Effizienzanalyse landwirtschaftlicher Betriebe in Schleswig

Transcrição

Masterarbeit
im Studiengang Agrarwissenschaften
Effizienzanalyse landwirtschaftlicher Betriebe in
Schleswig-Holstein und Niedersachsen
Prüfung der Wirksamkeit einzelbetrieblicher
Investitionsförderungsprogramme
vorgelegt von
Hanna Bedbur
Erstgutachter: Prof. Dr. Uwe Latacz-Lohmann
Zweitgutachter: Dr. Volker Saggau
Institut für Agrarökonomie
Agrar- und Ernährungswissenschaftliche Fakultät
der Christian-Albrechts-Universität zu Kiel
Danksagung
An dieser Stelle möchte ich mich herzlich bei allen Menschen bedanken, die zum Gelingen dieser Masterarbeit beigetragen haben.
Mein Dank gilt besonders Herrn Prof. Uwe Latacz-Lohmann für die Bereitstellung des
Themas und Herrn Volker Saggau für die Betreuung. Ganz herzlich möchte ich mich bei
Herrn Bernhard Forstner für die Möglichkeit, die Arbeit im Thünen-Institut in Braunschweig zu verfassen und die engagierte Betreuung bedanken. Auch dem ganzen Team
des Instituts für Betriebwirtschaft im Thünen-Institut gilt mein Dank. Sie haben mich sehr
freundlich aufgenommen und mich bei allen Problemen und Fragen kompetent beraten.
Daneben gilt mein Dank natürlich meinen Eltern, die mich während meines Studiums
stets ermutigt und in jeder Hinsicht unterstützt haben!
Zusammenfassung/Abstract
i
Zusammenfassung
In dieser Arbeit wird der Einfluss des Agrarinvestitionsförderungsprogramms auf die
technische
Effizienz
von
Milchviehbetrieben
untersucht.
Dabei
dienten
Buch-
führungsabschlüsse von Testbetrieben im Norden von Niedersachsen und ganz Schleswig-Holstein über die Zeit von 2000/01 bis 2010/11 als Grundlage der Analyse. Die beiden Bundesländer wurden ausgewählt, da seit 2007 die finanzielle Höhe der Förderung
von Investitionen in Schleswig-Holstein drastisch reduziert wurde. Vor 2007 war sie in
beiden Ländern relativ ähnlich. Die Schätzung der technischen Effizienz erfolgte mittels
der stochastischen Frontieranalyse. Dabei wurde der Zusammenhang zwischen dem Bundesland und der Ineffizienz simultan mitgeschätzt. Die Analyse ergab, dass die Produktionsbedingungen in Nord-Niedersachsen über die ganze Beobachtungszeit günstiger waren
als in Schleswig-Holstein. Auch wiesen die untersuchten Betriebe aus Niedersachsen seit
2001/02 im Mittel einen höheren Effizienzwert auf. Der Abstand zwischen den Effizienzwerten der Länder nimmt aber seit 2007 nicht deutlich zu. Die Investitionsförderung
sollte auch das Investitionsverhalten beeinflussen. Die Analyse der durchschnittlichen
Bruttoinvestitionen in den Ländern konnte keinen Effekt der Förderung feststellen.
Abstract
The aim of this study is to analyze the effect of farm credit programs (more specifically
the “Agrarinvestitionsförderungsprogramm”) on the technical efficiency of dairy farms.
Account books from 2000/01 to 2010/11 of test-farms in the north of Lower-Saxony and
Schleswig-Holstein formed the basis of the analysis. The reason behind the choice is: The
credit program has been radically reduced in terms of financing in Schleswig-Holstein
since 2007. Before 2007 the program was nearly equal in both federal states. We used
stochastic frontier analysis in order to estimate the technical efficiency of the farms. The
effect of the federal state on the inefficiency was simultaneously estimated. The analysis
showed that the production conditions were more convenient in Lower-Saxony than in
Schleswig-Holstein. Furthermore the average efficiency score of the farms in LowerSaxony has been higher since 2001/02. But the span between the efficiency scores of the
federal states has not really increased since 2007. The credit program should also have
affected the investment behaviour in a positive way. After analysing the average gross
investment development, no effect of the credit program could be observed.
Inhaltsverzeichnis
I
Inhaltsverzeichnis
Zusammenfassung/Abstract
i
1
Einleitung
1
2
Politischer Hintergrund
5
2.1
Historische Entwicklung
5
2.2
Aktuelle politisch-rechtliche Ausgestaltung der Agrarinvestitionsförderung
6
2.3
Vergleich der Investitionsförderung in Niedersachsen und
Schleswig-Holstein zwischen 2000 und 2010
3
4
5
6
7
10
Theorie
16
3.1
Was ist Effizienz?
16
3.2
Ökonomisch-theoretischer Hintergrund des AFP
22
3.3
Theorie der Regionsbestimmung
26
3.4
Standortfaktoren
27
Methoden der Effizienzmessung
34
4.1
Eigenschaften der Produktionsfunktion
34
4.2
Wie kann die Produktionsfunktion bestimmt werden?
