Van vertrouwen naar bestedingen: de rol van 'gunstige tijd voor grote aankopen'

Dit is een Nederlandstalige samenvatting van onze nog te verschijnen Engelstalige studie. In de Engelstalige versie gaan we uitgebreider in op de gebruikte methode en presenteren we aanvullende robuustheidsanalyses die de resultaten van deze studie onderbouwen.

Huishoudelijke consumptie vormt een belangrijk onderdeel van de Nederlandse economie. Eind 2025 waren de consumentenuitgaven goed voor meer dan 40% van het bruto binnenlands product. Een goed begrip en een goede voorspelling van de private consumptie zijn dus cruciaal om de binnenlandse economische ontwikkeling in te schatten.

Het consumentenvertrouwen wordt vaak gezien als een goede graadmeter voor de ontwikkeling van de particuliere bestedingen, vanuit de gedachte dat consumenten meer uitgeven wanneer ze zich positief voelen, en minder bij een negatief sentiment (Katona, 1968; Europese Commissie, 2026). Deze vertrouwensindicator is samengesteld uit meerdere deelindicatoren en wordt gemeten aan de hand van een enquête. Hierin krijgen consumenten vragen over hun oordeel over de algemene economische situatie, hun eigen financiële situatie en of zij het een gunstig moment vinden voor grote aankopen. De vragen over zowel de economische situatie als de eigen financiële situatie hebben daarbij een terugkijkend en een vooruitkijkend onderdeel.

Hoewel het vanuit de literatuur onduidelijk is welk aspect van het sentiment de relatie met de consumptie drijft (Ludvigson, 2004; Carroll et al., 1994), weten we wel dat de deelindicator die meet of huishoudens het op dit moment een goed idee vinden om grote aankopen te doen, de ‘gunstige tijd voor grote aankopen’ , het meest direct aansluit bij de daadwerkelijke aankoopbeslissingen en een aantoonbaar positief effect heeft op de feitelijke bestedingen (Mynaříková en Pošta, 2023). De bredere verwachtingen over de stand van de economie of de eigen financiële situatie in het komende jaar zijn abstracter en staan verder af van de concrete beslissing om geld uit te geven. En omdat oordelen over het verleden ontstaan nadat de consumptie al heeft plaatsgevonden, zijn terugkijkende indicatoren ook vaak slechte voorspellers (Ludvigson, 2004; Bram en Ludvigson, 1998).

Hieruit zouden we kunnen concluderen dat de deelindicator ‘gunstige tijd voor grote aankopen’ de beste voorspelwaarde heeft voor de daadwerkelijke uitgaven van consumenten. De hoofdindicator van het consumentenvertrouwen bevat ook de terugkijkende elementen, wat de voorspelprestatie kan drukken. Maar er zijn verschillen tussen landen, zoals de vorm van het sociale vangnet, waardoor internationale studies, waar we eerder naar verwezen, mogelijk anders uitpakken dan voor Nederland. Omdat we het meeste geïnteresseerd zijn in het voorspellen van de Nederlandse consumptie, willen we onderzoeken of de bevindingen van Mynaříková en Pošta (2023) ook standhouden in de Nederlandse context. Daarbij kijken wij naar maandelijkse data specifiek voor Nederland, in tegenstelling tot Mynaříková en Pošta (2023) die jaarlijkse paneldata gebruiken.

In het verleden hebben we al eens naar de relatie tussen het consumentenvertrouwen en de consumptie gekeken. Het vertrouwen en de consumptie lijken de afgelopen jaren meer met elkaar uit de pas te lopen dan voorheen, wat overigens niet alleen voor Nederland het geval blijkt. Daarom nemen we de relatie opnieuw onder de loep. Ditmaal met behulp van Bayesiaanse vector‑autoregressiemodellen (BVAR), waarbij we voor elke vertrouwensindicator een apart model schatten.

