Adoptie digitale technologieën hoger in agglomeraties

• Rouwendal, H.-J. en A. Weterings (2026) ESB, te verschijnen. Download [371,74 kb]

Volgens het rapport van Draghi is de adoptie van digitale technologieën essentieel voor het verhogen van de productiviteit van Europese bedrijven. Bedrijven in agglomeraties zouden hier eerder toe overgaan, maar empirisch bewijs daarvoor is schaars vanwege beperkte data over technologie-adoptie. Vacaturegegevens bieden nieuw inzicht in de adoptie van digitale technologie.

Volgens het rapport van Draghi (2024) is het stimuleren van digitalisering noodzakelijk om de productiviteit van Europese bedrijven te verhogen. Gebeurt dit niet, dan dreigt Europa de concurrentiestrijd met de Verenigde Staten en China te verliezen. Het kabinet-Schoof nam deze aanbeveling over in zijn reactie op het rapport van Draghi: “Om onze achterstand op digitalisering te overbruggen is innovatie en een fundamentele versterking van talentontwikkeling essentieel” (Rijksoverheid, 2024). Het kabinet-Jetten zet deze lijn door, zo laat het regeerakkoord zien (Rijksoverheid, 2026).

Werner (2025) stelde eerder in ESB dat het ontwikkelen van generiek toepasbare technologieën, zoals ICT en daarbinnen AI, op zichzelf niet zorgt voor productiviteitsgroei. Die ontstaat pas bij een productieve wisselwerking tussen verbetering van de technologie zelf, en breed en intensief gebruik in de economie. Naast technologie­ontwikkeling is dus ook de adoptie van digitale technologieën door Nederlandse bedrijven nodig om het streven van Draghi’s rapport waar te maken.

Voor het efficiënt stimuleren van technologieadoptie is kennis nodig over wanneer bedrijven hiertoe overgaan. Hägerstrand (1967) en Thompson (1968) stelden al dat bedrijven eerder nieuwe technologieën adopteren als ze zijn gevestigd in een zogenoemde agglomeratie, dat wil zeggen in een gebied waar zich veel bedrijven concentreren. Dankzij de korte afstanden tussen de bedrijven in agglomeraties is de kans groter dat ondernemers en medewerkers van verschillende bedrijven elkaar regelmatig spreken over hun werk en de nieuwste ontwikkelingen. Ook zijn mensen die in economische concentratiegebieden werken vaak meer gespecialiseerd, en de vele alternatieve werkgevers daar maken specialisatie lucratief en minder risicovol. Gespecialiseerde arbeidskrachten hebben vaak eerder en meer kennis van nieuwe ontwikkelingen in hun vakgebied. Daarnaast kunnen bedrijven in economische concentratiegebieden meer urgentie voelen om nieuwe technologieën te adopteren omdat ze zich meer bewust zijn van de activiteiten van hun concurrenten.

Hoewel de sterk toegenomen globalisering en digitalisering de voordelen van agglomeraties naar verwachting iets hebben afgezwakt, geldt dat waarschijnlijk vooral voor bedrijven die nieuwe digitale technologieën ontwikkelen. Die bedrijven zijn vaak internationaal actief en hun concurrenten bevinden zich daardoor vaak buiten Nederland. Ook trekken ze werknemers van over de hele wereld aan. De groep bedrijven die nieuwe technologieën (kunnen) toepassen in hun productieproces bestaat echter ook uit bedrijven die nationaal en in veel gevallen zelfs regionaal actief zijn. Voor de adoptie van nieuwe technologieën kunnen de genoemde agglomeratievoordelen daarom nog altijd opgaan.

Ondanks de theoretische verwachtingen is er nog beperkt empirisch bewijs over het belang van agglomeraties bij het stimuleren van technologie-adoptie. Dat komt omdat er, in tegenstelling tot voor technologieontwikkeling, weinig gegevens beschikbaar zijn over de adoptie van technologieën door bedrijven. In dit artikel benutten wij een nieuwe databron die hier wel zicht op kan bieden: vacaturegegevens. Aan de hand daarvan verkennen we de rol van agglomeraties voor de adoptie van digitale technologieën.

