Economisch succes hangt sterk samen met familieachtergrond

• Vries, S. de (2025a) ESB, te verschijnen. Download [186,18 kb]

Kansenongelijkheid tussen kinderen wordt vaak bepaald aan de hand van het ouderinkomen. Krijgen we een beter beeld als ook andere familiekenmerken, zoals de opleiding en het vermogen van ouders én ooms en tantes, worden meegenomen?

Het afgelopen decennium is de aandacht voor kansenongelijkheid vanuit verschillende richtingen toegenomen. Vanuit de onafhankelijke kennis- en toezichtorganen kwam er tien jaar geleden al expliciete aandacht voor kansenongelijkheid in meerdere beleidsrapporten (WRR, 2014; SCP, 2014; Inspectie van het Onderwijs, 2016). Sindsdien is ook de politieke aandacht voor dit thema toegenomen. In het regeerakkoord van 2021 werd kansengelijkheid expliciet genoemd als speerpunt, en inmiddels hebben meer dan honderd gemeenten binnen het Programma Gelijke Kansen initiatieven opgezet om de onderwijskansen van kinderen te verbeteren. Daarnaast laat een analyse van kranten­archieven van de grote dagelijkse kranten op Nexus Uni zien dat het gebruik van de term ‘kansenongelijkheid’ ook in de media de afgelopen tien jaar sterk is toegenomen.

Ondanks de toenemende aandacht voor kansenongelijkheid in de beleidswereld, de politiek en de media is er nog verrassend weinig bekend over de werkelijke omvang van de kansenongelijkheid in Nederland. In De Vries (2025a) laat ik zien dat de intergenerationele inkomensmobiliteit in Nederland relatief laag is in vergelijking met in veel andere landen. Deze maatstaf is echter niet volledig. Zo is deze maatstaf alleen gebaseerd op inkomensgegevens van ouders en kinderen, en zegt het niets over de ongelijkheid in andere kinduitkomsten.

In dit artikel breng ik de kansenongelijkheid in Nederland beter in kaart door niet alleen te kijken naar het inkomen van kinderen, maar ook hun genoten onderwijs en betrokkenheid bij criminaliteit. Ik voorspel deze drie kinduitkomsten zowel op basis van het ouderinkomen als op basis van een bredere set familiekenmerken. Hoe beter kinduitkomsten te voorspellen zijn, hoe beter vastgesteld kan worden welke kinderen mogelijk gebaat zijn bij gerichte beleidsinterventies.

Data

Om de kansenongelijkheid in de kinduitkomsten in kaart te brengen, maak ik gebruik van microdata van het Centraal Bureau voor de Statistiek. Voor de ongelijkheid in inkomen neem ik kinderen geboren tussen 1980 en 1989 mee. Ik kijk naar het bruto-huishoudensinkomen van kinderen en het bruto-huishoudensinkomen van hun ouders (De Vries, 2025). De uiteindelijke dataset voor inkomen bevat 1.704.065 ouder–kindparen.

Voor de onderwijsuitkomsten beperk ik mij tot kinderen geboren tussen 1985 en 1989, aangezien alleen voor deze cohorten een volledige dataset beschikbaar is. Als onderwijsuitkomst neem ik het aantal jaren dat iemand onderwijs heeft gevolgd. Dit bepaal ik aan de hand van het hoogste opleidingsniveau dat een kind heeft behaald (het daadwerkelijke aantal gevolgde onderwijsjaren is niet beschikbaar). Dit opleidingsniveau vertaal ik naar het minimaal aantal jaren (gerekend vanaf het begin van de basisschool) om dat niveau te bereiken: zo komt een vmbo-diploma overeen met twaalf jaar en een universitaire bachelor met zeventien jaar. De dataset voor onderwijs bevat 908.876 ouder–kindparen.

Ook voor de analyse van criminaliteit beperk ik me tot kinderen geboren tussen 1985 en 1989. Ik richt me specifiek op gewelddadige misdrijven, zoals diefstal met geweld, beroving en mishandeling. Als criminaliteitsuitkomst gebruik ik een indicator die aangeeft of een kind tussen zijn 20e en 33e levensjaar verdacht is geweest van een gewelddadig misdrijf (informatie over daadwerkelijke veroordelingen is niet beschikbaar). Bij deze uitkomst kijk ik uitsluitend naar mannen – uit mijn data volgt dat zij grotendeels verantwoordelijk zijn voor gewelddadige misdaden (84 procent). De dataset voor criminaliteit bevat 463.625 ouder–kindparen.

