2. Data en methoden

2.1 Economische sectoren

2.1.1 Kwartaalreeksen

Voor onze analyse gebruiken wij economische reeksen van het CBS op nationaal en sectorniveau (SBI-indeling 2008, 1^e digit). Dit zijn kwartaalreeksen die beginnen in het eerste kwartaal van 1995 en doorlopen tot en met het tweede kwartaal van 2025. De reeksen geven de bruto toegevoegde waarde weer in basisprijzen, zowel in constante prijzen (CP; referentiejaar 2021) als in lopende prijzen (LP; ook wel werkelijke prijzen). De reeksen in constante prijzen geven alleen volume-effecten weer, en kunnen worden gebruikt om de economische productie te analyseren. De reeksen in lopende prijzen geven de werkelijke toegevoegde waarde weer, die wordt beïnvloed door zowel volume-effecten als prijseffecten.

Wij analyseren de volgende sectoren, waarbij de letteraanduiding slaat op de SBI-indeling 2008:

A Landbouw, bosbouw en visserij,
C Industrie,
D Energievoorziening,
E Waterbedrijven en afvalbeheer,
H Vervoer en opslag,
R Cultuur, sport en recreatie.

Daarnaast zullen we de subsectoren ‘akkerbouw’ en ‘tuinbouw’ binnen sector A, en ‘binnenvaart’ binnen sector H, analyseren. De toegevoegde waarde van deze subsectoren is relatief klein, wat de kwaliteit van de statistische waarneming beperkt. Om deze reden wordt de kwartaalontwikkeling van de toegevoegde waarde alleen opgenomen in de gepubliceerde aggregaten (sectoren op 1e digit/letterniveau). De gevonden droogte-impact kan hier daarom alleen relatief worden geduid, dat wil zeggen in percentage verklaarde groei en niet in euro’s (zie paragraaf 2.3).  

De economische reeksen zijn in euro’s, en kunnen een seizoenspatroon bevatten. De methode is echter bedoeld om afwijkingen van het (normale) patroon te meten, die worden veroorzaakt door buitengewone droogte. Daarom voeren wij de analyse uit op de procentuele jaar-op-jaar groeireeksen. Dat zijn indexreeksen, die per kwartaal de groei t.o.v. een referentiekwartaal weergeven. 

2.1.2 Maandreeksen

Wij gebruiken voor onze analyse ook economische indexreeksen op maandbasis die Eurostat beschikbaar stelt. Deze reeksen hebben een hogere tijdsfrequentie, maar hebben als nadeel dat ze (veel) later beginnen, voor sommige sectoren niet beschikbaar zijn, en soms onderbroken worden. Daarnaast zijn ze alleen in constante prijzen (CP) beschikbaar, waardoor wel volume-effecten maar geen prijseffecten kunnen worden gemeten.

Van de volgende sectoren is een maandreeks van voldoende lengte (vanaf 2001) en kwaliteit op maandbasis beschikbaar:

C Industrie,
D Energievoorziening,
E Waterbedrijven en afvalbeheer.

Deze maandreeksen gebruiken wij in aanvulling op de kwartaalreeksen.

2.2 Droogte-indicatoren

De droogte-indicatoren die wij gebruiken in onze analyses zijn in samenspraak met het ministerie van IenW, Rijkswaterstaat, Deltares en KNMI opgesteld. Deze indicatoren zijn weergegeven in Tabel 1 en worden kort toegelicht in paragraaf 2.2.1 tot en met 2.2.4. De indicatoren zijn gebaseerd op de variabelen neerslag, de combinatie van neerslag en verdamping, rivierafvoer bij grensstations, en watertemperatuur bij grensstations. Historische tijdreeksen op dagbasis van deze variabelen worden beschikbaar gesteld door het KNMI (neerslag en verdamping) en Rijkswaterstaat (rivierafvoer en -temperatuur). Om nationale representatieve waardes voor neerslag en verdamping te krijgen, gebruiken wij een gemiddelde over de (gehomogeniseerde) data van de KNMI-stations De Kooy (Den Helder), Eelde (Groningen), De Bilt, Vlissingen en Beek (Maastricht).

