Klimaatimpact op de economie

Klimaatverandering is één van de grootste uitdagingen voor de Nederlandse samenleving op dit moment. Niet alleen is het zaak de broeikasgasuitstoot, en daarmee klimaatverandering, te verminderen (mitigatie), maar er moet ook ingespeeld worden op de effecten van klimaatverandering (adaptatie). Volgens de klimaatscenario’s van het KNMI komt klimaatverandering in Nederland tot uitdrukking in vier zogenaamde klimaatdrukfactoren:

• Het wordt warmer: de gemiddelde temperatuur zal stijgen. Ook de extremen zullen toenemen. Hittegolven zullen frequenter, langduriger en intenser worden.
• Het wordt droger: door afnemende neerslagfrequentie en toenemende verdamping zullen droge periodes intenser worden. 
• Het wordt natter: wanneer neerslag wel valt, zal dit door verhoogde luchtvochtigheid van de warmere atmosfeer veel heviger zijn.    
• De zeespiegel stijgt: door stijgende temperaturen van het zeewater en smeltende poolkappen zal de zeespiegel stijgen. Dit leidt onder meer tot verzilting van de grond in kustgebieden.

Met behulp van de adaptatietool van de Nationale Adaptatie Strategie (NAS) kan voor verschillende economische sectoren een bollenschema geproduceerd worden waarin de relevante gevolgen van deze klimaatdrukfactoren worden weergegeven. Gebruik makend van het kader voor de definities van klimaatimpact en -risico’s van het IPCC, bestaat de impact van de klimaatdrukfactoren uit de componenten klimaatdreiging, blootstelling en kwetsbaarheid. Kwetsbaarheid is daarbij een combinatie van gevoeligheid en adaptatiecapaciteit. Om goed mitigatie- en adaptatiebeleid vorm te geven, is het belangrijk al deze componenten te monitoren. Wereldwijd is daarin ook een rol voor statistische bureaus weggelegd. 

Het onderzoek bestaat uit twee delen. In het deelonderzoek ‘Impact van afwijkend weer op economische sectoren’ worden door middel van tijdreeksanalyse weersvariabelen gerelateerd aan de ontwikkeling van toegevoegde waarde van de economische sectoren bouw, industrie, horeca, delfstoffen, en energie. Op deze manier kan de impact van het afwijkend weer, en daarmee de impact van klimaat op deze sectoren worden bepaald. Indirect kan hiermee ook nader worden bepaald welke drukfactoren en klimaatvariabelen een significante economische invloed hebben. De resultaten van dit deelonderzoek betreffen een actualisatie van eerder uitgevoerd onderzoek. Ook lichten wij lopend verder onderzoek en plannen voor verfijning en uitbreiding van dit eerdere onderzoek toe. 

In het deelonderzoek ‘Omvang economie in overstromingsrisicogebieden’ worden door middel van geografische informatiesystemen (GIS) kaarten van overstromingsrisico gecombineerd met economische informatie uit de regionale rekeningen, een module van de nationale rekeningen, van het CBS. Deze informatie bestaat uit toegevoegde waarde, productie en werkgelegenheid. Hiermee is inzichtelijk gemaakt wat de omvang is van deze variabelen in gebieden die blootgesteld zijn aan een bepaald risico op overstroming. 

Samenvatting

Deelonderzoek ‘Impact van afwijkend weer op economische sectoren’ 

• Met behulp van economische data (CBS) en weerdata (KNMI) van de afgelopen 30 jaar, kwantificeren we de impact van afwijkend weer op de economie. 
• De invloed van afwijkend weer op de economie, zoals bijvoorbeeld het aantal warme dagen of het aantal vorstdagen, is instrumenteel om de invloed van klimaatverandering op de economie in kaart te brengen. Door klimaatverandering zullen deze weersextremen immers vaker of juist minder vaak voorkomen. 
• Eerste resultaten laten zien dat met name de bouw en industrie gevoelig zijn voor het aantal vorstdagen, en horeca voor de maximumtemperatuur. 
• Het onderzoek wordt in 2025 verfijnd en uitgebreid, onder meer door een grotere selectie aan weersvariabelen mee te nemen.

