De gemeente is verantwoordelijk voor de collectieve gezondheid van haar inwoners, dat is vastgelegd in de Wet Publieke gezondheid (WPG). Vooral voor steden brengt dat uitdagingen met zich mee. De aanwezigheid van veel verkeer, lawaai, criminaliteit, een groot aanbod ongezonde voeding en het wonen in hoge dichtheden kunnen negatieve effecten op de gezondheid hebben. Met het streven naar een gezondere stad is er werk aan de winkel. Geografische analyses kunnen een belangrijke bijdrage leveren aan het formuleren van effectieve maatregelen op het juiste ruimtelijke schaalniveau.
Geografische verschillen in gezondheid binnen steden kunnen groot zijn. Afhankelijk van de plek waar je woont kan het verschil in levensverwachting oplopen tot wel zeven jaar (zie bijvoorbeeld de zorgatlas van het RIVM op https://www.volksgezondheidenzorg.info). Voor een gezonde levensverwachting is dat verschil nog veel groter. Zo kunnen Rotterdamse vrouwen die in Pernis wonen gemiddeld genomen 63 jaar een goede gezondheid verwachten, terwijl in Feijenoord de gezonde levensverwachting voor vrouwen maar 48 jaar is (Gemeente Rotterdam, 2016). De geografische verschillen in gezondheid hangen deels samen met de ruimtelijke uitsortering van mensen met specifieke individuele kenmerken, zoals leeftijd, sociaaleconomische status en levensstijl. Zo wonen mensen met een lage sociaaleconomische status vaak bij elkaar in de buurt omdat ze op dezelfde soort woningen zijn aangewezen. Omdat ze over het algemeen over een slechtere gezondheid beschikken, zijn de gezondheidsscores in deze buurten vaak lager (Molarius et al., 2007). Soms hangen de verschillen samen met omgevingskenmerken van de buurt. Zo blijkt bijvoorbeeld dat in buurten met veel groen de ervaren gezondheid beter en de levensverwachting hoger is (Maas et al., 2006; Jonker et al., 2014). Inzicht in de wisselwerking tussen mens, gezondheid en omgeving is belangrijk om effectieve maatregelen te kunnen nemen om de stad gezonder en gezondheidsverschillen binnen steden kleiner te maken. In dit artikel zoomen we in op geografische analyses die deze wisselwerking in kaart kunnen brengen. In het bijzonder wordt aandacht besteed aan hoe snelle ontwikkelingen op het gebied van dataverzameling en analyse het mogelijk maken om traditionele geografische grenzen te overschrijden. Dit biedt kansen voor stedelijk gezondheidsbeleid op het juiste ruimtelijke schaalniveau.
Integraal gezondheidsbeleid
Een succesvol gezondheidsbeleid vergt zowel op het individu gerichte interventies als interventies in de fysieke en sociale omgeving. Op het individu gerichte interventies zijn bijvoorbeeld armoedebestrijding en investeringen in onderwijs en werk. Bij interventies in de fysieke ruimte gaat het bijvoorbeeld om het aanbieden van goede woningen, gezondheidszorgvoorzieningen, het terugdringen van luchtverontreiniging en ruimtelijke ingrepen met als doel mensen hun gedrag positief te laten aanpassen. Zo kunnen een beweegvriendelijke omgeving in de vorm van parken, speelplekken en veilige verkeerssituaties en een gezond voedselaanbod uitnodigen tot gezonder gedrag en kan het terugdringen van bijvoorbeeld verkooppunten van alcohol en tabak en een rookverbod in publieke en openbare ruimtes ongezond gedrag ontmoedigen (Heinrich et al., 2007; Marashi-Pour et al., 2015). Bij interventies in de sociale omgeving gaat het om het tegengaan van stress en het bevorderen van steun in de directe woonomgeving (Kawachi, 2000). Voorbeelden zijn het terugdringen van criminaliteit en overlast door inzet van straatcoaches en het terugdringen van eenzaamheid en stress door burenoverlast, door het financieel ondersteunen van lokale buurtinitiatieven, zoals buurttuinen, straatfeesten of stadsdorpen waar mensen elkaar kunnen ontmoeten. Het is duidelijk dat het realiseren van een gezonde(re) stad vraagt om inzet vanuit verschillende beleidsterreinen zoals onderwijs, ruimtelijke ordening, sociale zaken en milieu. Tegenwoordig spreekt men dan ook van integraal of intersectoraal gezondheidsbeleid. Het is beleid waarbij de belangrijkste relevante beleidssectoren samenwerken aan het aspect gezondheid met als gemeenschappelijk doel het bevorderen of beschermen van gezondheid. De toegenomen aandacht voor een gezonde stad en de bredere visie op gezondheid komen onder meer tot uitdrukking in de komst van de nieuwe Omgevingswet. Deze wet, die naar verwachting in 2021 in werking zal treden, zet specifiek in op samenwerking tussen gezondheid en ruimtelijke ordening door gezondheid prominent op de ruimtelijke agenda te zetten. De wet zorgt ervoor dat bij elk nieuw ruimtelijk plan gestreefd moet worden naar een gezonde en aantrekkelijke leefomgeving. De Gemeentelijke Gezondheidsdienst (GGD) van een gemeente kan hierbij een belangrijke rol gaan spelen, bijvoorbeeld door bij nieuwe bouwplannen te adviseren over een gezonde leefomgeving. Vooruitlopend op de nieuwe wet gebeurt dat al steeds vaker (zie bijvoorbeeld VNG, 2018).
