Het persoonlijke netwerk en de keuze voor zonnepanelen

Nederland maakt de overstap naar hernieuwbare energie. Zonnestroom is hier een belangrijk onderdeel van. In 2024 was het verbruik van zonne-energie 22 procent van het totale eindverbruik van hernieuwbare energie in Nederland (CBS, 2025a). Het aantal installaties van zonnepanelen op of rond woningen is tussen 2012 en 2020 onafgebroken gestegen, van ongeveer 70 duizend tot bijna 3 miljoen in 2024 (CBS StatLine, 2021, 2025). Wie hebben die zonnepanelen en waarom?

Mensen kunnen verschillende redenen hebben om te kiezen voor zonnepanelen. Eerder onderzoek uit andere landen wijst uit dat er tussen 2010 en 2022 een verschuiving was van de belangrijkste reden die mensen noemden (Sigrin, Pless en Drury, 2015, Simpson en Clifton, 2017, Palm, 2018). De eersten die zonnepanelen namen waren vaker geïnteresseerd in de technologie en milieuvoordelen. De mensen die recenter zonnepanelen namen waren relatief vaker gemotiveerd door financiële prikkels. De groei van zonnestroom is mede mogelijk geweest door verschillende subsidies en regelingen, zoals de salderingsregeling waarmee gebruikers geld terugkrijgen voor hun opgewekte elektriciteit (CBS, 2024).

De keuze voor zonnepanelen maken mensen niet op zichzelf: de keuzes van familie en bekenden spelen mogelijk ook een rol (Simpson en Clifton, 2017, Palm, 2018, He, Lovo en Veronesi, 2022). Eerder is aangetoond dat mensen elkaar beïnvloeden en dat bepaald gedrag in de sociale omgeving ‘besmettelijk’ is, zoals echtscheiding (De Vuijst et al., 2017), het krijgen van kinderen (Buyukkececi et al., 2020), obesitas (Christakis en Fowler, 2007), antisociaal gedrag en criminaliteit (Monahan, Steinberg en Cauffman, 2009), en prosociaal gedrag bij jongeren (Barry en Wentzel, 2006; Van Hoorn, Crone en Leijenhorst, 2016).

Er zijn verschillende manieren waarop sociale beïnvloeding kan plaatsvinden. Ten eerste kunnen mensen sociaal leren via observatie en rolmodellen. Bij het nemen van zonnepanelen gebeurt dat bijvoorbeeld wanneer mensen zien dat (veel) anderen in hun omgeving zonnepanelen nemen. Ten tweede kan sociale beïnvloeding ook indirecter werken, via het overbrengen van normen en waarden, zoals duurzaamheid. Tenslotte kan het netwerk ook gelegenheid bieden, zoals toegang tot informatie en hulpbronnen. In het geval van zonnepanelen kan dit bijvoorbeeld door te praten met een bekende over diens ervaringen met de installatie van zonnepanelen en kennis over het aanvragen van subsidie.

In dit artikel staat de rol van het netwerk in de keuze voor zonnepanelen centraal. De onderzoeksvragen luiden:

1. Welke kenmerken hebben huishoudens die zonnepanelen nemen?
2. In hoeverre is er een verband tussen de keuze voor zonnepanelen en het aandeel huishoudens met zonnepanelen in het netwerk?
3. Verschilt dit verband tussen verschillende typen netwerken (familie, buren of collega’s)?

Een kanttekening bij dit onderzoek is dat een samenhang tussen zonnepanelen in het netwerk en de kans om zelf zonnepanelen te nemen geen direct bewijs is dat er sociale beïnvloeding plaatsvindt. Mensen met dezelfde eigenschappen zijn namelijk vaak geclusterd in netwerken. Zo hebben collega’s en buren vaak een vergelijkbare sociaaleconomische positie. Collega’s hebben vaak ook vergelijkbaar werk. Als die eigenschappen zelf samenhangen met het nemen van zonnepanelen (bijvoorbeeld: werkzaam zijn in de duurzaamheidssector), zal je in het netwerk ook een clustering zien van mensen die zonnepanelen hebben, maar dat is dan geen sociale beïnvloeding.

Voor een deel van deze gedeelde achtergrondkenmerken wordt gecorrigeerd in de analyse, zoals financiële welvaart, regio, en bouwjaar van het huis. Maar niet voor alles kan gecorrigeerd worden met de beschikbare data. Denk bijvoorbeeld aan gedeelde interesses of gedeelde normen en waarden. Wanneer werknemers van een IT-bedrijf allemaal zonnepanelen nemen, zou dit kunnen komen door sociale beïnvloeding tussen collega’s, maar ook door hun gemeenschappelijke interesse in moderne technologie, waardoor ze individueel tot hun besluit zijn gekomen. Een gevonden samenhang tussen netwerkleden suggereert dus wel sociale beïnvloeding, maar met dit type onderzoek kan dat niet met zekerheid bewezen worden.

