2. Impact van afwijkend weer op economische sectoren

2.1 Hoe meten we de economische impact van afwijkend weer?

In dit deelonderzoek bekijken we de relatie tussen klimaat en economie door middel van tijdreeksanalyse. In het bijzonder onderzoeken we of het optreden van afwijkingen van het weer ten opzichte van het gemiddelde terug te zien is in de toegevoegde waarde van enkele economische sectoren, zoals die gemeten worden in de nationale rekeningen van het CBS. Om de effecten goed te kunnen schatten maken we gebruik van lange reeksen van macro-economische gegevens en metingen van het weer. Met behulp van een econometrisch tijdreeksmodel modelleren we de structurele verbanden tussen de economische gegevens en weersgegevens. Het tijdreeksmodel beschrijft allereerst de trendmatige ontwikkeling in de economische reeks, evenals de seizoenpatronen en mogelijke bijzondere verstoringen in de reeks. Aan dit tijdreeksmodel worden vervolgens weersvariabelen toegevoegd waarmee de economische impact van afwijkend weer kan worden geschat en de economische afwijkingen ten opzichte van de onderliggende trends deels worden verklaard. Het optreden van dit afwijkende weer heeft een bepaalde kans in een klimaat, die navenant verandert met klimaatsverandering. Een voorbeeld van zo’n weersvariabele is het aantal vorstdagen. Als gevolg van klimaat-verandering zal het aantal vorstdagen afnemen. Dit kan invloed hebben op de productie binnen een bepaalde sector. In deze studie proberen we dat effect aan te tonen door te kijken naar weersdata en economische data van de afgelopen dertig jaar. Met dit onderzoek kunnen we dus de invloed van het (veranderende) klimaat op verschillende economische sectoren laten zien. 

In eerder onderzoek is bepaald welke van de geteste weersvariabelen het meest statistisch significante effect heeft op de economische sectoren bouw, industrie, horeca, delfstoffen, en energie, en hoe groot dit effect is. De resultaten in dit hoofdstuk betreffen dus een actualisatie van eerder uitgevoerd onderzoek. In paragraaf 2.3 beschrijven wij plannen voor verfijning en uitbreiding van dit eerdere onderzoek. 

2.2 Het weerseffect op bouw, industrie, horeca, delfstoffen, en energie

2.2.1 Weersvariabelen

We gebruiken tijdreeksen van de weersvariabelen in Tabel 2.2.1.1.

Verder construeren we op basis van de KNMI-daggegevens tijdreeksen van de weersvariabelen in Tabel 2.2.1.2.

2.2.2 Economische gegevens

De macro-economische tijdreeksen die we gebruiken lopen van 1995-Q1 t/m 2024-Q2. We gebruiken hiervoor de opbouw van het bruto binnenlands product (bbp) vanuit de productie zoals deze op Statline te vinden is, oftewel de toegevoegde waarde per economische sector. Specifiek kiezen we per economische sector voor de volgende cijfers:

• de waarden in miljoenen euro’s,
• gemeten in constante prijzen (Prijsniveau 2021=100), 
• niet-seizoensgecorrigeerd. 

We onderzoeken de sectoren met Standaard Bedrijfsindeling (SBI) B: Delfstoffenwinning, C: Industrie, D: Energievoorziening, F: Bouwnijverheid, I: Horeca, en het totaal van deze sectoren. 

2.2.3 Actualisatie van de uitkomsten

In Tabel 2.2.3.1 en Tabel 2.2.3.2 laten wij de invloed van weersafwijkingen zien voor twee recente kwartalen: 2023-Q4 en 2024-Q1. Voor de bouw en industrie is het berekende effect het gevolg van dagen strenge vorst, voor horeca het effect van de maximumtemperatuur, en voor delfstoffen en energie het effect van graaddagen. Dit zijn de meest significante van de geteste weersvariabelen (zie Tabel 2.2.1.2) voor de betreffende sectoren.

Het oorspronkelijke cijfer geeft de toegevoegde waarde inclusief weerseffect weer. Het gecorrigeerde cijfer is de toegevoegde waarde als het weer niet zou hebben afgeweken van het langjarig gemiddelde, oftewel zonder het weerseffect. Het verschil tussen die twee cijfers is het weerseffect. Bij de sector Delfstoffen bijvoorbeeld is het gecorrigeerde cijfer (919 mln) hoger dan het werkelijke cijfer (875 mln), en is het werkelijke cijfer dus 44 mln lager dan je zou verwachten in een situatie zonder afwijkend weer. Hoewel er in alle sectoren een duidelijk effect is, valt dat op het totaal van de sectoren in zekere mate tegen elkaar weg. Om die reden is het dus belangrijk om in verder onderzoek naar deelaggregaten te kijken. 

In Figuur 2.2.3.3 t/m Figuur 2.2.3.8 is voor de gehele tijdreeks van elke sector te zien hoe groot het weerseffect was in alle kwartalen. In sommige sectoren (bouw, industrie) is vooral een effect in Q1 en Q4 (periode oktober-maart) te zien, omdat het weerseffect door vorst wordt bepaald. In de andere sectoren is in alle vier de kwartalen een effect waar te nemen. 

2.3 Plannen voor verfijning en verbreding van het onderzoek

De resultaten gepresenteerd in paragraaf 2.2.2 betreffen een actualisatie van eerder CBS-onderzoek naar dit onderwerp. In verder onderzoek willen wij de uitkomsten verfijnen en uitbreiden, qua economische data die we willen verklaren, qua verklarende weerdata, en qua econometrische tijdreeksmodellen die we daarvoor willen gebruiken. Hieronder volgen de belangrijkste verbeteringen die we willen doorvoeren per onderwerp. 

