Auteur(s): Jaap Walhout, Bas Vollenbroek

Onderwijsachterstandenindicator - Gemeenten; 2018-2021

Plausibiliteitsanalyses

Over deze publicatie

Deze publicatie beschrijft en analyseert verschillen in onderwijsachterstandsscores van gemeenten tussen de jaren 2020 en 2021, verschillen in voorlopige en definitieve achterstandsscores en ontwikkelingen in onderwijsscores en de onderliggende omgevingskenmerken van leerlingen over de jaren 2018 tot en met 2021. De voornaamste bevinding is dat achterstandsscores van de meeste gemeenten tussen de jaren 2020 en 2021 weinig fluctueerden en dat fluctuaties die zich voordoen plausibel zijn.

1. Inleiding

In het kader van het in 2019 in werking getreden nieuwe onderwijsachterstandenbeleid, publiceert het Centraal Bureau voor de Statistiek (CBS) jaarlijks per gemeente een onderwijsachterstandsscore (hierna: achterstandsscore). Deze scores drukken de verwachte onderwijsachterstand in gemeenten uit, op basis waarvan het ministerie van Onderwijs, Cultuur en Wetenschap (OCW) het onderwijsachterstandenbudget over gemeenten verdeelt. Om de juistheid van deze scores vast te stellen, voert het CBS jaarlijks plausibiliteitsanalyses uit. Dit rapport is een weergave van deze analyses gebaseerd op gegevens voor de jaren 2018 tot en met 2021.

Het CBS spreekt van een onderwijsachterstand als leerlingen door ongunstige omgevingskenmerken slechter presteren op school dan ze bij een gunstigere situatie zouden kunnen. Het CBS berekent ieder jaar per leerling een onderwijsscore die de verwachte onderwijsachterstand weergeeft gegeven diverse omgevingskenmerken. Deze omgevingskenmerken betreffen het opleidingsniveau van zowel de moeder als de vader, het land van herkomst van de ouders, of ouders in de schuldsanering zitten, de verblijfsduur van de moeder in Nederland, en het gemiddelde opleidingsniveau van moeders van leerlingen op school.

Het CBS vertaalt onderwijsscores van kinderen met behulp van een in de wet1) vastgelegde formule naar achterstandsscores voor gemeenten. Het CBS telt per gemeente de scores op van de kinderen in de leeftijd van 2,4 tot 4 jaar en leerlingen van de scholen in de gemeente die landelijk gezien tot de 15% laagst scorende leerlingen behoren. Dit is de bruto achterstandsscore. Deze bruto achterstandsscore geeft de verwachte omvang van het risico op onderwijsachterstand weer in een gemeente. Op die brutoscore wordt een drempelwaarde in mindering gebracht, om versnippering van het budget tegen te gaan. De drempelwaarde is afhankelijk van het totaal aantal kinderen in gemeenten: hoe meer kinderen, hoe hoger de drempel. Na aftrek van de drempel heeft elke gemeente een netto score. Op basis van deze netto score verdeelt OCW het gemeentelijk onderwijsachterstanden budget.

Deze publicatie beschrijft en analyseert de ontwikkeling van verwachte onderwijsachterstanden, onderwijsscores en de onderliggende omgevingskenmerken. Hierbij besteden we in het bijzonder aandacht aan veranderingen in de verdelingen over de jaren. Een nadere uitleg over de berekening van de achterstandsscores en hoe die van jaar op jaar kunnen variëren is te lezen in de brochure “Fluctuaties achterstandsscores scholen”2). Hoewel deze brochure is gericht op scholen, is de werking van de indicator voor gemeenten vergelijkbaar.

In hoofdstuk 2 worden de gebruikte data en methoden uiteengezet. Hoofdstuk 3 beschrijft ontwikkelingen in de omgevingskenmerken en frequentie en type imputatie van onderwijsscores. Veranderingen in onderwijsscores staan centraal in hoofdstuk 4. Hoofdstuk 5 presenteert ontwikkelingen in onderwijsachterstanden. Hoofdstuk 6 geeft een samenvatting en conclusies.

1) wetten.nl - Regeling - Besluit specifieke uitkeringen gemeentelijk onderwijsachterstandenbeleid - BWBR0041370 (overheid.nl).
2) Zie https://www.cbs.nl/nl-nl/maatwerk/2021/13/fluctuaties-achterstandsscores-scholen.

2. Data en methoden

2.1 Selectie en afbakening onderzoeksdata

Voor het uitvoeren van deze plausibiliteitsanalyses gebruiken we hetzelfde databestand als voor de jaarlijkse berekening van de achterstandsscores per gemeente. Dit bestand bevat de gegevens van alle kinderen van 2,5 tot 4 jaar en basisschoolleerlingen op 1 oktober in de jaren 2018 tot en met 2021.