Deelonderzoek ‘Omvang economie in overstromingsrisicogebieden’ 

• Door het koppelen van regionale economische data (CBS) met een klimaatrisicokaart, kan in kaart worden gebracht hoe de economie van risicogebieden eruit ziet. 
• In dit onderzoek is ter illustratie voor verschillende overstromingsrisicokaarten (LIWO) de economie van het risicogebied getoond. Dit kan worden uitgesplitst per economische sector en per regio (52 COROP-plus gebieden). 
• In het overstromingsscenario met een herhalingsperiode van eens in de 10 jaar (grote kans), waarbij buitendijkse gebieden overstromen, lopen met name Limburg en het rivierengebied risico. Het overstromingsrisicogebied omvat hier ongeveer 1% van het bruto binnenlands product (bbp).
• In het overstromingsscenario met een herhalingsperiode van eens in de 100.000 jaar (extreem kleine kans), waarbij primaire waterkeringen doorbreken, lopen met name laaggelegen delen van Nederland risico. Het overstromingsrisicogebied omvat hier ongeveer 53% van het bbp.
• Verder zien we dat er verschillen tussen sectoren zijn; van alle sectoren is het deel dat gevestigd is in overstromingsrisicogebied het grootst voor de energiesector en het kleinst voor de industrie. 

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.

Nederland is kwetsbaar voor overstromingen. Een groot deel van Nederland ligt onder de zeespiegel, en grote rivieren stromen door Nederland naar de zee. Het gevaar van overstromingen komt vanuit de zee, maar vaker vanuit hoogwater in de rivieren of de doorbraak van dijken. Door het veranderende klimaat neemt de kans op extreme neerslag toe en krijgen we te maken met een stijgende zeespiegel, waardoor het risico op overstroming verder stijgt. In dit deelonderzoek kwantificeren we de economie van het overstromingsgebied in Nederland.  Met andere woorden, voor verschillende overstromingskansen kwantificeren we welk deel van de toegevoegde waarde, werkgelegenheid en productie wordt gegenereerd in het overstro-mingsrisicogebied. 

3.1 Hoe meten we de omvang van de economie in overstromingsrisicogebieden?

Om het overstromingsrisico te kwantificeren worden overstromingsrisicokaarten van het Landelijk Informatiesysteem Water en Overstromingen (LIWO) gebruikt. Wij gebruiken de samengestelde waterdieptekaarten, waarin de maximale waterdiepte bij overstromingen met een bepaalde kans, uitgedrukt in een herhalingsperiode, wordt getoond. Deze diepte is bepaald aan de hand van modelsimulaties. Voor onze analyse maken wij gebruik van de door het LIWO bepaalde overstromingsscenario's ‘extreem kleine kans’ (tot eens in de honderdduizend jaar of nog extremer), ‘kleine kans’ (tot eens in de duizend jaar) en ‘grote kans’ (tot eens in de tien jaar). Voor al deze kaarten geldt dat er mogelijke overstromingen worden weergegeven die in werkelijkheid niet allemaal tegelijkertijd zullen optreden. De kaarten laten het samengestelde effect zien van vier typen overstromingen voor beschermde en onbeschermde gebieden gelegen langs het primair en regionale watersysteem: 

A. Overstroming van buitendijkse gebieden
B. Doorbraak primaire waterkeringen
C. Doorbraak niet-primaire waterkeringen
D. Overstroming vanuit regionaal watersysteem

Wij markeren elke locatie waar de maximale waterdiepte groter dan 0 meter is als overstroomd. In Figuur 3.1.1 zijn verschillende overstromingsscenario’s over elkaar heen gelegd. Hier is te zien dat in het scenario ‘grote kans’ (tot eens in de tien jaar), de overstromingen zich met name lokaliseren rond de rivieren. Dit omvat Limburg, Midden-Nederland en het gebied rond de IJssel. Overstroming type A, de overstroming van buitendijkse gebieden, is dominant in dit scenario. In het scenario ‘extreem kleine kans’ (tot eens in de honderdduizend jaar of nog extremer) is met name overstroming type B dominant, de doorbraak van primaire waterkeringen. In de kaart resulteert dit in overstroming van Flevoland,  Zeeland, Zuid-Holland en grote gebieden rondom de rivieren. 

