---
title: "Voetafdruk ontbossing en koolstofuitstoot in de (sub)tropen - landen en sectoren"
date: 2024-11-19T10:00:00
bibliography: ../references.bib
link-citations: TRUE
thema:
  - Natuur & maatschappij
  - Ecosystemen
  - Ruimte
  - Landbouw
  - Bos
  - Klimaat
keywords:
  - voetafdruk
  - ontbossing
  - koolstofuitstoot
  - consumptie
  - export
  - economie
lang: nl
tab: indicator
verantwoordelijke:
- Katrijn Alaerts <katrijn.alaerts@inbo.be>
always_allow_html: true
output: html_document
---

```{r setup, include = FALSE}
library(knitr)
opts_chunk$set(message = FALSE, warning = FALSE, echo = FALSE)
library(tidyverse)
library(git2rdata)
library(plotly)
library(networkD3)
source(file.path("..", "..", "inbo_theme.R"))
conflicted::conflicts_prefer(dplyr::filter, dplyr::pull, plotly::layout)
library(htmlwidgets)
library(htmltools)
set.seed(20200520)
setWidgetIdSeed(20200520)
options(htmlwidgets.TOJSON_ARGS = list(pretty = TRUE))
```
Onze **Vlaamse consumptie** deed **in 2019 zo’n 7400 ha tropisch en subtropisch bos verdwijnen**.
De koolstofuitstoot die met die ontbossing en met de drainage van venen in diezelfde regio gepaard gaat, bedroeg **meer dan 4 Mton CO~2~**.
We veroorzaken de meeste ontbossing in Brazilië en Indonesië, voor koolstofuitstoot staat ook Papoea-Nieuw-Guinea bovenaan de lijst met landen van impact.
Zowat 70% van de (sub)tropische ontbossing en bijbehorende koolstofuitstoot voor Vlaamse consumptie is toe te schrijven aan de **veeteelt- en zuivelsector** en aan de **teelt van oliehoudende gewassen** (zoals soja en palmolie) in de landen van impact. 

Deze fiche biedt meer details bij de indicator [Voetafdruk ontbossing en koolstofuitstoot in de (sub)tropen - algemeen](https://www.vlaanderen.be/inbo/indicatoren/voetafdruk-ontbossing-en-koolstofuitstoot-in-de-sub-tropen-algemeen). 

Figuur 1 toont het verband tussen de begrippen die in de figuren en de bespreking aan bod komen.

```{r, out.width = '75%', fig.align = 'center', fig.cap = "Figuur 1: verband tussen consumptie in Vlaanderen, de ontbossing in Brazilië en de verschillende begrippen die in de figuren en bespreking aan bod komen."}
knitr::include_graphics("../voetafdruk_ontbossing_land_sector/afbeelding1.jpg")
```
### Ontbossing in de tropen en de subtropen[^1]

## {.tabset}

### Voetafdruk ontbossing voor Vlaamse consumptie in 2019 (ha)

<div class="sankey-wrapper" data-headers='["Land oorsprong", "Bedrijfstak oorsprong", "Vlaamse consumptie"]'>

```{r grafiek-ontbos-consumptie, out.height = '75%', fig.width = 9, fig.height = 14, fig.align = 'left', fig.cap = "Figuur 2: verband tussen de (sub)tropische landen waar de ontbossing plaatsvindt, de bedrijfstakken die producten exporteren voor de Vlaamse consument, en de productgroepen van de Vlaamse consumptie in 2019 (uitgedrukt in ha)."}
# Data inlezen

data <- read_vc("data_sankey_ontbos_cons")
nodes <- read_vc("nodes_sankey_ontbos_cons")
links <- read_vc("links_sankey_ontbos_cons")

# Kleur geven aan elke groep

nodes_group <- nodes %>%
  distinct(group, .keep_all = TRUE)
colors <- paste0(shQuote(nodes_group$col), collapse = ", ")
range <- paste(shQuote(nodes_group$letter), collapse = ", ")

my_color <- paste("d3.scaleOrdinal() .domain([", range, "])",
                  " .range([", colors, "])")

# Basisgrafiek ontbossing consumptie
p <- sankeyNetwork(Links = links, Nodes = nodes,
                   Source = "IDsource", Target = "IDtarget",
                   Value = "value", NodeID = "name",
                   sinksRight = FALSE, iterations = 0, nodePadding = 5,
                   nodeWidth = 50, fontFamily = "verdana",
                   colourScale = my_color, LinkGroup = "letter", units = "ha",
                   NodeGroup = "letter", fontSize = 12,
                   width = "110%", height = "700px")

# Waarde omzetten in percentage voor elke node
df1 <- data %>%
  group_by(land_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "land_top")
df2 <- data %>%
  group_by(bt_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "bt_top")
df3 <- data %>%
  group_by(pg_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "pg_top") %>%
  bind_rows(df2) %>%
  bind_rows(df1) %>%
  mutate(perc = paste0(perc, " %"))

p$x$nodes <- right_join(p$x$nodes, df3, by = c("name" = "name"))

# Interactieve grafiek ontbossing consumptie
# Om tooltip vorm te geven
pb <- htmlwidgets::onRender(p, 'function(el, x) {
    var svg = d3.select(el).select("svg");
    var link = svg.selectAll(".link");
    var node = svg.selectAll(".node");

    var format = d3.formatLocale({
        "decimal": ",",
        "thousands": "",
        "grouping": [3]
    }).format(",.0f");

    link.select("title").select("body")
        .html(function(d) {
            return d.source.name + " \u2192 " + d.target.name +
                   "\\n" + format(d.value) + " ha";
        });

    node.select("title").select("body")
        .html(function(d) {
            return d.name + "\\n" + format(d.value) + " ha";
        });
}
')

# 2. Internal Node Labels (Percentages)
pc <- htmlwidgets::onRender(pb, 'function(el, x) {
    d3.select(el).selectAll(".node text")
      .text(d => d.name + " (" + d.perc + ")");
}
')

# 3. Print pc (Do NOT add any header logic here)
pc
```


