Vijf typen Nederlandse regio’s als aanknopingspunt voor regionaal welvaartsbeleid

De regionale verschillen in brede welvaart nemen toe. Tussen de regio’s met de hoogste en de laagste brede welvaart groeide het verschil van acht procentpunt in 2013 naar tien procentpunt in 2021. Kijken we naar de elf onderliggende dimensies van brede welvaart (figuur 1), dan is de verscheidenheid nog veel groter. De verschillen zijn het grootst op de dimensies huisvesting en inkomen, gevolgd door werk-privébalans, maatschappelijke betrokkenheid en veiligheid. Deze verschillen bewijzen eens te meer dat elke regio, afgezien van het algehele brede-welvaartsniveau van de inwoners, eigen sterke kenmerken en uitdagingen heeft. Dit vraagt om regionaal welvaartsbeleid.

De huidige coalitievormingen en bijbehorende akkoorden zijn een uitgelezen mogelijkheid om vorm te geven aan en vaart te maken met dit beleid. Op het moment van schrijven zijn de coalities van elf van de twaalf provincies bekend. Een deel hiervan heeft het beleid voor de komende vier jaar in grote lijnen in een akkoord uitgestippeld. Brede welvaart is een centraal begrip in alle akkoorden, maar de mate waarin verschilt.

Om de uitdagingen op het gebied van brede welvaart te herkennen en te bepalen waar de accenten van regionaal welvaartsbeleid moeten komen te liggen, is kennis over brede welvaart essentieel. Over het niveau en de ontwikkeling van brede welvaart en de elf dimensies, maar ook over de verschillen tussen gebieden en wat ze met elkaar gemeen hebben. Verschillende typen gebieden vragen namelijk om verschillende beleidsinvalshoeken. Daarom doen we in deze publicatie een poging om de veertig Nederlandse regio’s op basis van hun scores op de elf welvaartsdimensies in te delen in verschillende typen.

In eerdere publicaties over brede welvaart beschreven we de regionale verschillen op basis van de scores op de elf dimensies. Zo zagen we dat de grootstedelijke regio’s in het westen bijvoorbeeld slechter scoren op de dimensies veiligheid, huisvesting, baanzekerheid en werk-privébalans, terwijl een aantal regio’s aan de randen van het land juist minder goed scoort op persoonlijke ontwikkeling, inkomen en maatschappelijke betrokkenheid. Regio’s met een hoge brede welvaart zijn uiteraard ook niet allemaal hetzelfde. De ene scoort goed vanwege hoge inkomens (Het Gooi en Vechtstreek), in de andere zijn de inkomens juist lager, maar is de veiligheid bijzonder groot (Zuidwest-Drenthe), is de werk-privébalans beter (Zuidwest-Overijssel) of zijn de inwoners bovengemiddeld maatschappelijk betrokken (Noord-Overijssel).

Uit deze korte beschrijving van een aantal regionale verschillen blijkt al dat Nederland verschillende typen regio’s kent. Een veelgehoord onderscheid is bijvoorbeeld dat tussen stad en platteland of tussen de economische kerngebieden en de regio’s daarbuiten. Maar wat als we de indeling overlaten aan statistiek? Hoeveel typen regio’s kunnen we dan onderscheiden, op welke dimensies worden de verschillen dan gevormd en welke regio’s lijken dan op elkaar?

We gebruiken hiervoor een clusteranalyse (zie bijlage). Daaruit blijkt dat het optimale aantal clusters (lees: aantal typen regio’s) vijf is. Als we de regio’s op basis van de scores op de elf dimensies indelen in vijf clusters, ontstaat het kaartbeeld van figuur 2: vijf typen regio’s die dus beter of slechter scoren op bepaalde dimensies. Voor de goede orde: dit is geen rangschikking. Wel is de algehele brede welvaart in het ene cluster gemiddeld hoger dan in het andere, maar de indeling is gebaseerd op de elf dimensies en vormt daarmee een typologie van regio’s. Figuur 3 laat zien hoe de clusters gemiddeld scoren op de elf dimensies en dus wat de grote verschillen zijn tussen de vijf typen.

We zien een aantal duidelijke ruimtelijke patronen. De grootstedelijke regio’s in het westen vormen een groep, samen met Zaanstreek, Delft en Westland en Delfzijl en omgeving. Deze regio’s scoren alle zes relatief zeer slecht op de dimensie huisvesting, de dimensie met de grootste regionale verschillen. Uiteraard verschillen de regio’s Amsterdam, Rotterdam en Den Haag op een aantal punten van de andere drie. De inkomens liggen er hoger, maar het is er minder veilig en mensen zijn over het algemeen minder tevreden. Ook opvallend is dat de baanzekerheid lager is in de steden. Dit is een bekend fenomeen. Steden zijn weliswaar centra van werkgelegenheid, maar hebben uiteraard ook veel inwoners terwijl mensen van buiten de stad veel van deze banen innemen. Als we het aantal clusters hadden uitgebreid, zouden de drie grootstedelijke gebieden een eigen groep vormen.

