Regionale verdeelsleutel op basis van risicoscores voor voortijdig schoolverlaten

De Nederlandse overheid streeft ernaar dat zo veel mogelijk jongeren het onderwijs verlaten met een startkwalificatie. Dit omdat jongeren zonder een startkwalificatie minder succesvol zijn op de arbeidsmarkt.¹⁾ Dit is niet alleen nadelig voor de jongeren zelf, maar ook voor de maatschappij omdat dit bijvoorbeeld kan resulteren in lagere belastingopbrengsten en een hoger beroep op sociale voorzieningen zoals uitkeringen.²⁾ Een startkwalificatie is een diploma op ten minste havo-, vwo- of mbo2-niveau.³⁾ Indien jongeren tot 27 jaar het onderwijs verlaten zonder een startkwalificatie is er sprake van voortijdig schoolverlaten (vsv).⁴⁾

Vanwege de negatieve gevolgen van vsv stelt het ministerie van Onderwijs, Cultuur en Wetenschap (OCW) middelen beschikbaar om vsv te voorkomen en te bestrijden. Dit geld wordt toegekend aan Regionale Meld- en Coördinatie Regio’s (RMC-regio’s).⁵⁾ In deze RMC-regio’s werken scholen en gemeenten samen om te voorkomen dat leerlingen en studenten zonder startkwalificatie het onderwijs verlaten. Naar aanleiding van een evaluatie van de huidige aanpak van vsv heeft OCW besloten om de verdeling van vsv-middelen tussen RMC-regio’s te herzien.⁶⁾ Het belangrijkste uitgangspunt van OCW is dat de beschikbare middelen zo efficiënt mogelijk ingezet worden door de focus te leggen op waar de uitdagingen omtrent vsv het grootst zijn. Met andere woorden dat een verdeling van vsv-middelen tot stand komt die recht doet aan de opgave waar een regio voor staat. Ook vindt OCW het belangrijk dat de nieuwe verdeling van middelen transparant en duidelijk is zodat het voor regio’s (en andere geïnteresseerden en belanghebbenden) begrijpelijk is hoe de verdeling van vsv-middelen over de regio’s tot stand komt, en waarom. 

Het Centraal Bureau voor de Statistiek (CBS) heeft daarom op verzoek van OCW modellen ontwikkeld om per leerling op het voortgezet onderwijs (vo) en per student op het middelbaar beroepsonderwijs (mbo) de kans op vsv te berekenen.⁷⁾ Omdat OCW het vsv-budget niet aan (individuele) leerlingen/studenten toekent, maar aan RMC-regio’s, moeten deze individuele risicoscores op vsv opgeteld worden om zo per regio een totale vsv-risicoscore te berekenen. Deze vsv-risicoscore geeft per regio aan hoe groot de vsv-problematiek is gegeven de individuele kansen op vsv van de leerlingen en studenten in de regio. Op basis van deze regionale vsv-risicoscores kan het budget verdeeld worden door OCW. 

Het berekenen van de regionale vsv-risicoscores (op basis van de individuele vsv-risicoscores) kan op meerdere manieren. OCW dient meerdere beleidskeuzes te maken om te bepalen hoe de regionale vsv-risicoscores berekend moeten worden. Zo moet bepaald worden of alle leerlingen en studenten meegenomen worden bij het berekenen van de regionale vsv-risicoscores of dat alleen leerlingen en studenten met een bepaalde minimale kans op vsv (een drempelwaarde) meegenomen worden. Indien besloten wordt om te werken met een drempelwaarde moet besloten worden hoe groot de doelgroep dan moet zijn. Worden enkel leerlingen en studenten met een grote kans op vsv meegenomen of ook leerlingen en studenten met een iets minder grote kans? Tot slot moet besloten worden of vo-leerlingen en mbo-studenten samen worden genomen bij het optellen of dat vo en mbo apart genomen worden bij het berekenen van de regionale vsv-risicoscores. Op basis van deze beleidskeuzes (wel of geen drempelwaarde, de hoogte van de drempelwaarde en vo en mbo samen of apart) kunnen meerdere scenario’s opgesteld worden omtrent de berekening van de regionale vsv-risicoscores . In dit rapport staan de gevolgen van deze scenario’s/beleidskeuzes beschreven. 

In hoofdstuk 2 wordt eerst meer informatie gegeven over de berekening van de kans op vsv voor vo-leerlingen en mbo-studenten. In hoofdstuk 3 wordt vervolgens van vijf scenario’s (combinaties van antwoorden op bovenstaande beleidsvragen) weergegeven welke leerlingen en studenten meegenomen worden bij de berekening van de regionale vsv-risicoscores. Op basis van deze resultaten heeft OCW twee scenario’s gekozen voor verder onderzoek. In hoofdstuk 4 wordt van deze twee scenario’s beschreven wat de herverdeeleffecten zijn (in hoeverre de verdeling van de middelen op basis van de regionale vsv-risicoscores verschilt van de huidige verdeling) en hoe stabiel de verdeling van de middelen op basis van de regionale vsv-risicoscores is (met andere woorden in welke mate de budgetten die regio’s ontvangen om vsv te voorkomen en te bestrijden vergelijkbaar zijn over jaren heen). In het vijfde hoofdstuk worden de regionale vsv-risicoscores weergegeven zoals deze berekend worden volgens het gekozen voorkeursscenario van OCW. Het rapport sluit af met een samenvatting (hoofdstuk 6) waarin de belangrijkste bevindingen en resultaten beknopt weergegeven worden. 

Zowel het CBS als OCW hechten veel waarde aan het meenemen van kennis en kunde uit de praktijk bij de ontwikkeling van een nieuw verdeelmodel voor vsv-middelen. Voor OCW is het ook belangrijk dat maatschappelijke partners betrokken worden bij beleidskeuzes zodat in het veld brede steun kan ontstaan voor het nieuwe verdeelmodel. Daarom is voor dit onderzoek een begeleidingscommissie ingesteld die gedurende het onderzoek meegedacht heeft over de uitkomsten en de implicaties van het onderzoek.⁸⁾ In bijlage 1 staan de organisaties genoemd waarvan medewerkers om input zijn gevraagd tijdens het onderzoeksproces. 

In dit hoofdstuk wordt op hoofdlijnen beschreven hoe voor vo-leerlingen en mbo-studenten de kans op voortijdig schoolverlaten geschat wordt. De kans op vsv wordt voor vo-leerlingen en mbo-studenten apart geschat. De reden hiervoor is dat op basis van eerder onderzoek bekend is dat zowel de kans op vsv als de kenmerken die samenhangen met de kans op vsv voor het vo anders zijn dan voor het mbo. Daarom is zowel een model voor vsv op vo als een model voor vsv op mbo geschat. Meer informatie over de ontwikkeling van de modellen is te vinden in een eerdere CBS-publicatie over dit onderwerp. 

2.1 Conceptuele modellen voor kans op vsv 

Om de kans op vsv zo goed mogelijk te schatten is door het CBS en OCW, in samenwerking met de begeleidingscommissie (zie bijlage 1), een lijst van kenmerken opgesteld die de kans op vsv mogelijk zouden kunnen verklaren. Deze lijst bevat meer dan 25 kenmerken op vier domeinen: 

1. Sociaal-demografische kenmerken (bijvoorbeeld leeftijd en geslacht)
2. De aanwezigheid van problemen bij jongeren en/of hun ouders (zoals psychosociale problemen, geregistreerde problematische schulden en verdenkingen van misdrijven) 
3. Omgevingskenmerken (bijvoorbeeld stedelijkheid van de buurt waarin jongeren wonen)
4. Onderwijsgerelateerde kenmerken (denk hierbij aan het soort onderwijs en of er sprake is van studievertraging). 

Van deze kenmerken is eerst in kaart gebracht in welke mate deze samenhangen met de kans op vsv. Vervolgens is door middel van een iteratief proces het methodologisch gezien optimale model geselecteerd.⁹⁾ Hieruit zijn twee modellen gekomen met de beste combinatie van kenmerken om voor het vo dan wel mbo de kans op vsv te schatten. In het voorkeursmodel om vsv op het vo te kunnen schatten, zijn uiteindelijk zeven verklarende kenmerken voor vsv opgenomen (zie Figuur 2.1.1). In het model om de kans op vsv op het mbo te kunnen schatten wordt gekeken naar twaalf kenmerken (zie Figuur 2.1.2). 

2.2 Modellen voor schatten kans op vsv voor vo en mbo

In de vorige paragraaf staat in de conceptuele modellen weergegeven op basis van welke kenmerken de kans op vsv in het vo en in het mbo geschat wordt. In paragraaf 2.2. wordt beschreven hoe de kenmerken uit deze conceptuele modellen samenhangen met de kans op vsv in het vo en in het mbo. Met andere woorden, in deze paragraaf wordt weergegeven of de kenmerken een grote invloed hebben op de kans op vsv en of het kenmerk de kans op vsv juist verkleint of vergroot (voor meer informatie over de selectie van de modellen, zie de eerdere CBS-publicatie). 

Om de kans op vsv te schatten op basis van deze kenmerken zijn zogenaamde logistische regressiemodellen geschat. Dit omdat de afhankelijke variabele, de kans op vsv, binair is (wel of geen vsv).¹⁰⁾ De kans op vsv wordt als volgt bepaald. Er wordt gekeken naar leerlingen/studenten tot 27 jaar¹¹⁾ die in een bepaald jaar ingeschreven staan in het bekostigd vo, mbo of voortgezet algemeen volwassenenonderwijs (vavo) die op dat moment nog geen startkwalificatie hadden en die het jaar erna niet meer ingeschreven staan in het bekostigd onderwijs en (nog steeds) geen startkwalificatie hebben. De groep vavo-leerlingen is relatief klein. Daarom kon voor deze groep geen apart model geschat worden. Deze leerlingen worden daarom tot de vo-populatie gerekend. Verder zitten niet alle jongeren in de doelpopulatie. Jongeren die onderwijs volgen dat niet direct opleidt tot een diploma/startkwalificatie (bijvoorbeeld praktijkonderwijs) of jongeren voor wie het met de beschikbare data niet mogelijk is om in kaart te brengen of zij een diploma/startkwalificatie halen (bijvoorbeeld Internationaal Baccalaureaat) zitten niet in de doelpopulatie.

