Kenmerken die samenhangen met de kans om uit kinderarmoede te komen

Kinderarmoede is een ingewikkeld probleem dat vele oorzaken kan hebben. Met behulp van een zelflerend data-analysemodel (machinelearning) heeft het CBS onderzocht welke kenmerken bijdragen aan de kans dat een arm kind het volgende jaar uit de armoede komt. Daarbij gaat het om kenmerken van de kinderen, hun ouder(s), het huishouden waarin ze leven en de buurt waarin ze wonen. Hierbij zijn zowel kenmerken meegenomen van de situatie waarin ze nu verkeren als van de veranderingen in de voorafgaande drie jaar. Dit is ook onderzocht voor een aantal specifieke subgroepen. Verder zijn er een aantal subgroepen bepaald die een grote of kleine kans hebben om uit de armoede te geraken. De uitkomsten kunnen helpen bij het voeren van armoedebeleid, bijvoorbeeld als het gaat om de vraag welke (groepen) kinderen specifieke aandacht verdienen.

Voor alle minderjarige kinderen die in 2020 in armoede leefden was de geschatte kans om in 2021 uit de armoede te komen 38 procent. De kans is op basis van diverse kenmerken goed te schatten. Er werden 252 kenmerken onderzocht, waarvan er enkele tientallen bijdragen aan de grootte van de geschatte kans.

De kenmerken die het sterkst bijdragen zijn:

• de leeftijd van het kind;
• of het huishouden in 2019 al inkomensarm was (weinig inkomen had);
• of er een verandering was in partnerschap van de vader of moeder;
• de leeftijd van de moeder bij geboorte.

Wat met name bijdraagt aan een grotere kans om uit de armoede te komen is dat het kind 10 jaar of ouder is, dat het huishouden in 2019 niet inkomensarm was, dat de ouder(s) een andere partner kregen, en dat de moeder al wat ouder is (29 jaar of ouder bij de geboorte van het kind).

In overleg met gemeenten zijn 13 subgroepen bepaald die nader zijn onderzocht. Gekeken is naar de geschatte kans voor elke groep om uit de armoede te komen en hoe die kans zich verhoudt tot de kans van het totaal. Vervolgens is onderzocht in hoeverre de belangrijkste kenmerken in deze subgroepen verschillen met die van het totaal.

Van deze subgroepen hebben kinderen in bijstandshuishoudens en kinderen tot en met 3 jaar die geen kinderopvangtoeslag krijgen de kleinste kans om uit de armoede te komen (27 procent en 28 procent). Kinderen tot en met 3 jaar die wel kinderopvangtoeslag krijgen, hebben juist een grotere kans dan gemiddeld, namelijk 46 procent. Kinderen in huishoudens van werkende ouders hebben de grootste kans om uit de armoede te komen. In huishoudens van werknemers gaat het om 55 procent, in huishoudens van zelfstandigen om 59 procent.

Naast deze 13 subgroepen zijn nog zeven andere subgroepen onderzocht. Deze groepen, die een grote of kleine kans hebben om uit de armoede te komen, zijn met behulp van een simpeler model bepaald op basis van data. Uit de analyse van deze subgroepen komen kenmerken naar voren die sterk bijdragen aan de kans om uit de armoede te komen:

• de inkomensbron van het huishouden;
• verandering van partnerstatus;
• de leeftijd van het kind;
• de duur van de inkomensarmoede van het huishouden.

Bij de subgroep met de kleinste kans (21 procent) om uit de armoede te komen, is sprake van de volgende kenmerken:

• het kind is jonger dan 14 jaar;
• het kind leeft in een huishouden dat moet rondkomen van een uitkering;
• er is al langer sprake van inkomensarmoede;
• er is geen verandering geweest in partnerschap van de ouder(s) en er is geen ouder/partner weggegaan uit het huishouden.

Bijna 50 procent van de arme kinderen valt in deze groep.

De grootste kans om uit armoede te komen (94 procent) heeft de kleine subgroep waarbij het huishoudinkomen uit werk komt en de ouder een nieuwe partner heeft, of het kind is verhuisd naar de andere ouder.

Conclusie

In dit onderzoek is machinelearning toegepast op een grote verzameling registerdata voor de hele populatie arme kinderen in Nederland. Diverse potentieel stimulerende en remmende factoren voor de kans dat een arm kind het jaar erna uit armoede komt konden hierdoor in samenhang worden onderzocht. De belangrijkste kenmerken die bijdragen aan de kans zijn in kaart gebracht. De kans om uit armoede te komen is op basis van diverse kenmerken goed te schatten. Ook zijn verschillende subgroepen bekeken en subgroepen met relatief grote en kleine kansen bepaald. Met name de groepen met een kleine kans kunnen potentiële doelgroepen zijn voor armoedebeleid.

Belangrijke kanttekening is wel dat alle geïdentificeerde verbanden correlaties zijn. Dat wil zeggen dat ze in samenhang met elkaar voorkomen en dat niet is vastgesteld welke kenmerken een oorzaak vormen voor een verhoogde of verlaagde kans om uit armoede te komen. Voor de vertaling naar armoedebeleid is inhoudelijke expertise of aanvullend onderzoek naar oorzaak en gevolg nodig.

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).

2.1 Resultaten totale populatie kinderen in armoede

Samenvatting

Voor alle minderjarige arme kinderen in 2020 is de geschatte kans om in 2021 uit armoede te komen 38 procent. Van de 252 onderzochte kenmerken is de top-10 van kenmerken die het sterkst bijdragen aan de geschatte kans om uit armoede te komen te zien in figuur 2.1.1.

Vooral de eerste vier kenmerken, leeftijd kind, inkomensarm in eerdere jaar (2019), verandering van partnerschap ouder, en leeftijd moeder bij geboorte, zijn belangrijk voor deze kans. Met name een hogere leeftijd (ouder dan 10 jaar), in 2019 niet arm zijn, iedere verandering in partnerschap van de ouder(s) en een moeder die bij geboorte 29 jaar of ouder was dragen bij aan een hogere kans om uit armoede te komen.

Na de eerste vier belangrijkste kenmerken uit de top 10 volgen nog tientallen kenmerken die nog steeds bijdragen aan de kans om uit armoede te komen, maar de bijdrage is lager. Voor een volledig overzicht van alle kenmerken en hun bijdrage aan de kans om uit armoede te komen, zie bijlage C1. Over het algemeen is te zien dat kenmerken die in het jaar voor het kind uit armoede komt worden gemeten vaak een hogere bijdrage hebben aan de kans om uit armoede te komen dan kenmerken die langer geleden zijn gemeten. Verder zijn kenmerken van de moeder meestal belangrijker dan kenmerken van de vader, waarschijnlijk doordat veel arme kinderen in eenouderhuishoudens met hun moeder wonen (CBS, 2023a). Kenmerken die weinig bijdragen aan de kans zijn kenmerken van het kind (behalve leeftijd) en van de partner van ouder, het hebben van een overleden ouder en medicijngebruik van de ouders. Ook de huishoudsamenstelling en herkomst buiten Europa dragen relatief weinig bij.

Eenouderhuishoudens en herkomst buiten Europa zijn kenmerken die volgens eerder onderzoek samenhangen met een hoog risico op armoede (CBS, 2023a). Beide kenmerken komen in de arme populatie kinderen in het huidige onderzoek ook relatief veel voor (zie hoofdstuk 2.2), maar zijn niet één van de belangrijkste kenmerken voor de kans om uit armoede te komen.

De belangrijkste kenmerken om uit armoede te komen worden hieronder verder toegelicht. De bijbehorende figuren tonen de resultaten steeds op dezelfde manier. In figuur a is de verdeling van het kenmerk in de populatie te zien (bij welk percentage van de totale populatie kinderen in armoede komt een kenmerk voor). In figuur b is de bijdrage van het kenmerk aan de kans om uit armoede te komen te zien. Hierbij wordt de gemiddelde bijdrage per kenmerk weergegeven en het bijbehorende interval (het interval bevat de waardes van 80% van de groep, het 10e t/m 90e percentiel). De afwijking van nul en de breedte van het interval zijn beide indicatief voor de bijdrage van het kenmerk.