Rondom de grote steden en in Oost-Brabant ligt een groep regio’s waarvan de inwoners gemiddeld hoog zijn opgeleid, fijn wonen, gezond zijn en relatief veel verdienen. Veel van hen werken in een van de grote steden en maken daar gebruik van de voorzieningen: wel de lusten, maar niet de lasten van de stad. Een geliefd deel van Nederland om te wonen, waardoor de huizen duur zijn en de brede welvaart hoog is. Ook hier bestaan verschillen tussen regio’s binnen het cluster. Vooral in Het Gooi en Vechtstreek en Regio Haarlem zijn de gemiddelde inkomens bijvoorbeeld bijzonder hoog. Bij een keuze voor meer clusters zouden deze twee regio’s dan ook een eigen groep vormen.

Toch is de brede welvaart nog hoger in het gebied ten noorden en oosten van de Randstad. Hier moet men het vooral hebben van de rust en de ruimte, een veilige omgeving en lagere huizenprijzen, waardoor mensen gemiddeld zeer tevreden zijn met hun huis. Wat verder van de Randstad zijn mensen over het algemeen minder gehaast en ondervinden zij een betere werk-privébalans. Vandaar ook de wat lagere inkomens.

De regio’s in de overige twee groepen liggen wat meer verspreid over het land en tonen dus een minder duidelijk geografisch patroon. Het onderscheid tussen die twee zit voor een belangrijk deel in de inkomens, die vooral lager liggen in Groningen en Zuid-Limburg. In Zeeland, Flevoland en Noord- en Midden-Limburg is de maatschappelijke betrokkenheid laag, maar zijn de mensen gemiddeld wel zeer tevreden met hun huis.

Het valt op dat er tussen de groepen weinig verschillen zijn op de dimensies sociale contacten en milieu, terwijl vooral milieu een ruimtelijk dimensie heeft. De regio’s die hier minder goed op scoren, zoals Regio Den Haag, Oost-Brabant en Midden-Limburg, horen bij verschillende groepen regio’s.

Verschillende typen regio’s vragen om verschillend beleid. En omdat we ook binnen provincies een grote verscheidenheid zien, zullen zelfs de provinciebesturen moeten differentiëren binnen de provincie. Zo hebben de grootstedelijke regio’s een betere balans nodig tussen economie en brede welvaart, vooral Metropoolregio Amsterdam. De negatieve effecten van de economische groei ontwrichten daar de samenleving, een probleem waar ook groeimotor Brainport Eindhoven voor is gewaarschuwd. Welvaartsbeleid in die regio’s zou zich dus hierop moeten richten.

Andere regio’s hebben juist een economisch duwtje in de rug nodig. Daar waar meer ruimte en natuur is, maar de beschikbaarheid van werk en voorzieningen beperkt, vertrekken veel jongeren voor hun opleiding en/of werk, zonder terug te keren. Dit maakt die gebieden minder aantrekkelijk voor bedrijven, met het risico van een neerwaartse spiraal en een slechtere leefbaarheid als gevolg. Voorbeelden daarvan zijn Noord-Holland Noord en Groningen.

Voor gericht regionaal welvaartsbeleid is meer kennis nodig dan deze aanzet tot een typologie van regio’s. Zij laat vooral zien dat in Nederland op korte afstand grote verschillen bestaan in de kenmerken van gebieden, waarmee de functie van deze gebieden in het geheel ook andere accenten heeft. Idealiter heeft dat zijn weerslag op regionaal beleid en zien we dit terug in de coalitieakkoorden van de provincies.

Om het optimale aantal typen regio’s te bepalen, maken we gebruik van een k-means clusteranalyse. De basisgedachte hierachter is dat de verschillen tussen de regio’s binnen de clusters (lees: groepen/typen regio’s) zo klein mogelijk dient te zijn, maar tegelijkertijd het aantal clusters overzichtelijk blijft. Dit wordt gemeten met de within sum of squares (WSS): de som van de verschillen tussen elke afzonderlijke regio binnen een cluster en het gemiddelde van dat cluster. Hoe lager de WSS, hoe meer de regio’s binnen de clusters op elkaar lijken.

De uitkomst van de analyse is de WSS voor elk opgegeven aantal clusters (figuur 4). De figuur laat zien hoe sterk de WSS daalt bij een uitbreiding van het aantal clusters en dus of het model daardoor vanuit statistisch oogpunt verbetert. In dit geval zien we dat de WSS sterk daalt als we niet één maar twee clusters kiezen. Bij meer dan twee clusters neemt de daling af en bij vijf clusters zien we een knik in de lijn. Oftewel, bij vijf clusters lijken de regio’s binnen de clusters noemenswaardig veel meer op elkaar dan bij vier clusters, maar bij zes clusters lijken ze niet nog veel meer op elkaar. Daarom kiezen we voor vijf clusters.