Vacatures en technologie-adoptie

We beschouwen het type kennis en vaardigheden dat in vacatures wordt gevraagd als een indicatie voor de (geplande) adoptie van nieuwe technologieën door een bedrijf. Wanneer bedrijven nieuwe technologieën implementeren, veranderen de werkzaamheden van (een deel van) de werknemers. Voor dat nieuwe werk hebben zij vaak andere vaardigheden nodig (Cirillo et al., 2023). Om nieuwe werknemers direct in te kunnen zetten, zal het bedrijf mensen zoeken die al over de kennis en vaardigheden beschikken om met de nieuw geïmplementeerde technologie te werken. Zo’n verandering in de benodigde vaardigheden komt daarom naar voren in de vacatures van het bedrijf.

Om de regionale verschillen in de vraag naar nieuwe digitale vaardigheden te meten, gebruiken we vacature­gegevens uit 2012 en 2020. Deze data zijn verzameld door HR-softwarebedrijf Textkernel door middel van webscraping – een techniek waarbij websites worden gescand op het voorkomen van vacatures. Hiermee verzamelt ­Textkernel vrijwel alle vacatures die op Nederlandse bedrijfs- en vacaturewebsites staan.

Een nadeel van webscraping is dat niet altijd alle relevante vacaturegegevens worden verzameld. Voor de analyse hebben we informatie nodig over het type beroep, de locatie van de openstaande baan, het gevraagde opleidings­niveau en een taakomschrijving. Die informatie is beschikbaar voor 41 procent van het totale aantal door Textkernel verzamelde vacatures. Een aanzienlijk deel van de vacatures kan dus helaas worden gebruikt voor de analyse.

Met behulp van een door Centerdata ontwikkelde taxonomie bepalen we of er digitale kennis en vaardigheden in de taakomschrijving van de vacature worden genoemd, en, zo ja, welke (Prüfer et al., 2022). Deze taxonomie is vooral gericht op het vaststellen van digitale en algemene vaardigheden en bestaat uit een lijst van zo’n 6.000 kennisvelden en vaardigheden. Hiermee detecteren we in de door ons geselecteerde vacatures zo’n 3.000 kennisvelden die ofwel letterlijk voorkomen in de vacaturetekst of via een synoniem. Voor beide meetjaren hanteren we dezelfde taxonomie en selecteren we alleen de digitale vaardigheden.

We selecteren de vacatures over ‘emerging digital technologies’ aan de hand van drie criteria: ten eerste een recente en snelle toename in adoptie, ten tweede relevantie voor de huidige en toekomstige digitale transformatie van organisaties en productiesystemen, en ten derde brede toepasbaarheid als generieke technologie (Ciarli et al., 2021; ­Bouwmans et al., 2024). De snelle adoptietoename van digitale kennisveleden bepalen we – in navolging van Deming en Noray (2020) – door te kijken naar welke digitale kennisvelden en vaardigheden in vacatures uit 2020 meer dan twintig keer vaker worden gevraagd dan in die uit 2012. Dit levert een lijst van 61 digitale kennisvelden en vaardigheden op. Hiervan zijn er 34 updates van al bestaande softwarepakketten. Die laten we buiten beschouwing omdat deze niet echt nieuw zijn en daarmee niet voldoen aan het tweede criterium. Ook laten we twaalf andere vaardigheden buiten beschouwing vanwege het ontbreken van een brede toepasbaarheid.

In tabel 1 staan de kennisvelden en vaardigheden die we hebben geselecteerd en hoe vaak deze werden vermeld in de taakomschrijving van vacatures in 2012 en 2020. Het gaat om expertise op het gebied van nieuwe digitale ontwikkelingen zoals Artificial intelligence, Machine learning, Deep learning, Chatbots, RPA, Blockchain en Internet of things. Daarnaast betreft het technologieën die bedrijven kunnen toepassen om hun systemen flexibeler, schaalbaarder en kostenefficiënter te maken en te beheren (zoals Docker, ­Kubernetes, Microservices, Spark, Data lakes en GraphQL).

