Zo lees je economische cijfers

In dit artikel lees je hoe je wendingen in de economie het snelst kunt herkennen, en wat de invloed van seizoenseffecten op economische cijfers is. Verder bespreken we het begrip ‘overloop’, en het belang daarvan voor het lezen van jaarcijfers. Ook gaan we in op de rol die prijsveranderingen spelen in economische cijfers, en tot slot lees je waarom het soms oppassen is voor zogeheten samenstellingseffecten.

Om trends in kaart te brengen, bekijk je de ontwikkeling van een indicator tussen twee momenten. Maar welke twee momenten dat precies zijn, kan je conclusie flink beïnvloeden. Neem ter illustratie de fictieve werkloosheidcijfers in figuur 1. De meest recente cijfers laten zien dat in mei van jaar 2 ruim 310.000 Nederlanders tevergeefs op zoek waren naar betaald werk. In dezelfde maand een jaar eerder waren dat nog 270.000 mensen. Afgaande op deze vergelijking is het verleidelijk om te stellen dat de werkloosheid in jaar 2 toeneemt: in die maand telde Nederland immers 15 procent meer werklozen dan in jaar 1.

Toch is dat niet de juiste conclusie. In figuur 2 zijn namelijk de tussenliggende maandcijfers te zien. Daaruit blijkt dat er in mei van jaar 2 inderdaad meer Nederlanders werkloos zijn dan in mei een jaar eerder, maar dat de werkloosheid helemaal niet meer toeneemt maar juist al vier maanden op rij afneemt. In het algemeen geldt dan ook: hoe verder uit elkaar de momenten liggen die je met elkaar vergelijkt, hoe groter de kans dat je actuele ontwikkelingen over het hoofd ziet.

Wie zo snel mogelijk op de hoogte wil zijn van wendingen in de economie vergelijkt dus het liefst vandaag met gister, of deze week met de week ervoor. Een versnelling, vertraging of kentering in de trend zie je dan zo snel mogelijk. In de praktijk worden de meeste economische cijfers niet vaker dan eens per maand gepubliceerd. Denk aan statistieken over werkloosheid, inflatie en huizenprijzen. Een aantal cijfers, zoals het bruto binnenlands product (bbp), verschijnt in Nederland en veel Europese landen hoogstens elk kwartaal. Maar het principe blijft hetzelfde: om zo dicht mogelijk op de actualiteit te zitten, kun je het best de cijfers van de meest recente maand vergelijken met de cijfers van de maand ervoor (maand-op-maand, ook wel: m-o-m, of m/m). Of die van het laatste kwartaal met een kwartaal eerder (kwartaal-op-kwartaal, ook wel: k-o-k, of k/k). Overigens is het voorbarig om op basis van één maand- of kwartaalcijfer al te spreken van een trend. Die cijfers kunnen namelijk ook worden gedreven door toevallige en/of eenmalige gebeurtenissen. Hoe korter de periode, hoe groter de kans dat dit het geval is. Daarom zijn meerdere achtereenvolgende perioden nodig die dezelfde richting uitwijzen.

Er zijn goede redenen om soms tóch te kiezen voor een vergelijking met dezelfde periode in het vorige jaar. De belangrijkste is de aanwezigheid van seizoenseffecten (zie ook ‘Pas op voor seizoenseffecten en feestdagen’).

Vergelijken met een maand of kwartaal eerder is niet altijd de beste optie. Zo zijn in figuur 4 de omzetcijfers te zien van hotels en restaurants in Nederland in drie opeenvolgende jaren. Direct valt op dat de omzet sterk afhangt van het seizoen: de horeca heeft het – weinig verrassend – elk jaar een stuk drukker in de lente en zomer dan in de winter. Op basis van een vergelijking tussen het tweede kwartaal (de lente) en het eerste kwartaal (de winter) is dan ook niet of nauwelijks vast te stellen wat de onderliggende trend is.