Het basismodel is gebaseerd op leerlingen en studenten die op 1 oktober 2018 ingeschreven stonden in het vo, mbo of vavo. Dit is het meest recente cohort (2018/’19) dat onderwijs volgde voordat de coronapandemie uitbrak.¹²⁾ Omdat de coronacrisis (hierna afgekort tot corona) mogelijk invloed had op de aanwezigheid en ontwikkeling van vsv werd het wenselijk geacht een model te ontwikkelen op basis van data waar corona nog geen invloed kon hebben op vsv (vanuit de redenering dat het model dan een beter algemeen beeld geeft van vsv en daardoor meer toekomstbestendig is).¹³⁾ Om de stabiliteit van de bevindingen in kaart te brengen zijn de modellen nogmaals geschat voor het cohort 2016/’17, het cohort 2017/’18 én het cohort 2021/’22. Dit laatste cohort is het meest recente cohort dat op het moment van dit onderzoek met de beschikbare data in kaart gebracht kon worden. Dit cohort volgde deels onderwijs tijdens de coronacrisis.¹⁴⁾

In Tabel 2.2.1 staat voor het vo weergegeven hoe de kenmerken samenhangen met de kans op vsv en Tabel 2.2.2 toont hoe de kenmerken in het mbo samenhangen met de kans op vsv. De kenmerken die het sterkst samenhangen met de kans op vsv staan bovenaan in deze tabellen (en de kenmerken die het minst sterk samenhangen met de kans op vsv staan onderaan). In de tabellen zijn de zogenaamde odds ratio’s weergeven. Een odds ratio die groter is dan 1 betekent een toename van het risico op vsv (ten opzichte van de referentiegroep waar de odds ratio 1 is). Een odds ratio tussen de 0 en de 1 betekent een verlaagd risico op vsv. In de tabellen is ook weergeven of de gevonden effecten statistisch significant zijn (en dus waarschijnlijk niet op toeval berusten). In bijlage 2 staat beschreven hoe de verklarende kenmerken gemeten zijn. 

Voor het vo bleek vooral leeftijd relatief sterk samen te hangen met de kans op vsv: oudere leerlingen hebben een grotere kans op vsv dan jongere leerlingen.¹⁵⁾ Het is belangrijk om te realiseren dat bovenstaande modellen zogenaamde meervoudige regressiemodellen zijn. Dit betekent dat in deze modellen het effect van een bepaald kenmerk (in dit geval leeftijd) op vsv wordt gegeven rekening houdend met de overige kenmerken in het model.¹⁶⁾ Ook het soort onderwijs dat een leerling volgt, hangt relatief sterk samen met de kans op vsv. Zo is de kans op vsv het kleinst in de hoogste leerjaren van het vwo (leerjaar 3 tot en met 6). Ten opzichte van leerlingen in deze vwo-leerjaren is de kans op vsv vooral hoog bij vavo-leerlingen. Ook het hebben van psychosociale problemen vergroot de kans op vsv bij vo-leerlingen. Verder wordt de kans op vsv in het vo bepaald door studievertraging. Leerlingen die vertraging hebben opgelopen ten opzichte van hun jaargenoten, hebben een hogere kans op vsv dan leerlingen die geen vertraging hebben. Ook de ouderlijke structuur hangt samen met vsv in het vo. Leerlingen die met één juridische ouder samenwonen en leerlingen die zonder juridische ouders wonen, hebben een hogere kans op vsv dan leerlingen die met beide juridische ouders wonen. Wat betreft financiële welvaart is te zien dat leerlingen die in een huishouden wonen met een meer gunstige financiële situatie een lagere kans hebben op vsv. Uitzondering is het hoogste welvaartspercentiel: leerlingen met de meest gunstige financiële positie van het huishouden, hebben een hogere kans op vsv dan leerlingen met het laagste percentiel wat betreft financiële welvaart van het huishouden.¹⁷⁾ Tot slot verhoogt verdachte zijn van een misdrijf de kans op vsv in het vo. Een vergelijking van de verschillende modellen (kolommen in Tabel 2.2.1) leert dat de inhoudelijke conclusies wat betreft de invloed van de kenmerken op vsv in het vo vergelijkbaar zijn voor de verschillende cohorten.¹⁸⁾

In de volgende tabel staat weergegeven hoe de kenmerken samenhangen met de kans op vsv op het mbo. 

Zoals te zien is in Tabel 2.2.2 hangt het onderwijsniveau het sterkst samen met vsv op het mbo (wederom: gecontroleerd voor de overige kenmerken in het model). Studenten die een mbo-entreeopleiding volgen of een mbo-opleiding op niveau 2 of 3 hebben een hogere kans op vsv dan mbo-studenten die een opleiding volgen op niveau 4. Verder is, net als bij het vo, leeftijd een belangrijke verklaring voor vsv. Ook hier geldt dat oudere studenten een grotere kans hebben op vsv. Daarnaast is, wederom net als bij het vo, het hebben van psychosociale problemen een belangrijke voorspeller van vsv. Mbo-studenten met psychosociale problemen hebben een grotere kans op vsv dan studenten die geen zorg ontvangen op dit gebied. Net als bij het vo zijn ouderlijke structuur, verdachte zijn van een misdrijf en financiële welvaart van het huishouden verklaringen voor vsv. Verder hebben vrouwelijke studenten in het mbo een lagere kans op vsv dan mannelijke studenten en geldt dat studenten met hoger opgeleide moeders een lagere kans hebben op vsv. De aanwezigheid van geregistreerde problematische schulden verhoogt de kans op vsv. Wat betreft leerweg is te zien in Tabel 2.2.2 dat studenten die een beroepsbegeleidende (BBL) leerweg volgen (en dus werken combineren met een paar dagen school) en extranei (studenten die geen onderwijs volgen, maar slechts ingeschreven staan voor het doen van een examen) een hogere kans hebben op vsv dan studenten die een beroepsopleidende (BOL) leerweg volgen (en dus een groot deel van de week op school zijn). Ook studierichting hangt samen met de kans op vsv. Zo is de kans op vsv hoger indien studenten een economische of juridische opleiding volgen dan bij studenten die een opleiding richting zorg en maatschappij volgen. Studenten die een technische opleiding volgen of een opleiding in de richting landbouw, diergeneeskunde en dierenverzorging hebben juist weer een lagere vsv-kans dan studenten die een opleiding richting zorg en maatschappij volgen. Tot slot geldt dat de kans op vsv groter is indien leerlingen in meer stedelijke gebieden wonen. Net als bij het vo geldt voor het mbo dat de richting van het effect (of een kenmerk positief of negatief samenhangt met de kans op vsv) vergelijkbaar is over de jaren heen/voor de verschillende cohorten. 

2.3 Voorbeeld berekenen van vsv-risicoscore voor leerlingen en studenten

In de vorige paragraaf staat beschreven hoe alle kenmerken uit de voorkeursmodellen samenhangen met de kans op vsv. Met behulp van deze gegevens kan vervolgens voor alle individuele vo-leerlingen en mbo-studenten op basis van hun kenmerken (bijvoorbeeld leeftijd) de kans op vsv berekend worden. Elke categorie waarin een jongere valt (bijvoorbeeld 15 jaar oud), heeft een odds ratio ten opzichte van de referentiecategorie. Indien alle odds ratio’s (van alle kenmerken) met elkaar vermenigvuldigd worden (inclusief het intercept) kan de totale odds van een jongere berekend worden en op basis daarvan ook de vsv-kans (vsv-kans = odds/(1+odds)). 

In Figuur 2.3.1 staat een voorbeeld voor een vo-leerling uitgewerkt dat toont hoe op basis van de odds ratio’s de kans op vsv berekend kan worden. Het betreft in dit voorbeeld een vo-leerling van 15 jaar oud die in de bovenbouw van een opleiding vmbo-theoretisch zit, hulp ontvangt voor psychosociale problemen, geen studievertraging heeft, in een huishouden woont met een relatief lage welvaart, met beide juridische ouders woont en die niet verdacht is van een delict. In Tabel 2.2.1 staat per kenmerk de odds ratio weergegeven (het betreft in dit voorbeeld een vo-leerling uit het 2018/’19-cohort). Indien alle odds ratio’s met elkaar vermenigvuldigd worden (inclusief het intercept) kan de odds en vervolgens ook de vsv-kans voor deze leerling berekend worden. Bij deze vo-leerling hoort een geschatte kans op vsv van 0,009. Met andere woorden, de kans dat een vo-leerling met deze combinatie van achtergrondkenmerken vsv’er wordt is 0,9 procent. De gemiddelde vsv-kans op het vo is 0,8 procent (zie het eerdere rapport).¹⁹⁾ Dit betekent dat de vo-leerling in dit voorbeeld een iets hogere kans heeft op vsv dan gemiddeld. 

Hetzelfde kan gedaan worden voor mbo-studenten. In Tabel 2.2.2 is beschreven hoe alle kenmerken samenhangen met de kans op vsv op het mbo. Ook hier kan op basis van deze gegevens de kans op vsv voor alle individuele mbo-studenten berekend worden. Stel je hebt een mannelijke mbo-student van 19 jaar oud, die een BOL-opleiding volgt op niveau 3 in een economische en juridische richting, bij één van zijn ouders woont, geen problemen heeft op het gebied van criminaliteit, schulden of psychosociale problemen, een hoogopgeleide moeder en een redelijk hoge welvaart van het huishouden heeft en in een matig stedelijk gebied woont. Op basis van deze kenmerken kan vervolgens, met behulp van de odds ratio’s uit Tabel 2.2.2, zijn kans op vsv berekend worden. Dit door eerst de odds te berekenen door alle odds ratio’s met elkaar te vermenigvuldigen en dan de kans te berekenen. In Figuur 2.3.2 staat dit voorbeeld uitgewerkt (in dit voorbeeld is ervan uitgegaan dat de student onderwijs volgde in cohort 2018/’19). Zoals in onderstaand voorbeeld uitgewerkt is, heeft deze mbo-student een kans op vsv van 0,074. Met andere woorden de kans dat een mbo-student met deze kenmerken vsv’er wordt is 7,4 procent. De gemiddelde kans op vsv in het mbo is 7,9 procent (zie het eerdere rapport). De kans op vsv van de mbo-student uit het voorbeeld is dus iets lager dan het gemiddelde. 