</div>

### Voetafdruk ontbossing voor Vlaamse export in 2019 (ha)

<div class="sankey-wrapper" data-headers='["Land oorsprong", "Bedrijfstak oorsprong", "Vlaamse consumptie"]'>

```{r grafiek-ontbos-export, out.height = '75%', fig.width = 9, fig.height = 14, fig.cap = "Figuur 3: verband tussen de (sub)tropische landen waar de ontbossing plaatsvindt, de bedrijfstakken die producten exporteren voor de Vlaamse producenten, en de productgroepen van de Vlaamse export in 2019 (uitgedrukt in ha)."}

# Data inlezen
data <- read_vc("data_sankey_ontbos_exp")
nodes <- read_vc("nodes_sankey_ontbos_exp")
links <- read_vc("links_sankey_ontbos_exp")

# Waarde omzetten in percentage voor elke node
df1 <- data %>%
  group_by(land_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "land_top")
df2 <- data %>%
  group_by(bt_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "bt_top")
df3 <- data %>%
  group_by(pg_top) %>%
  summarise(perc = round(100 * sum(defor) / sum(data$defor), 1)) %>%
  rename("name" = "pg_top") %>%
  bind_rows(df2) %>%
  bind_rows(df1) %>%
  mutate(perc = paste0(perc, " %"))


# Kleur geven aan elke groep
nodes_group <- nodes %>%
  distinct(group, .keep_all = TRUE)
colors <- paste0(shQuote(nodes_group$col), collapse = ", ")
range <- paste(shQuote(nodes_group$letter), collapse = ", ")

my_color <- paste("d3.scaleOrdinal() .domain([", range, "])",
                  " .range([", colors, "])")

# Basisgrafiek ontbossing export
p2 <- sankeyNetwork(Links = links, Nodes = nodes,
                    Source = "IDsource", Target = "IDtarget",
                    Value = "value", NodeID = "name",
                    sinksRight = FALSE, iterations = 0, nodePadding = 5,
                    nodeWidth = 50, fontFamily = "verdana",
                    colourScale = my_color, LinkGroup = "letter", units = "ha",
                    NodeGroup = "letter", fontSize = 12,
                    width = "110%", height = "700px")

p2$x$nodes <- right_join(p2$x$nodes, df3, by = c("name" = "name"))


# Interactieve grafiek ontbossing export
# Om tooltip vorm te geven
p2b <- htmlwidgets::onRender(p2, 'function(el, x) {
    var svg = d3.select(el).select("svg");
    var link = svg.selectAll(".link");
    var node = svg.selectAll(".node");
    var format = d3.formatLocale({
        "decimal": ",",
        "thousands": "",
        "grouping": [3]
    }).format(",.0f");

    link.select("title").select("body")
        .html(function(d) {
            return d.source.name + " \u2192 " + d.target.name +
            "\\n" + format(d.value) + " ha"; });
    
    node.select("title").select("body")
        .html(function(d) {
            return d.name + "\\n" + format(d.value) + " ha";
        });
}
')

# 2. Add Percentages
p2c <- htmlwidgets::onRender(p2b, 'function(el, x) {
    d3.select(el).selectAll(".node text")
      .text(d => d.name + " (" + d.perc + ")");
}
')

# 3. IMPORTANT: Print 'p2c'. DO NOT ADD 'p2d'.
p2c
```

