Van rekenmodel naar afrekenmodel: hoe precies kennen we de stikstofprestatie van één boer?
De KringloopWijzer voorspelt de stikstofexcretie van melkvee gemiddeld behoorlijk goed. Dat maakt het instrument aantrekkelijk voor bedrijfsspecifieke doelsturing. Maar zodra aan één berekend getal juridische of financiële consequenties worden verbonden, verandert de vraag. Dan gaat het niet meer om de gemiddelde prestatie van het model, maar om de onzekerheid bij één bedrijf in één jaar. Twee WUR-onderzoeken laten zien waarom dat onderscheid essentieel is.
De toekomst van het landbouwbeleid lijkt steeds vaker in één woord te worden samengevat: doelsturing.
Niet langer voorschrijven welke stal een melkveehouder moet bouwen, hoeveel uur zijn koeien buiten moeten lopen of welke techniek hij bij het uitrijden van mest moet gebruiken. De overheid bepaalt het milieudoel; de ondernemer krijgt vrijheid om te bepalen hoe hij dat haalt.
Dat klinkt aantrekkelijk. Zeker na jaren beleid waarin middelvoorschriften, emissiefactoren en vergunningen steeds ingewikkelder met elkaar verweven zijn geraakt.
Maar doelsturing verplaatst het probleem. Want wie niet langer maatregelen voorschrijft maar prestaties normeert, moet die prestaties betrouwbaar kunnen vaststellen. En daar komt de KringloopWijzer in beeld.
Eerst de koe
De KringloopWijzer (KLW) brengt voor melkveebedrijven mineralenstromen in kaart. Hoeveel stikstof komt via voer het bedrijf en het dier binnen? Hoeveel verdwijnt via melk en dieren? Hoeveel wordt uitgescheiden? En hoeveel ammoniak wordt vervolgens berekend als verlies naar de lucht?
Wageningen Research onderzocht in 2023 hoe goed versie 2019.12 van de KLW de stikstof- en fosforexcretie voorspelde. De onderzoekers beschikten over 204 bedrijfsjaren van 24 Koeien & Kansen-bedrijven uit de periode 2006–2019.
Dat is meteen een belangrijke afbakening. Het onderzoek valideert niet iedere huidige KLW-uitkomst op ieder Nederlands melkveebedrijf. Het gaat om een specifieke modelversie en een specifieke groep bedrijven. WUR wijst er zelf op dat afwijkende bedrijfstypen buiten het onderzochte domein kunnen vallen. Ook was een deel van de validatie rond stikstof- en fosforgehalten van vers gras niet volledig onafhankelijk van gegevens die eerder voor KLW-rekenregels waren gebruikt.
Binnen die afbakening zijn de resultaten interessant.
Gemiddeld verrassend goed
Gemiddeld komt KLW-versie 2019.12 dicht bij de gebruikte balansreferentie.
De voorspelde stikstofexcretie ligt gemiddeld 2,3 procent lager dan de referentie. Bij fosfor bedraagt het verschil 3,2 procent. De voorspelde stikstofopname via het voer ligt gemiddeld 1,3 procent lager. Dat zijn kleine verschillen.
Sterker nog: de bedrijfsspecifieke KLW doet het beter dan de wettelijke forfaits. Bij stikstofexcretie wijkt 16 procent van de KLW-uitkomsten meer dan 10 procent af van de referentie, tegenover 27 procent bij de RVO-forfaits. Bij fosfor is het verschil nog groter: respectievelijk 21 en 55 procent.
Wie bedrijfsspecifiek wil rekenen, heeft daarmee een serieus argument vóór de KringloopWijzer. Maar nu komt het lastige gedeelte.
Gemiddeld 2,3 procent ernaast is niet hetzelfde als 2,3 procent nauwkeurig
Stel dat een thermometer in vijf kamers de temperatuur vijf graden te hoog aangeeft en in vijf andere kamers vijf graden te laag.