Om daar wel iets over te kunnen zeggen, is het in dit geval beter om dezelfde seizoenen met elkaar te vergelijken en dus om wél te vergelijken met een jaar eerder (jaar-op-jaar, ook wel: j/j). Bijvoorbeeld door de cijfers van het derde kwartaal van jaar 3 naast die van het derde kwartaal van jaar 2 te leggen. Daaruit blijkt dat de hotelbranche in jaar 3 een betere zomer heeft gedraaid dan in jaar 2. Maar daarmee komt het eerder beschreven nadeel wel weer bovendrijven: met een jaar-op-jaar-vergelijking kun je actuele trends over het hoofd zien.

Gelukkig zijn er methoden om rekening te houden met seizoenspatronen, zodat het toch mogelijk is om een maand-op-maand- of kwartaal-op-kwartaal-vergelijking te doen. Ondanks een winterdip of zomerpiek. Zo publiceert het Centraal Bureau voor de Statistiek (CBS) voor bepaalde reeksen zulke seizoensgecorrigeerde cijfers, waaronder voor werkloosheid, economische groei en ook de bedrijvigheid in de horeca – die in figuur 4 is te zien. Daarmee wordt sneller dan in figuur 3 duidelijk dat de Nederlandse horeca in de drie geselecteerde jaren groeide.

Naast seizoenspatronen hebben sommige economische reeksen ook last van werkdag- koopdag- en feestdageffecten. Niet elke maand telt evenveel dagen, en meer dagen biedt extra gelegenheid voor huishoudens om te consumeren en voor bedrijven om te produceren. Bovendien telt de ene maand meer weekenddagen dan de andere, terwijl een zaterdag in een sector als de horeca iets anders is dan een dinsdag. Verder vallen feestdagen als Pasen het ene jaar in maart, het andere jaar in april. En vaak zijn bijvoorbeeld hotelovernachtingen duurder tijdens feestdagen en vakanties.

Veel economische reeksen hebben in meer of mindere mate te maken met seizoenseffecten, werkdageffecten, feestdageffecten en/of koopdageffecten. Een paar voorbeelden zijn werkloosheid, uitgaven van huishoudens, woningverkopen, consumentenprijzen (inflatie) en de omvang van de economie. Statistiekbureaus maken een aantal van deze reeksen beschikbaar met een seizoen- en/of werkdag- en/of koopdagcorrectie. In enkele gevallen doen we dit zelf met hulp van statistische methoden. Seizoencorrecties zijn evenwel nooit helemaal perfect, daarom blijft gelden dat het op basis van één periode te vroeg is om al te spreken van een trend.

Een term die zo nu en dan voorbijkomt in onze publicaties is ‘overloop’. Bijvoorbeeld om aan te geven dat de economische groei in een jaar terugvalt vergeleken met het jaar ervoor, maar dat het jaarcijfer door overloop toch nog hoog uitkomt. Het is een eigenaardigheid die volgt uit de standaardmanier om jaarcijfers te rapporteren, en dat is om het gemiddelde (of totaal) van een jaar te vergelijken met het gemiddelde (of totaal) van het jaar ervoor. Daardoor beïnvloedt een trend in één jaar vaak ook het jaarcijfer van het jaar erop – zelfs als die trend intussen al is uitgedoofd (of zelfs is omgekeerd).