</div>

## {.tabset-end}

### Koolstofuitstoot door ontbossing en drainage in de tropen en de subtropen[^1]

## {.tabset}

### Voetafdruk koolstofuitstoot Vlaamse consumptie in 2019 (milj ton CO~2~)

<div class="sankey-wrapper" data-headers='["Land oorsprong", "Bedrijfstak oorsprong", "Vlaamse consumptie"]'>

```{r grafiek-uitstoot-consumptie, out.height = '75%', fig.width = 9, fig.height = 14, fig.align = 'left', fig.cap = "Figuur 4: verband tussen de (sub)tropische landen waar de koolstofuitstoot door ontbossing en drainage plaatsvindt, de bedrijfstakken die producten exporteren voor de Vlaamse consument, en de productgroepen van de Vlaamse consumptie in 2019 (uitgedrukt in Mton CO~2~)."}

# Data inlezen
data <- read_vc("data_sankey_uitstoot_cons")
nodes <- read_vc("nodes_sankey_uitstoot_cons")
links <- read_vc("links_sankey_uitstoot_cons")

# Kleur geven aan elke groep
nodes_group <- nodes %>%
  distinct(group, .keep_all = TRUE)
colors <- paste0(shQuote(nodes_group$col), collapse = ", ")
range <- paste(shQuote(nodes_group$letter), collapse = ", ")

my_color <- paste("d3.scaleOrdinal() .domain([", range, "])",
                  " .range([", colors, "])")

# Basisgrafiek uitstoot door ontbossing en drainage voor Vlaamse consumptie
p3 <- sankeyNetwork(Links = links, Nodes = nodes,
                    Source = "IDsource", Target = "IDtarget",
                    Value = "value", NodeID = "name",
                    sinksRight = FALSE, iterations = 0, nodePadding = 5,
                    nodeWidth = 50, fontFamily = "verdana",
                    LinkGroup = "letter", units = "Mton CO<u>2</u>",
                    colourScale = my_color,
                    NodeGroup = "letter", fontSize = 12,
                    width = "110%", height = "700px")

# Waarde omzetten in percentage voor elke node
df1 <- data %>%
  group_by(land_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "land_top")
df2 <- data %>%
  group_by(bt_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "bt_top")
df3 <- data %>%
  group_by(pg_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "pg_top") %>%
  bind_rows(df2) %>%
  bind_rows(df1) %>%
  mutate(perc = paste0(perc, " %"))

p3$x$nodes <- right_join(p3$x$nodes, df3, by = c("name" = "name"))

# Interactieve grafiek koolstofuitstoot consumptie
# Om tooltip vorm te geven
p3b <- htmlwidgets::onRender(p3, 'function(el, x) {
    var svg = d3.select(el).select("svg");
    svg.attr("id", "sankey2");
    var link = svg.selectAll(".link");
    var node = svg.selectAll(".node");
    var format = d3.formatLocale({"decimal": ",", "thousands": "",
    "grouping": [3]}).format(",.2f");

    link.select("title").select("body")
        .html(function(d) { return d.source.name + " \u2192 " +
        d.target.name + "\\n" + format(d.value) +
        " MtCO<u>2</u>"; });
    node.select("title").select("body")
        .html(function(d) { return d.name + "\\n" +
        format(d.value) + " MtCO<u>2</u>"; });
}
')

p3c <- htmlwidgets::onRender(p3b, 'function(el, x) {
    d3.select(el).selectAll(".node text")
      .text(d => d.name + " (" + d.perc + ")");
}
')

p3c
```

</div>

### Voetafdruk koolstofuitstoot Vlaamse export in 2019 (milj ton CO~2~)

<div class="sankey-wrapper" data-headers='["Land oorsprong", "Bedrijfstak oorsprong", "Vlaamse consumptie"]'>

```{r grafiek-uitstoot-export, out.height = '75%', fig.width = 9, fig.height = 14, fig.cap = "Figuur 5: verband tussen de (sub)tropische landen waar de koolstofuitstoot door ontbossing en drainage van venen plaatsvindt, de bedrijfstakken die producten exporteren voor Vlaamse producenten, en de productgroepen van de Vlaamse export in 2019 (uitgedrukt in Mton CO~2~)."}

# Data inlezen
data <- read_vc("data_sankey_uitstoot_exp")
nodes <- read_vc("nodes_sankey_uitstoot_exp")
links <- read_vc("links_sankey_uitstoot_exp")

# Kleur geven aan elke groep
nodes_group <- nodes %>%
  distinct(group, .keep_all = TRUE)
colors <- paste0(shQuote(nodes_group$col), collapse = ", ")
range <- paste(shQuote(nodes_group$letter), collapse = ", ")

my_color <- paste("d3.scaleOrdinal() .domain([", range, "])",
                  " .range([", colors, "])")

# Basisgrafiek uitstoot door ontbossing en drainage voor Vlaamse export
p4 <- sankeyNetwork(Links = links, Nodes = nodes,
                    Source = "IDsource", Target = "IDtarget",
                    Value = "value", NodeID = "name",
                    sinksRight = FALSE, iterations = 0, nodePadding = 5,
                    nodeWidth = 50, fontFamily = "verdana",
                    LinkGroup = "letter", units = "Mton CO<u>2</u>",
                    colourScale = my_color,
                    NodeGroup = "letter", fontSize = 12,
                    width = "110%", height = "700px")

# Waarde omzetten in percentage voor elke node
df1 <- data %>%
  group_by(land_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "land_top")
df2 <- data %>%
  group_by(bt_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "bt_top")
df3 <- data %>%
  group_by(pg_top) %>%
  summarise(perc = round(100 * sum(emis) / sum(data$emis), 1)) %>%
  rename("name" = "pg_top") %>%
  bind_rows(df2) %>%
  bind_rows(df1) %>%
  mutate(perc = paste0(perc, " %"))

p4$x$nodes <- right_join(p4$x$nodes, df3, by = c("name" = "name"))

# Interactieve grafiek koolstofuitstoot export
# Om tooltip vorm te geven
p4b <- htmlwidgets::onRender(p4, 'function(el, x) {
    var svg = d3.select(el).select("svg");
    svg.attr("id", "sankey2");
    var link = svg.selectAll(".link");
    var node = svg.selectAll(".node");
    var format = d3.formatLocale({"decimal": ",", "thousands": "",
    "grouping": [3]}).format(",.2f");

    link.select("title").select("body")
        .html(function(d) { return d.source.name + " \u2192 " +
        d.target.name + "\\n" + format(d.value) +
        " MtCO<u>2</u>"; });
    node.select("title").select("body")
        .html(function(d) { return d.name + "\\n" +
        format(d.value) + " MtCO<u>2</u>"; });
}
')

p4c <- htmlwidgets::onRender(p4b, 'function(el, x) {
    d3.select(el).selectAll(".node text")
      .text(d => d.name + " (" + d.perc + ")");
}
')

p4c
```

