Methodologie achter de raming van vijf variabelen van de Brede Welvaartsindicator

In ons Economisch Kwartaalbericht van december 2023 besteedden we voor het eerst aandacht aan de verwachte ontwikkeling van de brede welvaart en de Brede Welvaartsindicator (BWI). Het doel van de BWI is de welvaart – in de brede zin van het woord – van Nederlanders te monitoren. RaboResearch heeft deze indicator in 2016 samen met de Universiteit Utrecht ontwikkeld. Jaarlijks publiceren we zowel de nationale als de regionale BWI-scores over het afgelopen jaar. De indicator bestaat uit elf dimensies: inkomen, baanzekerheid, persoonlijke ontwikkeling, gezondheid, werk-privébalans, sociale contacten, maatschappelijke betrokkenheid, subjectief welzijn, huisvesting, veiligheid en milieu (zie figuur 1). Elk van deze dimensies bestaat uit een of twee BWI-variabelen, waarvan er in totaal zeventien zijn.

In het huidige artikel schetsen wij de methodologische keuzes achter onze voorspelling van vijf variabelen van de BWI en hun groeibijdrage aan de totale BWI. De vijf BWI-variabelen die we voorspellen zijn: 1) het reëel beschikbaar inkomen per hoofd van de bevolking, 2) het werkloosheidspercentage, 3) het aantal gewerkte uren per werkende, 4) het opleidingsniveau en 5) de levensverwachting. We ramen voor deze vijf BWI-variabelen eerst de ontwikkeling en vervolgens schatten we de bijdrage aan de ontwikkeling van de totale BWI.

Ieder kwartaal publiceert RaboResearch macro-economische ramingen voor Nederland. Dit zijn verwachtingen over onder andere de ontwikkeling van het bruto binnenlands product (bbp) en zijn onderliggende componenten, de werkloosheid en de inflatie. Aan deze ramingen liggen bovendien verwachtingen ten grondslag van andere indicatoren die we ook gebruiken voor de BWI-raming: huishoudinkomen, vacaturegraad en onderwijskapitaal.

De ontwikkeling van deze indicatoren heeft invloed op de welvaart en het welzijn van mensen, maar die relatie gaat niet altijd een-op-een op. Welvaart gaat immers om meer dan economie. Bovendien kunnen positieve ontwikkelingen in de ene BWI-variabele, (deels) teniet worden gedaan door ontwikkelingen in een andere BWI-variabele.

Vanuit RaboResearch hebben we voor vijf BWI-variabelen een raming gemaakt. Dit zijn de werkloosheid, het aantal gewerkte uren per werkende, het reëel beschikbaar inkomen per hoofd van de bevolking en het opleidingsniveau. Voor levensverwachting baseren we ons op de prognose van het Centraal Bureau voor de Statistiek (CBS). Deze vijf variabelen vormen samen 38 procent van de totale BWI. Niet alle BWI-variabelen wegen even zwaar (zie figuur 2). Over het verloop van de resterende 62 procent van de BWI kunnen we geen inschatting maken. Door de vijf BWI-variabelen van de BWI te voorspellen maken we inzichtelijk hoe economische ontwikkelingen bijdragen aan de ontwikkeling van brede welvaart.

Hieronder beschrijven we eerst beknopt hoe de BWI tot stand komt, vervolgens geven we per BWI-variabele uitleg over hoe de voorspelling tot stand is gekomen en tot slot lichten we toe hoe we de groeibijdrage aan de BWI berekenen. Onze ramingsperiode is gelijk aan de periode waarover we macro-economische ramingen publiceren. Op het moment van schrijven loopt die periode tot en met 2025.

In een eerder verschenen rapport van de Rabobank, Brede welvaart afgelopen drie jaar nagenoeg stabiel (bijlage 1 en 2), staat een overzicht van de methodologie achter de berekening van de historische waardes van de BWI. We geven hier een beknopte toelichting. Om de verschillende BWI-variabelen met elkaar te kunnen vergelijken standaardiseren we de BWI-variabelen. Hiervoor gebruiken we zogenaamde goalposts. Dit zijn de grenzen van de bandbreedte waarbinnen de score op een BWI-variabele in een bepaald jaar kan vallen. Deze goalposts worden bepaald door scores van dertien Noordwest-Europese landen in de periode van 2003 tot 2022 met elkaar te vergelijken (voor enkele uitzonderingen, zie bijlage 2 van de eerdergenoemde publicatie). Via min-max normalisatie krijgt elke BWI-variabele een score tussen de 0 en 1 (zie formule 1).

