Curieuzeneuzen in het woon-werkverkeer in België

Tegen de achtergrond van het Curieuzeneuzen-onderzoek (https://curieuzeneuzen.be) belichten we in deze bijdrage de evolutie van de ruimtelijke ordening gedurende de afgelopen decennia in België en de effecten ervan op het woon-werkverkeer.

Inzicht in de woon-werkdynamiek is belangrijk voor het beleid inzake wonen en werken en de relatie tussen beide.  Daarbij stelt zich de vraag of mensen gaan wonen waar de kans op een geschikte baan optimaal is (wonen volgt werken) dan wel dat instellingen en bedrijven zich eerder vestigen op plaatsen waar veel arbeidspotentieel beschikbaar is (werken volgt wonen).  In België blijkt dit vooral dit laatste het geval te zijn : vaak werken we niet waar we wonen.  Hierbij aansluitend blijkt uit cijfers van Eurostat  dat de werkgelegenheidsgraad in steden in België achterblijft op die op het platteland.  Daarmee behoort België tot een minderheid van landen waar de werkzaamheidsgraad in de steden lager ligt dan erbuiten (De Standaard, 21 september 2018).

We gaan nader in op deze vaststelling aan de hand van censusgegevens over het woon-werkverkeer in België en gegevens over de bevolkingsevolutie in de periode 1975-2015.

Met behulp van de Global Human Settlement Layer (European Commission Science Hub) – een rasterbestand met een schat aan informatie over de bevolking op een zeer laag aggregatieniveau – analyseerden we in de eerste plaats de evolutie van de bevolking in België.  Hiervoor gebruikten we de GHSL-data om een vergelijking te maken tussen de bevolking in resp. 1975 en 2015, telkens binnen een grid van 1 km op 1 km.  De evolutie van de bevolkingsdichtheid in België is voorgesteld in onderstaande mapping.

evobevdichtheid_belgium

De afgelopen vier decennia is de bevolkingsdichtheid het sterkst gestegen in de buitenstedelijke agglomeraties.  Deze evolutie geldt het meest uitgesproken in Vlaanderen.  Eén van de gevolgen van deze ruimtelijke bevolkingsevolutie is dat de actieve bevolking die woont buiten de steden beroepshalve vaak de verplaatsing maakt naar steden die een belangrijke functie vervullen op het vlak van de verzorgende werkgelegenheid (overheid, scholen, detailhandel) en de zakelijke dienstverlening.

Het aanzuigeffect van steden op de werkgelegenheid blijkt eveneens uit onderstaand cartogram waarin de grootte van de gemeenten voorgesteld wordt op basis van de beroepsbevolking die er actief is.  Dit geeft een beeld van werkplaatsconcentraties.  Vooral in Brussel-hoofdstad en de noordrand van Brussel overstijgt het aantal beroepsactieven ruimschoots de bevolking die woonachtig is in deze gemeenten.

CartPNG

De censusgegevens over woon-werkverplaatsingen tussen de gemeenten zijn eveneens gebruikt om een vergelijking te maken tussen de beroepsactieve bevolking die woont én werkt in dezelfde gemeente (residente beroepsbevolking), de actieve beroepsbevolking die van andere gemeenten afkomstig is (instroom) en de actieve beroepsbevolking die buiten de gemeente gaat werken (uitstroom).  Onderstaande punt-densiteitsmap toont ook hier aan dat steden belangrijke werkgelegenheidspolen zijn.  Op enkele uitzonderingen na “kleurt” met name het buitenstedelijke gebied in Vlaanderen (in de driehoek Gent-Antwerpen-Brussel) hoofdzakelijk blauw door de uitstroom van beroepsactieven.

complot4

Er kan weinig twijfel over bestaan dat de hier geschetste evolutie van de ruimtelijke ordening en de repercussies ervan voor het woon-werkverkeer, eveneens samenhangen met de metingen van de luchtkwaliteit in het Curieuzeneuzen-onderzoek.  De matige tot slechte luchtkwaliteit in steden is a.h.w. ingebakken in de ruimtelijke ordening zoals deze de afgelopen decennia vorm heeft gekregen.  Zowel de aanpak van het mobiliteitsvraagstuk als het verbeteren van de leefomgeving zijn afhankelijk van maatregelen die het fossiele brandstofgebruik op passende wijze inperken.

 

 

 

 

 

Text mining and social network analysis of Twitter data – Part 1

Twitter is one of the most popular social networks through which millions of users hare information and express views and opinions.  The rapid growth of internet data is a driver for mining the huge amount of unstructured data that is generated to uncover insights from it.

In the first part of this post we explore different text mining tools.  We collect tweets containing the “#MachineLearning” hashtag, prepare the data and run a series of diagnostics to mine the text that is contained in tweets.  We also examine the issue of topic modeling that allows to estimate the similarity between documents in a larger corpus.

Download and read the full document : Text Mining and Social Network Analysis of Twitter Data Part 1

Evolutie van de kansarmoede in Vlaanderen, 2001 – 2016

Jaarlijks worden door Kind en Gezin de cijfers gepubliceerd van het aandeel kinderen dat in kansarmoede leeft t.o.v. het totaal aantal kinderen.  In 2016 bedroeg de kansarmoede-index  – die gebaseerd is op sociaal-economische criteria (inkomen, arbeidssituatie en opleiding) naast huishouding, de ontwikkeling van de kinderen en de gezondheid – 12,82 %.  Dit is een stijging van 0,8% t.o.v. het jaar voordien (https://www.kindengezin.be/Evolutie-kansarmoede-index-gemeentelijk-niveau-2001-2016).

Hieronder geven we de evolutie van de kansarmoede-index in Vlaanderen over de periode 2001-2016 op gemeentelijk niveau weer.

KA2001-2016

Uit het bovenstaande kan opgemaakt worden dat kansarmoede in het Vlaamse Gewest het hoogst is in groot- en centrumsteden.  In deze laatste is in de periode 2001-2016 de kansarmoede het sterkst toegenomen.  Tegelijkertijd tekent zich in deze periode een veralgemening en stijging van de kansarmoede in vrijwel alle gemeenten af.

ka2016_20HL