</div>

## {.tabset-end}

## Definitie

- De indicator **voetafdruk ontbossing** (Figuren 2 en 3, en verderop telkens de linkse figuur) toont het verband tussen de Vlaamse economie en **recente ontbossing in tropische en subtropische landen** (2001 - 2019, 135 landen).
Met ontbossing bedoelen we het jaarlijks **verdwijnen** van bos ten voordele van een ander landgebruik (grasland, akkerland of bosplantage).
Anders dan bij de indicator [voetafdruk landgebruik](https://www.vlaanderen.be/inbo/indicatoren/voetafdruk-landgebruik-en-biodiversiteit-algemeen) gaat het **niet** om het **gebruik** van (half-)natuurlijk bos voor bijvoorbeeld houtproductie.
Enkel (half-)natuurlijk bossen die omgezet worden naar graslanden, akkers of bosplantages komen in het vizier.
De resultaten uit verschillende jaren kunnen bij elkaar opgeteld worden om de totale ontbossing in een bepaalde periode te berekenen.
Ontbossing vindt ook plaats in heel wat niet-tropische landen [@GFW2023], waaruit Vlaanderen rechtstreeks of onrechtstreeks grondstoffen invoert (bv. Rusland, China… [@JenningsSchweizer2019]).
Die ontbossing komt hier niet in beeld.
- De **impact op koolstofuitstoot** geeft de som weer van de CO~2~-uitstoot door de ontbossing in de (sub)tropen en de CO~2~-uitstoot door drainage van veengebieden in diezelfde landen (Figuren 4 en 5, en verderop telkens de rechtse figuur).

De indicatoren geven de rol van Vlaanderen weer in de (sub)tropische ontbossing en de bijbehorende koolstofuitstoot.
Dat er bos in die regio verdwijnt, staat vast.
Wie daarvoor verantwoordelijk is, is niet altijd even eenduidig aan te wijzen (zie verder, en ook [@AlaertsEtAl2023] bijlage 2.3).
De indicatoren tonen daarom een **risico op ontbossing** in de (sub)tropen door onze consumptie en productie (verderop kortweg “ontbossing” genoemd), eerder dan een ontbossing met vaststaande oorzaak.
De basisdata laten niet toe om na te gaan in hoeverre de producten die Vlaanderen importeert, voldoen aan duurzaamheidsstandaarden die ontbossing tegengaan.

De voetafdruk ontbossing en de voetafdruk koolstofuitstoot door ontbossing en drainage in de (sub)tropen maken deel uit van een **reeks voetafdrukindicatoren** die gebaseerd zijn op hetzelfde economische basismodel (zie [voetafdruk landgebruik en biodiversiteit](https://www.vlaanderen.be/inbo/indicatoren/voetafdruk-landgebruik-en-biodiversiteit-algemeen) en [voetafdruk biomassagebruik](https://www.vlaanderen.be/inbo/indicatoren/voetafdruk-biomassagebruik-algemeen)).
Ze zijn bedoeld om de **grootteorde** van onze impact mee te geven, algemene **verhoudingen** tussen (groepen van) landen en sectoren af te leiden en **hotspots** aan te duiden voor verdere actie of onderzoek.
De indicatoren zijn onderling **verbonden en vullen elkaar aan**: de oogst van biomassa neemt land in beslag, waarvoor planten en dieren moeten wijken of hele bossen verdwijnen.
Ze tonen telkens andere facetten van onze impact, waarop het Vlaamse, federale en Europese beleid kunnen inspelen.

## Bespreking

De **Vlaamse economie** (het geheel van onze consumptie en onze productie voor export) heeft een aanzienlijke impact op ontbossing in de (sub)tropen.
**Elke zeven à acht jaar** doet ons Vlaamse consumptie- en productiepatroon een oppervlakte **(sub)tropisch bos verdwijnen** die **even groot** is **als het hele Vlaamse bosoppervlak**[^2].
Daarnaast doet onze economie in die regio ook venen verdrogen.
De koolstofuitstoot die we jaarlijks veroorzaken door de ontbossing en door de drainage van venen in de (sub)tropen, bedraagt zo’n **12 à 13 keer de jaarlijkse koolstofopslag door bos in Vlaanderen** (zie indicator [voetafdruk ontbossing en koolstofuitstoot in de tropen - algemeen](https://www.vlaanderen.be/inbo/indicatoren/voetafdruk-ontbossing-en-koolstofuitstoot-in-de-sub-tropen-algemeen)).

De **Vlaamse consumptie** veroorzaakte in 2019 zo’n 7.400 ha (sub)tropische ontbossing.
De bijbehorende koolstofuitstoot bedroeg meer dan 4 Mton CO~2~.
In wat volgt gaan we dieper in op: 

-	de **landen** waar onze impact het grootst is, 
-	de verantwoordelijke **bedrijfstakken** in die landen en 
-	de **producten en diensten** die we in Vlaanderen gebruiken en die aan de basis liggen van die impact.