4.2.1 Data Envelopment Analyse (DEA)
4.2.2 Stochastische Frontieranalyse (SFA)
4.2.3 Auswahl der Methodik
35
35
39
45
Spezifizierung des Modells
48
5.1
Datengrundlage
48
5.2
Probleme der Datengrundlage
49
5.3
Auswahl der Variablen
51
5.4
Ökonometrische Entwicklung
56
Ergebnisse
68
6.1
Annahmen und Hypothese
68
6.2
Das Problem der Multikollinearität
69
6.3
Ergebnisse der Analyse ohne den Faktor Land
72
Interpretation der Ergebnisse und weitere Betrachtungen
77
Inhaltsverzeichnis
8
9
II
7.1
Einfluss der einzelbetrieblichen Förderung
77
7.2
Weitere Betrachtungen zur Wirkung der einzelbetrieblichen Förderung
79
7.3
Einflüsse auf die Effizienz
80
7.4
Weitere Betrachtungen zu den Einflüssen auf die Effizienz
80
7.5
Fazit
84
Evaluation der Arbeit
85
8.1
Software Probleme
85
8.2
Evaluation der Ergebnisse
85
Schlussbetrachtung
87
Literaturverzeichnis
90
Anhang 1
98
Anhang 2
99
Anhang 3
101
Abbildungsverzeichnis
III
Abbildung 3-1:
Durchschnittsproduktionsfunktion,
Frontierproduktionsfunktion, optimale Produktionsfunktion
17
Abbildung 3-2:
Frontierfunktion, Produktivität und technische Effizienz
19
Abbildung 3-3:
Auswirkungen des technischen Fortschritts auf die
Produktionsfunktion
23
Auswirkung des technischen Fortschritts auf die technische
Effizienz und Produktivität eines Betriebes
24
Regionskonzepte, Regionstypen und deren
Abgrenzungskriterien
26
Niederschlag im Nordwesten von Niedersachsen und
Schleswig-Holstein, Mittelwerte (Standardabweichungen): NI:
66.16 (33.196), SH: 64.05 (33.634).
28
Sonnenscheindauer im Nordwesten von Niedersachsen und
Schleswig-Holstein, Mittelwerte (Standardabweichungen): NI:
137.95 (79.088) SH: 141.92 (84.406).
29
Temperatur im Nordwesten von Niedersachsen und SchleswigHolstein, Mittelwerte (Standardabweichungen): NI: 9.91
(5.881) SH: 9.32 (5.988)
29
Anteil Dauergrünland an der Landwirtschaftlichen Nutzfläche
2007
30
Abbildung 3-10:
Hangneigung in Deutschland in 2006
31
Abbildung 3-11:
Anteil der Kühe in verschiedenen Bestandsgrößen
32
Abbildung 3-12:
Milchviehdichte in Deutschland
32
Abbildung 4-1:
DEA: Bestimmung der Effizienz im Ein-Output-Ein-Input-Fall
37
Abbildung 4-2:
DEA: Berechnung der Effizienz im Fall von zwei Outputs und
konstantem Input
39
Abbildung 4-3:
Korrigierte Kleinstquadratschätzung
41
Abbildung 4-4:
Stochastische Frontierfunktion im Ein-Output-Ein-Input-Fall
44
Abbildung 5-1:
Halbnormalverteilungen mit verschiedenen Sigma
63
Abbildung 6-1:
Durchschnittliche Effizienzwerte der Betriebe in SchleswigHolstein und Nord-Niedersachsen
75
Durchschnittliches Bruttoinvestitionsvolumen der Betriebe in
Nord-Niedersachsen und Schleswig-Holstein
79
Abbildung 3-4:
Abbildung 3-5:
Abbildung 3-6:
Abbildung 3-7:
Abbildung 3-8:
Abbildung 3-9:
Abbildung 7-1:
Abbildung 7-2:
Abbildung 7-3:
Abbildung 7-4:
Abbildung A-1:
Abbildung A-2:
Abbildung A-3:
Abbildung A-4:
IV
Ausgezahlte mittlere Milchpreise in Nord-Niedersachsen und
Schleswig-Holstein
81
Dezitonnen Milch pro Großvieheinheit im Mittel der Betriebe
in Nord-Niedersachsen und Schleswig-Holstein
81
Landnutzungsarten im Mittel der Betriebe in NordNiedersachsen und Schleswig-Holstein
82
Durchschnittliche Vorleistungen der Betriebe in NordNiedersachen und Schleswig-Holstein pro Großvieheinheit
Milchvieh (Anmerkung: Wenn der Unterschied nicht
statistisch signifikant ist, wurde der Wert gleich Null gesetzt.)
101
Durchschnittliche Arbeitskraftstunden pro ha
selbstbewirtschaftete Fläche der Betriebe in NordNiedersachsen und Schleswig-Holstein
102
Durchschnittlich produzierte Dezitonnen Milch pro ha
selbstbewirtschaftete Fläche der Betriebe in NordNiedersachen und Schleswig-Holstein
102
Durchschnittlich gehaltene Großvieheinheiten Milchvieh pro
ha der Betriebe in Nord-Niedersachsen und Schleswig-Holstein
103
Tabellenverzeichnis
V
Tabellenverzeichnis
Tabelle 2-1:
Ausgestaltung AFP 2000
11
Tabelle 2-2:
Veränderungen des AFP in Niedersachsen und SchleswigHolstein (2000-2006)
12
Verteilung der in den Entwicklungsprogrammen vorgesehenen
öffentlichen Mittel auf die Schwerpunkte
13
Tabelle 2-4:
Ausgestaltung des AFP 2007
14
Tabelle 2-5:
AFP-Realisierung in Niedersachsen und Bremen und
Schleswig-Holstein von 2007 bis 2009
15
Gegenüberstellung der Vor- und Nachteile der DEA und der
SFA
47
Tabelle 5-1:
Ausprägungen der Variablen der Produktionsfunktion
54
Tabelle 5-2:
Ausgestaltung der verwendeten Modelle
66
Tabelle 6-1:
Korrelation der Inputfaktoren mit dem Output
69
Tabelle 6-2:
Summen der Korrelationskoeffizienten der Inputvariablen
71
Tabelle 6-3:
Ergebnisse der Likelihood-Ratio-Tests
72
Tabelle 6-5:
Skalenelastiziät
74
Tabelle 6-6:
Regression des Bundeslandes auf die Variablen
76
Tabelle A-1:
Korrelationsmatrizen der Inputvariablen - Teil A
99
Tabelle A-2:
Korrelationsmatrizen der Inputvariablen - Teil B
100
Tabelle 2-3:
Tabelle 4-1:
Abkürzungsverzeichnis
VI
Abkürzungsverzeichnis
AFP
Agrarinvestitionsförderungsprogramm
ak
Arbeit
AKP
Agrarkreditprogramm
ausb
Ausbildung
bl
Bundesland
BMELV
Bundesministerium für Ernährung, Landwirtschaft und Verbraucherschutz
DEA
Data Envelopment Analysis
EFP
