3. AI-producerende bedrijven
Om de kenmerken van AI-bedrijven in Nederland te beschrijven, is het essentieel te weten uit welke bedrijven deze populatie bestaat. Hoewel er enkele deelpopulaties van AI-bedrijven beschikbaar zijn12), is er nog geen volledig overzicht van AI-bedrijven. Deze deelpopulaties zijn daarnaast niet samengesteld aan de hand van eenduidige definities.
In 2021 heeft het CBS, samen met het bedrijf InnovatieSpotter, een verkennende studie uitgevoerd waarin werd nagegaan of het mogelijk was om AI-bedrijven te identificeren op basis van de teksten op hun website. Binnen deze studie lukte het niet om een betrouwbare schatting te maken van het aantal AI-bedrijven. Dit kwam onder andere doordat bij het samenstellen van de trainingsset van AI-bedrijven een (te) brede operationalisering was gebruikt, waardoor de ontwikkelde modellen niet voldoende betrouwbaar onderscheid konden maken tussen AI-bedrijven en niet-AI-bedrijven. Sinds deze eerste studie zijn er grote stappen gezet in het modelmatig identificeren van typen bedrijven op basis van websiteteksten. Voorbeelden zijn de identificatie van innovatieve bedrijven13), online platformen14), bedrijven in de creatieve industrie, en dronebedrijven15).
Het doel van het huidige project is om met nieuwe technieken voor webscraping en machine learning de populatie van AI-bedrijven in Nederland in kaart te brengen. Het project richt zich specifiek op bedrijven die AI-systemen produceren. In paragraaf 3.1 van dit hoofdstuk wordt de gebruikte methode beschreven. Paragraaf 3.2 geeft een statistische beschrijving van de geïdentificeerde AI-bedrijven. Paragraaf 3.3 geeft een methodologische beschouwing op de gebruikte methode.
3.1 Methode
Deze paragraaf geeft een beschrijving van de methode waarmee de populatie van AI-bedrijven is samengesteld.
3.1.1 Conceptuele afbakening AI-bedrijven
Om AI-bedrijven te identificeren, is het essentieel te definiëren wat een AI-systeem is, wat een AI-bedrijf is, en hoe in de praktijk wordt beoordeeld of een bedrijf een AI-bedrijf is.
Definitie AI-systeem
In dit project wordt de meest recente definitie van een AI-systeem gehanteerd zoals die in 2023 is opgesteld door de Organisatie voor Economische Samenwerking en Ontwikkeling (OESO). Het CBS sluit hiermee aan bij de definitie van een AI-systeem in de Europese AI-verordening (2024/1689). Volgens deze definitie is een AI-systeem: ‘Een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen die van invloed kunnen zijn op fysieke of virtuele omgevingen.’ Een niet-uitputtende set aan voorbeelden van een AI-systeem onder deze definitie zijn: autonome robots, zelfrijdende auto's, machine learning-modellen die gebruikt worden voor data-analyse, AI-gedreven beeldanalyse en generatieve AI-modellen die op basis van een prompt tekst en/of afbeeldingen produceren.
Definitie AI-bedrijf
Een AI-bedrijf wordt gedefinieerd als: ‘Een bedrijf dat de productie van AI-systemen als hoofdactiviteit heeft.’ Een bedrijf dat alleen gebruikmaakt van AI-systemen is volgens deze definitie dus géén AI-bedrijf. Een bedrijf dat zich hoofdzakelijk richt op de productie van AI-systemen is volgens deze definitie wél een AI-bedrijf. De vraag of het bedrijf niet zou bestaan, of substantieel anders van aard zou zijn, als het geen AI-systemen zou produceren, is hierbij doorslaggevend.
Operationalisatie AI-bedrijf
Een bedrijf wordt beschouwd als ‘AI-bedrijf’ als de website er blijk van geeft dat het bedrijf voldoet aan de definitie van een AI-bedrijf. Bij handmatige beoordeling is het onmogelijk te ontkomen aan enige subjectiviteit. Dit geldt met name voor de vraag of een bedrijf niet zou bestaan, of substantieel anders van aard zou zijn, als het geen AI-systemen zou produceren.