We bespreken enkel de figuren die de impact van onze **Vlaamse consumptie** tonen, zo’n **40 à 45% van de totale impact** van onze economie op ontbossing en op de bijbehorende koolstofuitstoot in de (sub)tropen. Figuren 3, 5, 7 en 10 tonen de gegevens voor de Vlaamse export, figuren 8 en 11 die voor de hele Vlaamse economie (consumptie + export).

[^1]: Opgelet: de figuur toont niet de volledige productie-consumptieketen. Hij toont enkel de exporterende bedrijfstakken per land van impact en de finale productgroepen die we in Vlaanderen consumeren. Tussenliggende sectoren in dezelfde of andere landen (bv. de verwerking van soja uit Brazilië in de Nederlandse diervoederindustrie) komen niet in beeld. De impact van de bedrijfstak veeteelt en zuivel omvat ook het landgebruik nodig om het veevoer te produceren als dat op het bedrijf zelf gebeurt, niet als de grondstoffen elders worden aangekocht. Een deel van de impact van de veeteelt- en zuivelsector zit dus ook vervat in de impact van de bedrijfstakken oliehoudende gewassen (soja e.a.) en granen (maïs e.a.), die de basis vormen voor heel wat diervoeders.
[^2]: De cijfers verschillen van de cijfers gerapporteerd in het methodologische [achtergronddocument](https://purews.inbo.be/ws/portalfiles/portal/94464468/Alaerts_Stevens_Christi_2023_ImpactVlaanderenOpDeBiodiversiteitInDeWereld.pdf) [@AlaertsEtAl2023], omdat het economische basismodel intussen enkele correcties en aanpassingen onderging (zie tabblad metadata). Vooral de exportcijfers verschillen aanzienlijk, omdat het huidige basismodel een andere kijk op wederuitvoer reflecteert: producten die enkel verhandeld worden in Vlaanderen en er geen verdere verwerking ondergaan, zitten niet meer vervat in de impact van onze export. Dit om afstemming met de andere voetafdrukindicatoren van de Vlaamse overheid (koolstofvoetafdruk, materialenvoetafdruk) te verzekeren. Om dezelfde reden werd ook de indeling van producten en diensten in productgroepen grondig aangepast. Daarnaast verbeteren de basisdata en de methodes van dit relatief nieuwe onderzoeksdomein ook voortdurend.

### Consumptie van vlees, zuivel en oliehoudende gewassen hoofdoorzaak van Vlaamse impact op (sub)tropische ontbossing

Ons consumptiepatroon veroorzaakt de meeste **ontbossing** in **Indonesië en Brazilië** (Figuur 2, linkerkant).
In Indonesië ligt de teelt van **oliehoudende gewassen** (o.a. palmolie) aan de basis, in Brazilië is de ontbossing voor een belangrijk deel verbonden aan de lokale **veeteelt** (Figuur 2, midden).
De teelt van oliehoudende gewassen (o.a. soja) en de teelt van granen (o.a. maïs) spelen er ook een belangrijke rol.
Beide gewassen zijn grotendeels bestemd als veevoeder voor de veeteelt.
Verder is een aanzienlijk deel van de ontbossing in Brazilië te wijten aan bosbouwactiviteiten.
Het gaat om bossen die vervangen worden door **bosplantages**.
Eventuele bosdegradatie door overmatige houtoogst zit niet in de ontbossingscijfers vervat.
Veeteelt is ook in de meeste andere landen van de top 10 de belangrijkste directe oorzaak van ontbossing.
Daarnaast komen de teelt van groenten, fruit en noten en de bedrijfstak overige landbouw (waartoe o.a. de teelt van cacao en koffie behoren) bij veel landen prominent in beeld.

Kijken we naar de **producten en diensten die wij in Vlaanderen consumeren** (Figuur 2, rechterkant), dan zijn de groepen met het grootste ontbossingsrisico de grote groep van **“overige diensten”** (o.a. horeca, catering, toerisme, onderwijs, ziekenhuizen…) met 26% van de impact, en de “chemische en farmaceutische producten” en de “overige landbouw- en voedingsproducten”, met elk 19% van de impact (zie [Tabel 1](../voetafdruk_ontbossing_land_sector/tabel1_bedrijfstakken_productgroepen.csv) voor een overzicht van de bedrijfstakken en productgroepen).
De impact die per productgroep wordt weergegeven is de impact van het **biomassa-aandeel van elke productgroep** (bv. het hout in de bouwsector, de voeding en de medische materialen van biologische oorsprong in de ziekenhuizen…).
Materialen die niet afkomstig zijn van land- of bosbouwgebruik komen niet aan bod in deze indicator.
De twee groepen van (voornamelijk) **voedingsproducten** samen (“vlees, zuivel en leder” en “overige landbouw en voeding”) bepalen ruim een kwart van onze impact.
Die cijfers omvatten niet de ganse impact van onze voedingsconsumptie op de ontbossing in de tropen en subtropen: de voeding geconsumeerd in de **horeca** en de externe **catering** van bedrijven en dienstverleners (ziekenhuizen, rusthuizen, scholen, etc.) vormen een belangrijk onderdeel van de productgroep “overige diensten”.
De interne catering van bedrijven (bv. uit de chemische en farmaceutische industrie) zit vervat onder elke bijbehorende productgroep (bv. chemische en farmaceutische producten).
Bij een volgende update van de indicator gaan we na of een opdeling van de productgroepen per type biomassastroom (bv. dierlijke voeding, niet-dierlijke voeding, hout, bio-energie…) mogelijk is.