Economische data:

• We verleggen de focus in eerste instantie naar de sectoren landbouw, verkeer en vervoer, en horeca, omdat we daar duidelijke weerseffecten verwachten, die we goed zouden moeten kunnen schatten. We willen echter een generieke aanpak ontwikkelen die niet alleen voor deze specifieke sectoren geschikt is. 
• Als de gehele economie wordt bekeken, kunnen we ook onderzoeken in welke sector een bepaalde drukfactor, bijvoorbeeld droogte of extreme neerslag, het grootste effect heeft.
• Naast de toegevoegde waarde per sector, is het belangrijk om ook apart naar de volume- en prijsontwikkeling te kijken. Als door extreem weer het volume omlaag gaat (denk aan een slechte oogst), zou de prijs van producten omhoog kunnen gaan, en de omzet (prijs x volume) redelijk stabiel kunnen blijven. Sommige weerseffecten zullen dus terug te zien zijn in de ene maar niet in de andere reeks.
• Eerder keken we naar macro-economische kwartaalcijfers op sectorniveau. Sommige weerseffecten zijn echter lastig waarneembaar op deze frequentie of dit aggregatie-niveau, omdat effecten in subfrequenties of subsectoren tegen elkaar wegvallen. We willen daarom naar verschillende aggregatieniveaus kijken, waarbij de deelaggregaten dan zowel temporeel (bijvoorbeeld maand- in plaats van kwartaalreeksen) als intrasectioneel (bijvoorbeeld de landbouwsector voor verschillende landbouwproduct-sectoren) kunnen zijn. 

Weerdata:

• In het eerdere onderzoek hebben we een beperkt aantal weersinvloeden bekeken, voornamelijk rond temperatuur (kou en warmte). Dit gaf slechts een beperkte verklaring aan de economische reeksen. In het huidige onderzoek nemen we een uitgebreidere set aan weersvariabelen mee, gebaseerd op meerdere databronnen, anders gedefinieerde weersvariabelen en gecombineerde weerseffecten. Hierbij willen we beter aansluiten bij de zogenaamde klimaatdrukfactoren van de klimaatscenario’s van het KNMI (het wordt warmer, het wordt droger, het wordt natter, de zeespiegel stijgt). 

Econometrische tijdreeksmodellen:

• We beschouwen een grotere set tijdreeksmodellen, waarbij we selectie van het beste tijdreeksmodel overlaten aan standaard tijdreeks modelselectie technieken. 
• De tijdreeksmodellen houden rekening met verstoringen in de reeks zoals uitbijters, breuken, kalendereffecten, en de verstoring door de coronacrisis, zodat deze effecten niet onterecht aan het weer worden toegeschreven. 
• Per sector kunnen meerdere weervariabelen een significante invloed hebben, we kijken daarom naar modellen met meerdere verklarende variabelen.  
• Aangezien we een groot aantal weerseffecten onderzoeken, ontwikkelen we een methode om de statistisch meest invloedrijke weersvariabelen per sector te selecteren. 
• De invloed van een weerseffect kan per kwartaal verschillen. Een wat warmere winter heeft bijvoorbeeld een ander effect op de horeca dan een wat warmere zomer. Om hier rekening mee te houden, zullen we het weerseffect per kwartaal apart modelleren.
• Tijdsafhankelijkheid; onderzoeken we of de invloed van een bepaald weerseffect door de jaren heen veranderd is. Denk bijvoorbeeld aan vorst, waar de bouw eerder veel last van had, maar waar men door technische oplossingen wellicht beter mee om kan gaan.

2.4 Technische toelichting

Constructie van weersvariabelen

Voor het construeren van de weersvariabelen maken wij gebruik van KNMI-daggegevens. Alle gegevens zijn beschikbaar voor 50 weerstations verspreid over Nederland. We gebruiken alleen de metingen van de vijf gehomogeniseerde stations (De Bilt, De Kooy (Den Helder), Eelde (Groningen), Vlissingen en Beek (Maastricht)). Deze bevatten correcties waardoor ze beter door de tijd heen te vergelijken zijn. De vijf stations zijn mooi verspreid over Nederland, waardoor ze na middelen van de metingen een proxy bieden voor het landelijke weer. Er zijn in totaal 38 variabelen beschikbaar, te verdelen in de volgende hoofdcategorieën:

• Temperatuur
• Neerslag
• Zon, bewolking
• Wind
• Luchtdruk
• Zicht
• Relatieve vochtigheid 

We gebruiken weersvariabelen direct van het KNMI (Tabel 1) of leiden zelf weersvariabelen op dagbasis af (Tabel 2.2.1.2). Om met deze gedetailleerde informatie analyses te kunnen doen moeten we deze samenvatten tot landelijke cijfers op kwartaalniveau. Er dienen dus meerdere aggregatieslagen plaats te vinden. Het stappenplan om tot kwartaalvariabelen te komen is als volgt: 

1. Kwartaaltotalen/-gemiddelden van de variabelen berekenen, per station.
2. Het langjarig gemiddelde over alle zelfde kwartalen, per station, berekenen en aftrekken van stap 2. Aangezien we op zoek zijn de invloed van weersafwijkingen, kijken we naar afwijkend weer, ofwel afwijkend van het langjarig gemiddelde. 
3. Middelen over alle stations.

Tijdreeksanalyse

Wij maken gebruik van de methodiek van Ouwehand en Van Ruth (2014), met de aanpassingen van Ouwehand (2020). Zie deze studies voor een technische beschrijving van de tijdreeks-analyses.