Om kansenongelijkheid te bepalen neem ik een brede set aan familiekenmerken mee (tabel 1). De variabelen over de familieachtergrond zijn afzonderlijk geconstrueerd voor vaders en moeders, met uitzondering van het huishoudensinkomen en het vermogen, die op gezinsniveau zijn berekend. Ik focus op juridische ouders, en dus niet op andere mogelijke zorgdragers zoals stiefouders.

Model

Om de kansenongelijkheid in Nederland in kaart te brengen, gebruik ik twee voorspelmodellen. Het eerste model voorspelt het inkomen van kinderen uitsluitend op basis van het ouderlijk inkomen. Dit fungeert als referentiepunt voor het tweede model, dat gebruikmaakt van alle familie-informatie.

Voor het maken van de voorspellingen maak ik gebruik van gradient-boosted decision trees. Bij dit machinelearning-model worden verschillende beslisbomen gecombineerd om tot de beste voorspellingen te komen. Deze methode biedt voordelen ten opzichte van een lineaire regressie, omdat deze methode effectief kan omgaan met non-­lineaire relaties en interacties tussen verschillende variabelen. Het machinelearning-model wordt eerst getraind op tachtig procent van de data om de onderliggende patronen in de data te leren kennen. Vervolgens worden de voorspellingen gemaakt op de twintig procent van de data (de testdata) die het model nog niet gezien heeft. Een uitgebreide beschrijving van de methodologie is te vinden in De Vries (2025b).

Een meting van kansenongelijkheid

Wat betreft de uitkomsten kijk ik afzonderlijk naar het inkomen, het onderwijsniveau en de kans op criminaliteit van het kind.

Inkomen

Inkomensverschillen tussen kinderen blijken beter verklaarbaar wanneer een brede set aan familiekenmerken wordt meegenomen. Een voorspelmodel dat enkel op basis van het ouderinkomen voorspelt, verklaart 10,5 procent van de inkomensvariatie, terwijl een voorspelmodel dat een brede set aan familiekenmerken meeneemt, 16,6 procent van de variatie verklaart.

Het uitgebreide model blijkt dan ook beter in staat kansrijke en kansarme kinderen in kaart te brengen dan het model op basis van alleen inkomen (figuur 1a). In het uitgebreide model hebben de kinderen met de laagste voorspelde inkomens een gemiddelde inkomensrang van 18 en de kinderen met de hoogste voorspelde inkomens een van 78: het verschil in inkomen tussen deze rangen is 140.000 euro. Bij het model op basis van alleen kinderen ligt dit verschil lager: de inkomensrang loopt dan van 31 tot 70 met een bijbehorend inkomensverschil van 90.000 euro. Vooral bij de meest benadeelde kinderen maakt de extra meegenomen informatie over familiekenmerken een verschil.

Kansarme kinderen hebben te maken met cumulatieve nadelen: hun ouders hebben vaak een laag inkomen, weinig vermogen, een laag opleidingsniveau, zijn jong en gescheiden, kampen met gezondheidsproblemen, zijn vaker verdacht van criminaliteit en komen zelf uit minder welvarende families. Kansrijke kinderen groeien juist op in families waarin zowel de ouders als de ooms en tantes hoge inkomens en vermogen hebben, veelal universitair geschoold zijn, en waarbij de ouders vaak nog samen zijn.

Onderwijs

Ook verschillen in onderwijsresultaten zijn beter te verklaren wanneer de familieachtergrond wordt meegenomen (figuur 1b). Het gemiddelde opleidingsniveau van de meest kansarme kinderen ligt onder de twaalf jaar, wat minder is dan een startkwalificatie. Tegelijkertijd ligt het gemiddelde opleidingsniveau van de meest bevoordeelde kinderen boven de zeventien jaar, wat overeenkomt met een bachelordiploma. Consistent met de resultaten voor inkomen blijkt dat het model beter kan voorspellen wie laag- of hoogopgeleid is wanneer er meer familie-informatie wordt toegevoegd. De verklarende waarde verdubbelt zelfs: van 12,7 procent tot 25,7 procent. De verklarende waarde van het uitgebreide model is daarmee ook aanzienlijk hoger voor onderwijs dan voor inkomen. Dit betekent dat het opleidingsniveau van kinderen nog sterker samenhangt met familieachtergrond dan hun inkomen.

