Burgerperspectief op het toeslagenstelsel. Rapportage van een kwalitatief onderzoek

Kwalitatief onderzoek naar kennis, houding en gedrag van burgers rond toeslagen, uitgevoerd als bouwsteen voor het interdepartementaal beleidsonderzoek Toeslagen. Naast het huidige stelsel zijn vier alternatieve systematieken aan burgers voorgelegd, waaronder toekenning op basis van een vastgesteld inkomen van twee jaar geleden, maandelijkse uitkering van negentig procent en toekenning achteraf op basis van maandinkomen. Toeslagen worden gewaardeerd en het aanvraagportaal wordt positief beoordeeld, maar door onbegrip en gebrek aan gevoelde urgentie geven mensen wijzigingen onvoldoende door, met terugvorderingen tot gevolg. Zekerheid blijkt uit vier facetten te bestaan: geen hoge terugvorderingen, stabiele en voorspelbare bedragen, aansluiting bij de actuele situatie en inzicht in de opbouw. De doelgroep is sterk heterogeen, wat een eenduidige oplossing bemoeilijkt.

Communicatie, reputatie en stakeholdersFinanciële, liquiditeits- en insolventierisico'sVeranderende wet- en regelgeving

Waarom deze indeling: Kern is dat burgers de systematiek niet begrijpen en wijzigingen niet doorgeven zolang de overheid geen duidelijk handelingsperspectief biedt (comms). Hoge terugvorderingen kunnen leiden tot financiele problemen en schulden (financial), en de voorwaarden en de schatting van toekomstig inkomen vloeien voort uit de opzet van de toeslagregelingen (laws).

Toegekend met een AI-model (Opus 5) op basis van de zestien thema's van Risk in Focus; niet door mensen gevalideerd. Om de labels beter te onderbouwen gaan we ze gefaseerd herbeoordelen met een tweede, onafhankelijk model van een andere aanbieder (OpenAI naast Anthropic); vanwege tokenlimieten gebeurt dat stapsgewijs. Ziet u een fout? Laat het weten.

Ministerie

Ministerie van Financiën

Bron

Onderzoeken en evaluaties: MARE

Toegepaste standaard

Extern onderzoek

Datum

2019-09-19

Het rapport zelf

originele publicatie

Omschrijving

samenvatting door een AI-model (Opus 5) op basis van de publicatie

Risicolabels

toegekend met een AI-model (Opus 5) volgens de zestien thema's van Risk in Focus (ECIIA), niet door mensen gevalideerd

Bijgewerkt

augustus 2026