De gegevens die in dit onderzoek worden gebruikt zijn afkomstig uit het Stelsel van Sociaal-Statistische Bestanden (SSB) (Bakker, Van Rooijen en Van Toor, 2014) van het CBS.

2.1 Populatie

In dit onderzoek staan huishoudens centraal die geen zonnepanelen hebben, maar wel de mogelijkheid hebben om deze te nemen. Deze huishoudens zijn als volgt gedefinieerd:

1. De huishoudens wonen in hun eigen koopwoning (dus niet in een huurwoning);
2. De huishoudens wonen in een woning met een eigen, niet gedeeld dak (dus niet in een appartement);
3. De vertegenwoordigers van de huishoudens hebben ten minste één ander huishouden in hun netwerk;
4. Geen van de vertegenwoordigers van de huishoudens heeft eerder in een woning met zonnepanelen gewoond.

Deze eerste twee vereisten vergroten de kans dat (de vertegenwoordigers van) de huishoudens zelfstandig de keuze kunnen maken voor het nemen van zonnepanelen, zonder tussenkomst van een huisbaas of vereniging van eigenaren. De derde vereiste is noodzakelijk om de invloed van het netwerk te kunnen identificeren. De vierde vereiste is nodig omdat eerdere ervaringen met zonnepanelen de keuze voor zonnepanelen kunnen beïnvloeden, waardoor een netwerkeffect moeilijker wordt om waar te nemen.

Voor ieder huishouden worden één of twee volwassenen aangeduid als vertegenwoordiger. De eerste vertegenwoordiger is de referentiepersoon van het huishouden. De tweede vertegenwoordiger is de eventuele partner van de referentiepersoon, als die op hetzelfde adres woont. Anders is er geen tweede vertegenwoordiger. Van deze vertegenwoordiger(s) worden persoonskenmerken gebruikt in de analyse, zoals leeftijd en opleidingsniveau. Daarnaast komt elk adres maar een keer voor in de data. Het komt voor dat meerdere huishoudens een woning delen, in dat geval wordt een willekeurig huishouden op dat adres gekozen voor de onderzoekspopulatie.

Ieder peiljaar (zie 2.4) heeft een andere onderzoekspopulatie. Dat komt doordat huishoudens die in een bepaald jaar zonnepanelen nemen in latere jaren niet meer voorkomen in de populatie, en doordat huishoudens die op een eerder moment niet aan de voorwaarden hierboven voldoen, op een later moment wel in de populatie kunnen zitten, bijvoorbeeld als zij verhuisd zijn van een huurwoning naar een koopwoning. De populatie bestaat ieder jaar uit zo’n 3 miljoen huishoudens.

2.2 Zonnepanelen

Zonnepanelen worden door het CBS geregistreerd per installatie, en gekoppeld aan adressen. Hiermee wordt voor ieder huishouden in de populatie en de huishoudens in hun netwerk bepaald of zij wonen op een adres met zonnepanelen. Informatie over installaties van zonnepanelen is afkomstig uit verschillende bronnen (zie ook de toelichting van CBS StatLine, 2025 en CBS, 2025b), waarschijnlijk is 85-90 procent van de installaties van zonnepanelen op particuliere adressen bekend tot en met verslagjaar 2020. Vanaf verslagjaar 2021 is dit minimaal 90 procent (CBS, 2025b).

De huishoudens uit de onderzoekspopulatie wonen in het peiljaar (zie 2.4) nog op een adres zonder zonnepanelen. Een jaar daarna wordt bepaald of zij dan zonnepanelen hebben (ofwel via installatie op het eigen dak, ofwel door verhuizing naar een woning met zonnepanelen).

2.3 Netwerken

Voor het afleiden van de netwerkrelaties van de huishoudens in de onderzoekspopulatie is het persoonsnetwerkenbestand (Van der Laan et al., 2022, Das et al., 2023) van het CBS gebruikt. Dit bestand bevat relaties tussen alle inwoners van Nederland en bestaat uit vijf dimensies: familie, huisgenoten (huishouden), buren, collega’s (werk), en klasgenoten (school).