3.1.1 Overstromingsrisicokaart voor verschillende scenario’s, overgenomen van de Atlas Leefomgeving, thema Overstroming. 

Om de economie van overstromingsrisicogebied in kaart te brengen, koppelen we in deze analyse regionale economische data en overstromingskaarten. De economische data die hiervoor worden gebruikt komen uit de regionale rekeningen van het CBS. Deze data omvatten, per gemeente en per economische activiteit, de toegevoegde waarde, werkgelegenheid en productie.  In dit onderzoek laten we zien welk deel van (bijvoorbeeld) de toegevoegde waarde in overstromingsrisicogebied wordt gegenereerd. Om dit te vertalen naar daadwerkelijke economische schade en verliezen tijdens een overstroming, is er aanvullende analyse nodig. Daarin kan onder andere meegenomen worden hoe de schade afhangt van waterdiepte, en ook op welke termijn er eventueel herstel van deze schade plaatsvindt. Deze vervolganalyse wordt in dit onderzoek niet gedaan. 

Onze analyse geeft een beeld van de economie van het overstromingsrisicogebied voor verschillende overstromingskansen. Dit brengen wij zowel per economische sector als per regio in kaart, waarbij wij de regio-indeling COROP-plus hanteren.

3.2 Landelijke economie

We kijken eerst naar het landelijk totaal van de economie in overstromingsrisicogebieden voor verschillende overstromingskansen. Een goede graadmeter voor de economie is het bruto binnenlands product (bbp). In deze analyse kijken we voor verschillende overstromingskaarten hoe groot het aandeel van het bbp is dat in het  overstromingsrisicogebied wordt gegenereerd. Figuur 3.2.1 laat zien dat dit ongeveer 53% van het bbp is in het overstromingsscenario met een extreem kleine kans. In het overstromingsscenario met een kleine kans is dit 34%, en in het scenario met een grote kans is dit maar 1%. Wat tegelijkertijd opvalt is dat deze percentages zeer stabiel zijn in de afgelopen twintig jaar. De huidige analyse is voor alle analysejaren (2010-2022) steeds gebaseerd op dezelfde overstromingsrisicokaarten, terwijl de economische data wel is gevarieerd. Hierbij hebben we de aanname gedaan dat economische veranderingen veel groter zijn dan veranderingen in overstromingskans door bijvoorbeeld nieuw gebouwde of verbeterde dijken.

We zien in Figuur 3.2.2 dat de absolute grootte van het bbp dat wordt gegenereerd in overstromingsrisicogebied wel flink toeneemt. Voor het scenario ‘extreem kleine kans’ neemt dit toe van 340 miljard euro in 2010 tot 525 miljard euro in 2022. Dit wordt volledig verklaard door de stijging van het totale landelijke bbp, aangezien de overstromingspercentages constant zijn (zie Figuur 3.2.1).

3.3 Verschillen tussen economische sectoren

Naast de analyse voor de totale landelijke economie, kunnen we ook naar economische sectoren kijken. Voor deze analyse is economische data uit 2022 gebruikt. 

In Tabel 3.3.1 is voor het overstromingsscenario met een extreem kleine kans weergegeven wat de invloed op verschillende economische sectoren is. Arbeidsjaren, toegevoegde waarde en productie gegenereerd in overstromingsrisicogebied is berekend. 

Toegevoegde waarde gegenereerd  in risicogebied

Figuur 3.3.2 laat voor het scenario ‘extreem kleine kans’ voor verschillende economische sectoren zien, welk deel van de toegevoegde waarde wordt gegenereerd in overstromingsrisicogebied. We zien dat de dit percentage het grootste is bij de energiesector. Bijna 70% van de toegevoegde waarde van deze sector wordt gegenereerd in gebieden die overstromen (in het scenario ‘extreem kleine kans’). Voor veel andere sectoren ligt dit rond de 50%. Voor de industrie is dit zelfs maar 42%. Dit is te verklaren doordat een groot deel van de industrie (15% van de nationale toegevoegde waarde van deze sector) rondom Eindhoven is gelokaliseerd, waar nagenoeg niets overstroomt. Dit compenseert bijvoorbeeld de regio Rijnmond die voor 85% overstroomt in dit scenario, en waar 7% van de (nationale) industrie zich bevindt. 

