‘Alle gelukkige gezinnen lijken op elkaar, elk ongelukkig gezin is ongelukkig op zijn eigen wijze.’ Met deze zin opent de negentiende-eeuwse schrijver Lev Tolstoj zijn beroemde Anna Karenina. Maar deze zin is ook in de eenentwintigste eeuw relevant. Als elk ongelukkig gezin dat op zijn eigen wijze is, is datasturing en datagestuurde populatiebekostiging van buurtvoorzieningen dan überhaupt wel mogelijk? Draagt datasturing bij aan het ‘nieuwe’ normaal in de buurt?
Ik zal een jaar of twaalf of dertien zijn geweest. Tijdens het avondeten ontstond een ‘heftige’ discussie. De man van mijn moeder wilde me ‘fysiek’ aanpakken. Ik was snel genoeg en rende naar de deur. Hij zat ingesloten aan de eettafel. Hij pakte een bord vol eten en gooide het woedend naar mijn hoofd. Ik liet me plat op mijn buik vallen, waardoor het bord tegen de deur kapotsloeg. ‘Mispoes’, riep ik, en ik kwam overeind en sprintte naar buiten om de vuistslagen die anders zouden volgen te voorkomen.
Dat het bij ons thuis lang niet altijd een pretje was moge duidelijk zijn. Nederland kent ook vandaag de dag nog veel gezinnen waar dergelijke gebeurtenissen plaatsvinden. Maar hoe vertaal je als gemeente dat naar bruikbare data? En hoe vertaal je als beleidsambtenaar die data naar informatie om grip te krijgen op een betaalbare en doeltreffende inrichting van hun sociaal domein?
Datagestuurd werken en Big Data lijken enorm onpersoonlijk. Voor velen is het synoniem voor de prestatie- en calculatiecultuur die zo’n kwarteeuw geleden met de nieuwe zakelijkheid en New Public Management in het sociaal domein opkwam. Kan je dan wel rekening houden met het persoonlijke verhaal? Is maatwerk mogelijk? Het verklaart in belangrijke mate het wantrouwen dat bestaat tegen datagericht werken en beleid. En dat is onterecht.
‘Een model is niets anders dan een mogelijkheid om als mens grip te krijgen op de complexe werkelijkheid’, zei een hoogleraar met wie ik samenwerkte eens tegen me. Hoe doe je dat? Als fervent sportliefhebber zal ik een voorbeeld geven om te laten zien hoe verklarings- en voorspelmodellen in het sociaal domein kunnen worden gebruikt.
Stel, je loopt tijdens een marathon gemiddeld tien kilometer per uur. Dan kom je na 4 uur en 10 minuten over de finish. Je wilt die tijd verbeteren en gaat trainen. Als je wilt weten hoe je moet trainen om sneller te lopen, kun je data verzamelen. Die kun je op twee manieren gebruiken. In de eerste plaats kun je verklaren waarom je de tijd loopt die je loopt. Daarnaast kun je voorspellen wat je moet doen om harder te lopen. Bij hardlopen is het kinderlijk eenvoudig om ongemerkt veel microdata te verzamelen. Zo dragen we massaal een hartslagmeter en een GPS-hardloophorloge en weet je Apple Watch je lengte, gewicht, saturatie en slaapritme. Deze data laten zien welke trainingsarbeid en persoonlijke omstandigheden je sneller maken. Wat blijkt: als je slecht slaapt, loop je langzamer. Drink je zaterdag wijn, dan ben je op zondagochtend niet vooruit te branden. De roep om ‘bewezen effectieve’ interventies en het inzicht in de vraag naar voorzieningen is in het sociaal domein vergelijkbaar.
