Policy seminar: Schuldenproblematiek in kaart

Bijna één op de vijf huishoudens in Nederland had in 2015 risicovolle schulden, problematische schulden of zat in een schuldhulpverleningstraject. Bovendien neemt de schuldenproblematiek nog altijd toe. In dit onderzoek maak ik gebruik van variabelenselectiemethodes en Machine Learning om risicofactoren rondom schuldenproblematiek in kaart te brengen en personen in de wettelijke schuldsanering te voorspellen. Vermogen, inkomen, sociaaleconomische categorie, leeftijd en opleidingsniveau zijn belangrijke factoren volgens de variabelenselectiemethodes: Mutual Information, Genetic Algoritm met behulp van Random Forest en gegroepeerde LASSO logistische regressie. Bovendien zijn deze factoren ook belangrijk, als alleen gekeken wordt naar personen met een laag inkomen en een laag vermogen. Daarbij is Random Forest instaat om 90% van personen, zowel in de wettelijke schuldsanering, als niet in de wettelijke schuldsanering, goed te voorspellen. Kortom, dit model is behoorlijk goed instaat personen in de wettelijke schuldsanering te voorspellen en hen vroeg te signaleren.