Geografische dimensie
Om effectieve maatregelen te kunnen nemen is er zeker ook behoefte aan een geografische blik. Een klassiek voorbeeld dat aangeeft dat met een geografische blik grote gezondheidswinst behaald kan worden stamt al uit 1854. In die tijd werkte John Snow als arts in de wijk Soho in Londen ten tijde van een cholera-epidemie. Door de locatie van de slachtoffers en de waterpompen in kaart te brengen kwam Snow erachter welke pomp besmet was en daarmee mogelijk de oorzaak van de epidemie was. Hij adviseerde het gemeentebestuur om de pomp te sluiten en zo hielp hij, dankzij zijn geografische inzicht, de epidemie te stoppen. De aanpak was simpel maar heel doeltreffend.Tegenwoordig hebben we veel meer middelen tot onze beschikking die inzicht geven in de geografische dimensie van gezondheidsvraagstukken. Dat is hard nodig. Er is behoefte aan kennis over de geografische spreiding van gezondheidsdeterminanten en de plekken waar gezondheidsproblemen zich voordoen. In hoeverre hebben omgevingskenmerken invloed op gezondheid en op welke ruimtelijke schaal zijn de effecten het sterkst? Is dat vooral de straat waar iemand woont of gaat het om de wijdere omgeving, zoals de buurt of wijk? Welke mechanismen zitten achter de samenhang tussen omgevingskenmerken en gezondheid? Zijn er plekken in de stad die ongezonder zijn dan andere? Waar zijn die plekken en hoe komt dat? Waar wonen risicogroepen? Zijn zorgvraag en zorgaanbod ruimtelijk goed op elkaar afgestemd? Het antwoord op dergelijke vragen kan komen van geografische analyses.
Data en technologie
De mogelijkheden voor geavanceerde geografische analyses zijn in de afgelopen jaren enorm toegenomen. Dit komt vooral door de toenemende hoeveelheden beschikbare data en de snelle ontwikkelingen op het gebied van geografische informatietechnologie, zoals Geografische Informatie Systemen (GIS). Sinds kort stellen veel gemeenten hun data beschikbaar via een open data portal (zie https://maps.amsterdam.nl/open_geodata). Daarnaast kunnen grote databestanden van verschillende thema’s afkomstig van verschillende bronnen steeds beter aan elkaar worden gekoppeld. Zo kunnen individuele datasets afkomstig van surveys gekoppeld worden aan omgevingsinformatie met betrekking tot inwoners en woningen uit de gemeentelijke basisregistraties (Timmermans et al., 2018). Ook komen steeds meer longitudinale datasets beschikbaar waardoor relaties tussen gezondheid en omgeving preciezer kunnen worden vastgesteld.
Geografische informatietechnologie maakt het mogelijk om op allerlei manieren ruimtelijke data te verzamelen en te analyseren. Zo wordt bijvoorbeeld via sensoren op satellieten, vliegtuigen of drones, maar ook via apps op de mobiele telefoon of webapps data verzameld voorzien van een nauwkeurige geo-locatie (Armstrong, 2016). Ook kan men informatie over verplaatsingsgedrag met behulp van GPS of mobiele telefoons traceren en bijhouden. Verder helpt geografische informatietechnologie om enorme hoeveelheden data zodanig te verwerken en te analyseren dat het zinvolle informatie voor beleidsmakers genereert. Deze ontwikkelingen hebben mede bijgedragen aan de opkomst van een relatief nieuw wetenschappelijk vakgebied dat het grensgebied tussen GIS en gezondheidswetenschappen beslaat: Geohealth. Het vakgebied richt zich onder andere op de vraag hoe geografische informatietechnologie kan bijdragen aan een gezondere leefomgeving.