Hierboven is de kans op vsv voor één vo-leerling (Figuur 2.3.1) en één mbo-student (Figuur 2.3.2) berekend. Op de manier zoals uitgewerkt in deze voorbeelden kan het CBS voor alle vo-leerlingen en voor alle mbo-studenten de vsv-kans berekenen. 

In het vorige hoofdstuk is beschreven hoe voor individuele leerlingen in het vo en voor individuele studenten in het mbo de kans op vsv geschat kan worden. Zoals eerder aangegeven kent OCW geld toe aan RMC-regio’s om de vsv-problematiek aan te pakken. Dit betekent dat voor alle RMC-regio’s een totale regionale vsv-risicoscore berekend moet worden. Om dit te doen moeten de vsv-kansen van leerlingen en studenten in een RMC-regio bij elkaar opgeteld worden.²⁰⁾ Dit optellen kan op meerdere manieren. In dit hoofdstuk worden vijf mogelijke manieren/scenario’s voor dit optellen beschreven. Per scenario wordt een populatiebeschrijving gegeven: hoeveel leerlingen en studenten worden meegenomen bij het berekenen van de regionale vsv-risicoscore en hoe hoog is de gemiddelde vsv-kans van deze groep leerlingen en studenten?

3.1 Vijf mogelijke scenario’s voor optellen 

Zoals aangegeven kan het optellen tot regionale vsv-risicoscores (die nodig zijn om het budget te verdelen over de RMC-regio’s) op meerdere manieren gebeuren. OCW dient daarom verschillende beleidskeuzes te maken om te bepalen hoe individuele vsv-risico’s opgeteld moeten worden tot regionale vsv-risicoscores. Meer specifiek moeten de volgende beleidskeuzes gemaakt worden:

• Wel of geen focus op leerlingen/studenten met relatief hoge kans op vsv De eerste vraag die beantwoord moet worden is of bij het berekenen van de regionale vsv-risicoscores de vsv-kansen van alle vo-leerlingen en mbo-studenten bij elkaar opgeteld moeten worden of dat enkel de vsv-kansen opgeteld moeten worden van leerlingen en studenten die een relatief hoge kans hebben op vsv.²¹⁾

Indien men graag een focus op leerlingen en studenten met een relatief hoge kans op vsv wenst, moeten aanvullend de volgende twee vragen beantwoord worden:

• Hoogte van de drempel Indien men ervoor kiest om alleen te kijken naar leerlingen en studenten met een relatief hoge kans op vsv moet bepaald worden hoe hoog deze kans op vsv dan moet zijn. Wil men bijvoorbeeld alleen kijken naar leerlingen en studenten met een echt relatief hoge kans op vsv (de leerlingen en studenten met de 20 procent hoogste kans op vsv) of ook leerlingen en studenten met een iets lagere (maar nog steeds verhoogde) kans op vsv (de leerlingen en studenten met de 40 procent hoogste kans op vsv)?²²⁾
• Wel of geen onderscheid vo en mbo Tot slot moet de vraag beantwoord worden of men bij het optellen van alle individuele vsv-kansen tot regionale vsv-risicoscores vo-leerlingen en mbo-studenten samen of apart wil nemen. Stel dat ervoor gekozen wordt om vo-leerlingen en mbo-studenten apart te nemen bij het optellen. Bij een scenario van 20 procent betekent dit dat de top 20 procent van de vo-leerlingen met de hoogste kans op vsv meegenomen wordt en de top 20 procent van de mbo-studenten. Indien men ervoor kiest om het vo en mbo samen te nemen worden alle kansen van alle vo-leerlingen en mbo-leerlingen bij elkaar gezet en vervolgens geordend op volgorde van hoog naar laag. Vervolgens worden de leerlingen/studenten geselecteerd die in de top 20 of 40 procent van de hoogste vsv-scores zitten (er wordt dus gekeken naar de kans op vsv ongeacht of een jongere op het vo zit of op het mbo). 

Op basis van bovenstaande beleidsvragen kunnen meerdere scenario’s opgesteld worden voor de berekening van regionale vsv-risicoscores op basis van individuele vsv-kansen. In onderstaande figuur staat visueel weergegeven wat deze scenario’s zijn. 

Samenvattend zijn er op basis van de (drie) beleidskeuzes vijf mogelijke scenario’s om de individuele vsv-kansen op te tellen tot regionale vsv-risicoscores:

• Scenario 1 – Alle leerlingen/studenten. De kansen van alle vo-leerlingen en van alle mbo-studenten in een bepaalde regio worden bij elkaar opgeteld om zo te komen tot de regionale vsv-risicoscores.
• Scenario 2 – Top 20 procent vo en mbo samen. Enkel de kansen van de groep leerlingen en studenten met de hoogste 20 procent kans op vsv worden bij elkaar opgeteld. Hiervoor worden vo-leerlingen en mbo-studenten samengenomen (de vo-leerlingen en mbo-studenten worden dus samengevoegd tot één grote groep en uit deze grote groep worden de leerlingen/studenten geselecteerd die bij de hoogste 20 procent zitten wat betreft de kans op vsv). 
• Scenario 3 – Top 20 procent vo en mbo apart. Enkel de kansen van de groep leerlingen en studenten met de hoogste 20 procent kans op vsv worden bij elkaar opgeteld. Dit wordt apart voor de vo-leerlingen en voor de mbo-studenten gedaan (dus zowel voor het vo als voor het mbo worden de jongeren geselecteerd met de 20 procent hoogste vsv-kans). 
• Scenario 4 – Top 40 procent vo en mbo samen. Dit scenario is deels hetzelfde als scenario 2. Alleen wordt nu een grotere groep leerlingen en studenten meegenomen bij het berekenen van de regionale vsv-risicoscores. Namelijk de jongeren met de hoogste 40 procent vsv-kans in plaats van de hoogste 20 procent. Er is dus nog steeds een selectie op leerlingen en studenten met een verhoogde kans op vsv, maar de focus is minder strikt dan bij scenario 2. Om de jongeren te selecteren met de 40 procent hoogste kansen op vsv worden vo-leerlingen en mbo-studenten (net als bij scenario 2) samengenomen. 
• Scenario 5 – Top 40 procent vo en mbo apart. Scenario 5 is vergelijkbaar met scenario 3 in die zin dat er een selectie is op jongeren met een verhoogde kans op vsv, maar er wordt niet naar de groep jongeren gekeken met de hoogste 20 procent vsv-kansen, maar de hoogste 40 procent (dus een grotere groep). Dit wordt apart voor de vo-leerlingen en voor de mbo-studenten gedaan (dus zowel voor het vo als voor het mbo worden de jongeren geselecteerd met de 40 procent hoogste vsv-kans). 

3.2 Beschrijving populatie

In elk scenario wordt naar een andere groep jongeren gekeken bij de berekening van de regionale vsv-risicoscore. In deze paragraaf wordt meer inzicht gegeven in welke groep jongeren meegenomen wordt in de verschillende scenario’s.²³⁾ Hiervoor zijn de vsv-kansen van het basiscohort gebuikt (zie vorig hoofdstuk). 

In Tabel 3.2.1 staat weergegeven hoeveel procent van de vo-leerlingen en hoeveel procent van de mbo-studenten meegenomen wordt bij de berekening van de regionale vsv-risicoscores in de verschillende scenario’s.²⁴⁾

In het eerste scenario wordt geen selectie gemaakt. Met andere woorden, alle vo-leerlingen en alle mbo-studenten worden meegenomen bij de berekening van de regionale vsv-risicoscores (dus 100 procent van de vo-leerlingen en 100 procent van de mbo-studenten). Bij scenario 2 en scenario 3 wordt ervoor gekozen om enkel de personen mee te nemen met een relatief grote kans op vsv, namelijk de top 20 procent. Bij scenario 2 wordt de top 20 procent bepaald voor vo-leerlingen en mbo-studenten samen. Zoals aangegeven worden deze twee groepen dus eerst samengevoegd tot één totale groep en vervolgens wordt de 20 procent geselecteerd met de hoogste kans op vsv ongeacht of het vo-leerlingen of mbo-studenten zijn. De kans op vsv in het mbo is hoger dan in het vo (zie ook vorig hoofdstuk en tabel 3.2.2). Daarom worden in dit scenario relatief meer mbo-studenten geselecteerd dan vo-leerlingen (want er zitten meer mbo-studenten bij de top 20 procent dan vo-leerlingen). In dit scenario wordt bij de berekening van de regionale vsv-risicoscores afgerond 4 procent van de vo-leerlingen en 63 procent van de mbo-studenten meegenomen. In scenario 3 wordt de top 20 procent afzonderlijk bepaald voor het vo en voor het mbo. Dit betekent dat zowel voor het vo als voor het mbo 20 procent van de jongeren meegenomen wordt.²⁵⁾ Bij de laatste twee scenario’s wordt ook gefocust op jongeren met een verhoogd risico op vsv, maar is de focus minder sterk. Bij deze scenario’s wordt de top 40 procent geselecteerd in plaats van de top 20 procent. Bij scenario 4 wordt de top 40 procent bepaald voor vo en mbo samen waardoor er meer mbo-studenten meegenomen worden dan vo-leerlingen (aangezien de kans op vsv op mbo hoger is dan bij vo). In dit scenario wordt 19 procent van de vo-leerlingen en 95 procent van de mbo-studenten meegenomen om de regionale vsv-risicoscores te berekenen. Bij scenario 5 wordt de top 40 procent bepaald voor vo en mbo apart. Dus zowel 40 procent van de vo-leerlingen als 40 procent van de mbo-studenten wordt meegenomen bij het berekenen van de regionale vsv-risicoscores.

Samenvattend wordt in scenario 1 de gehele doelpopulatie meegenomen, worden bij scenario 2 en 3 de minste jongeren meegenomen bij de berekening van de regionale vsv-risicoscores (namelijk alleen jongeren met een relatief grote kans op vsv) en worden relatief meer mbo-studenten dan vo-leerlingen meegenomen bij de berekening wanneer bij het toepassen van de drempel geen onderscheid gemaakt wordt tussen vo en mbo (aangezien de kans op vsv op het mbo hoger is dan op het vo). 

In bovenstaande tabel is weergegeven hoeveel procent van de jongeren meegenomen wordt bij het berekenen van de regionale vsv-risicoscores in de verschillende scenario’s. In de volgende tabel wordt per scenario de gemiddelde kans op vsv weergegeven (uitgedrukt in percentages) van de groep jongeren die meegenomen wordt bij de berekening van de regionale vsv-risicoscores. 