Nu is het sociaal domein natuurlijk complexer dan het simpele hardloopvoorbeeld. Het is moeilijk om de vraag naar voorzieningen en de effectiviteit van interventies in het sociaal domein te verklaren. Toch is het mogelijk. Gemeenten beschikken immers over een veelheid aan gegevens. Zo heeft AEPB Onderzoek en Advies in Eindhoven op basis van microdata prognosemodellen opgesteld om onder meer de juiste budgetplafonds te kunnen bepalen en het effect van de opgestelde beheersmaatregelen te kunnen doorrekenen. In Enschede is gekeken naar de effectiviteit van het instellen van lumpsumfinanciering voor jeugdhulp. En in Almere is een verklaringsmodel opgesteld voor de jeugdhulp om de opbrengsten van de samenwerking tussen onderwijs- en jeugdhulpaanbieders in beeld te brengen.
In de basis gebeurt hetzelfde als bij het hardloopvoorbeeld. Je kiest een variabele die je wilt verklaren, bijvoorbeeld jeugdhulp zonder verblijf, en kijkt welke factoren invloed hebben op die variabele. Dat doe je door te kijken hoe goed die factoren in staat zijn om te verklaren.
Terug naar mijn jeugd. Waren er risicofactoren? Mijn ouders waren gescheiden. En nadat mijn moeder hertrouwde waren er behoorlijke financiële problemen. Mijn moeders nieuwe man had forse schulden en wisselde zijn bijstand- en WW-uitkering af met tijdelijke baantjes en schimmige inkomstenbronnen. Zelf spijbelde ik zeer veel. Aanvankelijk woonden we ook in een buurt met hoge criminaliteitscijfers en veel eenoudergezinnen.
Modellen bestaan onder meer uit persoonsfactoren, woningkenmerken, fysieke en sociale woonomgevingskenmerken en informatie over het gebruik van voorzieningen, zoals jeugdzorg, Wmo, bijstand, onderwijs enzovoorts. Allemaal informatie waar de gemeente over beschikt.
Met meer inzicht in het effect van een interventie of de factoren die de ontwikkeling van voorziening verklaren, kun je ook beter voorspellen. Neem mondkapjes. Als duidelijk is wat de invloed is op de overdrachtskans van COVID-19, dan kun je het aantal zieken en het aantal ziekhuisopnames voorspellen. Op dezelfde manier kan dit ook in het sociaal domein. Een simpel voorbeeld. Stel, in buurt wonen alleen maar 65-plussers. Dan weten we dat daar vermoedelijk meer Wmo-voorzieningen nodig zijn. Op die manier spelen voorspelmodellen overigens nu al ongemerkt een belangrijke rol bij beleids- en begrotingskeuzes. In die zin is een gemeentelijke begroting niets anders dan een voorspelmodel.
Toch blijken de huidige prognoses en projecties er vaak naast te zitten. Dit komt omdat men slechts veelal een vorm toepast van lineaire extrapolatie. Men kijkt of men een trend ziet en met een liniaal wordt die trend doorgetrokken. Het gevolg: begrotingstekorten, maar ook, en dat is kwalijker, onopgeloste maatschappelijke problemen. Maak gebruik van betere data en betere modellen. Modellen die beter grip krijgen op die complexe werkelijkheid. Hoe dat kan, is te zien met het door AEPB ontwikkelde jeugdhulpvoorspelmodel met open data. Om nog betere modellen te maken wordt nu in een aantal gemeenten met mircodata nog nauwkeuriger context- en buurtspecifiek de jeugdhulp in beeld gebracht.
Van voorspellen van hulp- en ondersteuning naar de bekostiging ervan. Voor gemeenten en aanbieders kan een goed voorspelmodel enorm helpen om het inkoop- en contractmanagement te verbeteren. Wat heb je in welke buurt op welk moment nodig? Ook kan het enorm helpen bij de inrichtingskeuzes van het sociaal domein. Voorkomt meer opbouwwerk uiteindelijk jeugdzorg of moeten we inzetten op grotere woningen en klaslokalen om jeugdproblematiek aan te pakken? Als kind had ik weinig onderwijstijd nodig en kon ik aardig handballen. Daardoor werd ik voor vertegenwoordigende teams uitgenodigd. Het gevolg was dat ik veel trainde en de drama’s aan de eettafel mij meestal bespaard bleven. Ik warmde immers zelf m’n eten op in de magnetron.