### Ook ruim twee derde van Vlaamse impact op koolstofuitstoot door ontbossing en veendrainage toe te schrijven aan vlees, zuivel en oliehoudende gewassen

Kijken we naar de impact van onze consumptie op de **koolstofuitstoot door ontbossing en drainage**, dan staan opnieuw **Indonesië en Brazilië** bovenaan de lijst (Figuur 4, linkerkant).
Daarnaast duiken in de top 10 ook landen op met een grote oppervlakte venen zoals Papoea-Nieuw-Guinea en Maleisië.
De **teelt van oliehoudende gewassen, o.a. soja en palmolie**, en de **veeteelt** zijn de **bedrijfstakken die ter plaatse** het merendeel van de impact bepalen (Figuur 4, midden).
In Papoea-Nieuw-Guinea en Colombia komt ook de teelt van groenten, fruit en noten duidelijk naar voren.
In Indonesië en Colombia bepaalt daarnaast de overige landbouw (met o.a. de teelt van cacao, koffie en natuurlijk rubber) een belangrijk deel van de impact.

De impact van de **groepen van producten en diensten die de Vlaming consumeert** (Figuur 4, rechterkant), volgt een vergelijkbaar stramien als bij de impact op ontbossing (Figuur 2).
De **“overige diensten”** staan opnieuw bovenaan met 27% van de impact, nu op de voet gevolgd door de “overige landbouw en voedingsproducten” met een kwart van de impact, en de “chemische en farmaceutische producten” met 18% van de impact.
De twee groepen van (voornamelijk) **voedingsproducten** samen (“vlees, zuivel en leder” en “overige landbouw en voeding”) bepalen bijna een derde van onze impact.
Opnieuw geldt de bemerking dat de berekende impact per productgroep enkel het biomassa-aandeel van elke productgroep omvat, en dat voeding niet alleen vervat zit in de voedingssectoren, maar ook een belangrijk onderdeel vormt van de productgroep “overige diensten”.

### Belangrijke verschuivingen in productgroepen en landen van herkomst

Tussen 2010 en 2019 treden **belangrijke verschuivingen** op in de **landen** waar onze consumptie het grootste **ontbossingsrisico** veroorzaakt (Figuur 6).
De impact in Indonesië en Brazilië neemt toe, die in Congo-Kinshasa en Australië daalt sterk.
Naast enkele kleinere verschuivingen tussen landen valt ook een toenemend belang op van onze impact in Colombia en Mozambique en een afnemend belang van de impact in Tanzania, Papoea-Nieuw-Guinea en Ivoorkust.
De **koolstofuitstoot** door ontbossing en drainage van venen vertoont gelijkaardige verschuivingen.
Papoea-Nieuw-Guinea en Maleisië blijven wel steeds tot de top 10 van belangrijkste landen van impact behoren.

De impact van de **productgroep** “overige landbouw en voeding” op ontbossing en op de bijbehorende koolstofuitstoot in de (sub)tropen neemt gestaag af, die van de “overige diensten” schommelt zonder duidelijke trend (Figuur 9).
In beide impactcategorieën stijgt de impact van de “chemische en farmaceutische producten” tussen 2015 en 2019 met meer dan 20% en kent hij een scherpe piek in 2018.
Mogelijk liggen lokale prijsschommelingen aan de basis (zie ook opmerkingen over modelonzekerheden in het tabblad metadata). 
Omdat de foutenmarge op de data onbekend is, kunnen we niet spreken van significante trends. 

### Trend landen

## {.tabset}

```{r parameters-grafiek-trend-land, echo = FALSE, message = FALSE}
# Plotparameters definiëren
facetnames <-
  c(
    `biomass` = "Biomassagebruik (Mt)",
    `deforestation` = "Ontbossing in de (sub)tropen (ha)",
    `lu` = "Landgebruik (km²)",
    `lu_emissions` = paste("Koolstofuitstoot ontbossing",
                           "en drainage (MtCO<sub>2</sub>)"),
    `pdf` = "Soortenverlies door landgebruik (*10-6 pdf)",
    `value` = "Toegvoegde waarde (miljoen €)")

breaks <- c(2010, 2012, 2014, 2015, 2016, 2017,
            2018, 2019)
labels <- c("2010", "2012", "2014", "2015", "2016", "2017",
            "2018", "2019")
colors_land <- c("#EEE685", "#990F26", "#B33E52", "#CC7A88", "#E6B8BF",
                 "#99600F", "#B3823E", "#CCAA7A", "#E6D2B8", "#54990F",
                 "#78B33E", "#A3CC7A", "#CFE6B8", "#0F8299", "#3E9FB3",
                 "#7ABECC", "#B8DEE6", "#3D0F99", "#653EB3", "#967ACC",
                 "#C7B8E6", "#CCCCCC")