In Figuur 3.3.3 kijken we naar absolute waarden van het bbp dat wordt gegenereerd in overstromingsrisicogebied, voor verschillende sectoren, en in verschillende overstromings-scenario’s. Die is het grootste voor de sector ‘handel, vervoer en horeca’: 102, 69 en 2 miljard euro voor de drie overstromingsscenario’s. Op de tweede plaats komt de overheid en zorgsector. Deze twee sectoren zijn in termen van toegevoegde waarde ook de grootste sectoren binnen de Nederlandse economie.  

De grootste bijdrage aan de toegevoegde waarde van de energiesector komt vanuit regio Rijnmond en regio Groningen (inclusief de Eemshaven). Beide regio’s overstromen in het scenario ‘extreem kleine kans’ voor (ruim) 80%. De energiesector is ook de enige sector waarbij een steeds groter deel van de toegevoegde waarde wordt gegenereerd in overstromingsgebied. Voor andere sectoren blijft dit nagenoeg stabiel. Vanaf 2010 tot 2022 loopt dit percentage in de energiesector op van bijna 60% tot bijna 70% (in het scenario ‘extreem kleine kans’). Dit komt met name door groei van de sector in gebieden waarin een groot deel van het gebied overstroomd: de regio rondom Amsterdam, Flevoland, Rijnmond en regio Groningen (inclusief de Eemshaven).  

Werkgelegenheid in risicogebied

Voor werkgelegenheid (uitgedrukt in arbeidsjaren) is een soortgelijke analyse uitgevoerd, waarbij opnieuw gekeken kan worden welke sectoren relatief het meest gevoelig zijn voor overstroming en in welke sectoren absoluut de meeste arbeidsjaren in risicogebied worden gegenereerd. 

Ook in het geval van werkgelegenheid is de energiesector relatief de meest gevoelige sector,  samen met de ‘informatie en communicatie’-sector. Bijna 60% van de werkgelegenheid van deze twee sectoren bevindt zich in overstromingsgebied (in het scenario ‘extreem kleine kans’). In de informatiesector bevindt ruim 33% van de werkgelegenheid zich in de regio’s Amsterdam en Utrecht, deze overstromen voor respectievelijk 64% en 72%. Daarmee is 40% van de totale werkgelegenheid in het risicogebied toe te schrijven aan deze regio’s. De percentuele verschillen zijn in het geval van werkgelegenheid echter een stuk kleiner dan in het geval van toegevoegde waarde. Voor alle sectoren wordt tussen de 50% en 60% van de werkgelegenheid gegenereerd in risicogebied in dit scenario. Voor de industrie is dit als enige sector minder dan de helft (43%) van de werkgelegenheid. De twee gebieden met de grootste werkgelegenheid in deze sector (regio Eindhoven en Twente, met respectievelijk 11% en 5% van het landelijk totaal) overstromen nagenoeg niet.  

Het absolute aantal arbeidsjaren in risicogebieden is in alle drie de scenario’s het grootst in de sector ‘Overheid en zorg’, de grootste sector van de Nederlandse economie in termen van arbeidsjaren.  

3.4 Deel van Nederland met het hoogste risico

De methode die we gebruiken om de economie van overstromingsgebieden te meten, maakt het niet alleen mogelijk verschillende economische sectoren te analyseren. We kunnen ook de economie per regio beschouwen. 

Figuur 3.4.1 en 3.4.2 laten zien hoe de toegevoegde waarde die wordt gegenereerd in risicogebied varieert voor de verschillende gebieden, in het scenario ‘extreem kleine kans’. Als we kijken naar het risicolopende deel van de toegevoegde waarde per regio, vallen met name de provincies Flevoland en Zuid-Holland op. In de Betuweregio en regio Delfzijl is dit deel het grootste, en wordt respectievelijk 96% en 95% van de toegevoegde waarde gegenereerd in overstromingsgebied. 

De absolute risicolopende toegevoegde waarde is het grootste in de regio’s Rotterdam (Rijnmond) en Amsterdam. In het scenario ‘extreem kleine kans’ wordt in deze regio’s ongeveer 61 miljard euro aan toegevoegde waarde gegenereerd in het overstromingsgebied. 

