowel de hoge werkloosheid onder de stedelijke bevolking als de ongunstige bevolkingssamenstelling op zich (opleidingsniveau, etnische afkomst) vormen een verklaring voor overlast en onveiligheid in de stad. 22 Deze paden hebben alle hun oorsprong in een ongunstige bevolkingssamenstelling in de steden. Het tweede causale pad loopt van agglomeratie naar economie en vervolgens naar arbeidsparticipatie en overlast en onveiligheid. Dit causale pad is allereerst gebaseerd op moderne agglomeratietheorieën. 23 In de meest geagglomereerde regio s zijn veel banen en dus veel kansen op de arbeidsmarkt. Als gevolg daarvan zal de werkloosheid daar over het algemeen lager zijn dan in meer perifere regio s. Met als direct gevolg minder problemen met onveiligheid. Het voordeel van ligging in een geagglomereerde regio veel banen heeft automatisch overigens ook weer een (agglomeratie)nadeel in zich: files. Die files frustreren de beschikbaarheid van banen weer, en als gevolg daarvan de kansen op de arbeidsmarkt. Files leiden via afnemende kansen op de arbeidsmarkt weer tot werkloosheids- en veiligheidsproblemen. Maar files zijn op zich natuurlijk ook een probleem, en een belangrijke maatschappelijke kostenpost. Werkloosheid en leefbaarheidsproblemen zijn zoals gezegd niet afwezig in de steden in economisch succesvolle regio s. Ondanks de vele banen blijven veel van de minder gekwalificeerde bewoners van de stad buiten spel staan. 21 Zie voor een aantal eerste resultaten: Marlet, G.A., Van Woerkens, C.M.C.M., 2005: Tolerance, aesthetics, amenities or jobs? Dutch city attraction to the creative class, Discussion Paper Series 05-33, Utrecht School of Economics, Universiteit Utrecht. 22 Zie voor een empirische analyse van de relatie tussen werkloosheid en bevolkingskenmerken enerzijds en veiligheids- en leefbaarheidsproblemen anderzijds: G.A. Marlet, C.M.C.M. van Woerkens, 2006: Wie de jeugd heeft, in: Atlas voor gemeenten 2006 (Stichting Atlas voor gemeenten, Utrecht), en: G.A. Marlet, C.M.C.M. van Woerkens, 2006: Het model achter de kanskaart, in: De kanskaart van Nederland (SEV, Rotterdam). 23 Krugman, P.R., 1995: Development, geography and economic theory (MIT Press, Cambridge Mass). 16

17 En juist die combinatie van kansen en desondanks werkloosheid blijkt het recept voor sociale spanningen en crimineel gedrag. 24 De twee pijlen van economie en van arbeidsparticipatie naar overlast & onveiligheid geven dat mechanisme weer. Tot slot biedt de omvang van een stad en agglomeratie op zich al een verklaring voor de omvang van de veiligheidsproblemen in een stad. Dat heeft te maken met de grotere opbrengsten en de lagere pakkans (anonimiteit) in grotere steden en agglomeraties. 25 De tweede veronderstelde causale route leidt dus tot dezelfde problemen als de eerste: werkloosheid en onveiligheid. Maar hij heeft een andere oorsprong: geografische ligging; de beschikbaarheid van banen en de omvang van stad en agglomeratie. Op basis van die hypotheses is de mate van overlast en onveiligheid op wijkniveau met meervoudige regressieanalyses verklaard uit zoveel mogelijk factoren die daarop in theorie van invloed zijn. 26 Uit die studie bleek dat langdurige werkloosheid en jeugdwerkloosheid (in het causale schema onder het kopje arbeidsparticipatie ) een belangrijke verklaring bieden voor overlast en onveiligheid in de wijk, vooral in een kansrijke omgeving (onder het kopje economie ). Daarnaast bieden ook de samenstelling van de bevolking en de fysieke kwaliteit van de woonomgeving een belangrijke verklaring. In tabel 2.2 zijn de resultaten uit die studie samengevat en geordend op basis van de blokken uit het causale schema (tegen de klok in, te beginnen bij woonomgeving). 24 Zie o.a. R.G. Wilkinson, I. Kawachi and B.P. Kennedy, Mortality, the social environment, crime and violence, in: Sociology of Health and Illness, 20, 1998, Glaeser, E. L. Sacerdote, B., 1996: Why Is There More Crime in Cities?, NBER Working Paper No. W G.A. Marlet, C.M.C.M. van Woerkens, 2007: Op weg naar Early Warning. Omvang, oorzaak en ontwikkeling van problemen in de wijk (Stichting Atlas voor gemeenten, Utrecht). Zie ook: 17