Einzelbetriebliche Investitionsförderung
ELER
Europäischer Landwirtschaftsfond für die Entwicklung des ländlichen
Raumes
GAK
Gemeinschaftsaufgabe zur Verbesserung der Agrarstruktur und des Küstenschutzes
GAP
Gemeinsame Agrarpolitik
ha
Hektar
kap
Kapital
l
Land
LEADER
Liaison entre actions de développement de l’économie rurale
MFP
Milchinvestitionsförderprogramm
MLUR
Ministerium für Landwirtschaft, Umwelt und ländliche Räume
MRELV
Ministerium für den ländlichen Raum, Ernährung, Landwirtschaft und
Verbraucherschutz
NI
Niedersachsen
PROFIL
Programm zur Förderung im ländlichen Raum. Niedersachsen und Bremen
2007-2013
rst
Rinderstückzahl
SFA
stochastische Frontieranalyse
SH
Schleswig-Holstein
vorl
Vorleistungen
ZPLR
Entwicklungsprogramm für den ländlichen Raum des Landes SchleswigHolstein für den Programmplanungszeitraum 2007-2013
Kapitel 1
1
Einleitung
1
Einleitung
Im Rahmen des Agrarinvestitionsprogramms (AFP) sind bundesweit rund 1,3 Mrd. Euro
als öffentliche Ausgaben durch die Förderung von 43.385 Fällen in der Zeit von 2000 bis
2006 entstanden (Forstner et al. 2009). Als übergeordnetes Ziel, das durch die Förderung
erreicht werden soll, wird die Steigerung der Wettbewerbsfähigkeit genannt. Im nationalen Strategieplan für 2007 bis 2013 schreibt das Bundesministerium für Ernährung,
Landwirtschaft und Verbraucherschutz (BMELV 2011 S. 32): „Investitionen in land- und
forstwirtschaftliche Betriebe werden vor allem zur Verbesserung der betrieblichen Effizienz, Erhöhung der Wertschöpfung, Rationalisierung und Senkung der Produktionskosten sowie zur Verbesserung der Produktions- und Arbeitsbedingungen gefördert.“
Diese Arbeit befasst sich deshalb mit der Frage: Führt bzw. führte die Agrarinvestitionsförderung zu einer Steigerung der betrieblichen Effizienz?
Literaturüberblick
Dafür, dass die Investitionsförderung in der Landwirtschaft schon seit dem Vertrag von
Rom im Jahre 1958 Einzug in die europäische Agrarpolitik hielt, existieren relativ wenige
Publikationen zu der Wirkungsweise der Förderung neben den Evaluationen, die auf
rechtlicher Grundlage (EU) durchgeführt werden müssen.
Die Evaluation der Maßnahme erfolgt durch ein Team am von Thünen-Institut (vgl. u. a.
Ebers und Forstner 2010a,b, Forstner et al. 2009, 2008a,b und 2005). Sie weisen seit Jahren darauf hin, dass die Förderung meistens nur „mitgenommen“ würde und die Investition auch ohne Förderung getätigt worden wären. Sie stellen einen positiven Zusammenhang zwischen Betriebserfolg und Investitionstätigkeit fest, einen entsprechenden Zusammenhang zwischen dem Umfang der AFP-Förderung und dem Betriebserfolg konnten
sie aber nicht nachweisen.
Striewe (1996) untersuchte die Wirkungsweise der Investitionsförderung in SchleswigHolstein aus gesamtwirtschaftlicher Sicht und hinsichtlich des Auswahlverfahrens der
bewilligten Investitionen. Er kommt zu dem Schluss, dass die gewünschten Allokationseffekte bezüglich des Einkommens ökonomisch effizienter hätten gelöst werden können
Kapitel 1
Einleitung
2
und die Investitionsförderung aus gesamtwirtschaftlicher Sicht negativ zu beurteilen ist.
Auch das Auswahlverfahren hält er für nicht zielgerichtet.
Brümmer und Loy (Brümmer 1996, Brümmer und Loy 1997, Brümmer und Loy 2000)
beschäftigten sich mit der Beurteilung der Auswirkung der einzelbetrieblichen Investitionsförderung auf die technische Effizienz der Betriebe mit Hilfe einer stochastischen
Frontieranalyse. Dabei untersuchten sie Buchführungsergebnisse geförderter Milchviehbetriebe in Schleswig-Holstein von 1987 bis 1994. In keiner ihrer Arbeiten konnten sie
einen Effekt der Förderung auf die technische Effizienz feststellen. Teilweise konnte sogar ein Rückgang der Effizienz durch die Teilnahme am Programm beobachtet werden.
Der Kritikpunkt an dieser Analyse ist, dass sie keine Referenzgruppe hatten, die nicht
gefördert wurde. Sie haben deshalb angenommen, dass nach 10 Jahren ohne Förderung
kein Effekt einer früheren Förderung mehr feststellbar ist. Es kann vermutet werden, dass
Betriebe, die 10 Jahre lang keine Förderung mehr bekommen haben, auch 10 Jahre lang
nicht mehr investiert haben. Die Gruppen werden sich nicht nur hinsichtlich der Förderung, sondern auch hinsichtlich des Investitionsverhaltens unterschieden haben.
Rezitis et al. (2003) untersuchte in Griechenland auch mit der stochastischen Frontieranalyse die Auswirkungen der einzelbetrieblichen Investitionsförderung. Dabei hat er die
technische Effizienz von Betrieben vor und nach der Teilnahme an dem Programm gemessen. Die Analyse hat ergeben, dass die Teilnahme keinen Effekt auf die technische
Effizienz der Betriebe hatte. Buysse et al. (2011) untersuchten den Einfluss von verschiedenen Arten der Investitionsförderung auf die Outputmenge, das Familieneinkommen und
die Kosten mit einer dynamischen Panel-Schätzung mit fixen Effekten anhand von Betrieben in Flandern (Belgien). Sie fanden heraus, dass strukturelle Investitionsförderungen
(entspricht dem AFP in Deutschland) einen positiven Einfluss auf die Outputmenge und
das Familieneinkommen haben und dabei die Kosten verringern.
