Auteur: Andries de Jong (PBL), Corina Huisman (CBS), Lenny Stoeldraijer (CBS), Trond Husby (PBL), Saskia te Riele (CBS)

Prognose 2019-2050: Demografische veronderstellingen

Over deze publicatie

In september 2019 is voor de zevende keer de PBL/CBS Regionale bevolkings- en huishoudensprognose uitgebracht. Om deze prognose te kunnen maken zijn veronderstellingen opgesteld over de regionale variatie in geboorte, sterfte,immigratie en emigratie. Daarnaast vormen verhuizingen een belangrijke component voor de gemeentelijke bevolkingsontwikkeling. Tot slot zijn veronderstellingen opgesteld voor de bevolking naar huishoudenspositie, zodat ook een prognose van de ontwikkeling van het aantal huishoudens kan worden gemaakt.

1. Inleiding

Op 10 september 2019 is de Regionale bevolkings- en huishoudensprognose 2019–2050van het Planbureau voor de Leefomgeving (PBL) en het Centraal Bureau voor de Statistiek(CBS) verschenen. Deze prognose laat de verwachte regionale verdeling zien van detoekomstige bevolkings- en huishoudensgroei. De uitkomsten geven per gemeente,COROP-gebied en provincie de verwachte bevolkingsontwikkeling naar leeftijd en geslacht weer en laten de veranderingen in het aantal huishoudens naar type zien. Ook de toekomstige ontwikkelingen van de verwachte aantallen geboorten, sterfgevallen,binnenlandse en buitenlandse migranten alsmede de netto groei van de woningvoorraad worden in beeld gebracht. De belangrijkste uitkomsten van de regionale prognose zijn beschreven in Te Riele et al. (2019).

In dit artikel wordt kort ingegaan op het model waarmee de regionale prognose wordt opgesteld (paragraaf 2) en op de veronderstellingen die daarvoor als input zijn gebruikt.De Regionale prognose sluit aan bij recente regionale ontwikkelingen en is consistent met zowel de meest recente Kernprognose Bevolking als met de Huishoudensprognose van het CBS (Stoeldraijer en Van Duin, 2018; Van Duin et al., 2018). Om die reden is 1 januari 2018 het startpunt van de prognose. Het betekent ook dat opgeteld over alle regio’s de bevolkingsopbouw naar leeftijd en geslacht hetzelfde is als die van de nationale bevolking in de Kernprognose. Bovendien komt het aantal huishoudens naar type voor alle regio’s samen overeen met die van de nationale huishoudensprognose. De input van het model bestaat daarom niet alleen uit veronderstellingen op regionaal niveau, maar ook uit veronderstellingen over geboorte, sterfte, immigratie, emigratie en de overgangen tussen huishoudensposities op nationaal niveau. Deze nationale veronderstellingen worden overgenomen uit de landelijke prognoses. Voor de regionale prognose worden daarnaast op nationaal niveau veronderstellingen opgesteld over verhuizingen. Deze komen in de nationale prognoses niet aan de orde, aangezien ze niet van invloed zijn op de bevolkingsomvang van Nederland. Op gemeentelijk niveau gaan de veronderstellingen over geboorte,sterfte, binnenlandse en buitenlandse migratie en de ontwikkeling van het aantal huishoudens.

Naast deze demografische componenten, maakt de regionale prognose ook gebruik van veronderstellingen over de woningbouw. Deze fungeren als hulpmiddel voor het modelleren van verhuizingen over kortere afstanden. De woningbouwveronderstellingen hebben een eigen dynamiek en zijn niet direct van invloed op het aantal inwoners en het aantal huishoudens. Om die reden worden ze in een apart artikel besproken (De Jong etal., 2019). In dit artikel worden achtereenvolgens de veronderstellingen over geboorte,sterfte, immigratie en emigratie, verhuizingen en de huishoudensontwikkeling besproken.

2. Model PEARL

In de PBL/CBS regionale prognose wordt gebruikgemaakt van het model Projecting population Events At the Regional Level (PEARL), dat is beschreven in onder meer De Jong et al. (2005) en De Jong et al. (2007). In essentie is dit model een cohort-componentenmodel. Een dergelijk model gaat uit van de stand van de bevolking op 1 januari en voorspelt hoe de bevolking in de loop van het jaar van omvang en samenstelling verandert als gevolg van de verschillende componenten van bevolkingsontwikkeling: geboorte en immigratie leiden tot meer mensen, sterfte en emigratie tot minder mensen. Met de omvang van elk van de componenten in een jaar is daarmee de stand van de bevolking op1  januari van het volgend jaar bekend. Voor het daarop volgende jaar wordt dezelfde methodiek opnieuw toegepast. Dit wordt gedaan voor alle jaren van de prognosehorizon.Ook voor de prognose van de landelijke bevolking gebruikt het CBS een dergelijk model.

Als input voor de prognose van de bevolking naar geslacht en leeftijd gebruikt het model PEARL per component voor mannen en vrouwen op elke leeftijd de kans dat zij een gebeurtenis, bijvoorbeeld een overlijden of een emigratie, meemaken. Aangezien het niveau van de regionale prognose de gemeente is, worden deze geslacht- en leeftijdsspecifieke frequenties en kansen ook naar gemeente gedifferentieerd. Daartoe maakt de regionale prognose voor elk van de componenten van bevolkingsontwikkeling gebruik van kernindicatoren. Voor geboorte is dat per gemeente het gemiddeld kindertal per vrouw,voor sterfte voor mannen en vrouwen afzonderlijk de levensverwachting bij geboorte, en voor buitenlandse migratie de zogenoemde concentratie-index. Deze geeft per gemeente aan hoe groot de aantrekkingskracht van de gemeente is op immigranten, en hoe groot de kans is dat mensen vanuit die gemeente naar het buitenland vertrekken. Deze kernindicatoren geven gemeentelijke verschillen in het niveau van de vier componenten van bevolkingsontwikkeling aan. De leeftijd- en geslachtspecifieke kansen per gemeente worden vervolgens bepaald door (doorgaans) de landelijke leeftijdspatronen per geslacht toe te passen op de waarde van de gemeentelijke kernindicatoren.

Het model van de regionale prognose maakt daarnaast gebruik van een extra component,te weten verhuizingen. Wanneer iemand naar een andere gemeente verhuist, dan leidt dit tot meer inwoners in de gemeente van vestiging en tot minder inwoners in de gemeente van vertrek. De binnenlandse migratie is een belangrijke oorzaak van gemeentelijke bevolkingsgroei of –krimp. Tegelijk is het proces van verhuizen complex. Daarom wordt hierin de regionale prognose veel aandacht aan besteed. Diverse factoren zijn van invloed op de kans om te verhuizen, zoals de leeftijdsopbouw van de bevolking in de gemeente.Jongeren zijn meer geneigd om te verhuizen dan mensen van middelbare leeftijd. Maar ook de motieven om te verhuizen, opleidingsmogelijkheden, culturele voorzieningen, de economische situatie, de beschikbaarheid van woningen en (verandering van) woningvoorkeuren spelen een rol. Om de complexiteit van dit proces terug te brengen,worden verhuizingen in verschillende stappen gemodelleerd. Voor elk van deze stappen worden veronderstellingen opgesteld.