```

### Voetafdruk Vlaamse consumptie

```{r grafiek-trend-land-cons, fig.width = 9, fig.height = 5, fig.cap = "Figuur 6: impact van de Vlaamse consumptie op ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen. Elke staaf toont de 10 landen waar onze voetafdruk het hoogst is. De impact is opgedeeld in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_land <- read_vc("data_trend_land_cons")

# Factorniveaus in de gewenste volgorde zetten
data_trend_land_bos <- data_trend_land %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_land_bos %>%
  select(jaar, periode, impact, land, val_impact_t) %>%
  arrange(impact, jaar, desc(val_impact_t)) %>%
  pull(land) %>%
  unique()
data_trend_land_bos <- data_trend_land_bos %>%
  mutate(land = factor(land, levels = as.character(orde)))

names(colors_land) <- orde

# Trendfiguur consumptie
p5 <- ggplot(data_trend_land_bos,
             aes(x = jaar,
                 y = val_impact_t,
                 fill = land,
                 text = paste("Jaar:",
                              scales::number(jaar, accuracy = 1),
                              "<br>Land:", land,
                              "<br>", impacttext, ":",
                              afgerond,
                              "<br>Periode:", periode))) +
  geom_bar(stat = "identity",
           position = position_stack(reverse = TRUE),
           width = 0.35) +
  facet_wrap(vars(impact), labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors_land, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(nrow = 5)) +
  xlab("") + ylab("")

p5 <- ggplotly(p5, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p5
```

### Voetafdruk Vlaamse export

```{r grafiek-trend-land-exp, fig.width = 9, fig.height = 5, fig.cap = "Figuur 7: impact van de Vlaamse export op ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen. Elke staaf toont de 10 landen waar onze voetafdruk het hoogst is. De impact is opgedeeld in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_land <- read_vc("data_trend_land_exp")

# Factorniveaus in de gewenste volgorde zetten
data_trend_land_bos <- data_trend_land %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_land_bos %>%
  select(jaar, periode, impact, land, val_impact_t) %>%
  arrange(impact, jaar, desc(val_impact_t)) %>%
  pull(land) %>%
  unique()
data_trend_land_bos <- data_trend_land_bos %>%
  mutate(land = factor(land, levels = as.character(orde)))

names(colors_land) <- orde

# Trendfiguur export
p6 <- ggplot(data_trend_land_bos,
             aes(x = jaar,
                 y = val_impact_t,
                 fill = land,
                 text = paste("Jaar:",
                              scales::number(jaar, accuracy = 1),
                              "<br>Land:", land,
                              "<br>", impacttext, ":",
                              afgerond,
                              "<br>Periode:", periode))) +
  geom_bar(stat = "identity",
           position = position_stack(reverse = TRUE),
           width = 0.35) +
  facet_wrap(vars(impact), labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors_land, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(nrow = 5)) +
  xlab("") + ylab("")

p6 <- ggplotly(p6, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p6
```

### Voetafdruk Vlaamse economie

```{r grafiek-trend-land-tot, fig.width = 9, fig.height = 5, fig.cap = "Figuur 8: impact van de Vlaamse economie op ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen. Elke staaf toont de 10 landen waar onze voetafdruk het hoogst is. De impact is opgedeeld in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_land <- read_vc("data_trend_land_tot")

# Factorniveaus in de gewenste volgorde zetten
data_trend_land_bos <- data_trend_land %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_land_bos %>%
  select(jaar, periode, impact, land, val_impact_t) %>%
  arrange(impact, jaar, desc(val_impact_t)) %>%
  pull(land) %>%
  unique()
data_trend_land_bos <- data_trend_land_bos %>%
  mutate(land = factor(land, levels = as.character(orde)))

names(colors_land) <- orde

# Trendfiguur totale economie
p7 <- ggplot(data_trend_land_bos,
             aes(x = jaar,
                 y = val_impact_t,
                 fill = land,
                 text = paste("Jaar:",
                              scales::number(jaar, accuracy = 1),
                              "<br>Land:", land,
                              "<br>", impacttext, ":",
                              afgerond,
                              "<br>Periode:", periode))) +
  geom_bar(stat = "identity",
           position = position_stack(reverse = TRUE),
           width = 0.35) +
  facet_wrap(vars(impact), labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors_land, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(nrow = 5)) +
  xlab("") + ylab("")

p7 <- ggplotly(p7, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p7
```

## {.tabset-end}

### Trend producten

## {.tabset}

```{r parameters-grafiek-trend-productgroep, echo = FALSE, message = FALSE}
# Plotparameters definiëren
facetnames <- c(`biomass` = "Biomassagebruik (Mt)",
                `deforestation` = "Ontbossing in de (sub)tropen (ha)",
                `lu` = "Landgebruik (km²)", `lu_emissions` =
                  "Koolstofuitstoot ontbossing en drainage (MtCO<sub>2</sub>)",
                `pdf` = "Soortenverlies door landgebruik (*10-6 pdf)",
                `value` = "Toegvoegde waarde (miljoen €)")
breaks <- c(2010, 2012, 2014, 2015, 2016, 2017, 2018, 2019)
labels <- c("2010", "2012", "2014", "2015", "2016", "2017", "2018", "2019")
colors <- c("energie en transport" = "darkblue",
            "hout en papier" = "chartreuse3",
            "overige diensten" = "deeppink3",
            "handel" = "orchid4",
            "overige landbouw en voeding" = "yellow",
            "bouwwerken" = "darkorange1",
            "vlees, zuivel en leder" = "brown",
            "chemische en farmaceutische producten" = "lightpink3",
            "overige industriële producten" = "gray75")

