Hoe nauwkeurig weten we eigenlijk hoeveel ammoniak een boerderij uitstoot? En wat betekent dit landelijk? Onzekerheden zijn gewoonweg groot!

RIVM, Wageningen en recente onzekerheidsanalyses komen dichter bij elkaar dan het stikstofdebat doet vermoeden. En ze zijn en blijven gewoonweg (te) groot.

Wie de Nederlandse Emissieregistratie opent, krijgt een indrukwekkend precies beeld voorgeschoteld. In 2024 bedroeg de totale Nederlandse ammoniakemissie volgens de definitieve inventarisatie 112,6 kiloton NH₃. Het getal oogt alsof ergens een nationale ammoniakmeter staat die ieder molecuul registreert en een grote mate van preciesheid heeft. Die meter bestaat echter niet.

De Nederlandse ammoniakemissie is een berekende grootheid. Voor de landbouw wordt daarvoor het National Emission Model for Agriculture, NEMA, gebruikt. Dieraantallen, stikstofexcreties, voer, staltypen, mestopslag, beweiding, mestaanwending, kunstmestgebruik en emissiefactoren worden gecombineerd tot een nationale inventaris. Dat is een logische en internationaal gebruikelijke aanpak. Het RIVM rapporteert deze cijfers onder meer aan de Europese Unie en UNECE. In de meest recente inventaris bedraagt de totale Nederlandse NH₃-emissie in 2024 112,6 kiloton. Maar daarmee weten we nog niet hoe nauwkeurig die 112,6 kiloton is. En al helemaal niet hoe nauwkeurig daaruit de emissie van één provincie, één vierkante kilometer of één boerderij kan worden afgeleid. Dat verschil tussen schaalniveaus blijkt cruciaal.

De nationale boekhouding is niet hetzelfde als de lokale werkelijkheid

Het RIVM zegt dit zelf eigenlijk al jaren. Bij een eerdere correctie van emissiegegevens formuleerde het instituut het opvallend helder: het landelijke beeld is betrouwbaar, maar hoe verder wordt ingezoomd naar regio en locatie, hoe onzekerder de cijfers worden.  

Die uitspraak krijgt nu een veel steviger wetenschappelijke basis door het onderzoek van Lessmann en collega’s uit 2025. Zij namen niet simpelweg één onzekerheidspercentage voor ammoniak aan, maar lieten tientallen onzekerheden via Monte-Carlo-simulaties door het Nederlandse landbouwmodel INITIATOR lopen. Vervolgens bekeken zij wat er met die onzekerheid gebeurt wanneer wordt gerekend op verschillende ruimtelijke schaalniveaus. Het resultaat is bijna een schoolvoorbeeld van wat statistische aggregatie doet.

Grootheid	Nederland	Regio	500 × 500 m
Totale agrarische NH₃-emissie	±9%	ca. ±11%	±32%
Stal + mestopslag	±10%	groter dan nationaal	±41%
Veldemissies	±15%	groter dan nationaal	±26%
Mest-N-aanwending	±5%	±13%	±21%
Kunstmest-N	±26%	ca. vergelijkbaar	±32%

De percentages zijn afgeleid uit het 95%-interval rond de mediaan en moeten daarom niet worden gelezen alsof het allemaal standaarddeviaties van hetzelfde type zijn. Maar de richting is ondubbelzinnig. De onzekerheid neemt sterk toe zodra wordt ingezoomd.

En het kan erger. Wanneer Lessmann c.s. in hun gevoeligheidsanalyse meer ruimtelijke autocorrelatie veronderstellen, stijgt de landelijke onzekerheid van stal- en opslagemissies van 10 naar 25 procent. Wanneer de vooraf aangenomen onzekerheid van de invoerparameters met 50 procent wordt verhoogd, loopt de onzekerheid van stal en opslag op 500 × 500 meter op van 41 naar 59 procent. Dat laatste getal verdient aandacht: ±59 procent op 500 × 500 meter is geen kritiek van een actiegroep op het Nederlandse emissiemodel, maar een uitkomst van een wetenschappelijke gevoeligheidsanalyse van het model zelf.