Gemiddelde afwijking: nul. Uitstekende thermometer? Natuurlijk niet. Een gemiddelde afwijking zegt iets anders dan de onzekerheid van één afzonderlijke waarneming.
Dat onderscheid zien we duidelijk terug in het WUR-onderzoek. Bij 51 procent van de bedrijfsjaren wijkt de berekende stikstofexcretie meer dan 5 procent af van de balansreferentie. Bij 16 procent bedraagt de afwijking meer dan 10 procent.
Voor fosfor wijkt 59 procent meer dan 5 procent af en 21 procent meer dan 10 procent. Het model kan dus gemiddeld uitstekend presteren en er op een individueel bedrijfsjaar toch aanzienlijk verder naast zitten. Dat is statistisch helemaal niet vreemd. Beleidsmatig is het buitengewoon relevant.

Eén jaar blijkt behoorlijk beweeglijk
Nog interessanter wordt het wanneer dezelfde bedrijven gedurende verschillende jaren worden bekeken.
De spreiding van het verschil tussen voorspelling en balansreferentie bedraagt voor stikstof 3,2 procent tussen bedrijven, maar 5,9 procent binnen hetzelfde bedrijf tussen verschillende jaren. Voor fosfor gaat het om respectievelijk 3,1 en 6,7 procent.
Dat maakt aannemelijk dat een meerjarig bedrijfsbeeld stabieler kan zijn dan de beoordeling van één afzonderlijk jaar. Maar ook hier moeten we oppassen met de conclusie.
Het onderzoek bewijst niet hoeveel jaren daarvoor nodig zijn. Evenmin toont het aan dat met een meerjarig gemiddelde managementeffecten betrouwbaar kunnen worden gescheiden van model-, meet- en jaarvariatie.
WUR beveelt juist aan dat verder te onderzoeken. Dat is een belangrijk verschil tussen “dit lijkt een verstandige route” en “dit is wetenschappelijk gevalideerd.”
Maar wat is eigenlijk de werkelijkheid?
Daaronder zit een fundamenteler probleem. De referentiewaarde waarmee de KringloopWijzer wordt vergeleken is zelf geen directe meting van alle uitgescheiden stikstof. Er staat geen grote opvangbak onder iedere koe. De excretie wordt bepaald via een balans:
excretie = opname − vastlegging.
De voeropname wordt gedurende minimaal acht meetweken verspreid over het jaar bepaald en vervolgens opgeschaald naar een jaaruitkomst. Ook andere onderdelen bevatten berekeningen of forfaitaire elementen.
Het is daarom nauwkeuriger om te spreken van een balansreferentie of meetweekreferentie dan simpelweg van een gemeten excretie.
Dat maakt de vergelijking niet waardeloos. Integendeel. Dit is een serieuze poging om onder praktijkomstandigheden een zo goed mogelijke referentie te construeren. Maar het betekent wel dat we niet een model met de absolute fysieke waarheid vergelijken. Ook de referentie bevat onzekerheid.
De koe eet niet volgens Excel
Een belangrijk deel van de waargenomen verschillen hangt samen met de berekening van de voeropname en de samenstelling van het rantsoen.
De onderzochte KLW-versie ging bijvoorbeeld uit van een vaste VEM-dekking van 102 procent. De gemiddeld waargenomen VEM-dekking lag op alle onderzochte Koeien & Kansen-bedrijven hoger. Dat wil overigens niet zeggen dat iedere afzonderlijke jaarwaarneming boven 102 procent lag.
In een multipele analyse blijken verschillen in VEM/N of VEM/P, VEM-dekking en enkele aanvullende variabelen ongeveer 88 procent van de waargenomen afwijking tussen KLW en balansreferentie te verklaren.
Dat is een interessant resultaat, maar geen bewijs dat 88 procent van de werkelijke fysieke fout daar ontstaat.
De referentie bevat immers zelf meet- en analyseonzekerheid. Bovendien hangen enkele verklarende variabelen inhoudelijk samen met de manier waarop de voorspelling wordt opgebouwd.