3.1.2 Populatie en trainingsset
Om websites van bedrijven te identificeren, werd in het eerste kwartaal van 2024 een zeer omvangrijke lijst met websites16) gekoppeld aan het bedrijvenregister van het CBS. In totaal koppelden meer dan 713 000 websites aan een bedrijf in Nederland. Deze websites vormden de populatie van bedrijvenwebsites in Nederland. Per website werden vervolgens maximaal 200 webpagina’s gescrapet. In het derde kwartaal van 2024 werd een trainingsset van handmatig geclassificeerde websites van AI-bedrijven en niet-AI-bedrijven samengesteld. De positieve classificaties bestonden uit websites van bedrijven die deelnamen aan de Nederlandse AI Coalitie (NL AIC) of die een subsidie hadden ontvangen via het AiNed Investeringsprogramma, aangevuld met websites van AI-bedrijven die via een Google-zoekopdracht waren gevonden. Voorwaarde was dat al deze bedrijven voldeden aan de operationalisering van een AI-bedrijf. De negatieve classificaties bestonden uit bedrijvenwebsites uit de eerdergenoemde bronnen die niet voldeden aan de operationalisering van een AI-bedrijf, aangevuld met een steekproef van websites van niet-AI-bedrijven. Om de trainingsset verder uit te breiden, werd een logistisch regressiemodel getraind op de trainingsset en toegepast op de populatie van bedrijvenwebsites. De websites met een hoge kans om van een AI-bedrijf te zijn, werden beoordeeld en toegevoegd aan de trainingsset. Dit leverde een definitieve trainingsset op van 294 websites van AI-bedrijven en 2 436 websites van niet-AI-bedrijven.
3.1.3 Modelontwikkeling
Op de definitieve trainingsset werden verschillende typen modellen getraind. Het random forest-model presteerde van deze modellen het beste en werd daarom toegepast op de populatie van bedrijvenwebsites. Het eerste random forest-model leverde echter nog veel vals positieven op. Bij een handmatige beoordeling van 200 willekeurige potentiële AI-websites bleek dat er slechts vier van een AI-bedrijf waren. In een poging het percentage vals positieven terug te dringen, werden nog zes andere random forest-modellen getraind op trainingssets die varieerden in het aantal positieve en negatieve classificaties. Bij de negatieve classificaties werd hierbij een aanvullend onderscheid gemaakt tussen websites die wel of geen kenmerken van websites van AI-bedrijven hadden.
In de wetenschappelijke literatuur worden positieve resultaten beschreven van het gecombineerd gebruik van (meerdere) modellen. Elk model classificeert immers op basis van net weer andere eigenschappen17). Omdat werd verwacht dat een ensemble van modellen beter in staat is om websites van AI- en niet-AI-bedrijven te onderscheiden, werd ervoor gekozen een ensemble te gebruiken. De keuze voor de specifieke modellen in het ensemble werd gemaakt door na te gaan welke (combinaties van) modellen een zo klein mogelijke subset van potentiële AI-websites opleverde, die wel zoveel mogelijk bekende websites van AI-bedrijven bevatte. Een website werd vervolgens als ‘potentiële AI-website’ aangemerkt als deze door minstens zes van de zeven modellen een hoge kans kreeg om van een AI-bedrijf te zijn. Dit resulteerde in een lijst van 1 281 potentiële AI-websites, waarin meer dan 90 procent van de al bekende websites voorkwam. Na handmatige beoordeling van deze lijst bleken er 293 daadwerkelijk van een AI-bedrijf te zijn. Gecombineerd met de websites in de trainingsset leverde dit een populatie op van 450 websites van AI-bedrijven.
3.2 Resultaten: statistische beschrijving van AI-bedrijven
In deze paragraaf worden een aantal demografische en financiële kenmerken van de geïdentificeerde AI-bedrijven beschreven. Hiervoor zijn de websites van AI-bedrijven (paragraaf 3.1.3) gekoppeld aan het bedrijvenregister van het CBS, en verrijkt met omzetgegevens en overige financiële informatie voor de betreffende bedrijven. Op het moment van analyse waren omzetgegevens beschikbaar tot en met 2023; de overige financiële informatie was beschikbaar tot en met 2022. De 450 websites hoorden bij 402 verschillende AI-bedrijven die in 2024 in Nederland actief waren. Deze paragraaf geeft enkele kernresultaten. Een uitgebreidere statistische beschrijving van deze AI-bedrijven is te vinden in de tabellenset bij dit hoofdstuk. Alle cijfers hebben een voorlopig karakter, omdat de gebruikte methode in de toekomst nog zou kunnen worden verbeterd (zie paragraaf 3.3).