Soorten geografische analyses
Geografische analyses zijn er in veel soorten. De bekendste worden hier besproken. Allereerst zijn er analyses van ruimtelijke patronen in de vorm van thematische kaarten. Een thematische kaart geeft snel inzicht in het ruimtelijk patroon van een verschijnsel, bijvoorbeeld de ervaren gezondheid of overgewicht. Figuur 1 laat per Amsterdamse wijk het percentage mensen zien dat zegt over een (zeer) goede ervaren gezondheid te beschikken. De kaart toont een ruimtelijk gevarieerd patroon: Amsterdammers in Zuid, IJburg, Zeeburg en Centrum voelen zich gezonder dan de Amsterdammers in Zuidoost, Noord en Nieuw West. Dergelijke kaarten zijn nuttig om bijvoorbeeld gezondheidsverschillen in de stad globaal in beeld te krijgen. Een aantal Gemeentelijke Gezondheidsdiensten hebben online applicaties waarmee dit soort kaarten op te vragen is (zie bijvoorbeeld Gezondheid in Beeld).
De tweede soort geografische analyses betreft analyses gericht op het vaststellen van effecten van blootstelling aan een specifiek omgevingskenmerk op individuele gezondheidsuitkomsten, zoals het effect van luchtvervuiling op luchtwegaandoeningen. Resultaten van dergelijke analyses zijn geen kaarten maar effectschattingen in de vorm van een getal dat de richting en de sterkte van het effect aangeeft. Dergelijke schattingen worden verkregen via regressie-analyses waarbij b-coëfficiënten van variabelen de bijdrage aangeven van de individuele variabelen op een bepaalde gezondheidsuitkomst. Zo ontstaat inzicht in de invloed van bijvoorbeeld leeftijd, opleidingsniveau, geslacht en sociaaleconomische status van de woonomgeving op ervaren gezondheid.
Een derde soort analyse betreft de ruimtelijke afstemming van zorgvraag en aanbod met als doel het optimaliseren van de toegang tot gezondheidszorg en een efficiënte inzet van middelen. Deze analyses kunnen zich bijvoorbeeld richten op het in kaart brengen van de verzorgingsgebieden van huisartsen gebaseerd op het criterium dat iedereen binnen een bepaalde tijd een huisarts zou moeten kunnen bereiken. Ook kan de analyse zich richten op het vinden van de beste locatie voor een bepaald type dienstverlening voor ouderen, bijvoorbeeld een verzorgingsflat. Een GIS vindt potentiele locaties die voldoen aan een aantal voorwaarden; bijvoorbeeld locaties waar een dergelijke voorziening nog niet beschikbaar is binnen een bepaalde afstand, waar de doelgroep in voldoende mate aanwezig is, en met een goede bereikbaarheid.
Figuur 1 Thematische kaart van het percentage inwoners dat een (zeer) goede gezondheid rapporteert (bron; AMG, 2010)
Hotspots, bespoke environments
Geografische analyses worden al heel lang uitgevoerd, meestal op het schaalniveau van de administratieve eenheden (wijken of buurten). Een belangrijke reden hiervoor was dat data lange tijd uitsluitend beschikbaar was op dat schaalniveau. Echter, onder meer door grootschalige herstructureringsprojecten, migratiestromen en een beleid gericht op menging, zijn de kleinste administratieve eenheden (de buurten) vaak zo heterogeen geworden dat aangrenzende straten sterk kunnen verschillen in sociaaleconomische status en andere kenmerken. Op het schaalniveau van de administratieve buurt gaan deze nuances echter verloren, wat dit schaalniveau minder geschikt maakt als eenheid om ruimtelijke patronen weer te geven (Flowerdew et al., 2008; Root, 2012; Siordia & Matthews, 2016; Owen et al., 2016). Er is dus steeds meer behoefte om in te kunnen zoomen op een lager schaalniveau. En dat kan. In de komende paragrafen worden twee manieren besproken waarop dat kan; met behulp van hotspots en zogenaamde bespoke environments.
