Tijdreeksanalyse van droogte-impact op de economie

Over deze publicatie

Het CBS heeft een haalbaarheidsstudie uitgevoerd om te onderzoeken of het effect van verschillende droogte-indicatoren op de economische ontwikkeling van een aantal economische sectoren statistisch te bepalen is. Daartoe zijn econometrische tijdreeksmodellen gebruikt, waarmee statistische verbanden worden blootgelegd tussen tijdreeksen van droogte-indicatoren en de jaar-op-jaar-groei van de toegevoegde waarde per economische sector. De volledige pilotresultaten van deze studie zijn opgenomen in de bijbehorende tabellenset. In dit rapport beschrijven wij de gehanteerde methode en geven wij een korte beschrijving van de onderzochte economische sectoren en droogte-indicatoren. Daarnaast geven wij een korte duiding van de behaalde resultaten, enkele algemene bevindingen, conclusies met betrekking tot de bruikbaarheid van de methodiek voor de beoogde doelen, en aanbevelingen voor vervolgstudie. Dit onderzoek is bekostigd door het ministerie van Infrastructuur en Waterstaat.

1. Inleiding

Het ministerie van Infrastructuur en Waterstaat (IenW) brengt, in het kader van het Deltaprogramma Zoetwater (DPZW), in kaart op welke manier droogte gemeten kan worden en wat de economische impact of schade van droogte is. Ter ondersteuning van het laatste punt zijn de volgende subdoelen opgesteld:

  • Het ontwikkelen van een methodiek om ten minste jaarlijks het effect van verschillende droogte-indicatoren op de toegevoegde waarde van economische sectoren statistisch te bepalen;
  • Data, inzichten en empirische relaties/correlaties verkrijgen om te vergelijken met de modelvoorspellingen van het effect van droogte op sectoren uit de DPZW-Effectmodules.

Het Centraal Bureau voor de Statistiek (CBS) heeft daartoe een haalbaarheidsstudie uitgevoerd. In deze studie is een econometrisch tijdreeksmodel toegepast om het effect van enkele droogte-indicatoren op de economische ontwikkeling van verschillende sectoren statistisch te bepalen. Het ontwikkelen van deze methodiek staat niet zozeer centraal, deze is namelijk recent al toegepast om het effect van afwijkend weer op verschillende economische sectoren statistisch te bepalen. De haalbaarheidsvraag is met name of de methodiek ook significante resultaten oplevert voor de combinaties van economische sectoren en droogte-indicatoren. Daarnaast wordt gekeken of de behaalde pilotresultaten in deze mate van detail goed uitlegbaar en bruikbaar zijn voor het ministerie van IenW, en om te vergelijken met de DPZW-Effectmodules. Hierbij is het belangrijk dat er geen ‘schade’, bijvoorbeeld in de zin van schade aan activa van bedrijven, wordt gemeten aan een economische sector door droogte. Er wordt gekeken wat het effect op de toegevoegde waarde van een sector is als een droogte-indicator afwijkt van het langjarig gemiddelde. Dit droogte-effect kan zowel negatief (bovengemiddelde droogte leidt tot minder toegevoegde waarde) als positief (meer toegevoegde waarde) zijn.

In dit rapport geven wij een korte beschrijving van de onderzochte economische sectoren en droogte-indicatoren. Deze zijn in samenspraak met het ministerie van IenW, Rijkswaterstaat, Deltares en KNMI opgesteld. Daarnaast geven wij een beschrijving van de gehanteerde methode en een korte duiding van de pilotresultaten; de volledige pilotresultaten zijn opgenomen in de bijbehorende tabellenset. Het rapport sluit af met enkele algemene bevindingen, conclusies met betrekking tot de bruikbaarheid van de methodiek voor de beoogde doelen en aanbevelingen voor vervolgstudie.