De regionale prognose bevat niet alleen per gemeente een vooruitberekening van de omvang en samenstelling van de bevolking, maar ook van de huishoudens naar type.Hiervoor vormt de nationale huishoudensprognose van het CBS het uitgangspunt. Die prognose gebruikt een dynamisch huishoudensmodel, te weten het model LIPRO (Van Imhoff en Keilman, 1991). Input hiervoor zijn overgangskansen tussen huishoudensposities (zie Van Duin en Harmsen, 2009). Voor mannen en vrouwen wordt op elke leeftijd de kans bepaald dat zij in de loop van een jaar overgaan naar een andere huishoudenspositie,bijvoorbeeld van thuiswonend kind naar alleenstaande of van alleenstaande naar samenwonend. De overgangskansen beschrijven zo belangrijke processen in de levensloop, zoals uit-huisgaan, samenwonen, uit-elkaar-gaan van paren en gaan wonen in een instelling. De uitkomsten geven de verwachte ontwikkeling van het aantal inwoners naar leeftijd, geslacht en huishoudenspositie. De huishoudensposities die worden onderscheiden zijn thuiswonend kind, alleenstaand, samenwonend, ouder in een eenoudergezin, institutioneel wonend en overig. Hieruit worden vervolgens de huishoudens samengesteld.

De regionale prognose berekent voor de regionale ontwikkeling van het aantal huishoudens eveneens de bevolking naar leeftijd, geslacht en huishoudenspositie. Hiervoor is op regionaal niveau input nodig over de overgangen tussen huishoudensposities. De kernindicator voor het proces van uit-huis-gaan is de gemiddelde leeftijd bij het verlaten van het ouderlijk huis. Voor het proces van samenwonen, uit-elkaar-gaan en het gaan wonen in een instelling zijn de kernindicatoren de aantallen mensen die de betreffende overgang meemaken per 1 000 van de bevolking die deze overgang zouden kunnen maken. Deze aantallen zijn naar leeftijd gestandaardiseerd, om te corrigeren voor gemeentelijke verschillen in de leeftijdsopbouw. Deze informatie geeft gemeentelijke verschillen in de mate waarin deze overgangen gemaakt worden. Net als bij de componenten van bevolkingsontwikkeling wordt het aantal overgangen tussen huishoudensposities in een gemeente bepaald door de landelijke leeftijdspatronen van mannen en vrouwen toe te passen op de waarde van de gemeentelijke kernindicatoren.Uit de resulterende bevolking naar geslacht, leeftijd en huishoudenspositie worden vervolgens de huishoudens samengesteld.

3. Geboorte

Het gemiddeld kindertal per vrouw is sinds 2010 gedaald van 1,80 kinderen per vrouw naar 1,59 kinderen per vrouw in 2018. Deze daling leek aanvankelijk samen te hangen met de economische crisis, maar hoewel het conjunctureel inmiddels beter gaat, is het vruchtbaarheidscijfer nog altijd laag. Vooral jonge vrouwen van 25 tot 30 jaar krijgen minder kinderen. In de Kernprognose (Stoeldraijer en van Duin, 2018) wordt verondersteld dat dit uitstel onder twintigers weer zal worden ingehaald en dat het gemiddeld kindertal tot 2030 langzaam gaat stijgen tot 1,75 kinderen per vrouw. De komende jaren zullen daardoor weer meer kinderen geboren worden.

Uit eerder onderzoek is naar voren gekomen dat de verschillen in vruchtbaarheid tussen gemeenten samenhangen met een aantal demografische, culturele, sociaaleconomische en geografische kenmerken van die gemeenten (De Beer en Deerenberg, 2005; Middelkoop en De Jong, 2009; Huisman en De Jong, 2017). Bij demografische variabelen kan gedacht worden aan het aantal vrouwen in een gemeente dat alleen woont, het aantal vrouwen dat samenwoont of het aantal vrouwen met een migratieachtergrond. Onder culturele variabelen vallen onder andere het aantal personen dat in een gemeente een geloof aanhangt, of de mate van stedelijkheid. Sociaaleconomische kenmerken zijn bijvoorbeeld de arbeidsparticipatie in een gemeente, de werkloosheid, het aandeel dat een uitkering heeft, en het gemiddelde inkomen. Daarnaast kan de woningmarkt van invloed zijn. Als in een gemeente veel nieuwe woningen worden gebouwd is de vruchtbaarheid er doorgaans hoger (Middelkoop en De Jong, 2009).

Van deze samenhang kan gebruik gemaakt worden bij het opstellen van de veronderstellingen over de toekomstige vruchtbaarheid op regionaal niveau. Daartoe wordt eerst ineen multivariaat regressiemodel nagegaan welke van deze variabelen de regionale verschillen in vruchtbaarheid het best verklaren. De afhankelijke variabele in dit model is de Total Fertility Rate (TFR), die een indicatie geeft van het gemiddeld kindertal per vrouw in elke gemeente. Omdat deze zeker in kleine gemeenten door de tijd heen sterk kan schommelen, worden de vruchtbaarheidscijfers eerst gefilterd (Huisman en De Jong, 2017).
De filtering corrigeert voor uitschieters door toevalsfluctuaties in de waargenomen cijfers.Voor de huidige regionale prognose is een analyse toegepast op de gefilterde gegevens van 2016 met behulp van een multivariaat regressiemodel.

Tabel 3.1.1 laat de resultaten van het uiteindelijke regressiemodel zien. De variabelen die geen significant effect op de regionale vruchtbaarheidsverschillen hadden, zijn uit het model weggelaten. In de tabel zijn zowel de b-waarden als de beta-waarden opgenomen.De b-waarde wordt gebruikt om de toekomstige TFR in een gemeente mee te berekenen,met de beta-waarde kan de verklaringskracht van de geselecteerde variabelen beter onderling worden vergeleken. Het aandeel 20- tot 40-jarige alleenstaande vrouwen in een gemeente heeft een negatief effect op de vruchtbaarheid. In gemeenten waar hun aandeel groot is, is het gemiddelde kindertal per vrouw lager. Als proxy voor het aandeel religieuze,en met name strenggereformeerde vrouwen, is het aandeel stemmers op de Christen Unie (CU) en op de Staatkundig Gereformeerde Partij (SGP) bij de Tweede Kamerverkiezingen van 2012 genomen. Ook deze variabele heeft een relatief grote verklarende kracht. In gemeenten waar een groter aandeel op de christelijke partijen stemt, is de vruchtbaarheid hoger.