Neem de gefingeerde werkloosheidscijfers in figuur 5 als voorbeeld. In jaar 2 waren meer mensen werkloos dan het jaar ervoor, maar dat betekent niet automatisch dat de werkloosheid ook is gestegen in jaar 2. De onderliggende kwartaalcijfers in figuur 6 laten namelijk zien dat de werkloosheid alleen in jaar 1 is gestegen, van 240.000 Nederlanders in het eerste kwartaal tot 330.000 in het vierde kwartaal. Maar omdat het jaarcijfer het gemiddelde is van de vier kwartalen komt dat voor jaar 1 nog een stuk lager uit dan in het laatste kwartaal van jaar 1, namelijk 285.000. Het gemiddelde van jaar 2 komt uit op 330.000 mensen, omdat het aantal werklozen elk kwartaal bleef steken op 330.000 mensen. De kloof van 45.000 tussen de twee jaarcijfers wordt dus niet veroorzaakt door een groei in jaar 2 maar door een positief overloopeffect. Waarbij de overloop het verschil is tussen de laatste waarde in jaar 1 (330.000) en het gemiddelde van jaar 1 (285.000).

Jaarcijfers laten dus enkel zien dat de werkloosheid in jaar 2 gemiddeld hoger was. Zonder kwartaal-, maand- of weekcijfers valt weinig te zeggen over onderliggende trends. Bovendien zou de werkloosheid in jaar 2 in dit voorbeeld door het overloopeffect wel heel sterk moeten dalen om op een lager jaarcijfer te krijgen dan in jaar 1. Om die reden valt in onze rapporten soms te lezen dat een jaarcijfer ondanks een dalende trend in het jaar zelf toch nog hoger uitvalt dan dat van het jaar ervoor.

Overloop maakt het soms vrijwel onmogelijk om op basis van een vergelijking tussen jaarcijfers ook maar iets te zeggen over eventuele onderliggende trends. Zo is in figuur 7 te zien dat er vanuit jaar 1 een negatieve overloop is van 275.000 (de laatste waarde) minus 312.500 (de gemiddelde waarde) = -37.500. Daardoor komt het gemiddelde voor jaar 2 lager uit dan in jaar 1, ook al loopt de werkloosheid in jaar 2 weer sterk op.

Veel economische cijfers worden gekleurd door prijsveranderingen. Zo kan de omzet in de horeca toenemen omdat er meer drankjes worden verkocht, of omdat de prijs van een glas bier is gestegen. Alleen het eerste zegt wat over hoeveel er wordt gemaakt en wordt verkocht. En dat is nu juist precies waarin economen vaak zijn geïnteresseerd, omdat productie en verkoop iets zeggen over de werkgelegenheid en productiviteit, en allerlei zaken die daarmee samenhangen.

Daarom is het bij economische cijfers gebruikelijk om te kijken naar zogeheten volumes. Volumes geven een indicatie van het aantal producten en diensten dat is gemaakt of gekocht en/of de kwaliteit daarvan. Volumecijfers zijn geschoond voor prijsstijgingen of -dalingen van een product of dienst met dezelfde kwaliteit. Kwalitatief betere producten zijn vaak duurder, maar daarvoor hoeft niet te worden gecorrigeerd omdat een hogere kwaliteit wordt geteld als meer volume (zie ook ‘Appels met peren vergelijken door samenstellingseffecten’). Denk aan een compacte auto versus en duurdere SUV, een merkloze tas tegenover een designertas of een biertje versus een prijzigere cocktail.

In figuur 8 is de bedrijvigheid in de horeca te zien ten opzichte van een jaar eerder, met en zonder de invloed van prijzen. In waardes, niet gecorrigeerd voor prijsveranderingen, ligt de bedrijvigheid bij hotels ruim 2 procent hoger dan het jaar ervoor. Maar in volumes, wel gecorrigeerd voor prijsveranderingen dus, ligt de bedrijvigheid bijna 2 procent lager. Dat kan erop wijzen dat hotels minder logés hadden (of dat gasten minder chique hotels boekten) maar dat de kamerprijzen zijn gestegen.

Bij restaurants is te zien dat de bedrijvigheid in zowel waarde- als volumetermen flink lager ligt dan een jaar eerder. Het verschil tussen de twee is een indicatie dat prijzen hoger lagen, maar dat er minder klanten over de vloer kwamen, zij minder hebben gekocht en/of goedkopere hapjes en drankjes kozen. Bijvoorbeeld doordat ze dat jaar kwalitatief simpelere biertjes of frisdranken verkozen boven cocktails.