3.2.1 Demografische kenmerken
Van de AI-bedrijven behoorde 97 procent in 2024 tot het midden- en kleinbedrijf (mkb)18). Slechts 3 procent van de AI-bedrijven had 250 of meer werkzame personen.
| Type | ≤ 1 werkzame personen (% van bedrijven) | 2 - 9 werkzame personen (% van bedrijven) | 10 - 99 werkzame personen (% van bedrijven) | 100 - 249 werkzame personen (% van bedrijven) | ≥ 250 werkzame personen (% van bedrijven) |
|---|---|---|---|---|---|
| AI-bedrijven | 35,3 | 33,3 | 24,4 | 4,2 | 2,7 |
| Alle bedrijven | 82,6 | 14,5 | 2,6 | 0,2 | 0,1 |
| * Voorlopige cijfers | |||||
De meeste AI-bedrijven behoorden tot de bedrijfstak J Informatie en communicatie (63 procent). Andere veelvoorkomende bedrijfstakken waren M Advisering, onderzoek en overige specialistische zakelijke dienstverlening (23 procent) en C Industrie (5 procent).
| Type | C Industrie (% van bedrijven) | G Handel (% van bedrijven) | J Informatie en communicatie (% van bedrijven) | M Specialistische zakelijke dienstverlening (% van bedrijven) | Overige SBI-groepen (% van bedrijven) |
|---|---|---|---|---|---|
| AI-bedrijven | 4,7 | 3,0 | 63,4 | 23,1 | 5,7 |
| Alle bedrijven | 3,6 | 12,7 | 5,4 | 20,3 | 57,9 |
| * Voorlopige cijfers | |||||
In de meeste gevallen was een AI-bedrijf een besloten vennootschap (83 procent). Een kleiner deel was een eenmanszaak (12 procent) of had een overige rechtsvorm (5 procent).
| Type | Eenmanszaak (% van bedrijven) | Besloten vennootschap (% van bedrijven) | Overige rechtsvormen (% van bedrijven) |
|---|---|---|---|
| AI-bedrijven | 11,9 | 82,8 | 5,2 |
| Alle bedrijven | 68,8 | 19,8 | 11,4 |
| * Voorlopige cijfers | |||
Bijna de helft van de AI-bedrijven (47 procent) was opgericht in de afgelopen vijf jaar. Ongeveer één op de tien AI-bedrijven bestond al meer dan 15 jaar.
| Type | 2005-2009 (% van bedrijven) | 2010-2014 (% van bedrijven) | 2015-2019 (% van bedrijven) | 2020-2024 (% van bedrijven) |
|---|---|---|---|---|
| AI-bedrijven | 11,4 | 11,9 | 29,4 | 47,3 |
| Alle bedrijven | 18,5 | 14,2 | 21,8 | 45,5 |
| * Voorlopige cijfers | ||||
Het grootste deel van de AI-bedrijven was gevestigd in Noord-Holland (32 procent) en Zuid-Holland (24 procent). In Utrecht (11 procent) en Noord-Brabant (10 procent) waren eveneens relatief veel AI-bedrijven te vinden.
| Provincies | % AI-bedrijven (%) |
|---|---|
| Groningen | 3,0 |
| Frysl | |
| Drenthe | |
| Overijssel | 2,7 |
| Flevoland | |
| Gelderland | 7,2 |
| Utrecht | 11,4 |
| Noord-Holland | 32,1 |
| Zuid-Holland | 23,9 |
| Zeeland | |
| Noord-Brabant | 9,7 |
| Limburg | 2,2 |
| De figuur geeft de verdeling weer in procenten. * Voorlopige cijfers | |
Het hoofdkantoor van de meeste AI-bedrijven (95 procent) was gevestigd in Nederland. Het resterende deel (5 procent) van de bedrijven hoorde bij een buitenlands moederbedrijf. Een aanzienlijk deel van deze groep (37 procent) hoorde bij een moederbedrijf uit de Verenigde Staten.
