Agenten basierte Simulation der regionalen Biokraftstoffproduktion in Brandenburg: ein qualitativ quantitativer Modellansatz 10. BMBF Forum für Nachhaltigkeit 9. 11. September 2013 KUBUS des UFZ, Leipzig Dr. Potsdam Institut für Klimafolgenforschung In Zusammenarbeit mit: Institut für Europäische Ethnologie (IfEE) Humboldt Universität zu Berlin (HU)
Agenda Einführung Forschungsbeitrag / Forschungsfragen Forschungs und Modellansatz 2
Einführung Biokraftstoffe: Der Transportsektor ist der einzige Sektor für den es derzeit noch keine (ökonomisch und ökologisch) sinnvollrealisierbare Alternative zur Biomasse gibt Es besteht ein hohes Maß an Unsicherheit bezüglich der wahren Chancen und Risiken von Biomasse zur Energieerzeugung In den Fokus rückt immer wieder die Debatte um Tank vs. Teller 3
Agenda Einführung Forschungsbeitrag / Forschungsfragen Forschungs und Modellansatz 4
Ziel: Entscheidungsunterstützung Forschungsbeitrag Unterstützung für politische Entscheidungsträger bei der Evaluation von politischen Regulationsstrategien zur Energiepflanzenproduktion, bspw. direkte Kompensation (inkl. Subventionen) Besteuerungsmaßnahmen Beimischungsquoten 5
Forschungsfragen Forschungsfragen: Wie reagieren Landwirte auf Veränderungen der politischen Regulation von Biokraftstoffproduktion und nutzung? Wer bzw. was beeinflusst die Wahl des Produktionsportfolios am stärksten? Welche (regionalen) sozialen Effekte entstehen durch ein sich veränderndes landwirtschaftliches System? (Ist das Konzept der Lebensqualität ein sinnvolles Konstrukt um solche sozialen Entwicklungen zu erfassen?) 6
Agenda Einführung Forschungsbeitrag / Forschungsfragen Forschungs und Modellansatz 7
Forschungsansatz (a) Interdisziplinär (b) Transdisziplinär Ethnographische (qualitative) Fallstudien Gespräche & Interviews Vor Ort Besuche / teilnehmende Beobachtung Teilnahme an Veranstaltungen (Quantitative) agenten basierte Modellierung Computer gestützte Analyse der Fokusgruppengespräche (Atlas TI) Befragung der Landwirte (Fragebogen) / statistische Datenanalyse Einbindung der Landwirte Fokusgruppen 2010 Stakeholder Workshop 2013 Zukunftsbo Brandenburg Diskussion der Befragungsergebnisse Stakeholder Workshop 2014 Diskussion / Entwicklung der Modellszenarien Bottom up Modellentwicklung 8
9 Berlin Schwedt (Verbio) Potsdam Biodiesel Bioethanol Biogas Produktionsanlagen: Biodiesel Bioethanol Biogas Produktionsanlagen: Landwirte: klein mittel groß Landwirte: klein mittel groß Abnahme: Mineralölkonzerne Agrarhandel Logistikunternehmen Direktvertrieb Agrarhandel Mineralölkonzerne Logistikunternehmen Direktvertrieb Modellübersicht: Produktions und Handelswege Forschungsansatz
Forschungsansatz Modellübersicht: abstrahiertes Produktionssystem Warenbörse CBoT (Chicago) MATIF (Paris) Preise Agrarhandel Landwirte Produkt Produktionsanlagen Vertrieb X1 % Mais Landwirt(a) Landwirt(b) X2 % Raps Y1 % Mais Biodiesel Beimischung Direktvertrieb Mineralölkonzerne Logistikunternehmen Landwirt(c) Y2 % Raps Z1 % Mais Biogas Beimischung Direktvertrieb Energieanbieter Lokale Abnehmer Z2 % Raps Lebensmittel / Viehfutter 10
11 Modellübersicht: Netzwerk Strukturen Forschungsansatz Berlin Schwedt (Verbio) Potsdam Biodiesel Bioethanol Biogas Produktionsanlagen: Biodiesel Bioethanol Biogas Produktionsanlagen: Landwirte: klein mittel groß Landwirte: klein mittel groß Netzwerke & Informationsfluss: Veranstaltung Nachbarschaft Politische Regulierung Nachbarschaft Veranstaltung
Modellansatz Landwirte: Agenten Population von Landwirten Eplizite geographische Verortung Strukturelle Eigenschaften Psychographische Eigenschaften Heterogene Entscheidungsmotivationen 12
Modellansatz Stichprobe: Verteilung nach Betrieben Stichprobe Agrarzensus 2010 absolut % absolut % skaliert (2656) < 50 ha 2,910 52.3 50 99 ha 35 13.6 569 10.2 21.4 100 199 ha 29 11.2 560 10.1 21.1 > 200 ha 194 75.2 1,527 27.5 57.5 Gesamt 258 100 5,566 100 100 Verteilung nach Fläche Stichprobe Agrarzensus 2010 absolut (1,000 ha) % absolut (1,000 ha) < 50 ha 47.7 3.6 % skaliert (1,276.0) 50 99 ha 2.4 1.2 40.6 3.1 3.2 100 199 ha 4.3 2.1 82.4 6.2 6.4 > 200 ha 197.6 96.7 1,153 87.3 90.4 Gesamt 204.3 100 1,323.7 96.6 100 Gesamte landwirtschaftliche Fläche: 1.275.996 ha 13
Modellansatz Landwirte: Agenten Landwirte Strukturelle Charakteristika Tradition Information Barrieren Trägheit Schwelle Präferenzen Entscheidungsfunktion Faktorenanalyse Clusteranalyse Conjoint Analyse Netzwerkanalyse 14
