Effect of Cigarette Price and Tax Increases on Smoking in Europe: A Difference-in-Differences Study with Double Machine Learning

Deze studie toont aan dat prijs- en belastingverhogingen op sigaretten in de Europese Unie de rookgewoontes, met name bij jongeren van 15 tot 24 jaar, significant verminderen, waarbij gebruik wordt gemaakt van een Difference-in-Differences-methode met dubbel machine learning.

De kern

🚬 De Prijs van Roken: Een Experiment in Europa

Stel je voor dat roken een grote, onzichtbare muur is die veel mensen in Europa omringt. De overheid probeert deze muur af te breken door de prijs van sigaretten omhoog te jagen, net als een tolheffing op een snelweg. Maar werkt dit echt? En als het wel werkt, wie is dan het meest gevoelig voor die hogere kosten?

Dit is precies wat Andreas Stoller en Martin Huber van de Universiteit van Fribourg hebben onderzocht. Ze hebben gekeken naar gegevens van 27 Europese landen tussen 2012 en 2020.

1. De Methode: Een Slimme Vergelijking

In plaats van te gokken of te vertrouwen op simpele formules, hebben de onderzoekers een slimme techniek gebruikt die ze "Double Machine Learning" noemen.

• De Analogie: Stel je voor dat je wilt weten of een nieuw medicijn werkt. Je zou niet zomaar kijken of mensen die het medicijn nemen minder ziek zijn; misschien waren ze al minder ziek. Je moet twee groepen vergelijken die exact hetzelfde zijn, behalve dat de ene groep het medicijn krijgt en de andere niet.
• In dit onderzoek: Ze hebben landen met grote prijs- en belastingverhogingen (de "behandelde" groep) vergeleken met landen waar de prijs stabiel bleef (de "controle" groep).
• De Slimme Computer: De "machine learning" is hier als een super-slimme detective. Normaal gesproken gebruiken onderzoekers simpele regels (lineaire modellen) om factoren zoals leeftijd, geslacht of inkomen te controleren. Maar mensen zijn complex! Een 20-jarige reageert anders op prijsverhogingen dan een 50-jarige. De slimme computer kijkt naar duizenden details tegelijk en maakt geen saaie, starre aannames. Het zoekt naar de echte patronen in de chaos.

2. De Resultaten: Belasting werkt, Prijs is lastig

Wat vonden ze?

• Belastingverhogingen zijn effectief: Toen de belasting op sigaretten omhoog ging, daalde het aantal rokers.
  • Het effect: Ongeveer 3,5% minder mensen roken nog. Dat klinkt misschien klein, maar in een land met miljoenen mensen is dat duizenden mensen die stoppen.
  • De drijvende kracht: De grootste winst was bij jongeren (15-24 jaar). Waarom? Omdat jongeren vaak minder geld hebben. Als de prijs omhoog gaat, voelen ze dat direct in hun portemonnee. Het is alsof je een dure snoepreep probeert te kopen, maar de prijs verdubbelt; dan laat je hem wel staan.
• Prijsverhogingen zijn een raadsel: Ze vonden geen duidelijk bewijs dat prijsverhogingen op zich het roken stoppen.
  • De reden: Dit is waarschijnlijk omdat de tabaksindustrie slim is. Als de vraag naar sigaretten hoog is, verhogen ze de prijs. Als de vraag laag is, houden ze de prijs lager. De prijsverandering is dus niet altijd een puur politiek besluit, maar soms een reactie van de markt. Dit maakt het moeilijk om te zeggen: "De prijs ging omhoog, daarom stopten mensen."

3. De Nieuwe Uitdaging: E-sigaretten

Tijdens deze periode kwamen er ook e-sigaretten op de markt.

• De Vergelijking: Stel je voor dat sigaretten dure auto's zijn en e-sigaretten goedkope bromfietsen. Als de prijs van de auto omhoog gaat, stappen sommige mensen over op de bromfiets.
• Het Effect: De onderzoekers vermoeden dat jongeren misschien niet helemaal stoppen met roken, maar overstappen op e-sigaretten. Dit maakt het effect van de sigarettenbelasting misschien zelfs sterker dan gedacht, omdat ze hun verslaving verplaatsen naar een product dat misschien minder schadelijk is (hoewel dat nog onderzocht moet worden).

