Die Bedeutung der Milchleistung für das Einkommen

Transkript

1 Eidgenössisches Departement für Wirtschaft, Bildung und Forschung WBF Agroscope Die Bedeutung der Milchleistung für das Einkommen Anke Schorr, Markus Lips Tänikoner Agrarökonomie-Tagung, 3. Oktober I gutes Essen, gesunde Umwelt

2 Überblick Idee: Faktoren bestimmen, die den wirtschaftlichen Erfolg weniger erfolgreicher von dem erfolgreicherer Betriebe unterscheiden Situation von Schweizer Verkehrsmilchbetrieben: Dominiert von Familienbetrieben Mass für finanziellen Erfolg eines Betriebs: Arbeitsverdienst (AV) je Familien-Jahres-Arbeitseinheit (FJAE) Diskrepanz zwischen dem finanziellen Erfolg der am wenigsten und am stärksten erfolgreichen Betriebe ist hoch Arbeitsverdienst je FJAE in kchf Mittelwert 42.8 (A) Mittelwert unterstes Quartil 6.8 (B) Mittelwert oberstes Quartil 84.8 Verhältnis (B) / (A)

3 Daten für unsere Studie Datenquelle: Zentrale Auswertung von Buchhaltungsdaten Zeitrahmen: Keine signifikanten Änderungen in der Schweizer Politik bezüglich Verkehrsmilchbetrieben Betriebstyp: 21 reiner Verkehrsmilchbetrieb Alle Regionen (Tal, Hügel, Berg, Gesamt) Resultierende Datenmenge: Paneldaten: 5459 Beobachtungen aus 1832 Betrieben Durchschnitt von 3 Beobachtungen pro Betrieb 3

4 Auswahl der Bestimmungsgrössen Strukturdaten: Betriebsgrösse (GVE) und -fläche, Besatzdichte, Anteil Eigen- zu Pachtland, Lage in Hügel-/Bergregion, Hanglage Produktions-System: silofreie Produktion, Laufstall, biologischer Landbau, Milchleistung je GVE, Kraftfutterkosten je GVE Ackerbau: hat Ackerbau, Getreide, Futterrüben, Silomais, Dauerkulturen, Obst, Wald Tierhaltung: Pferde, Kleinwiederkäuer, Schweine, Geflügel, Kälber, Mutterkühe; Sömmerungsbetrieb Paralandwirtschaftliche Tätigkeiten: Direktverkauf, Agrotourismus, Arbeit für Dritte Betriebsführung: Voll- oder Nebenerwerb, Grösse BL-Haushalt, Anteil Nicht-FJAE Ausbildung: 22 Variablen basierend auf Kombination von (Ausbildungs-Sektor, Ausbildungslevel, BL / Partner BL) 4

5 Methodologie Quantilregression (QR): Warum? Das Modell sollte Auskunft darüber geben, ob der finanzielle Erfolg von weniger und stärker erfolgreichen Betrieben durch die gleichen Faktoren in gleichem Ausmass bestimmt wird; methodisch mit dem Random-Effects-Modell, nicht mit anderen Panel-Daten-Modellen, in Verbindung stehen. Darstellung: pro Rechnung (# Quantile = 9)*(# Faktoren) Koeffizienten relativer Unterschied maximaler und minimaler Koeffizient < 1%: nur 1 Koeffizient, > 1%: 9 Koeffizienten. 5

6 Methodologie - Beispiel Beispiel Quantilregression (QR) für verschiedene Teile der Verteilung des Arbeitsverdienstes pro FJAE (AV) je eine lineare Beziehung AV = s * Milchleistung + k mittel - + s 80 k -435'000 MML* 6'625 s 80 s 40 k -405'000 k -185'000 MML MML 5'875 Unterschiedliche lineare Beziehungen: Milchleistung steigt am Rand viel stärker. * MML: mittlere Milchleistung je GVE Rind (kg / GVE Rind / a) 6

7 Verteilung wichtiger Bestimmungsgrössen - Gesamtregion Verteilung wichtiger Variablen in Dezilen Mittelwert Dezil-Mittelwerte Variable Einheit Arbeitsverdienst je FJAE kchf Betriebsgrösse GVE Milchleistung je GVE Rind t/gve/a Kraftfutterkosten CHF je GVE Rind /GVE Alle Variablen zeigen eine statistische Differenz (95%-Level) zwischen dem ersten und neunten Dezil im Jahresdurchschnitt 7

8 Verteilung wichtiger Bestimmungsgrössen - Gesamtregion Verteilung wichtiger Variablen in Dezilen 8

9 Resultate QR - Gesamtregion Koeffizienten der Quantilregression Variable Betriebsgrösse (GVE) Besatzdichte -7'566 In der Hügelregion 3'861 In der Bergregion -1'667 Hanglage -8'577 Milchleistung je GVE Rind Biologischer Landbau 6'957 Hat Laufstall 4'364 Kraftfutterkosten je GVE Rind Hat Ackerbau 3'596 Hat paralandwirtschaftliche Aktivitäten 1'663 Vollerwerbsbetrieb 4'748 Partner BL mit tiefem Ausbildungsniveau ausserhalb von Land- und Hauswirtschaft -3'491 Anteil Nicht-FJAE Grösse BL-Haushalt -1'017 Konstante 15'518 Durchschnittliches Pseudo-R 2 = 30.6% 9

10 QR-Koeffizienten - Gesamtregion 4 Veränderliche Koeffizienten: Betriebsgrösse, Milchleistung, Kraftfutterkosten, Anteil Nicht-FJAE Milchleistung und Kraftfutterkosten statistisch unterschieden P-Wert (Δ(c 10, c 90 )) < P-Wert (Δ(cmin, cmax)) = 0.09 Zum Einfluss der Milchleistung, die für weniger erfolgreiche Betriebe (negativ) und erfolgreiche Betriebe (stark positiv) sehr verschieden ist, gibt QR ein sehr detailliertes Bild. 10