In dit onderzoek worden de dimensies familie, buren en collega’s gebruikt. Het gaat om administratieve relaties, het is niet bekend of mensen elkaar daadwerkelijk kennen of contact met elkaar hebben. Het familienetwerk bevat alle administratief bekende relaties tussen ouders, kinderen, broers en zussen (inclusief stief/schoonfamilie-relaties), en daarnaast nog grootouders, kleinkinderen, ooms en tantes en neven en nichten. Het burennetwerk bestaat uit de personen die wonen op de 10 dichtstbijzijnde adressen plus 20 willekeurig gekozen personen die binnen een straal van 200 meter wonen. Het colleganetwerk bestaat uit maximaal 100 personen die bij hetzelfde bedrijf werken. Wanneer er meer dan 100 mensen bij een bedrijf werken zijn de 100 meest dichtbij wonende collega’s gekozen.

Het netwerk van een huishouden wordt gebaseerd op het netwerk van de vertegenwoordiger(s) van het huishouden. Netwerken van andere medebewoners (andere huisgenoten, voornamelijk kinderen) worden niet meegenomen, we gaan ervan uit dat het hoofdzakelijk de vertegenwoordigers van het huishouden zijn die het besluit nemen om zonnepanelen te (laten) installeren.

De netwerkrelaties zijn oorspronkelijk op persoonsniveau. Die relaties zijn voor dit onderzoek uniek gemaakt op huishoudniveau, dus worden bijvoorbeeld ouders en kinderen die samen een huishouden vormen maar één keer geteld als ‘huishouden in het netwerk’.

Voor alle unieke huishoudens in het netwerk wordt bepaald of zij wonen op een adres met zonnepanelen. Hiervoor gelden geen andere restricties, deze huishoudens kunnen bijvoorbeeld ook wonen in huurhuizen met zonnepanelen die geïnstalleerd zijn door de eigenaar van de woning (in tegenstelling tot de huishoudens uit de populatie zelf).

Voor alle huishoudens met kans op zonnepanelen wordt voor elk peiljaar bepaald welk percentage van de huishoudens in hun netwerk zonnepanelen had. In 2012 hadden de meeste huishoudens in de populatie helemaal geen huishoudens met zonnepanelen in hun netwerk. In 2019 was het gemiddelde percentage huishoudens met zonnepanelen in de netwerken van de huishoudens in de populatie 16,7 procent.

Waarden boven de 30 procent komen bijna niet voor, ook niet in latere jaren. Huishoudens die wel een hoger percentage zonnepanelen in het netwerk hebben, hebben vaak een klein netwerk, met minder dan 10 huishoudens. Hierdoor valt het percentage zonnepanelen in het netwerk relatief hoog uit als maar een paar huishoudens in het netwerk zonnepanelen heeft. Deze zeldzaam hoge waarden kunnende uitkomsten van de analyse vertekenen. Daarom is het percentage huishoudens in het netwerk met zonnepanelen begrensd op 30 procent, en zijn alle waarden daarboven zijn gelijkgesteld aan 30 procent.

2.4 Peiljaren

De analyse beslaat de jaren 2012 tot en met 2019. Voor ieder jaar wordt een nieuwe onderzoekspopulatie van huishoudens met kans op zonnepanelen vastgesteld. Huishoudens die bijvoorbeeld in 2012 zonnepanelen namen, komen in latere jaren niet meer voor in de onderzoekspopulatie. Het kan zijn dat huishoudens in meerdere jaren voorkomen, als zij in de tussentijd geen zonnepanelen nemen, maar wel in meerdere jaren voldoen aan de vereisten (2.1).

Voor ieder jaar zijn de achtergrondkenmerken van de populatie huishoudens, en het percentage huishoudens in hun netwerk met zonnepanelen, vastgesteld op 1 januari. Om te bepalen of een huishouden al dan niet zonnepanelen heeft genomen, wordt gekeken naar de situatie één jaar later. Deze tussenperiode van een jaar vergroot de kans dat de huishoudens die zonnepanelen nemen daadwerkelijk beïnvloed zijn door het netwerk. Situaties waar niet sociale beïnvloeding maar een externe factor zorgt voor de gelijktijdige keuze voor zonnepanelen door een hele groep op hetzelfde moment, worden op deze manier uitgesloten van de analyse (bijvoorbeeld als de hele straat tegelijk zonnepanelen neemt omdat dat voordeliger is dan individuele contracten).

Voor de analyses is de data van alle peiljaren samengevoegd. Omdat het aandeel mensen dat zonnepanelen neemt wel van jaar op jaar verschilt, is het peiljaar toegevoegd als achtergrondvariabele in de analyses.