Food4Innovations zat daarmee dichter bij de orde van grootte dan misschien werd gedacht

In Ammoniak boven en op Nederland, deel 2 trok Food4Innovations in 2025 op basis van praktijkmetingen een vergelijkbare, maar destijds steviger geformuleerde conclusie. De onzekerheid zit volgens dat rapport niet primair in het tellen van koeien. Die zijn behoorlijk goed te tellen. Het probleem ontstaat bij de stap van dier naar emissie.

Een standaardemissiefactor veronderstelt namelijk dat een categorie dieren en stallen voldoende homogeen is om met één representatief getal te beschrijven. In werkelijkheid verschillen rantsoen, melkureum, ventilatie, temperatuur, mestmanagement, beweiding, stalhygiëne en mestverblijftijd van bedrijf tot bedrijf.

Food4Innovations wees daarbij onder meer op metingen aan praktijkbedrijven. Voor melkvee werd in het rapport een gemiddelde praktijkwaarde van ongeveer 9–11 kg NH₃ per dierplaats per jaar gevonden, tegenover officiële factoren die voor reguliere situaties rond 13 kg liggen. Voor een steekproef van KringloopWijzer-bestanden werd 11 kg met een standaarddeviatie van 3,2 kg gevonden. 

Dat is geen detail. Een standaarddeviatie van 3,2 op een gemiddelde van 11 betekent een variatiecoëfficiënt van ongeveer 29 procent binnen die steekproef. Het is bovendien niet automatisch een onzekerheid van 29 procent in het landelijke emissietotaal. Veel bedrijfsspecifieke afwijkingen middelen landelijk immers uit. En precies daar raken de Food4Innovations-analyse en Lessmann elkaar dus.

Twee soorten onzekerheid die gemakkelijk worden verward

Hier moeten we streng zijn. Food4Innovations heeft in eerdere rapporten verschillende getallen gebruikt die niet allemaal dezelfde grootheid beschrijven. Zo wordt voor NH₃-concentraties een onzekerheid van tientallen procenten besproken, terwijl voor droge depositie onzekerheden tot 124 procent worden genoemd. Dat zijn geen onzekerheidsmarges die rechtstreeks op de nationale ammoniakemissie mogen worden geplakt. Het rapport maakt zelf onderscheid tussen emissietabellen, concentraties, natte depositie, depositiesnelheden en droge depositie. Dat onderscheid is essentieel.

Grootheid	Orde van onzekerheid uit RIVM/F4I-bronnen	Wat zegt dit?
Landelijke agrarische NH₃-emissie	grofweg 9–30% afhankelijk van methode	nationale inventaris
NH₃-emissie 500 × 500 m	±32% referentiescenario Lessmann	lokale emissie-inventaris
Stal/opslag 500 × 500 m	±41%, gevoeligheidsanalyse tot ±59%	lokale bronraming
Jaargemiddelde NH₃-concentratie	RIVM 95%-marge ±45%	OPS versus concentratiemetingen
Natte NHx-depositie	RIVM 95%-marge ca. ±33%	depositieberekening
Droge NH₃-depositie	in eerdere RIVM/F4I-analyse veel groter; tot ca. ±124% genoemd	concentratie × depositiesnelheid
Totale depositie lokaal	orde 60–70% in aangehaalde RIVM-analyse	achtergronddepositie op locatie

Het RIVM rapporteert voor de jaargemiddelde NH₃-concentratie momenteel een onzekerheidsmarge van 45 procent op 95%-niveau. Het instituut benadrukt bovendien dat onzekerheden bij landelijke gemiddelden gedeeltelijk uitmiddelen.  

Food4Innovations kwam onafhankelijk daarvan tot de conclusie dat natte depositie veel beter wordt beheerst dan droge depositie. In deel 2 wordt voor natte depositie een afwijking van ongeveer 15–20 procent gevonden, terwijl droge depositie veel problematischer is. Dat onderscheid blijft bestaan staan, wellicht komt ook RIVM eerdaags met haar analyse.