2.2 Gebruikte methoden

Om ontwikkelingen in de verschillende variabelen in kaart te brengen, maken we voornamelijk gebruik van frequentieanalyses. Bij deze analyses bekijken we in hoeverre de frequentieverdelingen over de jaren heen dezelfde patronen blijven volgen. We laten de frequentieverdelingen zien voor onder andere de onderwijs- en achterstandsscores en voor de omgevingskenmerken die worden gebruikt bij de berekening van onderwijsscores. We kijken hierbij voornamelijk naar de relatieve frequentie omdat groepen van verschillende grootte daarmee makkelijk met elkaar zijn te vergelijken. Bij de analyse van de achterstandsscores per gemeente analyseren we de verschillen op twee verschillende manieren. Ten eerste kijken we naar de verschillen tussen de achterstandsscores op basis van de voorlopige en definitieve gemeentelijke indeling van 2022. In juli 2021 zijn de achterstandsscores op basis van de voorlopige gemeentelijke indeling 2022 gepubliceerd. Afgelopen juli zijn de achterstandsscores op basis van de definitieve gemeentelijk indeling gepubliceerd. Deze achterstandsscores zijn gebaseerd op de kinderen die op de peildata 1 oktober 2019 en/of 1 oktober 2020 waren ingeschreven als leerling op een basisschool of in de leeftijdsgroep 2,5 tot 4 jaar vielen. Ten tweede kijken we naar de verschillen tussen de achterstandsscores op basis van de definitieve gemeentelijke indeling van 2022 en de achterstandsscores op basis van de voorlopige gemeentelijke indeling 2023. Deze laatste zijn gebaseerd op de kinderen die op de peildata 1 oktober 2020 en/of 1 oktober 2021 waren ingeschreven als leerling op een basisschool of in de leeftijdsgroep 2,5 tot 4 jaar vielen.

3. Analyse omgevingskenmerken en imputatie

In dit hoofdstuk bekijken we de relatieve frequentie van de voor het berekenen van de onderwijsscores gebruikte omgevingskenmerken, alsmede gegevens over hoe vaak onderwijsscores geïmputeerd zijn.

3.1 Opleidingsniveau van ouders

Het opleidingsniveau van ouders is een belangrijk kenmerk voor het berekenen van de onderwijsscores. Voor het opleidingsniveau wordt gebruikgemaakt van bestaande onderwijsregistraties zoals die in het Stelsel van Sociaal-statistische Bestanden (SSB) van het CBS aanwezig zijn.

De onderwijsregistratie in het SSB is echter incompleet voor een deel van de Nederlandse bevolking. Het opleidingsniveau is vaker onbekend voor oudere mensen, mensen met een lager opleidingsniveau en mensen die (een deel van) hun opleiding in het buitenland hebben gevolgd. De onbekende opleidingsniveaus worden alsnog bepaald met specifieke statistische methoden; dit wordt ook wel imputatie genoemd. Bij het imputeren wordt gebruikgemaakt van andere kenmerken die wel bekend zijn uit registraties en die samenhangen met het opleidingsniveau van een persoon, zoals het inkomen en (indien bekend) het opleidingsniveau van de partner. Op basis van een aantal kenmerken, waaronder opleidingsniveau partner, inkomen, stedelijkheid en herkomst, wordt een voorspelling gemaakt van de onbekende opleidingsniveaus. Op individueel niveau zal deze voorspelling uiteraard niet altijd kloppen, maar gemiddeld over grotere groepen mensen geven de imputaties een betrouwbare schatting van de werkelijke verdeling van het opleidingsniveau.

De figuren 3.1.1 en 3.1.2 geven de relatieve frequentie weer van de opleidingsniveaus van ouders uitgesplitst naar jaar. De verdeling van het opleidingsniveau wordt getoond van boven, het hoogste opleidingsniveau (Hbo-, wo-master, doctor), naar beneden, het laagste opleidingsniveau (Basisonderwijs).  De figuur laat zien dat ouders, vooral moeders, in de loop der jaren vaker hoger opgeleid zijn en minder vaak mbo-4 opgeleid zijn. Ook daalt het aandeel moeders dat mbo-2 of mbo-3  is opgeleid. Relatief grote veranderingen in de opleidingsniveaus van ouders, zoals bij het jaar 2020, worden mogelijk veroorzaakt doordat de vulling van opleidingsniveaus van ouders over de tijd beter wordt. Veranderingen in de vulling kunnen vervolgens resulteren in net iets andere geïmputeerde opleidingsniveaus.




