Onderzoeksproject
Robust Estimation using Aggregated Data for Urban policy making (READ-URBAN)
Read-Urban was een eerste project om te onderzoeken of beleidsaanbevelingen gedaan kunnen worden met behulp van linked dataverzamelingen en data science en om ervaring op te doen met de succesfactoren voor een dergelijk proces.
- Looptijd
- 2017 - 2018
- Contact
- Wessel Kraaij
- Financiering
-
Gemeente Den Haag
- Partners
Het READ-URBAN-project is uitgevoerd door de Universiteit Leiden in een samenwerking tussen LIACS en het Instituut Bestuurskunde. Het project is mede gefinancierd door de gemeente Den Haag. De visualisatie is ontwikkeld door Bloomingdata.
Big Data voor robuuste meting van beleidsindicatoren
Het gebruik van indicatoren voor monitoring op verschillende beleidsterreinen zoals werkgelegenheid, bereikbaarheid, gezondheid en veiligheid is standaardpraktijk in het openbaar bestuur. Beleid kan immers alleen worden gemaakt op basis van betrouwbare gegevens. Traditioneel worden de meeste gegevens verzameld via vragenlijsten. Deze aanpak heeft nadelen: de meest recente cijfers blijven vaak ver achter bij de actualiteit, waardoor kwantitatieve analyse van interventies pas in een relatief laat stadium beschikbaar komt. Bovendien is er altijd het risico van sample bias.
Bij een big data-aanpak kan in principe alle beschikbare relevante informatie worden meegenomen in de analyse en kunnen er veel frequentere updates plaatsvinden. Een voorbeeld van een dergelijke aanpak is de analyse van open internetbronnen, waaronder sociale media, met behulp van text mining-technieken. Dit omvat technieken zoals entiteitsherkenning, sentiment mining, gebeurtenisherkenning. Bedrijfssites kunnen worden geanalyseerd op functies variërend van vacatures tot beveiligingsmethoden voor cybercriminaliteit. Andere voorbeelden van beschikbare big data-bronnen zijn gsm-data om mensenmassa's en stromen in kaart te brengen; of verkeerslusgegevens en zwevende kaartgegevens voor verkeersstromen. Ervaring met deze bronnen is al aanwezig en kan worden gebruikt om toepassingen te ontwikkelen voor de grootstedelijke praktijk. Verschillende andere bronnen kunnen geleidelijk worden opgenomen als we toegang krijgen; denk aan financiële transactiedata, slimme meters, sensordata of satellietfoto's.
Working Poor
In het READ-URBAN-project is in overleg met de gemeente Den Haag het beleidsdomein armoedebestrijding als use case gekozen, met name om meer te weten te komen over de categorie huishoudens die tot de 'werkende armen' behoort. Dit zijn huishoudens die geen bijstandsuitkering ontvangen, maar wel onder de armoedegrens leven (inkomen bestaat uit verschillende deeltijdse tijdelijke contracten).
In april 2017 startte postdoc José Miotto een eerste case study om deze categorie huishoudens in kaart te brengen, terwijl een tweede stap gericht was op een beter begrip van de condities voor instroom en uitstroom van deze populatie. Ook is gekeken naar de inzet van de ‘Ooivaarspas’, een instrument om activiteiten toegankelijk te maken voor mensen met een laag inkomen en zo de sociale cohesie te bevorderen.
Project results
- Paper presentatie Data for Policy Conference in London, September 2017, Title: The Working Poor in Urban Areas: Effective policy initiatives.
- Paper presentatie Data for Policy Conference in London, June 2019, title: Challenges of data-driven evaluation of soft policy instruments: The poverty pass.
- Working paper 'The Working Poor in Urban Areas: Effective policy initiatives' - https://static1.squarespace.com/static/560bd9e7e4b067a54c36b111/t/59b18553e5dd5b4656861fa7/1504806228772/D4P_ConferencePaper_Final.pdf
Om de analys van de buurtgegevens van de gemeente Den Haag in te zien is een interactieve visualisatie ontwikkeld. De visualisatie is te vinden opread-urban.liacs.nl.