Oudere kinderen hebben de hoogste kans om uit armoede te komen

De leeftijd van het kind is het belangrijkste kenmerk voor de kans om uit armoede te komen. Kinderen van 11 jaar of ouder hebben hierbij een hogere kans om uit armoede te komen in vergelijking met kinderen jonger dan 11 jaar (figuur 2.1.2a/b). Kinderen tussen de 13 en 16 jaar hebben de hoogste kans om uit armoede te komen. Deze bevindingen zijn in lijn met bevindingen van het Sociaal en Cultureel Planbureau (SCP, 2019). Uit eerder onderzoek (Perez e.a., 2018) blijkt dat wanneer kinderen naar de middelbare school gaan, de arbeidsparticipatie van met name de moeder stijgt en hierdoor het armoederisico mogelijk afneemt. Ouders van oudere kinderen zijn over het algemeen zelf ook ouder en hebben dan meestal een hoger salaris dan toen ze jong waren (CBS, 2022). Daarnaast is het mogelijk dat een bijbaan van oudere kinderen het besteedbare inkomen van het huishouden aanvult.

Wat verder opvalt in figuur 2.1.2b is dat de gemiddelde kans om uit armoede te komen bij 17-jarigen weer wat omlaag gaat. Dit komt waarschijnlijk doordat de 17-jarigen in 2021 meerderjarig worden en een deel van de jongeren dan uit huis gaat om te werken en/of studeren. Zij kunnen hierdoor een lager huishoudinkomen en vermogen krijgen dan toen ze nog thuis woonden.

Kinderen die eerder in armoede leefden, hebben een lagere kans om uit armoede te komen

Van de kinderen in armoede in 2020 was 73 procent het jaar ervoor ook al inkomensarm. Deze kinderen hebben een lagere kans om uit armoede te komen (zie figuur 2.1.3). Ditzelfde geldt voor kinderen die twee jaar eerder in armoede leefden. Mogelijk betreft het hier een kwetsbare groep die lastig uit armoede komt. In een eerder onderzoek onder volwassenen (CBS, 2023a) was een vergelijkbaar effect zichtbaar.

Hogere kans om uit armoede te komen bij een verandering van partnerschap

Uit figuur 2.1.4 blijkt dat een verandering van partnerschap in 2020 bijdraagt aan een hogere kans om uit armoede te komen. Het gaat hier om zowel veranderingen waarbij er een partner bijkomt in het huishouden, maar ook veranderingen waarbij een partner vertrekt, bijvoorbeeld door een scheiding. Wanneer er in een huishouden een partner bijkomt, kan deze nieuwe partner mogelijk voor extra inkomsten zorgen en kunnen financiële lasten worden gedeeld. Dit kan ervoor zorgen dat een gezin uit armoede raakt. Uit eerder onderzoek (CBS, 2020) blijkt dat het vertrek van een partner uit het huishouden onder vrouwen over het algemeen koopkrachtverlies veroorzaakt. In het huidige onderzoek, waarbij specifiek naar arme huishoudens wordt gekeken, lijkt het vertrek van een partner juist een positief effect te hebben; het draagt bij aan een hogere kans om uit armoede te komen. Waarom dit het geval is vergt verder onderzoek. Opvallend is dat het vertrek van een partner in 2018 en 2019 wel bijdraagt aan een lagere kans om uit armoede te komen in 2021. Wanneer het kind uit een eenouderhuishouden in 2020 bij de andere ouder gaat wonen, heeft dit ook een positieve invloed op de kans om uit armoede te komen: mogelijk is de financiële situatie van deze andere ouder beter.

Kinderen van oudere moeders hebben een hogere kans om uit armoede te komen

Hoe ouder de moeder bij de geboorte van het kind, hoe hoger de kans om uit armoede te komen, zo blijkt uit figuur 2.1.5. Hierbij geldt dat kinderen van moeders van 29 jaar en ouder een hogere kans hebben om uit armoede te komen in vergelijking met moeders jonger dan 29 jaar bij de geboorte van het kind (zie figuur 2.1.5). Moeders die bij de geboorte van het kind jonger zijn dan 20, hebben de laagste kans om uit armoede te komen. Deze bevinding sluit aan bij bevindingen uit eerder onderzoek dat tienermoeders een hogere kans hebben om in armoede te leven (Sociaal Planbureau Groningen, 2022). Wat ook kan meespelen is dat oudere moeders over het algemeen meer verdienen dan jonge moeders. Ook zijn oudere moeders vaker hoog opgeleid, dit kan helpen om makkelijker een (goed betaalde) baan te vinden om uit de armoede te komen.

Langere duur bijstandsuitkering van moeder zorgt voor lagere kans om uit armoede te komen

Kinderen met een moeder die in 2020 tien maanden of langer een bijstandsuitkering ontving, hebben een lagere kans om uit armoede te komen dan kinderen met een moeder die korter dan tien maanden een bijstandsuitkering ontving. Mogelijk gaan moeders die een kortere periode een bijstandsuitkering ontvangen weer werken of meer werken, wat voor een toename van het inkomen zorgt. Bijstand van de vader draagt veel minder bij aan de kans om uit armoede te komen dan bijstand van de moeder (zie bijlage C1), waarschijnlijk omdat de meeste kinderen bij de moeder wonen.

Kinderen van ouders die recent meer uren werken, hebben een hogere kans om uit armoede te komen

Over het algemeen neemt de kans van het kind om uit armoede toe wanneer de deeltijdfactor van de ouder(s) in 2020 hoger is, dus wanneer de ouder meer uren gewerkt heeft is de kans hoger. Bij moeders heeft een deeltijdfactor van 0,4 of hoger in de laatste maand van 2020 (ongeveer 15 uur werk per week of meer) een positief effect op de kans. Voor vaders geldt dat een deeltijdfactor van 0,4 of hoger in heel 2020 (ongeveer 15 uur werk per week of meer) een positief effect heeft op de kans. Mogelijk gaan de ouders van het kind in 2020 weer en/of meer werken, met meer inkomen als gevolg. Dit hogere inkomen kan er dan voor zorgen dat het huishouden uit armoede komt. Daarnaast blijkt ook dat kinderen met een moeder die aan het einde van 2020 in dienst was als werknemer een relatief hoge kans hebben om uit armoede te komen. Kinderen met een moeder die de afgelopen drie jaar geen werknemer was hebben een relatief lage kans om uit armoede te komen. Of de vader wel of geen werknemer was, of dat de vader of moeder zelfstandige was draagt relatief weinig bij aan de kans om uit armoede te komen (zie bijlage C1).

De hoogte van het inkomen van een ouder buiten het huishouden heeft weinig invloed op de kans om uit armoede te komen

Wanneer het kind in 2020 een ouder heeft die buiten het huishouden van het kind woont, is de kans om uit armoede te komen altijd lager dan wanneer er geen ouder buiten het huishouden van het kind woont. Het maakt voor de kans weinig verschil of de ouder buiten het huishouden van het kind een relatief laag of relatief hoog persoonlijk inkomen uit arbeid en/of eigen onderneming heeft. Er is helaas uit de beschikbare data niet bekend of en hoeveel alimentatie een ouder die niet bij het kind woont betaalt. Alimentatie kon daarom ook niet meegenomen worden als kenmerk in het model of bij het bepalen of een kind arm is. Een kind kan maar op één adres ingeschreven staan. In het geval van co-ouderschap is niet in de data te zien of een kind deels bij de andere ouder woont.

2.2 Inhoudelijke subgroepen

Samenvatting

Van deze subgroepen hebben kinderen in huishoudens met bijstandsuitkering als belangrijkste inkomensbron (subgroep 5) en kinderen van 0 tot en met 3 jaar zonder kinderopvangtoeslag (subgroep 1) de laagste kans om uit armoede te komen (27 procent en 28 procent). De kans in deze groepen is een stuk lager dan het landelijk gemiddelde (37 procent). Een groot deel van de arme kinderen in Nederland woont in een huishouden waarbij bijstand de belangrijkste inkomensbron is (55 procent).

Kinderen die in huishoudens wonen waar het inkomen vooral uit werk komt (subgroepen 6 en 7) hebben de hoogste kans om uit armoede te komen (55 procent en 59 procent). Bij pubers en kinderen uit huishoudens zonder jonge kinderen (subgroepen 3 en 4) ligt de kans om uit armoede te komen ook ruim hoger dan het landelijk gemiddelde. Het vorige hoofdstuk liet al zien dat een hogere leeftijd bijdraagt aan een hogere kans om uit armoede te komen. Kinderen van 0 tot en met 3 jaar met kinderopvangtoeslag (subgroep 2) hebben ook een verhoogde kans om uit armoede te komen. De kans is een stuk hoger dan bij jonge kinderen zonder kinderopvangtoeslag (46 procent t.o.v. 28 procent). Kinderen met kinderopvangtoeslag gaan naar de kinderopvang. De ouder(s) van deze kinderen zullen betaald werk hebben en/of een opleiding volgen. Dat zijn kenmerken die de kans om uit armoede te komen over het algemeen verhogen.