3.2 Herkomst

De figuren 3.2.1 en 3.2.2 tonen de relatieve frequentie van de herkomstcategorie uitgesplitst naar jaar. Hierbij krijgt een kind waarvan één van de ouders als herkomst Nederland heeft, ook Nederland als herkomst. Het aandeel kinderen met “Overig Afrika, overig Azië, overig Latijns-Amerika” als herkomst is de afgelopen jaren geleidelijk is gestegen. Mogelijke verklaringen hiervoor zijn de instroom van kinderen vanuit Syrië en de instroom van kennismigranten uit onder meer India.  Ook het aandeel kinderen uit (nieuwe) EU-landen is gestegen. Deze stijgingen gingen vooral ten koste van het aandeel kinderen met een Nederlandse herkomst. De aandelen kinderen in de overige herkomstcategorieën bleven grofweg gelijk over de tijd.




3.3 Verblijfsduur van de moeder

Figuur 3.3.1 geeft de relatieve frequentie van de verblijfsduur van de moeder van het kind uitgesplitst naar jaar weer. Het aandeel moeders met een verblijfsduur tussen de 5 en 10 jaar is licht toegenomen. Dit gaat ten koste van de fractie moeders met een verblijfsduur langer dan 10 jaar.


3.4 Ouders in de schuldsanering

Figuur 3.4.1 toont het percentage leerlingen met ouders in de schuldsanering uitgesplitst naar jaar. Het aandeel kinderen met ouders in de schuldsanering is de afgelopen jaren gedaald. Dit komt waarschijnlijk doordat het economisch de laatste jaren tot aan de coronacrisis steeds beter ging en de werkloosheid steeds verder is gedaald. De lage werkloosheid tijdens de coronacrisis heeft er mogelijk voor gezorgd dat de daling ook in de jaren van de coronacrisis door heeft kunnen zetten.


3.5 Gemiddeld opleidingsniveau van moeders op school

Figuur 3.5.1 laat de relatieve frequentie zien van het gemiddelde opleidingsniveau van de moeders op school uitgesplitst naar jaar. Het gemiddelde opleidingsniveau van de moeders op school is de laatste jaren gestegen. Dit is in lijn met de eerdere geconstateerde stijging van het opleidingsniveau van moeders.


3.6 Imputatie van de onderwijsscore

Indien niet alle omgevingskenmerken van leerlingen bekend zijn kunnen we niet direct een onderwijsscore vaststellen. Vaak ontbreken omgevingskenmerken doordat één of beide ouders niet geregistreerd staan in het Basisregistratie Personen (BRP). Ook kan een leerling een asielstatus3) hebben of zelf niet geregistreerd staan in het BRP. In deze gevallen wordt de onderwijsscore geïmputeerd. Figuur 3.6.1 toont voor de geïmputeerde onderwijsscores de relatieve frequentie van de methode van imputatie uitgesplitst naar jaar. De methode van imputatie hangt af van welke gegevens ontbreken. Ongeveer 7% van de onderwijsscores is geïmputeerd in alle bestudeerde jaren. Van de groep kinderen waarvan de onderwijsscore is geïmputeerd, is de groep kinderen waarbij de onderwijsscore is geïmputeerd omdat de vader onbekend is het grootst met 4,3% in 2018 en ongeveer 3,8% in 2021. De groep kinderen waarbij de onderwijsscore is geïmputeerd omdat het kind in het COA- of IND-bestand staat was 1,8% in 2018 en 1,9% in 2021.


3.7 Percentage geïmputeerde onderwijsscores per gemeente

Figuur 3.7.1 laat de relatieve frequentie van het percentage geïmputeerde onderwijsscores per gemeente uitgesplitst naar jaar zien. Het aandeel gemeenten met een waarvan 5 tot 10% van de leerlingen een geïmputeerde score heeft daalt over de jaren heen. De categorie 2,5 tot 5% neemt toe.


3.8 Asielstatus

Voor leerlingen die zijn geregistreerd als asielzoeker en/of een verblijfsvergunning3) hebben gekregen (hierna: leerlingen met een asielstatus) zijn de omgevingskenmerken vaak onbekend. Omdat hier het risico op onderwijsachterstand groot is, wordt voor al deze leerlingen een vaste onderwijsscore gebruikt: het gemiddelde van de scores van de 15% laagst scorende leerlingen. Leerlingen met een asielstatus dragen hierdoor sterk bij aan hoge achterstandsscores. 

Figuur 3.8.1 laat zien dat het aandeel leerlingen met een asielstatus tussen de jaren 2018 tot en met 2021 vrij stabiel is gebleven.