Zoals eerder aangegeven wordt in scenario 1 geen selectie gemaakt: alle vo-leerlingen en mbo-studenten worden meegenomen bij de berekening van de regionale vsv-risicoscores. De kans op vsv van de groep die meegenomen wordt, is dan ook de gemiddelde kans voor alle vo-leerlingen (0,8 procent) en voor alle mbo-studenten (7,9 procent).²⁶⁾ In het algemeen geldt dat hoe kleiner de groep is die meegenomen wordt hoe hoger de gemiddelde kans op vsv bij deze groep. Bij scenario 2 en 3 wordt gefocust op jongeren met een relatief hoge kans op vsv. De gemiddelde kans op vsv van de groep jongeren die meegenomen wordt om de regionale vsv-risicoscores te berekenen is in deze scenario’s dan ook hoger dan in scenario 1 (waar alle vo-leerlingen en mbo-studenten meegenomen worden) en scenario’s 4 en 5 (waar ook jongeren met een iets minder hoge kans op vsv meegenomen worden). Verder geldt dat wanneer er geen onderscheid gemaakt wordt tussen vo-leerlingen en mbo-studenten (dus dat deze samengenomen worden) dat er relatief veel mbo-studenten meegenomen worden en relatief weinig vo-leerlingen (zie Tabel 3.2.1). Dit betekent dat de gemiddelde kans op vsv van de groep mbo-studenten hoger is indien er wel een onderscheid gemaakt wordt (vo en mbo apart) dan wanneer er geen onderscheid gemaakt wordt (vo en mbo samen). Dit omdat zonder onderscheid een grotere groep mbo-studenten wordt meegenomen, dus ook studenten met een lagere kans op vsv. Voor het vo geldt het omgekeerde: de gemiddelde kans op vsv van de groep leerlingen die meegenomen wordt bij de berekening van regionale vsv-risicoscores is lager indien er wel een onderscheid gemaakt wordt (vo en mbo apart) dan wanneer er geen onderscheid gemaakt wordt (omdat zonder onderscheid een kleinere groep vo-leerlingen wordt meegenomen, dus enkel leerlingen met de hoogste kansen op vsv).

In het vorige hoofdstuk zijn vijf mogelijke scenario’s beschreven om de individuele vsv-kansen van leerlingen en studenten op te tellen tot regionale vsv-risicoscores (op basis waarvan OCW het beschikbare vsv-budget kan verdelen). Deze scenario’s zijn gebaseerd op de beleidskeuzes of (i) er al dan niet een focus moet zijn op jongeren met een relatief hoge kans op vsv en indien deze focus gewenst is (ii) hoe sterk deze focus dan moet zijn en of (iii) vo-leerlingen en mbo-studenten samen of apart genomen moeten worden bij het afbakenen van de groepen. Zoals in het vorige hoofdstuk te lezen is, verschilt per scenario de omvang van de groep jongeren die meegenomen wordt bij het berekenen van regionale vsv-risicoscores evenals de gemiddelde kans op vsv van deze groep jongeren. 

OCW heeft, na input van de begeleidingscommissie, gekozen om scenario 1 (alle leerlingen en studenten) en scenario 4 (top 40 procent vo en mbo samen) verder te laten onderzoeken door het CBS. Een reden die gegeven is voor de keuze voor scenario 1 is dat in dit scenario elke jongere meetelt, ook al is de kans op vsv (erg) klein. Dit doet recht aan de preventieve inspanningen die regio’s doen. Ook werd door sommige leden van de begeleidingscommissie genoemd dat door gebruik te maken van de modellen (zie hoofdstuk 2) al rekening gehouden wordt met de hoogte van de kans op vsv (en als je die kansen optelt dus met de mate van vsv-problematiek in een regio²⁷⁾). Een verdere focus op hoge kans op vsv werd daarom niet noodzakelijk geacht. Tot slot werd aangegeven dat dat dit scenario mogelijk het meest makkelijk uit te leggen is (aangezien dit het meest eenvoudige scenario is).

Als argumentatie voor scenario 4 (waarin gefocust wordt op de jongeren met de 40 procent hoogste vsv-kansen) werd gegeven dat dit recht doet aan het uitgangspunt dat het geld ingezet wordt naar rato van de opgave van de RMC-regio’s (dus dat het geld daar ingezet wordt waar de vsv-problematiek relatief groot is). Een nog striktere focus op hoge kans op vsv (top 20 procent) werd niet wenselijk geacht aangezien dan de meegenomen populatie, zo werd aangegeven, te sterk beperkt wordt. In scenario 4 wordt de top 40 procent bepaald voor het vo en het mbo samen (dus er wordt gekeken naar de kans op vsv van de jongeren ongeacht of deze jongeren op het vo of het mbo zitten). Dit betekent, zie ook het vorige hoofdstuk, dat er relatief meer mbo-studenten dan vo-leerlingen meegenomen worden bij de berekening van de regionale vsv-risicoscores. Dit werd wenselijk bevonden aangezien de kans op vsv op het mbo groter is dan op het vo plus dat de maatschappelijke impact van uitgevallen jongeren in het mbo groter geacht werd. 

Voor deze twee scenario’s heeft het CBS op verzoek van OCW aanvullend onderzoek gedaan. Meer specifiek is in kaart gebracht hoe het beschikbare vsv-budget met de nieuwe verdeelsleutel (de regionale vsv-risicoscores) verdeeld zou worden en hoe dit verschilt met de huidige verdeelsleutel. In paragraaf 4.1 wordt eerst kort meer informatie gegeven over de huidige verdeelsleutel. In paragraaf 4.2 wordt vervolgens ingegaan op de (her)verdeling van het budget door de (mogelijk) nieuwe verdeelsleutel. Tot slot wordt in paragraaf 4.3 beschreven in welke mate de verdeling van het beschikbare vsv-budget op basis van de regionale vsv-risicoscores stabiel is over de tijd heen. Met andere woorden in welke mate de budgetten die een regio zou ontvangen vergelijkbaar zijn over de jaren heen. Een te sterke schommeling van de budgetten wordt onwenselijk geacht door OCW aangezien dit het voor RMC-regio’s lastiger maakt om goed beleid te ontwikkelen omdat het dan onzeker is hoeveel budget er in de toekomst verwacht kan worden. 

4.1 Huidige verdeelsleutel 

In dit hoofdstuk wordt inzicht gegeven in de herverdeling die kan ontstaan wanneer een nieuwe verdeelsleutel (gebaseerd op de regionale vsv-risicoscores) geïmplementeerd wordt om het beschikbare vsv-budget te verdelen. Daarvoor is inzicht nodig in de huidige verdeling van het vsv-budget. Dit wordt in deze paragraaf op hoofdlijnen beschreven. In Tabel 4.1.1 staat informatie gegeven over de huidige verdeling van het vsv-budget.²⁸⁾

Het beschikbare vsv-budget wordt opgedeeld in meerdere deelbudgetten en elk deelbudget wordt, op dit moment, op een andere manier verdeeld. Het eerste onderdeel dat belangrijk is voor het huidige doel (gevolgen van de mogelijke nieuwe verdeelsleutel begrijpen) is de aanwezigheid van een zogenaamde vaste voet. Zo is er bij het eerste deelbudget sprake van een vaste voet per regio. Dit betekent dat elke regio eenzelfde bedrag krijgt ongeacht bijvoorbeeld de grootte van de regio of de mate van vsv-problematiek in de regio.²⁹⁾ Verder wordt een deel van het budget verdeeld op basis van bepaalde kenmerken (zie de laatste kolom). Deze variabele verdeling is deels gebaseerd op de armoedeprobleemcumulatiegebieden (apc-gebieden). Hiervoor wordt gekeken naar viercijferige postcodegebieden met bijvoorbeeld een relatief hoog aandeel huishoudens met een inkomen onder de lage inkomensgrens. Een deel van de gemeenten in Nederland heeft postcodes met een apc-score (en dus relatief veel problematiek rondom bijvoorbeeld inkomens en uitkeringen) en een deel van de gemeenten heeft geen apc-score (indien de problematiek op postcode-niveau relatief beperkt is). Bij het laatste deelbudget uit de tabel, decentralisatie-uitkering jeugd, betekent dit dus dat de meeste gemeenten geen geld ontvangen uit dit deelbudget (namelijk indien er geen zogenaamde apc-gebieden aanwezig zijn).³⁰⁾

4.2 (Her)verdeeleffecten

Met de mogelijk nieuwe verdeelsleutel zouden alle deelbudgetten op dezelfde manier verdeeld worden over de RMC-regio’s, namelijk door middel van de regionale vsv-risicoscores. Het idee van OCW is dat de verdeling die dan tot stand komt meer recht doet aan de opgave waar regio’s mee te maken krijgen, omdat expliciet gekeken wordt naar het risico op vsv. Ook is de totstandkoming van de verdeling van het budget voor betrokkenen en belanghebbenden duidelijker aangezien deze meer uniform is (en niet voor elk deelbudget een andere verdeelsleutel). In deze paragraaf wordt meer informatie gegeven over hoe het budget met de nieuwe verdeelsleutel verdeeld zou worden en in hoeverre dit anders is dan op basis van de huidige verdeelsleutel.³¹⁾

In Figuur 4.2.1 staat weergegeven hoe het budget verdeeld wordt over de regio’s met de huidige verdeelsleutel en hoe dit zou zijn met de nieuwe verdeelsleutel. Voor de mogelijk nieuwe verdeelsleutel wordt de verdeling voor beide scenario’s voor het optellen in kaart gebracht (dus voor scenario 1 waar de vsv-kansen van alle jongeren opgeteld worden en voor scenario 4 waarbij de kansen van de groep jongeren met de 40 procent hoogste vsv-kans bij elkaar opgeteld worden (ongeacht of de jongeren op het vo zitten of op het mbo)). Het bedrag dat gebruikt is voor deze analyse is 112 miljoen euro. OCW heeft aangegeven dat dit het bedrag is dat momenteel beschikbaar gesteld wordt om vsv tegen te gaan (dit zijn alle vier de deelbudgetten uit Tabel 4.1.1 samen).³²⁾ Voor de berekening van de regionale vsv-risicoscores zijn de vsv-kansen van het basiscohort gebruikt (2018/’19). Ook de regionale indeling van dat moment is gehanteerd voor onderstaande analyses. 