2.5 Analyse

Om het effect te bepalen van het percentage huishoudens met zonnepanelen in het netwerk op het al dan niet nemen van zonnepanelen, wordt gebruik gemaakt van regressieanalyse. De uitkomstvariabele van de regressie is of een huishouden in de populatie wel of geen zonnepanelen heeft genomen (1 = wel, 0 = niet). De voorspellende variabele waarvan we het effect willen meten is het percentage huishoudens met zonnepanelen in het netwerk van het huishouden. Daarnaast worden verschillende achtergrondkenmerken meegenomen in de analyse.

Er wordt gebruik gemaakt van Linear Probability Models (LPM): een lineaire regressieanalyse, toegepast op een binaire uitkomstmaat. Deze modellen schatten de kans op de binaire uitkomstvariabele, in dit onderzoek de kans dat een huishouden zonnepanelen neemt. In de bijlage worden deze modellen verder toegelicht.

Achtergrondkenmerken

In het eerste deel van de resultaten worden de kenmerken beschreven van huishoudens die zonnepanelen nemen. In de regressieanalyse worden deze kenmerken meegenomen als voorspellende variabelen. Daarmee wordt gedeeltelijk gecorrigeerd voor gedeelde achtergrondkenmerken waardoor mensen in een netwerk op elkaar kunnen lijken.

Het gaat om de volgende achtergrondkenmerken:

• Hoogst behaald onderwijsniveau (referentiepersoon)
• Partner in het huishouden (‘Ja’ als referentiepersoon een partner heeft die tot hetzelfde huishouden behoort en er dus twee vertegenwoordigers zijn, anders ‘Nee’)
• Gemiddelde leeftijd (vertegenwoordiger(s) van het huishouden)
• Aantal andere volwassen medebewoners (exclusief de vertegenwoordiger(s))
• Financiële welvaart (combinatie van besteedbaar inkomen en vermogen van het huishouden), in kwintielen
• Bouwjaar (woning)
• WOZ-waarde (woning)
• Regio (van de woonplaats, ingedeeld in Noord-, Oost-, West- en Zuid-Nederland)
• Stedelijkheid (van de woonplaats)

3.1 Welke huishoudens namen zonnepanelen?

In 2019 nam 7 procent van de huishoudens in de populatie zonnepanelen. In 2012 was dit nog 2,1 procent. Er is een duidelijke scheiding te zien tussen de periode vóór 2016, waarin het aandeel rond de 2 procent schommelt, en na 2016, waarna het aandeel van de populatie dat zonnepanelen neemt ieder jaar stijgt.

46- tot 65-jarigen nemen het vaakst zonnepanelen

Het aandeel huishoudens dat zonnepanelen nam, was elk jaar, behalve in 2019, het hoogst onder huishoudens met een referentiepersoon van 46 tot en met 65 jaar. In 2019 was dit aandeel iets hoger onder huishoudens van 31 tot en met 45 jaar. Het aandeel huishoudens dat zonnepanelen nam was tot 2016 het laagst onder de jongste huishoudens, met een referentiepersoon van 18 tot 30 jaar, en het op één na laagst onder de oudste huishoudens, met een referentiepersoon ouder dan 65 jaar. Vanaf 2016 namen de oudste huishoudens nog minder vaak zonnepanelen dan de jongste huishoudens.

Door de jaren heen worden de relatieve verschillen tussen de leeftijdscategorieën kleiner. In 2012 namen huishoudens met een referentiepersoon van 46 tot en met 65 jaar nog meer dan 3 keer zo vaak zonnepanelen als de jongste huishoudens, een verschil van ongeveer 200 procent. In 2019 was het verschil tussen deze leeftijdscategorieën nog maar 15 procent.

Hbo- en wo-gediplomeerden nemen het vaakst zonnepanelen

Het aandeel huishoudens dat zonnepanelen nam, is ieder jaar het laagst voor huishoudens waarvan de referentiepersoon ten hoogste een mbo1-diploma had, en het hoogst voor huishoudens waarvan de referentiepersoon een hbo- of wo-diploma had.

Net als bij leeftijd zijn de relatieve verschillen in recentere jaren kleiner dan in eerdere jaren. In 2012 namen huishoudens met een referentiepersoon met een hbo- of wo-diploma meer dan 2 keer zo vaak zonnepanelen als huishoudens met een referentiepersoon met een mbo1-diploma of vergelijkbaar. In 2019 was dit 1,6 keer zo vaak.