Het gebruik van een BVAR-model kent verschillende voordelen. Een BVAR kan namelijk rekening houden met de onderlinge afhankelijkheden tussen variabelen. We veronderstellen dat het consumentenvertrouwen namelijk een invloed uitoefent op de consumptie, maar de consumptie kan ook van invloed zijn op het vertrouwen. Stel bijvoorbeeld dat de algemene economische situatie zo slecht is, dat deze de consumptie drukt, maar daardoor ook het vertrouwen. Ook de andere variabelen die we meenemen in het model kunnen onderling invloed op elkaar uitoefenen, wat het gebruik van een BVAR voor deze analyse de meest logische keuze maakt.

In elk model nemen we, naast een onderdeel van het consumentenvertrouwen en de huishoudelijke consumptie, ook de hypotheekrente en de werkloosheid op. Daardoor isoleren we het verband tussen vertrouwen en consumptie van de bredere economische ontwikkelingen, zoals gebruikelijk in de literatuur (Dées en Soares Brinca, 2013).

De hypotheekrente weerspiegelt de monetaire omstandigheden en de kosten van lenen, die rechtstreeks van invloed zijn op de betaalbaarheid van grote aankopen. We hebben verschillende rentes getest, maar kiezen voor de hypotheekrente omdat deze de impact van monetair beleid op huishoudens het beste weergeeft.

Het werkloosheidspercentage geeft inzicht in de situatie op de arbeidsmarkt en de mate van inkomensonzekerheid. Die onzekerheid is namelijk een belangrijke reden voor huishoudens om extra te sparen en minder uit te geven (Friedman, 1957).

Data over de hypotheekrente komen van DNB; de andere data zijn van het CBS. We gebruiken de maandelijkse gegevens voor Nederland over de periode 2003–2026. De lengte van de maandelijkse consumptiedata beperkt het beginpunt tot 1 januari 2000.

Met het geschatte model simuleren we hoe een schok in één economische variabele, in ons geval een indicator van het consumentenvertrouwen, in de tijd doorwerkt naar de andere variabelen in het systeem. Deze gesimuleerde effecten, de zogenoemde impulsresponsfuncties (IRF’s), laten zien hoe elke reeks reageert op een onverwachte verandering van één standaarddeviatie in een andere reeks.

Om de effecten tussen de verschillende vertrouwensindicatoren goed te kunnen vergelijken, schalen we de IRF’s zodat de consumptiereactie wordt uitgedrukt per schok van tien indexpunten in vertrouwen, gemeten in de oorspronkelijke eenheden. Dit is nodig omdat de vertrouwensindicatoren sterk verschillen in volatiliteit. Een gestandaardiseerde schok in ‘gunstige tijd voor grote aankopen’ is daardoor niet automatisch even groot als een gestandaardiseerde schok in het totale consumentenvertrouwen.

Tot slot zien we dat de coronaperiode een sterk verstorende invloed heeft op de modellen. De scherpe daling van de consumptie in 2020 en het snelle herstel daarna weerspiegelen vooral de lockdownmaatregelen en de heropeningseffecten, en in mindere mate de verandering in het sentiment. Daarom corrigeren we voor deze periode door te werken met een dummy voor maart en april 2020. Wanneer we deze dummy’s weggelaten, worden de geschatte IRF‑effecten ongeveer drie keer zo groot. Dit past bij het beeld dat corona tegelijkertijd leidde tot een sterke daling van het consumentenvertrouwen én een plotselinge ineenstorting van de consumptie.

We schatten het model voor elk van de vooruitkijkende vertrouwensindicatoren en vergelijken de reactie van de consumptie (gemeten via de IRF) op een daling van tien indexpunten in het vertrouwen. Hierbij kijken we niet naar de meer terugkijkende indicatoren. De modellen voor deze indicatoren leveren vlakke of omgekeerde impulsresponsen op, in lijn met de eerder genoemde theoretische verwachting dat oordelen over het verleden meestal ontstaan nadat de consumptie al heeft plaatsgevonden, en dus geen aanleiding zijn voor die uitgaven.

In tabel 1 staan de modeluitkomsten voor de vier geteste vertrouwensindicatoren. De piekreactie is de consumptiedaling in procentpunten bij een daling van 10 indexpunten van vertrouwen. Deze is het grootste voor de gunstige tijd voor grote aankopen. Afgelopen april daalde het consumentenvertrouwen historisch hard. De deelindicator gunstige tijd voor grote aankopen zakte van -32 in maart naar -43 in april, wat 11 indexpunten is. Volgens onze modelresultaten zou dit dus betekenen dat dit een negatieve impact heeft op de consumptie van 0,11 procentpunt, omdat onderstaande resultaten lineair door te trekken zijn.