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, 1e 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

2.2.1 Overzicht van de onderzochte droogte-indicatoren
VariabeleIndicatorAggregatie naar maand- of kwartaalbasis
NeerslagNeerslagGemiddelde
Lopend gemiddelde over
45 dagen
Minimale dagwaarde van lopend
gemiddelde over 45 dagen
Standardized Precipitation
Index (SPI)-1, SPI-3, SPI-6		Gemiddelde
Minimale dagwaarde
Neerslag en verdampingNeerslagtekortGemiddelde
Maximale dagwaarde
Standardized Precipitation-
Evapotranspiration Index
(SPEI)-1, SPEI-3, SPEI-6		Gemiddelde
Minimale dagwaarde
Rivierafvoer bij grensstationsRijnafvoer (Lobith),
Maasafvoer (Borgharen)		Minimale dagwaarde van lopend
gemiddelde over 7 dagen
Aantal dagen met gemiddelde
dagafvoer < 1800 m3/s (alleen Rijn)
Aantal dagen met gemiddelde
dagafvoer < 900 m3/s (alleen Rijn)
Watertemperatuur rivieren
bij grensstations		Watertemperatuur
Rijn (Lobith)		Gemiddelde
Aantal dagen met gemiddelde
dagtemperatuur > 20° C
Aantal dagen met gemiddelde
dagtemperatuur > 25° C

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. 

 

3. Korte duiding van de resultaten

3.1 Landbouw, bosbouw en visserij

Onderzochte indicatoren (selectie van alle droogte-indicatoren, waarvan vooraf een hypothese over de impact kon worden vastgesteld, zie paragraaf 2.2):

SPI, neerslagtekort, SPEI, afvoer Rijn en Maas

N.B. Voor deze sector zijn het eerste kwartaal (winter) en het vierde kwartaal (herfst), vanwege hun geringe economische belang, niet apart geanalyseerd.

Meest significante droogte-indicator(en), per reeks wanneer aanwezig: 

Tuinbouw LP: SPEI-1 min. waarde in kw3 (negatief verband, d.w.z. lagere SPI leidt tot hogere TW)

Toelichting:

Voor de landbouw-, bosbouw- en visserijsector vinden we in het algemeen weinig significante droogte-indicatoren. Het kan zijn dat deze sector zich tot nu toe goed weet te weren tegen droogteperiodes, bijvoorbeeld door irrigatie vanuit grondwater. Mogelijk heeft droogte wel significante impact in delen van Nederland waar aanvoer van water of oppompen van grondwater voor irrigatie niet mogelijk is. Het kan ook zijn dat droogte alleen op korter tijdsniveau een rol speelt, en op kwartaalbasis wegvalt. Daarnaast hebben we vertraagde effecten, dat wil zeggen droogte die pas in een later kwartaal of latere maand een effect op de toegevoegde waarde (door een volume- en/of prijseffect) heeft, hier niet geanalyseerd. Deze zouden met name in deze sector wel belangrijk kunnen zijn, bijvoorbeeld wanneer een droogteperiode in het voorjaar pas effect heeft tijdens oogsttijd in het najaar. Ook kan het zijn dat droogte-effecten niet op sectorniveau, maar wel in bepaalde subsectoren een rol spelen. Bij de akkerbouw vinden we echter ook geen significant verband. Bij de tuinbouw vinden we wel een significant verband. Droogte in het derde kwartaal (zomer), geïndiceerd door lage SPEI-1, leidt tot meer economische groei. Dit verband geldt voor de economische reeks in lopende prijzen, en is dus het gevolg van de combinatie van economisch volume en prijs. Dit zou er bijvoorbeeld mee te maken kunnen hebben dat droogte op Europese schaal leidt tot meer vraag naar Nederlandse tuinbouwproducten, die daardoor duurder worden. Het verklaarde-groeipercentage is het sterkst positief in het derde kwartaal van 2018: 4,0 procent op een werkelijke groei van 0,2 procent. Dat betekent dat door toedoen van bovengemiddelde droogte de jaar-op-jaar-groei 4,0 procentpunten hoger uitpakt. Aangezien de werkelijke groei slechts 0,2 procent bedraagt, zou er bij klimatologisch gemiddelde droogte dus (3,8%) krimp hebben plaatsgevonden. De sterkst negatieve impact, door benedengemiddelde droogte, vond plaats in 2011: -4,6 procent op een werkelijk groeipercentage van -8,6 procent. 