3.2.2 Financiële kenmerken
In deze paragraaf worden enkele financiële kenmerken van AI-bedrijven, zoals de omzet, de opbrengsten, de lonen, de lasten, het bedrijfsresultaat en de toegevoegde waarde, beschreven. Omdat een aantal bedrijfstakken buiten het waarneemdomein van de financiële gegevens vallen, wordt er alleen gerapporteerd over de volgende bedrijfstakken: groothandel en handelsbemiddeling, vervoer en opslag, horeca, informatie en communicatie, specialistische zakelijke diensten, overige zakelijke dienstverlening en overige diensten. Vanwege ontbrekende waarden zijn de opbrengsten, de lonen, de lasten voor sommige bedrijven geïmputeerd. Vanwege een te groot aantal ontbrekende waarden voor kleinere bedrijven worden het bedrijfsresultaat en de toegevoegde waarde alleen gerapporteerd voor bedrijven met 10 of meer werkzame personen. Voor meer achtergronden en details, zie het tabblad ‘Toelichting’ in de tabellenset bij dit hoofdstuk.
In 202319) had het grootste deel van de AI-bedrijven (43 procent) een omzet tussen de 100 duizend en de 1 miljoen euro. Vergeleken met andere bedrijven in Nederland hadden AI-bedrijven vaker een hogere omzet.
| Type | < 10 (% van bedrijven) | 10 - 99 (% van bedrijven) | 100 - 999 (% van bedrijven) | 1 000 - 9 999 (% van bedrijven) | 10 000 - 49 999 (% van bedrijven) | ≥ 50 000 (% van bedrijven) |
|---|---|---|---|---|---|---|
| AI-bedrijven | 12,6 | 17 | 42,9 | 18,1 | 5,5 | 3,8 |
| Alle bedrijven | 35,0 | 36,6 | 22,3 | 5,1 | 0,8 | 0,3 |
| Omzet (x 1 000 euro)
* Voorlopige cijfers. Omzetgegevens waren alleen voor 2023 beschikbaar. De figuur geeft de omzet over 2023 van bedrijven die in 2023 en 2024 bestonden. | ||||||
Van de AI-bedrijven met ten minste één werkzame persoon had het grootste deel (85 procent) in 202220) een opbrengst21) van minder dan 5 miljoen euro. Een klein deel (5 procent) had een opbrengst van meer dan 50 miljoen euro. Het resterende deel (10 procent) had een opbrengst tussen de 5 en 50 miljoen euro.
| Opbrengsten | % van AI-bedrijven (% van AI-bedrijven) |
|---|---|
| < 5 000 | 85 |
| 5 000 – 9 999 | 3 |
| 10 000 – 49 999 | 7 |
| ≥ 50 000 | 5 |
| Opbrengsten (x 1 000 euro)
* Voorlopige cijfers. De gegevens waren alleen voor 2022 beschikbaar. De figuur geeft de opbrengsten weer over 2022 voor bedrijven die in 2022, 2023 en 2024 bestonden. | |
Het grootste deel van de AI-bedrijven met ten minste één werkzame persoon (81 procent) had in 202222) minder dan 5 miljoen euro lasten. Ongeveer 7 procent had meer dan 25 miljoen euro lasten. Het resterende deel (13 procent) had lasten tussen de 5 en de 25 miljoen euro.
| Lasten | % van AI-bedrijven (% van AI-bedrijven) |
|---|---|
| < 5 000 | 81 |
| 5 000 – 9 999 | 8 |
| 10 000 – 24 999 | 5 |
| ≥ 25 000 | 7 |
| Lasten (x 1 000 euro)
* Voorlopige cijfers. De gegevens waren alleen voor 2022 beschikbaar. De figuur geeft de lasten weer over 2022 voor bedrijven die in 2022, 2023 en 2024 bestonden. | |
In 2022 had verreweg het grootste deel van de AI-bedrijven met ten minste één werkzame persoon (94 procent) een totale loonsom23) van minder dan 10 miljoen euro. Een klein deel (6 procent) had een totale loonsom van 10 miljoen euro of hoger.
Van de AI-bedrijven met 50 of meer werkzame personen had meer dan de helft (55 procent) in 2022 een bedrijfsresultaat24) van minder dan 2,5 miljoen euro. Ruim een derde (37 procent) had een hoger bedrijfsresultaat.
| Bedrijfsresultaat;% AI-bedrijven < 500;15 500 – 2 499;10 ≥ 2 500; | % van AI-bedrijven (% van AI-bedrijven) |
|---|---|
| < 500 | 34 |
| 500 – 2 499 | 21 |
| ≥ 2 500 | 37 |
| Onbekend | 8 |
| Bedrijfsresultaat (x 1 000 euro)
* Voorlopige cijfers. De gegevens waren alleen voor 2022 beschikbaar. De figuur geeft het bedrijfsresultaat weer over 2022 voor bedrijven die in 2022, 2023 en 2024 bestonden. | |
Van de AI-bedrijven met 50 of meer werkzame personen had meer dan de helft (63 procent) in 2022 een toegevoegde waarde25) van minder dan 23 miljoen euro. Bijna 30 procent had een hogere toegevoegde waarde.
