Re-integratie in BOLD cities

Kunnen ‘big data’ het mogelijk maken om tot gepersonaliseerde re-integratietrajecten te komen, in analogie met de gepersonaliseerde strategieën die o.a. in het medische, commerciële en politieke domein opgang doen? En aan welke (methodische, ethische en organisatorische) voorwaarden moet daartoe worden voldaan? Gemeenten hebben een sterke behoefte aan interventie-instrumenten die op maat ingezet kunnen worden, en direct effect zullen hebben op re-integratie naar betaald werk, verbetering van de zelfredzaamheid en een vermindering van de zorgvraag. Deze drie uitkomsten houden nauw verband met elkaar: het hebben van betaald werk heeft een scala aan positieve effecten op zelfredzaamheid en zorgbehoefte. In dit onderzoek wordt bekeken óf een big data-aanpak voor re-integratie kans van slagen heeft, en onder welke voorwaarden deze aanpak moet plaatsvinden. Een belangrijk ethische voorwaarde bij het ontwikkelen van een big data-aanpak is de privacy van betrokkenen: hoewel datakoppeling goed binnen de grenzen van privacywetgeving kan plaatsvinden, levert het toch vaak gevoelens van onrust op, zowel onder uitvoerders als onder ontvangers. De ontwikkeling van gepersonaliseerde re-integratietrajecten zal daarom niet alleen daadwerkelijk privacy-safe moeten zijn, maar ook rekening moeten houden met de zorgen over privacy die uitkeringsgerechtigden en uitvoerders gevoelsmatig kunnen hebben. Wetenschappelijk gezien sluit het voorstel direct aan bij ontwikkelingen in de medische, economische en communicatiewetenschappen waarin eveneens een steeds diepgaander verkenning gaande is van de methodische voor- en nadelen van big data, in vergelijking met bestaande surveymethoden en experimentele methoden. Nadeel van big data-methoden is dat wel patronen geïdentificeerd kunnen worden, maar dat causaliteit veel moeilijker vast te stellen is. Na de oorspronkelijke opwinding over big data ontstaat nu in de meeste disciplines het besef dat een combinatie van traditionele en nieuwe methodes wenselijk is. In het hier voorgestelde project zullen we daarom quasi-experimentele designs en big data combineren. Met behulp van big data - de koppeling van een breed scala aan achtergrondkenmerken - kunnen effecten van interventies geanalyseerd worden voor subgroepen, om een stap te zetten richting gepersonaliseerde re-integratie die aansluit bij de gemeentelijke behoefte. Het uiteindelijke ideaalbeeld van een big data-aanpak van re-integratie is om tot een procedure te komen die vergelijkbaar is met die van andere gepersonaliseerde strategieën die in opkomst zijn, zoals gepersonaliseerde medicatie, gepersonaliseerde marketing en gepersonaliseerde politieke communicatie. In de context van re-integratie gaat het om de ontwikkeling van gepersonaliseerde interventies die moeten leiden tot betaald werk, een verhoogde zelfredzaamheid en een verminderde aansprak op zorgvoorzieningen. Ten eerste is het doel om de praktische voorwaarden voor gepersonaliseerde re-integratie in kaart te brengen: welke datasets zijn van voldoende kwaliteit en kwantiteit, kunnen ze gekoppeld worden en welke analysetechnieken leveren de beste resultaten om tot een gepersonaliseerde re-integratietraject te komen? Dit doel is van onmiddellijk belang voor de deelnemende gemeentes. Het sluit tevens direct aan bij reeds in gang gezette ontwikkelingen op datagebied. Het wetenschappelijke doel is om te verkennen of zo’n big data-instrument ook voor de sociale sector valide en betrouwbare wetenschappelijke kennis oplevert in combinatie met bestaande methoden die de relatie tussen een variëteit aan achtergrond, persoonlijke en beleidsvariabelen, en specifieke uitkomstvariabelen proberen vast te stellen, in het bijzonder surveyonderzoek en (quasi-)experimenteel onderzoek. Het is daarbij zaak om de methode niet alleen op basis van de meest kansrijke re-integreerders met een ‘datarijk’ profiel te ontwikkelen, maar juist ook te analyseren of en hoe ze werkt voor de meest kwetsbare groepen. In de voorbereiding tot de aanvraag is overleg gepleegd met de vier grote gemeenten Amsterdam, Rotterdam, Den Haag en Utrecht (G4). Alle vier gemeenten vinden de voorgestelde aanpak de moeite waard om uit te proberen, en zijn bovendien geïnteresseerd in een aanpak die voor alle soorten uitkeringsgerechtigden kan werken. Er zal op G4-niveau gebruik worden gemaakt van microdata van het CBS. Met deze gegevens kunnen onderlinge vergelijkingen gedaan worden tussen de G4-steden. Het koppelen van additionele datasets wordt in deze fase beperkt tot de gemeente Rotterdam, die dient als een grondige ‘testcase’. In de steden Amsterdam, Utrecht en Den Haag wordt wel verkennend onderzoek gedaan naar beschikbaarheid van bestanden. Op basis daarvan wordt inzicht verkregen in de mogelijkheden die er zijn om de te realiseren 'proof of concept' te verbreden, in eerste instantie naar de andere G4-steden. Daaropvolgend kan het onderzoek worden uitgebreid naar andere Nederlandse gemeenten.