11 Verteilung wichtiger Bestimmungsgrössen - Bergregion Verteilung wichtiger Variablen in Dezilen 11

12 Resultate QR - Bergregion Koeffizienten der Quantilregression Variable Betriebsgrösse (GVE) Besatzdichte Anteil Pachtland Milchleistung je GVE Rind Biologischer Landbau Silofreie Produktion 5'300 Kraftfutterkosten je GVE Rind Hat Wald Hat Mutterkühe Nimmt GVE auf Vollerwerbsbetrieb Nebenerwerbsbetrieb BL mit tiefem Ausbildungsniveau ausserhalb von Land- und Hauswirtschaft Partner BL mit abgeschlossener Lehre ausserhalb von Land- und Hauswirtschaft Anteil Nicht-FJAE Grösse BL-Haushalt Konstante 15'518 Durchschnittliches Pseudo-R 2 = 30.9%

13 QR-Koeffizienten - Bergregion 5 veränderliche Koeffizienten: Betriebsgrösse, Milchleistung, Kraftfutterkosten, Anteil Pachtland, Anteil Nicht-FJAE Milchleistung und Kraftfutterkosten statistisch unterschieden P-Wert (Δ(c 10, c 90 )) < P-Wert (Δ(cmin, cmax)) = 0.1 Ähnliches Bild wie in der Gesamtregion 13

14 Schlussfolgerungen Ergebnisse für Gesamtschweiz und Bergregion sind ähnlich. Generelle Aussagen zur Beziehung zwischen Milchleistung und finanziellem Erfolg machen aufgrund der Heterogenität wenig Sinn. Empfehlungen müssen betriebsspezifisch erfolgen: Für erfolgreiche Betriebe ist der momentane Kraftfuttereinsatz wirtschaftlich sinnvoll. Für wenig erfolgreiche Betriebe hingegen scheint eine Erhöhung der Milchleistung durch zusätzlichen Kraftfuttereinsatz nicht sinnvoll. Der Zusammenhang zwischen Ernährung und Milchleistung muss genauer untersucht werden. 14

15 Literatur [Areal et al., 2012] Areal, F.G., Tiffin, R., Balcombe, K., Farm Technical Efficiency under a Tradable Milk Quota System. Journal of Dairy Sciences, 95: [Baltagi, 2013] Baltagi, B. H., Econometric Analysis of Panel Data. West Sussex, John Wiley & Sons. [Dux et al., 2016] Dux, D., Schmid, D., Jan, P., Hoop, D. & Renner, S., Die wirtschaftliche Entwicklung der schweizerischen Landwirtschaft 2015: Hauptbericht Nr. 39 der Zentralen Auswertung von Buchhaltungsdaten Stichprobe Einkommenssituation [The economic development of Swiss agriculture 2015: Main report no. 39 of the Swiss FADN]. Agroscope Transfer. 143, Ettenhausen. [Erdin und Giuliani, 2011] Erdin, D. & Giuliani, S., 2011: Kraftfutterverbrauch der gemolkenen Kühe. Aktuell, LMZ 2011 (5): 4-8. [Ford and Shonkwiler, 1994] Ford, S. & Shonkwiler, J., The Effects of Managerial Ability on Farm Financial Success, Agricultural and Resource Economics Review, 23: [Geraci und Bottai, 2014] Geraci, M. & Bottai, M Linear quantile mixed models. Statistics and Computing, 24: [Gloy et al., 2002] Gloy, B., Hyde, J., & LaDue, E., Dairy Farm Management and Long-Term Farm Financial Performance, Agricultural and Resource Economics Review, 31(2): [Hadrich et al., 2017] Hadrich, J.C., Wolf, C., Johnson, K.K., Characterizing U.S. Dairy Farm Income and Wealth Distributions. Agricultural Finance Review, 77(1). [Hoop et al., 2015] Hoop, D., Zorn, A. Lips, M. & Gazzarin, C., Determinants of Full Costs of Dairy Production in Switzerland a comparison of two disproportionate Joint Costs Allocations, 20th International Farm Management Congress, July, Québec City. [Kauffman und Tauer, 1986] Kauffman, J. & Tauer, L., Successful Dairy Farm Management Strategies identified by Stochastic Dominance Analysis on Farm Records, Northeastern Journal of Agricultural and Resource Economics, 15: [Koenker und Machado, 1999] Koenker, R. & Machado, J., Goodness of Fit and Related Inference Processes for Quantile Regression, Journal of the American Statistical Association, 94(448): [Mishra und Morehart, 2001] Mishra, A. & Morehart, M., Factors affecting returns to Labor and Management on U.S. Dairy Farms, Agricultural Finance Review, 61: [Powell, 2016] Powell, D., Quantile Regression with non-additive Fixed Effects. [Roesch, 2015] Roesch, A., Impact of the SO Threshold on the Statistics of Economic Variables for the Swiss Agricultural Sector, German Journal of Agricultural Economics, 64(1): [Tauer und Stefanides, 1998] Tauer, L. & Stefanides, Z., Success in maximizing profits and reasons for profit deviation on dairy farms, Applied Economics, 30: [Wooldridge, 2013] Wooldridge, J., Introductory Econometrics, 5th edition. Boston, South-Western Cengage Learning. (Chapter 14.3 Correlated Random Effects Approach) [Zimmermann und Heckelei, 2012] Zimmermann, A. & Heckelei, T., Structural Change of European Dairy Farms A Cross- Regional Analysis. Journal of Agricultural Economics, 63(3):