We kijken ook naar de toegevoegde waarde in het overstromingsscenario ‘grote kans’, zie Figuur 3.3.4 en Figuur 3.4.4. In dit scenario overstroomt met name Limburg en het rivierengebied. Daar is het economisch risico dan ook het grootst; in Noord-Limburg wordt 17% van de toegevoegde waarde gegenereerd in overstromingsrisicogebied, ter waarde van 2 miljard euro.  

3.5 Grote verschillen per sector en regio

Naast regionale verschillen en verschillen tussen economische sectoren, kunnen we ook per regio naar de invloed op economische sectoren kijken. 

In dit rapport laten we de resultaten voor drie COROP-plus gebieden zien: Stadsgewest Utrecht, Zuidoost-Utrecht en Zuidwest-Gelderland (zie Figuur 3.5.1). Deze gebieden zijn geselecteerd, omdat ze aangrenzend zijn, maar grote verschillen laten zien voor het deel van de toegevoegde waarde dat wordt gegenereerd in risicogebied, zowel in relatieve als in absolute zin. 

Figuur 3.5.2: Percentueel deel van toegevoegde waarde dat wordt gegenereerd in risicogebied voor verschillende sectoren in drie COROP-plus gebieden. Scenario: extreem kleine kans, economische data uit 2022. Data voor de energiesector en voor waterbedrijven kunnen niet getoond worden wegens geheimhouding.

Figuur 3.5.3: Toegevoegde waarde die wordt gegenereerd in risicogebied, voor verschillende sectoren in drie COROP-plus gebieden. Scenario: extreem kleine kans, economische data uit 2022. Data voor de energiesector en voor waterbedrijven kunnen niet getoond worden met deze regionale uitsplitsing.

Als we kijken naar Figuur 3.5.2 is goed te zien dat de verschillen tussen de drie aangrenzende COROP-plus gebieden groot zijn. Voor Zuidwest-Gelderland (het Betuwegebied) geldt dat voor alle sectoren 96% van de toegevoegde waarde wordt gegenereerd in overstromingsgebied bevindt. Voor regio Stadsgewest Utrecht varieert dit tussen de 60% en 80% voor de verschillende sectoren. Voor de meeste sectoren geldt dat er relatief het kleinste deel van de risicolopende toegevoegde waarde wordt gegenereerd in de regio Zuidoost-Utrecht: tussen de 12% en 88%. 

Een relatief kleiner deel van Stadgewest Utrecht dan van Zuidwest-Gelderland bevindt zich in overstromingsgebied. Desondanks is in Figuur 3.5.3 goed te zien dat de absolute risicolopende toegevoegde waarde voor alle sectoren in Stadsgewest Utrecht het grootste is. Net als op nationaal niveau (zie Figuur 3.3.3) zijn het de sectoren ‘Overheid en Zorg’ en ‘Handel, vervoer en horeca’ die de grootste absolute toegevoegde waarde in risicogebied laten zien. Op nationaal niveau loopt de handelssector het grootste risico, in stadsgewest Utrecht is dit echter de overheid.

3.6 Samenvatting en verder onderzoek

In dit onderzoek hebben we klimaatrisicokaarten en economische data aan elkaar gekoppeld. Dit is gedaan voor overstromingsrisicokaarten en voor enkele economische variabelen.  Deze analyse biedt ook mogelijkheden voor andere klimaatdreigingen en een uitgebreidere set aan economische variabelen. 

In dit rapport brengen wij de economie van overstromingsrisicogebieden in kaart. We laten onder andere zien welk deel van de toegevoegde waarde wordt gegeneerd in overstromingsrisicogebied en wat de absolute waarde daarvan is. De gehanteerde methode maakt het mogelijk om per sector en per regio hiernaar te kijken. Het gebruik van data over economische activiteiten (toegevoegde waarde, productie en werkgelegenheid) op regionaal niveau is complementair aan werk van Deltares en De Nederlandse Bank op het gebied van overstromingsschade. In het werk van DNB wordt geanalyseerd hoeveel schade bedrijven aan hun vaste activa oplopen door een overstroming. In de Schade- en Slachtoffermodule van Deltares worden daarnaast de Nationale Rekeningen van het CBS gebruikt om schade door bedrijfsuitval te bepalen. In deze studie hebben we analyses uitgevoerd voor verschillende overstromingsscenario’s.