Zoals in bovenstaande grafiek duidelijk wordt, zou de verdeling van het budget met de nieuwe verdeelsleutel meer gelijkmatig zijn. Bij de huidige verdeelsleutel zijn er een aantal regio’s die een groot deel van het budget krijgen (ongeveer 5 procent van de regio’s krijgt meer dan 10 miljoen) en bijna de helft van de regio’s krijgt een bedrag tot 2 miljoen. Bij de verdeling van het budget op basis van de regionale vsv-risicoscores is de verdeling over de regio’s meer gelijkmatig. 

Verder wordt uit bovenstaande grafiek duidelijk dat de verdeling van het budget wanneer de regionale vsv-risicoscores berekend worden volgens scenario 1 een vergelijkbaar beeld laat zien met de verdeling van het budget wanneer de regionale vsv-risicoscores volgens scenario 4 berekend worden. Onderstaande grafiek bevestigt dit. De bolletjes in onderstaande grafiek zijn de RMC-regio’s. Vervolgens wordt gekeken welk bedrag deze regio zou krijgen indien scenario 1 gebruikt wordt om de regionale vsv-risicoscores te berekenen (de horizontale as) en welk bedrag deze regio zou krijgen indien scenario 4 gevolgd zou worden voor de berekening van de regionale vsv-risicoscores (de verticale as). 

Zoals zichtbaar is in Grafiek 4.2.2 is het bedrag dat RMC-regio’s ontvangen wanneer scenario 1 gebruikt wordt voor het optellen vergelijkbaar met het bedrag dat regio’s zouden krijgen indien scenario 4 gebruikt wordt voor het berekenen van de regionale vsv-risicoscores. Dit is goed verklaarbaar. Bij scenario 4 worden de vsv-kansen opgeteld van de groep jongeren met de 40 procent hoogste vsv-kans ongeacht of deze jongeren op het vo of op het mbo zitten. Zoals in het vorige hoofdstuk beschreven, betekent dit dat vrijwel alle jongeren op het mbo meegenomen worden bij de berekening van de regionale vsv-risicoscores (zie Tabel 3.2.1). Dit komt doordat de kans op vsv op het mbo groter is dan op het vo (zie Tabel 3.2.2). Met andere woorden de populatie waar de kans op vsv het hoogst is (mbo-studenten) wordt bij scenario 4 vrijwel helemaal meegenomen bij de berekening (net als bij scenario 1 waar deze populatie in het geheel meegenomen). Er worden bij scenario 4 relatief weinig vo-leerlingen meegenomen bij de berekening van de regionale vsv-risicoscores (zie wederom Tabel 3.2.1), maar omdat de kans op vsv voor deze groep jongeren relatief beperkt is, is de invloed op de regionale vsv-risicoscores dat ook. 

Aan het begin van deze paragraaf is ingegaan op de verdeling van het budget: hoeveel procent van de regio’s krijgt een bepaald bedrag (met de huidige en de mogelijk nieuwe verdeelsleutel)? In het vervolg van deze paragraaf wordt de herverdeling in kaart gebracht: in welke mate krijgen regio’s een ander bedrag met de verdeelsleutel op basis van regionale vsv-risicoscores dan met de huidige verdeelsleutel van OCW?³³⁾ Dit geeft inzicht in de mogelijke impact van de implementatie voor individuele RMC-regio’s. In Tabel 4.2.3 staat weergegeven hoeveel regio’s minder budget, hetzelfde budget of meer budget zouden krijgen met de nieuwe verdeelsleutel ten opzichte van de huidige verdeelsleutel van OCW. Voor de nieuwe verdeelsleutel wordt inzichtelijk gemaakt of het uitmaakt of de regionale vsv-risicoscores aan de hand van scenario 1 of scenario 4 berekend worden. OCW is voornemens om het beschikbare vsv-budget te verhogen.³⁴⁾ Tijdens het schrijven van dit rapport was de beste indicatie die OCW kon geven voor dit nieuwe bedrag 149 miljoen euro.³⁵⁾ Het idee, wederom op het moment dat dit rapport geschreven werd, is dat OCW de nieuwe verdeelsleutel tegelijk invoert met de verhoging van het vsv-budget. Dit betekent dat RMC-regio’s met twee veranderingen tegelijk te maken zouden krijgen: de verhoging van het budget en de verdeling van het beschikbare budget met een nieuwe verdeelsleutel. De herverdeeleffecten worden daarom op twee manieren in kaart gebracht in dit onderzoek. Bij de eerste vergelijking (bovenste helft van Tabel 4.2.3) wordt het huidige budget (112 miljoen) verdeeld volgens de huidige verdeelsleutel en volgens de verdeelsleutel op basis van de regionale vsv-risicoscores. Deze vergelijking geeft inzicht in de herverdeeleffecten die zouden ontstaan door een nieuwe verdeelsleutel. Dit is vooral een theoretische vergelijking. Bij de tweede vergelijking (onderste helft van Tabel 4.2.3) wordt rekening gehouden met de (waarschijnlijke) verhoging van het budget (naar 149 miljoen). Deze vergelijking geeft meer de praktische gevolgen weer waar regio’s (waarschijnlijk) mee te maken zouden krijgen doordat een nieuwe verdeelsleutel geïmplementeerd wordt én OCW voornemens is het beschikbare budget tegelijkertijd te verhogen. 

Tabel 4.2.3 laat zien (vergelijking 1) dat de meeste RMC-regio’s erop vooruit gaan indien het budget verdeeld wordt door middel van de regionale vsv-risicoscores in plaats van volgens de huidige verdeelsleutel. Dit komt doordat bij de huidige methode er een aantal regio’s zijn die een vrij substantieel deel van het budget ontvangen, zie Figuur 4.2.1. Bij de nieuwe methode wordt het budget meer gelijkmatig verdeeld. Uiteraard is het zo dat wanneer rekening gehouden wordt met de verhoging van het budget (vergelijking 2) het aantal regio’s dat erop achteruit gaat afneemt. In dat geval (het meest waarschijnlijke scenario op het moment dat dit rapport geschreven werd) zouden twee RMC-regio’s minder geld ontvangen en de overige regio’s zouden er in de nieuwe situatie op vooruit gaan. Wat betreft de herverdelingseffecten maakt het niet veel uit of de regionale vsv-risicoscores berekend worden volgens scenario 1 of scenario 4. 

Er zijn aanvullende analyses uitgevoerd om in kaart te brengen welke RMC-regio’s erop achteruit zouden gaan. Er zijn twee kenmerken die duidelijk samenhangen met een daling van het ontvangen budget als gevolg van verdeling op basis van regionale vsv-risicoscores. Het eerste kenmerk is de omvang van de regio. Regio’s met relatief weinig jongeren zouden minder budget ontvangen wanneer het beschikbare budget verdeeld zou worden op basis de regionale vsv-risicoscores. Dit komt omdat in de huidige financiering gewerkt wordt met een vaste voet, zie paragraaf 4.1. Dit betekent dat alle regio’s eenzelfde vast bedrag ontvangen ongeacht hoe groot de regio is of hoe sterk de mate van vsv-problematiek is in deze regio’s. Of anders geformuleerd: afgezet tegen bijvoorbeeld het aantal jongeren in een regio krijgen kleine regio’s met de huidige financiering relatief veel geld per jongere ten opzichte van grotere regio’s. Bij de nieuwe verdeelsleutel, op basis van regionale vsv-risicoscores waarbij dus gekeken wordt naar de mate van vsv-problematiek in regio’s, is dit niet het geval. Een ander kenmerk dat samenhangt met het ontvangen van minder budget als gevolg van de (mogelijk) nieuwe verdeelsleutel is de aanwezigheid van apc-gebieden. Zoals in paragraaf 4.1 beschreven, wordt een deel van het budget op dit moment verdeeld op basis van deze apc-gebieden. Dit resulteert in een scheve verdeling van het budget in de zin dat bepaalde gebieden niets krijgen van dit deel van het budget (want dit zijn geen apc-gebieden) en dit deel van het budget dus verdeeld wordt onder gebieden waar dit wel het geval is. Bij apc-gebieden is gekeken naar sociaaleconomische kenmerken van het gebied (lage inkomens en uitkeringen) en de herkomst van inwoners. Het is mogelijk dat bepaalde gebieden op dit moment geen budget ontvangen (want geen apc-gebied) terwijl er wel sprake is van (een verhoogd) risico op vsv. Bij de berekening van de regionale vsv-risicoscores wordt rekening gehouden met meerdere aspecten die de kans op vsv statistisch significant verhogen (bijvoorbeeld leeftijd, soort onderwijs en het ontvangen van zorg voor psychosociale problemen). Hier wordt dus niet gekeken of het een apc-gebied betreft, maar in welke mate er in een regio sprake is van vsv-problematiek op basis van de kenmerken van de jongeren die in deze regio wonen. 

In bovenstaande tabel staat enkel weergegeven of RMC-regio’s er al dan niet op vooruitgaan wat betreft budget (of gelijk blijven). In onderstaande grafieken wordt in meer detail in kaart gebracht hoe hoog het bedrag is dat regio’s erop achteruit of vooruit gaan als gevolg van de nieuwe verdeelsleutel. In Figuur 4.2.4 staat dit weergegeven voor de eerste vergelijking (effect nieuwe verdeelsleutel) en in Figuur 4.2.5 voor de tweede vergelijking (nieuwe verdeelsleutel inclusief verhoging van het budget).

Zoals eerder al zichtbaar werd (Tabel 4.2.3) gaan er meer RMC-regio’s op vooruit dan dat er regio’s op achteruit gaan als gevolg van de nieuwe verdeelsleutel. Figuur 4.2.4 toont dat ook de bedragen die regio’s erop vooruit gaan in het algemeen hoger zijn dan de bedragen die regio’s erop achteruit gaan. Indien rekening gehouden wordt met de verhoging van het budget (de meest waarschijnlijke nieuwe situatie) is het maximale bedrag dat een regio erop achteruit gaat minder dan 400 duizend euro.³⁶⁾ De impact van deze daling voor de regio hangt samen met het bedrag dat deze regio eerder ontving. Zo is de impact bijvoorbeeld relatief kleiner wanneer deze regio meer dan 10 miljoen ontvangt in de huidige situatie dan wanneer deze regio minder dan één miljoen ontvangt in de huidige situatie. Daarom wordt in de volgende grafieken in kaart gebracht hoeveel procent regio’s erop vooruit of achteruit gaan (als gevolg van de nieuwe verdeelsleutel). Figuur 4.2.6 toont dit voor de eerste vergelijking (dus het theoretische effect van de nieuwe verdeelsleutel) en Figuur 4.2.7 voor de tweede vergelijking (de praktische implicatie aangezien ook rekening gehouden wordt met de verhoging van het budget). 