Hieronder wordt verder ingegaan op de resultaten van alle inhoudelijke subgroepen. Daarbij wordt ook beschreven in hoeverre de kenmerken die samenhangen met de kans om uit armoede te komen in de subgroepen verschillen van het landelijk beeld. De kenmerken die in de subgroep veel belangrijker of minder belangrijk zijn dan in heel Nederland worden uitgelicht. De bijbehorende figuren tonen de resultaten steeds op dezelfde manier; in figuur a is de verdeling van het kenmerk in de arme subgroep en de arme populatie van Nederland te zien en in figuur b de bijdrage van het kenmerk aan de kans om uit armoede te komen in beide populaties. Hierbij wordt de gemiddelde bijdrage in de groep weergegeven en het bijbehorende interval (waardes van 80% van de groep, het 10e t/m 90e percentiel). De afwijking van nul en de breedte van het interval zijn beide indicatief voor de bijdrage van het kenmerk.

De complete resultaten van de subgroepen zijn te vinden in bijlage C2.

Subgroep 1 – Voorschoolse kinderen zonder kinderopvangtoeslag

Voorschoolse kinderen van 0 tot en met 3 jaar in een arm huishouden zonder kinderopvangtoeslag hebben negen procentpunt minder kans om uit de armoede te komen (28 procent) dan het landelijk gemiddelde (37 procent). Zoals al in hoofdstuk 2.1 te zien was, is de leeftijd van het kind het belangrijkste kenmerk voor de kans om uit armoede te komen. Jonge kinderen hebben een relatief lage kans. Verschillen met het landelijk beeld:

• De leeftijd van de moeder bij geboorte heeft in deze groep minder effect. Jong (jonger dan 28) een kind krijgen heeft een minder negatief effect in deze groep net als in subgroep 2.

Subgroep 2 – Voorschoolse kinderen met kinderopvangtoeslag

Voorschoolse kinderen (0 tot en met 3 jaar) in een arm huishouden met kinderopvangtoeslag hebben negen procentpunt meer kans om uit de armoede te komen (46 procent) dan het landelijk gemiddelde. De gehele groep voorschoolse kinderen heeft juist een lagere kans om uit armoede te komen (zie subgroep 1). Wanneer er kinderopvangtoeslag wordt ontvangen is de kans dus hoger. Verschillen met het landelijk beeld:

• Deeltijdfactor van de moeder en de tijd sinds zij werknemer was, zijn belangrijkere kenmerken. De moeders van kinderen in deze subgroep hebben vaker een baan (54 procent heeft afgelopen jaar gewerkt en 34 procent ook in de laatste maand) dan landelijk (respectievelijk 25 en 15 procent) en dan subgroep 1 (respectievelijk 13 en 7 procent). In de afgelopen 3 jaar waren zij ook vaker werknemer, vergeleken met het landelijk en subgroep 1.
• De leeftijd van de moeder bij geboorte heeft in deze groep minder effect. Jong (jonger dan 28) een kind krijgen heeft een minder negatief effect in deze groep net als in subgroep 1.

Subgroep 3 – Pubers

Pubers (12 t/m 17 jaar) in een arm huishouden hebben veertien procentpunt meer kans om uit armoede te komen (51 procent) dan het landelijk gemiddelde. Zoals in hoofdstuk 2.1 bij de resultaten voor heel Nederland te zien was is de leeftijd van het kind het belangrijkste kenmerk voor de kans om uit armoede te komen. Oudere kinderen hebben een relatief hoge kans. Verschillen met het landelijk beeld:

• Deeltijdfactor van het kind wordt een belangrijker kenmerk, omdat dit alleen voor oudere kinderen van toepassing is.

Subgroep 4 – Kinderen in huishoudens met alleen oudere kinderen

Kinderen in een arm huishouden waarbij het jongste kind minimaal 12 jaar is hebben zestien procentpunt meer kans om uit de armoede te komen (53 procent) dan het landelijk gemiddelde (37 procent). Deze subgroep is een onderdeel van de subgroep pubers in een arm huishouden die wel een zusje of broertje onder de 12 jaar kunnen hebben (subgroep 3). Deze subgroep is apart bekeken omdat de verwachting was dat de aanwezigheid van jonge kinderen in het huishouden de kans om uit armoede te komen mogelijk zou kunnen verlagen. Dit lijkt niet het geval, de verschillen tussen deze twee subgroepen zijn minimaal.

Subgroep 5 – Kinderen in bijstandshuishoudens

Kinderen in een arm huishouden met een bijstandsuitkering als belangrijkste inkomensbron hebben tien procentpunt minder kans om uit de armoede te komen (27 procent) dan het landelijk gemiddelde. Van alle inhoudelijke subpopulaties hebben de kinderen in deze subpopulatie gemiddeld de laagste kans. Verschillen met het landelijk beeld:

• Leeftijd van het kind is een belangrijker kenmerk: het negatieve effect van jonge kinderen en het positieve effect van oude kinderen is allebei sterker (figuur 2.2.2a/b).
• Het positieve effect van samenwonen of een partner vinden is kleiner (figuur 2.2.3a/b).

Subgroep 6 – Kinderen in huishoudens met werknemer

Kinderen in een arm huishouden met loon werknemer als belangrijkste inkomensbron hebben achttien procentpunt meer kans om uit de armoede te komen (55 procent) dan het landelijk gemiddelde. Verschillen met het landelijk beeld:

• De kinderen in deze subgroep wonen vaker in huishoudens waarbij de partnersituatie van de ouder veranderd is (wat een positief effect heeft). Dit kan deels de hogere kans verklaren.
• Omdat loon de belangrijkste inkomensbron is worden ook de deeltijdfactor van zowel vader als moeder en de tijd sinds moeder werknemer is, belangrijkere kenmerken.
• De effecten van de leeftijd van het kind en van de leeftijd van de moeder bij geboorte van het kind zijn minder belangrijk in deze subgroep (figuur 2.2.4a/b).

Subgroep 7 – Kinderen in huishoudens met zelfstandige

Kinderen in een arm huishouden met inkomen als zelfstandige als belangrijkste inkomensbron hebben 22 procentpunt meer kans om uit de armoede te komen (59 procent) dan het landelijk gemiddelde (37 procent). Van alle inhoudelijke subgroepen hebben de kinderen in deze subgroep gemiddeld de hoogste kans. Verschillen met het landelijk beeld:

• Kinderen in deze subgroep waren één of twee jaar geleden (in 2019 of 2018) minder vaak inkomensarm.
• Ook hier zijn de effecten van de leeftijd van het kind en de leeftijd van de moeder bij geboorte van het kind zwakker dan in de landelijke populatie.
• De moeder van deze kinderen zit minder vaak in de bijstand.
• Deze kinderen hebben per definitie vaker een vader of moeder die zelfstandige is. Een kind met een zelfstandige vader (met of zonder personeel of meewerkend gezinslid) heeft een grotere kans om uit de armoede te komen dan een kind met een vader in een andere sociaaleconomische categorie (figuur 2.2.5a/b). Een kind met een moeder die zelfstandige zonder personeel (ZZP’er) is heeft echter een vergelijkbare of zelfs iets kleinere kans om uit de armoede te komen dan kinderen met een moeder in een andere sociaaleconomische categorie.

Subgroep 8 – Kinderen in eenouderhuishoudens

Een groot deel van de arme kinderen (40 procent) woont in een eenouderhuishouden, meestal bij de moeder. Omdat kinderen maar op één adres ingeschreven kunnen staan is op basis van de data niet bekend of deze kinderen ook deels bij de andere ouder wonen. Eerder onderzoek liet zien dat kinderen uit eenouderhuishouden een verhoogd risico hebben op armoede (CBS, 2023a). De kans om uit armoede te komen voor kinderen in eenouderhuishoudens (40 procent) is echter vrij vergelijkbaar met het landelijk beeld (37 procent). Er zijn wel enkele verschillen in de kenmerken die belangrijk zijn voor de kans om uit armoede te komen.

Verschillen met het landelijk beeld:

• Verandering in partnerschap is een belangrijker kenmerk. Dit komt vooral doordat in deze groep het vaker voorkomt dat er een partner bijkomt in het gezin. Deze kan een extra inkomen meebrengen. Ook komt het vaker voor dat kinderen naar hun andere ouder verhuizen (die mogelijk meer financiële middelen heeft). Het effect dat deze veranderingen heeft op de kans om uit de armoede te komen is gelijk aan dat in de hele populatie (figuur 2.2.6a/b).
• Het inkomen van de externe ouder is een belangrijker kenmerk. Bij eenoudergezinnen zal er meestal een ‘externe ouder’ zijn, oftewel een ouder die niet bij het kind woont. Hierdoor kan dit kenmerk een belangrijkere rol spelen.