Voor elke economische sector analyseren wij een selectie van alle droogte-indicatoren, waarvan vooraf een hypothese over de impact kon worden vastgesteld. Dit ter voorkoming van het vinden van toevallige statistische verbanden.  

De tijdreeksen van de afgeleide droogte-indicatoren zijn in eerste instantie ook op dagbasis. De methode is bedoeld om het effect te analyseren van droogte die afwijkt van het klimatologisch gemiddelde. Daarom worden de volgende bewerkingen toegepast:

• Verwijderen van lange-termijntrends en seizoenspatronen (N.B. voor SPI en SPEI is dit niet nodig, omdat deze stap al in de constructie van deze indicatoren zit);
• Aggregatie naar maand- of kwartaalbasis. Dit doen we voor elke indicator op de manier die is aangegeven in Tabel 2.2.1. 

Naast de maand- en kwartaalreeksen, worden per sector alle kwartalen ook apart als tijdreeks geanalyseerd. Daarvoor maken wij één tijdreeks met alle eerste kwartalen van de droogte-indicatoren en economische sectoren, één met alle tweede kwartalen, etc. Dit om droogte-invloeden, die zich voornamelijk of alleen in één specifiek seizoen voordoen, beter te meten. 

2.2.1 Neerslag

Naast lage gemiddelde neerslag wordt droogte geïndiceerd door het lopend gemiddelde over 45 dagen, en de minimale dagwaarde hiervan. Ook gebruiken we de indicator Standardized Precipitation Index (SPI). De SPI vergelijkt de hoeveelheid neerslag die is gevallen met het klimatologisch gemiddelde. SPI-1 vergelijkt dit over de duur van een (lopende) maand en meet kortdurende droogte. SPI-3 en SPI-6 vergelijken de daadwerkelijke neerslag en de klimatologie respectievelijk over 3 en 6 maanden, en meten langer aanhoudende droogte. Een SPI-index van kleiner of gelijk aan -2 duidt extreme droogte aan, bij een SPI-index groter of gelijk aan +2 is het extreem nat. Wij gebruiken de gemiddelde SPI, en de minimale dagwaarde over een maand/kwartaal, als maat voor droogte.

2.2.2 Neerslag en verdamping

Wij gebruiken het neerslagtekort, dat wordt verkregen door het verschil te berekenen tussen de berekende referentiegewasverdamping en de hoeveelheid gevallen neerslag. Dit verschil wordt dagelijks gesommeerd in het groeiseizoen, het tijdvak van 1 april tot en met 30 september. Wij gebruiken het gemiddelde over een maand/kwartaal en daarnaast de maximale dagwaarde. Ook gebruiken wij de indicator Standardized Precipitation-Evaporation Index (SPEI), die analoog aan SPI het gemeten verschil tussen neerslag en potentiële verdamping vergelijkt met de klimatologie.

2.2.3 Rivierafvoer bij grensstations

Naast de meteorologische condities in het binnenland, wordt droogte in Nederland ook bepaald door het door de grote rivieren aangevoerde water vanuit het buitenland. Daarom voegen wij als droogte-indicatoren de gemiddelde rivierafvoer bij grensstations van de Rijn (Lobith) en de Maas (Borgharen) toe. Als maat voor droogte gebruiken wij de minimale dagwaarde van het lopend gemiddelde over 7 dagen in een maand/kwartaal. Voor het Rijnstation gebruiken wij daarnaast als indicator het aantal dagen dat de gemiddelde afvoer minder dan 1 800 m³ en minder dan 900 m³ was. Vervoer over water kan in die gevallen bijvoorbeeld (sterk) verhinderd worden.