Als een variabele negatief bijdraagt aan de BWI draaien we de Min(x_n) en de Max(x_n) in de noemer van de breuk om. Dit geldt bijvoorbeeld voor werkloosheid en aantal gewerkte uren per werkende, waarbij een hogere werkloosheid of een hoger aantal gewerkte uren een nadelige invloed heeft op de BWI.

Voor de weging van de indicatoren in de totale BWI gebruikten we het wegingsschema van de OECD Better Life Index (zie bijvoorbeeld Rijpma et al., 2017, p.43).

Raming reëel beschikbaar huishoudinkomen per hoofd van de bevolking

De ontwikkeling van het reëel beschikbaar inkomen per hoofd van de bevolking is onderdeel van onze macro-economische raming. Om deze raming om te zetten naar een raming voor de BWI, corrigeren we de inkomensraming voor de verwachte ontwikkeling van de bevolking. Daarbij gebruiken we historische CBS-cijfers en CBS-prognoses. In de BWI gebruiken we een iets andere reeks voor het beschikbaar inkomen van huishoudens, namelijk het nominaal bruto beschikbaar inkomen van Eurostat. Dit omdat hiermee een internationale vergelijking mogelijk is waarmee we de goalposts bepalen. Met de consumentendeflator en de omvang van de bevolking berekenen we het reëel beschikbaar inkomen per hoofd van de bevolking.

Daarna berekenen we het inkomen per hoofd van de bevolking. Dit doen we voor zowel het nominaal bruto[1] beschikbaar inkomen als het reëel beschikbaar inkomen uit onze macro-economische ramingen:

[1] Bruto wil hier zeggen dat we kijken naar het inkomen vóór aftrek van de afschrijvingen. Afschrijvingen zijn de boekhoudkundige waardeverminderingen van een investering. Gedurende de levensduur van een investering, bijvoorbeeld een machine, wordt elk jaar een deel van de waarde boekhoudkundig afgeschreven.

Het nominaal bruto beschikbaar inkomen per hoofd delen we door de consumptiedeflator uit de nationale rekeningen (Eurostat):

Met deze groeivoet van het reëel beschikbaar inkomen per hoofd (uit de macro-raming) en de laatst bekende waarde van het reëel bruto beschikbaar inkomen per hoofd (uit Eurostat), maken we de raming van het reëel bruto-inkomen per hoofd voor 2023–2025.

Deze stappen leiden tot een voorspelling van het reëel beschikbaar inkomen per hoofd van de bevolking (zie figuur 3).

Raming Werkloosheid

De werkloosheid is onderdeel van onze macro-economische raming. Deze werkloosheidsraming (van december 2023) is te zien in figuur 4.

Raming aantal gewerkte uren per werkende

Ook het aantal gewerkte uren per werkende is onderdeel van onze macro-economische raming. Het gaat hier om het aantal uren dat een werkende in een gemiddelde werkweek werkt. Het startpunt van deze voorspelling zijn data over de arbeidsduur per leeftijdscategorie uit de polisadministratiedata van het CBS. Met de data over arbeidsduur per leeftijdscategorie schatten we een vergelijking voor de ontwikkeling van deze arbeidsduur per leeftijdscategorie over tijd, het aandeel mensen in de werkzame beroepsbevolking per leeftijd die meer willen werken,[2] de vacaturegraad,[3] de ontwikkeling van het bbp per hoofd van de bevolking[4] en een autoregressieve term (zie formule 7). Deze autoregressieve term maakt een voorspelling op basis van historische gegevens:

[2] Het gaat hier om de ‘bereidheid’ te werken. We gebruiken hier historische CBS-data in combinatie met een ARIMA-voorspelling.

[3] Dit is een onderdeel van onze inflatieraming, zie de bijlage in Rabobanks Inflatiemonitor van juli 2023 voor een toelichting.

[4] Uit onze macro-ramingen in combinatie met bevolkingsprognoses van het CBS).