N.B. De droogte-impact op de tuinbouw duiden wij alleen relatief aan, zie paragraaf 2.1.1. Ter indicatie van de grootte van deze subsector: de toegevoegde waarde in lopende prijzen was gemiddeld circa 1 300 miljoen euro per kwartaal in de onderzochte periode (2008 kw1-2025 kw2).

3.2 Industrie en energievoorziening

Onderzochte indicatoren:

SPI, neerslagtekort, SPEI, afvoer Rijn en Maas, watertemperatuur Rijn en Maas (alleen indicatoren gebaseerd op grenswaarden, niet die op het gemiddelde)

Meest significante droogte-indicator(en), per reeks wanneer aanwezig: 

Geen significante verbanden

Toelichting:

Voor de industriesector en voor de energiesector vinden we geen significante effecten van droogte. Dit betekent ook dat verbod op het lozen van warmte bij hoge watertemperaturen, en innamestops van koelwater bij hoge watertemperaturen, niet tot een waargenomen economisch effect leiden. 

3.3 Waterbedrijven en afvalbeheer

Onderzochte indicatoren:

Neerslag, SPI, neerslagtekort, SPEI, afvoer Rijn en Maas

Meest significante droogte-indicator(en), per reeks wanneer aanwezig: 

Maandreeks (CP): neerslag gem. waarde (negatief verband)

Toelichting:

Droogte, geïndiceerd door lage gemiddelde neerslag, leidt waarneembaar tot economische productiestijging bij water- en afvalbedrijven. Dit komt hoogstwaarschijnlijk door meer vraag naar water. Dit effect is wel alleen waargenomen op maandbasis, voor de kwartaalreeksen vinden we geen significante effecten. Vanwege mogelijke correlatie tussen droogte en hitte, is verder onderzoek nodig om na te gaan of het hier puur om een droogte-effect gaat of dat het samenhangt met hitte. Het verklaarde-groeipercentage ligt tussen de -6,6 procent in de natte maand augustus 2006 (werkelijke volumegroei: -11,1%) en +4,3 procent in de droge maand november 2011 (werkelijke volumegroei: 1,2%). In euro’s uitgedrukt is de (positieve of negatieve) droogte-impact op de volumeontwikkeling doorgaans kleiner dan 10 miljoen euro per maand op een toegevoegde waarde van circa 350 miljoen euro per maand.

3.4 Vervoer en opslag

Onderzochte indicatoren:

SPI, neerslagtekort, SPEI, afvoer Rijn en Maas

Meest significante droogte-indicator(en), per reeks wanneer aanwezig: 

Vervoer en opslag CP: SPI-6 gem. waarde in kw1 (negatief verband, lagere SPI -> hogere TW)
Binnenvaart CP: SPI-1 min. waarde in kw1 (positief verband)
Binnenvaart LP: SPI-1 gem. waarde in kw4 (negatief verband), SPEI-1 min. waarde in kw4 (negatief verband), SPI-3 gem. waarde in kw4 (positief verband), SPEI-3 gem. waarde in kw4 (negatief verband), Rijnafvoer < 900 m3/s (positief verband, d.w.z. meer dagen lage afvoer leidt tot hogere TW)

Toelichting:

De volumeontwikkeling van de toegevoegde waarde van de vervoer- en opslagsector in het algemeen wordt in het eerste kwartaal (winter) beïnvloed door langdurige droogte. Hoe droger (lagere SPI-6) hoe meer volumegroei. Het effect is echter beperkt, minder dan 1 procent van de jaar-op-jaar-groei kan worden toegeschreven aan droogte. Het sterkste effect vindt plaats in de winter van 2024 met -79 miljoen euro op een totale toegevoegde waarde van 9 225 miljoen euro.
 