Stochastische Frontieranalysen im landwirtschaftlichen Bereich, die als Hauptziel nicht
den Effekt der Investitionsförderung bestimmen wollten, haben durchaus einen Effekt
allgemeiner Subventionen auf die technische Effizienz feststellen können. Tiedemann und
Latacz-Lohmann (2011) fanden bei der Analyse von ökologischen und konventionellen
Betrieben einen positiven Einfluss von staatlichen Prämienzahlungen auf die technische
Kapitel 1
Einleitung
3
Effizienz der Betriebe. Das Ergebnis des positiven Einflusses von Subventionen auf die
technische Effizienz fanden auch Sauer und Park (2009) in ihrer Analyse von ökologischen Betrieben in Skandinavien.
Zielsetzung der Arbeit
Mit dieser Arbeit soll der Einfluss der Agrarinvestitionsförderung auf die technische Effizienz von konventionell wirtschaftenden Milchviehbetrieben in Niedersachsen und
Schleswig-Holstein mit einer stochastischen Frontieranalyse untersucht werden. Diese
Arbeit hat gegenüber den Arbeiten von Brümmer und Loy (Brümmer 1996, Brümmer und
Loy 1997, Brümmer und Loy 2000) den Vorteil, dass eine Referenzgruppe an Betrieben,
die investiert, aber keine bzw. eine sehr geringe Förderung erhalten haben, zur Verfügung
steht. Denn seit 2007 wurde das AFP in Schleswig-Holstein in seiner finanziellen Ausgestaltung stark reduziert und seit 2010 wird es ganz ausgesetzt. Niedersachsen fördert
immer noch auf relativ hohem Niveau. Somit bietet sich ein Vergleich der Regionen von
2000 bis 2011 an. Die Entwicklung der Effizienzwerte kann so bei einer relativ ähnlichen
Förderung in den Bundesländern und nach der Verringerung der Förderung ab 2007 in
Schleswig-Holstein beobachtet werden. Es werden Milchviehbetriebe untersucht, weil die
Milchviehhaltung im Zentrum der Agrarinvestitionsförderung steht (Ebers und Forstner
2010a). In Schleswig-Holstein waren in der Zeit von 2007 bis 2009 75,5 % der Förderfälle Milchviehbetriebe und in Niedersachsen inklusive Bremen 53,1 % (Ebers und Forstner
2010a+b).
Aufbau der Arbeit
Um der gestellten Forschungsfrage nachgehen zu können, wird in Kapitel 2 ein kurzer
Überblick über die Entwicklung des AFP gegeben, um danach die aktuelle rechtliche
Grundlage zu klären. Darauf folgt ein Vergleich der Ausgestaltung der Investitionsförderung in Schleswig-Holstein und Niedersachsen von 2000 bis 2011. Es wird dargestellt,
wie sich die Fördermöglichkeiten für die Betriebe in den Ländern verändert haben. Kapitel 3 erklärt den ökonomischen Hintergrund zu der intuitiven Vermutung, dass durch die
Förderung von Investitionen die Effizienz der Betriebe gesteigert werden könnte. Im
zweiten Teil des Kapitels 3 wird der theoretische Hintergrund zur Regionsbildung beschrieben und erklärt, warum Nord-Niedersachsen und Schleswig-Holstein als homogene
Kapitel 1
Einleitung
4
Region, außer in der Ausgestaltung des AFP, angesehen werden können. Die Grundzüge
der verschiedenen Methoden zur Messung von Effizienz werden in Kapitel 4 beschrieben,
um zum Schluss begründen zu können, warum die stochastische Frontieranalyse in dieser
Arbeit zur Bestimmung der technischen Effizienz gewählt wurde. In Kapitel 5 folgen die
Beschreibung der Datengrundlage und der ausgewählten Variablen. Danach wird das
Vorgehen bei der Analyse dargestellt. Die Ergebnisse der Analyse und einige Überlegungen zum Thema Multikollinearität werden in Kapitel 6 vorgestellt. Kapitel 7 enthält die
Interpretation der Ergebnisse und weitere Betrachtungen hinsichtlich der sich ergebenden
Fragen. Das Kapitel endet mit einem kurzen Fazit, in dem die wichtigsten Ergebnisse zusammengefasst werden. Die Evaluation der Arbeit folgt in Kapitel 8 und Kapitel 9 enthält
die Schlussbetrachtung der Arbeit.
Ich danke dem BMELV für die Genehmigung die Buchführungsabschlüsse der Testbetriebe in Niedersachsen und Schleswig-Holstein für diese Arbeit nutzen zu dürfen.
Kapitel 2
2
5
Das Agrarinvestitionsförderungsprogramm (AFP) ist eine Maßnahme zur Förderung von
landwirtschaftlichen Betrieben. Auf Länderebene sollen durch die Maßnahme die Ziele
1
der 2. Säule der EU-Agrarpolitik verwirklicht werden. Um besser zu verstehen, wie dies
geschehen soll, wird in diesem Kapitel zuerst kurz die Entwicklung der einzelbetrieblichen Investitionsförderung besprochen und danach dargestellt, welche rechtlichen Grundlagen zur Förderung von Investitionen auf EU-, Staats- und Länderebene vorliegen. Abschließend wird die Ausgestaltung der Investitionsförderung in Schleswig-Holstein und
Niedersachsen von 2000 bis 2011 vergleichend dargestellt.
2.1 Historische Entwicklung
Der folgende Abschnitt ist am historischen Abriss zur deutschen und europäischen Agrarstrukturpolitik in Henrichsmeyer und Witzke (1994) orientiert.