De voorzichtiger — en wetenschappelijk betere — conclusie is daarom dat een groot deel van de waargenomen model-referentieafwijking samenhangt met aannames en invoergegevens rond voeropname en rantsoensamenstelling.
Daarna moeten we nog ammoniak berekenen
En daarmee zijn we pas halverwege. De stikstofexcretie vormt namelijk een ingang voor de berekening van ammoniakemissies.
In de Bedrijfsspecifieke Emissie van Ammoniak, BEA, wordt de stikstofexcretie uit BEX met aanvullende rekenregels omgerekend naar TAN — totaal ammoniakaal stikstof — waarna emissies uit onder andere stal, opslag, beweiding en mestaanwending worden berekend met emissiefactoren. De methodiek sluit aan op NEMA. Schematisch ontstaat zo een keten:
voer → N-opname → N-excretie → TAN → stal en opslag → emissiefactoren → NH₃-emissie.
Over die laatste stappen publiceerden WUR-onderzoekers in 2025 opnieuw interessant onderzoek.

STIKSTOFINFO.net schreef daar eerder over in het artikel Hoe nauwkeurig is de KringloopWijzer bij het berekenen van ammoniakemissies?.
Bij 61 bedrijfsjaren van 21 bedrijven lag de gemeten stalemissie gemiddeld 21 procent hoger dan de oorspronkelijke KLW-schatting. De relatieve afwijkingen liepen in deze dataset van ongeveer −60 tot +127 procent. Na regressiecorrectie resteerde een relatieve voorspellingsfout van 29 procent. Een uitgebreider model kwam binnen dezelfde dataset tot 21 procent voorspellingsfout, maar was nog niet onafhankelijk gevalideerd. Dat verschil met de excretieberekening is opvallend. Maar hier moeten we opnieuw zorgvuldig zijn.
Twee onderzoeken zijn nog geen foutpropagatie
Het is verleidelijk beide onderzoeken achter elkaar te zetten en te zeggen: eerst ontstaat zoveel onzekerheid bij excretie en vervolgens komt daar nog zoveel onzekerheid bij ammoniak bovenop. Dat mag niet. De onderzoeken gebruiken verschillende datasets en beantwoorden verschillende onderzoeksvragen.
De excretietoets betreft 204 bedrijfsjaren op 24 Koeien & Kansen-bedrijven in 2006–2019. De stalemissiestudie betreft 61 bedrijfsjaren van 21 bedrijven in 2019–2023. De specifieke ketenanalyse in dat tweede onderzoek omvat zelfs slechts acht bedrijfsjaren op vier bedrijven.
De percentages mogen daarom niet worden opgeteld, vermenigvuldigd of gecombineerd tot één grote onzekerheidsmarge. Wat we wel mogen zeggen, is minstens zo relevant:
een goede overeenkomst bij de berekening van stikstofexcretie garandeert geen even nauwkeurige berekening van de ammoniakemissie uit stal en opslag.
Dat is een veel sterkere wetenschappelijke formulering dan simpelweg onzekerheden bij elkaar optellen.
Van rekenmodel naar afrekenmodel
Daarmee komen we bij de werkelijke beleidsvraag.
De onderzoeken bewijzen niet dat bedrijfsspecifieke doelsturing onmogelijk is. Evenmin leveren ze een wetenschappelijke grens op waarboven een berekening juridisch onbruikbaar zou zijn.
WUR merkt bij de excretietoets juist op dat er geen universele grens bestaat voor een aanvaardbare afwijking. Wat acceptabel is, hangt mede af van de toepassing. En precies daar verandert het vraagstuk.
Want stel dat een melkveehouder volgens een model maximaal 1.000 kilogram mag emitteren.
De berekende uitkomst is 990 kilogram.
Of 1.010 kilogram.
Wat weten we dan werkelijk? Wanneer de onzekerheid van het instrument groter is dan het verschil tussen norm en berekende waarde, kun je niet simpelweg doen alsof 990 en 1.010 twee exact bekende fysieke werkelijkheden zijn.