Criminaliteit

Voor de meeste jongens (ongeveer tachtig procent) is de kans om verdacht te worden van een gewelddadig misdrijf minder dan tien procent (figuur 1c). Bij de overige twintig procent van de jongens is er een verhoogd risico op een verdenking. Het uitgebreidere model kan jongens vaststellen met een risico dat oploopt tot bijna zestig procent. Gewelddadig gedrag is sterk geconcentreerd in de meest benadeelde gezinnen. Dit suggereert dat interventies om gewelddadige misdaad te verminderen waarschijnlijk het meest effectief zijn wanneer ze zich richten op deze kwetsbare groep jongens.

Tot slot

Er zijn grote verschillen zijn tussen kinderen uit verschillende families in termen van inkomen, afgerond onderwijs en criminaliteit, en deze verschillen worden flink onderschat wanneer alleen naar het inkomen van ouders wordt gekeken.

Beleidsinterventies die zich richten op kinderen op basis van een enkel kenmerk, zoals het inkomen van de ouders, lopen dus het risico om de meest kwetsbare kinderen niet goed te bereiken. Met een bredere set familiekenmerken kunnen kinderen met relatief slechte economische kansen beter worden geïdentificeerd.

Op basis van de huidige resultaten kan weinig worden gezegd over welk beleid kansenongelijkheid effectief kan beperken. Hiervoor zijn (natuurlijke) experimenten noodzakelijk. Buitenlandse experimenten tonen aan dat gerichte interventies, zoals voorschoolse educatie (García et al., 2023), gezondheidszorg in de vroege kindertijd (Almond et al., 2018), mentorprogramma’s (Resnjanskij et al., 2024), en criminaliteitspreventie (Heller et al., 2017) langdurige positieve effecten kunnen hebben. Daarbij hangt de effectiviteit ook af van de mate waarin interventies de meest benadeelde kinderen bereiken: door een lage participatiegraad zijn zelfs effectieve interventies soms slechts beperkt aan hen besteed (Cornelissen et al., 2018). Vergelijkbare experimenten in Nederland kunnen beleidsmakers helpen bepalen welke interventies het meest effectief zijn in het verkleinen van kansenongelijkheid.

Literatuur

Almond, D., J. Currie en V. Duque (2018) Childhood circumstances and adult outcomes: Act II. Journal of Economic Literature, 56(4), 1360-1446.

Cornelissen, T., C. Dustmann, A. Raute en U. Schönberg (2018) Who benefits from universal child care? Estimating marginal returns to early child care attendance. Journal of Political Economy, 126(6), 2356–2409.

García, J.L., J.J. Heckman en V. Ronda (2023) The lasting effects of early-childhood education on promoting the skills and social mobility of disadvantaged African Americans and their children. Journal of Political Economy, 131(6),1477–1506.

Heller, S.B., A.K. Shah, J. Guryan et al. (2017) Thinking, fast and slow? Some field experiments to reduce crime and dropout in Chicago. The Quarterly Journal of Economics, 132(1), 1-54.

Inspectie van het Onderwijs (2016) De Staat van het Onderwijs 2015/2016. Inspectie van het Onderwijs.

Resnjanskij, S., J. Ruhose, S. Wiederhold et al. (2024) Can mentoring alleviate family disadvantage in adolescence? A field experiment to improve labor market prospects. Journal of Political Economy, 132(3),1013–1062.

SCP (2014) Verschil in Nederland: Sociaal en Cultureel Rapport 2014. Sociaal en Cultureel Planbureau, december.

Vries, S. de (2025a) Inkomen kind in Nederland relatief sterk bepaald door dat van de ouder. ESB, te verschijnen.

Vries, S. de (2025b) Measuring family (dis)advantage: Lessons from detailed parental information. Tinbergen Institute Discussion Paper, 2025-010/V.

WRR (2014) Hoe ongelijk is Nederland? Een verkenning van de ontwikkeling en gevolgen van economische ongelijkheid. WRR-verkenning, 28.