2.2.4 Watertemperatuur bij grensstations

Bij droogte stijgt de watertemperatuur van de rivieren. Wij nemen ten eerste de gemiddelde watertemperatuur bij grensstations van de Rijn (Lobith) en Maas (Eijsden) mee. Als check dat daadwerkelijk de watertemperatuur (droogte) impact heeft, en dit niet alleen zo lijkt vanwege correlatie met de luchttemperatuur (warmte), nemen wij ook de gemiddelde luchttemperatuur mee in onze analyses. Ten tweede gebruiken wij als indicator het aantal dagen dat de riviertemperatuur hoger is dan 25° C. Wanneer dit namelijk het geval is, geldt dat industrie- en energiebedrijven geen proceswater meer mogen lozen, wat de productie hindert. Omdat stroomafwaarts de riviertemperatuur kan oplopen, gebruiken wij tot slot als indicator het aantal dagen dat de riviertemperatuur hoger is dan 20° C.    

2.3 Tijdreeksanalyse

Om de relatie tussen droogte-indicatoren en economische reeksen te berekenen, maken we gebruik van een methode die grotendeels gelijk is aan Parnaudeau & Bertrand (2018). Deze methode betreft een verfijning van de methode die wij eerder gehanteerd hebben om het effect van afwijkend weer op verschillende economische sectoren te bepalen. Hier beschrijven wij de methode beknopt, zie paragraaf 5 voor een uitgebreidere technische toelichting.

In deze methode wordt elke economische reeks als een econometrisch AR(1) model en een aantal economische controlevariabelen gemodelleerd. De economische controlevariabelen zijn zogenaamde sentimentvariabelen, die de economische conjunctuur voor een groot deel beschrijven:

• Producentenvertrouwen (index_INDU),
• Consumentenvertrouwen (index_Consumers),
• Consumentenprijsindex (index_coicop_CP00).

Door deze variabelen mee te nemen in het model worden de berekende droogte-effecten minder beïnvloed door toevallige relaties tussen droogte-indicatoren en de conjunctuur.

We analyseren of de overgebleven variantie statistisch significant te verklaren is vanuit de individuele droogte-indicatoren, met een toevalskans van 1 procent ofwel een p-waarde van 0,01. Dit geeft een negatief of positief verband tussen de droogte-indicator en de economische groei. Bij een negatief verband leidt een bovengemiddelde waarde van de indicator tot minder economische groei en een benedengemiddelde waarde van de indicator tot meer economische groei. Bij een positief verband is dat andersom.

Bij het vinden van meerdere statistische significante droogtevariabelen, analyseren wij in een vervolgstap het effect van alle significante droogte-indicatoren in één model. Het gevolg hiervan is dat sommige droogtevariabelen wegvallen omdat het deel van de variantie dat werd verklaard door deze variabele, nu ook door andere samenhangende droogtevariabelen wordt verklaard. In een iteratief proces, ook wel ‘general-to-specific approach’, wordt vervolgens gekeken welke indicatoren een significant effect behouden (voor een p-waarde van 0,05) als ze gecombineerd worden met andere droogte-indicatoren. De overgebleven (set van) indicator(en) beoordelen wij als de meest significante.  

Deze meest significante verbanden leveren een tijdreeks op van jaar-op-jaar-groei per maand/kwartaal die door de betreffende droogte-indicator(en) kan worden verklaard. Met andere woorden is dit verklaarde percentage het verschil tussen de daadwerkelijk gemeten groei en de groei die wordt verwacht bij klimatologisch gemiddelde droogte. Dit verklaarde-groeipercentage wordt uiteindelijk vertaald naar een droogte-effect in euro’s door het te vermenigvuldigen met de toegevoegde waarde van dezelfde maand/kwartaal een jaar eerder. 

Voor de analyse van de verbanden gebruiken wij de data van voor de COVID19-periode (tot en met 2019). Dit om te voorkomen dat de COVID19-periode waarin buitensporig grote veranderingen in de economische ontwikkeling van een aantal sectoren plaatsvonden, een vertekening van de droogte-impact geeft. Aan het toevallige weer tijdens deze veranderingen zou anders een te groot effect worden toegekend. Voor het kwantificeren van de droogte-impact trekken wij de gevonden verbanden tussen droogte en jaar-op-jaar-groei door tot en met het tweede kwartaal van 2025.