Een minder grote verklarende kracht gaat uit van de sociaaleconomische variabelen en woningmarktvariabelen. De vruchtbaarheid is wat lager als er meer mensen in een gemeente een uitkering ontvangen, en juist wat hoger als er relatief veel nieuwbouwwoningen worden opgeleverd. Tot slot blijkt dat behalve deze variabelen ook de geografische ligging van gemeenten een rol speelt. De vruchtbaarheid is relatief hoog inde noordelijke regio’s en relatief laag in Noord-Brabant en Limburg, ook als voor de andere kenmerken gecorrigeerd wordt.
3.1.1 Resultaten van het multivariate regressiemodel voor de verklaring van gemeentelijke verschillen in TFR, 2016
bbeta
Constante1,978***
Aandeel 20-tot 40-jarige alleenstaande vrouwen-0,987***-0,402
Aandeel CU- en SGP-stemmers bij TK-verkiezingen 20120,007***0,407
Aandeel mensen met een uitkering (WAO, WW, Bijstand)-0,397**-0,09
Aandeel gereedgekomen woningen op woningvoorraad0,012**0,085
COROP: Noord-Friesland0,087***0,108
COROP: Noord-Overijssel0,092***0,079
COROP: Arnhem/Nijmegen-0,095***-0,118
COROP: Groot-Amsterdam-0,093***-0,102
COROP: Agglomeratie Leiden en Bollenstreek-0,114***-0,12
COROP: Groot-Rijmond-0,103***-0,141
COROP: Zuidoost-Zuid-Holland-0,085***-0,09
COROP: West-Noord-Brabant-0,094***-0,102
COROP: Midden-Noord-Brabant-0,103***-0,113
COROP: Noordoost-Noord-Brabant-0,047**-0,062
COROP: Zuidoost-Noord-Brabant-0,061***-0,083
COROP: Noord-Limburg-0,092***-0,079
COROP: Midden-Limburg-0,103***-0,083
COROP: Zuid-Limburg-0,213***-0,271
Verklaarde variantie 71,6%
* significantieniveau: p < 0.1
** significantieniveau: P < 0.05
*** significantieniveau: p < 0.01


Om per gemeente een schatting te maken van de TFR in de toekomst worden de gemeentelijke waarden van de demografische variabelen en woningmarktvariabelen geëxtrapoleerd. Het aandeel vrouwen van 20 tot 40 jaar dat in de toekomst in een gemeente woont, is ontleend aan de Regionale bevolkings- en huishoudensprognose 2016–2040. Dat geldt ook voor de verwachte veranderingen in de woningvoorraad. Voor het aandeel stemmers op christelijke partijen en het aandeel uitkeringsontvangers gaat deprognose uit van de aandelen die zijn gebruikt in de regressieanalyse. Voor de overblijvende regionale variatie zijn de coëfficiënten overgenomen uit het regressiemodel.Vervolgens zijn met deze cijfers de gemeentelijke TFR’s in 2030 geschat. Voor de periode tussen 2018 en 2030 is een lineaire interpolatie gebruikt. Voor de periode na 2030 convergeren de cijfers langzaam naar het nationale niveau: de gemeentelijke verschillen met het nationale vruchtbaarheidscijfer nemen per jaar met één procent af.

Kaart 3.1.2 laat de uitkomsten van de toepassing van het regressiemodel zien voor 2035,naast de waarneming in 2016. Er is sprake van een aanzienlijke regionale variatie in het gemiddeld kindertal per vrouw. De bible belt is nog steeds zichtbaar. Met name in Urk,Staphorst en Barneveld is de vruchtbaarheid hoog. Ook de steden komen naar voren, die  worden gekenmerkt door een lage vruchtbaarheid. Dit geldt in het bijzonder voor de uitgesproken studentensteden als Maastricht, Wageningen, Groningen en Leiden. Hier wonen naar verhouding veel jonge, alleenstaande vrouwen. In de vier grote steden ligt het gemiddeld kindertal eveneens lager dan gemiddeld in Nederland. Dat geldt in het bijzonder voor Amsterdam, dat fungeert als een magneet voor jongeren. Zij zijn vaak nog niet toe aan het krijgen van kinderen. Dit blijkt van grotere invloed op de vruchtbaarheid dan de grootschalige woningbouw, zoals in IJburg waar veel jonge stellen wonen met plannen voor gezinsuitbreiding.


4. Sterfte

Om het aantal sterfgevallen in de toekomst te bepalen, wordt in de Bevolkingsprognose gekeken naar ontwikkelingen in de levensverwachting bij geboorte. Deze is de afgelopen decennia vrijwel continu gestegen. In 1980 gold voor mannen een levensverwachting van ruim 72 jaar en voor vrouwen van 79 jaar. In 2018 is dit gestegen tot ruim 80 jaar voormannen en ruim 83 jaar voor vrouwen. Ook voor de toekomst voorziet de prognose een verdere toename, tot bijna 85 jaar voor mannen en bijna 89 jaar voor vrouwen in 2050 (Stoeldraijer en Van Duin, 2018). Hoewel de levensduur stijgt, zal het aantal sterfgevallen de komende decennia toch gaan toenemen. Dit komt door de vergrijzing.

Regionale verschillen in levensverwachting hangen, net als de vruchtbaarheid, samen met diverse sociaaleconomische, culturele en leefstijlkenmerken van mensen (Loke en De Jong,2013). Net als bij vorige edities van de regionale prognose, is voor de editie van 2019 getracht de gemeentelijke verschillen in de levensverwachting te verklaren aan de hand van een multivariaat regressiemodel. De afhankelijke variabele in dit model is de levensverwachting bij geboorte in 2016. Het model wordt voor mannen en vrouwen apart geschat. Ook hier worden filtertechnieken toegepast op de waargenomen levensverwachting bij geboorte, omdat in kleine gemeenten de levensverwachting van jaar op jaar sterk kan schommelen. In het model wordt rekening gehouden met het aandeelouderen in de bevolking door gebruik te maken van Weighted Least Squares (WLS) en de weging uit te voeren met het aantal mannen en vrouwen in de gemeente van 65 jaar of ouder.