Daarvoor is een beslisregel nodig.
Hoe groot mag de onzekerheid zijn? Wordt gewerkt met een betrouwbaarheidsmarge? Met meerdere jaren? Wat gebeurt er wanneer invoergegevens achteraf worden gecorrigeerd? Welke KLW-versie geldt? Hoe wordt een nieuwe modelversie gevalideerd? Welke bedrijfstypen vallen binnen het gevalideerde domein? En wat gebeurt er met een bedrijf dat precies rond de grens zit? Dat zijn geen details voor modelleurs. Dat zijn voorwaarden voor een afrekenbaar stelsel.
Meten én rekenen
Interessant genoeg beweegt recenter WUR-onderzoek naar doelsturing precies in die richting.
Daarin wordt geen simpele keuze gemaakt tussen meten óf rekenen. Voorgesteld wordt rekeninstrumenten te combineren met aanvullende metingen, bijvoorbeeld van N-excretie, stikstof- en TAN-gehalte en pH van mest en ureum in melk. Rechtstreekse ammoniakmetingen kunnen op een beperktere groep bedrijven aanvullende informatie leveren.
Dat is waarschijnlijk een realistischer beeld van doelsturing. Niet één magisch getal uit één model.
Maar een systeem waarin administratie, berekeningen, fysieke indicatoren, metingen en controles elkaar aanvullen.
De onzekerheidsmarge hoort bij het getal
Misschien ligt daar wel de belangrijkste les uit beide onderzoeken. We zijn gewend modellen één getal te laten produceren.
742 kilogram ammoniak.
Zo’n getal oogt objectief. Misschien verschijnt het straks automatisch op een dashboard, met een groen of rood bolletje ernaast. Maar wetenschappelijk gezien ontbreekt dan essentiële informatie.
Want naast 742 hoort eigenlijk ook te staan hoe onzeker die 742 is, voor welk type bedrijf het model is gevalideerd, welke modelversie is gebruikt en hoe moet worden gehandeld wanneer de uitkomst dicht bij een wettelijke grens ligt.
Dat wordt des te belangrijker naarmate de consequenties groter worden. Een afwijking van tien procent is misschien nauwelijks relevant wanneer een ondernemer de KringloopWijzer gebruikt om zijn bedrijfsvoering te verbeteren.
Dezelfde afwijking krijgt een totaal andere betekenis wanneer ze bepaalt of een bedrijf moet investeren, mest moet afvoeren, ontwikkelruimte krijgt of aan een wettelijke norm voldoet. De gewenste nauwkeurigheid wordt dus mede bepaald door wat we met het getal gaan doen.
Een uitstekend dashboard kan een slechte weegschaal zijn
Dat is uiteindelijk geen argument tegen de KringloopWijzer. Integendeel. Het WUR-onderzoek laat zien dat bedrijfsspecifiek rekenen bij stikstof- en fosforexcretie duidelijk beter kan presteren dan generieke forfaits. Dat is belangrijke vooruitgang.
Maar beter dan forfaitair is iets anders dan exact genoeg om zonder onzekerheidsregime individueel af te rekenen.
Daar zit de ontbrekende stap in veel discussies over doelsturing. Voordat een rekenmodel een afrekenmodel wordt, moet daarom niet alleen het model worden gevalideerd. Ook het systeem eromheen moet worden ontworpen: onafhankelijke validatie, representatieve bedrijfstypen, datakwaliteitscontrole, versiebeheer, onzekerheidsmarges en een correctie- of beroepsprocedure voor grensgevallen. Precies die institutionele stap volgt niet automatisch uit een goede gemiddelde modelprestatie.
De KringloopWijzer kan daarmee een bijzonder waardevol dashboard voor de melkveehouderij zijn. Maar een dashboard is nog geen geijkte weegschaal.
En voordat we een boer op de uitkomst gaan afrekenen, moeten we niet alleen weten wat de wijzer aanwijst. We moeten vooral weten hoe zeker we daarvan zijn.