Voorspelmodel Bijstand

Het algoritme voorspelt het aantal inwoners dat op een bepaald moment in de bijstand zit op basis van alle inwoners van de gemeente Den Haag. De voorspelling kan ook onderverdeeld worden in subgroepen op de indicatoren; huidige dienstverlening, geslacht en leeftijdsgroep.
Laatst gewijzigd op 18 november 2026 om 10:56 | Publicatiestandaard 1.0
Publicatiecategorie
Impactvolle algoritmes
Impacttoetsen
DPIA
Status
In ontwikkeling

Thema

Sociale zekerheid

Begindatum

Veld niet ingevuld.

Contactgegevens

datashop@denhaag.nl

Doel en impact

Het hoofddoel van het algoritme is om de instroom, uitstroom en caseload van bijstandsgerechtigden binnen Den Haag nauwkeuriger te voorspellen. Door deze voorspellingen kunnen gemeentelijke organisatieonderdelen beter sturen op capaciteit en dienstverlening, wat leidt tot een datagedreven onderbouwing van de taakstellingen en programmabegrotingen. Het algoritme ondersteunt zo bij het realiseren van de gewenste uitstroom uit de bijstand, met als ultiem doel een efficiëntere en effectievere inzet van middelen binnen SZW.  Inwoners merken dit doordat zij sneller geholpen worden en minder lang hoeven te wachten op een beslissing. Ook helpt het model om ontwikkelingen en trends eerder te zien, zodat de gemeente hierop kan inspelen en waar nodig extra onderzoek kan doen. Zo kunnen middelen en capaciteit slimmer worden ingezet en worden inwoners beter ondersteund.

Afwegingen

De inzet van het algoritme is redelijk gerechtvaardigd omdat de voordelen zoals nauwkeurigere prognoses, betere capaciteitssturing en een datagedreven onderbouwing van beleid direct bijdragen aan een efficiëntere en effectievere uitvoering van de Participatiewet. Hoewel er risico’s zijn, zoals afhankelijkheid van datakwaliteit en het onbedoeld bevestigen van historische patronen, worden deze beperkt doordat het model uitsluitend geaggregeerde uitkomsten levert, continu wordt gemonitord en altijd door professionals wordt geïnterpreteerd. Hierdoor wegen de maatschappelijke meerwaarde en beleidsmatige winst zwaarder dan de beheersbare nadelen.

Menselijke tussenkomst

De resultaten van het algoritme worden door analisten periodiek beoordeeld op betrouwbaarheid. Hiervoor wordt een monitor opgezet die de voorspellingen voortdurend vergelijkt met de daadwerkelijke uitkomsten, zodat de betrouwbaarheid kan worden gecontroleerd en waar nodig bijgesteld. In eerste instantie bevindt het algoritme zich in een evaluatie- en leerfase: pas wanneer deze fase voldoende betrouwbare voorspellingen oplevert, worden de uitkomsten gebruikt voor besluitvorming. Tijdens de gebruiksfase verrijken domeinexperts de voorspellingen met aanvullende (omgevings)factoren, zodat inzichten gevalideerd en indien nodig aangepast kunnen worden.

Risicobeheer

Geïdentificeerde risico’s worden gemitigeerd door een combinatie van datakwaliteitscontroles, continue monitoring van modelprestaties en het beperken van de toepassing tot geaggregeerd niveau. Biasrisico’s worden ondervangen door datapreparatie, regelmatige herberekening van de modellen en het uitvoeren van aanvullende analyses wanneer de voorspellingen afwijken van de werkelijke aantallen. Professionals (beleid, control en data‑analisten) duiden de resultaten altijd handmatig, zodat onbedoelde stigmatisering of verkeerde interpretatie wordt voorkomen. Daarnaast zijn beveiligings- en archiveringsmaatregelen ingericht volgens de BIO‑normen, en worden wijzigingen in dienstverlening, processen of doelgroep structureel gevolgd om de betrouwbaarheid van het model te bewaken.

Wettelijke basis

De inzet van het algoritme is gebaseerd op de Participatiewet, met name artikel 7 en 8, waarin staat dat gemeenten verplicht zijn om beleid te voeren dat gericht is op arbeidsinschakeling, re‑integratie en het bevorderen van uitstroom uit de bijstand. De wet vraagt gemeenten om actief te sturen op deze doelen en om maatregelen te nemen die helpen burgers naar werk te begeleiden. Het maken van prognoses en het monitoren van instroom, uitstroom en caseload is een logisch onderdeel van deze wettelijke taak.

Daarnaast biedt de Gemeentewet ruimte om de gemeentelijke organisatie doelmatig in te richten, beleidsinformatie te verzamelen en processen te verbeteren. Een voorspelmodel helpt daarbij door beter inzicht te geven in benodigde capaciteit en beleidskeuzes. Voor het gebruik van persoonsgegevens geldt artikel 6(1)(e) van de AVG, dat verwerking toestaat wanneer dit nodig is voor een taak van algemeen belang. In dit geval gaat het om beleidsontwikkeling en uitvoering binnen SZW en Den Haag Werkt. Omdat het model uitsluitend geaggregeerde informatie oplevert en niet wordt gebruikt voor individuele besluiten, past dit binnen de wettelijke kaders.

Links naar wettelijke basis

Participatiewet: https://wetten.overheid.nl/BWBR0015703/2026-07-01/0

Impacttoetsen

Data Protection Impact Assessment (DPIA)

Gegevens

uitkeringsnummer, leeftijd, geslacht, type dienstverlening, ingangs- en einddatum uitkering

Technische werking

Voor de uitstroomprognoses wordt een Cox proportional hazards‑model toegepast, een semi‑parametrisch survivalanalyse‑model dat de hazardfunctie schat: de kans dat uitstroom optreedt op tijdstip t, gegeven dat iemand op dat moment nog in de uitkering zit. Het model gebruikt historische data om te bepalen hoe covariaten zoals duur in de uitkering, leeftijd en type dienstverlening de hazard multiplicatief beïnvloeden. De effecten worden uitgedrukt in hazard ratio’s, waarmee groepen systematisch kunnen worden vergeleken. Het model houdt rekening met censoring (personen die nog niet zijn uitgestroomd) en voorspelt uitsluitend op groepsniveau, waardoor het niet wordt ingezet voor individuele besluitvorming.


Voor de instroomprognoses wordt een ARIMA(p, d, q)-model toegepast, waarbij de tijdreeks eerst stationair wordt gemaakt door d-orde differentiatie om trends en niet‑stationariteit te verwijderen. Het autoregressieve deel (AR met orde p) modelleert de afhankelijkheid van de huidige waarde ten opzichte van eerdere waarnemingen via lineaire combinaties van vertraagde waarden (lags). Het moving‑average deel (MA met orde q) modelleert de correlatiestructuur in de residuen door eerdere fouttermen te betrekken. Het model wordt geschat door maximale waarschijnlijkheid (MLE) of iteratieve optimalisatie, waarbij parameters zo worden bepaald dat de autocorrelaties (ACF) en partiële autocorrelaties (PACF) optimaal worden gereproduceerd. Op basis van de geschatte AR‑ en MA‑componenten en de gedifferentieerde reeks genereert ARIMA een voorspellingsfunctie die toekomstige instroomwaarden projecteert, inclusief onzekerheidsintervallen. Het model werkt uitsluitend met geaggregeerde tijdreeksen en bevat geen individuele kenmerken of persoonsgegevens.