1. Inleiding
Opgroeien in armoede kan van grote invloed zijn op de jeugd van een kind. Armoede speelt een rol bij sociale uitsluiting, niet alleen in de jeugd, maar ook later in het leven (Kalthoff, 2020; CBS, 2023a, 2023b). De overheid heeft een belangrijke rol in armoedebestrijding en het ontwikkelen van effectief armoedebeleid. Meer kennis over kenmerken die samenhangen met de kans om als kind uit armoede te raken, of juist in armoede te blijven, kan hier mogelijk bij helpen. Deze kennis kan beleidsmakers inzicht geven in welke groepen kinderen specifieke aandacht verdienen binnen het armoedebeleid.
Kinderarmoede is een complex probleem waarbij verschillende oorzaken een rol kunnen spelen. Het is dan ook belangrijk om mogelijk relevante kenmerken in samenhang te bekijken. Het Centraal Bureau voor de Statistiek (CBS) heeft eerder onderzoek gedaan naar (combinaties van) kenmerken die samenhangen met de kans om uit armoede te komen of arm te blijven bij volwassenen (Laan e.a. 2021, 2022; CBS, 2024). Het ministerie van Binnenlandse Zaken en Koninkrijkrelaties (BZK) heeft het CBS gevraagd om een vergelijkbaar onderzoek te doen naar relevante kenmerken om uit armoede te komen, specifiek voor minderjarige kinderen.
Onderzoeksopzet
In dit onderzoek is een model ontwikkeld dat de kans schat dat een minderjarig kind dat in 2020 tot een arm huishouden behoorde in 2021 uit de armoede komt. Dit is gedaan op basis van kenmerken van het kind zelf, kenmerken van de ouder(s) en eventuele nieuwe partner van de ouder en kenmerken van het huishouden van het kind. Er zijn in totaal 252 kenmerken geanalyseerd. Een groot deel van de kenmerken zijn bepaald voor het jaar 2020 en de 2 jaar ervoor. Om vast te stellen of een kind arm is wordt gekeken naar het inkomen en vermogen van het huishouden van het kind en wordt uitgegaan van de lage-inkomensgrens (zie ook bijlage A1). De lage-inkomensgrens is tot nu het centrale armoedecriterium van het CBS. In de loop van 2024 stapt het CBS over op een nieuwe armoedegrens (CBS/Nibud/SCP, 2023).
Het model om de kans om uit armoede te schatten maakt gebruik van machinelearning, een vorm van Artificial Intelligence (AI). Het voordeel daarvan is dat veel verschillende kenmerken in samenhang geanalyseerd kunnen worden. Het machinelearningmodel bepaalt vervolgens welke (combinaties) van kenmerken het sterkst bijdragen aan de kans om uit armoede te komen. Het model schat in meerdere rondes en wordt steeds beter bij iedere schatting. Dit helpt om de kans om uit armoede te komen zo goed mogelijk te schatten.
Leeswijzer
Het rapport is als volgt opgebouwd. In hoofdstuk 2 worden de resultaten besproken. Eerst worden de relaties tussen kenmerken en de kans om uit armoede te komen besproken voor kinderen in heel Nederland (2.1). Daarna wordt verder gekeken naar de resultaten voor inhoudelijke subgroepen (2.2). Dit zijn subgroepen die volgens inhoudelijk experts interessant zijn in kinderarmoede onderzoek. Vervolgens wordt ingezoomd op de resultaten voor datagedreven subgroepen (2.3). Dit zijn subgroepen die uit het versimpelde model naar voren komen en een relatief hoge of lage kans hebben om uit armoede te komen. Conclusies worden in hoofdstuk 3 getrokken.
Voor meer details verwijzen we naar de bijlages. In Bijlage A wordt kinderarmoede gedefinieerd (A1) en de uitkomstvariabele (A2), de populatie (A3) en de kenmerken (A4) beschreven. In Bijlage B wordt de methode uitgelegd (B1–B4, B6), wordt de modelkwaliteit beschreven (B5) en wordt een uitleg gegeven over de subgroepen (B7, B8).