```

### Voetafdruk Vlaamse consumptie

```{r grafiek-trend-productgroep-cons, fig.width = 9, fig.height = 5, fig.cap = "Figuur 9: impact van de Vlaamse consumptie op (het risico op) ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen, opgedeeld per productgroep. De impact is weergegeven in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_pg <- read_vc("data_trend_pg_cons")

# Factorniveaus in de gewenste volgorde zetten
data_trend_pg_bos <- data_trend_pg %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_pg_bos %>%
  select(jaar, impact, pg2, val_impact_t) %>%
  arrange(impact, jaar, val_impact_t) %>%
  pull(pg2) %>%
  unique()

data_trend_pg_bos <- data_trend_pg_bos %>%
  mutate(pg2 = factor(pg2, levels = as.character(orde)))

# Trendfiguur consumptie
p8 <- ggplot(data_trend_pg_bos,
             aes(x = jaar,
                 y = val_impact_t,
                 fill = pg2,
                 text = paste("Jaar:",
                              scales::number(jaar, accuracy = 1),
                              "<br>Productgroep:", pg2,
                              "<br>", impacttext, ":",
                              afgerond,
                              "<br>Aandeel:", perc, "%",
                              "<br>Periode:", periode))) +
  geom_bar(stat = "identity", width = 0.35) +
  facet_wrap(vars(impact),
             labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(ncol = 3)) +
  xlab("") + ylab("")

p8 <- ggplotly(p8, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p8
```

### Voetafdruk Vlaamse export

```{r grafiek-trend-productgroep-exp, fig.width = 9, fig.height = 5, fig.cap = "Figuur 10: impact van de Vlaamse export op (het risico op) ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen, opgedeeld per productgroep. De impact is weergegeven in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_pg <- read_vc("data_trend_pg_exp")

# Factorniveaus in de gewenste volgorde zetten
data_trend_pg_bos <- data_trend_pg %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_pg_bos %>%
  select(jaar, impact, pg2, val_impact_t) %>%
  arrange(impact, jaar, val_impact_t) %>%
  pull(pg2) %>%
  unique()

data_trend_pg_bos <- data_trend_pg_bos %>%
  mutate(pg2 = factor(pg2, levels = as.character(orde)))

# Trendfiguur export
p9 <- ggplot(data_trend_pg_bos,
             aes(x = jaar,
                 y = val_impact_t,
                 fill = pg2,
                 text = paste("Jaar:",
                              scales::number(jaar, accuracy = 1),
                              "<br>Productgroep:", pg2,
                              "<br>", impacttext, ":",
                              afgerond,
                              "<br>Aandeel:", perc, "%",
                              "<br>Periode:", periode))) +
  geom_bar(stat = "identity", width = 0.35) +
  facet_wrap(vars(impact),
             labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(ncol = 3)) +
  xlab("") + ylab("")

p9 <- ggplotly(p9, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p9
```

### Voetafdruk Vlaamse economie

```{r grafiek-trend-productgroep-tot, fig.width = 9, fig.height = 5, fig.cap = "Figuur 11: impact van de Vlaamse economie op (het risico op) ontbossing (links) en op de koolstofuitstoot door ontbossing en drainage van venen (rechts) in de (sub)tropen, opgedeeld per productgroep. De impact is weergegeven in 2 meetperiodes (2010 - 2016 en 2015 - 2019) die elk een verschillend economisch model als basis hanteren (zie tabblad metadata)."}

# Data inlezen
data_trend_pg <- read_vc("data_trend_pg_tot")

# Factorniveaus in de gewenste volgorde zetten
data_trend_pg_bos <- data_trend_pg %>%
  filter(impact %in% c("deforestation", "lu_emissions"))
orde <- data_trend_pg_bos %>%
  select(jaar, impact, pg2, val_impact_t) %>%
  arrange(impact, jaar, val_impact_t) %>%
  pull(pg2) %>%
  unique()

data_trend_pg_bos <- data_trend_pg_bos %>%
  mutate(pg2 = factor(pg2, levels = as.character(orde)))

# Trendfiguur totale economie
p10 <- ggplot(data_trend_pg_bos,
              aes(x = jaar,
                  y = val_impact_t,
                  fill = pg2,
                  text = paste("Jaar:",
                               scales::number(jaar, accuracy = 1),
                               "<br>Productgroep:", pg2,
                               "<br>", impacttext, ":",
                               afgerond,
                               "<br>Aandeel:", perc, "%",
                               "<br>Periode:", periode))) +
  geom_bar(stat = "identity", width = 0.35) +
  facet_wrap(vars(impact),
             labeller = as_labeller(facetnames),
             scales = "free") +
  scale_fill_manual(values = colors, name = "") +
  scale_x_continuous(breaks = breaks, labels = labels) +
  theme_bw() +
  theme(legend.position = "bottom",
        panel.spacing = unit(1, "cm", data = NULL)) +
  guides(fill = guide_legend(ncol = 3)) +
  xlab("") + ylab("")

p10 <- ggplotly(p10, tooltip = c("text")) %>%
  layout(legend = list(orientation = "h", nrows = 5)) %>%
  plotly::config(
    modeBarButtonsToRemove = list(
      "lasso2d", "select2d", "hoverClosestCartesian",
      "hoverCompareCartesian", "toggleSpikelines"
    ),
    displaylogo = FALSE
  )
p10
```

## {.tabset-end}

## Referenties