Voor de binnenvaart geldt dat de volumeontwikkeling van de toegevoegde waarde in het eerste kwartaal bij droogte (indicator SPI-1) lager uitvalt. Dat kan komen omdat in deze droge kwartalen minder vracht vervoerd kan worden, bijvoorbeeld door schutbeperkingen. Aan de andere kant komen deze in de winter zelden voor, en is het logischer dat ze door de Rijnafvoer geïndiceerd zouden worden. In lopende prijzen neemt de toegevoegde waarde van de binnenvaart toe bij droogte. In het vierde kwartaal (herfst) hebben lage SPI-1, SPEI-1 en SPEI-3 een positief effect op de toegevoegde waarde, enigszins gecompenseerd door een negatief effect van SPI-3. Dat betekent dat droogte leidt tot meer toegevoegde waarde. Lage afvoer van de Rijn bij Lobith (grenswaarde 900 m3/s) leidt gedurende het hele jaar tot meer toegevoegde waarde. Dit kan ermee te maken hebben dat de binnenvaart haar prijzen verhoogt wanneer de rivieren laag staan, de zogenaamde laagwatertoeslag, en kleinere schepen met minder diepgang inzet. In het eerste kwartaal van 2009 meten we het sterkst positieve effect door droogte op de ontwikkeling van de toegevoegde waarde in constante prijzen: 2,8 procent, terwijl in lopende prijzen het effect dan -0,3 procent is. In de droge maanden augustus 2018 en augustus 2022 piekte het effect van droogte op de groei van de toegevoegde waarde in lopende prijzen, met bijdrages van respectievelijk 14,6 en 7,1 procent. 

N.B. De droogte-impact op de binnenvaart duiden wij alleen relatief aan, zie paragraaf 2.1.1. Ter indicatie van de grootte van deze subsector: de toegevoegde waarde in lopende prijzen was gemiddeld circa 330 miljoen euro, en in constante prijzen circa 315 miljoen euro per kwartaal in de onderzochte periode (2008 kw1-2025 kw2).

3.5 Cultuur, sport en recreatie

Onderzochte indicatoren:

Neerslag, SPI, neerslagtekort, SPEI, watertemperatuur Rijn en Maas (alleen indicatoren gebaseerd op gemiddeldes, niet die op grenswaarden)

Meest significante droogte-indicator(en), per reeks wanneer aanwezig: 

CP: SPEI-1 gem. waarde in kw1 (positief verband), SPEI-3 gem. waarde in kw1 (negatief verband), SPI-1 min. waarde (negatief verband)
LP: SPEI-3 gem. waarde (negatief verband)

Toelichting:

Over het algemeen wordt de toegevoegde waarde van de cultuur-, sport- en recreatiesector positief beïnvloed door droogte, zowel in constante als in lopende prijzen. Dat kan worden geïnterpreteerd als dat er minder gerecreëerd wordt wanneer het (veel/vaak) regent. De meest significante indicatoren voor de toegevoegde waarde in constante prijzen zijn SPEI-1 en SPEI-3 in het eerste kwartaal (winter), en de minimale waarde van SPI-1 gedurende het hele jaar. 

Als alleen SPEI-1 in het (univariate) econometrische model wordt meegenomen, is de impact op de economische ontwikkeling negatief: lagere SPEI-1 leidt tot meer toegevoegde waarde in eerste kwartalen. In het multivariate model, dus gecombineerd met de andere significante droogte-indicatoren, is de impact van SPEI-1 echter positief. Dat komt omdat SPEI-1 en SPEI-3 gecorreleerd zijn, en in het multivariate model SPEI-1 het sterke negatieve effect van SPEI-3 enigszins compenseert.

Relatief is de droogte-impact vaak het sterkst in het eerste kwartaal, bijvoorbeeld in 1996 met 0,87 procent en in 2024 met -0,75 procent door droogte verklaarde groei. Absoluut, in euro’s, is de impact juist groter in de lente en zomer omdat de sector dan meer waarde toevoegt, met bijvoorbeeld 28 miljoen euro in het derde kwartaal van 2018. In lopende prijzen is SPEI-3 de meest significante indicator. De droogte-impact is kleiner in lopende prijzen dan in constante prijzen. In het droge derde kwartaal van 2018 is de impact bijvoorbeeld +8 miljoen euro. De impact piekt in het tweede kwartaal van 2025 met +11 miljoen euro, de droogte-impact op de (volume)ontwikkeling in constante prijzen is dan +18 miljoen euro.    