18 Tabel 2.2 Wat zijn de achtergronden van leefbaarheidsproblemen? Effect op overlast & onveiligheid WOONOMGEVING Percentage hoogbouw + Percentage sociale huurwoningen + Tevredenheid met de bebouwde omgeving - Gemiddelde bouwperiode (bloemkoolwijken) + Aantal winkels (voor dagelijkse boodschappen) + Aantal winkels met veel jongeren van 0-19 jaar in de + buurt Aantal scholen voor basisonderwijs + Aantal cafés in de wijk + Nabijheid binnenstad + BEVOLKINGSSAMENSTELLING Aandeel jongeren 0-9 jaar - Aandeel jongeren jaar + Aandeel ouderen Ruimtelijk gemiddelde van het aandeel Marokkanen + Ruimtelijk gemiddelde van het aandeel Antilianen + Gevoel van saamhorigheid onder de bevolking - ARBEIDSPARTICIPATIE Aandeel langdurig werklozen (> 3 jr.) + Aandeel hogere inkomensgroepen - Aandeel zelfstandigen - ECONOMIE (interactie met arbeidsparticipatie) Kruitvat-indicator (aandeel langdurig werklozen in een kansrijke omgeving) Kruitvat-indicator jongeren (aandeel werkloze jongeren in een kansrijke omgeving) AGGLOMERATIE Omvang van de stad + - = indicator verlaagt het niveau van overlast & onveiligheid in de gemeente (hoe hoger, hoe minder overlast en onveiligheid) + = indicator verhoogt het niveau van overlast en onveiligheid in de gemeente Verklaringskracht totale model (adj. R 2 ): 68 % Alleen significant verklarende variabelen (bij een 99%-betrouwbaarheidsinterval) zijn in deze tabel getoond. Bron: G.A. Marlet, C.M.C.M. van Woerkens, 2007: Op weg naar Early Warning. Omvang, oorzaak en ontwikkeling van problemen in de wijk (Stichting Atlas voor gemeenten, Utrecht)

19 Figuur 2.2 Indicatoren in het analysemodel (voorlopig) werkgelegenheid sectorale structuur kansen op de arbeidsmarkt zelfstandigen omvang agglomeratie omvang stad bereikbaarheid/files Economie Economie Agglomeratie Agglomeratie en en stedelijkheid stedelijkheid Stichting Atlas voor gemeenten Arbeidsparticipatie Arbeidsparticipatie werkloosheid/bijstand langdurig werkloosheid jeugdwerkloosheid Overlast Overlast & & onveiligheid onveiligheid geweld diefstal overlast vernielingen vervuiling Bevolkingssamenstelling Bevolkingssamenstelling opleidingsniveau vaardigheden/creativiteit inkomen levensfase etniciteit Woonomgeving Woonomgeving kwaliteit bebouwing verhouding koop/huur voorzieningen aantrekkelijke binnenstad natuur Op basis van de op dit moment beschikbare modellen en empirische studies zijn in figuur 2.2 enkele indicatoren toegevoegd aan het analyseschema. Die indicatoren geven een eerste indruk van de factoren waarop de problemen, de achtergronden van de problemen en de kracht van de Nederlandse steden kan worden afgemeten. Dit is echter een zeer voorlopige opsomming omdat de modellen die aan het analyseschema ten grondslag liggen nog in ontwikkeling zijn. Zoals hierboven besproken boden vier partiële, empirische studies een eerste empirische onderbouwing voor het analysemodel en de veronderstelde causale relaties. De empirische modellen waarmee overlast & onveiligheid, 19