De interessante vraag is daarom niet: wie heeft gelijk?

Het zou verleidelijk zijn om hier een wedstrijd RIVM tegen Food4Innovations van te maken. Wetenschappelijk is dat niet erg vruchtbaar. De interessantste constatering is juist dat de verschillende onderzoeken steeds meer hetzelfde patroon laten zien. Nationaal kunnen emissies behoorlijk goed worden geïnventariseerd. Regionaal neemt de onzekerheid toe. Lokaal neemt zij sterk toe. En bij de stap van emissie naar concentratie en vervolgens van concentratie naar droge depositie worden daar opnieuw onzekerheden aan toegevoegd. Schematisch ziet die keten er zo uit:

activiteit → emissiefactor → emissie → verspreiding → concentratie → depositiesnelheid → depositie

Bij iedere pijl moet kennis worden toegevoegd. Voor een landelijke emissie-inventaris werkt dat verrassend goed. Nederland weet hoeveel koeien, varkens en kippen er ongeveer zijn, hoeveel mest wordt geproduceerd en hoeveel kunstmest wordt verkocht. Positieve en negatieve lokale afwijkingen kunnen elkaar gedeeltelijk compenseren.

Maar voor één bedrijf werkt die statistische bescherming nauwelijks. Een melkveehouder heeft niet 1,6 miljoen koeien. Hij heeft misschien 120 koeien in één specifieke stal, met één rantsoen, één ventilatieregime, één mestkelder en één managementsysteem. Daar wordt het gemiddelde ineens een stuk minder gemiddeld.

Lessmann laat bovendien zien waar de kwetsbaarheid zit

Een bijzonder relevante uitkomst van de nieuwe studie is dat onzekerheid op nationale schaal sterk kan dalen doordat veel invoervariabelen ruimtelijk als grotendeels onafhankelijk worden behandeld. De auteurs waarschuwen zelf dat correlaties tussen invoervariabelen slechts beperkt zijn meegenomen. Wanneer zij meer ruimtelijke autocorrelatie aannemen, stijgt de nationale onzekerheid van de totale NH₃-emissie van 9 naar 15 procent en die van stal en opslag zelfs van 10 naar 25 procent. Dat is een belangrijk voorbehoud.

Het betekent dat de fraaie ±9 procent voor Nederland niet gelezen mag worden als: “de werkelijke ammoniakemissie van Nederland is met 9 procent zekerheid bekend”. Het is de onzekerheid die volgt binnen de gekozen modelstructuur en onzekerheidsaannames. De auteurs zeggen expliciet dat structurele modelonzekerheid niet volledig is meegenomen (redactie: en dat moet absoluut wel!). Daarmee komen we verrassend dicht bij de kritiek die in de Food4Innovations-rapporten al eerder werd geformuleerd.

Dan is er nog de kwestie van bias

Onzekerheid en bias zijn bovendien twee verschillende dingen. Stel dat 10.000 bedrijven willekeurig tussen 20 procent te hoog en 20 procent te laag worden ingeschat. Dan kan het landelijke totaal uitstekend kloppen, terwijl individuele bedrijven behoorlijk verkeerd zitten. Maar stel dat de emissiefactor van één grote categorie systematisch 15 procent te hoog is. Dan middelt die fout niet uit.

Food4Innovations stelde voor melkveestallen precies zo’n mogelijke systematische afwijking aan de orde. Deel 2 concludeerde op basis van de toen beschikbare praktijkgegevens dat de NEMA-schatting voor stal en mestopslag bij rundvee mogelijk 15–20 procent te hoog lag en kwam voor 2021 uit op circa 24–26 kiloton tegenover 30,5 kiloton in NEMA. 