Es ist nicht neu, dass betriebliche Investitionen in der Landwirtschaft gefördert werden.
Schon 1958 wurde im Vertrag von Rom in Artikel 33 und 39 die Steigerung der Produktivität durch die Förderung des technischen Fortschritts und durch den bestmöglichen
Einsatz der Produktionsfaktoren, insbesondere der Arbeitskräfte, als ein innergemeinschaftliches Ziel der gemeinsamen Agrarpolitik der europäischen Wirtschaftsgemeinschaft festgehalten (EU-Parlament 2000). 1968 wurde die selektive Förderung der einzelbetrieblichen Entwicklung im Agrarprogramm der Bundesregierung festgelegt. Damals
war die Förderung stark darauf ausgelegt, den Strukturwandel zu unterstützen. Die Be2
triebe mussten u.a. einen Entwicklungsplan vorlegen, der sicher stellen sollte, dass nur
1
2
Mit der Agenda 2000 im Jahre 199 wurde die 2. Säule der Agrarpolitik geschaffen, die seit dem neben
der 1.Säule, die die Direktzahlungen beinhaltet, existiert. Ihr Ziel ist, neben der 1. Säule, die die Direktzahlungen umfasst, „die Förderung der Entwicklung der Landwirtschaft und des ländlichen Raumes durch langfristige Maßnahmen zugunsten einer Verbesserung der Produktions-, Verarbeitungsund Vermarktungsstrukturen sowie der Rahmenbedingungen der landwirtschaftlichen Tätigkeit.“
(BMELV 2012)
Der Plan soll aufzeigen, dass die Betriebe „in spätestens sechs Jahren ein dem regionalen außerlandwirtschaftlichen Durchschnittseinkommen entsprechendes Einkommen erzielen konnten“. (Becker,
1999)
Kapitel 2
6
entwicklungsfähige Betriebe gefördert wurden. In der Gemeinschaftsaufgabe zur Verbesserung der Agrarstruktur und des Küstenschutzes (GAK), die 1969 verabschiedet wurde,
wurden die Maßnahmen zur Förderung der Flurbereinigung, die einzelbetriebliche Investitionsförderung, die Förderung der Faktormobilität und die Förderung benachteiligter
Gebiete zusammengeführt. 1972 wurde die gemeinsame Agrarstrukturpolitik der Europäischen Wirtschaftsgemeinschaft mit dem Mansholt-Plan und seinen drei Schwerpunkten in
Form von Richtlinien begonnen. Die Schwerpunkte waren das einzelbetriebliche Investitionsförderungsprogramm (EFP), Landabgaberenten und -prämien und sozialökonomische
Beratung und Umschulungsbeihilfen. Seit dem wird die Investitionsförderung im Landwirtschaftssektor von der europäischen Gemeinschaft mitfinanziert. Die Förderung erfolgte in Form von Zinsverbilligungen von Kapitalmarktdarlehen. Neben dem EFP wurde
1984 auch das Agrarkreditprogramm (AKP) mit in den Rahmenplan der GAK aufgenommen (Deutscher Bundestag 1984). Das AKP stellt geringere Anforderungen als das EFP
für die Bewilligung von Zinsverbilligungen an die Betriebe und spricht auch Nebenerwerbsbetriebe an. Die Förderung von Investitionen war in den neuen Bundesländern bis
1996 befristet (Deutscher Bundestag 1995). Bei der Neugestaltung des Rahmenplans der
GAK 1995 wurde deshalb versucht, das einzelbetriebliche Investitionsförderungsprogramm einfacher und überschaubarer zu gestalten, so dass es allen Teilen Deutschlands
gerecht werden könne. Das entwickelte Agrarinvestitionsförderungsprogramm (AFP)
fasst EFP, AKP, Energieeinsparung und Junglandwirteförderung zusammen (Deutscher
Bundestag 1995). Die genaue Ausgestaltung des AFP von 2000 bis 2011 wird in Kapitel
2.2.4 beschrieben. Zuvor wird die rechtliche Grundlage des AFP dargelegt.
2.2 Aktuelle politisch-rechtliche Ausgestaltung der Agrarinvestitionsförderung
Auf Ebene der Europäischen Union wurde am 20. September 2005 vom EU-Rat die Verordnung (EG) Nr. 1698/2005 über die Förderung der Entwicklung des ländlichen Raumes
durch den Europäischen Landwirtschaftsfond für die Entwicklung des ländlichen Raums
(ELER) erlassen (EU-Rat 2005). Diese beruht auf den strategischen Leitlinien der EU
hinsichtlich der wesentlichen Herausforderungen, Zielen und Handlungsansätzen für die
Entwicklung des ländlichen Raumes. In der ELER-Verordnung sind drei thematische und
Kapitel 2
7
ein methodischer Schwerpunkt festgelegt, die zur Erreichung der Ziele auf EU-Ebene
dienen sollen. Ein Schwerpunkt ist zu verstehen als „ein kohärentes Bündel von Maßnahmen, die spezifische Zielsetzungen haben, welche sich direkt aus ihrer Umgebung
ergeben und zu einem oder mehreren der … Ziele beitragen.“ (EU-Rat 2005 Artikel 2
Abs. c).
Die drei thematischen Schwerpunkte sind:
1.
Verbesserung der Wettbewerbsfähigkeit der Land- und Forstwirtschaft;
2.
Verbesserung der Umwelt und der Landschaft;
3.
Lebensqualität im ländlichen Raum und Diversifizierung der ländlichen Wirtschaft.
Der methodische Schwerpunkt 4 heißt LEADER (Liaison entre actions de développement
de l'économie rurale) und umfasst ein Bottom-up Prinzip, mit dem die ländliche Bevölkerung aktiv an der Erreichung der Ziele der drei thematischen Schwerpunkte beteiligt werden soll. Dabei kann sie eigene Ideen und damit genau die Bedürfnisse ihrer Region einbringen.