Vaker zonnepanelen bij hogere welvaart

Hoe financieel welvarender huishoudens zijn, hoe groter de kans dat zij zonnepanelen nemen. Dat geldt voor elk jaar in de analyse. Net als bij leeftijd en onderwijsniveau zijn de relatieve verschillen tussen de groepen kleiner in recentere jaren. In 2012 namen huishoudens in het hoogste welvaartskwintiel 6,3 keer zo vaak zonnepanelen als huishoudens in het laagste kwintiel. In 2019 namen huishoudens met de hoogste financiële welvaart nog 2,2 keer zo vaak zonnepanelen als huishoudens met de laagste financiële welvaart.

Vaker zonnepanelen op nieuwere woningen

Huishoudens die wonen in een woning met een recenter bouwjaar namen vaker zonnepanelen dan huishoudens in woningen met eerdere bouwjaren. Vooral huishoudens in woningen met bouwjaar 1981 of later namen relatief vaak zonnepanelen vergeleken met eerdere bouwjaren. In tegenstelling tot de hierboven besproken kenmerken, worden de verschillen tussen bouwjaarcategorieën niet kleiner in recentere jaren, maar iets groter. In 2012 was het aandeel huishoudens dat zonnepanelen nam 40 procent hoger onder huishoudens in een woning met bouwjaar 1981 of later dan onder huishoudens met een bouwjaar vóór 1950. In 2019 was dit aandeel 74 procent hoger onder huishoudens in woningen met bouwjaar 1981 of later, vergeleken met vóór 1950.

Bewoners stedelijk gebied nemen minder vaak zonnepanelen

Hoe minder stedelijk de woonplaats, hoe groter het aandeel huishoudens dat zonnepanelen nam. Dat geldt voor ieder jaar in de analyse. De relatieve verschillen tussen het aandeel huishoudens dat zonnepanelen nam in niet of weinig stedelijk gebied tegenover matig, sterk of zeer sterk stedelijk gebied blijven min of meer gelijk over de jaren.

Bewoners Noord-Nederland nemen vaakst zonnepanelen

Voor ieder jaar geldt dat in Noord-Nederland (Groningen, Fryslân en Drenthe) relatief de meeste huishoudens zonnepanelen namen. In welke regio’s na Noord-Nederland de meeste huishoudens zonnepanelen namen verschilt per jaar. In de meeste jaren was het aandeel huishoudens dat zonnepanelen nam het laagst in West-Nederland (Utrecht, Noord-Holland, Zuid-Holland en Zeeland).

De kaarten hieronder tonen het aandeel huishoudens dat per peiljaar zonnepanelen nam uitgesplitst naar provincie. De stijgende trend over de tijd is duidelijk zichtbaar. In de meeste jaren staat Groningen, Zeeland of Limburg bovenaan. Dat in Groningen relatief veel huishoudens zonnepanelen namen komt waarschijnlijk door de subsidies voor aardbevingsschade. Via de Subsidie Waardevermeerdering kunnen bewoners van gebouwen met aardbevingsschade subsidie krijgen om hun woning te verduurzamen, onder andere met zonnepanelen (SNN, 2025).

3.2 Wat is de rol van het netwerk?

Jaarlijkse toename zonnepanelen in netwerken

Het percentage huishoudens met zonnepanelen in de netwerken van de populatie neemt ieder jaar toe. In 2019 had gemiddeld 16,7 procent van het netwerk zonnepanelen. In 2012 was dit maar 1,5 procent.

Huishoudens nemen vaker zonnepanelen bij meer zonnepanelen in netwerk

Naarmate het aandeel huishoudens in het netwerk met zonnepanelen toeneemt, neemt de kans toe dat een huishouden zelf ook zonnepanelen neemt. Er is dus een positief verband tussen zonnepanelen in het netwerk en de kans om zonnepanelen te nemen.

Ook na correctie voor achtergrondkenmerken netwerkeffecten

In een regressieanalyse is voor zover mogelijk gecorrigeerd voor kenmerken die mensen in een netwerk mogelijk met elkaar delen, die ook verband houden met het nemen van zonnepanelen. Ter vergelijking zijn de modellen ook geschat zonder correctie voor achtergrondkenmerken.

Er zijn twee analyses gedaan: één waarbij het aandeel huishoudens met zonnepanelen in het netwerk als geheel is meegenomen, en één waarbij het aandeel huishoudens met zonnepanelen in het familie-, buren- en colleganetwerk als aparte onderdelen in het model zaten. De uitgebreide resultaten van de regressie zijn te vinden zijn in de bijlage.