Subgroep 9 – Kinderen met herkomst buiten Europa

Zo’n 60 procent van de arme kinderen heeft een herkomst buiten Europa. Dit betekent dat voor een groot deel van de arme kinderen het kind zelf of diens ouder(s) buiten Europa geboren zijn. Kinderen met een herkomst buiten Europa hebben een iets lagere kans om uit armoede te komen dan het landelijk gemiddelde (33 versus 37 procent). De resultaten voor heel Nederland (hoofdstuk 2.1) laten zien dat het kenmerk ‘herkomst buiten Europa’ niet één van de belangrijkste kenmerken is voor de kans om uit armoede te komen. De bijdrage van dit kenmerk aan de kans ligt dichtbij nul (figuur 2.2.7a/b). Dat de kans om uit armoede te komen voor kinderen met een herkomst buiten Europa toch iets lager ligt dan in heel Nederland komt waarschijnlijk door (kleine) verschillen in onderliggende kenmerken van deze subgroep.

Verschillen met het landelijk beeld:

• Verandering in partnerschap van de ouder is minder belangrijk. Met name scheidingen/uit elkaar gaan, wanneer de ouder een nieuwe partner vindt of het kind naar de andere ouder gaat (bij gescheiden ouders) kunnen een positieve invloed hebben op de kans om uit armoede te komen. Bij de subgroep met herkomst buiten Europa komen deze gebeurtenissen minder vaak voor. Wanneer er wel een verandering optreedt heeft dit ook een minder positief effect op de kans om uit armoede te komen.
• Leeftijd van het kind is een belangrijker kenmerk: het negatieve effect van jonge kinderen en het positieve effect van oude kinderen worden allebei sterker.

Subgroepen 10 en 11 – Laagopgeleide ouder(s)

Kinderen met twee laagopgeleide ouders hebben vier procentpunt minder kans om uit de armoede te komen (33 procent) dan het landelijk gemiddelde (37 procent). Bij kinderen met één laagopgeleide ouder is dit kleine verschil niet te zien en is de kans vergelijkbaar met het landelijk gemiddelde.

Een kanttekening bij deze resultaten is dat niet voor alle ouders het opleidingsniveau bekend is. Voor ongeveer een kwart van de moeders en bijna 40 procent van de vaders is het opleidingsniveau onbekend. Dit zullen meestal ouders zijn die buiten Nederland een opleiding hebben gevolgd of al wat ouder zijn en daardoor niet in de onderwijsregistraties voorkomen. Kinderen van deze ouders zijn niet meegenomen bij het bepalen van de subgroepen 10 en 11.

Verschillen met het landelijk beeld:

• Leeftijd kind is een belangrijker kenmerk bij kinderen met twee laagopgeleide ouders. Het negatieve effect van jonge kinderen en het positieve effect van oude kinderen worden allebei sterker. Er zijn minder jongere kinderen en meer oudere kinderen in deze groep.

Subgroepen 12 en 13 – Kinderen uit Amsterdam en de G4

Omdat gemeente Amsterdam heeft meegedacht over het huidige onderzoek is ook specifiek naar de populatie van Amsterdam gekeken. De kans om uit armoede te komen is zowel voor Amsterdam als de vier grote steden Amsterdam, Rotterdam, Den Haag en Utrecht (G4) 35 procent. Dit is vergelijkbaar het landelijk beeld (37%). De belangrijkste kenmerken om uit armoede te komen, komen ook grotendeels overeen tussen de G4, Amsterdam en heel Nederland. In totaal 24 procent van alle arme kinderen woont in de G4 en 8 procent in Amsterdam. In Amsterdam en de G4 komen de belangrijkste kenmerken om uit armoede te komen ook in grote mate overeen met heel Nederland.

2.3 Datagedreven subgroepen

Samenvatting

Een versimpeld machinelearningmodel (zie toelichting in bijlage B7) is gebruikt om de totale populatie van arme kinderen in een aantal subgroepen te verdelen. De zeven datagedreven subgroepen die uit deze analyse komen zijn door het model zo gekozen dat de kinderen binnen een groep zoveel mogelijk op elkaar lijken wat betreft hun geschatte kans om uit de armoede te komen. De belangrijkste kenmerken om de subgroepen te onderscheiden zijn:

• Voornaamste inkomensbron. Als de voornaamste inkomensbron van het huishouden loon, inkomen uit onderneming, werkloosheidsuitkering (WW) of pensioenuitkering is, dan is de kans om uit de armoede te komen 26 procentpunten hoger (30 procent versus 56 procent) dan wanneer het huishoudinkomen voornamelijk uit een andere vorm van uitkering komt (figuur 2.3.1a/b).
• Veranderingen in het partnerschap van de in het huishouden wonende ouder(s). Als de in het huishouden wonende ouder(s) een andere partner krijgt of het kind is verhuisd naar de andere ouder dan is de kans om uit de armoede te komen hoger dan als dat niet zo is (bijvoorbeeld als er niets verandert). Zie ook figuur 2.1.4a/b.
• Leeftijd van het kind. Kinderen van 14 jaar of ouder hebben een hogere kans om uit de armoede te komen dan kinderen jonger dan 14 (figuur 2.1.2a/b).
• Een jaar eerder inkomensarm zijn. Een kind in een huishouden dat in 2019 niet inkomensarm was heeft een hogere kans om uit de armoede te komen in 2021 (figuur 2.1.3a/b).

Figuur 2.3.2 geeft een overzicht van de datagedreven subgroepen en de onderliggende regressieboom. De nummers van de zeven verschillende subgroepen zijn in de figuur aangegeven.

Subgroep 14 en subgroep 15

In deze subgroepen zitten kinderen met de volgende kenmerken:

• Voornaamste inkomensbron huishouden is een uitkering (excl. WW- of pensioenuitkering)
• Leeftijd van kind is onder de 14 jaar
• Van de in het huishouden wonende ouder(s) is de partner vertrokken (kan de andere ouder van het kind zijn) of is er niets veranderd in partnerschap. Kinderen waarvan de ouder een nieuwe partner heeft gekregen, waarbij de verandering in partner onbekend is, of waarbij een andere verandering optreedt (kind gaat bij de andere ouder wonen, of partner ouder is vertrokken maar ouder heeft een nieuwe partner gevonden) zijn geen onderdeel van deze subgroepen.

Bijna 60 procent van de kinderen in armoede zit in één van deze twee subgroepen. In beide groepen geldt dat met name het hebben van een bijstandsuitkering (heeft 80 procent van de kinderen in deze twee subgroepen) of uitkering voor ziekte of arbeidsongeschiktheid (11 procent) verlaagt de kans om uit de armoede te komen. Zie ook figuur 2.3.1a/b voor de verdeling en bijdrage van het type inkomensbron aan de kans om uit armoede te komen (in heel Nederland). WW-uitkering als voornaamste inkomensbron ontbreekt in deze groep. Kinderen in huishoudens met een WW-uitkering vallen in subgroepen 18 en 19 en hebben een veel grotere kans om uit de armoede te komen. Het hebben van een WW-uitkering betekent dat redelijk recent personen een baan gehad hebben.

Ook is de kans lager voor jongere kinderen. Een verandering in partnerschap van de ouder waar het kind bij woont kan een trigger zijn om uit de armoede te komen. Echter, voor het merendeel (99 procent) van de kinderen in deze groepen verandert er niets in het partnerschap van de ouder(s).

Het verschil tussen deze twee subgroepen is dat in subgroep 14 het huishouden een jaar eerder (2019) ook al inkomensarm was, terwijl dit in subgroep 15 niet het geval is.

Subgroep 14 is de grootste groep. Bijna 50 procent van de arme kinderen zit in deze groep. Deze groep heeft van alle datagedreven groepen de laagste kans om uit de armoede te komen. Slechts 21 procent van de kinderen komt het jaar erop uit de armoede. De huishoudens in deze groep zijn meestal al een jaar of langer afhankelijk van bijstand. 72,3 procent zit een volledig jaar in bijstand (landelijk is dit 50 procent).