Het RIVM heeft daar terecht tegen ingebracht dat metingen aan een beperkt aantal praktijkbedrijven niet zonder meer representatief mogen worden verklaard voor alle Nederlandse melkveebedrijven. In zijn openbare reactie stelde het instituut dat de Food4Innovations-analyse te sterk leunde op metingen aan vijftien bedrijven en onvoldoende rekening hield met literatuur die ook op onderschattingen kan wijzen.   Dat is een terechte wetenschappelijke waarschuwing.

Maar het omgekeerde geldt eveneens: een nationale gemiddelde emissiefactor bewijst niet dat de emissie van een individueel bedrijf met vergelijkbare nauwkeurigheid bekend is. En dát punt wordt door Lessmann juist versterkt.

De paradox van 112,6 kiloton

Daarmee ontstaat een merkwaardige situatie. Nederland kan in 2024 heel redelijk rapporteren dat ongeveer 112,6 kiloton NH₃ is uitgestoten. Tegelijkertijd kan het veel moeilijker zijn om met vergelijkbare relatieve nauwkeurigheid vast te stellen hoeveel ammoniak uit één stal, één bedrijf of één vierkant van 500 bij 500 meter afkomstig was.

Dat is geen paradox wanneer je statistiek begrijpt. Het is precies wat je verwacht. Een verzekeraar kan uitstekend voorspellen hoeveel auto’s van een miljoen verzekerden volgend jaar schade oplopen. Hij kan niet voorspellen of ú morgen om 14.15 uur tegen een paaltje rijdt. Het eerste is een populatievraagstuk, het tweede een individueel vraagstuk. De ammoniakboekhouding werkt in zekere zin hetzelfde.

RIVM en Food4Innovations liggen minder ver uit elkaar dan gedacht

De verschillen zitten vooral in de interpretatie. Food4Innovations benadrukt de consequentie van onzekerheid voor lokale toepassing. Het RIVM benadrukt dat onzekerheid niet betekent dat een model waardeloos is en dat aggregatie veel onzekerheden reduceert. Beide uitspraken kunnen tegelijkertijd waar zijn. Sterker nog, het recente onderzoek van Lessmann c.s. maakt precies die combinatie aannemelijk.

Schaal	Lessmann c.s.	Food4Innovations	Wetenschappelijke interpretatie
Nederland	±9% totale NH₃; ±10% stal/opslag; ±15% veld	landelijke inventaris een beetje bruikbaar, maar mogelijke systematische bias emissiefactoren en meer	geschikt voor nationale totalen en trends, mits modelbias wordt bewaakt
Regio	ca. ±11% totale NH₃ gemiddeld	regionale gemiddelden veel robuuster dan individuele locaties.	bruikbaar voor gebiedsbeelden; lokale hotspots blijven lastiger
500 × 500 m	±32% totale NH₃	lokale afwijkingen zijn aanzienlijk. Ongeschikt voor vergunningen dus.	individuele gridcel duidelijk minder nauwkeurig
500 × 500 m stal/opslag	±41%; scenario tot ±59%	grote bedrijfsspecifieke variatie emissiefactoren.	voorzichtig met bedrijfsspecifieke conclusies
Bedrijf	niet afzonderlijk gekwantificeerd	praktijkmetingen laten forse spreiding zien. Zie ook recent dit artikel hierover.	uit 500 × 500 m mag geen exact bedrijfspercentage worden afgeleid

Dit laatste punt is belangrijk. Lessmann heeft niet aangetoond dat de emissie van een individuele boerderij ±32, ±41 of ±59 procent onzeker is. Het fijnste niveau van de studie is 500 × 500 meter. Een bedrijf is geen rastercel. Maar de studie biedt evenmin steun voor de gedachte dat een landelijke emissiefactor zonder substantiële extra onzekerheid naar één individueel bedrijf kan worden vertaald.