Tabel 4.1.1 laat de resultaten van het regressiemodel zien, waarbij variabelen die niet significant samenhangen met de levensverwachting uit het uiteindelijke model zijn verwijderd. Het blijkt voor mannen dat de levensverwachting in een gemeente hoger is naarmate het aandeel gehuwde mannen groter is. Voor vrouwen is de levensverwachting lager naarmate er meer verweduwde vrouwen of vrouwen in een instelling wonen. Bij de culturele variabelen is voor zowel mannen als vrouwen de levensverwachting hoger in gemeenten waar meer stemmers op christelijke partijen zijn. Sociaaleconomische factoren hebben de grootste verklarende kracht. Bij mannen hangt een hoger inkomen in een gemeente samen met een hogere levensverwachting, bij vrouwen gaat een groter aandeeluitkeringsgerechtigden samen met een lagere levensverwachting. De proxy’s die gebruikt zijn voor verschillen in leefstijl tussen gemeenten zijn het aandeel mensen dat overlijdt aan ziekten van het hart- en vaatstelsel, aan aandoeningen aan het ademhalingsstelsel, aan kanker of aan overige doodsoorzaken. Alle dragen bij aan een lagere levensverwachting in gemeenten waar dit vaker voorkomt, al spelen ziekten van het ademhalingsstelsel geen rol bij de levensverwachting van vrouwen.

Met de parameters van dit model, de b-waarden, en met een extrapolatie van de onafhankelijke variabelen is vervolgens voor mannen en vrouwen de levensverwachting in 2030 berekend. Dit gaf voor diverse gemeenten echter minder plausibele uitkomsten, zoals een hogere levensverwachting voor mannen dan voor vrouwen, of een kleiner verschil in levensverwachting tussen mannen en vrouwen dan in 2018, terwijl dit verschil in de afgelopen jaren juist groter was geworden. Gezien deze tekortkomingen is voor de prognose 2019–2050 gekozen voor een eenvoudiger methode die wel plausibele uitkomsten geeft. Daarvoor is het gemiddelde absolute verschil van de geslachtspecifieke levensverwachting van gemeenten ten opzichte van Nederland bepaald in de periode 2009–2016. Dit verschil is vervolgens toegepast op de ontwikkeling van de nationale levensverwachting volgens de Bevolkingsprognose. De schattingen op basis het regressiemodel zijn wel gebruikt als controle op de uitkomsten van deze methodiek. Indien de uitkomsten op elkaar lijken, draagt dit bij aan de plausibiliteit van de schattingen.
4.1.1. Resultaten van het multivariate regressiemodel1) voor de verklaring van gemeentelijke verschillen in levensverwachting, 2016
MannenMannenVrouwenVrouwen
BBètaBBèta
Constante79,764 *** 88,905 ***
Demografische2): % gehuwde mannen0,024 ***0,131
Demografische2): % verweduwde vrouwen -0,146 ***-0.156
Demografische2): % institutionele vrouwen -0,049 **-0,090
Culturele en leefstijl2): % ziekten van hart- en vaatstelsel-1,277 ***-0,240-0,612 ***-0,129
Culturele en leefstijl2): % ziekten van ademhalingsstelsel-1,486 ***-0,135
Culturele en leefstijl2): % nieuwvormingen-0,774 ***-0,135-1,013 ***-0,197
Culturele en leefstijl2): % overige doodsoorzaken-0,577 ***-0,183-0,470 ***-0,168
Culturele, leefstijl2): % stemmen op CU en SGP bij TK-verkiezingen 20060,033 ***0,1970,019 ***0,127
Sociaaleconomische2): % uitkeringen (WAO, WW, bijstand) -0,108 ***-0,318
Sociaaleconomische2): Gemiddeld besteedbaar inkomen0,080 ***0,254
Verklaarde variantie78,9 %74,8 %

* Significantieniveau: p = 0,10
**Significantieniveau: p = 0,05
*** Significantieniveau: p = 0,01
1) De variabelen zijn in elke gemeente gewogen met het aantal mannen of vrouwen van 65 jaar en ouder.
2) variabelen

 



Kaart 4.1.2 laat de veronderstelde levensverwachting bij de geboorte voor vrouwen en mannen in 2035 zien, naast de waarneming in 2016. Er is sprake van een aanzienlijke regionale variatie in de levensverwachting. In de grote steden en universiteitssteden ligt de levensverwachting doorgaans lager dan in de plattelandsgemeenten, hoewel deze steden relatief jong zijn. Dit komt omdat bij het berekenen van de levensverwachting rekening wordt gehouden met verschillen in leeftijdsopbouw. De hogere sterfte en de lagere levensverwachting hangen in deze steden samen met een hoog aandeel personen dat een uitkering ontvangt. Dat gaat op zijn beurt vaak samen met een minder gezonde levensstijl.Diverse gemeenten in de bible belt kennen juist een hoge levensverwachting.


5. Buitenlandse migratie

De bevolkingsgroei komt de laatste jaren voornamelijk voor rekening van de buitenlandse migratie. Rond 2015 zorgde vooral het conflict in Syrië voor een toename van de instroom.Inmiddels is het aantal asielverzoeken en het aantal nareizigers gedaald en schrijven zich weer minder asielmigranten bij Nederlandse gemeenten in. De immigratie uit andere landen is echter toegenomen. De instroom vanuit EU-lidstaten is het grootst, maar ook uit niet-westerse landen vestigen zich meer mensen vanwege arbeid, studie of gezin. De emigratie is eveneens toegenomen, maar minder sterk (Stoeldraijer, Van Duin en Huisman,2017).

De kernprognose 2018–2060 veronderstelt dat de hoge immigratie van dit moment voor een deel het gevolg is van de aanzuigende werking van de huidige krappe arbeidsmarkten dat deze immigratie deels conjunctureel van aard is. Het aantal immigranten gaat de komende jaren eerst naar verwachting dalen en blijft daarna min of meer stabiel (Stoeldraijer en Van Duin, 2018). Met de gestegen immigratie neemt ook de emigratie naar verwachting toe. Vooral immigranten die voor werk of studie naar Nederland komen blijven vaak maar kort in Nederland (Van Duin, Stoeldraijer en Nicolaas, 2018).

Met een zogeheten concentratie-index wordt uitgerekend naar welke gemeenten de toekomstige immigranten toegaan en waarvandaan de emigranten vertrekken. Deze concentratie-index wordt berekend door het aandeel immigranten dat zich in een bepaalde gemeente vestigt te delen door het aandeel van de bevolking dat in deze gemeente woont. Dit cijfer laat zien of immigranten relatief vaak of juist relatief minder vaak voor de betreffende gemeente kiezen dan verwacht mocht worden op basis van het aandeelinwoners. De concentratie-index geeft op die manier een indicatie van de relatieve aantrekkingskracht van die gemeente. Voor de emigratie wordt het aandeel emigranten dat vanuit een bepaalde gemeente vertrekt gedeeld op het aandeel van de bevolking dat in deze gemeente woont. Dit geeft een indicatie van de kans dat mensen uit de betreffende gemeente zullen vertrekken naar het buitenland. De concentratie-indices zijn berekend door de trend in de waargenomen cijfers, na correctie voor toeval fluctuaties, te extrapoleren.