De beschikbaarheid van micro-data en geografische informatietechnologie maakt het mogelijk om administratieve grenzen los te laten en nieuwe relevantere omgevingen te creëren. Een interessante nieuwe vorm van mapping wordt toegepast in de online GIS-applicatie Regiomonitor Amsterdam. De Regiomonitor Amsterdam is een samenwerkingsproject van de Universiteit van Amsterdam (discipline Geografie, Planologie en Internationale Ontwikkelingsstudies) en de zeven grotere gemeenten in de Regio Amsterdam. De monitor is ontwikkeld voor gebruik door beleidsmedewerkers en voor wetenschappelijk onderzoek. De applicatie laat heel nauwkeurig zien hoe de ruimtelijke ontwikkeling in elk van de deelnemende gemeenten en in de regio Amsterdam verloopt op verschillende terreinen zoals werkloosheid, bevolking, huisvesting en uitkeringsafhankelijkheid.
De kaarten in deze applicatie maken geen gebruik van vooraf vastgestelde administratieve grenzen maar van zogenaamde dynamic geographies: voor elk thema dat in deze applicatie is opgenomen worden nieuwe ruimtelijke eenheden gemaakt. Dat zijn meer natuurlijke gebieden die uit de data zelf voortkomen. Die data zijn uiterst gedetailleerd, op het niveau van zespositie- postcodegebieden, dat zijn hele kleine micro gebiedjes waar Amsterdam er meer dan 18.000 van heeft, met een gemiddeld aantal inwoners van 42 en een gemiddelde oppervlakte van 50 bij 50 meter. De methode is geschikt om ‘ongezonde plekken’ in kaart te brengen waar bijvoorbeeld het aantal verkeersincidenten of de aanwezigheid van snackbars ver boven het stadsgemiddelde ligt. Ook kan de methode gebruikt worden om bepaalde risico- of kwetsbare groepen in kaart te brengen, bijvoorbeeld ouderen of mensen met een lage sociaaleconomische status. De eenheden van deze kaarten worden ruimtelijke concentratiegebieden genoemd, een soort hotspots. Dat zijn plekken waar een bepaald verschijnsel of een bepaalde groep veel meer voorkomt dan gemiddeld in de stad. Volgens deze methode is iets ‘veel meer dan gemiddeld’ als het betreffende verschijnsel of de betreffende groep in een postcode de grens haalt van het stadsgemiddelde plus tweemaal de standaardafwijking. Figuur 2 laat de ruimtelijke concentraties zien van ouderen (75+) in 2017.
Figuur 2 Ruimtelijke concentraties van 75-plussers in Amsterdam
Een dergelijke kaart kan helpen om middelen gerichter in te zetten. De locatie van plekken waar relatief veel ouderen wonen, maakt duidelijk waar specifieke voorzieningen nodig zijn en waar eventuele ingrepen in de fysieke omgeving noodzakelijk zijn om bijvoorbeeld een beweegvriendelijke buurt voor ouderen te realiseren. Zo kunnen bankjes en oversteekplaatsen op de juiste plekken en egale stoepen wandelen in de buurt aantrekkelijker maken.
Figuur 3 Ruimtelijke concentraties van alcohol-gerelateerde ambulance ritten buiten de uitgaansgebieden van Amsterdam
Figuur 3 is volgens dezelfde methode gemaakt en laat voor Amsterdam de plekken zien waar het aantal alcohol-gerelateerde ambulance ritten buiten de bekende uitgaansgebieden veel hoger ligt dan gemiddeld in de stad. Zoals te zien is zijn deze plekken relatief klein, veel kleiner dan een administratieve buurt, en gaan ze soms over grenzen van administratieve buurten heen. De kaarten laten de werkelijke schaal en de werkelijke grens van het verschijnsel zien. Dergelijke analyses kunnen een probleemsignalerende functie hebben. Nader onderzoek op de aangegeven plekken kan de mogelijke oorzaken aan het licht brengen zodat gerichte interventies kunnen plaatsvinden. Doordat verschillende jaren geselecteerd kunnen worden, komt ook de ruimtelijke dynamiek in beeld en kan geëvalueerd worden of bepaalde interventies tot een verbetering van de situatie hebben geleid. Momenteel is er nog geen direct gezondheidsthema in de Regiomonitor opgenomen maar kunnen al wel risico- of kwetsbare groepen in kaart gebracht worden. Voor meer informatie over de constructie van de hotspots en het gebruik in de beleidspraktijk wordt verwezen naar Pfeffer et al., 2012.