3) Dit wordt afgeleid vanuit een bestand van het Centraal Orgaan opvang Asielzoekers (COA) en de Immigratie- en Naturalisatiedienst (IND) met kinderen die sinds 2014 zijn geregistreerd als asielzoeker en/of een verblijfsvergunning hebben gekregen.

4. Analyse onderwijsscores

In dit hoofdstuk beschrijven we ontwikkelingen in onderwijsscores door de jaren heen.

4.1 Beschrijvende statistieken onderwijsscores

Tabel 4.1.1 toont beschrijvende statistieken voor onderwijsscores uitgesplitst naar jaar. De gemiddelde onderwijsscore is de afgelopen jaren licht gestegen. De grenswaarde, dat wil zeggen de onderwijsscore waarvoor geldt dat landelijk gezien 15% van de onderwijsscores onder deze grenswaarde valt, ziet een vergelijkbare lichte stijging. Ook de gemiddelde onderwijsscore van de onderwijsscores onder de grenswaarde kent een lichte stijging. Het gegeven dat deze drie statistieken zo goed als constant zijn over de jaren betekent dat bij een constante populatie kinderen van een gemeente, constant in termen van zowel aantal kinderen als omgevingskenmerken van kinderen, de achterstandsscore over de jaren heen vergelijkbaar zal zijn.

4.1.1 Beschrijvende statistieken onderwijsscores
Ngemiddeldestandaard deviatieminimummaximumgrenswaarde (15%)gemiddelde < 15%
20181664474535,213,64523,38543,3530,96529,48
20191655229535,263,65523,35543,32530,99529,5
20201640838535,363,65523,35543,35531,08529,58
20211624948535,423,65523,47543,34531,13529,63

4.2 Verdeling onderwijsscores

Figuur 4.2.1 geeft de frequentieverdeling van onderwijsscores. De figuur laat zien dat hogere onderwijsscores relatief vaak voorkomen, en lagere onderwijsscores relatief weinig voorkomen, in de meest recente jaren. Dit is consistent met de eerdere bevinding dat de gemiddelde onderwijsscore is gestegen over de tijd (zie paragraaf 4.1). De vorm van de verdeling met pieken en dalen wordt veroorzaakt door de manier waarop de onderwijsscores zijn berekend en in het bijzonder doordat de omgevingskenmerken die zijn gebruikt voor het berekenen van onderwijsscores, discrete variabelen zijn.

4.3 Verdeling verschil in onderwijsscores: gehele populatie

Figuur 4.3.1 laat de verdeling van het verschil in onderwijsscores in 2021 ten opzichte van 2020 zien. Deze figuur is net als de figuren in de paragrafen 4.4 en 4.5 gebaseerd op onderwijsscores van kinderen die voor beide jaren beschikbaar zijn en die dus in beide jaren tussen de 2,5 en 4 jaar waren dan wel op een basisschool zaten. Het algemene beeld is dat onderwijsscores weinig variëren tussen de jaren. Voor 62% van de kinderen zijn de onderwijsscores tussen de jaren 2020 en 2021 gelijk gebleven of hooguit met 0,1 veranderd. Een klein deel van de leerlingen laat wel substantiële veranderingen in onderwijsscores zien. Zo zijn de onderwijsscores voor 13,8% van de leerlingen tussen de jaren 2020 en 2021 met tenminste 1 veranderd.

Onderwijsscores kunnen van jaar op jaar veranderen door een verandering in een of meer omgevingskenmerken van de leerling of doordat onderwijsscores geïmputeerd zijn en het imputatiemodel in de opeenvolgende jaren verschillende uitkomsten geeft. Dit laatste effect komt doordat in het imputatiemodel voor de onderwijsscores de best passende donor wordt gezocht om daarvan de onderwijsscore te imputeren bij het kind waarvan geen onderwijsscore kan worden berekend. Door (kleine) veranderingen in de achtergrondgegevens die hiervoor worden gebruikt, is de kans reëel dat in een ander jaar een andere donor wordt gebruikt. Een verandering in omgevingskenmerken kan bijvoorbeeld zijn dat het opleidingsniveau van ouders verandert door een nieuwe registratie van een hoger opleidingsniveau, het beschikbaar komen van nieuwe data uit de Enquête Beroepsbevolking (EBB) of variatie in de uitkomst van het imputatiemodel in het geval van imputatie van het opleidingsniveau. Een verandering in onderwijsscore bij directe imputatie daarvan kan bijvoorbeeld komen doordat het inkomen verandert en het kind dat een onderwijsscore krijgt geïmputeerd door het imputatie model door deze verandering aan een ander donorkind wordt gekoppeld.