Uit deze analyses blijkt dat, ook na correctie voor achtergrondkenmerken, het aandeel huishoudens met zonnepanelen in het netwerk positief samenhangt met de kans dat een huishouden zelf zonnepanelen neemt. Gecorrigeerd voor achtergrondkenmerken neemt de kans dat een huishouden zonnepanelen neemt met 0,17 procentpunt toe voor elke toename van 1 procentpunt van het percentage huishoudens met zonnepanelen in het netwerk.

Wanneer niet gecorrigeerd wordt voor achtergrondkenmerken lijkt het netwerkeffect iets groter: voor elke toename van 1 procentpunt van het percentage huishoudens met zonnepanelen in het netwerk neemt de kans op het nemen van zonnepanelen toe met 0,29 procentpunt. Een deel van dit effect wordt dus verklaard door de gedeelde achtergrondkenmerken.

Wanneer het effect van de verschillende netwerken apart wordt geschat blijkt dat de kans op het nemen van zonnepanelen, gecorrigeerd voor achtergrondkenmerken, 0,08 procentpunt toeneemt voor elke extra procentpunt zonnepanelen in het buren- of familienetwerk. Voor het colleganetwerk is de toename 0,09 procentpunt. De individuele netwerken hebben dus elk een kleiner effect dan het totale netwerk. Ook hier geldt dat in de modellen waarin geen achtergrondkenmerken zijn meegenomen de netwerkeffecten groter zijn, en dat een deel van het waargenomen effect dus verklaard kan worden door deze gedeelde kenmerken.

Beperkte verklarende kracht

De modellen (met achtergrondkenmerken) verklaren ongeveer 2 procent van de spreiding in de data. Dit betekent dat een groot deel van de spreiding in de data niet verklaard kan worden door de modellen. Dit is een aanwijzing dat er andere factoren meespelen bij het nemen van zonnepanelen, dan de variabelen die zijn opgenomen in de modellen. Dit zijn bijvoorbeeld factoren waarover geen data beschikbaar is, zoals interesses of normen en waarden. Omdat menselijk gedrag niet altijd makkelijk in modellen te vatten is, komt een lage verklarende kracht bij sociaalwetenschappelijk onderzoek vaak voor (Ozili, 2023).

Het afgelopen decennium kwamen er steeds meer zonnepanelen op woningen bij in Nederland. Kiezen mensen vaker voor zonnepanelen als hun buren, collega’s of familie dat ook doen? In dit artikel is onderzocht welke persoons-, huishoudens- en woonkenmerken samenhangen met het nemen van zonnepanelen, en of er een verband is tussen de keuze voor zonnepanelen en de hoeveelheid huishoudens met zonnepanelen in het persoonlijke netwerk.

Uit de analyses blijkt dat hoe hoger het percentage huishoudens met zonnepanelen in het netwerk van een huishouden is, hoe groter de kans dat een huishouden zelf ook zonnepanelen neemt (ook wanneer gecorrigeerd is voor achtergrondkenmerken). Dit duidt op een mogelijke rol van sociale beïnvloeding bij het nemen van zonnepanelen, maar het kan ook te maken hebben met ongemeten kenmerken die netwerkleden sowieso al met elkaar deelden, zoals normen en waarden rondom duurzaamheid. De individuele effecten van het familienetwerk, burennetwerk en colleganetwerk zijn vergelijkbaar, en ieder kleiner dan het effect van het netwerk als geheel.

Zonnepanelen lijken door de jaren heen toegankelijker te zijn geworden, wanneer we kijken naar persoons- en huishoudkenmerken. Huishoudens met een hogere financiële welvaart en een referentiepersoon met een hoger onderwijsniveau hebben een grotere kans om zonnepanelen te nemen, maar dat verschil tussen huishoudens met verschillende welvaarts- en onderwijsniveaus is kleiner in recentere jaren.

Ook de verschillen tussen leeftijdsgroepen zijn kleiner geworden. Een mogelijke verklaring voor de afnemende verschillen is dat zonnepanelen steeds toegankelijker zijn geworden voor iedereen. Huishoudens met een kleine portemonnee konden bijvoorbeeld door subsidies makkelijker kiezen voor zonnepanelen, zonnepanelen werden rendabeler en daardoor financieel aantrekkelijker, en dit werd steeds makkelijker toegankelijke kennis waar een bredere groep mensen van kon profiteren.

Woonplaats en bouwjaar hebben ook invloed op de keuze voor zonnepanelen. Over het algemeen geldt ook dat hoe minder stedelijk de woonplaats, hoe groter het aandeel huishoudens dat zonnepanelen nam. Dit verschil bleef min of meer gelijk over de jaren, en dit heeft waarschijnlijk te maken met de fysieke mogelijkheid om op of rond de woning zonnepanelen te plaatsen, die door de jaren heen niet veranderd is. Bijvoorbeeld, woningen in het buitengebied hebben waarschijnlijk grotere daken dan in de stad, waardoor meer zonnepanelen geplaatst kunnen worden en de keuze rendabeler is.