4. Bevindingen, conclusies en aanbevelingen

Wij hebben een haalbaarheidsstudie uitgevoerd om te onderzoeken of met beschikbare economische data van het CBS, en weer- en waterdata van het KNMI en Rijkswaterstaat, het effect van verschillende droogte-indicatoren op de economische ontwikkeling van een aantal economische sectoren statistisch te bepalen is. De pilotresultaten van deze studie zijn opgenomen in de bijbehorende tabellenset, en zijn kort geduid in dit rapport. Hier geven wij enkele algemene bevindingen, en conclusies en aanbevelingen volgend uit deze haalbaarheidsstudie met betrekking tot de beschikbaarheid van relevante weer- en waterdata en economische data, en de geschiktheid van de methode voor het beoogde doel.

Beschikbaarheid relevante weer- en waterdata

Het KNMI en Rijkswaterstaat stellen lange tijdreeksen, minimaal op dagbasis, beschikbaar van weer- en waterdata (neerslag, verdamping, rivierwaterafvoer en rivierwatertemperatuur), waaruit droogte-indicatoren kunnen worden ontwikkeld. Er is in deze studie naar gestreefd een set indicatoren op te stellen die de belangrijkste manifestaties van droogte omvat. Deze set is sowieso niet uitputtend, er zouden bijvoorbeeld veel meer aggregaties naar maand- en kwartaalniveau kunnen worden gebruikt. Daarnaast zijn voor onze analyses van droogte-impact op nationaal niveau, nationaal representatieve indicatoren nodig. Voor de potentieel belangrijke variabelen verzilting en grondwaterstand bleken deze (nog) niet beschikbaar te zijn. Deze variabelen konden daarom niet meegenomen worden in onze analyses. Voor analyses op nationaal niveau, raden wij aan om in de nabije toekomst te onderzoeken of het ontwikkelen van deze indicatoren mogelijk is.

Beschikbaarheid relevante economische data

Het CBS stelt consistente tijdreeksen van toegevoegde waarde vanaf 1995 tot heden beschikbaar. Deze reeksen zijn op kwartaalbasis voor economische sectoren op nationaal en 1e digit/letter-niveau. Ze worden zowel uitgedrukt in constante prijzen als in lopende prijzen. Dit heeft als voordeel dat droogte-impact op de ontwikkeling van economische volumes en prijzen afzonderlijk van elkaar geanalyseerd kunnen worden. In alle sectoren waarin droogte-impact door ons is waargenomen, zijn de significante indicatoren verschillend voor de reeksen in constante en in lopende prijzen.

De kwartalen van de economische tijdreeksen (januari-maart, april-juni, juli-september, oktober-december) komen niet overeen met meteorologische seizoenen (december-februari, maart-mei, juni-augustus, september-november). Hiermee moet in de duiding van de resultaten rekening worden gehouden; september is bijvoorbeeld een relatief natte maand die meteorologisch in de herfst, maar economisch in de zomer valt. Puur methodologisch vormt dit evenwel geen probleem omdat weer- en waterdata op dagbasis beschikbaar zijn. 

Het kan zijn dat significante impact van droogte zich beperkt tot economische subsectoren, zodanig dat het effect wegvalt op het niveau van de overkoepelende sector. In twee van de drie onderzochte subsectoren was dit het geval, namelijk in de tuinbouw binnen de sector landbouw, bosbouw en visserij, en in de binnenvaart binnen de sector vervoer en opslag. Het beschikbaar stellen van lagere (sub)sectorniveaus vergt echter maatwerk, geeft kwaliteitsbeperkingen vanwege de geringere omvang, en deze tijdreeksen hebben een kortere tijdslengte. 

Enkele reeksen met hogere tijdsfrequentie, namelijk op maandbasis, worden beschikbaar gesteld door Eurostat. Deze reeksen hebben echter als nadeel dat ze (veel) later beginnen, voor sommige sectoren niet beschikbaar zijn, en soms onderbroken worden. Daarnaast zijn ze alleen in constante prijzen beschikbaar, waardoor wel volume-effecten maar geen prijseffecten kunnen worden gemeten. Het analyseren van reeksen met hogere tijdsfrequentie heeft als voordeel dat de impact van kortdurende (extreme) droogte kan worden waargenomen, die wegvalt op kwartaalbasis. Als dergelijke droogte zich langer voor zou doen, zou het effect ook op kwartaalbasis merkbaar worden. In een van de drie onderzochte sectoren waarvoor zowel kwartaal- als maandreeksen beschikbaar waren, namelijk de sector waterbedrijven en afvalbeheer, hebben wij een droogte-impact gemeten in de maandreeks die niet in de kwartaalreeks naar voren kwam.