20 arbeidsparticipatie, bevolkingssamenstelling en werkgelegenheidsgroei in een stad worden verklaard, zijn echter voor vier verschillende doelen ontwikkeld. Geen van die modellen had ten doel om het theoretische model dat hier gepresenteerd is in totaliteit te toetsen. Als gevolg daarvan zijn de modellen afzonderlijk geschat, en zijn ze op een aantal punten nog niet consistent op het gebied van het gebruik van indicatoren en schaalniveaus. Zo werden in het model dat overlast & onveiligheid verklaarde langdurig werkloosheid en jeugdwerkloosheid als belangrijkste verklarende variabelen gevonden, terwijl in het model waarmee die werkloosheid is verklaard het bijstandsniveau in gemeenten als te verklaren variabele is genomen. Bovendien zijn de modellen afwisselend op wijkniveau (het model dat overlast en onveiligheid verklaart) en stadniveau (de overige drie modellen) geschat. Op dit moment wordt gewerkt aan verdere verfijning van de empirische modellen die ten grondslag liggen aan het analysemodel voor de stad. De nadruk ligt daarbij op het gedetailleerder operationaliseren en empirisch toetsen van het totale theoretische model, waarbij steeds dezelfde indicatoren worden gebruikt. Waar mogelijk worden alle indicatoren op zowel wijk-, stad-, als regioniveau in de modellen meegenomen, zodat duidelijk wordt op welk niveau de veronderstelde mechanismen zich afspelen. De verwachting is dat de resultaten van dat onderzoek in het voorjaar van 2008 worden gepubliceerd. Overigens is het niet te verwachten dat de empirische resultaten grote afwijkingen gaan vertonen met de hierboven gepresenteerde resultaten. De conclusies zullen in grote lijnen overeind blijven. Het lopende onderzoek zal vooral leiden tot meer inzicht over de vraag op welk schaalniveau problemen zich manifesteren en op welk schaalniveau oplossingen voor die problemen gevonden kunnen worden. Daarmee kan het (te verwachten) effect van beleidsmaatregelen op de verschillende blokken in het analyseschema preciezer worden aangegeven, alsmede de doorwerking van die effecten op de andere blokken en het schaalniveau waarop dat beleid (naar verwachting) het meest effectief is. Vooruitlopend op de definitieve empirische invulling, worden in de volgende twee hoofdstukken alvast twee van de mogelijke, toekomstige toepassingen van het analysemodel besproken. 20

21 3 Effectmeting van stedelijk beleid Het in het vorige hoofdstuk besproken analysemodel dient zoals gezegd allereerst voor het verklaren van de verschillende mechanismen in de stad die er toe leiden dat een stad kansrijk is en/of te kampen heeft met problemen. In het kader van de Midterm Review van GSB III kwam de vraag op of het model ook geschikt zou zijn voor het meten van de effecten van het Grotestedenbeleid. Die mogelijkheden worden in dit hoofdstuk besproken. Bij de eindevaluatie van GSB II is de effectiviteit al uitvoerig aan de orde geweest met gedetailleerde kwalitatieve als kwantitatieve studies. Uit een kwantitatieve effectmeting bleek dat GSB II meetbaar effect heeft gehad op het terugdringen van de werkloosheid in steden en het versterken van de stedelijke woonmilieus. 27 Vooral de fysieke en de sociale pijlers bleken succesvol te zijn geweest. Voor de economische pijler werden dergelijke effecten niet gemeten, en wegens gebrek aan goede data is effectmeting voor veiligheid destijds niet uitgevoerd. De kracht van de effectmeting van GSB II was dat voor het eerst meervoudige modellen werden gebruikt. Daarmee is voorkomen dat een effect aan beleid werd toegeschreven dat eigenlijk het gevolg was van een andere, autonome ontwikkeling. Maar er waren ook nadelen. Zoals gezegd was de effectmeting niet volledig omdat op het gebied van veiligheid op dat moment goede data ontbraken. Bovendien was de onderzochte periode erg krap, zodat mogelijke vertraagde effecten niet konden worden gemeten. Dat kan de reden zijn geweest dat geen effecten in de economische pijler werden gemeten. Ook was de effectmeting indirect, van input naar outcome. Het effect van het beleid dat gericht was op het versterken van stedelijke woonmilieus werd bijvoorbeeld gemeten door de budgetten voor dat beleid direct in verband te brengen met de ontwikkeling van het aandeel midden- en hogere inkomensgroepen. Het nadeel van die aanpak is dat efficiencyverschillen in de aanwending van die budgetten niet meewegen. Om daar wel rekening mee te houden had ook de output van de steden (in dit geval bijvoorbeeld het aantal omgezette huurwoningen) in verband moeten worden gebracht met 27 G.A. Marlet, C.M.C.M. van Woerkens (red.), 2006: De effectiviteit van Grotestedenbeleid (Stichting Atlas voor gemeenten, Utrecht) 21