En dan komt de KringloopWijzer om de hoek kijken

Dat maakt de discussie over bedrijfsspecifieke doelsturing nog interessanter. Wanneer een instrument als de KringloopWijzer wordt gebruikt om duizenden bedrijven gezamenlijk te volgen, kunnen fouten deels uitmiddelen. Wanneer dezelfde berekening wordt gebruikt om bedrijf A af te rekenen op bijvoorbeeld 1.150 kg NH₃ en bedrijf B op 1.300 kg, wordt een heel andere eis aan de methode gesteld. Dat is precies het schaalprobleem dat we eerder op Stikstofinfo.net bespraken bij de vraag hoe nauwkeurig de KringloopWijzer ammoniakemissies werkelijk kan berekenen. Het nieuwe onderzoek voegt daar een belangrijke theoretische onderbouwing aan toe: ruimtelijke aggregatie reduceert onzekerheid; desaggregatie vergroot haar. Dat lijkt een open deur. In het stikstofbeleid is het dat allerminst.

De echte les is daarom ongemakkelijk eenvoudig

De nationale ammoniakboekhouding hoeft niet gelijk de prullenbak in. Integendeel. NEMA, Emissieregistratie, INITIATOR en OPS zijn aardige instrumenten om nationale totalen, trends en ruimtelijke patronen een beetje te kunnen blijven monitoren. Maar een goed nationaal model wordt niet vanzelf een goede bedrijfsweegschaal of goed regiemodel.

De wetenschappelijke literatuur begint daar inmiddels opvallend consistent over te worden. Lessmann komt voor de totale agrarische ammoniakemissie uit op ongeveer 9 procent onzekerheid voor Nederland en 32 procent voor 500 × 500 meter. Voor stal en mestopslag loopt dat verschil van ongeveer 10 naar 41 procent en in een gevoeligheidsscenario zelfs naar 59 procent. Food4Innovations vond eerder grote variatie in praktijkemissiefactoren en waarschuwde voor het rechtstreeks vertalen van landelijke gemiddelden naar individuele bedrijven. Het RIVM zegt zelf dat emissiecijfers onzekerder worden naarmate verder wordt ingezoomd. Daarmee verschuift de discussie.

De vraag is niet langer óf er onzekerheid bestaat. Dat staat nauwelijks nog ter discussie. De relevante vraag is welke onzekerheid acceptabel is voor welk doel. Voor de constatering dat de Nederlandse ammoniakemissie sinds 1990 fors is gedaald, is een onzekerheid van tien of twintig procent nauwelijks fataal. Voor een nationale NEC-rapportage evenmin. Voor provinciale emissieplafonds kan een model eveneens zeer bruikbaar zijn.

Voor de constatering dat de Nederlandse ammoniakemissie sinds 1990 fors is gedaald, is een onzekerheid van tien of twintig procent nauwelijks fataal. Voor een nationale NEC-rapportage evenmin. Voor provinciale emissieplafonds kan een model eveneens zeer bruikbaar zijn. Maar zodra dezelfde rekensystematiek wordt gebruikt om individuele ondernemers af te rekenen, vergunningen te begrenzen of bedrijf A nauwkeurig met bedrijf B te vergelijken, verandert de wetenschappelijke bewijslast. Dan moet niet alleen een emissiegetal op tafel komen. Dan hoort daar ook een betrouwbaarheidsinterval bij.

En misschien is dat uiteindelijk de belangrijkste conclusie uit zowel de RIVM-systematiek, Lessmann als de Food4Innovations-rapporten: hoe kleiner het gebied waarop we willen sturen, hoe groter de relatieve onzekerheid wordt en hoe voorzichtiger we met ogenschijnlijk exacte getallen moeten omgaan.

Dat is geen argument om gelijk alle modellen af te schaffen. Integendeel. Zonder modellen kunnen we de stikstofstromen in Nederland nauwelijks begrijpen. Het is wél een argument om het toepassingsbereik van een model serieus te nemen. Een model dat uitstekend geschikt is om nationale trends te volgen, hoeft niet automatisch geschikt te zijn om de emissie van één boerderij tot op enkele procenten nauwkeurig vast te stellen.