Unter Schwerpunkt 1 (Steigerung der Wettbewerbsfähigkeit der Landwirtschaft und der
Forstwirtschaft durch Förderung der Umstrukturierung der Entwicklung und der Innovation) fallen die Maßnahmen zur Umstrukturierung und Weiterentwicklung des Sachkapitals
und zur Innovationsförderung. Die Maßnahme „Modernisierung landwirtschaftlicher Betriebe“ wird durch die Agrarinvestitionsförderung umgesetzt. Nach ELER-Verordnung
Absatz 13 und 21 soll das Agrarinvestitionsförderungsprogramm (AFP) zur Erreichung
verschiedener Ziele dienen: Durch die Modernisierung der Betriebe soll die wirtschaftliche Leistung dieser gesteigert werden. Zum Beispiel können Produktionsfaktoren durch
die Einführung neuer Technologien besser eingesetzt werden. Außerdem sollen durch die
Modernisierung Umweltschutz, Sicherheit am Arbeitsplatz, Hygiene und Tierschutz verbessert werden (EU-Rat 2005).
Kapitel 2
8
Für die Umsetzung der Maßnahmen stehen EU-weit für die Zeit von 2007 bis 2013 ca.
3
90 Mrd . Euro an EU-Mitteln als Komplementärmittel zur Kofinanzierung zur Verfügung
(EU-Rat 2005).
Auf Basis der ELER-Verordnung und anderer Rahmenbedingungen, wie zum Beispiel
Gemeinschaftspolitiken, entwickelten und entwickeln die Mitgliedstaaten ihren nationalen Strategieplan, der jeweils die Ziele und Strategien für den Mitgliedsstaat darlegt. Das
BMELV schreibt im nationalen Strategieplan (Fassung 2011), dass durch die Förderung
von Investitionen die betriebliche Effizienz und die Wertschöpfung erhöht, Rationalisierung und Senkung der Produktionskosten ermöglicht, die Arbeits- und Produktionsbedingungen und somit auch der Tier- und Umweltschutz verbessert werden sollen. Daneben
wird auch die Diversifizierung (z.B. Pensionspferdehaltung, Direktvermarktung) gefördert, um neue Einkommensquellen zu erschließen und Arbeitsplätze zu schaffen und zu
sichern. Mit diesen Förderungen werden die Ziele der Lissabon- und Göteborg-Strategie
4
verfolgt und es wird dem verstärkten Druck auf den Milchsektor auf Grund der Erhöhung
bzw. des Auslaufens der Milchquote 2015, beschlossen durch den Health Check 2008,
Rechnung getragen. Außerdem ist die Agrarinvestitionsförderung vielfach eine Voraussetzung für Wachstums- und Modernisierungsschritte in der Landwirtschaft, weil diese
durch eine relativ hohe Kapitalintensität im Vergleich zu anderen Sektoren des produzierenden Gewerbes gekennzeichnet ist (BMELV 2011 S. 41). Ob die Förderung von Investitionen notwendig ist, um die angestrebten Ziele zu erreichen, wird im nationalen Strategieplan nicht diskutiert. Es ist nicht ersichtlich, ob Investitionsdefizite vorliegen oder es
zu starken Kreditklemmen in der Landwirtschaft gekommen ist.
In Deutschland erarbeiten die Bundesländer Entwicklungsprogramme, die bestimmte
Maßnahmen und deren Ausgestaltung für den ländlichen Raum umfassen. Je nach dem,
welche Anforderungen die Maßnahmen erfüllen, werden sie aus unterschiedlichen Fonds
3
4
Ohne Inflationsausgleich und Modulation
Die Lissabon-Strategie ist eine lang angelegte Wirtschaftsstrategie der EU-Mitgliedstaaten. Sie wurde
2000 von den Staats- und Regierungschefs beschlossen und hat ihren Fokus seit der Neuausrichtung
2005 auf der Förderung von Wachstum und Beschäftigung (BMWFJ 2012). Seit dem Gipfel der EU
Staats- und Regierungschefs in Göteborg wurde die Dimension Umwelt, mit dem Schwerpunkt einer
nachhaltigen Entwicklung, mit in die Lissabon-Strategie mit aufgenommen (europe direct 2012).
Kapitel 2
9
(ELER, GAK) finanziert. Die so entwickelten Programme der Länder und der nationale
Strategieplan müssen von der EU-Kommission genehmigt bzw. notifiziert werden (Weber, 2010).
Im Entwicklungsplan von Niedersachsen und Bremen für die Förderperiode 2007-2013
„PROFIL – Programm zur Förderung im ländlichen Raum“ wird das AFP als „zentrale
Maßnahme zur Modernisierung und Weiterentwicklung der landwirtschaftlichen Betriebe“ hervorgehoben (MRELV 2006 S. 129). Es wird begründet, dass die Betriebe ohne die
Maßnahme nicht erfolgreich auf stärker liberalisierten Agrarmärkten bestehen könnten
und technische Fortschritte im Bereich Umwelt und Tierschutz nicht in der Geschwindigkeit übernommen würden, die gesellschaftlich erwünscht sei. Die Verbesserung der Produktivität, Rentabilität, Arbeits- und Produktionsbedingungen seien Voraussetzungen zur
Steigerung der betrieblichen Gesamtleistung. Auch die Erfüllung von Anforderungen des
Umweltschutzes und die Erhaltung natürlicher Ressourcen solle so geleistet werden. Zudem könne die ländliche Wirtschaft durch die Impulswirkung von Investitionen gestärkt
werden. Bei den Investitionen sollen vor allem Stallbauten im Milchviehbereich gefördert
werden, um so nachhaltige und wettbewerbsfähige Arbeitsplätze zu fördern (MRELV
2006).