22 de outcome (toename aandeel midden- en hogere inkomensgroepen). Data over die output werd op dat moment echter niet systematisch verzameld. Inmiddels is de GSB-III-periode halfweg. En zijn er verschillende ontwikkelingen geweest die verdere perfectionering van de effectmeting van het Grotestedenbeleid mogelijk maken. Outputindicatoren worden inmiddels bijvoorbeeld wel verzameld. En voor alle outcomedoelstellingen zijn nu data beschikbaar, ook voor veiligheid. Om te toetsen of het in het vorige hoofdstuk getoonde analysemodel bruikbaar is voor de effectmeting van GSB III zijn allereerst de doelstellingen en de bijbehorende outcome-indicatoren in dat model opgenomen. In het onderstaande schema is het causale model nogmaals getoond, maar nu zijn daaraan de GSB-outcomedoelstellingen toegevoegd, almede de maatregelen en de bijbehorende oucome-indicatoren. Figuur 3.1 De aangrijpingspunten van GSB III versterken economische kracht van de stad 40. hectare hergestructureerde bedrijventerreinen 46. locaties op breedband etc. bruto stedelijk product waardering ondernemer- klimaat Economie Economie Arbeidsparticipatie Arbeidsparticipatie Agglomeratie Agglomeratie en en stedelijkheid stedelijkheid Stichting Atlas voor gemeenten Overlast Overlast & & onveiligheid onveiligheid bruto participatiegraad slachtofferschap onveiligheidsgevoel verbeteren objectieve en subjectieve veiligheid 12. aantal cliënten in verslavingszorg 22. incidenten huiselijk geweld etc. Bevolkingssamenstelling Bevolkingssamenstelling Woonomgeving Woonomgeving binden midden en hogere inkomensgroepen 25. nieuwbouw op uitleglocaties 28. omzettingen huurwoningen etc. perceptie sociale kwaliteit woonomgeving aandeel midden- en hogere inkomensgroepen verkoopprijs woningen perceptie verloedering verbeteren sociale kwaliteit leefomgeving verbeteren kwaliteit leefomgeving 1. nieuwkomers in te burgeren etc. 30. ingrijpende woningverbeteringen 35. bodemsanering etc. 22

23 De pijlen in het schema laten zoals gezegd zien hoe alle interacties in de stad naar verwachting lopen. Met de zwarte beleidsbalonnen is aangegeven welke GSB-maatregelen waar van invloed kunnen zijn. In combinatie met de pijlen in het causale schema levert dat inzicht op in de mogelijke directe en indirecte beïnvloeding van stedelijke problemen door GSB. Plus alle andere factoren die daar mogelijk op van invloed zijn (zie hoofdstuk 2, met name figuur 2.2). Die andere factoren zijn cruciaal omdat ze kunnen dienen als controlevariabelen : factoren die van invloed zijn op de met beleid te verklaren variabele, maar die niets met dat beleid te maken hebben. Het resultaat is een analyseschema waarmee in één oogopslag duidelijk wordt waar de verschillende beleidsmaatregelen van GSB III naar verwachting effect op hebben, welke factoren daar nog meer effect op hebben en welke ontwikkelingen in de stad indirect door de verschillende GSB-maatregelen beïnvloed kunnen worden. Vanzelfsprekend is over de precieze plek van de verschillende beleidsmaatregelen en outcomeindicatoren discussie mogelijk. Zo is sociale kwaliteit leefomgeving onder het kopje bevolkingssamenstelling opgenomen vanuit het idee dat het hier vooral gaat om de sociale samenhang tussen die bevolking. Er is echter ook iets voor te zeggen om deze indicator onder het kopje woonomgeving op te nemen. 3.1 Nulmeting en midtermmeting Op basis van de indicatoren in het schema (figuur 2.2 en figuur 3.1) is allereerst een nulmeting en (waar mogelijk) een midtermmeting gedaan op alle relevante indicatoren. Van die indicatoren is in de bijlage bij dit rapport een grafiek opgenomen met per stad de nulmeting (meestal 1 januari 2005) en (waar mogelijk) de midtermmeting (meestal 1 januari 2007). In die grafieken is het lichtrode staafje de waarde per 1 januari 2005 en het donkerrode staafje de waarde op 1 januari 2006 of op 1 januari Die grafieken geven in één oogopslag inzicht in: de verschillen tussen (de ontwikkeling van) de G31 en de rest van Nederland, de verschillen tussen (de ontwikkeling van) de G31 onderling, en 23

