Data Delen Armoede en Schulden

CBS, Divosa, NVVK en VNG werken samen in het project Data Delen Armoede en Schulden, kortweg DDAS. Met elkaar zorgen we dat er periodiek geautomatiseerd gegevens beschikbaar komen. Hiermee brengen we de resultaten van de dienstverlening rondom armoede en schulden in het algemeen en financiële hulpverlening in het bijzonder in kaart. Denk aan: 

• het aantal hulpvragers
• het aantal en type trajecten 
• de hoogte van schuldbedragen
• doorlooptijden 
• cijfers over uitval

Deze gegevens halen we op bij alle gemeenten in Nederland, zodra daarvoor een goede werkwijze is ontwikkeld.

Werk je als gemeente of schuldhulporganisatie met een softwarepakket van Kred'it, Stratech, Onview of Innovadis? Deze leveranciers zijn nu al aangesloten bij DDAS en gaan als eerste het uitwisselen van gegevens op de nieuwe manier mogelijk te maken.

Technische en juridische informatie

Wil je weten welke gegevens en in welke vorm de gegevens uitgewisseld worden en op welk model de uitwisselspecificaties zijn gebaseerd? Bekijk de technische en juridische informatie. Alles omtrent gegevensuitwisseling vind je op de website van partner VNG.

Wat hebben gemeenten hieraan?

DDAS is een invulling van de basisdienstverlening schuldhulpverlening, dit is een plan om de schuldhulp in Nederland te versterken. Het kabinet, VNG, NVVK en Divosa ondertekenden eerder dit jaar een samenwerkingsovereenkomst. Dit leidt tot een hulpaanbod dat toegankelijker is en in iedere gemeente bestaat uit minimaal dezelfde elementen. Meer lezen over basisdienstverlening kan op deze pagina van VNG.

• Gemeenten worden ontlast door minder (handmatige) uitvragen. 
• Gemeenten hebben sneller en beter inzicht in het (effect van) armoede en schuldenbeleid en de situatie van inwoners. 
• Er is een betere kwaliteit van informatie: meer eenduidige gegevens over armoede en schulden. 

Wat willen we bereiken met DDAS?

• Standaardiseren door dezelfde definities te gebruiken. 
• Optimaliseren doordat alleen wordt uitgevraagd wat nodig is. 
• Flexibiliseren door de data voor meerdere doelen te gebruiken.