In de nieuwe situatie (nieuwe verdeelsleutel plus verhoogd bedrag) gaan zoals eerder aangegeven twee RMC-regio’s erop achteruit. De procentuele achteruitgang is relatief beperkt (voor één regio is dit maximaal 13 procent en voor de andere regio minder dan drie procent). Ook hier zijn er geen grote verschillen zichtbaar tussen scenario 1 en scenario 4. Dus voor de herverdeeleffecten maakt het, statistisch gezien, weinig uit of de vsv-kansen van alle leerlingen en studenten bij elkaar opgeteld worden of enkel de vsv-kansen van de jongeren met de 40 procent hoogste vsv-kans (voor vo en mbo samen). 

4.3 Stabiliteit 

Naast herverdeeleffecten is ook de stabiliteit van de mogelijk nieuwe herverdeelsleutel, gebaseerd op de regionale vsv-risicoscores, in kaart gebracht. Leidt het toepassen van de nieuwe verdeelsleutel tot grote schommelingen in de toegekende budgetten over de jaren heen? Stabiliteit van de toegekende budgetten over de jaren heen is één van de criteria waar een geschikte verdeelsleutel voor OCW aan moet voldoen. 

De stabiliteit is als volgt in kaart gebracht. Eerder zijn voor het basiscohort (2018/’19) de individuele kansen op vsv berekend en zijn op basis van deze individuele kansen regionale vsv-risicoscores berekend volgens beide scenario’s (scenario 1 en scenario 4). Op basis van deze regionale vsv-risicoscores kan het budget verdeeld worden (zoals eerder in dit hoofdstuk gedaan is).³⁷⁾ Hetzelfde is gedaan voor het cohort 2017/’18. Ook hier zijn de individuele vsv-kansen, de regionale vsv-risicoscores volgens de twee scenario’s en de bijbehorende budgetten berekend.³⁸⁾ Op deze manier kan in kaart gebracht worden of de toegekende budgetten op basis van de regionale vsv-risicoscores stabiel zijn: in hoeverre zou een RMC-regio in het ene jaar een vergelijkbaar budget krijgen als in een ander jaar wanneer de budgetten verdeeld worden aan de hand van de regionale vsv-risicoscores? In de volgende figuren is de stabiliteit van de budgetten die RMC-regio’s ontvangen om vsv te voorkomen visueel weergegeven (in Figuur 4.3.1 voor scenario 1 en in Figuur 4.3.2 voor scenario 4).

In deze figuren zijn de bolletjes de RMC-regio’s (net als in Figuur 4.2.2). Op de horizontale as staat het bedrag dat een regio met de nieuwe verdeelsleutel zou hebben gekregen op basis van het cohort 2017/’18 en op de verticale as hetzelfde voor het cohort 2018/’19. Indien de bolletjes dichtbij de diagonale lijn liggen, betekent dit dat het bedrag vergelijkbaar is. Zoals in bovenstaande figuren te zien is, is dit het geval voor zowel scenario 1 als voor scenario 4. 

Een correlatiecoëfficiënt is een manier om bovenstaande visualisaties in één cijfer samen te vatten. Indien er totaal geen samenhang is tussen de bedragen op basis van het cohort 2017/’18 en cohort 2018/’19 is de correlatiecoëfficiënt 0 (in een grafiek zouden de bolletjes dan totaal verspreid zijn). Dit zou betekenen dat de bedragen in opeenvolgende cohorten totaal anders zijn. Dit is uiteraard onwenselijk voor RMC-regio’s aangezien zij dan geen idee hebben welk budget zij in een bepaald jaar kunnen verwachten om de vsv-problematiek aan te pakken. Indien de bedragen in beide cohorten voor alle regio’s exact hetzelfde zijn dan is de correlatiecoëfficiënt 1 (in bovenstaande grafieken zouden alle bolletjes dan exact op de diagonale lijn liggen). Het is niet te verwachten dat de correlatiecoëfficiënt exact 1 is (dat de bedragen in beide cohorten voor alle regio’s exact hetzelfde zijn). Dit omdat de exacte populatie (de vo-leerlingen en mbo-studenten op basis waarvan de regionale vsv-risicoscores berekend worden) elk jaar net anders is (zo zijn er bijvoorbeeld jongeren die verhuizen, studenten die hun mbo-diploma halen en jongeren die in de eerste klas van het vo instromen). 

In onderstaande tabel staan de correlatiecoëfficiënten tussen de bedragen weergegeven voor de verschillende scenario’s (scenario 1 en scenario 4). Om nog meer zicht te krijgen op de stabiliteit zijn de correlaties niet alleen tussen de cohorten 2017/’18 en 2018/’19 berekend (de correlaties die horen bij de grafieken zoals hierboven weergegeven), maar ook tussen de cohorten 2016/’17 en -2017/’18. Daarnaast is ook de correlatiecoëfficiënt tussen de cohorten 2016/’17-2018/’19 berekend. Dit is dus niet tussen twee opeenvolgende cohorten, maar met een jaar ertussen (dit kan relevant zijn indien OCW de budgetten niet jaarlijks toe zou kennen, maar bijvoorbeeld tweejaarlijks). Tot slot is ook de correlatie berekend tussen 2018/’19 (het basiscohort) en 2021/’22 (het meest recente jaar dat met de huidige beschikbare data bekeken kon worden). Bij deze correlatie is er dus sprake van twee tussenliggende cohorten én betreft het een schooljaar (cohort) waarin nog coronamaatregelen van kracht waren. 

Zoals duidelijk wordt uit bovenstaande tabel zijn de correlatiecoëfficiënten zeer hoog (>0,99). Zelfs indien er meerdere tussenliggende cohorten zijn en indien er “corona-jaren” meegenomen worden. Dit betekent dat voor de RMC-regio’s geldt dat de bedragen die zij in het ene schooljaar ontvangen sterk lijken op de bedragen die zij in het andere schooljaar ontvangen. Met andere woorden de bedragen die verdeeld worden op basis van de regionale vsv-risicoscores zijn stabiel. Dit geldt voor alle onderzochte cohorten en voor beide scenario’s. 

De resultaten in hoofdstuk 4 toonden dat scenario 1 en scenario 4 een vergelijkbaar beeld lieten zien wat betreft (her)verdeling en stabiliteit. OCW heeft, na input van de begeleidingscommissie, gekozen voor scenario 4 als voorkeursscenario om de regionale vsv-risicoscores te berekenen. In dit scenario wordt gekozen om de regionale vsv-risicoscores te berekenen op basis van de jongeren met de hoogste 40 procent vsv-kans (en niet op basis van alle jongeren zoals in scenario 1). Dit is in lijn met de gedachte dat bij een nieuwe verdeelsleutel ook gekeken moet worden naar de mate van problematiek (om de middelen in te zetten daar waar de vsv-problematiek relatief groot is). Ook het gegeven dat in dit scenario relatief veel mbo-studenten meegenomen worden is in lijn met deze gedachte aangezien de vsv-problematiek op het mbo relatief groter is dan op het vo. Vanuit de begeleidingscommissie, waar bijvoorbeeld ook coördinatoren van RMC-regio’s in zitten, werd ook aangegeven dat zij dit scenario het gemakkelijkste vonden om te communiceren naar betrokkenen. 

In onderstaande tabel wordt de verdeelsleutel op basis van de vsv-risicoscores per RMC-regio weergegeven. Hierbij is wederom uitgegaan van de vsv-kansen berekend op basis van het basiscohort (2018/’19). Dit omdat de coronacrisis op dat moment nog geen invloed kon hebben op de modellen en het idee is dat de ontwikkelde modellen daardoor meer toekomstbestendig zijn. Zoals in het vorige hoofdstuk te lezen is, zijn de regionale vsv-risicoscores en de bijbehorende verdeling van de budgetten stabiel over de cohorten heen. Ook indien gekeken wordt naar recentere cohorten en zelfs wanneer naar een coronacohort gekeken wordt.³⁹⁾

Zoals in Tabel 5.1 is weergegeven hebben de RMC-regio’s waar de grootste steden van Nederland in liggen de hoogste vsv-risicoscores (Rijnmond, Agglomeratie Amsterdam, Haaglanden/Westland en Utrecht). De kleinere regio’s hebben de laagste vsv-risicoscores (Walcheren, Noord-Groningen-Eemsmond en Zeeuws-Vlaanderen).⁴⁰⁾

De scores in Tabel 5.1 zijn percentages. Stel dat op basis van deze scores een budget van 100 miljoen euro verdeeld zou worden. De RMC-regio met de hoogste score, RMC-regio Rijnmond, zou dan 9,4 procent van dit bedrag krijgen dus 9,4 miljoen euro. De RMC-regio met de laagste score, Zeeuws-Vlaanderen, zou dan iets meer dan een half miljoen euro krijgen. 

De scores zoals weergegeven in Tabel 5.1 zijn de scores die het CBS in de toekomst periodiek zou berekenen en publiceren indien OCW besluit in de toekomst het beschikbare vsv-budget te verdelen op basis van de regionale vsv-risicoscores (dus wanneer de nieuwe verdeelsleutel geïmplementeerd zou worden). OCW zal hiermee vervolgens de bedragen berekenen (op basis van het beschikbare budget) en deze verdelen over de RMC-regio’s.  

Indien jongeren het onderwijs verlaten zonder startkwalificatie (een diploma op ten minste havo-, vwo- of mbo2-niveau) wordt gesproken van voortijdig schoolverlaten (vsv). Deze jongeren hebben slechtere arbeidsmarktperspectieven en ook voor de maatschappij kan dit extra kosten met zich meebrengen vanwege bijvoorbeeld een groter beroep op sociale voorzieningen (zoals uitkeringen). 

Het ministerie van Onderwijs, Cultuur en Wetenschap (OCW) stelt daarom middelen beschikbaar om vsv te minimaliseren. Dit budget wordt toegekend aan Regionale Meld- en Coördinatie Regio’s (RMC-regio’s). In deze RMC-regio’s werken scholen en gemeenten samen om te voorkomen dat jongeren het onderwijs verlaten zonder startkwalificatie.

