logo-header

 
 
Dichtheden van Doelgroepen

 

Introductie

Thematische kaartbeelden kunnen inzicht geven in de ruimtelijke spreiding van doelgroepen (denk aan ouderen, jongeren, kwetsbaren, welgestelden). Hierbij kan gebruikt gemaakt worden van:

- absolute hoeveelheden, bijvoorbeeld het aantal 65 plussers in een gebied.

- relatieve maten, bijvoorbeeld het percentage 65 plussers op de totale populatie of het aantal 65 plussers per m2. In dit laatste geval spreken we van een dichtheidsmaat.

Bij een dichtheidsmaat gaat het om een aantal personen in een doelgroep gedeeld door een oppervlaktemaat. Dichtheidsmaten corrigeren absolute hoeveelheden voor de omvang van een gebied.

Administratieve indelingen

Voor de visualisatie van dichtheden wordt veel gebruik gemaakt van administratieve indelingen, zoals wijken, buurten of vier positie postcode gebieden.Het werken met deze indelingen is intuitief en sluit ook goed aan bij veel registraties die beschikbaar zijn op deze schaalniveaus. Denk bijvoorbeeld aan veel CBS data uit de Statline database.

Het werken met deze indelingen heeft ook een aantal nadelen:

  1. In stedelijke omgevingen is het aantal inwoners per m2 groter dan in een landelijke omgeving. In administratieve indelingen als CBS buurten wordt hiervoor gecorrigeerd door de gebieden in stedelijke omgevingen kleiner te maken. Het nadeel hiervan is dat de grotere gebieden overheersend zijn in kaartbeelden, terwijl dit vaak niet om de meest interessante gebieden gaat (denk bijvoorbeeld aan het buitengebied of aan grote parken in steden).
  2. Binnen de administratieve gebieden, zeker de wat grotere gebieden, kunnen de verschillen in dichtheden sterk varieren. Een hoge dichtheid van 65 plussers in een verzorgingshuis kan bijvoorbeeld volledig worden 'gecompenseerd' door een groot park in hetzelfde gebied. De gekozen administratieve indeling kan daarbij ook van grote invloed zijn op de dichtheden in de resultaatkaart. Als het park bijvoorbeeld in een andere wijk zou zijn ingedeeld, zou het verzorgingshuis wellicht wel herkenbaar zijn.
  3. Voor grotere administratieve gebieden geldt daarnaast dat de afstanden binnen een gebied substantieel kunnen zijn. Om dan per gebied te analyseren of er bijvoorbeeld voldoende voorzieningen zijn, is vooral voor kwetsbare groepen waarvoor mobiliteit belangrijk is, een nogal groffe benadering.

Grid benadering

Via een grid benadering kunnen dichtheden in kaart gebracht worden, waarbij de resulterende 'gebieden' worden bepaald door de dichtheden zelf en niet door een gekozen administratieve indeling. De volgende kaart toont een visualisatie van het aantal 65 plussers per hectare voor heel Nederland.

Deze visualisatie is getest met Google Chrome 27.0.x, Firefox 22.0 en Internet Explorer 10.0.x

Voor dit voorbeeld is gebruik gemaakt van de volgende data:

  • CBS zes positie postcode dataset met percentage 65 plussers en totaal aantal inwoners per zes positie postcode.
  • De BAG voor de relatie van pc6 naar coordinaten

Rekenstappen

De volgende rekenstappen zijn uitgevoerd om deze dichtheden te berekenen:

1.  De percentages 65 -74 en 75 plussers zijn vermenigvulidgd met het aantal inwoners per zes positie postcode. De resulterende aantallen zijn bij elkaar opgeteld om te komen tot het aantal 65 plussers per postcode.

2. Per pand is bepaald welke verblijfsobjecten in het pand liggen, gebruikmakend van de point_in_polygon functie. Via deze relatie is aan ieder pand de postcode gekoppeld. Tevens is bepaald in welke panden tenminste 1 verblijfsobject ligt met een woonfunctie. Deze set van panden wordt de woonpandenset genoemd.

3. De woonpanden zijn vergrid naar een 10 * 10 meter grid van heel Nederland. Per woonpand is vervolgens berekend hoeveel gridcellen in dit pand liggen.

4. Het aantal 65 plussers per postcode wordt verdeeld over de woonpanden met deze postcode op basis van het bij stap drie berekend aantal gridcellen.

5. De waarde voor een gridcel in een woonpand is berekend door het resulterende aantal 65 plussers per woonpand (resultaat stap 4), te delenen op het aantal gridcellen van dit pand.

6. Iedere gridcel is vervolgens beschouwd als het centrum van een gebied van 200 meter. Voor dit gebied zijn alle 65 plussers van stap 5 die liggen in dit gebied opgeteld en toegekend aan de beschouwde gridcel. Hierbij wordt gebruik gemaakt van de potential functie. 

7. Tenslotte wordt het resultaat van de potentiaal bewerking van stap 5 gedeeld door de omvang van het gebied, resulterend in een dichtheidsmaat.

In essentie wordt hiermee de CBS postcode zes positie postcode data verdeeld over de lokaties uit de BAG met een woonfunctie hebben en vervolgens met een potentiaal bewerking tot een dichtheidsmaat vertaald.

GBA

De getoonde visualisatie op basis van de CBS data geeft een aardig inzicht van de mogelijkheden van dergelijke analyses. In regionale/gemeentelijke projecten wordt i.p.v. de CBS data meestal gebruik gemaakt van de GBA. Dit heeft de volgende voorbeelden:

  1. De GBA is op adresniveau, de CBS data is geaggregeerd (minder ruimtelijk expliciet) naar zes positie postcode niveau.
  2. Het aantal inwoners per postcode in de CBS data is afgerond naar vijftalllen.
  3. De gebruikte GBA data is veelal van een recente datum en kan eenvoudig worden geupdate. De CBS data set dateert van de periode 2008-2010 en de update frequentie is onbekend.
  4. Met de GBA data kunnen alle leeftijdsgroepen bepaald worden (65 plus, maar ook 62, 63, 64 plus etc). Dit is onder andere nodig voor het maken van prognoses. Met de CBS dataset kunnen alleen een beperkt aantal leeftijdsgroepen in kaart worden gebracht.

Aan het gebruik van de GBA data zijn wel voorwaarden verbonden.


OBJECT VISION BV
Vrije Universiteit
De Boelelaan 1085
1081 HV Amsterdam
The Netherlands

tel: +31 (0)20 598 9083
fax:+31 (0)20 598 9904