Das Ministerium für Landwirtschaft, Umwelt und ländliche Räume des Landes Schleswig-Holsteins führt in seinem Entwicklungsplan für die Periode von 2007 bis 2013
„ZPLR – Entwicklungsprogramm für den ländlichen Raum des Landes SchleswigHolstein“ ähnliche Gründe für die Notwendigkeit des AFP an. Der unverminderte Strukturwandel in der Landwirtschaft, der mit einem deutlichen Rückgang der Betriebzahlen
und der Erwerbstätigenzahlen einhergehe, und Defizite gegenüber den europäischen Mitbewerbern sollen u.a. durch das AFP abgeschwächt werden. Auch international weise
Schleswig-Holstein strukturelle Defizite und, im Vergleich zu Neuseeland, Australien
und Argentinien, hohe Produktionskosten auf. Dies fordere eine Verbesserung der Effizienz der Produktionsstrukturen und die betriebliche Weiterentwicklung. Auf Grund der
zunehmenden Liberalisierung und Globalisierung des Agrarmarktes übe auch die gemeinsame Agrarpolitik (GAP) Druck auf den landwirtschaftlichen Sektor aus. Mit Hilfe der
Investitionsförderung sollen bauliche und technische Verbesserungen erreicht werden.
Diese sollen zu einer Verbesserung der Wettbewerbsfähigkeit mittels der Erhöhung der
Kapitel 2
10
Effizienz und der Wertschöpfung, durch Rationalisierung und Senkung der Produktionskosten führen. Daneben sollen mit den Investitionen auch die Arbeits- und Produktionsbedingungen verbessert und Neuerungen im Bereich des Tier- und Umweltschutzes umgesetzt werden. Besonders der Milchviehsektor solle mittels Stallbauten von der Maßnahme profitieren (MLUR 2006).
2.3 Vergleich der Investitionsförderung in Niedersachsen und Schleswig-Holstein zwischen 2000 und 2010
Die Investitionsförderung hat in Niedersachsen bis heute und hatte in Schleswig-Holstein
bis 2006 einen hohen Stellenwert.
In der Förderperiode von 2000 bis 2006 wurden 18,43 % (105,54 Mio. Euro) der öffentlichen Ausgaben für die Maßnahme der Investitionsförderung in Schleswig-Holstein eingeplant (MLUR 2007). In Niedersachsen waren es 21,94 % (256,13 Mio. Euro) (MRELV
2006). In Niedersachsen wurden von 2000 bis 2006 6.138 Förderfälle mit einem Investitionsvolumen von insgesamt 927,69 Mio. Euro bewilligt. In Schleswig-Holstein waren es
1.513 Förderfälle und 264,92 Mio. Euro Investitionsvolumen (GAK-Daten).
Nachfolgend wird die Entwicklung des AFP in Niedersachsen und Schleswig-Holstein
5
hinsichtlich der Förderung von Milchviehbetrieben vergleichend dargestellt . Der Fokus
liegt dabei auf großen Investitionen, weil angenommen wird, dass von kleinen Investitionen keine Initialwirkung ausgeht (u.a. Forstner et al. 2005). Im Jahr 2000 waren die
Grundvoraussetzungen in beiden Ländern ähnlich. Gefördert wurden und werden „Investitionen, die zur Modernisierung landwirtschaftlicher Betriebe, zur Weiterentwicklung des
Sachkapitals und zur Innovationsförderung von landwirtschaftlichen Betrieben führen und
damit die Wettbewerbsfähigkeit erhöhen, insbesondere Errichtung, Erwerb oder Modernisierung von unbeweglichem Vermögen einschließlich der Erschließung, sowie Kauf von
Maschinen und Anlagen der Innenwirtschaft einschließlich der für den Produktionspro-
5
Die Tatsache, dass ein Teil Niedersachsens als Konvergenzgebiet eingestuft wurde und somit eine
besondere Förderung erhält, wird hier außer Acht gelassen, weil dieser Teil Niedersachsens nicht mit
in die Analyse eingeht.
Kapitel 2
11
zess notwendigen Computersoftware, bis zum marktüblichen Wert des Wirtschaftsgutes,
innerhalb der NRR (Ziffer 4.1.2.1).“ (MRELV 2006 S. 219). Die Referenzmenge an
Milchquote, die anlässlich der geplanten Investition benötigt wird, musste nachgewiesen
6
werden. Die Prosperitätsgrenze von 150.000 DM pro Ehepaar musste eingehalten und die
Höchstförderung konnte nur einmal in der Förderperiode in Anspruch genommen werden.
Zudem musste vor der Beantragung zwei Jahre Buch geführt und die Buchführung danach
noch 10 Jahre fortgeführt werden (MLUR 2000, MRELV 2000).
Tabelle 2-1:
Ausgestaltung AFP 2000
Niedersachsen
Schleswig-Holstein
50.000
2,5 Mio.
50.000
1,5 Mio.
5,0
3,5
max. 42.000
10 %, max. 60.000
Investitionsvolumen
min
max
DM
DM
Zinsverbilligung
%
Zuschuss
DM
Quelle: MLUR, MRELV verschiedene Jahrgänge
Gefördert wurden Investitionen mit einem Investitionsvolumen von mindestens 50.000
DM (vgl. Tabelle 2-1). In Niedersachsen betrug die Höchstgrenze des förderfähigen Investitionsvolumens 2,5 Mio. DM und in Schleswig-Holstein 1,5 Mio. und nur in Ausnahmefällen 2,5 Mio. DM, daneben galten in Schleswig-Holstein Beschränkungen bei
Neubauvorhaben im Rindviehbereich. Das heißt, es wurde die Höchstgrenze des förderfähigen Investitionsvolumens nach DM/Platz bzw. Bucht berechnet. In beiden Ländern wurden Investitionen mit einer Darlehenssumme von mindestens 200.000 DM durch eine
Zinsverbilligung gefördert. Diese betrug in Niedersachsen 5 % und wurde als einmaliger
Zuschuss ausgezahlt. In Schleswig-Holstein dagegen waren es nur 3,5 %, die zeitanteilig
ausgezahlt wurden. Hier konnte aber neben der Zinsverbilligung auch ein Zuschuss von
10 % des förderfähigen Investitionsvolumens, der maximal 60.000 DM betrug, bewilligt
6
„Die Summe der positiven Einkünfte (Prosperitätsgrenze) der Inhaberin oder des Inhabers einschließlich Ehegatten darf zum Zeitpunkt der Antragstellung im Durchschnitt der letzten drei vorliegenden
Kapitel 2
12
werden. In Niedersachsen gab es einen zusätzlichen Zuschuss von maximal 42.000 DM
für die Kosten der Erschließung.