Kaart 5.1.1 presenteert de verwachte situatie in 2035 naast de waarneming in 2018 en laat zien dat immigranten relatief vaak in de grotere steden of in de randgemeenten ervan terecht zullen komen. De waarde van de concentratie-index ligt hier hoger dan één. Dit betekent dat het aandeel van de immigranten dat zich hier vestigt hoger ligt dan het aandeel inwoners dat in de betreffende gemeente woont. Steden bieden voor nieuwkomers meer kansen op een baan en de opleidingsmogelijkheden zijn doorgaans groter.Bovendien wonen daar vaak al mensen met dezelfde migratieachtergrond die eerder al naar Nederland zijn gekomen. Zij kunnen helpen bij allerlei praktische zaken, zoals het vinden van woonruimte. De grote steden zijn de laatste jaren ook erg in trek bij internationale studenten. Mede doordat veel studies tegenwoordig in het Engels worden gegeven en studeren in Nederland voor hen relatief goedkoop is, trekken vooral de universiteiten studenten uit het buitenland aan.



Over het algemeen heeft het platteland een minder grote aantrekkingskracht op migranten.Er zijn echter uitzonderingen. Zo hebben gemeenten met een asielzoekerscentrum (AZC)een relatief hoge concentratie-index, die gepaard gaat met een verhoogd binnenlands vertrek en een lage emigratie. Een voorbeeld is de gemeente Westerwolde, met daarin het AZC van Vlagtwedde. De verwachting is dat de concentratie-indices van deze gemeenten de komende jaren zullen dalen, omdat ook het aantal asielmigranten gaat afnemen (Stoeldraijer en Van Duin, 2018). Hierdoor zullen minder immigranten naar deze gemeenten komen dan momenteel het geval is.

Ook plattelandsgemeenten waar veel banen in de landbouwsector zijn hebben een hoge concentratie-index. Dat geldt bijvoorbeeld voor het Westland, waar veel tuinbouw is, en voor Flevoland. Ook in Limburg en Noord-Brabant zijn er gemeenten die relatief veel immigranten trekken, bijvoorbeeld in verband met de aspergeteelt. Het gaat daarbij vaak om mensen uit Polen (CBS, 2016a).

In gemeenten met veel arbeids- en studiemigranten is doorgaans ook de emigratie relatief hoog. Hierdoor kennen de steden niet alleen een hoge concentratie-index voor de immigratie, maar ook voor de emigratie. Uit de grote steden en universiteitssteden trekken veel arbeidsmigranten en internationale studenten na enkele jaren weer weg. Ook diverse plattelandsgemeenten vallen op door een hoge concentratie-index voor de emigratie. Een voorbeeld is Zeewolde in Flevoland, dat veel arbeidsmigranten trekt die na verloop van tijd ook weer vaak vertrekken.

Tot slot speelt grensmigratie een rol voor de gemeenten die aan de oost- en zuidrand van Nederland liggen. Hier is de concentratie-index zowel bij de immigratie als emigratie soms duidelijk verhoogd. Een voorbeeld is Zeeuws-Vlaanderen. Voor bewoners van de grensstreek maakt het voor de afstand tot hun werk of voor andere soorten contact niet uit of ze in het buurland of in hun eigen land wonen. Nederland kan aantrekkelijk zijn om zich te vestigen, bijvoorbeeld als de huizen goedkoper zijn. In dat geval zullen meer mensen uit Duitsland en België in een Nederlandse gemeente gaan wonen en kan het voor Nederlandse grensmigranten aanleiding zijn om weer naar Nederland terug te keren. Ook het omgekeerde kan het geval zijn. Duitsland kent bijvoorbeeld geen hypotheekrenteaftrek,waardoor de huizen over de grens vaak goedkoper zijn. Dit lokt verhuizingen over de grens uit: Nederlanders gaan daar wel wonen, maar blijven werken in Nederland.

6. Binnenlandse migratie

De binnenlandse verhuizingen worden in verschillende stappen gemodelleerd. Voor elk van deze stappen worden veronderstellingen opgesteld.

6.1 Landelijke verhuismobiliteit

Bij het modelleren van de binnenlandse migratie wordt ten eerste gekeken naar de verhuizingen op nationaal niveau. In tegenstelling tot de geboorte, sterfte en buitenlandse migratie, kan geen gebruik worden gemaakt van de Bevolkingsprognose. Binnenlandse verhuizingen zijn immers geen factor die effect heeft op de bevolkingsgroei. De regionale prognose neemt als indicator voor de nationale verhuismobiliteit het aantal verhuizingen per 1 000 inwoners. Grafiek 6.1.1 laat zien dat dit aantal door de jaren heen sterk fluctueert en dat deze fluctuaties vrij sterk samenhangen met de conjunctuur. Zo was er een sterke daling van het relatieve aantal verhuizingen ten tijde van de economische recessie na 2008. Na 2013 trok de economie weer aan. Dit ging gepaard met een sterke stijging van het relatieve aantal verhuizingen. Overigens liep ook het absolute aantal verhuizingen sterk op, van 1,47 miljoen in 2013 naar 1,88 miljoen in 2017 (CBS, 2018).

De samenhang met de conjunctuur komt voor een belangrijk deel voort uit de koppeling met de woningmarkt. Tijdens de crisis kwamen veel koopwoningen onder water te staan: de huizenprijs zakte onder de hypotheekwaarde, waardoor verhuizen en verkopen van de woning gepaard zou gaan met een aanzienlijke restschuld. Bovendien werden in die jaren weinig woningen gebouwd, zodat het moeilijk werd een geschikte andere woning te vinden. Recent zijn de huizenprijzen weer gestegen, koopwoningen staan niet langer onder water en de woningbouw trekt aan.

De prognose veronderstelt dat het relatieve aantal verhuizingen na 2017 weer gaat dalen. Dit blijkt inmiddels ook uit de waarnemingen. In 2018 verhuisden minder mensen dan in 2017 (CBS, 2019a). Wanneer het niveau van 2017 als uitgangspunt voor de prognose zou zijn genomen, zou dit kunnen resulteren in een erg hoge schatting van de verhuisfrequentie op lange termijn. In plaats daarvan wordt een iets lager niveau gehanteerd, en wel het gemiddelde aantal verhuizingen van de laatste drie waargenomen jaren. Er wordt in de toekomst een stabiel niveau verondersteld, aangezien voor de prognose geen inschatting gemaakt wordt van mogelijke toekomstige conjunctuurgolven, vanwege de onvoorspelbaarheid daarvan.