Ik moest hieraan denken tijdens een recente bijeenkomst van Movisie onder leiding van Pieter Hilhorst. Ik was hiervoor als expert (markt)prikkels uitgenodigd. In de bijeenkomst met als onderwerp Van aanbesteden naar sociaal besteden. De financiële onderbouw voor preventieve sociale netwerken in buurten en dorpen werd het nog te verschijnen essay van Jos van der Lans besproken, dat hij in opdracht van Movisie heeft geschreven. In het essay Ontsnappen aan aanbesteden. Op weg naar een alternatieve sturing in het sociaal pleit de publicist onder meer om buurtvoorzieningen via subsidies te bekostigen. Hij verbindt hieraan wel een voorwaarde: “een wijkbeeld [moet] informatie leveren om de vraag te beantwoorden wat er in een wijk nodig is om bewoners een dragende rol te geven in de sociaal-maatschappelijke ontwikkeling van de wijk”. Het essay bevat verder een aantal zeer rake observaties over aanbesteden in het sociaal domein en is alleen daarom al lezenswaardig. Hij roept op om Big Data te gebruiken om de sociaal ecologische benadering te stimuleren.
Ik zou het breder willen trekken. Ik denk dat veel problemen bij aanbesteden ontstaan omdat gemeenten en aanbieders nalaten om een goede markt- en buurtanalyse te maken. Maar dat geldt ook voor ander financieringsvorm van voorzieningen. Als je niet goed weet wat je nodig hebt, hoe kan je het dan inkopen? Als je niet nadenkt over de juiste (markt)prikkels, hoe kan je dan markt- en overheidsfalen voorkomen?
Goede datasturing kan dan helpen. Gemeenten zouden structureel voorspelmodellen moeten gebruiken om het voorzieningenniveau te evalueren. Wat is er nodig in de buurt? En wat niet? Hierbij moet de meerwaarde van een voorziening voor een buurt centraal staan. Een vorm van populatiebekostiging zou daar ideaal bij passen. Gemeenten kunnen zo ontschotte arrangementen van buurtvoorzieningen en hulp- en ondersteuning inzetten om het beroep op duurdere stedelijke of regionale tweede- of derdelijns voorzieningen te voorkomen.
Om dit goed te kunnen doen, moet er wel inzicht zijn in wat je als gemeente en aanbieder kan beïnvloeden. Vaak is er sprake van wensdenken. Goede datasturing maakt duidelijk aan welke knoppen je als gemeente of aanbieder kunt draaien. Maar ook welke factoren een gegeven zijn. Zo weten we bijvoorbeeld dat vechtscheidingen vaak leiden tot meer inzet van jeugdhulp. Een goed voorspelmodel maakt inzichtelijk welk deel van de jeugdhulp met beleidsinstrumenten wordt voorkomen.
Datagestuurde keuzes kunnen helpen om beleid en uitvoering tijdig bij te sturen en de maatschappelijke meerwaarde te realiseren. Maar om te weten wat normaal in de buurt is, moet je weten wat normaal is en wat er voor normaal nodig is. Dat kan een sport- of klaverjasvereniging zijn. Willen gemeenten en aanbieders succesvol demedicaliseren, ontzorgen en normaliseren bij de hulp- en ondersteuningsvragen van huishoudens? Dan moeten ze eerst weten wat normaal is. Met datasturing kan de wijk de oplossing worden om het sociaal domein doeltreffender en betaalbaarder te krijgen. Niet alle zorgvragen zijn te beïnvloeden, maar je kennispositie is dat wel. Daarmee zijn gemeentebesturen en aanbieders aan zet.
Meer weten? Floris Lazrak verzorgt tijdens de Kennismarkt Zorg en Welzijn in de wijk op 8 november de lezing ‘Normaal in de buurt: betere zorg door datagestuurde keuzes’. Lazrak gaat onder meer in op datagestuurde populatiebekostiging, het bijsturen van beleid en de mogelijkheden om te voorspellen welke huishoudens zorg of andere ondersteuning nodig hebben. Bekijk het volledige programma hier.