4.4 Verdeling verschil in onderwijsscores: per methode van imputatie onderwijsscores

De figuren 4.4.1 tot en met 4.4.6 geven de verdeling van het verschil in onderwijsscore tussen de jaren 2020 en 2021 weer per methode van imputatie van onderwijsscores. Direct bepaalde onderwijsscores, dit betreft ongeveer 93% van alle onderwijsscores, fluctueren relatief weinig van jaar op jaar. Dit komt doordat deze onderwijsscores alleen over de jaren kunnen variëren indien tenminste een van de modelvariabelen verandert. Geïmputeerde onderwijsscores veranderen relatief veel over de tijd vanwege de gebruikte imputatiemethodiek, ook indien de beschikbare omgevingskenmerken geen veranderingen over de tijd laten zien.









4.5 Verdeling verschil in onderwijsscores: per deelpopulatie van imputatie opleidingsniveaus ouders

De figuren 4.5.1 tot en met 4.5.4 tonen de verdeling van het verschil in onderwijsscore tussen de jaren 2020 en 2021 per deelpopulatie wat betreft imputatie van opleidingsniveau van beide ouders, alleen de vader, alleen de moeder of geen van beide ouders. Onderwijsscores veranderen niet of nauwelijks over de tijd indien de opleidingsniveaus van beide ouders bekend zijn, maar vaak indien de  opleidingsniveaus van een of beide ouders zijn geïmputeerd.

5. Analyse achterstandsscores

In dit hoofdstuk vergelijken we voorlopige en definitieve achterstandsscores in 2019/2020 (op basis van de voorlopige en definitieve gemeentelijke indeling 2022) alsmede voorlopige achterstandsscores in 2020/2021 (op basis van de voorlopige gemeentelijke indeling 2023) en definitieve achterstandsscores in 2019/2020 (op basis van de definitieve gemeentelijke indeling 2022). We doen dit voor zowel achterstandsscores met als zonder drempel.

Op basis van de voorlopige achterstandsscore wordt het budget voor de GOAB (Gemeentelijk Onderwijs Achterstanden Beleid) verdeeld en al een deel van het budget uitgekeerd. Op basis van de definitieve scores wordt ook definitief de verdeling van het budget vastgesteld. Eventuele wijzigingen in de achterstandsscore worden dan in de laatste uitbetaling van het budget gecorrigeerd. Een vergelijking tussen voorlopige en definitieve achterstandsscores toont aan hoe groot deze wijzigingen en correcties zijn.

Er zijn een aantal oorzaken waardoor de definitieve achterstandsscores af kunnen wijken van de voorlopige scores. Allereerst kunnen scholen fuseren tussen de productie van voorlopige en definitieve scores. Hierdoor kan het gemiddelde opleidingsniveau van moeders op een school veranderen. Alleen als het een fusie is tussen twee vestigingen binnen hetzelfde BRIN-nummer verandert het gemiddelde opleidingsniveau van moeders niet. Doordat het gemiddelde opleidingsniveau van moeders op fusiescholen verandert, kunnen er twee effecten optreden. Ten eerste kunnen door het veranderen van het gemiddelde opleidingsniveau van de moeders sommige kinderen op een school na verwerking van de fusie net wel of net niet onder de grenswaarde komen te liggen (afhankelijk van de richting waarin het gemiddelde verandert). Het tweede effect is dat de veranderingen in het gemiddelde opleidingsniveau van moeders ervoor zorgen dat zowel de grenswaarde als het populatiegemiddelde miniem wijzigen. Dat heeft tot gevolg dat sommige kinderen net wel of net niet onder de grenswaarde komen te liggen. Verder hebben deze kleine wijzigingen ook nog een kleine invloed op de achterstandsscores doordat zowel de achterstandsscore zonder drempel als de drempel niet iets anders uitpakken. Dit zijn echter over het algemeen wel kleine wijzigingen. Daarnaast kan door een fusie een school bij een andere gemeente worden ingedeeld. De punten van de verhuizende schoolvestiging verhuizen dus mee van de ene naar de andere gemeente. Ten tweede kan een wijziging van de gemeentegrens ervoor zorgen dat een peuter of school bij een andere gemeente wordt ingedeeld.

5.1 Vergelijking voorlopige en definitieve achterstandsscores op basis van voorlopige en definitieve gemeentelijke indeling 2022 (peiljaren 2019 en 2020)

De figuren 5.1.1 en 5.1.2 geven verschillen tussen voorlopige (horizontale as) en definitieve achterstandsscores (verticale as) in 2019/2020 weer, zowel voor achterstandsscores zonder (5.1.1) als met drempel (5.1.2). De figuren laten zien dat bijna alle gemeenten op of vlakbij de diagonaal liggen, wat betekent dat de verschillen tussen voorlopige en definitieve achterstandsscores van gemeenten in 2019/2020 over het algemeen klein waren.