Aan de hand van de landelijke verhuismobiliteit worden vervolgens geslachts- en leeftijdsspecifieke verhuisfrequenties afgeleid. Deze vormen het uitgangspunt voor de regionale veronderstellingen over de binnenlandse migratie.

6.1.1 Verhuizingen per 1 000 inwoners
 WaarnemingPrognose
1987
1988111,7
1989111,2
1990103,8
1991100,8
1992103,4
1993106,6
1994109,5
1995111,1
1996110,4
1997111,5
1998112,9
1999107,2
200099,6
200197,4
200298,8
200396,5
200497,5
2005101,2
2006102,7
2007100,1
200899,3
200990,6
201088
201187,4
201288,3
201387,7
201492,7
201599,2
2016105,2
2017109,6
2018103,6100
2019100
2020100
2021100
2022100
2023100
2024100
2025100
2026100
2027100
2028100
2029100
2030100
2031100
2032100
2033100
2034100
2035100
2036

6.2 Gemeentelijke verhuismobiliteit

De volgende stap in de modellering van de binnenlandse migratie is het bepalen van de gemeentelijke verhuismobiliteit. Daarvoor wordt ook per gemeente het aantal verhuizingen per 1 000 inwoners bepaald. Daarbij wordt gecorrigeerd voor verschillen in de leeftijdsopbouw tussen gemeenten door te standaardiseren naar de leeftijdsopbouw van Nederland als geheel. Vervolgens wordt een regionale factor berekend, die aangeeft of in een bepaalde gemeente de verhuisgeneigdheid hoger of lager is dan landelijk. Bij een waarde die hoger is dan 1 verhuizen mensen vaker, bij een waarde lager dan 1 juist minder vaak. Deze regionale factor kan vervolgens worden toegepast op de landelijke verhuisfrequenties.

De verhuizingen per gemeente worden in de modellering vervolgens toegewezen aan verhuizingen binnen de gemeente en verhuizingen tussen gemeenten. Voor het gros van de gemeenten vindt het grootste deel van de verhuizingen plaats binnen de gemeentegrenzen. In de modellering wordt het aandeel van de zogenoemde binnen-verhuizingen gebaseerd op de waarneming over de laatste vijf jaar. In bepaalde gemeenten kan dit aandeel heel hoog zijn, bijvoorbeeld wanneer sprake is van hechte christelijke gemeenschappen, zoals Urk en Staphorst.

6.3 Lange-afstandsmigratie

Voor degenen die wel naar een andere gemeente verhuizen, moet in de regionale prognose bepaald worden hoe de verdeling over de diverse bestemmingsgemeenten eruit ziet. Daarvoor wordt eerst een onderverdeling gemaakt tussen verhuizingen over lange afstand en over korte afstand. De grens ligt op 35 kilometer hemelsbreed. Daarnaast worden verschillende leeftijdsgroepen onderscheiden. Verhuizen komt bijvoorbeeld vaak voor in de fase waarin jongeren volwassen worden en uit huis gaan, maar ook in de fase van relatie- en gezinsvorming. Op middelbare leeftijd verhuizen mensen juist minder vaak.Lange-afstandsverhuizingen kennen over het algemeen een vrij stabiel bestemmingspatroon. Ze hebben vaak te maken met werk en studie. Zo verhuist het gros van de studenten uit Groningen na afronding van hun studie naar de grote steden in de Randstad omdat daar meer werk is (Rambharos en Beets, 2015). Ook jongeren tussen 18 en 22 jaar verhuizen vaak vanwege werk of studie. Voor deze verhuizingen en voor de lange-afstandsverhuizingen wordt in de regionale prognose daarom aangenomen dat ze ongeacht de ontwikkelingen in de woningvoorraad plaatsvinden. Bij het bepalen van het aandeel lange-afstandsmigranten is gekeken naar het aandeel in de laatste vijf jaar. Voor de bestemming van deze verhuizers wordt uitgegaan van een vertrek- en bestemmingspatroon dat gebaseerd is op de waargenomen verhuizingen over 35 of meer kilometer in de laatste vijf jaar.

6.4 Korte-afstandsmigratie

Ten slotte wordt de korte-afstandsmigratie gemodelleerd. Meer dan de helft van de binnenlandse migratie gaat over afstanden van minder dan 35 kilometer. Dit heeft vaak te maken met woonwensen. Mensen willen een ander type huis in een andere woonomgeving. Daarbij is het belangrijk dat deze woonwensen vervuld kunnen worden binnen een redelijke afstand van familie of vrienden. In het ruimtelijke interactiemodel voor de korte-afstandsmigratie speelt daarom de afstand tussen vertrek- en bestemmingsgemeente een grote rol. Ook het inwonertal van de bestemmingsgemeente is een belangrijke factor. Dichterbij gelegen gemeenten en grotere gemeenten hebben een grotere aantrekkingskracht (Loke en De Jong, 2015) en veroorzaken daardoor een grotere verhuisstroom.

In dit model verhuizen korte-afstandsmigranten vanuit de vertrekgemeenten eerst naar initiële bestemmingsgemeenten. Daarna wordt via een beknopt woningmarktmodel nagegaan in hoeverre de vraag naar woonruimte in deze gewenste bestemmingsgemeente aansluit bij het aanbod van woonruimte. Is dit aanbod te klein, dan gaat het model na of er in andere gemeenten binnen een straal van 35 kilometer rondom de vertrekgemeente wel meer aanbod is. Het model gaat er vanuit dat verhuizers voor wie geen woonruimte beschikbaar is in de initiële bestemmingsgemeente, uitwijken naar gemeenten met een woningoverschot. Mocht er ook in de andere gemeenten geen woonruimte beschikbaar zijn, dan gaat de verhuizer toch naar de initiële bestemmingsgemeente.

Bij deze laatste stap spelen veronderstellingen over de woningbouw een zeer belangrijke rol (De Jong et al., 2019). Vooral als de woningmarkt in een regio krap is, hebben ontwikkelingen in de woningvoorraad een sturende werking op de migratiestromen. Dit is met name het geval in de Randstad en in middelgrote steden elders in het land. Hier is de woningmarkt doorgaans krap. Veel mensen willen zich er vestigen, vanwege de aanwezigheid van banen, de opleidingsmogelijkheden, maar ook vanwege culturele en andere voorzieningen (Manting en Huisman, 2015).

6.5 Gemeentelijke verschillen in vestiging en vertrek

Hierboven is kort ingegaan op de verschillende stappen in de modellering van de gemeentelijke verhuisstromen. Het voert in het kader van dit artikel te ver om alle gemeentelijke veronderstellingen van deze stappen te laten zien. Om toch een beeld te geven van het gezamenlijk effect van al deze veronderstellingen wordt in grafiek 6.5.1 een relatief vestigings- en vertrekcijfer voor 2018 en 2035 getoond. Hierbij wordt het aantal vestigers en vertrekkers per gemeente per 1 000 inwoners getoond. Deze cijfers zijn exclusief de binnengemeentelijke verhuizingen.