4. Waarom is deze studie anders?

Vroeger gebruikten onderzoekers vaak simpele lijnen om de wereld te tekenen. Ze dachten: "Als de prijs 1 euro gaat, daalt het roken met X%." Maar de werkelijkheid is niet lineair.

• De Analogie: Het is alsof je probeert de snelheid van een auto te voorspellen door alleen te kijken naar het gaspedaal. Maar wat als de rem ook werkt? Of als de weg glad is?
• De Nieuwe Aanpak: Deze studie gebruikt de "slimme detective" (machine learning) om te kijken of het effect van een belastingverhoging anders is als de prijs al heel hoog is, versus als hij laag is. Ze ontdekten dat de manier waarop je de data bekijkt (of je kijkt naar grote sprongen of kleine stapjes) het resultaat verandert. Grote belastingverhogingen hebben een duidelijk effect; kleine stapjes zijn lastiger te meten.

Conclusie: Wat betekent dit voor ons?

1. Belastingen werken: Als je de belasting op sigaretten verhoogt, roken mensen minder. Het werkt vooral goed bij jongeren en mensen met een lager inkomen.
2. Jongeren zijn de sleutel: Als je de jeugd wilt beschermen, is een prijsverhoging een krachtig wapen. Zij zijn het meest gevoelig voor de portemonnee.
3. De methode telt: Simpele formules kunnen de werkelijke kracht van een belastingverhoging onderschatten. Door slimme computers te gebruiken, zien we dat de overheid misschien meer kan bereiken dan we dachten.

Kortom: Het is als een tolheffing op een snelweg. Als je de tol te hoog maakt, kiezen sommige mensen voor een andere route (stoppen met roken) of een ander voertuig (e-sigaretten). En voor degenen met weinig geld, is die tol vaak de druppel die de emmer doet overlopen.

Technische samenvatting

Probleemstelling en Context

Het roken blijft een van de belangrijkste voorkombare risicofactoren voor de volksgezondheid, met name in Europa waar het een hoge prevalentie heeft. Hoewel tabaksbelastingen een centraal beleidsinstrument zijn om het tabaksgebruik te verminderen, is de effectiviteit ervan in de loop van de tijd onderwerp van debat. Bestaande literatuur suggereert soms dat de effectiviteit afneemt naarmate belastingniveaus stijgen of dat rokers minder prijsgevoelig worden. Daarnaast introduceert de opkomst van nieuwe producten, zoals e-sigaretten, een nieuwe complexiteit: deze kunnen fungeren als substituten, wat de impact van traditionele tabaksbelastingen kan veranderen.

Een belangrijk methodologisch probleem in de bestaande literatuur is de afhankelijkheid van conventionele Difference-in-Differences (DiD) schatters met Two-Way Fixed Effects (TWFE). Deze parametrische benaderingen maken sterke aannames over de functionele vorm (bijv. lineaire en additieve effecten van covariaten) en veronderstellen vaak homogene behandelings-effecten over alle waarden van prijs en belasting. Dit kan leiden tot vertekende schattingen, vooral in settings met gestaggerde behandelingstijdstippen of heterogene effecten.

Methodologie

De auteurs gebruiken een geavanceerde econometrische aanpak om de causale effecten van prijs- en belastingstijgingen op rookgedrag te schatten.

• Data: Het onderzoek maakt gebruik van herhaalde cross-sectionele data van de Eurobarometer (27 EU-landen, periode 2012–2020), gecombineerd met data over tabaksbelastingen en prijzen van de WHO. Het dataset bevat ongeveer 107.000 individuele observaties.
• Behandeling (Treatment): In plaats van continue variabelen te gebruiken, definiëren de auteurs een binair behandelingsvariabele.
  • Behandelingsgroep: Individuen uit landen met een substantiële stijging in de sigarettenprijs (>15%) of het belastingaandeel (>2%) tussen twee perioden (2012-2014 en 2018-2020).
  • Controlegroep: Individuen uit landen met stabiele prijzen en belastingen (verandering binnen ±5%).
• Econometrische Strategie:
  • DiDDML (Difference-in-Differences met Double Machine Learning): De hoofdanalyse maakt gebruik van de schatter van Zimmert (2020). Deze methode integreert machine learning (specifiek Random Forests) om verstorende factoren (confounders) te controleren.
  • Voordelen van DiDDML: Deze methode is "dubbel robuust" (doubly robust) en voldoet aan de Neyman-orthogonaliteit. Dit betekent dat de schattingen robuust zijn tegenover benaderingsfouten in de machine learning-modellen voor de uitkomst en de behandeling, zolang deze fouten binnen bepaalde grenzen blijven. Het maakt ook flexibele, niet-parametrische relaties tussen covariaten en uitkomsten mogelijk, in tegenstelling tot lineaire TWFE-modellen.
  • Validatie: De auteurs gebruiken cross-fitting om overfitting te voorkomen en controleren voor de "common support" aanname.
• Vergelijkende Analyse: Voor validatie worden ook traditionele parametrische DiD-modellen (TWFE) geschat, zowel met binaire als continue behandelingen, om de gevoeligheid van de resultaten voor functionele vorm-aannames te testen.