Ook namen huishoudens die woonden in een woning met een recenter bouwjaar vaker zonnepanelen vergeleken met eerdere bouwjaren. Hiervoor geldt dat de verschillen in recentere jaren juist groter werden. Dit komt mogelijk doordat modernere woningen steeds geschikter worden voor zonnepanelen.

Toekomstig onderzoek over dit onderwerp zou zich kunnen richten op het effect van subsidies en financiële voordelen zoals de salderingsregeling. Deze zijn in dit onderzoek niet meegenomen. De lage verklaarde variantie van de modellen wijst erop dat er meer factoren een rol spelen dan zijn meegenomen in het model. Waarschijnlijk zijn financiële voordelen een belangrijke impuls voor het nemen van zonnepanelen. Het is ook interessant om te kijken naar het effect van het afschaffen van de salderingsregeling, gepland in 2027 (Rijksoverheid, z.d.). Wat zal er daarna gebeuren, en heeft dit mogelijk ook invloed op het netwerkeffect?

Dit is de eerste keer dat de rol van het netwerk bij het nemen van zonnepanelen is onderzocht met behulp van registerdata, in het bijzonder het persoonsnetwerkenbestand van het CBS. De methoden die zijn toegepast voor dit artikel kunnen ook gebruikt worden voor onderzoek naar de rol van het netwerk bij andere onderwerpen die belangrijk zijn voor de energietransitie, zoals elektrische auto’s of warmtepompen.

Bakker, B. F. M., Rooijen, J. van & Toor, L. van (2014). The system of social statistical datasets of Statistics Netherlands: an integral approach to the production of register-based social statistics. Journal of the International Association for Official Statistics, 30, 1-14.

Barry, C. & Wentzel, K. (2006). Friend influence on prosocial behavior: The role of motivational factors and friendship characteristics. Developmental Psychology, 42(1), 153-163.

Buyukkececi, Z., Leopold, T., Gaalen, R. van & Engelhardt, H. (2020). Family, Firms, and Fertility: A Study of Social Interaction Effects. Demography, 57(1), 243-266.

CBS (2024). Tijdlijn historische energie. 1989: Zonne-energie.

CBS (2025a). Hernieuwbare energie in Nederland 2024.

CBS (2025b). Zonnestroom op regionaal niveau.

CBS StatLine (2021). Zonnestroom; vermogen bedrijven en woningen, regio (indeling 2019).

CBS StatLine (2025). Zonnestroom; vermogen en vermogensklasse, bedrijven en woningen, regio.

Christakis, N. & Fowler, J. (2007). The Spread of Obesity in a Large Social Network Over 32 Years. Massachusetts Medical Society. The New England Journal of Medicine, 357, 370-379. 

Das, M., Laan, J. van der, Jonge, E. de, Vries, M. de, & Heij, V. de (2023). Statistics Netherlands' Person Network: improvements, expansions and applications.

He, P., Lovo, S. & Veronesi, M. (2022). Social networks and renewable energy technology adoption: Empirical evidence from biogas adoption in China. Energy economics, 106, 105-789.

Hoorn, J. van, Crone, E. & Leijenhorst, L. van (2017). Hanging Out With the Right Crowd: Peer Influence on Risk-Taking Behavior in Adolescence. Journal of Research on Adolescence, 27, 189-200.

Laan, J. van der, Jonge, E. de, Das, M., Riele, S. te & Emery, T. (2022). A Whole Population Network and Its Application for the Social Sciences. European Sociological Review, 39(1), 145-160.

Monahan, K.C., Steinberg, L. & Cauffman, E. (2009). Affiliation with antisocial peers, susceptibility to peer influence, and antisocial behavior during the transition to adulthood. Developmental Psychology, 45(6), 1520.

Mood, C. (2009). Logistic Regression: Why we cannot do what we think we can do, and what we can do about it. European Sociological Review, 1(26), 67-82. 

Ozili, P. (2023). The Acceptable R-Square in Empirical Modelling for Social Science Research. Social research methodology and publishing results: A guide to non-native English speakers (p. 134-143). IGI Global.

Palm, J. (2018). Household installation of solar panels - Motives and barriers in a 10-year perspective. Energy policy, 113, 1-8. 

Rijksoverheid (z.d.). Salderingsregeling stopt in 2027.