In deze dataset ontbreken gegevens over zelfstandigen. Deze schatten we apart. Omdat zelfstandigen gemiddeld vaak meer uren werken passen we op deze voorspelling een correctie toe. Met een voorspellend ARIMA-model schatten we de ontwikkeling van dat verschil op basis van de historische waarden daarvan. De ontwikkeling van het bbp per hoofd van de bevolking gebruiken we daarbij als exogene variabele. Vervolgens schatten we een vergelijking voor de ontwikkeling van het aantal uren van zelfstandigen op basis van deze factor en de eerdergenoemde bereidheid voor de hele beroepsbevolking,[5] vacaturegraad en bbp per hoofd van de bevolking. Door de verhouding zelfstandigen tot niet-zelfstandigen voor de komende drie jaar lineair te extrapoleren, kunnen we vervolgens het gemiddelde voor de gehele beroepsbevolking in die jaren berekenen. Het aantal gewerkte uren voorspellen we in de laatste stap aan de hand van deze formule:

[5] Dit doen we voor de hele beroepsbevolking omdat er geen gegevens over zelfstandigen per leeftijdscategorie beschikbaar zijn.

De voorspelling van het aantal gewerkte uren is te zien in figuur 5.

Raming opleidingsniveau

We bepalen het opleidingsniveau op basis van het aandeel middelbaar- en hoogopgeleiden (volgens de definitie van het CBS) in de totale bevolking, in de leeftijd van 15 tot 75 jaar. Dit voorspellen we met de Human Capital Index (Barro & Lee, 2021). Op zijn beurt voorspellen we de Human Capital Index op basis van de ontwikkeling van onderwijskapitaal. De hoeveelheid onderwijskapitaal berekenen we door een deflator toe te passen op de onderwijsuitgaven en vervolgens een startkapitaal te berekenen. Daarna tellen we de jaarlijkse onderwijsuitgaven (uit de Rijksbegroting) bij het startkapitaal op. Daarbij passen we een vaste afschrijvingsvoet toe op de al bestaande hoeveelheid onderwijskapitaal (zie Boonstra et al., 2022). Om de voorspelling te maken, schatten we onderstaand regressiemodel. De dummy-variabele is actief voor 2011 omdat de Human Capital Index in dat jaar onverwacht laag uitviel terwijl daar geen duidelijke verklaring voor was.

Het invullen van deze formule levert een voorspelling op voor de komende jaren (zie figuur 6).

Raming levensverwachting

We gebruiken de prognose van het CBS van de gemiddelde levensverwachting bij geboorte per geboortejaar.

Nadat we de ontwikkeling van de vijf BWI-variabelen geraamd hebben, schatten we de bijdrage daarvan aan de ontwikkeling van de totale BWI. Hiervoor zijn vier stappen nodig.

1. Eerst zetten we alle BWI-variabelen via formule 1 om in een score tussen 0 en 1. Daarna wegen we deze BWI-variabelen met de gewichten uit figuur 2, zodat de som van alle zeventien BWI-variabelen gelijk is aan de totale score van de BWI.

2. Vervolgens maken we voor elke BWI-variabele de ratio van de BWI-variabele ten opzichte van de totale BWI-score: r_t,. Daarbij geldt dat we de ratio in jaar t, r_t, maken met de BWI-variabele en totale BWI-score in jaar t-1. Dit doen we om te bepalen hoeveel de groeivoet van een BWI-variabele meeweegt in de groeivoet van de totale BWI.

3. Die ratio vermenigvuldigen we met de groeivoet van de BWI-variabele in jaar t.

4. Tot slot tellen we de groeibijdragen van de vijf BWI-variabelen die we ramen bij elkaar op (zie figuur 7).

De groeibijdrage van de BWI-variabelen in jaar t hangt af van de totale BWI in jaar t-1. We schatten niet de totale BWI, maar alleen vijf van de zeventien BWI-variabelen. De data voor de totale BWI zijn daarom alleen beschikbaar voor de historie. Voor de voorspelling gebruiken we daarom de ratio r_t van het laatst bekende jaar. Op het moment van schrijven is dat 2022. Hiermee kunnen we r₂₀₂₃ bepalen. Voor r₂₀₂₄ en r₂₀₂₅ gebruiken we als proxy r₂₀₂₃. Tabel 1 laat zien dat r_t over tijd redelijk constant is.

Barro, R. & Lee, J. (2013) A new data set of educational attainment in the world, 1950–2010. Journal of Development Economics, 104, 184-198.

Boonstra, W., Erken, H., Van Es, F. & Van Harn, E. (2022) Financiering staatsschuld is helemaal geen probleem. Me Judice, 27 januari 2022.

Rijpma, A., Moatsos, M., Badir, M. & Stegeman, H. (2017) Netherlands beyond GDP: a wellbeing index. Universiteit Utrecht en Rabobank Economic Research. Te vinden op dspace.library.uu.nl.