| Toegevoegde waarde | % van AI-bedrijven (% van AI-bedrijven) |
|---|---|
| < 10 000 | 29 |
| 10 000-22 999 | 34 |
| ≥ 23 000 | 29 |
| Onbekend | 8 |
| Toegevoegde waarde (x 1 000 euro)
* Voorlopige cijfers. De gegevens waren alleen voor 2022 beschikbaar. De figuur geeft de toegevoegde waarde weer over 2022 voor bedrijven die in 2022, 2023 en 2024 bestonden. | |
3.3 Methodologische beschouwing
Deze paragraaf geeft een methodologische beschouwing van de gebruikte methode zoals beschreven in paragraaf 3.1.2. Een vraag die hierbij aan bod komt is in hoeverre het met deze methode mogelijk is om de gehele populatie van AI-bedrijven in Nederland in kaart te brengen.
3.3.1 Gebruik van websiteteksten
Met de gebruikte methode zijn AI-bedrijven geïdentificeerd op basis van websiteteksten. Volgens cijfers van het CBS had in 2024 in de ICT-sector 86 procent van de bedrijven met twee of meer werkzame personen een website. Omdat het aannemelijk is dat dit ook geldt voor AI-bedrijven, is het waarschijnlijk dat het overgrote deel van de AI-bedrijven in Nederland een website heeft die gebruikt kan worden om het bedrijf als AI-bedrijf te identificeren. Wel bleek dat, hoewel de lijst met websites die koppelden aan het bedrijvenregister zeer omvangrijk is, deze niet alle websites van bedrijven in Nederland bevatte. Dit bleek uit het feit dat bijna 140 van de handmatig gevonden AI-websites niet voorkwamen in de populatie van bedrijvenwebsites. Eén van de redenen daarvoor kan zijn dat websites en/of bedrijven zijn opgericht nadat de koppeling met het bedrijvenregister plaatsvond (maart 2024). Wanneer bedrijven een website hebben die slechts een deel van de activiteiten van het bedrijf vertegenwoordigt, is het daarnaast mogelijk dat de productie van AI-systemen ten onrechte als hoofdactiviteit wordt gezien, en het bedrijf daardoor ten onrechte als AI-bedrijf wordt aangemerkt. Het is onduidelijk voor hoeveel bedrijven dit het geval is. Ondanks deze kanttekeningen is het waarschijnlijk dat de methode, die bestaande bronnen aanvult met nieuw gevonden AI-bedrijven, afdoende zicht geeft op de huidige populatie van AI-bedrijven in Nederland. Omdat het aannemelijk is dat de meest invloedrijke AI-bedrijven zijn aangesloten bij de NL AI Coalitie en/of in de afgelopen jaren een subsidie via het AiNed Investeringsprogramma hebben ontvangen, ontbreken er naar verwachting geen belangrijke bedrijven.
3.3.2 Vals positieven en vals negatieven
Een ensemble van random forest-modellen bleek het meest geschikt om potentiële AI-websites te identificeren. De modellen in het ensemble leverden nog wel een relatief groot aandeel potentiële AI-websites op die toch niet van een AI-bedrijf bleken te zijn (‘vals positieven’). Deze vals positieven zijn middels een handmatige beoordeling uit de uiteindelijke populatie van AI-bedrijven gehaald. Het ensemble kan echter ook websites van AI-bedrijven hebben gemist (‘vals negatieven’). Omdat AI-bedrijven maar een (zeer) klein deel uitmaken van de totale bedrijvenpopulatie in Nederland, is het niet goed mogelijk het percentage vals negatieven vast te stellen.
3.4 Conclusie en aanbevelingen
In dit project is met webscraping en machine learning een populatie van 402 AI-producerende bedrijven in kaart gebracht die in 2024 actief waren. Het is mogelijk dat er nog enkele AI-bedrijven zijn die met de huidige methode niet zijn geïdentificeerd, maar naar verwachting zijn dit geen grote bedrijven.