Sigrin, B., Pless, J. & Drury, E. (2015). Diffusion into new markets: evolving customer segments in the solar photovoltaics market. Environmental research letters, 10(8), 84001.

Simpson, G. & Clifton, J. (2017). Testing Diffusion of Innovations Theory with data: Financial incentives, early adopters, and distributed solar energy in Australia. Energy research & social science, 29, 12-22.

SNN (2025). Subsidie Waardevermeerdering.

Vuijst, E. de, Poortman, A., Das, M. & Gaalen, R. van (2017). Cross-sibling effects on divorce in the Netherlands. Advances in life course research, 34, 1-9.

Uitleg uitkomstmaten regressie

Voor dit artikel is gebruik gemaakt van lineaire regressie om het verband te schatten tussen het percentage zonnepanelen in het netwerk en het wel of niet nemen van zonnepanelen.

Een alternatief voor het schatten van een model met een binaire uitkomstvariabele is logistische regressie. Een belangrijk nadeel hiervan is dat de coëfficienten van logistische regressie niet één-op-één te vergelijken zijn tussen modellen (Mood, 2009). In dit onderzoek wordt de analyse twee keer uitgevoerd: één keer met het percentage huishoudens met zonnepanelen in het hele netwerk, en één keer met het percentage huishoudens met zonnepanelen in het familie-, buren- en colleganetwerk als drie losse variabelen. Door LPM te gebruiken in plaats van logistische regressie zijn deze analyses beter onderling te vergelijken. Daarnaast zijn de uitkomsten van logistische regressie moeilijker te interpreteren en visualiseren, omdat ze niet direct iets zeggen over de kans op een uitkomstmaat, maar over de kansverhouding (odds); de verhouding van de kans dat iets gebeurt, tegenover de kans dat dit juist niet gebeurt. Dezelfde modellen zijn ter controle wel geschat met logistische regressie. De resultaten leiden tot dezelfde conclusies als de resultaten van LPM. In dit artikel zijn alleen de resultaten van LPM getoond.

Om de tabellen in deze bijlage te begrijpen is het handig om te weten dat in een lineair regressiemodel de data worden beschreven als:

\[ y_i = \beta_0 + \beta_1*x_{i1}+\beta_2*x_{i2} + \ldots + \beta_n*x_{in} \]

Waarbij de y_i de uitkomstvariabele is, en x_i1 tot en met x_in de voorspellende variabelen. In dit onderzoek is de uitkomstvariabele of een huishouden wel of geen zonnepanelen nam. Dit is een binaire variabele, de uitkomst is 0 (geen zonnepanelen) of 1 (wel zonnepanelen). Wanneer een lineaire regressie wordt toegepast op een dataset met binaire uitkomstvariabele, noemen we dit een Linear Probability Model (LPM).

De interpretatie van een LPM is iets anders dan bij een lineaire regressie met een continue uitkomstvariabele, omdat het model bij een LPM niet de uitkomstmaat y_i zelf voorspelt, maar de kans op een positieve uitkomst, gegeven bepaalde waarden voor de voorspellende variabelen in het model. In dit onderzoek is dat de kans dat iemand zonnepanelen neemt. De vergelijking wordt dan:

\[ \Pr(y_i=1 | x_i) = \beta_0 + \beta_1*x_{i1}+\beta_2*x_{i2} + \ldots + \beta_n*x_{in} \]

Uit de regressieanalyse volgen de waarden voor β_o tot en met β_n waarmee deze formule het beste past op de data. Dit noemen we de coëfficiënten. Stel dat β₁ een fictieve waarde heeft van 0,5, en dat dit de coëfficiënt is voor het percentage huishoudens met zonnepanelen in het netwerk. Voor elke toename van x_i1, het percentage huishoudens met zonnepanelen in het netwerk, van 1 procentpunt, neemt volgens het model Pr(y_i=1), de kans dat een huishouden zonnepanelen neemt, toe met 0,5 procentpunt, wanneer de andere achtergrondkenmerken gelijk blijven.

Hetzelfde geldt voor de andere x_i, ook wanneer de waarden niet continu zijn, maar discreet. Stel bijvoorbeeld dat x_i2 het kenmerk ‘partner in het huishouden’ is. Dit kan ‘ja’ of ‘nee’ zijn. In de regressieanalyse wordt ‘ja’ als referentie gebruikt voor de uitkomst. Dan is de kans op het nemen van zonnepanelen voor een huishouden zonder partner β₂ keer groter of kleiner dan de kans voor huishoudens met partner, wanneer alle andere voorspellende variabelen gelijk worden gehouden.