Subgroep 15 is een veel kleinere groep. 10 procent van de kinderen in armoede valt in deze groep. Deze groep heeft van alle datagedreven groepen de op een na laagste kans om uit de armoede te komen. 39 procent van de kinderen is het jaar erop uit de armoede. Dit is ongeveer gelijk aan het landelijk gemiddelde van 37 procent. Kinderen van 0 jaar komen in deze groep relatief vaak voor (10 procent van de kinderen). Ook is er in 49 procent van de gevallen de afgelopen twee jaar een kind erbij gekomen (36 procent in de gehele populatie).

Subgroep 16 en 18

In deze subgroepen zitten kinderen met volgende kenmerken:

• Voornaamste inkomensbron huishouden komt uit loon, onderneming, WW- of pensioenuitkering.
• Van de in het huishouden wonende ouder(s) is de partner vertrokken (kan de andere ouder van het kind zijn) of is er niets veranderd in partnerschap. Kinderen waarvan de ouder een nieuwe partner heeft gekregen, waarbij de verandering in partner onbekend is, of waarbij een andere verandering optreedt (kind gaat bij de andere ouder wonen, of partner ouder is vertrokken maar ouder heeft een nieuwe partner gevonden) zijn geen onderdeel van deze subgroepen.

Kinderen in deze subgroepen hebben een bovengemiddelde kans om uit de armoede te komen. 54 procent van de kinderen is het jaar erop uit de armoede. Dit is 18 procentpunt hoger dan het landelijk gemiddelde. Subgroepen 16 en 18 zijn samen ook een grote groep: 28 procent van de kinderen in armoede valt hieronder. Voor het merendeel (98 procent) van de kinderen in deze subgroepen verandert er niets in het partnerschap van de ouder(s) in het huishouden. Zowel de moeder als de vader van het kind werken vaak of hebben recent gewerkt (en krijgen daardoor een WW-uitkering). Met name het wel of niet werken van de moeder heeft een groot effect op de kans om uit de armoede te komen. Van de moeders werkte 48 procent in december 2020. Dit heeft een positief effect op de kans om uit de armoede te komen als de deeltijdfactor groter is dan 0,4 (ongeveer 16 uur werk per week). Ook heeft 55 procent van de moeders in 2020 gewerkt. Dit heeft een positief effect als de deeltijdfactor groter is dan 0,12 (ongeveer 5 uur werk per week). Van de vaders heeft 69 procent gewerkt in december 2020. Dit heeft een positief effect bij een deeltijdfactor groter dan 0,7 (ongeveer 28 werkuren per week).

Het verschil tussen deze twee subgroepen is dat in subgroep 16 het huishouden een jaar eerder (2019) ook al inkomensarm was, terwijl dit in subgroep 18 niet het geval is. Het wel of niet inkomensarm zijn in 2019 heeft een groot effect op de kans om uit de armoede te komen. In subgroep 16 komt 45 procent uit de armoede. In subgroep 18 komt 67 procent uit de armoede. Beide groepen zijn ongeveer even groot (respectievelijk 17 en 11 procent van de populatie).

Subgroep 17

In deze subgroep zitten kinderen met de volgende kenmerken:

• Voornaamste inkomensbron huishouden komt uit een uitkering (excl. WW of pensioen)
• Leeftijd van kind is 14 jaar of ouder.

Kinderen in deze groep hebben een bovengemiddelde kans om uit de armoede te komen. 53 procent van de kinderen is het jaar erop uit de armoede. In de gehele populatie van kinderen in de armoede is dit 37 procent. Het is ook een redelijk grote groep: 10 procent van de kinderen in armoede valt in deze groep.

In figuur 2.3.2 is te zien dat in soortgelijke huishoudens met kinderen jonger dan 14 jaar, de kans om uit de armoede te komen gelijk is aan 26 procent. Het effect van de leeftijd van het kind is dus behoorlijk groot. Dit wordt gedeeltelijk verklaard doordat in deze groep 43 procent van de kinderen werkt in 2020. Dit percentage is ongeveer gelijk aan dat voor kinderen van 14 jaar of ouder uit een huishouden met loon, onderneming, WW of pensioen als voornaamste inkomensbron (50 procent werkt daar). Kinderen werken dus niet vaker als het huishouden afhankelijk is van een uitkering.

Subgroep 19

In deze subgroep zitten kinderen met de volgende kenmerken:

• Voornaamste inkomensbron huishouden komt uit een uitkering (excl. WW- of pensioenuitkering)
• Leeftijd van kind is onder de 14 jaar
• De in het huishouden wonende ouder(s) hebben een nieuwe partner (kan de andere ouder van het kind zijn) of het kind is verhuisd naar de andere ouder.

Kinderen in deze groep hebben een relatief grote kans om uit de armoede te komen: 72 procent van de kinderen is het jaar erop uit de armoede. Het is wel een relatief kleine groep: 2 procent van de kinderen in armoede valt in deze groep. De grotere kans om uit de armoede te komen lijkt grotendeels te komen doordat de ouders van het kind zijn gaan samenwonen (36 procent), doordat de ouder in het huishouden van het kind is gaan samenwonen met een (nieuwe) partner (37 procent) of doordat het kind bij de andere ouder is gaan wonen (20 procent). Zo’n nieuwe partner kan een inkomen inbrengen waardoor de kans om uit de armoede te komen toeneemt.

Subgroep 20

In deze subgroep zitten kinderen met volgende kenmerken:

• Voornaamste inkomensbron huishouden komt uit loon, onderneming, WW- of pensioenuitkering.
• De in het huishouden wonende ouder(s) hebben een nieuwe partner (kan de andere ouder van het kind zijn) of het kind is verhuisd naar de andere ouder.

Deze kinderen hebben van alle groepen de grootste kans om het jaar erop uit de armoede te komen: 94 procent van de kinderen is het jaar erop uit de armoede. Het is wel een relatief kleine groep: 2 procent van de kinderen in armoede valt in deze groep. Het huishouden waar het kind woont heeft in deze groep werk of recent werk gehad. In meer dan 80 procent van de gevallen werkt de moeder. Dus in het algemeen is er een inkomen uit werk. Verder is de ouder waarbij het kind woont gaan samenwonen met een nieuwe partner. Aangezien er een redelijke kans is dat deze partner een inkomen heeft verhoogt dit vaak het inkomen van het huishouden en dus de kans om uit armoede te komen.

In dit onderzoek is machinelearing toegepast op een grote verzameling kenmerken uit registerdata over heden en verleden van alle minderjarige kinderen in armoede, hun huishouden, ouders en buurt. Hiermee zijn diverse potentieel stimulerende en remmende factoren voor de kans dat een kind uit armoede komt in samenhang onderzocht en de belangrijkste kenmerken die bijdragen aan de kans geïdentificeerd.

De kans dat een kind uit de armoede komt laat zich op basis van de gebruikte kenmerken goed schatten. Voor kinderen is de kans zelfs beter te schatten dan voor volwassenen, wat in een eerdere studie op een vergelijkbare manier is onderzocht (Laan e.a. 2021, 2022). De belangrijkste kenmerken voor de geschatte kans om uit armoede te komen zijn de leeftijd van het kind (ouder is hogere kans) en de leeftijd van de moeder bij geboorte (ouder is hogere kans), de duur van de armoede (korter is hogere kans), een recente partnerverandering (zowel samenwonen als uit elkaar gaan draagt bij aan hogere kans dan geen verandering), en het hebben van werk (recent werk hogere kans en meer uren hogere kans). Daarnaast zijn er tientallen andere kenmerken die elk een beetje bijdragen aan de geschatte kans.

Kenmerken die om inhoudelijke redenen wel zijn meegenomen in het model maar weinig bijdragen aan de kans om uit armoede te komen zijn de meeste kenmerken van het kind zelf (behalve leeftijd) en van de partner van een ouder, of er een ouder is overleden (te zeldzaam voor een significant effect), en het medicijngebruik van de ouders. De kenmerken ‘eenouderhuishouden’ en ‘herkomst buiten Europa’, beide belangrijke risicofactoren voor armoede (CBS, 2023a), blijken slechts beperkt bij te dragen aan de kans om uit armoede te komen.

Met behulp van een eenvoudig model, dat gebruik maakt van de informatie uit het complexere machinelearningmodel zijn subgroepen bepaald met relatief hoge en lage kansen om uit armoede te komen. Subgroepen met een lage geschatte kans om uit de armoede te komen, zoals subgroep 14 (kinderen onder de 14 jaar, waarbij het huishouden leeft van een uitkering, al langer inkomsarm was en er geen verandering in partnerschap van de ouders is geweest of een ouder/partner is weggegaan uit het huishouden), zijn potentiele doelgroepen voor armoedebeleid.