24 de verschillen (in ontwikkeling) binnen de G31. Op de volgende pagina s worden zeven van die grafieken getoond: relatieve filezwaarte (uit de categorie agglomeratie en stedelijkheid ), jeugdwerkloosheid en segregatie van langdurig werklozen (uit de categorie arbeidsparticipatie ), onveiligheidsgevoel, slachtofferschap van geweld, geweldsmisdrijven en vermogensmisdrijven (alle uit de categorie overlast & onveiligheid ). Dat zijn de grafieken die verderop wat uitvoeriger worden besproken. De overige grafieken staan zoals gezegd in de bijlage. 24

25 Figuur 3.2 Relatieve filezwaarte Leeuwarden Groningen Emmen Enschede Hengelo Almelo Helmond Maastricht Venlo Sittard-Geleen Nijmegen Arnhem Deventer Zwolle Eindhoven Tilburg Alkmaar Lelystad Breda 's-hertogenbosch Amersfoort Zaanstad Dordrecht Rotterdam Leiden Schiedam Haarlem Den Haag Utrecht gemiddelde G31 Nederland (zonder G31) Bron: Atlas voor gemeenten op basis van data CBS, ESRI, AVV 25

26 Figuur 3.3 Jeugdwerkloosheid Leiden Zaanstad Haarlem Utrecht 's-hertogenbosch Tilburg Alkmaar Amersfoort Deventer Eindhoven Zwolle Breda Maastricht Nijmegen Schiedam Venlo Lelystad Groningen Sittard-Geleen Dordrecht Hengelo Den Haag Enschede Almelo Emmen Helmond Leeuwarden Arnhem Rotterdam gemiddelde G31 Nederland (zonder G31) 0% 5% 10% 15% 20% Bron: Atlas voor gemeenten op basis van data CBS, CWI 26

27 Figuur 3.4 Segregatie langdurig werklozen Haarlem Zwolle Lelystad Alkmaar Tilburg Leiden Deventer Sittard-Geleen Zaanstad Amersfoort 's-hertogenbosch Utrecht Eindhoven Nijmegen Venlo Den Haag Enschede Groningen Hengelo Breda Maastricht Emmen Schiedam Leeuwarden Helmond Arnhem Dordrecht Rotterdam Almelo gemiddelde G31 Nederland (zonder G31) 0% 1% 2% 3% 4% 5% Bron: Atlas voor gemeenten op basis van data CBS, CWI 27

28 Figuur 3.5 Onveiligheidsgevoel Leiden Almelo Hengelo Emmen Enschede Deventer Lelystad Zaanstad Alkmaar Groningen Helmond Haarlem Breda Dordrecht Leeuwarden Den Haag Nijmegen Venlo Amersfoort Zwolle 's-hertogenbosch Rotterdam Arnhem Eindhoven Schiedam Tilburg Utrecht Sittard-Geleen Maastricht nulmeting midtermmeting gemiddelde G31 Nederland (zonder G31) 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% Bron: Gemeentelijke monitoren Leefbaarheid & Veiligheid, bewerking ABF 28

29 Figuur 3.6 Slachtofferschap: geweld Amersfoort Hengelo Breda Deventer Helmond Nijmegen Groningen Zaanstad Utrecht Almelo 's-hertogenbosch Venlo Leiden Eindhoven Emmen Sittard-Geleen Enschede Arnhem Haarlem Alkmaar Lelystad Rotterdam Den Haag Zwolle Dordrecht Leeuwarden Schiedam Tilburg Maastricht nulmeting midtermmeting gemiddelde G31 Nederland (zonder G31) 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% Bron: Gemeentelijke monitoren Leefbaarheid & Veiligheid, bewerking ABF 29