Analyse

De beschrijvende data voor Nederlandse gemeenten laten zien dat – in lijn met onze verwachting – het aandeel vacatures waarin ten minste een van de geselecteerde kennisvelden en vaardigheden wordt gevraagd hoger is in meerdere gemeenten met een hogere concentratie van banen, zoals in Amsterdam, Utrecht en omliggende gemeenten (figuur 1). We gebruiken daarbij het aantal banen per vierkante kilometer als indicator voor de mate van concentratie van banen en daarmee de mogelijke aanwezigheid van agglomeratievoordelen.

Tegelijkertijd zijn er meerdere gemeenten waar niet zo veel banen zijn met een hoog aandeel vacatures waarin digitale vaardigheden worden gevraagd. Het is mogelijk dat in die gemeenten het totale aantal vacatures laag is, waardoor het aandeel hoog kan zijn wanneer er slechts in enkele banen naar digitale vaardigheden gevraagd wordt.

Om beter zicht te krijgen op de relatie tussen agglomeraties en de adoptie van digitale technologieën, schatten we een logistische regressie. Met die analyse onderzoeken we of de banendichtheid van de gemeente positief samenhangt met de kans dat in een vacature ten minste een van de digitale kennisvelden en vaardigheden uit tabel 1 wordt gevraagd. Een positieve samenhang is een indicatie dat agglomeratievoordelen een rol spelen bij de adoptie van nieuwe digitale technologieën, maar het betekent niet noodzakelijk dat die adoptie ook stijgt als de banendichtheid in een gemeente toeneemt. Omdat we de samenhang in één jaar bekijken, kunnen we niet uitsluiten dat de relatie (ook) andersom verloopt, dat wil zeggen, dat meer vraag naar digitale vaardigheden gepaard gaat met een groei van banen. Ook kunnen er factoren spelen waar we geen data voor hebben, die zorgen voor zowel een hogere banendichtheid als meer vraag naar digitale vaardigheden.

Resultaten

De resultaten van de regressieanalyse laten ook zien dat digitale adoptie vaker plaatsvindt in agglomeraties (tabel 1). We schatten eerst de relatie zonder te controleren voor overige geobserveerde kenmerken (model 1) en vinden dat wanneer de openstaande baan zich bevindt in een gemeente met een hogere banendichtheid de kans groter is dat er in de vacature naar nieuwe digitale kennisvelden en vaardigheden wordt gevraagd (tabel 2).

De positieve relatie tussen banendichtheid en de vraag naar digitale kennisvelden en vaardigheden kan echter ook de verschillen tussen gemeenten in de daar aanwezige banen weerspiegelen. Een uitsplitsing van de vraag naar digitale kennisvelden en vaardigheden naar beroep laat zien dat deze veel vaker worden gevraagd in vacatures voor ICT-beroepen, zoals softwareontwikkelaars, systeemanalisten en app-programmeurs, dan voor andere beroepen. Banen voor ICT’ers zijn niet gelijkmatig verdeeld over het land maar concentreren zich vooral in de regio Amsterdam–Utrecht; het gebied waar relatief veel naar digitale vaardigheden wordt gevraagd en veel banen zijn (figuur 1). In model 2 controleren we daarom voor verschillen tussen beroepen in de vraag naar digitale vaardigheden. We schatten de relatie tussen banendichtheid en de vraag naar digitale vaardigheden door verschillen tussen gemeenten te vergelijken voor vacatures binnen hetzelfde beroep. Daarbij onderscheiden we 436 beroepen volgens de viercijferige ISCO-2008-­beroepenindeling.

Figuur 1: Aandeel vacatures met vraag naar nieuwe digitale kennisvelden en vaardigheden in 2020

Ook wanneer we controleren voor beroepen blijft de relatie tussen banendichtheid en de vraag naar nieuwe digitale vaardigheden in vacatures positief en statistisch significant. Wel wordt de coëfficiënt kleiner. De positieve samenhang in model 1 wordt dus deels verklaard door verschillen in beroepsstructuur tussen gemeenten, maar niet volledig.