Eén van de uitkomsten van dit onderzoek is dat met de belangrijkste kenmerken in het model groepen gemaakt kunnen worden die significant verschillen wat betreft hun kans om uit de armoede te komen. Echter binnen die groepen is nog steeds een forse variatie aanwezig die verklaard kan worden door andere kenmerken. Dus hoewel het model bruikbaar is om potentiële doelgroepen voor armoedebeleid te identificeren, is het model niet geschikt en bedoeld om op individueel niveau besluiten te nemen.

Belangrijke kanttekening bij dit onderzoek is dat alle geïdentificeerde verbanden correlaties zijn en niet noodzakelijkerwijs causale verbanden. Een belangrijk kenmerk kan oorzaak zijn maar ook gevolg, of er kan een andere oorzaak ten grondslag liggen aan het verband tussen een kenmerk en de kans om uit armoede te komen. Voor de vertaling naar armoedebeleid is inhoudelijke expertise of aanvullend onderzoek naar causaliteit nodig.

CBS (2020). Financiële gevolgen van echtscheiding.

CBS (2022) Materiële Welvaart in Nederland 2022.

CBS (2023a). Armoede en sociale uitsluiting 2023.

CBS (2023b). Landelijke jeugdmonitor 2023.

CBS (2024). Dashboard risicofactoren armoede.

CBS/Nibud/SCP (2023) CBS, Nibud en SCP werken aan nieuwe armoedegrens.

Chen, T. en C. Guestrin (2016). XGBoost: A scalable tree boosting system. In Krishnapuram, B. and Shah, M., editors, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794. Association for Computing Machinery.

Hastie, T., R. Tibshirani en J. Friedman (2001). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, New York

Kalthoff, A. (2020). Opgroeien en opvoeden in armoede 3e herziene versie December 2020.

Laan, J. van der, J. Burger, M. Detiger, N. Schalken, W. van Andel, M. van den Brakel en S. Tan (2021) Risicofactoren voor transities in en uit armoede.

Laan J., van der, N. Schalken N. en S. Tan (2022). Risicofactoren voor transitie uit armoede – vervolgonderzoek.

Molnar, C. (2019). Interpretable Machine Learning.

Perez, S.A., M. van den Brakel en W. Portegijs (2018). Welke gevolgen heeft ouderschap voor werk en economische zelfstandigheid? In: W. Portegijs en M. van den Brakel (red.), Emancipatiemonitor 2018. Den Haag: Centraal Bureau voor de Statistiek en Sociaal en Cultureel Planbureau.

SCP (2019). Armoede in kaart 2019.

Sociaal Planbureau Groningen (2022). Wie hebben een hoog risico op armoede.

A1 Definitie armoede

Er zijn verschillende manieren om armoede te definiëren. 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). In dit onderzoek is een kind ‘arm’ als het huishouden van het kind aan de onderstaande twee voorwaarden voldoet (CBS, 2023a- hoofdstuk 3):

1. Het besteedbaar jaarinkomen exclusief huurtoeslag ligt onder de lage‐inkomensgrens. Hierbij wordt het besteedbaar inkomen gestandaardiseerd, zodat het vergelijkbaar is met de koopkracht van een alleenstaande zonder kinderen. De lage‐inkomensgrens is een vast koopkrachtbedrag, namelijk de bijstandsuitkering van een alleenstaande in 1979 gecorrigeerd voor inflatie. Daarmee is de lage‐inkomensgrens vergelijkbaar over de tijd. In 2020 lag de grens voor een alleenstaande op netto 13 250 euro per jaar.
2. Het liquide (vrij opneembare) vermogen (stand op 1 januari) ligt onder het vermogensplafond. Ook het liquide vermogen wordt gestandaardiseerd. Het liquide vermogen bestaat uit het vermogen exclusief de waarde van het eigen huis, de hypotheekschuld, het ondernemingsvermogen en aanmerkelijk belang. Het vermogensplafond is de helft van de lage‐inkomensgrens, wat ongeveer gelijk is aan het maximale vrijstellingsbedrag van eigen vermogen volgens de Bijstandswetgeving.

A2 Populatie

De onderzoekspopulatie bestaat uit kinderen die op 1 januari 2020 minderjarig zijn en staan ingeschreven in een particulier huishouden in Nederland dat in 2020 voldoet aan de definitie van armoede. Een aanvullende voorwaarde is dat het kind samen met minimaal één juridische ouder staat ingeschreven in een huishouden. Hierdoor worden kinderen waarvan beide ouders overleden zijn en pleegkinderen uitgesloten van de onderzoekspopulatie. In deze gevallen heeft een huishouden mogelijk recht op vergoedingen (bijvoorbeeld een pleegvergoeding) die het CBS niet waarneemt. Ook kinderen die zelfstandig wonen, kinderen in studentenhuishoudens, kinderen in institutionele huishoudens en kinderen in particuliere huishoudens met een onbekend inkomen in 2020 of in 2021 worden uitgesloten van de onderzoekspopulatie. De uiteindelijke onderzoekspopulatie bestaat uit 196 100 kinderen.

A3 Uitkomstvariabele

De uitkomstvariabele in dit onderzoek is of het kind uit armoede komt (zie ook paragraaf A1) . De onderzoekspopulatie (zie paragraaf A2) bestaat uit minderjarige kinderen die wonen in een huishouden in armoede in 2020. In 2021 wordt opnieuw vastgesteld of het kind woont in een huishouden in armoede. Een kind komt uit armoede wanneer het kind in 2021 niet meer woont in een huishouden in armoede.

Er is gekozen om naar 2021 te kijken omdat bij de start van het onderzoek de inkomens- en vermogensgegevens van 2021 de meest recent beschikbare gegevens waren. Gedurende 2020 en 2021 speelde de COVID-19-epidemie. Deze epidemie kan mogelijk invloed hebben gehad op het inkomen en vermogen van personen en huishoudens, bijvoorbeeld door het verlies van een baan of het ontvangen van een Tozo-uitkering.

A4 Kenmerken

Bij het ontwikkelen van het AI-/machinelearningmodel zijn verschillende kenmerken meegenomen. Het model bepaalt welke van alle meegenomen kenmerken het sterkst bijdragen aan de kans op transitie uit armoede. De kenmerken die zijn meegenomen in het model zijn grotendeels gebaseerd op kenmerken die samenhingen met de kans om uit armoede te komen bij volwassenen in het eerdere CBS-onderzoek (Laan e.a., 2021). Dit zijn kenmerken over de huidige status en het verleden van personen en huishoudens op het gebied van inkomen, uitgaven, demografie, werk en gezondheid. Daarnaast zijn in overleg met inhoudelijk experts op het gebied van kinderarmoede aanvullende kenmerken meegenomen die relevant kunnen zijn voor de populatie minderjarige kinderen.

Een verschil met het onderzoek bij volwassenen is dat in het huidige onderzoek naast kenmerken van het kind zelf en het huishouden van het kind, ook kenmerken van de beide juridische ouders zijn meegenomen. Ook wanneer een ouder in een ander huishouden woont dan het kind, worden de kenmerken van die ouder meegenomen. Wanneer er een eventuele nieuwe partner van de ouder in het huishouden van het kind woont dan worden ook de kenmerken van die partner meegenomen.

In totaal worden er 134 unieke potentieel relevante kenmerken afgeleid uit diverse registraties die bij het CBS beschikbaar zijn. Het voordeel van het gebruik van registraties is dat de gegevens voor (vrijwel) de totale bevolking beschikbaar zijn. Voor de meeste kenmerken is gekeken naar drie jaar (2018, 2019 en 2020) omdat de verwachting is dat kenmerken of gebeurtenissen uit eerdere jaren invloed kunnen hebben op de transitie uit armoede. Bijvoorbeeld of het huishouden van het kind slechts één jaar leeft van een bijstandsuitkering of dat dit in eerdere jaren ook al het geval was. Omdat veel kenmerken voor verschillende niveaus (bijvoorbeeld ouders of huishouden) en verschillende tijdspunten worden vastgesteld, worden in totaal 252 kenmerken meegenomen in het model. Tabel A4.1 bevat een overzicht van alle kenmerken.