Droogte is over het algemeen geen landelijk, maar veeleer een regionaal verschijnsel. Dat wil zeggen dat niet iedere regio even hard geraakt wordt door dezelfde droogte-indicatoren. Grote delen van Hoog Nederland (zandgebieden, Heuvelland) en delen van Zeeland ontvangen bijvoorbeeld geen (zoet) oppervlaktewater uit de rivieren. Deze gebieden zijn daarom afhankelijker van meteorologische droogte (neerslag en verdamping) en van de beschikbaarheid van (zoet) grondwater. Voor deze gebieden zal er dus geen relatie zijn met Rijn- of Maasafvoer. Economische tijdreeksen op subnationaal niveau zijn vanuit de regionale rekeningen van het CBS echter slechts beschikbaar op jaarbasis, wat een te grove resolutie is voor de hier toegepaste tijdreeksanalyses. 

Gedurende de COVID19-periode vonden grote economische veranderingen plaats, voornamelijk als gevolg van lockdowns en het opheffen daarvan. Omdat de toevallige droogtesituatie tijdens deze periodes een onredelijk groot aandeel zou worden toegewezen als deze periode in de analyse zou worden meegenomen, hebben we de analyses gedaan tot en met 2019. Voor het berekenen van de droogte-impact hebben we de gevonden verbanden doorgetrokken. In een eventuele vervolgstudie zou hier een andere, betere oplossing voor gezocht kunnen worden, en ook de data van de post-COVID19-periode weer meegenomen kunnen worden.  

Geschiktheid van de methode

Wij hebben een methode gebruikt, die statistische verbanden blootlegt tussen tijdreeksen van droogte-indicatoren en de jaar-op-jaar-groei van de toegevoegde waarde per economische sector. Hieruit kan per kwartaal een droogte-effect worden afgeleid. De gevonden verbanden zijn robuust, in de zin dat ze statistisch significant zijn over de gehele onderzochte periode. Voor de kwartaalreeksen op 1e-digit/letterniveau is dat 24 jaar (1996-2019); voor de andere kwartaalreeksen 11 jaar (2009-2019); voor de maandreeksen 18 jaar (2002-2019). Ook zijn de verbanden gebaseerd op algemeen gebruikte economische data.

De gevonden statistische verbanden zijn lineair omdat het model alleen lineaire relaties bevat. Dat betekent dat het lastig is niet-lineaire verbanden waar te nemen. Dit kan alleen door het opstellen van niet-lineaire droogte-variabelen, bijvoorbeeld op basis van grenswaarden, zoals het aantal dagen met gemiddelde dagafvoer kleiner dan 1 800 m3/s van de Rijn. De lineariteit van de verbanden betekent ook dat in principe niet specifiek op droogte gericht wordt, waardoor ook de effecten van (zeer) natte perioden, ofwel het uitblijven van droogte, worden gekwantificeerd. 

Uit onze studie is gebleken dat een zuiver statistische benadering van de methode te generiek is. Als dezelfde grote set van alle droogte-indicatoren wordt onderzocht voor elke economische sector, is de kans op het vinden van moeilijk te duiden, en mogelijk toevallige relaties, erg groot. Daarom is gekozen voor een inhoudelijk gedreven benadering. Per economische sector zijn alleen de droogte-indicatoren meegenomen in de analyse, waarvan vooraf een hypothese over de impact kon worden vastgesteld (zie paragraaf 3).

Vertraagde effecten, dat wil zeggen droogte die pas in een later kwartaal of latere maand via een volume- en/of prijseffect de toegevoegde waarde beïnvloedt, zijn in deze studie niet geanalyseerd. Deze zouden wel een grote rol kunnen spelen, met name in de landbouwsector. Hier hebben we dit niet gedaan, vanwege het hierboven genoemde nadeel van een (te) grote set van te analyseren indicatoren. Als in een vervolgstudie deze vertraagde effecten wel geanalyseerd zouden worden, moet dit daarom wel gericht gebeuren. 

