Niveauneutrale Modellierung der Ertragsvolatilität von Winterweizen und Silomais auf mehreren räumlichen Ebenen in Deutschland

Abstract

Wetterbedingte Ertragsschwankungen stellen für die Landwirtschaft ein Produktionsrisiko dar. Besonders problematisch sind dabei negative Ertragsanomalien, die sich durch den Klimawandel häufen können. Im Rahmen dieser Studie wurden statistische Ertragsmodelle entwickelt und getestet, mit denen Ertragsanomalien modelliert und fortgeschrieben werden können. Für die Modellierung wurden als winterannuelle Kultur Winterweizen und als sommerannuelle Kultur Silomais als die Kulturen mit dem jeweils größten Anbauumfang in Deutschland ausgewählt. Die Erträge dieser beiden Kulturen wurden auf Landkreisebene modelliert und dann auf der Ebene der Bundesländer, Flusseinzugsgebiete und für Deutschland verglichen. Dazu wurden drei statistische Ansätze verwendet: separate Zeitreihenmodelle, Paneldatenmodelle und Zufallskoeffizientenmodelle. Über die funktionale Form der Cobb-Douglas-Produktionsfunktion wurden relative Änderungen im Vergleich zum Vorjahr (Ertrags- und Faktoranomalien) miteinander in Beziehung gesetzt. Halb- und vierteljährlich summierte Klimavariablen gingen in die Modellbildung ein. Den Klimaeinfluss verzerrende ökonomische Einflüsse wurden von Proxyvariablen quantifiziert. Die Ergebnisse (gemessen am Nash-Sutcliffe Modell-Effizienz-Koeffizienten) der Studie zeigten, dass die methodisch einfachsten separaten Zeitreihenmodelle Ertragsanomalien durchgehend besser (0.81) erklärten als die Paneldatenmodelle (0.72) und auch außergewöhnliche, landkreisindividuelle Ertragsänderungen erfassten. Die Erklärungskraft der Zufallskoeffizientenmodelle lag zwischen den separaten Zeit­reihenmodellen und den Paneldatenmodellen (0.78). Durch die Aggregation der Landkreiserträge zu Fluss­einzugsgebiets- und Bundesländererträgen wurden höhere Erklärungswerte erreicht (+0.14). Dieser Aggrega­tionseffekt war am höchsten beim Paneldatenmodell für Flusseinzugsgebiete (+0.26). Für beide Kulturen werden ähnliche Erklärungswerte erreicht. Die räumliche Verteilung der Modellparameter spiegelte die vorherrschenden Boden- und Klimaeigenschaften Deutschlands in den unterschiedlichen Entwicklungsperioden wieder. Durch die Normierung sind die Erträge einerseits unabhängig vom technologischen Niveau, andererseits können sie ohne Fehlerkorrektur direkt mit simulierten Wetter- und Klimamodellen kombiniert werden. Durch die grobe zeitliche Einteilung der Klimavariablen lassen sich mit den Modellen robuste Projektionen abgeben. Unsere statistischen Modelle erfassten kollinear verlaufende Faktoren der Ertragsbildung, beispielsweise Schädlinge oder das Anpassungsverhalten der Landwirte an sich ändernde klima­tische oder ökonomische Bedingungen. Dadurch konnten sie Praxiserträge besser abbilden als prozessbasierte Modelle. Die geschätzten statistischen Modelle sind geeignet, um Ertragsanomalien für Wetter- und Klimaprojek­tionen fortzuschreiben. Die separaten Zeitreihenmodelle reproduzierten insgesamt am besten die gemessenen Ertragsänderungen.

DOI: 10.5073/JfK.2015.06.01, https://doi.org/10.5073/JfK.2015.06.01