Ook geografische analyses die de gezondheidseffecten van blootstelling aan specifieke omgevingskenmerken in de woonomgeving meten, zijn beter af zonder administratieve buurten. Hier spelen twee problemen. Ten eerste is het mogelijk dat een omgevingseffect zich voordoet in een veel kleiner gebied dan de administratieve buurt, waardoor deze te groot is om een effect te kunnen meten; er is dan sprake van een schaalprobleem (Reijneveld, 2000). Ten tweede kunnen mensen die aan de rand van een administratieve buurt wonen zowel te maken hebben met de eigen woonbuurt als aangrenzende buurt, en die kan wel heel andere kenmerken hebben. Dit wordt het grensprobleem genoemd (Flowerdew et al., 2008).
Over de vraag wat dan wél een juiste definitie is van de woonomgeving voor dergelijke analyses is veel discussie. Wetenschappers in dit onderzoeksveld zijn het erover eens dat het juiste schaalniveau voor de meting volgt uit het schaalniveau waarop de onderliggende factoren werken die verantwoordelijk zijn voor de omgevingseffecten op gezondheid (Kwan, 2012). Een voorbeeld van dergelijke factoren is bijvoorbeeld het ervaren van stress door buren. Probleem is echter dat we soms nog helemaal niet weten op welk schaalniveau dat mechanisme werkt. GIS en micro-data bieden de mogelijkheid om flexibel met de ruimtelijke schaal om te gaan. Een veelgebruikte GIS-methode is het toepassen van zogenaamde bespoke environments, dat zijn buffers van een bepaalde grootte om het woonadres van een individu heen. Die buffers kun je zo groot of klein maken als je zelf wilt en plaatsen iemand altijd in het midden van zijn of haar woonomgeving. Op deze manier worden schaalen grensproblemen vermeden (Veldhuizen, 2017). Op figuur 4 is deze aanpak te zien.
Figuur 4 Flexibele buffers die de woonomgeving definiëren
Voor de verschillende buffers kan het effect van bijvoorbeeld de sociaaleconomische status of de etnische compositie van de woonomgeving op ervaren gezondheid gemeten worden. Daartoe wordt micro-data op het schaalniveau van zespositie-postcodegebiedjes geaggregeerd naar het hogere schaalniveau van een buffer. Dit levert natuurlijk een nauwkeurigere meting van de omgeving op vergeleken met data gemeten op het niveau van administratieve buurten. Door vervolgens de omgevingsmaat op het schaalniveau van verschillende buffergroottes in een regressiemodel op te nemen, kan men achterhalen op welk ruimtelijk schaalniveau de effecten het sterkst zijn. Dat levert belangrijke inzichten in de verantwoordelijke mechanismen en aanwijzingen voor zinvolle interventies. Uit Amsterdamse studies waarin deze methode werd toegepast, bleek dat de effecten van deze omgevingskenmerken in Amsterdam niet heel groot zijn, maar duidelijk het sterkst op het laagste schaalniveau, de 50 meter buffer (Veldhuizen, 2017). Dit suggereert dat de onmiddellijke woonomgeving belangrijk is en dat het ervaren van stress of steun van buren een belangrijke factor is. Deze uitkomst kan richting geven aan het woonbeleid omdat dit een instrument is waarmee een gemeente bevolkingssamenstellingen een beetje kan sturen. Dankzij de buffermethode komen kleine pockets of poverty in beeld en blijkt er een negatief effect te zijn op ervaren gezondheid. Dat effect zou over het hoofd worden gezien als op het niveau van de administratieve buurten was gemeten, want er zijn geen grote armoedeconcentraties in Amsterdam mede dankzij de relatief heterogene woningvoorraad op buurtniveau. Het andere omgevingskenmerk, etnische bevolkingssamenstelling, bleek minder eenduidige effecten te hebben. Een heterogene etnische bevolkingssamenstelling bleek geen effect te hebben op ervaren gezondheid maar specifieke combinaties van etnische groepen blijken zowel positieve als negatieve effecten te kunnen hebben. Dit effect bleek ook vooral te werken op een laag schaalniveau en suggereert wederom het belang van het ervaren van stress of steun van buren. Deze uitkomst sluit aan bij ander onderzoek waaruit blijkt dat mensen naar homogeniteit streven op het allerlaagste schaalniveau: ze willen het liefst buren die op hen lijken. Dat is niet verwonderlijk omdat het de aansluiting vergemakkelijkt want gewoontes en gespreksonderwerpen liggen dichter bij elkaar; dit verkleint de kans op stress en vergroot de kans op steun (Neal & Neal, 2014). Vertalend naar beleid suggereert het dat bij herstructureringsprojecten naast een verbetering van de fysieke omgeving, de sociale omgeving, in de vorm van community building, aandacht verdient. Ook geeft het aan dat het zinvol is om financiële steun te verlenen aan initiatieven die gericht zijn op het stimuleren van sociale cohesie op het hele lokale niveau.