Op nationaal niveau zien we dat in het overstromingsscenario met een extreem kleine kans, ongeveer 53% van het bbp wordt gegenereerd in overstromingsrisicogebied. In het overstromingsscenario met een grote kans is dit maar 1%. Deze percentages zijn zeer stabiel in de afgelopen twintig jaar. De waarde van het bbp in het overstromingsgebied stijgt wel van 340 miljard euro in 2010 tot 525 miljard euro in 2022. Dit is te verklaren door de landelijke stijging van het bbp sinds 2010. 

Binnen de verschillende economische sectoren zien we een groot verschil in welk deel van hun toegevoegde waarde in overstromingsrisicogebied wordt gegenereerd. In het overstromingsscenario ‘extreem kleine kans’ is dit voor de energiesector bijna 70%, voor de industrie is dit iets meer dan 40%. 

We zien een grote invloed van het gekozen overstromingsscenario op de kwetsbaarheid van regio’s ten opzichte van elkaar. In het scenario ‘extreem kleine kans’ zijn de Betuweregio en Delfzijl relatief het meest kwetsbaar (95% van de toegevoegde waarde wordt gegeneerd in overstromingsrisicogebied). Absoluut gezien is  de risicolopende toegevoegde waarde het grootst in regio Rijnmond en Amsterdam, dit risico is in beide regio’s 61 miljard. In het scenario ‘grote kans’ is met name Limburg het meest gevoelig, zowel in absolute als in relatieve zin. In de regio Noord-Limburg wordt 17% van de toegevoegde waarde gegenereerd in risicogebied, ter waarde van 2 miljard euro.  

Mogelijkheden voor verder onderzoek 

Het principe van het koppelen van regionale economische data aan klimaatrisicokaarten is een methode met veel mogelijkheden. Hiermee kan de blootstelling aan een klimaatrisico ruimtelijk worden getoond. Ter illustratie hebben we onderzocht welk deel van de toegevoegde waarde, werkgelegenheid en productie wordt gegenereerd in het overstromingsrisicogebied. Deze analyse kan op verschillende manieren worden uitgebreid.

Voor overstromingsdata geldt dat er een groot scala aan kaarten gebruikt kan worden voor deze analyse. In deze studie is het geaggregeerde risico van vier overstromingstypen gebruikt. Er kan ook specifiek naar één van deze typen gekeken kunnen worden, bijvoorbeeld ‘Overstroming van buitendijkse gebieden’. Een andere mogelijkheid is om naar (combinaties van) lokale overstromingsscenario’s te kijken, die in het LIWO beschikbaar zijn. In de huidige studie publiceren we de economische data op COROP-plus niveau. Dit zijn echter te grote regio’s om economische effecten van deze lokale overstromingen te laten zien. Het zal echter maatwerk vergen om te kijken voor welke gemeenten er genoeg economische data zijn om op gemeenteniveau te kunnen publiceren. 

De analyse die wij hebben uitgevoerd zou ook kunnen worden toegepast op andere klimaatdreigingen, zoals droogte, extreme neerslag, en hitte. Per klimaatdreiging zal moeten worden geanalyseerd hoe dit het risicogebied zo goed mogelijk kan worden afgebakend. Ook hier is het nodig om te kijken of de economische data op het juiste aggregatieniveau qua regionalisatie beschikbaar en publiceerbaar is.

3.7 Technische toelichting

Overstromingskaarten: 

Zoals toegelicht in paragraaf 3.1 worden de overstromingskaarten van het Landelijk Informatiesysteem Water en Overstromingen (LIWO) gebruikt. Deze kaarten laten met een resolutie van 25 x 25 meter voor verschillende overstromingskansen zien hoe Nederland risico loopt. In deze studie gebruiken we de kaart: Maximale overstromingsdiepte Nederland. Op die kaart wordt de maximale waterdiepte voor heel Nederland voor een bepaalde kans getoond. Er zijn vijf kaarten beschikbaar: 1) extreem kleine kans, 2) zeer kleine kans, 3) kleine kans, 4) middelgrote kans en 5) grote kans. Wij voeren analyses uit op kaarten 1, 3 en 5.  