Grootste absolute verschillen

De tabellen 5.1.3 en 5.1.4 geven de gemeenten met de grootste negatieve (5.1.3) en positieve (5.1.4) verschillen tussen voorlopige en definitieve achterstandsscores met drempel in 2019/2020 weer. Voor wisselingen in achterstandsscores zijn zoals genoemd in paragraaf 5 meerdere redenen aan te wijzen. In twee gevallen is er sprake van een fusie waarbij een school in een andere gemeente is ingedeeld. Dit vindt plaats bij de gemeenten Hoogeveen en Emmen. Ook de gemeenten Súdwest-Fryslân en Waadhoeke kennen een dergelijke fusie. Wanneer er een fusie plaatsvindt heeft dit gevolgen voor de grenswaarde en het populatiegemiddelde. Voor de scholen die betrokken zijn bij de fusie verandert ook het gemiddelde opleidingsniveau van de ouders. Fusies hebben dus effect op de betrokken scholen, maar ook in mindere mate op alle andere scholen.

5.1.3 Grootste negatieve verschillen (met drempel)
voorlopige achterstandsscoredefinitieve achterstandsscoreverschilverschil (%)
Gemeente
Alkmaar4 998,574 983,79-14,78-0,3
Eemsdelta3 049,903 036,25-13,65-0,45
Hoogeveen3 611,673 601,99-9,685-0,27
Oisterwijk 452,23 445,12-7,115-1,57
Noordwijk 542,39 537,86-4,53-0,84
Vijfheerenlanden3 277,283 273,01-4,265-0,13
Súdwest-Fryslân2 593,982 589,87-4,11-0,16
Hellevoetsluis2 366,552 362,93-3,615-0,15
Loon op Zand 721,22 717,73-3,485-0,48
Amersfoort7 583,327 580,35-2,965-0,04

5.1.4 Grootste positieve verschillen (met drempel)
voorlopige achterstandsscoredefinitieve achterstandsscoreverschilverschil (%)
Gemeente
Amsterdam85 663,4485 682,7519,3150,02
Baarle-Nassau 171,63 182,8111,1856,52
Rotterdam99 271,1199 281,3110,1950,01
Emmen6 611,936 621,209,270,14
Velsen3 695,563 704,408,840,24
Midden-Groningen3 741,933 750,508,570,23
Waadhoeke1 710,701 717,026,3250,37
Hengelo3 872,773 877,394,620,12
Beek 335,15 337,772,620,78
Olst-Wijhe 301,50 303,962,4650,82

Grootste percentuele verschillen

De tabellen 5.1.5 en 5.1.6 geven de gemeenten met percentueel gezien de grootste negatieve (5.1.5) en positieve (5.1.6) verschillen tussen voorlopige en definitieve achterstandsscores met drempel in 2019/2020 weer.

5.1.5 Grootste negatieve verschillen (met drempel)
voorlopige achterstandsscoredefinitieve achterstandsscoreverschil (%)verschil
Gemeente
Oisterwijk 452,23 445,12-1,57-7,115
Noordwijk 542,39 537,86-0,84-4,53
Loon op Zand 721,22 717,73-0,48-3,485
Ermelo 589,76 587,05-0,46-2,705
Eemsdelta3 049,903 036,25-0,45-13,65
Westerveld 84,57 84,22-0,42-0,355
Alkmaar4 998,574 983,79-0,3-14,78
Hoogeveen3 611,673 601,99-0,27-9,685
Westerkwartier 796,24 794,11-0,27-2,135
Súdwest-Fryslân2 593,982 589,87-0,16-4,11

5.1.6 Grootste positieve verschillen (met drempel)
voorlopige achterstandsscoredefinitieve achterstandsscoreverschil (%)verschil
Gemeente
Baarle-Nassau 171,63 182,816,5211,185
Olst-Wijhe 301,50 303,960,822,465
Beek 335,15 337,770,782,62
Haaksbergen 492,97 495,220,462,25
Waadhoeke1 710,701 717,020,376,325
Velsen3 695,563 704,400,248,84
Midden-Groningen3 741,933 750,500,238,57
Het Hogeland1 197,761 199,800,172,045
Emmen6 611,936 621,200,149,27
Hengelo3 872,773 877,390,124,62

5.2 Vergelijking definitieve (op basis van definitieve gemeentelijke indeling 2022; peiljaren 2019 en 2020) en voorlopige (op basis van voorlopige gemeentelijke indeling 2023; peiljaren 2020 en 2021) achterstandsscores