Tabel A4.1 Gebruikte kenmerken

B1 Inleiding

Armoede is een complex probleem waarbij verschillende kenmerken een rol kunnen spelen. De verschillende kenmerken hebben waarschijnlijk interacties met elkaar en de relatie tussen kenmerken en de kans om uit armoede te komen is waarschijnlijk niet-lineair. Om deze complexe relaties goed te kunnen onderzoeken is er gekozen om gebruik te maken van machinelearning, een vorm van Artificial Intelligence (AI). Er is een AI-model ontwikkeld om te bepalen welke (combinaties van) kenmerken samenhangen met de kans om uit armoede te komen bij minderjarige kinderen. Het model schat de kans dat een kind dat in 2020 arm was in 2021 niet meer arm was op basis van de kenmerken zoals beschreven in Bijlage A. De methode die gebruikt is, is vergelijkbaar met de methode uit eerder onderzoek naar transitie in en uit armoede bij volwassen (Laan e.a., 2021, 2022). De uitgebreide methodebeschrijving is in de eerdere rapporten terug te vinden, hier wordt een beknoptere beschrijving gegeven.

B2 Beslisbomen

De methode die gebruikt is, heet eXtreme Gradient Boosting (XGBoost) en maakt gebruik van beslisbomen (Chen en Guestrin, 2016). Een beslisboom deelt de kinderen in groepen in, aan de hand van kenmerken van de kinderen, hun ouder(s) (en eventuele partner), hun huishouden of hun buurt. Dat indelen gebeurt in een aantal stappen. In de eerste stap worden alle arme kinderen in twee groepen verdeeld, bijvoorbeeld op basis van inkomensbron van het huishouden: het huishouden leeft van een bijstandsuitkering of niet. In een volgende stap wordt elke groep weer verdeeld in twee groepen. De eerste groep (kinderen in een huishouden met bijstand) wordt bijvoorbeeld verdeeld in kinderen met een leeftijd tot of vanaf 15 jaar en de tweede groep (kinderen uit een huishouden zonder bijstand) wordt verdeeld in kinderen waarvan de moeder wel of niet een vaste baan heeft.

De selectie van de kenmerken die gebruikt worden (hier: bijstandsuitkering, leeftijd, vaste baan moeder) en de selectiecriteria (bijvoorbeeld de grens van 15 jaar) worden door het model bepaald zodat ieder van de uiteindelijke groepen in de boom zoveel mogelijk bestaat uit kinderen die of allemaal arm blijven of allemaal uit de armoede komen. Om de kans om uit armoede te komen voor een bepaald kind te schatten, wordt gekeken in welke groep dit kind valt. De kans om uit de armoede te komen is dan het aandeel (percentage) kinderen binnen dat groepje dat uit de armoede komt ten opzichte van alle kinderen binnen dat groepje.

B3 XGBoost

Beslisbomen hebben als voordeel dat ze makkelijk te begrijpen zijn. Beslisbomen kunnen ook omgaan met ontbrekende waarden in de kenmerken. Van niet iedereen is bijvoorbeeld het opleidingsniveau bekend. Kinderen van ouders met een onbekend opleidingsniveau kunnen in de boom ingedeeld worden in de groep waarop ze het meest lijken (wat betreft hun kans om uit de armoede te komen). Beslisbomen hebben als nadeel dat de schattingen erg onzeker zijn (Hastie e.a., 2001). Een kleine verandering in de data kan al vroeg in de boom tot een andere splitsing leiden, wat effect heeft op alle verdere splitsingen. Dit kan verbeterd worden door meerdere beslisbomen te combineren, waarbij elke boom op een aselect sample van de data wordt getraind (en in elke splitsing een aselect deel van de kenmerken wordt aangeboden). Nadeel van dit zogenaamde bagging is dat kenmerken die sterk correleren ongeveer even vaak worden gekozen, waardoor hun belang wordt onderschat. XGBoost lost dit op door bomen niet onafhankelijk (parallel) te schatten maar na elkaar (sequentieel). Iedere volgende beslisboom verbetert voorspellingen van de voorgaande beslisbomen. Hiermee levert XGBoost robuustere resultaten dan klassieke beslisbomen en heeft het minder moeite met gecorreleerde kenmerken dan bagging.

B4 Tunen en schatten van het model

Bij het schatten van het XGboost-model moet een goede balans gevonden worden tussen ‘overfit’ en ‘onderfit’. Bij overfit bevat het model te veel detail. Het gaat allerlei eigenschappen beschrijven die toevallig in de dataset zitten waarmee het model geschat is. Het model is daardoor niet goed toepasbaar op andere datasets. Bij een nieuwe dataset zal het model slechtere schattingen opleveren. Bij onderfit bevat het model te weinig detail. Het model is te grof en zal in het algemeen minder goed schatten. Machine‐learning methodes zoals XGboost hebben bijna altijd een aantal zogenaamde hyperparameters waarmee deze twee effecten tegen elkaar afgewogen kunnen worden. Bij het schatten van het model moeten verschillende waardes van deze hyperparameters uitgeprobeerd worden om een goed model te vinden.

De onderstaande hyperparameters zijn onderzocht:

• ntree: het aantal beslisbomen dat geschat wordt. Dit is de belangrijkste parameter. Hoe meer bomen, hoe meer detail de methode kan schatten.
• boomdiepte: maximale diepte van de bomen, dus het aantal keer dat de dataset gesplitst wordt. Bij een boomdiepte van 4 kan de dataset in maximaal 24 = 16 groepen verdeeld worden. Ook hier geldt weer: hoe dieper de boom hoe meer detail.
• leersnelheid: hoe snel leert het model. Als de snelheid hoog is dan hebben de eerst geschatte beslisbomen heel veel invloed op de schattingen. Omdat er een zekere mate van toeval zit in deze beslisbomen kan het model hiermee minder goed zijn. Een lagere leersnelheid is in het algemeen beter maar zorgt er wel voor dat het aantal bomen (ntree) hoger moet zijn en dat het trainen langer duurt.

Om de optimale waarde te vinden van deze hyperparameters is een deel van de dataset gebruikt. De hele dataset (met de hele populatie) is hiervoor verdeeld in een training/validatieset (90 procent van de data) en een testset (10 procent). De training/validatieset is vervolgens verdeeld in een trainingset (90 procent) en een validatieset (10 procent). De trainingset is gebruikt om verschillende modellen te trainen met verschillende combinaties van hyperparameters. De validatieset is gebruikt om te kijken welk model en dus welke combinatie van hyperparameters de beste voorspellingen geeft.

Voor dit onderzoek leverde een model met minimaal 500 bomen, een maximale boomdiepte van 15 splitsingen en een leersnelheid van 0.1 de beste voorspellingen op. Deze parameters zijn vervolgens gebruikt om een model te schatten op de hele training/validatieset. De kwaliteit van dat uiteindelijke model is geëvalueerd in de testset. Hierbij is gebruik gemaakt van kruisvalidatie; dat betekent dat het proces van schatten en evalueren van het model 10 keer is herhaald, waarbij steeds een ander deel van de data als training/validatieset en testset gebruikt is. Dit is gedaan om een robuustere schatting van de modelkwaliteit te krijgen. Een bijkomend voordeel is dat er voor iedereen in de populatie een schatting is.

B5 Modelkwaliteit

Om de kwaliteit van het model te meten wordt de geschatte kans om uit armoede te komen voor ieder kind vergeleken met de daadwerkelijk waargenomen waarde. Idealiter is de geschatte kans uit het model gelijk aan één als een kind uit armoede is gekomen en is de geschatte kans gelijk aan nul wanneer het kind in armoede blijft. Op dat moment weet het model perfect onderscheid te maken tussen kinderen die wel en niet arm blijven. De volgende twee alinea’s zijn vrij technisch van aard. Deze informatie is vooral bedoeld voor onderzoekers die met dergelijke modellen werken. 

Er bestaan verschillende maten om de kwaliteit van een model te bepalen. Om de modellen te trainen is in dit onderzoek gebruik gemaakt van de negatieve log-likelihood voor binaire classificatie. Dit is een maat voor het verschil tussen de voorspelde kans en de waargenomen uitkomstvariabele (indicator voor uit armoede komen). Verder worden nog drie aanvullende kwaliteitsmaten bekeken: F1+mmn(c*), MCC(c*) en Somers’ D. Deze zijn gebaseerd op de confusiematrix. In een eerdere publicatie wordt dit uitgebreid uitgelegd (Laan e.a., 2021). Hoe hoger de drempelwaarde c, hoe minder false positives en hoe meer true negatives maar ook hoe minder true positives en hoe meer false negatives. De F1+ is het harmonisch gemiddelde van recall en precisie voor de positieve categorie (‘komt uit armoede’). De toevoeging mmn staat voor min-max normalisatie, een manier om de score te herschalen van bereik [a;1] naar bereik [0;1], waarbij a de waargenomen fractie is die uit de armoede komt. MCC is Matthews’ correlatiecoëfficiënt voor de correlatie tussen twee binaire variabelen. F1 en MCC worden gegeven voor de optimale drempelwaarde c* waarbij ze de hoogste score geven. Somers’ D is de area under the ROC-curve (AUC) herschaald van bereik [0,5;1] naar bereik [0;1]. AUC is de oppervlakte onder de curve wanneer de recall van de positieve categorie wordt geplot tegen de recall van de negatieve categorie voor verschillende drempelwaardes.