OCW is op zoek naar een nieuwe manier om dit geld te verdelen over de regio’s. Uitgangspunten hierbij zijn dat met de nieuwe verdeelsleutel het geld daar ingezet wordt waar de vsv-problematiek relatief groot is en dat de nieuwe verdeelsleutel transparant en duidelijk is. 

Het Centraal Bureau voor de Statistiek (CBS) heeft daarom eerder op verzoek van OCW een tweetal modellen ontwikkeld om voor leerlingen in het voortgezet onderwijs (vo) en studenten in het middelbaar beroepsonderwijs (mbo) de kans op vsv te schatten (zie hoofdstuk 2). Indien de individuele kansen op vsv van de vo-leerlingen en mbo-studenten per regio opgeteld worden, kunnen zogenaamde regionale vsv-risicoscores berekend worden op basis waarvan OCW het beschikbare vsv-budget kan verdelen. 

Dit optellen kan op meerdere manieren. OCW diende daarom meerdere beleidskeuzes te maken. Zo moest besloten worden of de vsv-kansen van alle leerlingen en studenten in een regio bij elkaar opgeteld moeten worden of dat enkel gekeken moet worden naar leerlingen en studenten met een verhoogde kans op vsv. Indien men een focus wenste op leerlingen en studenten met een verhoogde vsv-kans moest besloten worden hoe sterk deze focus moet zijn (enkel jongeren met een relatief zeer hoge kans op vsv of ook jongeren met een iets minder hoge kans op vsv?). Ook moest besloten worden of bij het optellen al dan niet onderscheid gemaakt moet worden tussen vo-leerlingen en mbo-studenten (als er een focus komt op jongeren met een verhoogde kans op vsv, wordt dan voor vo en mbo apart gekeken naar de jongeren met de hoogste vsv-kansen of wordt het vo en het mbo samengevoegd en wordt dan gekeken welke jongeren de hoogste vsv-kans hebben?). 

Op basis van deze beleidskeuzes kunnen onderstaande vijf scenario’s opgesteld worden om de regionale vsv-risicoscores te berekenen (zie ook hoofdstuk 3):

• Scenario 1: de vsv-kansen van alle leerlingen en studenten in een regio worden bij elkaar opgeteld. Met andere woorden: 100 procent van de doelpopulatie van vo-leerlingen en 100 procent van de doelpopulatie van de mbo-studenten wordt meegenomen bij de berekening.
• Scenario 2: enkel de vsv-kansen van de jongeren die de 20 procent hoogste vsv-kans hebben worden bij elkaar opgeteld en bij het selecteren van de jongeren met de hoogste 20 procent vsv-kansen wordt geen onderscheid gemaakt tussen vo-leerlingen en mbo-studenten (deze jongeren worden dus samengevoegd tot één groep en dan wordt de top 20 procent geselecteerd ongeacht of het vo-leerlingen of mbo-studenten zijn). Aangezien de vsv-kans op het mbo hoger is dan op het vo worden in dit scenario relatief veel mbo-studenten meegenomen bij de berekening van de regionale vsv-risicoscores. 
• Scenario 3: ook hier worden enkel de vsv-kansen opgeteld van de jongeren met de hoogste 20 procent vsv-kansen, maar hierbij wordt wel een onderscheid gemaakt tussen vo en mbo. Dit betekent dat zowel 20 procent van de vo-leerlingen als 20 procent van de mbo-studenten meegenomen wordt bij de berekening. 
• Scenario 4: dit is hetzelfde als scenario 2 (geen onderscheid tussen vo en mbo) alleen worden nu de jongeren geselecteerd met de 40 procent hoogste vsv-kansen. Hier wordt dus wel gekeken jongeren met een verhoogde kans op vsv, maar wordt een grotere groep meegenomen dan in scenario 2 (en is de gemiddelde kans op vsv van deze groep lager dan in scenario 2). Aangezien bij het bepalen van de groep jongeren met de 40 procent hoogste vsv-kansen geen onderscheid gemaakt wordt tussen vo en mbo worden ook hier relatief meer mbo-studenten meegenomen bij de berekening dan vo-leerlingen (aangezien de kans op vsv groter is in het mbo dan in het vo). 
• Scenario 5: dit is hetzelfde als scenario 3 (wel onderscheid tussen vo en mbo) alleen wordt hier (net als bij scenario 4) gekeken naar de jongeren met de hoogste 40 procent vsv-kansen. Aangezien dit apart gedaan wordt voor het vo en het mbo wordt hier zowel 40 procent van de vo-leerlingen als 40 procent van de mbo-studenten meegenomen bij de berekening van de regionale vsv-risicoscores. 

OCW heeft, na input van de begeleidingscommissie (zie bijlage 1), gekozen om scenario 1 en scenario 4 verder te laten onderzoeken. Voor deze scenario’s heeft het CBS op verzoek van OCW gekeken naar de (her)verdelingseffecten ten opzichte van de huidige verdeelmethodiek. Deze analyses (zie ook hoofdstuk 4) lieten zien dat de verdeling van het budget op basis van de regionale vsv-risicoscores gelijkmatiger is dan de huidige verdeling (waarbij er een aantal regio’s zijn die een substantieel deel van het budget ontvangen). Indien het budget verdeeld wordt op basis van de regionale vsv-risicoscores gaan er meer regio’s op vooruit dan achteruit (dit komt omdat het budget gelijkmatiger verdeeld wordt). 

Er zijn twee kenmerken die duidelijk samenhangen met het ontvangen van minder budget op basis van de regionale vsv-risicoscores. Ten eerste zijn er kleine regio’s die minder budget zouden ontvangen. Dit komt omdat in de huidige verdeelsleutel gewerkt wordt met een vaste voet waarbij alle regio’s eenzelfde bedrag ontvangen ongeacht de grootte van de regio en/of de mate van de vsv-problematiek in de regio. Ten tweede zijn er regio’s met relatief veel armoedeprobleemcumulatiegebieden (apc-gebieden) die minder budget zullen ontvangen op basis van de vsv-risicoscores. Bij apc-gebieden wordt gekeken naar postcodes met de hoogste mate van problematiek rondom bijvoorbeeld lage inkomens en uitkeringen. Indien een gebied niet in de top van Nederland zit rondom deze problematiek dan ontvangt een gebied met de huidige verdeelsleutel een deel van het budget niet. Bij de nieuwe verdeelsleutel wordt naar meerdere kenmerken gekeken die samenhangen met de kans op vsv en wordt het budget gelijkmatiger verdeeld. Doordat OCW voornemens is om het beschikbare vsv-budget te verhogen (tegelijk met de implementatie van de nieuwe verdeelsleutel) gaat de grote meerderheid van de regio’s erop vooruit. 

Tot slot tonen analyses aan (zie ook hoofdstuk 4) dat de verdeling van het budget op basis van regionale vsv-risicoscores stabiel is over tijd. Dit betekent dat er geen grote schommelingen zijn in het budget dat regio’s jaarlijks zouden ontvangen wanneer dit budget verdeeld wordt op basis van de regionale vsv-risicoscores. 

Wat betreft (her)verdeling en stabiliteit bleken er geen grote verschillen te zijn wanneer de regionale vsv-risicoscores volgens scenario 1 of scenario 4 berekend worden. Na advies van de begeleidingscommissie heeft OCW aangegeven de voorkeur te hebben voor scenario 4 (focus op jongeren met de hoogste 40 procent van de vsv-kansen ongeacht of de jongeren op het vo of het mbo zitten). Dit omdat dit scenario meer in lijn is met het idee dat het geld naar rato van de opgave van de regio wordt verdeeld (dus een focus op een verhoogde vsv-kans). Ook worden in dit scenario relatief meer mbo-studenten meegenomen dan vo-leerlingen wat wederom in lijn is met het idee om te focussen op waar de problematiek het hoogst is (vsv is bij het mbo hoger dan bij het vo). OCW streeft ernaar om de nieuwe verdeelmethode op basis van de regionale vsv-risicoscores in 2025 te implementeren. 

Overzicht van organisaties die tijdens het onderzoeksproces om input zijn gevraagd. 

Dienst Uitvoering Onderwijs
Ingrado
KBA Nijmegen
MBO-Raad
Ministerie van Binnenlandse Zaken
RMC-coördinatoren
ROC Gilde
Sociaal en Cultureel Planbureau
Vereniging van Nederlandse Gemeenten
VO-Raad

In deze bijlage wordt de operationalisering beschreven van de kenmerken die gebruikt worden om op individueel niveau de kans op vsv te berekenen (zie hoofdstuk 2). 

Voortijdig schoolverlaten

Voortijdig schoolverlaters zijn jongeren tot 27 jaar⁴¹⁾ die op 1 oktober van het schooljaar (t0) ingeschreven zijn in het bekostigd vo, mbo of vavo en op dat moment geen startkwalificatie hadden en op 1 oktober één jaar later (t1) niet meer ingeschreven zijn in het bekostigd onderwijs en (nog steeds) geen startkwalificatie hebben.⁴²⁾

0 – Geen voortijdig schoolverlater op t1
1 – Wel een voortijdig schoolverlater op t1

Sociaal-demografische kenmerken

Leeftijd
De leeftijd van de leerling of student op 30 september in jaar t0 (in jaren) zoals berekend op basis van de geboortedatum in de Basisregistratie Personen (BRP). Voor het vo geldt dat leeftijden tot en met 14 jaar samengevoegd zijn tot één categorie evenals leeftijden vanaf 19 jaar (dit vanwege de beperkte omvang van deze leeftijdsgroepen). De tussenliggende jaren zijn aparte categorieën. Voor het mbo geldt dat de leeftijden tot en met 16 jaar samengevoegd zijn tot één categorie. De andere jaren zijn hier aparte categorieën.

Geslacht
Geslacht van de leerling of student zoals geregistreerd in de BRP op 30 september in jaar t0. 

1 - Man
2 - Vrouw

Ouderlijke structuur
Op basis van de BRP is in kaart gebracht of de leerling of student op 30 september in jaar t0 in hetzelfde huishouden woont als de juridische ouders. 