We vergelijken definitieve achterstandsscores voor 2019/2020 (op basis van de definitieve gemeentelijke indeling 2022) met voorlopige achterstandsscores voor 2020/2021 (op basis van de voorlopige gemeentelijke indeling 2023), zodat we een beeld krijgen van de stabiliteit van achterstandsscores tussen jaren. Oorzaken van (sterke) dalingen in achterstandsscores zijn een daling van het aantal leerlingen en peuters, netto uitstroom van leerlingen en peuters met lage onderwijsscores en het stijgen van onderwijsscores van leerlingen en peuters. Verder spelen ook verhuizingen een rol doordat deze niet altijd gelijkmatig verdeeld zijn over de populatie. Bij sommige gemeenten is te zien dat de achtergrondkenmerken van de populatie kinderen die naar een gemeente toe verhuizen anders is dan de achtergrondkenmerken van de kinderen die naar een andere gemeente verhuizen. Een veelvoorkomende reden voor netto uitstroom van leerlingen en peuters met lage onderwijsscores is een daling van het aantal leerlingen met een asielstatus . Meer informatie over de oorzaken van dalingen en stijgingen van achterstandsscores is te lezen in de brochure “Fluctuaties achterstandsscores scholen” . Hoewel deze brochure is gericht op scholen, is de werking van de indicator voor gemeenten vergelijkbaar.

De figuren 5.2.1 en 5.2.2 geven verschillen tussen definitieve achterstandsscores in 2019/2020 (horizontale as) en voorlopige achterstandsscores in 2020/2021 (verticale as) weer, zowel voor achterstandsscores zonder (5.2.1) als met drempel (5.2.2). De figuren laten zien dat bijna alle gemeenten op of nabij de diagonaal liggen, wat betekent dat de voorlopige achterstandsscores in 2020/2021 over het algemeen vergelijkbaar waren met de definitieve achterstandsscores in 2019/2020.

 

Grootste absolute verschillen

De tabellen 5.2.3 en 5.2.4 tonen de gemeenten met de grootste negatieve (5.2.3) en positieve (5.2.4) verschillen tussen definitieve achterstandsscores in 2018/2019 en voorlopige achterstandsscores in 2020/2021. Beide tabellen bevatten vooral grotere gemeenten met hoge achterstandsscores. Dit is intuïtief, omdat grote gemeenten bij een vergelijkbaar percentueel verschil in absolute termen aanzienlijk grotere verschillen hebben dan kleinere gemeenten. Verschillen in de achterstandsscores zijn het gevolg van verschuivingen in de samenstelling van de kindpopulatie door onder meer verhuizingen van kinderen tussen gemeenten. In sommige gemeenten is de ‘verhuisinstroom’ aanzienlijk anders van samenstelling dat de ‘verhuisuitstroom’. Zo kan een netto uitstroom van asielkinderen in gemeenten een daling in achterstandsscores veroorzaken.

5.2.3 Grootste negatieve verschillen (met drempel)
definitieve achterstandsscorevoorlopige achterstandsscoreverschilverschil (%)
Gemeente
Amsterdam85 682,7582 400,45-3282,3-4
's-Gravenhage79 226,3677 158,94-2067,42-3
Rotterdam99 281,3197 691,14-1590,17-2
Utrecht24 033,1323 261,45-771,68-3
Eindhoven15 104,4314 714,91-389,52-3
Haarlem8 365,528 006,05-359,47-4
Weert2 561,492 244,17-317,32-12
Roermond4 796,724 501,91-294,81-6
Zaanstad15 105,6514 810,92-294,73-2
Cranendonck 833,72 556,19-277,53-33

5.2.4 Grootste positieve verschillen (met drempel)
definitieve achterstandsscorevoorlopige achterstandsscoreverschilverschil (%)
Gemeente
Zoetermeer8 810,689 176,16365,484
Nijmegen8 740,869 048,22307,3654
Vlaardingen8 945,279 238,05292,7853
Nissewaard7 106,047 388,49282,454
Nieuwegein3 160,513 418,59258,088
Sittard-Geleen4 142,374 382,58240,216
Oss5 693,955 933,35239,4054
Stichtse Vecht1 473,591 697,04223,45515
Delft5 819,466 012,90193,4353
Leidschendam-Voorburg2 782,752 969,63186,887

Grootste percentuele verschillen

De tabellen 5.2.5 en 5.2.6 geven de gemeenten met percentueel gezien de grootste negatieve (5.2.5) en positieve (5.2.6) verschillen tussen definitieve achterstandsscores in 2019/2020 en voorlopige achterstandsscores in 2020/2021 weer. Beide tabellen bevatten uitsluitend kleinere gemeenten, wat verklaarbaar is omdat in absolute zin bescheiden veranderingen voor deze gemeenten percentueel gezien grote veranderingen kunnen zijn.