De vertrouwensindicator gunstige tijd voor grote aankopen is ook de enige indicator waarbij de vertrouwensinterval bijna geen 0 bevat. Bij de andere indicatoren is dat wel het geval. Dit betekent dat we niet kunnen uitsluiten dat bij deze indicatoren een daling in het vertrouwen een positief effect heeft op de consumptie in plaats van een negatief effect. Alleen bij de vertrouwensindicator gunstige tijd voor grote aankopen kunnen we met meer zekerheid zeggen dat een daling van het vertrouwen leidt tot een daling van de consumptie.

Ook kijken we naar de voorspelkracht van de vertrouwensindicator voor consumptie via de Granger causaliteit. Wanneer we deze toets binnen de context van het gehele model gebruiken, beantwoordt het de vraag of het consumentenvertrouwen een voorspellende kracht heeft voor de consumptie bovenop de geschiedenis van de consumptie zelf. We zien dat deze alleen voor gunstige tijd voor grote aankopen significant is. De andere vooruitkijkende indicatoren voorspellen de consumptie niet significant zodra de geschiedenis van de consumptie wordt meegenomen.

Uit tabel 1 blijkt ook dat de hoofdindicator consumentenvertrouwen geen goede voorspeller is voor de consumptie. Waarschijnlijk komt dat vanwege de terugkijkende indicatoren die zijn meegenomen in de hoofdindex. Omdat we weten dat deze terugkijkende deelindicatoren slecht presteren bij het voorspellen van de huidige en toekomstige consumptie, drukken zij de voorspelprestaties van deze samengestelde maat.

De relatief zwakke prestaties van de reeksen ‘economische situatie komende twaalf maanden’ en ‘financiële situatie komende twaalf maanden’ zijn opvallender, omdat zij wel vooruitkijken. Mogelijk is het verschil dat een gunstige tijd voor grote aankopen een veel directere vraag stelt over de onmiddellijke bereidheid van consumenten om te kopen, in plaats van hun toekomstige middelen of mogelijkheden om aankopen te doen te meten, zoals al eerder genoemd.

Naast de totale huishoudconsumptie hebben we ook gekeken of het vertrouwen de aankoop van bijvoorbeeld een nieuwe eettafel beter kan voorspellen dan de aankoop van een pak hagelslag. Om dit te onderzoeken, hebben we hetzelfde basismodel gebruikt, maar dan met de bestedingscategorieën in plaats van de totale consumptie.

Voor vrijwel alle consumptiecategorieën bleken de resultaten vrij constant: ook voor de verschillende categorieën presteerde de vertrouwensindicator een gunstige tijd voor goede aankopen het beste in het voorspellen van de consumptie. Logischerwijs lieten duurzame en niet-direct-noodzakelijke aankopen zich beter voorspellen. Dat zien we terug in figuur 1. De doorgetrokken lijn is de impulsresponse van de consumptie van duurzame goederen op een schok in de vertrouwensindicator gunstige tijd voor grote aankopen. De consumptie van duurzame goederen krimpt vrijwel direct nadat de vertrouwensindicator daalt, waarna een herstel van de consumptie volgt. De reactie is groter dan die van de totale huishoudelijke consumptie, de grijze gestippelde lijn.

Voedingsmiddelen laten zich daarentegen slecht voorspellen door het vertrouwen, net zoals diensten en energie. Figuur 2 toont de reactie van de consumptie van voedingsmiddelen, dranken en tabak op een schok in de vertrouwensindicator gunstige tijd voor grote aankopen in de doorgetrokken groene lijn. Deze is vrijwel vlak, wat betekent dat er vrijwel geen reactie is op het vertrouwen. Vermoedelijk komt dit doordat deze producten echt noodzakelijk zijn en wordt de aankoop hiervan niet beïnvloed door onze gemoedstoestand.