Bij andere combinaties van omgevingskenmerken en gezondheidsuitkomsten dan hierboven beschreven kan een ander schaalniveau relevant zijn. Als het bijvoorbeeld gaat om de invloed van veiligheid op beweeggedrag is wellicht een hoger schaalniveau belangrijker. Elk ruimtelijk schaalniveau licht weer andere facetten van gezondheidsvraagstukken en andere interventiemogelijkheden uit.
Nieuwe grenzen
Met microdata en geografische informatietechnologie zijn geografische analyses letterlijk en figuurlijk steeds minder aan grenzen gebonden, maar dat brengt juist andere grenzen naar voren. Er is steeds meer aandacht voor geo-ethiek (Gevaert et al., 2018). Geo-ethiek draait onder meer om privacy. Steeds meer aspecten van ons leven worden opgeslagen in databestanden en gekoppeld aan een locatie, variërend van woonlocatie, locaties die we bezoeken en ons verplaatsingsgedrag. Een belangrijke vraag is wie de eigenaar van deze data is, wie er toegang tot heeft, voor welke doeleinden deze gebruikt mag worden en welke gebruikersvoorwaarden van kracht zijn. Met betrekking tot gebruik van data in geografische analyses gaat het om de spanning tussen de bruikbare informatie die deze analyses kunnen genereren en de privacy van de mensen waarop de data is gebaseerd. Deze spanning speelt vooral als resultaten van analyses worden gepresenteerd in een kaart (Blatt, 2012). De vraag is hoe gedetailleerd de kaart mag zijn zonder de privacy te schenden. Uiteraard moet hier zorgvuldig mee worden omgegaan. In de regel mag individuele data afkomstig van bijvoorbeeld gemeentelijke registraties niet op de kaart worden getoond; individuen mogen nooit traceerbaar zijn. De uitdaging wordt om manieren van presenteren te ontwikkelen die informatiewinst opleveren zonder de privacy te schenden. In de Regiomonitor bijvoorbeeld is de individuele data geaggregeerd naar het niveau van ruimtelijke concentraties en worden alleen ruimtelijke concentraties getoond met een minimaal aantal eenheden van 15.
Een andere grens aan mogelijkheden voor geografische analyses wordt gevormd door de kloof tussen GIS-experts, gezondheidsexperts en beleidsmakers. Het is belangrijk dat GIS-experts bruikbare informatie voor beleidsmakers genereren. Bruikbare informatie betekent enerzijds dat er relevante onderzoeksvragen worden gesteld en anderzijds dat er relevante resultaten worden geleverd. Relevante thema’s moeten boven tafel komen en resultaten moeten in een bruikbare vorm worden aangeboden. Dat kan bijvoorbeeld in de vorm van online gis-applicaties die ook te gebruiken zijn door mensen zonder GIS-kennis. Ook hier lijken samenwerking en een interdisciplinaire blik de sleutelwoorden. Het nieuwe vakgebied Geohealth lijkt perspectief te bieden.
Tot slot aandacht voor de positieve aspecten van een stedelijke leefomgeving, want die zijn er zeker ook. Zo kunnen bijvoorbeeld een ruimer aanbod van (zorg)voorzieningen en een veelal tolerantere sfeer dan in niet stedelijke gebieden juist gezondheidsvoordelen opleveren, zeker ook voor minderheidsgroeperingen. Steden groeien en zullen voor velen een aantrekkelijke vestigingsplaats blijven ondanks de vele negatieve gezondheidsaspecten van een stedelijke leefomgeving. Brede aandacht voor het realiseren van de gezonde(re) stad in interdisciplinair onderzoek en integraal beleid is dan ook hard nodig om effectieve maatregelen te kunnen nemen. De geografische blik kan ervoor zorgen dat dit gebeurt op het juiste ruimtelijke schaalniveau.
Dit artikel verscheen in Rooilijn, jaargang 51, nummer 5, p.338-346.
0 reacties