Modellansatz Landwirte: Präferenzen Warum haben Sie sich für das derzeitige Produktionsportfolio entschieden? << sicherer Ertrag >>,806 << kontinuierlich stabiler Preis >>,804 << höchste erwartete Gewinne >>,854 << höchste Direktzahlungen/Kompensation >>,579 << hohe Abnahmesicherheit >>,686 << höchste Planungssicherheit >>,615 << Nährstoffanreicherung des Bodens >>,838 << passt zu Bodenbeschaffenheiten des Betriebs >>,780 << Vermeidung von Erosion / Überschwermmung >>,758 << günstig als Agrar Umweltmaßnahme umzusetzen >>,547 << passt am besten in Fruchtfolge >>,519 << notwendig als Viehfutter / Wirtschaftsdünger >>,514 Komponente 1 2 3 4 5 << geringster Arbeitsaufwand >>,902 << geringster Bedarf an Arbeitskraft >>,887 << geringster Kapitalbedarf >>,820 << Tradition / Erfahrungen >>,800 << Einklang mit Tätigkeiten benachbarter Betriebe >>,733 << Erhalt der natürlichen Umwelt >>,500 << neu in Region / große Chance >>,863 << empfohlen durch Offizialberatung / private Berater >>,803 Entscheidungspräferenzen Ökonomische Motivation Ökologische Motivation Notwendiger Aufwand Socio ökologische Implikationen Eploratives Interesse / Risikoaffinität Factoranalyse: 20 Items Cronbach s Alpha:,896 KMO:,884 Bartlett test: significant Erklärte Varianz: 70,2 % Rotated Component Matri Etraction Method: Principal Component Analysis Rotation Method: Varima with Kaiser Normalization 15
Modellansatz Landwirte: Agenten Landwirte Strukturelle Charakteristika Tradition Information Barrieren Trägheit Schwelle Präferenzen Entscheidungsfunktion Faktorenanalyse Clusteranalyse Conjoint Analyse Netzwerkanalyse 16
Modellansatz Landwirte: Strukturelle Eigenschaften 6 Cluster Clusterübersicht 15 % 12 % 34 28 24 % 57 VI I V IV 49 II III 34 31 13 % 15 % 21 % Variable Importance Clusteranalyse: TS Clusteranalyse 6 Cluster Clusterqualität 0.6 (avg. silhouette) Clusteranzahl: eplorativ Basierend auf: Akaike s information criterion (AIC) Biokraftstoffinteresse 1,0 Biogasanlage 0.97 Öko Betrieb 0.95 Energiepflanzenproduktion 0.77 Landwirtschaftliche Fläche 0.36 17
Modellansatz Landwirte: Agenten Landwirte Strukturelle Charakteristika Tradition Information Barrieren Trägheit Schwelle Präferenzen Entscheidungsfunktion Faktorenanalyse Clusteranalyse Conjoint Analyse Netzwerkanalyse 18
Modellansatz Conjoint Analyse: Szenario: Angenommen Sie stellen die landwirtschaftliche Tätigkeiten auf Ihrer gesamten Agrarfläche um. 1. Welche der folgenden vier Optionen ist, in Anbetracht der jeweiligen Eigenschaften, für Sie die attraktivste? Eigenschaft Nutzungsart Arbeitsaufwand Reaktion der Nachbarschaft Umwelteinfluss Planungssicherheit Nettoeinkommen Levels {Nahrungsmittelanbau, Viehzucht, Umweltdienstleistung, Energiepflanzenproduktion} {gering, mittelmäßig, hoch} {negativ, keine, positiv} {negativ, kein Einfluss, positiv} {gering, mittelmäßig, hoch} {gering, durchschnittlich, hoch} 2. Auf welchem Anteil Ihrer Agrarfläche würden Sie in Anbetracht dieser Eigenschaften Energiepflanzen anbauen? % 19
Modellansatz Conjoint Analyse: Teilnutzenwerte Filter: alle Landwirte > 100 ha n = 200 alle (> 100 ha) öko = ja öko = nein Bioen. = ja Bioen. = nein Nutzungsart 42,18 39,26 42,93 42,61 39,54 Arbeitsaufwand 3,40 3,34 3,42 3,42 3,32 Reaktion der Nachbarschaft 9,17 9,07 9,20 9,18 9,15 Umwelteinfluss 10,85 11,11 10,79 10,83 11,01 Planungssicherheit 3,41 3,62 3,36 3,37 3,67 Nettoeinkommen 30,98 33,60 30,30 30,60 33,31 20
Modellansatz Landwirte: Agenten Landwirte Strukturelle Charakteristika Tradition Information Barrieren Trägheit Schwelle Präferenzen Entscheidungsfunktion Faktorenanalyse Clusteranalyse Conjoint Analyse Netzwerkanalyse 21
Modellansatz Landwirte (Agenten) Information über Energiepflanzenproduktion Label inf_read WoM_local WoM_regional ep_consult pers_eperience Beschreibung Individuelle Suche nach Fachwissen (Trends, politische Entwicklungen, etc.) Kommunikation mit Nachbarn Information durch regionale Treffen (bspw. Bauernverbände, Messen, etc.) Information durch Landwirtschaftsberatung Praktische Erfahrung aus erster Hand Agenten merken sich Informationen über jedes Attribut Ein Attribut erhält zusätzliches Gewicht, wenn der Agent neue Informationen zu diesem Attribut erhält die Höhe des Gewichts hängt von der Informationsquelle ab eponentielle Verfallrate 22
Modellansatz Nächste Schritte: Modellimplementierung (Parametrisierung) Modellvalidierung (Entwicklungen 2003 2009) Simulation der politischen Regulationsszenarien 23
www.biofuel socialfuel.de venghaus@pik potsdam.de 24