De huidige methode zou in de toekomst nog op een aantal punten verbeterd kunnen worden. Een tijdrovende stap in de huidige methode is de handmatige beoordeling van alle potentiële AI-websites. Wanneer het aantal AI-bedrijven in de toekomst toeneemt, zal de benodigde beoordelingstijd ook toenemen. Het is daarom van belang om te onderzoeken of het mogelijk is het aandeel vals positieven te reduceren. Een aanknopingspunt hiervoor is het gebruik van de volledige set van in dit project geïdentificeerde AI-websites voor het trainen van een nieuw model. Daarnaast kan de koppeling van de lijst met websites van Dataprovider.com met het bedrijvenregister worden verbeterd. Deze verbeteringen zouden kunnen bijdragen aan de reductie van het aandeel vals negatieven. Als laatste is de beoordeling van of een bedrijf een AI-bedrijf is, enigszins subjectief (zie paragraaf 3.1.1). In dit onderzoek zijn de handmatige beoordelingen door twee personen afzonderlijk van elkaar gedaan. Om de betrouwbaarheid van de beoordelingen te verhogen, zou in de toekomst gekeken kunnen worden naar manieren die de consistentie tussen de classificaties verhogen.
Tot slot is het van belang te noemen dat AI een fenomeen is dat voortdurend in ontwikkeling is. Hierdoor kunnen in de loop van de tijd nieuwe AI-termen ontstaan die niet herkend worden door de nu ontwikkelde modellen. Ook zouden termen die nu vaak op websites van AI-bedrijven voorkomen vaker genoemd kunnen gaan worden op websites van niet-AI-bedrijven, of andersom. Hierdoor is het mogelijk dat de modellen die nu goed presteren, minder goed presteren in de toekomst. Het is van belang om de effectiviteit van de ontwikkelde modellen te blijven evalueren en deze aan te passen indien nodig.
12) Zoals de lijst van deelnemers aan de Nederlandse AI Coalitie (NL AIC), de European AI Startup Landscape van de NL AIC, of de lijst van bedrijven die een subsidie hebben ontvangen via het AiNed Investeringsprogramma.
13) Daas, P. J. H., & van der Doef, S. (2020). Detecting innovative companies via their website. Statistical Journal of the IAOS, 36(4), 1239-1251.
14) Daas, P., Hassink, W., & Klijs, B. (2023). On the Validity of Using Webpage Texts to Identify the Target Population of a Survey: An Application to Detect Online Platforms. Journal of Official Statistics, 40(1), 190-211.
15) Daas, P., Tennekes, M., de Miguel, B., de Miguel, M., SantaMarina, V., & Carausu, F. (2022). Web intelligence for measuring emerging economic trends: the drone industry. (Statistical Working papers). Office for Official Publications of the EC.
16) Deze lijst bevatte meer dan 7 miljoen URL’s en werd geleverd aan het CBS door het bedrijf Dataprovider.com.
17) Gubbels, L., Puts, M., Daas, P. (2024). Bias Correction in Machine Learning-based Classification of Rare Events. Presentation for Symposium on Data Science and Statistics (SDSS) 2024, Statistical Data Science track, Classification and Modeling session, Richmond, VA, USA.
18) Bedrijven met minder dan 250 werkzame personen.
19) De omzetgegevens waren alleen voor 2023 beschikbaar. De beschrijvingen betreffen daarom bedrijven uit 2024 die al in 2023 bestonden.
20) De overige financiële kenmerken waren alleen beschikbaar voor 2022 voor AI-bedrijven met ten minste één werkzame persoon. De beschrijvingen betreffen daarom bedrijven uit 2024 die al in 2022 bestonden. Ontbrekende waarden voor opbrengsten, lasten en lonen zijn geïmputeerd met een lineair regressiemodel, op basis van omzet en het aantal werkzame personen (r2>0.8).
21) De opbrengsten uit de eigenlijke bedrijfsvoering. Hieronder vallen de verkopen van goederen en diensten, evenals de waarde van voorraadmutaties, geactiveerde productie voor het eigen bedrijf, subsidies en schade-uitkeringen.
22) De kosten die zijn gemaakt om de bedrijfsopbrengsten te realiseren. Dit zijn de inkoopwaarde van de omzet, de arbeidskosten, de afschrijvingen op vaste activa, en overige bedrijfskosten.
23) Totale loonsom van alle werknemers op de loonlijst, na aftrek van ziekengeld en loon(kosten)subsidies.
24) De bedrijfsopbrengsten minus de bedrijfskosten, oftewel het resultaat behaald uit de productieactiviteiten.
25) Het verschil tussen de productie (basisprijzen) en het intermediair verbruik (exclusief aftrekbare btw).