Tidsseriebrud i dansk branchestatistik: Hvordan håndterer du dem?

Hvad et tidsseriebrud er – og hvorfor det er et praktisk problem i branchestatistik

Et tidsseriebrud er et spring eller fald i niveau, som ikke stammer fra den økonomiske virkelighed, men fra måden tallene laves på: hvem der indberetter, hvilken population der summeres op, hvilke branchenomenklaturer der bruges, og hvordan tallene bagefter bearbejdes. I branchestatistik er bruddet typisk et rent niveauskift – omsætningen stiger fra december til januar, fordi stikprøven eller klassifikationen blev lagt om, ikke fordi efterspørgslen ændrede sig. For din analyse betyder det, at forskellen mellem to perioder rummer både den reelle udvikling og den metodeændring, der ligger imellem.

Danmarks Statistik beskriver sig selv som »den centrale myndighed for dansk statistik«, der »indsamler, bearbejder og offentliggør statistik om det danske samfund«. Myndigheden er derfor den centrale indgang til officiel dansk statistik. For dig betyder det, at den officielle statistik er udgangspunktet, men vurderingen af, hvad et brud betyder for lagerbehov, kapacitetsplanlægning eller markedsvurdering, er dit eget ansvar. Et brud er derfor ikke et teknisk kuriosum, men en fejlkilde i det grundlag, du budgetterer efter.

Typiske årsager til brud i danske branchedata

Brud opstår typisk i fem sammenhænge. Ændret indberetningsgrundlag: Nye indberetningskrav eller et nyt indberetningssystem kan give en anden dækning og dermed et andet niveau. Opdaterede branchenomenklaturer: Virksomheder flyttes mellem brancher, uden at aktiviteten ændrer sig, så én branche vokser og en anden krymper på samme faktiske grundlag. Ændret stikprøve eller population: Ind- og udtræden, fusioner og konkurser ændrer den mængde, der summeres op. Efterfølgende revisioner: Tallet fra første offentliggørelse er ikke nødvendigvis det, der står senere. Reelt strukturelt skift: Markedet ændrer sig, fx via store etableringer eller lukninger.

Erhvervsministeriets baggrundspapir »En analyse af lukninger og nedskaleringer« beskriver erhvervsdynamikken som et forløb, »hvor arbejdspladser lukker, nedskalerer, men også nystarter eller opskalerer antallet af medarbejdere«. Den dynamik er i sig selv en kilde til brud: Når en stor arbejdsplads lukker eller nedskalerer, falder branchens sumtal, uden at de overlevende virksomheder er blevet dårligere. Et fald i en kort periode kan derfor skyldes én virksomheds beslutning snarere end en ændret markedstendens.

Der er også en organisatorisk side. DI's analyse »Brug af Kundedata i 2023« viser, at kun 40 % af danske SMV'er anvendte kundedata i deres forretningsstrategier i 2023, og at mange virksomheder fortsat kæmper med at opbygge basale processer til at indsamle, strukturere og analysere data effektivt. Samme analyse peger på, at manglende datamodenhed holder virksomheder tilbage.

Sådan opdager du bruddet, før det ødelægger analysen

Start med Danmarks Statistiks dokumentation for den konkrete statistik. Den beskriver normalt population, indberettere, indsamlingsmetode og forhold om sammenlignelighed over tid, herunder ændringer mellem to årgange. Læs den, før du læser talrækken. Nævner dokumentationen ændret stikprøve, nye klassifikationer eller ændret metode, ved du, at der skal søges efter et spring omkring det tidspunkt.

Visualiseringen er din primære detektor. Træk den længst mulige serie både i niveau og i periodevise ændringer, fx måned mod måned i procent, og sammenlign med beslægtede serier i samme statistik. Et brud viser sig oftest som et spring, der bryder med seriens historiske varians: De månedlige ændringer har ligget inden for et bestemt interval i årevis, og pludselig ligger de langt uden for det. Falder én branche markant i én statistik, men ikke i en nærliggende, peger det snarere på et definitionsskifte end på en realøkonomisk begivenhed.

Danmarks Statistik tilbyder support til indberetning via sin supportformular. På området for skræddersyede løsninger henviser myndigheden til eksempler på skræddersyede statistikopgaver, den har hjulpet kunder med, samt til muligheden for hjælp eller sparring om at danne et tilpasset datagrundlag. Det er relevant i to situationer: når du selv indberetter og vil forstå, hvordan dine tal indgår, og når bruddet ligger i en sektor, hvor standardstatistikken ikke giver den opdeling, du har brug for. DI's analyse »Brug af Kundedata i 2023« viser samtidig, at de mest datamodne virksomheder har et nettoresultat pr. medarbejder, der ligger 76 % højere end virksomheder i den tidlige fase. Det er en påmindelse om, at datagrundlaget også er et organisatorisk spørgsmål.

Fakta om datamodenhed og brud i dansk branchestatistik

Vurder bruddets betydning: støj, sæson eller strukturelt skift?