Eerder onderzoek laat zien dat in vacatures voor banen in agglomeraties het totale aantal gevraagde vaardigheden vaak hoger is dan voor banen elders in het land (­Rouwendal en Koster, 2025). Een groter aantal gevraagde vaardigheden vergroot de kans dat een van de gevraagde vaardigheden overeenkomt met die uit de lijst in tabel 2. Ook het benodigde opleidingsniveau voor de baan kan de vraag naar digitale vaardigheden beïnvloeden, en in steden zijn over het algemeen meer banen voor hoger opgeleiden, ook binnen beroepen. Daarom hebben we deze kenmerken van vacatures samen met nog een aantal kenmerken in model 3 toegevoegd.

De resultaten van model 3 bevestigen dat zowel het totale aantal gevraagde vaardigheden als een hoger opleidingsniveau van kandidaten positief samenhangen met de kans dat in een vacature naar nieuwe digitale vaardigheden wordt gevraagd. Maar de positieve samenhang tussen banendichtheid en de vraag naar digitale vaardigheden blijft statistisch significant in model 3, wat suggereert dat agglomeratievoordelen een rol spelen.

Op basis van model 3 hebben we berekend hoe de basiskans verandert als de banendichtheid in een gemeente toeneemt. In 1,96 procent van alle vacatures in onze analyse wordt naar minimaal één nieuwe digitale vaardigheid gevraagd. Gemiddeld over alle vacatures in de steekproef verhoogt een toename van 1.000 banen per vierkante kilometer deze kans met 0,3 procentpunt, overige kenmerken constant gehouden. Dit effect verloopt niet lineair, maar is groter voor gemeenten waar de banendichtheid hoger is. Zo neemt de kans in gemeenten met een banendichtheid als Zwolle en Groningen (ruim 800 banen per vierkante kilometer) met ongeveer 0,23 procentpunt toe, terwijl het effect voor Amsterdam (3.900 banen per vierkante kilometer) circa 0,34 procentpunt is. Hoewel het effect niet heel groot is (duizend banen meer per vierkante kilometer is ook in Amsterdam aanzienlijk), laat het wel zien dat de digitale adoptie in agglomeraties hoger is.

Conclusies en gevolgen voor beleid

De resultaten van onze analyse zijn consistent met de aannames uit de agglomeratietheorie: voor bedrijven die zijn gevestigd in gemeenten met een grotere concentratie banen is de kans groter dat zij in hun vacatures vragen naar kennis van de nieuwste digitale ontwikkelingen dan voor bedrijven in gemeenten met een lagere banendichtheid. Dat bedrijven in agglomeraties vaker naar digitale vaardigheden vragen, suggereert dat ze eerder zulke technologieën adopteren als ze zijn gevestigd nabij andere bedrijven.

Het kan zijn dat de ruimtelijke concentratie van banen eraan bijdraagt dat bedrijven meer op de hoogte zijn van nieuwe ontwikkelingen of meer druk voelen om hun concurrenten voor te zijn, zoals de agglomeratietheorie veronderstelt. Het is echter ook mogelijk dat alleen meer vooruitstrevende bedrijven kunnen overleven of zich vestigen in economische concentratiegebieden, bijvoorbeeld vanwege de hogere kosten voor huisvesting of arbeid. Ook kunnen getalenteerde werknemers met kennis over de nieuwste digitale ontwikkelingen vaker gaan werken in de economische concentratiegebieden omdat ze daar beter betaald krijgen of sneller carrière kunnen maken. Als ondernemers buiten de concentratiegebieden weten dat hun kans om zulk gespecialiseerd personeel aan te trekken klein is, nemen ze mogelijk minder snel digitale vaardigheden in hun vacaturetekst op.

Hoewel onze analyse geen harde uitspraken over causaliteit toelaat, wijzen de resultaten erop dat agglomeraties samenhangen met een grotere kans op de adoptie van nieuwe technologieën, wat positieve gevolgen kan hebben voor de productiviteit van bedrijven.