1- Woont bij beide juridische ouders
2- Woont bij één van de juridische ouders (eventueel met partner)
3- Woont zonder juridische ouders

Hoogst behaalde opleidingsniveau (moeder)
Afkomstig uit het opleidingsniveaubestand voor iedereen die een geregistreerd (DUO/UWV) diploma heeft behaald of van wie dit bekend is uit de Enquête Beroepsbevolking (EBB). Het opleidingsniveau is niet voor iedereen bekend. Ontbrekende waarden zijn daarom geïmputeerd met behulp van achtergrondkenmerken (zie paragraaf 2.6 van het vorige rapport). Het hoogst behaalde opleidingsniveau van de moeder in jaar t0 is gecategoriseerd in (gebaseerd op de indeling volgens de International Standard Classification of Education):

1. Laag
     a. Basisonderwijs
     b. Praktijkonderwijs, vmbo-b/k, mbo entreeopleiding
     c. Vmbo-g/t, havo-, vwo-onderbouw
2. Midden
     a. Mbo niveau 2 en 3
     b. Mbo niveau 4
     c. Havo-, vwo-bovenbouw
3. Hoog
     a. Hbo-, wo-bachelor
     b. Hbo-, wo-master, doctor
4. Onbekend. Voor een beperkte groep moeders kon het opleidingsniveau niet geïmputeerd worden door achtergrondkenmerken. Deze moeders hebben opleidingsniveau onbekend gekregen.

Welvaart van het huishouden
De financiële welvaart van een huishouden in jaar t0 is gebaseerd op zowel het gestandaardiseerd inkomen als het vermogen. De inkomens- en vermogensstatistiek zijn afkomstig van onder andere de administraties van de Belastingdienst. Na rangschikking op basis van het inkomen en vermogen is de financiële welvaart van een huishouden bepaald uit de som van het cumulatieve aandeel in het totale inkomen en het cumulatieve aandeel in het totale vermogen. Op grond van de optelling zijn de huishoudens vervolgens gerangschikt van laag naar hoog en in 100 groepen van gelijke omvang verdeeld. De eerste groep bevat dan de 1 procent huishoudens met de laagste financiële welvaart en de honderdste groep bevat de 1 procent huishoudens met de hoogste financiële welvaart. Institutionele huishoudens en particuliere huishoudens waarvan het inkomen/vermogen onbekend is, zijn niet in de percentielverdeling meegenomen. Voor het huidige onderzoek zijn de welvaartspercentielen ingedeeld in zes categorieën:

1 - 1 t/m 20
2 - 21 t/m 40
3 - 41 t/m 60
4 - 61 t/m 80
5 - 81 t/m 100
9 – Onbekend

Aanwezigheid van problemen

Psychosociale problemen 
Om psychosociale problemen te meten worden twee verschillende databronnen gebruikt: jeugdhulp en kosten voor geestelijke gezondheidszorg (GGZ-kosten). Bij jeugdhulp gaat het om hulp aan jongeren en hun ouders bij psychische problemen, een verstandelijke beperking of bij opvoedproblemen. Voor de data met betrekking tot jeugdhulp wordt gebruik gemaakt van de registratie van jeugdhulp in het kader van de Beleidsinformatie Jeugd. Jeugdhulp zonder verblijf uitgevoerd door het wijk- of buurtteam is niet meegenomen in onze definitie. De Jeugdwet is in principe bedoeld voor jongeren tot 18 jaar. In sommige gevallen kan jeugdhulp verlengd worden tot de jongere 23 jaar oud wordt. Voor leerlingen of studenten vanaf 18 jaar wordt ook gekeken naar kosten voor basis GGZ-zorg of kosten voor specialistische GGZ-zorg als indicator voor psychosociale problemen. Hiervoor is gebruik gemaakt van het bestand met de zorgverzekeringswet-kosten afkomstig van Vektis. Omdat deze data op t0 niet op tijd beschikbaar zijn, wordt de data van een peilmoment eerder gebruikt.

0 – Persoon heeft geen jeugdhulp (in jaar t0) en/of GGZ-kosten (in jaar t-1) gehad 
1 – Persoon heeft wel jeugdhulp (in jaar t0) en/of GGZ-kosten (in jaar t-1) gehad

Verdachte van een misdrijf
Verdachten van geregistreerde misdrijven die voorkomen in het registratiesysteem van de Nationale Politie. Er is sprake van verdachten indien er een redelijk vermoeden van schuld aan een misdrijf bestaat. Er wordt in dit onderzoek geen onderscheid gemaakt naar type misdrijf. 

0 – Niet verdacht geweest van een misdrijf in jaar t0
1 – Wel verdacht geweest van een misdrijf in jaar t0

Problematische schulden 
Er is sprake van problematische schulden als een persoon voldoet aan ten minste één van de volgende criteria op het peilmoment⁴³⁾:

• Volgt een Wet Schuldsanering Natuurlijke Personen (WSNP)-traject;
• Heeft ten minste zes maanden de zorgpremie niet betaald;
• Heeft een betalingsachterstand van een Wet Mulder-boete bij het Centraal Justitieel Incassobureau (CJIB) waarvan de tweede aanmaning ten minste twee maanden openstaat, of zich al in een ernstigere wanbetalersfase bevindt. Daarnaast moet het openstaande bedrag in totaal minimaal 50 euro zijn;
• Heeft langer dan 27 maanden een toeslagschuld van totaal minimaal 50 euro openstaan bij de Belastingdienst;
• Heeft langer dan 15 maanden een schuld van totaal minimaal 50 euro voor overige belastingaanslagen openstaan bij de Belastingdienst;
• Heeft een belastingschuld die in de 12 maanden voor het peilmoment oninbaar is gebleken;
• Heeft een betalingsachterstand bij de DUO van 3 maanden of langer en van minimaal 270 euro.

In het huidige onderzoek wordt een onderscheid gemaakt tussen schulden op persoons- en huishoudensniveau. Voor leerlingen op het voortgezet onderwijs wordt alleen gekeken naar schulden op huishoudensniveau, omdat geregistreerde problematische schulden op persoonsniveau bij deze groep relatief beperkt zijn. Op het mbo wordt er eerst gekeken of er persoonlijke schulden zijn. Is dat niet het geval, dan wordt gekeken of iemand in het huishouden schulden heeft. Er wordt gekeken naar de schulden in jaar t0. Omdat voor 2016 het schuldenbestand intern niet beschikbaar was, wordt in dit onderzoek voor cohort 2016/’17 naar jaar t+1 gekeken.

Categorieën voor het vo:

0 - Geen problematische schulden in jaar t0 (t+1 voor cohort 2016/’17)
1 - Problematische schulden in het huishouden in jaar t0 (t+1 voor cohort 2016/’17)

Categorieën voor het mbo:

0 - Geen problematische schulden in jaar t0 (t+1 voor cohort 2016/’17)
1 - Problematische schulden op persoonsniveau in jaar t0 (t+1 voor cohort 2016/’17)
2 - Problematische schulden in het huishouden in jaar t0 (t+1 voor cohort 2016/’17)

Omgevingskenmerken

Stedelijkheid van de buurt
Op basis van de BRP is bekend in welke gemeente en buurt een leerling of student woont. De indeling van gemeenten naar stedelijkheid is gebaseerd op de omgevingsadressendichtheid van de gemeente. Allereerst is voor ieder adres binnen een gemeente de adressendichtheid vastgesteld van een gebied met een straal van één kilometer rondom dat adres. De omgevingsadressendichtheid van een gemeente is de gemiddelde waarde hiervan voor alle adressen binnen die gemeente. De volgende klassen van stedelijkheid worden onderscheiden: 

1 - Zeer sterk (meer dan 2500 omgevingsadressen/km²)
2 - Sterk (1500 tot 2500 omgevingsadressen/km²)
3 - Matig (1000 tot 1500 omgevingsadressen/km²) 
4 - Weinig (500 tot 1000 omgevingsadressen/km²)
5 - Niet (minder 500 omgevingsadressen/km²)

Onderwijsgerelateerde kenmerken voor het vo: 

Onderwijssoort
Dit is een samengesteld kenmerk op basis van het onderwijssoort en het leerjaar van de leerling. Voor het vmbo is ook onderscheid gemaakt tussen de verschillende leerwegen.

00 - Leerjaar 1 en 2
05 - Vmbo-basisberoeps leerjaar 3 + 4
06 - Vmbo-kaderberoeps leerjaar 3 + 4
07 - Vmbo-gemengd leerjaar 3 + 4
08 - Vmbo-theoretisch leerjaar 3 + 4
09 - Havo leerjaar 3 – 5 en algemeen leerjaar 3⁴⁴⁾
10 - Vwo leerjaar 3 – 6
11 – Vavo

Vertraging
Om vast te stellen of er vertraging is in de schoolcarrière, is gekeken of de leeftijd van de leerling gelijk is aan de gemiddelde leeftijd in het betreffende leerjaar (= leerjaar + 11 jaar). Het aantal jaar dat de leerling ouder is dan deze gemiddelde leeftijd, wordt gezien als het aantal jaar opgelopen vertraging. Voor vavo-leerlingen kan vertraging niet berekend worden. Deze leerlingen worden daarom ingedeeld in de categorie 0 - Geen vertraging. 

0 - Geen vertraging
1 - 1 jaar vertraging 
2 - Tenminste 2 jaar vertraging

Onderwijsgerelateerde kenmerken voor het mbo:

Niveau
Niveau van de mbo-opleiding: 

1 - Entreeopleiding
2 - Niveau 2 (Basisberoepsopleiding)
3 - Niveau 3 (Vakopleiding)
4 - Niveau 4 (Middenkader-/specialistenopleiding)

Leerweg
In het mbo kunnen twee leerwegen onderscheiden worden: de Beroepsopleidende leerweg (BOL) en de Beroepsbegeleidende leerweg (BBL). Bij de BOL is er meer school dan praktijk, terwijl BBL-studenten grotendeels aan het werk zijn. Daarnaast is er een groep die uitsluitend examen doet, maar van wie de leerweg onbekend is omdat zij in het examenjaar niet als deelnemers staan ingeschreven. Zij worden extranei genoemd. De volgende operationalisering wordt gebruikt in dit onderzoek voor leerweg op het mbo:

20 - BOL 
22 - BBL
23 - Extranei

Studierichting (ISCED indeling)
Op basis van de ISCED (International Standard Classification of Education), is de volgende indeling in studierichtingen gemaakt:

01 - Overige richtingen
03 - Zorg en maatschappij
04 - Economisch en juridisch
05 - Technisch
08 - Landbouw, diergeneeskunde en -verzorging
99 - Onbekend