Et dansk eksempel viser, hvorfor aggregering skal med, før man konkluderer. I Nykredits gennemgang af tallene i februar 2022 faldt den danske industriproduktion med 1,2 % i december i forhold til november, men set over 4. kvartal 2021 som helhed var der en stigning på 1,1 % i forhold til 3. kvartal, og det var sjette kvartal i træk med fremgang. Samme analyse noterer, at det er »meget normalt, at produktionen hopper lidt op og ned«. Månedstallet alene ville have givet en anden konklusion end kvartalstrenden.

Brug tre kriterier til at skelne støj, sæson og strukturelt skift. Varighed: Støj vender tilbage inden for en eller få perioder, mens et brud ændrer niveauet og bliver liggende. Bredde: Fremgår springet også i beslægtede serier og i flere brancher, eller står det alene? Forklaring: Kan springet henføres til en dokumenteret ændring i population, klassifikation eller indsamlingsmetode? Et fjerde tjek er billigt og effektivt: Se på både den ujusterede og den sæsonkorrigerede serie – forsvinder springet efter sæsonkorrektion, var det kalender og sæson, ikke et brud.

Vær også varsom med niveausammenligninger hen over forstyrrede perioder. Nykredit noterer, at dansk produktion var 8,9 % højere end umiddelbart før coronapandemien, hvilket er en sammenligning hen over netop en sådan periode. Den type tal er nyttige, men de forudsætter, at du har tjekket, om serien er sammenlignelig over hele forløbet. Er den ikke det, indeholder forskellen mellem de to perioder også en definitionseffekt.

Støj vs. brud vs. strukturelt skift – hvordan skelner du?

Praktiske greb til at håndtere bruddet

Arbejdsrækkefølgen er: dokumentation før justering, justering før analyse, analyse før konklusion. Først finder du brudtidspunktet og bruddets art i den officielle dokumentation. Derefter afgør du, om problemet ligger i niveauet eller i vækstraterne. Et rent niveauskift kan ofte håndteres ved at arbejde med periodevise ændringer i stedet for niveauer, eller ved at indeksere serien med et nyt basisår efter bruddet.

Vil du have én lang serie, kan du kæde delserierne sammen over en periode, hvor begge definitioner findes. Metoden er at opgøre forholdet mellem den gamle og den nye serie i overlappet og skalere den ene del med dette forhold. Det kræver, at overlappet er langt nok til at være repræsentativt, og at du skriver eksplicit i din dokumentation, hvilket forhold du har brugt. Alternativet er at analysere før og efter hver for sig med hver sin baseline og kun konkludere på retningen, ikke på niveauet.

Overvej sæsonkorrektion, når du sammenligner korte perioder. Månedstal indeholder sæson og kalendereffekter, og en sammenligning af december mod november blander sæsonmønster med realudvikling. Bruger du den sæsonkorrigerede serie, forsvinder mange tilsyneladende spring – og de spring, der bliver tilbage, er de interessante.

Har populationen ændret sig, så vælg et sammenligneligt niveau: Opgør andele, pr. virksomhed eller pr. ansat i stedet for totalsummer, så lukninger og nystarter ikke alene driver tallet. Kan standardstatistikken ikke give den opdeling, du har brug for, kan Danmarks Statistiks skræddersyede statistikopgaver være vejen til et datagrundlag, der er defineret efter din beslutning – men regn med, at definitionen skal gentages, når statistikken revideres. SDU's forskning i forecasting i praksis peger desuden på, at planlægning spiller en større rolle i forecasting i store virksomheder (16 %) mod 7 % blandt små virksomheder og 4 % i den resterende gruppe. Er du i SMV-segmentet, er det ikke givet, at der findes en fast procedure for, hvad man gør ved et brud – den skal besluttes og skrives ned.

Fordele og ulemper ved at kæde serier sammen efter et brud

Forecasting efter et brud: hvad ændrer sig?

Et brud ødelægger ikke nødvendigvis prognosen, men det ødelægger den estimation, prognosen bygger på. Hvis niveauet er skiftet, mens vækstmønster og sæson er uændrede, kan en model estimeret på vækstrater fra perioden efter bruddet stadig bruges. Er både niveau og dynamik ændret, skal modellen reestimeres på data efter bruddet, eventuelt på en kortere historik, og bruddet bør indgå som en selvstændig indikatorvariabel i stedet for at blive glattet væk.

Afklar to ting, før du genopbygger fremskrivningen: Er bruddet en målefejl eller en realøkonomisk ændring, og har du nok observationer efter bruddet til at estimere noget stabilt? Er bruddet reelt – fordi branchen har fået en ny stor aktør eller mistet en – er det forkert at korrigere det væk. Nykredit peger eksempelvis på, at et rekordhøjt antal virksomheder meldte om manglende arbejdskraft, og at stigende renter og højere producentpriser gjorde en udvidelse dyrere. Den slags forhold er strukturelle og skal indgå i prognosen som antagelser, ikke fjernes som datastøj.