Als de Nederlandse overheid de productiviteitsgroei van bedrijven wil vergroten, kan het zinvol zijn de economische groei in concentratiegebieden te stimuleren om de voordelen van agglomeraties zo veel mogelijk te benutten. Dit kan bijvoorbeeld door daar gevestigde bedrijven de ruimte te geven om te groeien en werknemers de mogelijkheid te bieden om naar concentratiegebieden te verhuizen door daar woningen te bouwen. Dit is al de focus in het economisch beleid in Nederland van de afgelopen jaren. Zo is het Beethovenproject in Eindhoven gericht op het verder stimuleren van de groei van het technologiecluster rondom ASML.

Wel betekent het stimuleren van bestaande agglomeraties ten behoeve van de productiviteit óók dat de economische verschillen tussen Nederlandse regio’s verder toenemen. Het nieuwe kabinet lijkt dit ongewenst te vinden: in het regeerakkoord (Rijksoverheid, 2026) staat dat het zal voortbouwen op de aanbevelingen uit het advies Elke regio telt (Rli, 2023) dat pleit voor meer investeringen van het Rijk in regio’s buiten de Randstad. Tot nu toe komt dat streven vooral tot uiting in de woningbouwplannen van het Rijk; het nieuwe kabinet wil verspreid over het land nieuwe woningen bouwen.

Met het hanteren van zulke tegenstelde uitgangspunten in het economisch beleid en het woonbeleid loopt het Rijk het risico dat beide niet slagen. Als de banen vooral in de agglomeraties worden gestimuleerd maar daar relatief weinig woningen worden gebouwd, krijgen werkgevers hun vacatures niet vervuld terwijl woningen buiten de Randstad leeg blijven staan.

Literatuur

Bouwmans, M., X. Lub, M. Orlowski en T.-V. Nguyen (2024) Developing the digital transformation skills framework: A systematic literature review approach. Plos one, 19(7), e0304127.

Ciarli, T., M. Kenney, S. Massini en L. Piscitello (2021) Digital technologies, innovation, and skills: Emerging trajectories and challenges. Research Policy, 50(7), 104289.

Cirillo, V., L. Fanti, A. Mina en A. Ricci (2023) The adoption of digital technologies: Investment, skills, work organisation. Structural Change and Economic Dynamics, 66, 89–105.

Deming, D.J. en K. Noray (2020) Earnings dynamics, changing job skills, and STEM careers. The Quarterly Journal of Economics, 135(4), 1965–2005.

Draghi, M. (2024) The future of European competitiveness: A competitiveness strategy for Europe. Europese Commissie Rapport, september. Te vinden op commission.europa.eu.

Hägerstrand, T. (1967) Innovation diffusion as a spatial process. Chicago: The University of Chicago Press.

Prüfer, P., M. den Uijl en P. Kamur (2022) Van beroepen naar skills: een data science-benadering. Tijdschrift voor Arbeidsvraagstukken, 38(2), 237–260.

Rijksoverheid (2024) Kabinetsreactie Draghi-rapport, 4 oktober. Te vinden op www.rijksoverheid.nl.

Rijksoverheid (2026) Aan de slag: Bouwen aan een beter Nederland, Coalitieakkoord 2026–2030. Te vinden op www.kabinetsformatie2025.nl.

Rli (2023) Elke regio telt! Rli Adviesrapport, maart.

Rouwendal, H.J. en S. Koster (2025) Does it take extra skills to work in a large city? Regional Science and Urban Economics, 112, 104094.

Thompson, W.R. (1968) Internal and external factors in the development of urban economies. In: H.S. Perloff en L. Wingo (red.), Issues in urban economics. Baltimore: The John Hopkins Press, p. 43–80.

Werner, G. (2025) AI leidt niet vanzelf tot een productievere economie. ESB, 110(4843), 110–113.

Noot: Standaardfout zijn geclusterd op gemeenteniveau om overschatting van het effect van de onafhankelijke variabelen op dat niveau te voorkomen