5.2.5 Grootste negatieve verschillen (met drempel)
definitieve achterstandsscorevoorlopige achterstandsscoreverschil (%)verschil
Gemeente
Ameland27,7757,16-74-20,615
Vught42,22514,83-65-27,395
Gooise Meren228,19114,345-50-113,845
Nuenen, Gerwen en Nederwetten122,64564,675-47-57,97
Son en Breugel125,08579,635-36-45,45
Cranendonck833,72556,19-33-277,53
Oostzaan236,55166,69-30-69,86
Eijsden-Margraten94,67569,365-27-25,31
Veere212,69156,975-26-55,715
Bergen (NH.)147,45110,185-25-37,265

5.2.6 Grootste positieve verschillen (met drempel)
definitieve achterstandsscorevoorlopige achterstandsscoreverschil (%)verschil
Gemeente
Landsmeer48,91128,6116379,7
Heeze-Leende17,79546,5216128,725
Houten145,1258,2478113,14
Dinkelland124,725194,355669,625
Wijdemeren219,25320,94546101,695
Waterland125,695179,3054353,61
Teylingen233,005323,213990,205
Voorst105,51141,563436,05
Leusden148,24197,5953349,355
Heumen70,8792,993122,12

5.3 Nieuwe gemeenten

Tabel 5.3.1 geeft een overzicht van gemeenten die nieuw zijn in 2021. Een nieuwe gemeente is meestal een samenvoeging van (delen van) twee of meer oude gemeenten. In sommige gevallen gaat de samenvoeging gepaard met een nieuwe gemeentenaam. In andere gevallen wordt de naam van één gemeente behouden. Het kan daarom voorkomen dat een reeds bestaande gemeente als nieuw wordt aangemerkt, doordat er een andere gemeente in op is gegaan.

5.3.1 Nieuwe gemeenten in 2023
aantal kinderen (definitief)aantal kinderen (voorlopig)achterstandscore_defachterstandscore_vrlverschilverschil (%)
Gemeente
Amsterdam153 489150 56886 336,5182 400,45-3 936,06-5
Voorne aan Zee12 66612 6163 138,143 487,88 349,7411

6. Samenvatting en conclusie

Dit rapport beschrijft en analyseert verschillen in onderwijsachterstandsscores van gemeenten tussen de jaren 2020 en 2021, verschillen in voorlopige en definitieve achterstandsscores en ontwikkelingen in onderwijsscores en de onderliggende omgevingskenmerken van leerlingen over de jaren 2018 tot en met 2021. De rapportage geeft een beeld van relevante ontwikkelingen op nationaal niveau.

De voornaamste bevinding is dat achterstandsscores van de meeste gemeenten tussen 2020 en 2021 weinig fluctueerden. De achterstandsscores voor een beperkt aantal gemeenten schommelden wel.

De oorzaken van de schommelingen in achterstandsscores zijn in drie groepen in te delen, te weten veranderingen in onderwijsscores van leerlingen, veranderingen in de peuterpopulatie en de leerlingpopulatie in de gemeente, zoals een daling van het aantal asielkinderen,  en veranderingen in het aantal peuters en leerlingen in een gemeente.

De verschillen tussen voorlopige en definitieve achterstandsscores in 2020 zijn over het algemeen ook klein, hoewel er gemeenten zijn waarbij de verschillen groter zijn.

We onderscheiden twee oorzaken waardoor de definitieve achterstandsscores af kunnen wijken van de voorlopige scores. Allereerst kunnen scholen fuseren tussen de productie van voorlopige en definitieve scores. Ten tweede kan een wijziging van de gemeentegrens ervoor zorgen dat een peuter of school bij een andere gemeente wordt ingedeeld.

We zien dat fluctuaties in onderwijsscores voor een aanzienlijk deel het gevolg zijn van het imputeren van onderwijsscores en opleidingsniveau van ouders. De onderwijsscores van leerlingen met een asielstatus worden altijd geïmputeerd. Omdat zij bij imputatie vanwege de gekozen methodologie automatisch aan achterstandsscores bijdragen, kan de aanwezigheid van leerlingen met een asielstatus tot schommelingen in achterstandsscores leiden.

Qua trendmatige ontwikkelingen laten de analyses zien dat de onderwijsscores tussen de jaren 2018 en 2021 gemiddeld genomen licht zijn gestegen. Het opleidingsniveau van met name moeders is gestegen en het aandeel ouders dat in de schuldsanering zit is gedaald. Beide ontwikkelingen zorgen voor hogere onderwijsscores.