De kwaliteit van de voorspellingen in dit onderzoek is goed en opvallend beter dan vergelijkbare modellen die in eerder onderzoek voor de arme populatie volwassenen gebruikt waren (Laan e.a., 2021, 2022). De F1+mmn(c*) is 0.90. Dit betekent dat bij de optimale drempelwaarde het harmonisch gemiddelde van recall en precisie op 90 procent ligt tussen gokken (dat kind uit armoede komt met kans 0.38) en foutloze schattingen. De MCC(c*) is 0.84. Dit betekent dat bij de optimale drempelwaarde de waargenomen en geschatte indicatoren voor uit armoede komen sterk positief gecorreleerd zijn. Somers’ D is 0.95. Dit betekent dat 95 procent van de oppervlakte boven de diagonaal onder de ROC-curve is.

B6 SHAP-Waarden

Het is belangrijk om te begrijpen hoe het model voorspellingen maakt. Je wilt bijvoorbeeld uitspraken kunnen doen als: ‘Dit kind heeft een grote kans om uit de armoede te komen, want hoewel het huishouden van het kind leeft van de bijstand, is het kind niet heel jong meer en heeft zijn/haar alleenstaande ouder recent een partner gevonden. Deze laatste twee kenmerken verhogen de kans om uit de armoede te komen.’ Een manier daarvoor is om voor ieder kenmerk en per kind een zogenoemde SHapley Additive exPlanation (SHAP)-waarde te berekenen. Een positieve SHAP-waarde betekent dat iemands score op het kenmerk de kans om uit armoede te komen verhoogt (potentieel stimulerende factor). Een negatieve SHAP-waarde betekent dat iemands score op het kenmerk de kans om uit armoede te komen verlaagt (potentieel remmende factor). Een SHAP-waarde rond nul betekent dat iemands score op het kenmerk geen effect heeft op de kans om uit de armoede te komen. Dus hoe meer de SHAP-waarden van nul afwijken (in positieve of negatieve richting), hoe belangrijker een kenmerk. Er kan dus een rangorde van kenmerken worden gemaakt: kenmerken die vaker ver van nul afwijken zijn belangrijker en dragen meer bij aan de kans om uit armoede te komen. 

Wanneer een kind een SHAP-waarde van +0,7 voor een kenmerk heeft, betekent dit dat toevoegen van dit kenmerk aan het model de odds om uit armoede te komen bij dit kind met een factor e^0,7 ≈ 2 toeneemt. Stel dat een kind in verwachting een kans van bijvoorbeeld 0,8 heeft om uit de armoede te komen (odds 0,8 / (1 − 0,8) = 4). De odds van een kind met een SHAP-waarde van +0,7 op een kenmerk stijgt dan naar 2 × 4 = 8. Dit vertaalt zich naar een toename in kans van 0,8 naar 0,89 (8 / (1 + 8)). Een SHAP-waarde van −0,7 vertaalt zich in dit geval naar een afname in kans van 0,8 naar 0,67. Voor een kind met in verwachting een kans van bijvoorbeeld 0,2 betekent een SHAP-waarde van +0,7 voor een kenmerk dat de kans stijgt naar 0,33.

SHAP-waardes opgeteld over kenmerken geeft per kind de logit van de voorspelde kans dat het kind uit de armoede komt. Absolute SHAP-waardes gemiddeld over kinderen geeft het relatieve belang van het kenmerk. In de figuren in dit rapport worden de SHAP-waardes voor de verschillende kenmerken en subgroepen op de x-as weergegeven. Om het minder technisch te maken wordt in de figuren niet gesproken over SHAP-waardes maar is het label vervangen door “<- Lagere kans” voor negatieve SHAP-waardes en “Hogere kans ->” voor positieve SHAP-waardes. In de figuren wordt de gemiddelde SHAP-waarde per kenmerk weergegeven en het bijbehorende interval (waardes van 80% van de groep, het 10e t/m 90e percentiel). De afwijking van nul en de breedte van het interval zijn beide indicatief voor de bijdrage van het kenmerk aan de kans om uit armoede te komen.

B7 Eenvoudiger model

XGBoost is gemaakt om de modelkwaliteit zo hoog mogelijk te maken, dus om de kans op transitie uit armoede zo goed mogelijk te voorspellen. Een nadeel van dergelijke AI-modellen is dat ze lastig te begrijpen zijn. Naast de SHAP-waardes is er ook gebruik gemaakt van een simpeler model dat de schattingen van het complexe XGBoost-model probeert te beschrijven (Molnar C., 2019). Hiervoor is een enkele regressieboom gebruikt, waarbij alleen de belangrijkste kenmerken (volgens de SHAP-waarden) uit het complexe XGboost-model worden meegenomen. Vanwege zijn eenvoud kan het eenvoudigere model de schattingen van het complexe model maar beperkt beschrijven en is het een zeer versimpelde weergave van de werkelijkheid. Het oorspronkelijke XGBoost-model verklaart 76% van de variantie in de waargenomen indicator voor uit armoede komen. De enkelvoudige beslisboom verklaart 24% van de variantie in de logit van de door XGBoost geschatte kans om uit armoede te komen. Het complexere XGBoost heeft dus meerwaarde om tot betere schattingen te komen, maar de enkelvoudige beslisboom is bedoeld om het complexe XGBoost model beter te begrijpen. Ook kunnen er door middel van het versimpelde model concrete groepen geschat worden die verschillen in hun kans op armoede. Dit kan mogelijk toch aanknopingspunten bieden voor armoedebeleid.

B8 Subgroepen

Zowel het XGBoost als het eenvoudigere model zijn ontwikkeld voor kinderen in armoede in heel Nederland. Vervolgens is voor 13 specifieke subgroepen bekeken of de bijdrage van bepaalde kenmerken en de kans om uit armoede te komen verschilt van heel Nederland. Deze specifieke subgroepen zijn tijdens het onderzoek aangedragen door inhoudelijk experts op het gebied van armoede. Dit noemen we de inhoudelijke subgroepen.

Daarnaast zijn er ook subgroepen bepaald op basis van de data. Met behulp van het eenvoudigere model zijn subgroepen bepaald die een hoge of juist lage kans hebben om uit de armoede te komen. Dit noemen we de datagedreven subgroepen.

C1 Alle kenmerken en hun bijdrage aan de kans om uit armoede te komen

Bijlage C1 volgorde kenmerken

C2 Volledige dataset met alle kenmerken voor alle subgroepen

Bijlage C2 Tabel SHAP-waardes

In dataset C2 zijn de onderstaande gegevens te vinden.

Subgroep: subgroep waarnaar gekeken wordt. Zie hoofdstuk 2 voor een beschrijving van de subgroepen.

Kenmerk: kenmerk zoals meegenomen in model. Zie tabel A4.1 en bijlage C1 voor een beschrijving van het kenmerk.

WaardeVanKenmerk: waarde van het kenmerk.

AantalKinderen: aantal kinderen in de subgroep met de gegeven waarde van het kenmerk.

PercentageVanPopulatie: percentage kinderen met de gegeven waarde van het kenmerk in de subgroep.

GemiddeldeSHAPWaarde: gemiddelde SHAP-waarde behorende bij de gegeven waarde van het kenmerk. Deze geeft het effect aan van deze waarde van het kenmerk op de kans om uit armoede te komen. Een positieve waarde is kansverhogend; een negatieve kansverlagend, zie ook de uitleg in hoofdstuk B5.

Percentiel10SHAPWaardes: tiende percentiel van de SHAP-waarde behorende bij de gegeven waarde van het kenmerk. 10 procent van de kinderen met deze waarde van het kenmerk heeft een SHAP-waarde lager dan dit percentiel. Samen met Percentiel90SHAPWaardes is dit een indicatie van het gebied waarin het effect van dit kenmerk ligt.

Percentiel90SHAPWaardes: negentigste percentiel van de SHAP-waarde behorende bij de gegeven waarde van het kenmerk. 10 procent van de kinderen met deze waarde van het kenmerk heeft een SHAP-waarde hoger dan dit percentiel. Samen met Percentiel10SHAPWaardes is dit een indicatie van het gebied waarin het effect van dit kenmerk ligt.