De in deze studie gevonden verbanden tussen de onderzochte droogte-indicatoren en de economische ontwikkeling van enkele economische sectoren, en de daaruit berekende droogte-impacts, zijn kort geduid in paragraaf 3. Samenvattend:

  • Landbouw, bosbouw en visserij: in de zomer neemt de toegevoegde waarde van de tuinbouw toe in lopende prijzen door droogte;
  • Industrie en energievoorziening: geen droogte-impact gevonden;
  • Waterbedrijven en afvalbeheer: droogte leidt tot economische productiestijging bij water- en afvalbedrijven op maandniveau, hoewel dit ook door (gecorreleerde) hitte kan komen;
  • Vervoer en opslag: de toegevoegde waarde van de sector als geheel neemt in de winter toe in constante prijzen door droogte; de toegevoegde waarde in constante prijzen van de binnenvaart neemt in de winter af, terwijl in lopende prijzen de toegevoegde waarde juist gedurende het hele jaar toeneemt door droogte.  
  • Cultuur, sport en recreatie: de toegevoegde waarde neemt toe door droogte, zowel in constante als in lopende prijzen.

Slechts voor een klein aantal van de onderzochte tijdreeksen, namelijk 7 van de 21, is significante droogte-impact gevonden. Deze verbanden zijn wel heel robuust, omdat ze gericht onderzocht zijn op basis van vooraf opgestelde hypothesen, en er een streng significantiecriterium (toevalskans van 1%) is gehanteerd. Het effect is doorgaans klein ten opzichte van de totale toegevoegde waarde van de sectoren, maar absoluut gezien gaat het soms toch om aanzienlijke bedragen in de orde van tientallen miljoenen euro’s. Ook is de door droogte verklaarde groei vaak wel relatief groot in verhouding tot de werkelijke groei van de toegevoegde waarde van de onderzochte sectoren. Dat betekent dat een groot deel van de jaar-op-jaar-veranderingen in toegevoegde waarde door het optreden of uitblijven van droogte kan worden verklaard.     

De verkregen data, relaties en inzichten kunnen worden gebruikt om kwantitatief of kwalitatief te vergelijken met de modelvoorspellingen van het effect van droogte op sectoren uit de DPZW-Effectmodules. Het is daarbij belangrijk in ogenschouw te nemen dat:

  • Wij in deze studie geen ‘schade’, bijvoorbeeld in de zin van schade aan activa van bedrijven, meten aan een economische sector door droogte. Er wordt gekeken naar het effect op de bedrijfsvoering, namelijk wat het effect op de toegevoegde waarde van een sector is als een droogte-indicator afwijkt van het langjarig gemiddelde;
  • Als wij geen significante impact vinden op economische ontwikkeling, dit niet per se hoeft te betekenen dat droogte in het geheel geen effect heeft. Dit effect kan immers:
    • Te klein zijn voor statistische significantie over de gehele onderzochte periode;
    • Niet-lineair zijn op een manier die wij niet hebben gevat in de formulering van onze indicatoren;
    • Zich alleen manifesteren op kleinere tijdschaal (kleiner dan kwartaal/maand), of op kleinere economische schaal (kleiner dan 1e-digit/letterniveau);
    • Alleen op kleinere ruimtelijke schaal (kleiner dan nationaal) worden geïndiceerd door de onderzochte droogte-indicatoren;
    • Worden bepaald door andere variabele(n) dan die wij hebben onderzocht, bijvoorbeeld door verzilting of grondwaterstand;
    • Worden opgevangen door mitigerende maatregelen van de sectoren, zoals extra irrigatie in de landbouw.

5. Technische toelichting

Om te bepalen welke droogtetijdreeks een lineair verband heeft met welke economische reeks, proberen we de economische jaar-op-jaar groeireeksen te verklaren vanuit (1) de jaar-op-jaar groei in de vorige periode (een AR(1) term), (2) de sentimentvariabelen zoals hierboven beschreven (paragraaf 2.3), en (3) de verschillende droogtevariabelen. Dit laatste doen we door elke te onderzoeken droogtevariabele apart toe te voegen aan het (univariate) model, gecorrigeerd voor de seizoens- en lange-termijntrend. Voor een droogtevariabele (i) ziet een model er dan zo uit:

Jaar-op-jaar-groei economische reeks(t) =

 Jaar-op-jaar-groei economische reeks(t - 1) +

 Producentenvertrouwen(t) + Consumentenvertrouwen(t) + Consumentenprijsindex(t) +

 (Droogtevariabele(i, t) - seizoenstrend (i, t) – lange-termijntrend (i, t)) + .