30 Figuur 3.7 Geweldsmisdrijven (per 1000 inwoners) Hengelo Emmen Zaanstad Sittard-Geleen Haarlem Enschede Almelo Deventer Leeuwarden Zwolle Amersfoort Leiden Schiedam Breda Alkmaar Lelystad Helmond Dordrecht Nijmegen Venlo Maastricht 's-hertogenbosch Groningen Tilburg Utrecht Eindhoven Den Haag Arnhem Rotterdam gemiddelde G31 Nederland (zonder G31) Bron: CBS, bewerking Atlas voor gemeenten 30

31 Figuur 3.8 Vermogensmisdrijven (per 1000 inwoners) Zaanstad Emmen Hengelo Lelystad Almelo Deventer Haarlem Helmond Enschede Venlo Schiedam Dordrecht Leeuwarden Zwolle Sittard-Geleen Tilburg Leiden Amersfoort Alkmaar Arnhem Groningen Breda Den Haag Maastricht Rotterdam Nijmegen Eindhoven 's-hertogenbosch Utrecht gemiddelde G31 Nederland (zonder G31) Bron: CBS, bewerking Atlas voor gemeenten De staafdiagrammen laten allereerst per indicator zien hoe de G31 gemiddeld scoren ten opzichte van het gemiddelde van de rest van de 31

32 Nederlandse gemeenten (vergelijk het staafje gemiddelde G31 met Nederland (zonder G31) ). In de meeste gevallen biedt de meting ook informatie over de ontwikkeling van de G31 ten opzichte van de rest van Nederland tussen 1 januari 2005 en 1 januari 2007 (het verschil in afstand tussen het donkerrode en het lichtrode staafje). Gezien de korte periode waarop die meting betrekking heeft, dient deze vergelijking wel met enige voorzichtigheid te worden gehanteerd; onnauwkeurigheden in de data werken relatief zwaar door in de ontwikkeling over een relatief korte periode. De belangrijkste conclusies uit de vergelijking tussen de G31 en de rest van Nederland zijn: De veiligheid in de steden lijkt verbeterd. Lijkt, want er zitten nogal wat haken en ogen aan de data waarop deze conclusie is gebaseerd. Het onveiligheidsgevoel lijkt in de G31 verbeterd, en de mate van slachtofferschap lijkt fors te zijn afgenomen. Beide indicatoren komen uit de Enquête L&V. Het probleem met die enquête is dat het moment van nulmeting verschilt tussen de steden, van 2003 tot Ook het moment van midtermmeting varieert, van 2006 tot Bovendien zijn geen enquêtes gehouden in de rest van Nederland zodat niet duidelijk wordt of de verbetering in de G31 groter of kleiner is dan in de rest van Nederland. Registraties bieden hier uitkomst. Op basis van de ontwikkeling tussen 1 januari 2005 en 1 januari 2006 lijkt het er inderdaad op dat de veiligheid in de G31 meer is verbeterd (geweld en inbraken) of minder verslechterd (vernielingen) dan in de rest van Nederland. Maar gezien de korte periode is ook hier voorzichtigheid geboden. De filedruk in en rond de G31 is meer toegenomen dan in de rest van Nederland. Daarmee is ook de bereikbaarheid van banen voor de inwoners van de steden verslechterd, alsmede de bereikbaarheid van de bedrijven in de steden door potentiële werknemers van buiten de steden. Uit het causale schema (zie hierboven) blijkt dat dit ongunstig is voor de lokale economie. Overigens is een toename van files een van de agglomeratienadelen die onvermijdelijk optreden in succesvolle steden en regio s die aan de andere kant profiteren van de vele agglomeratievoordelen die in geagglomereerde regio s optreden. Een toename van de files betekent dus niet per se dat de balans tussen 32