- 1) Extreem kleine kans: toont waar overstromingen tot ongeveer eens in de honderd-duizend jaar (of nog extremer) kunnen voorkomen. 
- 3) Kleine kans: toont waar overstromingen tot ongeveer eens in de duizend jaar kunnen voorkomen. 
- 5) Grote kans: toont waar overstromingen tot ongeveer eens in de tien jaar kunnen voorkomen.

Voor alle kaarten geldt dat er mogelijke overstromingen worden weergegeven die in werkelijkheid niet allemaal tegelijkertijd zullen optreden. De kaarten zijn gebaseerd op vier typen overstromingen voor beschermde en onbeschermde gebieden gelegen langs het primair en regionale watersysteem.

In de analyse die in deze studie wordt uitgevoerd wordt eerst de overstromingskaart gedis-cretiseerd. Voor elke locatie waar de maximale waterdiepte groter dan 0 meter is, wordt de locatie gemarkeerd als overstroomd. Deze analysestap levert de drie kaarten uit Figuur 3.7.1 op. Hierin is dus geen onderscheid meer te maken tussen de verschillende waterdieptes van verschillende locaties. 

Overstromingsfracties per gemeente bepalen:

Per gemeente wordt bepaald welk deel van deze gemeente als overstroomd wordt gezien. Dit wordt niet op basis van het overstroomd oppervlak van een gemeente gedaan , maar aan de hand van het aantal overstroomde bedrijven in een gemeente binnen en buiten het overstroomde gebied van die gemeente. Deze GIS-analyse is op basis van de Basisregistratie Adressen en Gebouwen (BAG) uitgevoerd. Hierbij worden alle gebouwen meegeteld als bedrijf, als de status van het gebouw Verblijfsobject in gebruik is en de functie anders is dan woonobject. Op deze manier is per gemeente bekend wat het percentage overstroomde bedrijfsvestigingen is. Dit is een geschiktere maat voor het koppelen van economische activiteiten aan de overstromingskaart. 

3.7.1 Overstromingskaarten na de discretisatiestap. Er worden hier drie scenario’s getoond, van links naar rechts: 1) extreem kleine kans, 3) kleine kans, 5) grote kans. De lijnen op de kaart representeren gemeentegrenzen. 

Economische data

De economische data die worden gebruikt komen uit de regionale rekeningen van het CBS. In deze economische data is er per jaar, per gemeente en op regkol-niveau economische informatie beschikbaar, onder andere over toegevoegde waarde, productie en werkgelegenheid. Waar nodig wordt de economische data van een bedrijf uitgesplitst naar verschillende gemeenten, waarbij het aantal banen per gemeente van dat bedrijf gebruikt wordt als verdeelsleutel. Regkol-indeling is een economische activiteit volgens de Nationale Rekeningen-indeling (NR-indeling) die gebaseerd is op de Standaard Bedrijfsindeling (SBI).  Publicatie van de regionale rekeningen vindt plaats op COROP-plus niveau en geaggregeerd naar 21 economische sectoren. Dit is ook het publicatieniveau dat wij in deze studie hanteren.

In de economische data bevindt zich ook data over het extraterritoriale gebied. De economische activiteiten die in deze regio worden geboekt, zijn niet aan een bepaalde regio/gemeente binnen de Nederlandse landsgrenzen toe te rekenen. Het gaat bijvoorbeeld om het werk in Nederlandse ambassades in het buitenland, buitenlandse militaire missies of de winning van delfstoffen op het Nederlands Continentaal Plat. Deze economische activiteiten worden niet meegenomen in deze studie. 

Overleggen overstromingskaarten met economische data

Een belangrijke stap in de analyse van het economische gegevens van overstromingsgebieden, is het overlappen van de overstromingskaarten en de economische data. Deze zijn beiden beschikbaar op gemeenteniveau. Op dat niveau wordt de koppeling gemaakt. De fractie overstroomde bedrijven per gemeente, wordt toegekend aan alle economische variabelen. Voor de tijdreeksen die zijn gemaakt in deze analyse wordt telkens dezelfde overstromingsrisicokaart gebruikt in combinatie met de economische data van het betreffende analysejaar.