Hoe kunnen we de kans op energiearmoede in Fryslân gedetailleerd in kaart brengen? Data-scientists van Súdwest-Fryslân, de gemeente Leeuwarden, Elkien en DataFryslân gingen de afgelopen maanden met deze vraag aan de slag. Deze samenwerking resulteerde in een model dat tot op postcode-niveau de kans op energiearmoede voorspelt. En dit biedt waardevolle handvatten om tot een effectieve aanpak te komen.
Energiearmoede: een thema dat volop in de schijnwerpers staat. Torenhoge energieprijzen, energietransitie: ze zorgen ervoor dat zo’n tien procent van de Nederlandse huishoudens moeite heeft om de energierekening te betalen. Gemeenten kunnen hierin ondersteuning bieden. Bijvoorbeeld door inwoners met lage inkomens te helpen om hun energierekening omlaag te krijgen. In de gemeenten Súdwest-Fryslân en Leeuwarden zijn daarvoor al programma’s en energiecoaches in het leven geroepen.
Lastig in beeld te brengen
De aanpak van energiearmoede is echter een lastige opgave. ‘Inkomen, woningtype, gezinssamenstelling: er zijn veel factoren die kunnen bijdragen aan energiearmoede. En je kunt niet overal achter de voordeur kijken. Dit maakt het lastig om dit probleem goed in beeld te krijgen, daar beleid op te maken en vervolgens hulp zo gericht mogelijk in te zetten’, vertelt Taeke van der Laan, data-scientist bij Súdwest-Fryslân. Zo ontstond het idee om samen met DataFryslân – een coöperatie van Friese maatschappelijke organisaties – een oplossing te ontwikkelen.
Data/LAB
Binnen een Data/LAB gingen zes data-scientists aan de slag met deze uitdaging. Jan-Daem de Langen, programmaleider bij DataFryslân: ‘We hebben eerst met elkaar gedefinieerd wat wij onder energie-armoede verstaan: laag inkomen, hoog energieverbruik. Vervolgens hebben we gekeken naar welke data daar iets over kunnen zeggen. Dan kun je denken aan woningtype, energieverbruik, gezinssamenstelling of energielabels. Aan de hand daarvan hebben we allerlei landelijke en gemeentelijke datasets bij elkaar gebracht zoals WOZ-data, bijstandsgegevens, inkomensdata en verbruikscijfers.’
Nieuwe inzichten
Vervolgens was het de kunst om van al die data bruikbare informatie te maken, vertelt data-specialist Wendy Hartog-Bokhorst: ‘De ene dataset gaat bijvoorbeeld tot op buurtniveau, terwijl je met een andere tot op woningniveau kunt kijken. Toch vonden we meerdere factoren en correlaties die samenhangen met energiearmoede.’ Dit leidde tot nieuwe inzichten: ‘Zo is iemand die in een particuliere huurwoning woont kwetsbaarder dan iemand die huurt via de woningcorporatie. En we ontdekten dat er ook in woningen met energielabel C al een grotere kans op energiearmoede kan zijn.’
Energiearmoede-kaart en datamodel
De uitkomsten werden vertaald naar een energie-armoedekaart voor de gemeenten Súdwest-Fryslân en Leeuwarden. Van der Laan: ‘Hierop kun je zien in welke wijken, buurten en straten de kans op energiearmoede hoger is dan elders. Ook ontwikkelden we een concept-datamodel waarmee andere gemeenten energiearmoede kunnen voorspellen en in kaart kunnen brengen. Dit model biedt 85% zekerheid en kan hiermee bestuurders, beleidsmakers en energiecoaches de nodige richting geven.’
In de gemeenten Súdwest-Fryslân en Leeuwarden wordt de kaart al opgenomen in de planvorming voor de aanpak van energiearmoede. De Langen: ‘Zo kun je als beleidsmaker of energiecoach gerichtere plannen én keuzes maken nu je weet in welke buurt de kans op energiearmoede groter is. Uiteraard willen we kijken hoe we deze kaart én ons model betrouwbaarder kunnen maken en hoe we energiearmoede in de toekomst kunnen gaan monitoren. Neemt niet weg dat we met deze tool alvast een waardevolle stap hebben gezet in de bestrijding van energiearmoede.’
Bron: gemeente Súdwest-Fryslân
