Koppelen 910Leon Willenborg en Nico Heerschap - CBS

A. Oriëntatiefase:
1. Het vaststellen van het doel van de koppeling. Wat moet het resultaat zijn van de koppeling? Is
het doel om zoveel mogelijk koppelingen te realiseren met een geringe mate van zekerheid of
is men alleen geïnteresseerd in koppelingen die met een hoge mate van zekerheid zijn
vastgesteld? Hoe erg is het om een koppeling te missen? Of vindt men het juist erg als een
koppeling ten onrechte wordt gemaakt? Welke koppelvariabelen wil men gebruiken en wat is
de kwaliteit van die koppelvariabelen? Dit soort aspecten bepalen voor een belangrijk deel
uiteindelijk de andere stappen in het koppelproces;
2. Het oplossen van juridische en ethische problemen. Een eerste vraag is of er beperkingen zijn
op het terrein van de privacy, eventueel vastgelegd in de wet. Daarvoor is bij het koppelen van
personen bij het CBS bijvoorbeeld een RIN-nummer geïntroduceerd, dat voor de verwerking
en het koppelen het originele BSN-nummer vervangt. Bij bedrijven dient men er zich
rekenschap van te geven dat de resultaten van gekoppelde bestanden niet bij iedereen in de
buitenwereld positieve reacties uitlokken. Doordat vaak gebruik wordt gemaakt van externe
bestanden zijn ook afspraken nodig met de dataleverancier. Het is niet vanzelfsprekend dat de
resultaten van gekoppelde bestanden vrij aan iedereen (bijvoorbeeld externe onderzoekers) ter
beschikking kunnen worden gesteld. Dat geldt met name als het gaat om microdata. Een
andere vraag is hoe de (fysieke) beveiliging van de data geregeld is.
3. Het overleggen met de (externe) dataleveranciers en het verkrijgen van de te koppelen
bestanden. Hierbij gaat het om twee zaken. Ten eerste gaat het om de wijze waarop de
bestanden worden geleverd en wat er wordt geleverd. Te denken valt aan informatie over de
populatie en de betekenis van variabelen (inclusief het domein), het formaat en de structuur
waarin de data worden geleverd. Periodieke levering van te koppelen bestanden moet
uiteindelijk leiden tot goede onderlinge afspraken, die zijn vastgelegd in een SLA of SLL. Een
tweede, even belangrijk, aspect is het verkrijgen van zoveel mogelijk informatie van de
dataleverancier over (de kwaliteit van) de data in het bestand zelf. Daarbij gaat het niet alleen
om informatie over de kwaliteit, maar ook om informatie over hoe de data tot stand is
gekomen en verwerkt; hoe er is waargenomen; of er sprake is geweest van controles en zo ja
welke dan; of er geen vreemde constructies zijn gebruikt, bijvoorbeeld door velden in een
bestand te benutten voor doelen waarvoor ze niet zijn opgezet; hoe moet de kwaliteit van de
data, en dan vooral van de koppelvariabelen, worden ingeschat. Kennis over dit soort zaken
kan in een latere fase van het koppelproces heel veel werk schelen. Het ontwikkelen van deze
benodigde kennis blijkt in de praktijk zeer arbeidsintensief te zijn. Leg de opgedane kennis dan
ook vast. Dat is vooral van belang als er sprake is van veel mobiliteit bij medewerkers;
4. Het bepalen van de te gebruiken software en opslag van de (tussen)resultaten. Binnen het CBS
wordt als koppelprogrammatuur gebruik gemaakt van TRILLIUM, eigen maatwerk en
pakketten zoals MS Access en SPSS. De vraag is welke software het beste past bij het
specifieke koppelprobleem. Voor de opslag van de (tussen)resultaten moet gekeken worden
welke rustpunten kunnen worden benut: zijn lokale rustpunten beschikbaar of moeten die
worden ontwikkeld, of kunnen de (tussen)resultaten in het Data Service Center (DSC), voor
algemeen gebruik door anderen, worden opgeslagen?
18