In onze groeiverwachtingen voor de Nederlandse economie hebben we het (tenzij anders vermeld) over de ontwikkeling van de omvang van de economie in volumes, geschoond voor prijsveranderingen dus. Dit wordt ook weleens de ontwikkeling ‘in constante prijzen’ of ‘in reële termen’ genoemd. Wanneer géén rekening is gehouden met prijsveranderingen spreekt met ook wel van de ontwikkeling ‘in werkelijke prijzen’ of ‘in nominale termen’.

In het begin van deze publicatie schreven we dat je, om trends in kaart te brengen, de ontwikkeling van een indicator tussen twee momenten bekijkt. Maar soms vergelijk je dan onbedoeld appels met peren. Wat een tijdreeks precies meet is namelijk niet elk moment hetzelfde, wat tot zogeheten samenstellingseffecten kan leiden. De gemiddelde verkoopprijs van huizen is hiervan een goed voorbeeld. Deze statistiek laat zien hoeveel gemiddeld is betaald voor huizen die in een bepaalde periode van eigenaar zijn gewisseld. Dat klinkt rechttoe-rechtaan. Maar figuur 9 laat zien dat de mix van verkochte woningen de ene keer relatief veel appartementen telt, een andere keer juist veel vrijstaande huizen. Een verschil in de gemiddelde verkoopprijs tussen de twee momenten zegt dus meer over de samenstelling van huizen die zijn verkocht (kleinere, meestal goedkopere appartementen versus grotere, vaak duurdere vrijstaande huizen) dan de onderliggende ontwikkeling van de koopwoningprijzen.

In het geval van huizen zijn bovendien veel meer van zulke samenstellingseffecten te bedenken: dure stad versus goedkopere stad, gewilde buurt tegenover minder populaire buurt. Grote hoekwoning versus kleine hoekwoning. Vrijstaand huis met achtertuin op het noordoosten tegenover vrijstaand huis met tuin op het zuidwesten. Vooroorlogse tussenwoning of jaren 90 rijtjeshuis. Al deze factoren spelen een rol in de prijs die voor een huis wordt betaald, nog los van zaken die het algehele niveau van huizenprijzen beïnvloeden. Zoals een stijgende of dalende hypotheekrente.

De verkoopprijs van huizen is niet de enige tijdreeks die last heeft van samenstellingseffecten. Werken alle Nederlanders minder uren, of werken Nederlanders gemiddeld minder uur vanwege het stijgende aandeel 55-plussers op de arbeidsmarkt – die vaak in deeltijd werken? Geven Nederlanders meer uit aan auto’s omdat fabrikanten de prijs hebben verhoogd, of omdat ze duurdere, elektrische varianten kopen? Samenstellingseffecten zijn niet altijd een probleem: soms is de verandering in samenstelling zelf interessant. Zo is de omvang van de Nederlandse economie over tijd sterk gegroeid juist doordat de samenstelling ervan is veranderd.

Maar wie op zoek gaat naar trends doet er goed aan om kritisch te kijken wat een indicator precies meet, en wat een stijging of daling dus wel en niet zegt. Gelukkig helpen statistiekbureaus daarbij: zo publiceren het CBS en Kadaster naast de gemiddelde verkoopprijs ook de prijsindex bestaande koopwoningen, die geschoond is voor gangbare samenstellingseffecten. Voor andere tijdreeksen zijn vaak sub-indicatoren beschikbaar die het mogelijk maken om zelf te kijken of samenstellingseffecten een rol kunnen spelen, zoals de arbeidsparticipatie en het aandeel vol- en deeltijders per leeftijdsgroep. Corrigeren voor alle potentiële samenstellingseffecten is helaas vrijwel onmogelijk, daarom blijft voorzichtigheid geboden bij het trekken van conclusies.