33 agglomeratievoordelen en agglomeratienadelen in die steden en regio s in negatieve zin doorslaat. De langdurige werkloosheid in de steden is meer toegenomen dan in de rest van Nederland, terwijl de jeugdwerkloosheid in de steden juist meer is afgenomen dan in de rest van Nederland. Over de participatiegraad in totaliteit is nog weinig te zeggen omdat die gebaseerd is op een enquête, en de ontwikkeling tussen 2005 en 2007 naar verwachting eerder het gevolg is van afrondingsverschillen en schommelingen als gevolg van de kleine steekproef van de EBB-enquête, dan van feitelijke ontwikkelingen (zie bijvoorbeeld de grote sprongen bij Hengelo en Leeuwarden). Behalve de verschillen tussen de G31 en de rest bieden de grafieken ook een duidelijk overzicht van de verschillen tussen de G31 onderling (de staafjes per stad). De grafieken zijn gesorteerd op basis van de score op 1 januari In veel gevallen zijn ook de ontwikkelingen tussen 1 januari 2005 en 1 januari 2007 tussen de G31 onderling vergelijkbaar (de verschillen in afstand tussen het donkerrode en het lichtrode staafje). De scores van de (ontwikkeling van de) afzonderlijke steden kunnen in dezelfde grafieken natuurlijk ook weer vergeleken worden met het gemiddelde van de G31 en het gemiddelde van Nederland. Met name op het gebied van overlast en onveiligheid lijken de verschillen tussen steden fors toe te nemen. De vraag is echter of dit feitelijk zo is of puur te maken heeft met onnauwkeurigheden in de data (zie bijvoorbeeld de grote sprongen in de ontwikkeling van het onveiligheidsgevoel en het slachtofferschap van geweldsmisdrijven in diverse steden). De toename van langdurige werkloosheid in de steden lijkt vooral het gevolg te zijn van een toename in de steden in de grensregio s zoals, Maastricht, Sittard-Geleen en Enschede en in new towns zoals Lelystad. Verschillende steden in de zuidvleugel van de Randstad laten juist een verbetering zien, zoals Rotterdam, Dordrecht en Schiedam. De grafieken segregatie langdurig werklozen (figuur 3.4) en segregatie overlast & onveiligheid (zie bijlage) bieden inzicht in de verschillen binnen steden. Ze laten zien of en in welke steden de ongelijkheid groter is dan 33

34 gemiddeld of meer dan gemiddeld is toegenomen. Dat is gedaan met een ongelijkheidsmaat die aangeeft hoeveel langdurig werklozen er binnen de stad zouden moeten verhuizen, of hoeveel misdrijven en incidenten er zouden moeten worden verplaatst, om een gelijke verdeling over alle wijken in de stad over te houden. Uit die grafiek blijkt dat niet alleen de langdurige werkloosheid in steden meer is toegenomen dan in de rest van Nederland, maar ook dat de ongelijkheid binnen steden meer is toegenomen dan in de rest van Nederland. Langdurig werklozen zijn in steden dus meer dan gemiddeld geconcentreerd in enkele wijken. Als de conjunctuur verslechtert en langdurige werkloosheid toeneemt, betekent dit automatisch dat de concentratie van sociaal-economische achterstanden toeneemt. Uit het causale schema (zie hoofdstuk 2) blijkt dat dit niet alleen van belang is voor de participatie op zich, maar ook implicaties heeft voor overlast en onveiligheid in de wijken. Omgekeerd houdt dat in dat als het stedelijke beleid erin slaagt om de participatie in steden te bevorderen dit automatisch ook positieve gevolgen heeft voor de wijken. Dergelijk stedelijk beleid is naar verwachting cruciaal voor een duurzame aanpak van de wijkproblematiek. 3.2 Effectmeting Een belangrijke conclusie uit de midtermmeting is dus dat de onveiligheid in GSB-steden meer lijkt te zijn afgenomen dan in niet-gsb-steden. Op basis daarvan zou kunnen worden geconcludeerd dat GSB effect heeft gehad. Maar dat is niet per se zo. Een dergelijke conclusie mag pas getrokken worden op basis van meervoudige regressieanalyses waarin met meer factoren rekening wordt gehouden. Het analyseschema (figuur 3.1) maakt immers duidelijk dat de verbeterde veiligheid het gevolg kan zijn van het veiligheidsbeleid in het kader van GSB III (zie zwarte doelstellingenballon verbeteren objectieve en subjectieve veiligheid ), bijvoorbeeld omdat gemeenten erin zijn geslaagd meer mensen te laten helpen door de verslavingszorg of omdat incidenten van huiselijk geweld met succes zijn aangepakt. Maar, zo leert het analyseschema ook, die verbetering kan in theorie net zo goed het gevolg zijn van een andere factor, 34