Belangrijkste Bijdragen

1. Methodologische Innovatie: Toepassing van DiDDML op tabaksbeleid, wat een flexibele controle van verstorende factoren toelaat zonder de restrictieve lineaire aannames van traditionele DiD-modellen.
2. Behandelingdefinitie: Het benadrukken van het gebruik van binaire behandelingen (grote stijgingen vs. stabiliteit) in plaats van continue variabelen, wat een scherpere contrafactuele vergelijking mogelijk maakt en de "negative weights" bias in TWFE-modellen vermeden.
3. Empirisch Bewijs: Het leveren van nieuw kwasi-experimenteel bewijs voor Europa in een context van hoge belastingniveaus en de opkomst van e-sigaretten.

Resultaten

• Effect van Belastingstijgingen:
  • Een stijging in het belastingaandeel leidt tot een significant daling van het rookgedrag.
  • Voor rokers die minimaal één keer per maand roken, daalt het percentage rokers met 3,44 procentpunten (een reductie van 15%; p=0,04).
  • Voor dagelijkse rokers is de daling 3,15 procentpunten (een reductie van 15%; p=0,09).
  • De prijselasticiteit van de vraag op de extensive margin (deelname) wordt geschat op waarden die aanzienlijk hoger zijn (in absolute waarde) dan de traditionele schattingen (-0,1 tot -0,3), hoewel de betrouwbaarheidsintervallen breed zijn. Conservatieve schattingen suggereren echter nog steeds een negatieve elasticiteit die mogelijk groter is dan eerder gedacht.
• Effect van Prijstijgingen:
  • Er is geen statistisch significant effect gevonden van prijstijgingen op het rookgedrag (op het 5%-niveau).
  • De auteurs wijzen op een mogelijke opwaartse bias door endogeniteit: prijzen kunnen stijgen als reactie op een hoge vraag, wat het negatieve effect van prijsstijgingen op roken verdoezelt (naar nul toe).
• Heterogeniteit:
  • Het effect van belastingstijgingen is het sterkst en statistisch significant bij jongeren (15-24 jaar).
  • Ook vrouwen en personen met een lager tot middelbaar opleidingsniveau tonen significante effecten (op het 10%-niveau).
  • Dit ondersteunt de hypothese dat jongeren en personen met een lager inkomen gevoeliger zijn voor prijsmechanismen.
• Sensitiviteit (Binaire vs. Continue):
  • De resultaten zijn robuust ten opzichte van functionele vorm-aannames (DiDDML vs. parametrisch DiD).
  • Echter, het gebruik van continue behandelingen (zoals in de meeste bestaande literatuur) leidt tot kleinere effectgroottes vergeleken met binaire behandelingen. Dit suggereert dat traditionele modellen de effectiviteit van tabaksbelastingen mogelijk onderschatten.

Betekenis en Conclusie

De studie concludeert dat tabaksbelastingstijgingen een effectief instrument blijven om het roken te verminderen, zelfs in landen met reeds hoge belastingniveaus en in de aanwezigheid van alternatieve nicotineproducten. De daling in rookgedrag wordt voornamelijk gedreven door jongeren.

De methodologische conclusie is cruciaal: het gebruik van traditionele parametrische modellen met continue behandelingen en het volledige dataset kan leiden tot een onderschatting van het beleidseffect. Door gebruik te maken van machine learning en een strikte binaire behandelingdefinitie (grote schokken vs. stabiliteit), kunnen beleidsmakers een realistischer beeld krijgen van de impact van fiscale maatregelen. De bevindingen ondermijnen de theorie dat de effectiviteit van belastingen over tijd verdwijnt; integendeel, ze blijven werken, mogelijk zelfs versterkt door substitutie naar e-sigaretten bij jongeren.