Prognoser efter et brud bliver mere robuste, hvis de kombineres med førende indikatorer frem for kun den brudte serie. Nykredit fremhæver ordrebeholdningen og en større udnyttelse af kapaciteten som forhold, der understøttede billedet af produktionen. Sådanne indikatorer er ikke ramt af samme brud og kan bruges til at validere, om niveauet efter bruddet er rimeligt. SDU's arbejde »Forecasting i praksis – vejen til bedre beslutninger i en digital tidsalder« (J. Stentoft, 2025) peger på, at planlægning vejer tungere i forecasting i store virksomheder end i små. Skriv reglen ned én gang: hvilke serier der følges, hvor ofte de tjekkes for brud, og hvad der udløser en reestimering.

Fra lukninger og nedskaleringer til branchestatistik

Erhvervsministeriets baggrundspapir om lukninger og nedskaleringer peger på den samme pointe: En branches udvikling er altid summen af to ting – hvordan de eksisterende virksomheder udvikler sig, og hvordan populationen af virksomheder ændrer sig.

Den praktiske konsekvens er, at du skal tjekke populationen, før du tolker et fald som en markedstendens. Er antallet af aktive virksomheder i branchen faldet? Skyldes faldet en enkelt lukning eller nedskalering? Er nystartede virksomheder kommet med i statistikken? Og er enheden den samme hele vejen – skifter opgørelsen mellem virksomheder, arbejdssteder eller koncerner, ændrer tallene sig, uden at der reelt er sket noget i markedet.

Tjek også definitionerne: Hvad måles der (omsætning, beskæftigelse, produktion), hvordan behandles deltidsansatte og sæsonarbejdere, og hvordan håndteres virksomheder, der skifter branchekode midt i perioden? Et brancheskift flytter hele aktiviteten fra én branche til en anden og giver et brud i begge serier – ofte det mest forvirrende af alle, fordi tallene ændrer sig kraftigt, uden at en eneste medarbejder har skiftet job.

Formidl bruddet uden at skabe falsk usikkerhed

Dokumentér dine valg, så modtageren kan genskabe dem: hvilken statistik og hvilken tabel, hvilken dato den er hentet, om der er brugt sæsonkorrektion, hvilket brudtidspunkt du har identificeret, og hvordan du har håndteret det (kædning, indeksering eller opdelt analyse). Uden den dokumentation kan ingen efterprøve konklusionen.

Vis både den justerede og den ujusterede serie, når konklusionen hviler på en justering, så læseren kan se, hvad der er gjort, og hvad resultatet ville være uden. Er bruddet stort, så kvantificér det: Hvor mange procentpoint af forskellen mellem to perioder kan henføres til metodeændringen, og hvad er den reelle udvikling, når den er trukket ud?

Pas på ikke at skabe mere tvivl, end der er belæg for. Et brud er et afgrænset, dokumenterbart problem: Du kan pege på tidspunktet, årsagen og størrelsen. Det er en anden og mere brugbar melding end »tallene er usikre«, som hverken giver læseren retning eller beslutningsgrundlag. DI's analyse illustrerer omkostningen ved den modsatte tilgang: Kun 14 % af virksomhederne måler aktivt værdien af deres kundedata-initiativer, hvilket begrænser deres evne til at dokumentere og optimere indsatsen. DI's chefkonsulent Kim Bruno-Lindby formulerer den generelle pointe: »Data er fundamentet for enhver succesfuld AI-strategi«, og AI-teknologien »er ikke bedre end de data, den skal lære fra«. Henvis derfor til Danmarks Statistik som den centrale myndighed for dansk statistik, når du formidler, hvor tallene kommer fra – og vær lige så tydelig om, hvilke dele af serien der ikke kan sammenlignes.

Tjekliste: Sådan håndterer du et brud i dansk branchestatistik

Opdag: Læs Danmarks Statistiks dokumentation for statistikken, før du bruger tallene. Tegn hele serien i niveau og i periodevise ændringer, og sammenhold med beslægtede serier og brancher. Dokumentér: Notér kilde, tabel, hentedato, sæsonkorrektionsstatus og det identificerede brudtidspunkt i din arbejdsfil, så konklusionen kan genskabes. Vurder: Tjek varighed, bredde og forklaring – og om springet også findes i den sæsonkorrigerede serie. Kortvarigt og bredt funderet i kalenderen betyder støj; et fastliggende spring, der kan henføres til population, klassifikation eller metode, er et brud.

Justér: Arbejd med vækstrater, indeksér efter bruddet eller kæd serierne over et dokumenteret overlap – og tjek altid populationen, før du tolker et fald som en markedstendens. Prognostisér: Reestimér på data efter bruddet, eller læg bruddet ind som selvstændig variabel, og brug førende indikatorer til at validere niveauet. Formidl: Vis både justeret og ujusteret serie, kvantificér bruddets andel af forskellen, og skriv eksplicit, hvad der ikke kan sammenlignes. Kan standardstatistikken ikke give den nødvendige opdeling, så undersøg Danmarks Statistiks skræddersyede statistikløsninger, og få hjælp eller sparring om at danne et tilpasset datagrundlag.