De kaart laat zien dat er een aanzienlijke regionale variatie bestaat in zowel de vestiging als het vertrek. Vaak wordt een hoog vestigingscijfer gecombineerd met een hoog vertrekcijfer. De dynamiek is doorgaans groter in en om de steden. Jongeren uit gemeenten buiten de stad verhuizen naar de steden vanwege de opleidingsmogelijkheden of de baankansen en jonge stellen en gezinnen vertrekken weer, meestal naar randgemeenten met veel woningbouw. In de plattelandsgemeenten, langs de oostgrens en in het zuidwesten, ligt de dynamiek van de binnenlandse verhuizingen vaak aan de lage kant. Dit geldt ook voor diverse oude vissersdorpen. Zo verhuizen er relatief weinig mensen van en naar Urk, Edam-Volendam en Bunschoten.

7. Huishoudensdynamiek

Begin 2018, het startjaar van zowel de nationale als de regionale prognose, telde Nederland 7,9 miljoen huishoudens. Voor de toekomst wordt een verder toename voorzien die vanaf 2030 geleidelijk zal afvlakken. In 2050 telt Nederland naar verwachting bijna 8,8 miljoen huishoudens. Al lange tijd groeit het aantal huishoudens naar verhouding sterker dan het aantal inwoners. De belangrijkste reden hiervoor is de zogenoemde huishoudensverdunning: het gemiddelde aantal personen in een huishouden wordt kleiner. De prognose veronderstelt een verdere daling van de huishoudensgrootte. Dat is het gevolg van de voortgaande individualisering en van de vergrijzing. Meer mensen zullen voor kortere of langere tijd alleen wonen, voordat ze aan een relatie beginnen of na een scheiding. Daarnaast zijn er meer ouderen, die een grotere kans hebben dat hun partner overlijdt of die vaker dan voorheen al alleen wonen omdat ze eerder zijn gescheiden (Van Duin et al., 2018).

Voor de ontwikkeling van het aantal huishoudens is het gedrag rondom uit huis gaan, samenwonen en trouwen, scheiden en verweduwen, en verhuizen naar instellingen van belang (Van Duin et al., 2018). Met behulp van informatie over de regionale variatie in deze processen kan worden bepaald waar in Nederland de huishoudensgroei terecht komt en om welke typen huishoudens het gaat.

7.1 Uit huis gaan

De leeftijd bij uit huis gaan is sinds 2009 geleidelijk toegenomen (Stoeldraijer, 2014). Na 2015 volgde een sterkere stijging, die in verband wordt gebracht met de invoering van het nieuwe studiefinancieringsstelsel (Van den Berg en Van Gaalen, 2018). In de Huishoudensprognose wordt aangenomen dat deze stijging structureel is en niet van tijdelijke aard.

Regionaal zijn er grote verschillen in uit huis gaan. Kaart 7.1.1 geeft per gemeente de gemiddelde leeftijd bij uit huis gaan. Deze ligt vooral laag in gemeenten die relatief ver buiten de Randstad liggen en waar minder onderwijsinstellingen en banen zijn. Daardoor is de noodzaak om te verhuizen en het ouderlijk huis te verlaten vaak groter. De leeftijd is gemiddeld juist hoger in de provincies Overijssel, Noord-Brabant en Limburg, en in relatief gesloten gemeenschappen zoals Katwijk, Bunschoten, Edam-Volendam en Staphorst (De Jong, Huisman en Van Roon, 2019). In de regionale prognose wordt verondersteld dat de regionale verschillen in het uit-huis-gaan in de toekomst niet veranderen. Wel kan de hoogte van deze leeftijden veranderen. In de regionale prognose worden de veranderingen in de leeftijd bij uit huis gaan gevolgd die in de landelijke prognose worden voorzien.


7.2 Gaan samenwonen

Jongvolwassenen gaan tegenwoordig niet alleen later uit huis, ze gaan ook later (al dan niet gehuwd) samenwonen (CBS, 2019b). De laatste jaren, bij een aantrekkende woningmarkt, is de paarvorming van dertigers weer toegenomen, die van twintigers niet. In de CBS Huishoudensprognose wordt bij de huidige waargenomen paarvormingsfrequenties aangesloten.

Kaart 7.2.1 toont de regionale variatie in het samenwonen. Hierbij is gekeken naar het aantal samenwonende mannen van 14 tot 40 jaar per 1 000 niet samenwonende mannen. Zowel in de grote steden als in de studentensteden is het relatieve aantal mannen dat gaat samenwonen aanzienlijk hoger dan elders. Van de grote steden heeft Amsterdam het hoogste cijfer, op korte afstand gevolgd door Groningen en Utrecht. In deze steden wonen veel jongeren die er studeren of een (eerste) baan hebben gevonden. In de meeste plattelandsgemeenten ligt het gaan-samenwooncijfer vrij laag. Dit geldt ook voor enkele rijkere gemeenten als Wassenaar, Rozendaal en Bloemendaal, waar de hoge huizenprijzen het voor jongeren wellicht moeilijker maken een woning te vinden.

De verschillen tussen de gemeenten zijn echter veel geringer als rekening gehouden wordt met de leeftijdsopbouw. Paarvorming vindt onder jongeren veel frequenter plaats dan onder ouderen. Wanneer daar in jonge gemeenten voor gecorrigeerd wordt door te standaardiseren, zijn de paarvormingskansen in die gemeenten niet meer zo hoog. De grote steden en studentensteden, waar relatief veel jongeren wonen, nemen dan een minder prominente plaats in. Omgekeerd leidt standaardisatie in de kleine (plattelands) gemeenten tot een aanmerkelijk hoger cijfer (De Jong, Huisman en Van Roon, 2019). In de regionale prognose wordt daarom verondersteld dat er vrijwel geen regionale variatie is in de kansen op het gaan samenwonen.


7.3 Uit elkaar gaan

Een deel van de stellen gaat ook weer uit elkaar. De kans hierop is groter onder ongehuwde samenwoners, een groep die in omvang is toegenomen en waarvan verondersteld wordt dat deze verder zal toenemen, vooral onder 50-plussers. Daarnaast lijkt de experimenteerfase onder jongvolwassenen tegenwoordig langer te duren. Zij hebben een naar verhouding grote kans dat hun relaties stuklopen. Verondersteld wordt dat deze ontwikkeling structureel is.