De studie van Lessmann maakt dat bijna pijnlijk concreet. Voor de totale ammoniakemissie uit stallen, mestopslag en veldemissies bedraagt de berekende onzekerheid op nationale schaal ongeveer 9%. Op een raster van 500 bij 500 meter loopt die op tot ongeveer 32%. Voor alleen stal- en opslagemissies gaat het van circa 10% landelijk naar circa 41% op 500 bij 500 meter. Bovendien blijkt die lokale onzekerheid gevoelig voor de vooraf aangenomen variatie in de invoerparameters: afhankelijk van die aannames loopt de onzekerheid voor stal en opslag op rasterbasis uiteen van ongeveer 24 tot 59%. Dat is geen detail in de marge, maar een fundamentele eigenschap van het opschalen én weer terugschalen van emissie-inventarisaties.

Food4Innovations kwam vanuit een andere richting tot een vergelijkbare waarschuwing. Daar lag de nadruk sterker op praktijkmetingen en de vraag of de gemiddelde emissiefactoren waarmee NEMA rekent ook representatief zijn voor individuele bedrijven. Metingen op praktijkbedrijven laten bijvoorbeeld zien dat melkveestallen die administratief met 13 kilogram NH₃ per dierplaats worden gerekend, in werkelijkheid geregeld rond 9 tot 11 kilogram uitkomen. Tegelijkertijd is de spreiding tussen bedrijven aanzienlijk. Het Food4Innovations-rapport rapporteert voor een steekproef uit de KringloopWijzer bijvoorbeeld gemiddeld 11 kilogram met een standaarddeviatie van 3,2 kilogram NH₃ per dierplaats per jaar. 

Dat laatste is minstens zo belangrijk als het gemiddelde. Een gemiddelde emissiefactor kan voor een nationale inventarisatie heel behoorlijk werken en tegelijkertijd een matige voorspeller zijn voor één specifieke stal. Precies daar dreigt in het stikstofbeleid een klassieke statistische fout. We verwarren de nauwkeurigheid van het gemiddelde van een populatie met de nauwkeurigheid waarmee we een individueel lid van die populatie kunnen beschrijven. Dat zijn twee echter twee verschillende grootheden!

De nationale ammoniakemissie kan dus met redelijke zekerheid worden geraamd, terwijl we tegelijkertijd veel minder zeker weten hoeveel ammoniak gisteren uit stal X in gemeente Y kwam. Er zit geen tegenstelling tussen die twee uitspraken. Door duizenden bronnen bij elkaar op te tellen middelen toevallige afwijkingen gedeeltelijk uit. Op bedrijfsniveau gebeurt precies het tegenovergestelde: management, rantsoen, temperatuur, ventilatie, mestmanagement, stalbezetting, beweiding en techniek worden ineens bepalend.

Daarom zou doelsturing ook werkelijk doelsturing moeten gaan zijn. Niet een landelijke gemiddelde emissiefactor voorzien van drie cijfers achter de komma en vervolgens administratief tot bedrijfswaarheid verheffen. Wie individuele ondernemers wil belonen of sanctioneren op hun emissieprestatie, zal die prestatie ook op bedrijfsniveau voldoende betrouwbaar moeten kunnen vaststellen. En misschien moeten we eerst maar voorzichtig beginnen met doelsturing op een regio.

Dat kan met metingen, met bedrijfsspecifieke massabalansen, met gevalideerde KPI’s of met combinaties daarvan. Modellen blijven daarbij handig. Maar het getal moet vergezeld gaan van zijn onzekerheid. Want een berekende emissie zonder onzekerheidsmarge is geen nauwkeurige emissie. Het is slechts een nauwkeurig opgeschreven schatting. Tot die tijd is het zeer af te raden om sommetjes in te zetten voor landelijk beleidsanalyses, afrekenbaarheid in regio’s en zeker niet bij bedrijven. AERIUS/OPS is ongeschikt, blijft de eenvoudige conclusie.

Want een berekende emissie zonder onzekerheidsmarge is geen nauwkeurige emissie. Het is slechts een nauwkeurig opgeschreven schatting.