Uit onze resultaten blijkt dat de indicator gunstige tijd voor grote aankopen een tijdige en betrouwbare vroege indicator biedt voor de huishoudelijke bestedingen. De indicator wordt maandelijks door het CBS gepubliceerd en loopt enkele weken vooruit op de consumptiecijfers. Volgens onze schattingen vertaalt een daling van tien indexpunten zich in een afname van de maandelijkse huishoudelijke consumptie met ongeveer 0,10 procentpunt. De scherpe daling in april 2026 illustreert de potentiële waarde van het nauwgezet volgen van deze deelindicator, vooral in perioden van economische onzekerheid. Wie de Nederlandse consumptie volgt, kan zich dus beter laten informeren door de deelindicator gunstige tijd voor grote aankopen dan door de hoofdindex consumentenvertrouwen.

Daarnaast laten we zien dat duurzame consumptiegoederen zich beter laten voorspellen dan bijvoorbeeld voedingsmiddelen. Hoewel dat op zichzelf een interessante conclusie is, volgt het de intuïtie dat de aankoop van voedingsmiddelen zich niet laat beïnvloeden door onze gemoedstoestand omdat deze producten noodzakelijk zijn. Dit resultaat laat dan vooral zien dat onze modellen goed werken en dient dan ook deels als een robuustheidsanalyse.

Onze studie kent ook beperkingen. Zo veronderstelt het model een lineaire en symmetrische relatie tussen vertrouwen en consumptie: een daling in het vertrouwen heeft hetzelfde effect als een even grote stijging. Daarnaast is de opname van de COVID-dummy een pragmatische oplossing voor een grote structurele breuk, maar omvat deze niet de gehele pandemiedynamiek. Tot slot zijn de resultaten specifiek voor Nederland en weerspiegelen zij de institutionele kenmerken van de Nederlandse economie. De resultaten hoeven dus niet zonder meer te gelden voor andere landen.

Bańbura, M., Giannone, D. en Reichlin, L. (2010). “Large Bayesian Vector Auto Regressions.” Journal of Applied Econometrics, 25(1), 71–92.

Bram, J. en Ludvigson, S. (1998). "Does Consumer Confidence Forecast Household Expenditure? A Sentiment Index Horse Race." Federal Reserve Bank of New York Economic Policy Review, 4(2), 59–78.

Carroll, C.D., Fuhrer, J.C. en Wilcox, D.W. (1994). “Does Consumer Sentiment Forecast Household Spending? If So, Why?” American Economic Review, 84(5), 1397–1408.

Dées, S. en Soares Brinca, P. (2013). “Consumer Confidence as a Predictor of Consumption Spending.” Economic Modelling, 31, 15–22.

Doan, T., Litterman, R.B. en Sims, C.A. (1984). “Forecasting and Conditional Projection Using Realistic Prior Distribution.” Econometric Reviews, 3, 1–100.

Europese Commissie (2026). “Methodological User Guide: The Joint Harmonised EU Programme of Business and Consumer Surveys.” DG ECFIN, Brussel.

Friedman, M. (1957). A Theory of the Consumption Function. Princeton University Press.

Giannone, D., Reichlin, L. en Small, D.H. (2006). “Nowcasting GDP and inflation: the real-time informational content of macroeconomic data releases.” ECB Working Paper nr. 633, Europese Centrale Bank, Frankfurt am Main.

Katona, G. (1968). “On the Function of Behavioral Theory and Behavioral Research in Economics.” American Economic Review, 58, 146–149.

Litterman, R.B. (1986). “Forecasting with Bayesian Vector Autoregressions — Five Years of Experience.” Journal of Business & Economic Statistics, 4(1), 25–38.

Ludvigson, S.C. (2004). “Consumer Confidence and Consumer Spending.” Journal of Economic Perspectives, 18(2), 29–50.

Mynaříková, L. en Pošta, V. (2023). “The Effect of Consumer Confidence and Subjective Well-being on Consumers’ Spending Behavior.” Journal of Happiness Studies, 24, 429–453. https://doi.org/10.1007/s10902-022-00603-5.

Sims, C.A. (1980). “Macroeconomics and Reality.” Econometrica, 48(1), 1–48.