Ook bij het uit elkaar gaan zijn regionale verschillen voor een belangrijk deel het gevolg van verschillen in leeftijdsopbouw. De scheidingskansen zijn bijvoorbeeld groter in studentensteden, waar relatief veel twintigers wonen. In de grote en middelgrote steden, vooral in Amsterdam, is het scheidingscijfer echter ook na correctie voor leeftijdsverschillen hoger dan gemiddeld. Scheiden komt juist minder voor in gemeenten met veel streng gelovigen zoals Urk, Staphorst en Giessenlanden. In de regionale prognose wordt verondersteld dat de huidige regionale verschillen ook in de toekomst blijven bestaan.


7.4 Gaan wonen in een instelling

Tot slot leiden ontwikkelingen in de instroom van ouderen naar verpleeg- of verzorgingsinstellingen tot veranderingen in het aantal en het type huishoudens. Deze instroom is in de afgelopen decennia sterk gedaald. In 1980 woonde nog 23 procent van de 75-plussers in een instelling, begin 2018 was dat nog maar 8 procent. Het beleid is erop gericht om ouderen zo lang mogelijk zelfstandig te laten wonen. Op grond van de Huishoudensprognose wordt verwacht dat de criteria om in aanmerking te komen voor een verpleeg- of verzorgingshuis niet verder worden verscherpt. De kans om in te stromen zal naar verwachting nog wat dalen omdat de gezondheid van ouderen nog verbetert. Toch zal het aandeel instellingsbewoners de komende jaren licht toenemen. Dat heeft vooral te maken met vergrijzing, waardoor er meer ouderen en dus ook meer ouderen met gezondheidsproblemen zullen zijn.

Regionaal lijkt er nauwelijks sprake te zijn van een duidelijk patroon in de frequenties waarin inwoners naar een instelling verhuizen, voor vrouwen noch voor mannen. Verschillen tussen gemeenten worden vooral verklaard door verschillen in de leeftijdsopbouw. In gemeenten met een jonge bevolking verhuizen mensen wat minder vaak naar een instelling, in gemeenten met een oudere bevolking juist wat vaker. Toch zijn in Friesland, Groningen, Zeeland en Limburg een aantal kleinere gemeenten met een vrij hoog instroomcijfer. Dit zijn vrij dun bevolkte provincies, waardoor het geven van zorg mogelijk lastig is. Daardoor kunnen mensen meer geneigd zijn naar een (verpleeg) instelling te verhuizen. Verder is in de vier grote steden de kans voor mannen wat groter om naar een zorginstelling te gaan. In de regionale prognose wordt aangenomen dat de huidige regionale verschillen in het gaan wonen in een instelling ook in de toekomst blijven bestaan.


Literatuur

Beer, J., en I. Deerenberg (2005). Regionale verschillen in vruchtbaarheid: een verklarend model. Bevolkingstrends, 1/2005, 46–55.

Berg, L. van den, en R. van Gaalen (2018). Studeren en uit huis gaan nog haalbaar?Samenhang met sociaal leenstelsel en ouderlijke welvaart, 2007–2016. Statistische Trends,januari.

CBS (2016). 150 duizend inwoners van Poolse herkomst. CBS nieuwsbericht.

CBS (2018). Minder mensen verhuisd in eerste kwartaal 2018. CBS nieuwsbericht.

CBS (2019a). Minder verhuizingen in 2018. CBS nieuwsbericht.

CBS (2019b). Mijlpalen twintigers schuiven op. CBS nieuwsbericht.

Duin, C. van, en C. Harmsen (2009). Een nieuw model voor de CBS huishoudensprognose,Bevolkingstrends, 57(3).

Duin, C. van, S. te Riele en L. Stoeldraijer (2018). Huishoudensprognose 2018-2060: opmars eenpersoonshuishoudens zet door. Statistische Trends, december.

Huisman, C., en A. de Jong (2017). PBL/CBS Regionale bevolkings- en huishoudensprognose 2015-2040: analyse van regionale verschillen in vruchtbaarheid. Statistische Trends, juni.

Imhoff, E. van, en N. Keilman (1991). LIPRO 2.0: An application of a dynamic demographic projection model to household structure in the Netherlands. Swets and Zeitlinger, Amsterdam.

Jong, A. de, M. Alders, P. Feijten, P. Visser, I. Deerenberg, M. van Huis en D. Leering (2005). Achtergronden en veronderstellingen bij het model PEARL. NAI Uitgevers, Rotterdam.

Jong, A. de, P. Feijten, C. de Groot, C. Harmsen, M. van Huis en F. Vernooij (2007). Regionale huishoudensdynamiek. NAI Uitgevers, Rotterdam.

Jong, A. de, C. Huisman en D. van Roon (2019). Nationale en regionale huishoudensdynamiek. Den Haag, Planbureau voor de Leefomgeving.

Jong, A. de, C. Huisman en L. Stoeldraijer (2019). PBL/CBS Regionale bevolkings- en huishoudensprognose 2019–2050: woningbouwveronderstellingen. Statistische Trends, september.

Loke, R., en A. de Jong (2013). Verbeterd schattingsmodel voor korte-afstandsmigratie in het regionaal prognosemodel PEARL, Bevolkingstrends, juli,1–24.

Loke, R., en A. de Jong (2015). Verbeterd schattingsmodel voor korte afstandsmigratie in het regionaal prognosemodel PEARL. Den Haag, Planbureau voor de Leefomgeving.

Manting, D., en C. Huisman (2015). De stad als magneet. In: G. Beets, F. van Dam, A. de Jong en D. Maning (red.) De stad: magneet, roltrap en spons; bevolkingsontwikkelingen in stad en stadgewest. Den Haag: Planbureau voor de Leefomgeving, 19–33.

Middelkoop, M. van, en A. de Jong (2009). Regionale verschillen in vruchtbaarheid verklaard. Bevolkingstrends, 4/2009, 63–70.

Rambharos, N., en G. Beets (2015). Groningen, in: G. Beets, F. van Dam, A. de Jong en D. Maning (red.) De stad: magneet, roltrap en spons; bevolkingsontwikkelingen in stad en stadgewest. Den Haag, Planbureau voor de Leefomgeving, 206–211.

Riele, S. te, C. Huisman, L. Stoeldraijer, A. de Jong, C. van Duin en T. Husby (2019). PBL/CBS Regionale bevolkings- en huishoudensprognose 2019–2050: Belangrijkste uitkomsten, Statistische Trends, september.

Stoeldraijer, S. (2014). Jongeren blijven langer thuis wonen. Bevolkingstrends, juni.

Stoeldraijer, L., C. Van Duin en C. Huisman (2017). Bevolkingsprognose 2017–2060:veronderstellingen voor kindertal, levensduur en internationale migratie. Statistische Trends, december.

Stoeldraijer, L. , en C. van Duin (2018). Kernprognose 2018–2060: immigratie blijft hoog. Statistische Trends, december.