De variabele ”Droogtevariabele(i) - seizoenstrend (i) – lange-termijntrend (i)” is een tijdreeks die, als in Parnaudeau & Bertrand (2018), is afgeleid van de droogtevariabele, waarbij de reeks is ontdaan is van zijn seizoens- en lange-termijntrends. Met behulp van de kleinste-kwadratenschatter kunnen de schattingen  t/m  voor  t/m  verkregen worden, waardoor de corresponderende schattingen voor de jaar-op-jaar-groei economische reeks zoveel mogelijk lijken op de echte waarden.

Als een droogtevariabele (i) een deel van het patroon in de economische tijdreeks lineair kan verklaren, dan zal dit zich vertalen in een waarde van . Omdat in de praktijk  altijd geldt, geldt er ook een tweede eis, namelijk dat statistisch significant afwijkt van 0. Of een afwijking statistisch significant is hangt af van de kans die we hanteren bij het bepalen of een schatting statistisch significant is, die ook wel de p-waarde wordt genoemd. Vaak wordt hierbij uitgegaan van een kans van 5 procent of 1 procent, maar hier kan ook voor een ander percentage gekozen worden. In deze analyse kiezen we voor het kleine percentage 1 procent, waarmee de kans op het vinden van een schijnrelatie heel klein is, maar waarbij het ook kan gebeuren dat bepaalde relaties over het hoofd worden gezien omdat ze niet duidelijk genoeg, ofwel niet statistisch significant genoeg, aanwezig waren in de data.

Nadat voor elke onderzochte droogtevariabele is bepaald of hij in het bovenstaande effect een statistisch significant verband laat zien, gaan we in stap 2 van de analyse kijken welke droogtevariabele de sterkste relatie laat zien of dat er misschien meerdere droogtereeksen een rol spelen. Dit pakken we als volgt aan. Voor elke economische reeks beginnen we nu met een uitgebreider (multivariaat) model, waarin voor elke economische reeks de droogtevariabelen worden meegenomen die in de eerste analyse statistisch significant waren. Ter illustratie geven we hieronder het model dat we krijgen als de droogtevariabelen (1), (2) en (3) statistisch significant waren. Dit model ziet er zo uit:

Jaar-op-jaar-groei economische reeks(t) =

 Jaar-op-jaar-groei economische reeks(t - 1) +

 Producentenvertrouwen(t) + Consumentenvertrouwen(t) + Consumentenprijsindex(t) +

 (Droogtevariabele(1, t) - seizoenstrend (1, t) – lange-termijntrend (1, t)) +

 (Droogtevariabele(2, t) - seizoenstrend (2, t) – lange-termijntrend (2, t)) +

 (Droogtevariabele(3, t) - seizoenstrend (3, t) – lange-termijntrend (3, t)) + .

Met behulp van de kleinste-kwadratenschatter krijgen we voor dit model schattingen  t/m  voor  t/m . Omdat droogtevariabelen (ook) met elkaar correleren, is het niet zeker dat de schattingen  t/m  die corresponderen met de droogtevariabelen, nog steeds statistisch significant afwijken van 0, ondanks dat dit wel zo was toen de corresponderende droogtevariabelen alleen in een model zaten. Het doel is nu een model over te houden waarin alle -schattingen die corresponderen met een droogtevariabele statistisch significant zijn. Dit wordt gedaan door een aanpak die ook wel bekend staat als de ‘general-to-specific approach’. Dit houdt in dat telkens de minst significante droogtevariabele met tevens een toevalskans groter dan 5 procent, ofwel de droogtevariabele die correspondeert met de  met de hoogste p-waarde (> 0,05), uit het model te halen en daarna het model opnieuw te schatten. Dit gaat door totdat alle p-waarden van de (één of meer) overblijvende droogtevariabelen kleiner zijn dan 0,05.