Nachfolgend wird nur auf die Veränderungen der Agrarinvestitionsförderung eingegangen, die für diese Arbeit relevant sind (Tabelle 2-2):
Tabelle 2-2:
Veränderungen des AFP in Niedersachsen und Schleswig-Holstein
(2000-2006)
Niedersachsen
2001
Die Förderung darf maximal 40 % des
förderfähigen Investitionsvolumens betragen.
Zuschuss für die Rinder- und Schweinehaltung
von 10.000 DM.
2002
Investitionsvolumen: mindestens 50.000 €,
maximal 1,25 Mio. €
Zuschuss zur Kosten der Erschließung: max.
21.000 €.
Zuschuss für die Erfüllung besonderer
Anforderungen: 10 %, max. 30.000 €.
Schleswig-Holstein
Investitionsvolumen: mindestens 25.000 €, maximal 750.000 €,
die besondere Berechnung bei Neubauten im Rindviehbereich
bleibt bestehen.
Die Förderung darf maximal 40 % des förderfähigen
Investitionsvolumens betragen.
Zuschuss für die Erfüllung besonderer Anforderungen: 10 %,
max. 30.000 €. Ab einem Investitionsvolumen von 100.000 €.
Zuschuss für die Rinder- und Schweinehaltung
wurde abgeschafft.
2003
Das Mindestinvestitionsvolumen wurde auf 10.000 € abgesenkt.
Die Untergrenze für den Zuschuss für die Erfüllung besonderer
Anforderungen auf 50.000. € abgesenkt.
2005
Es wurde eine Priorität für Bewilligung von
Investitionen im Rindviehbereich ausgesprochen.
Investitionsvolumen: mindestens 50.000 €, maximal 1,25 Mio.
€. Die Besonderheiten bei Neubauvorhaben wurden abgeschafft.
Die Zinsverbilligung wurde auf 2,5 % abgesenkt.
Zuschuss für Verbesserung der Umweltbedingungen in der
Produktion: 5 %, max. 30.000 €.
Es wurde der Zusatz eingeführt, dass die Förderung verringert
werden kann, wenn die Haushaltsmittel nicht reichen.
Zusammenfassend für die Förderperiode 2000-2006 ist festzustellen, dass:
–
Niedersachsen fast dauerhaft ein höheres oder gleich hohes maximal förderfähiges
Investitionsvolumen aufgewiesen hat,
–
Niedersachsen eine höhere Zinsverbilligung anboten hat,
Steuerbescheide 150.000 DM je Jahre nicht überschritten haben (MLUR 2000).
Kapitel 2
13
–
Niedersachsen in der Periode mehr Zuschüsse gebilligt hat,
–
in Schleswig-Holstein die Förderbedingungen auf Grund der vorgegebenen Eigenleistung und der Begrenzung des förderfähigen Investitionsvolumens bei Neubauvorhaben in der Rindviehhaltung weniger günstig waren.
Im Jahr 2007 hat die neue Förderperiode begonnen und die Länderprogramme ZPLR
(Entwicklungsprogramm für den ländlichen Raum des Landes Schleswig-Holstein
(Deutschland) für den Programmplanungszeitraum 2007-2013) und PROFIL (Programm
zur Förderung im ländlichen Raum – Niedersachsen und Bremen 2007-2013) sind in
Kraft getreten.
In dieser Förderperiode dominiert der Schwerpunkt 1 in beiden Ländern hinsichtlich der
Verteilung der öffentlichen Mittel (Tabelle 2-3).
Tabelle 2-3:
Verteilung der in den Entwicklungsprogrammen vorgesehenen öffentlichen Mittel auf die Schwerpunkte
Schwerpunkt 1
Schwerpunkt 2
Schwerpunkt 3
Schwerpunkt 4
Technische
Hilfe
Summe
Mio. Euro
NI und Bremen
SH
53,1
35,2
23,0
18,9
18,6
32,9
4,3
12,7
1,0
0,3
2.324,84
849,58
Deutschland
30,6
40,6
22,8
4,9
1,1
17.861,16
Quelle: BMELV 2011 Stand: 10.12.2010
2007 haben beide Länder ihre Förderprogramme vereinfacht. Die Buchführungspflicht
nach der Investition wurde in Niedersachsen auf fünf Jahre und in Schleswig-Holstein auf
sieben Jahre reduziert. In beiden Ländern existiert nur noch eine Förderung für alle Investitionen und es wird nicht mehr zwischen großen und kleinen Investitionen unterschieden.
Kapitel 2
Tabelle 2-4:
14
Ausgestaltung des AFP 2007
Nieder sachsen
Sc hleswig-H olstein
30.000
1,5 M io.
175.000
500.000
25 % des förderfä higen Inve stitionsvolumens
zur Ve rbesserung der We ttbe werbsfä higkeit
fest: 25.000 bzw. 30.000 Euro
Inve stitionsvolumen
min €
max €
Zuschüsse
10.500 Euro für die Betreuung
30 % des förderfä higen Inve stitionsvolumens
für die Erfüllung besonderer Aufgabe n
Umso bedeutender sind die Grenzen des förderfähigen Investitionsvolumens. In Niedersachsen liegen sie bei mindestens 30.000 Euro und maximal 1,5 Mio. Euro (Tabelle 2-4).
In Schleswig-Holstein hingegen werden nur Investitionen mit einem Volumen von mindestens 175.000 Euro und maximal 500.000 Euro gefördert. Der Nachweis der Referenzmenge blieb in beiden Ländern bestehen. In Schleswig-Holstein bestand die Förderung
2007 aus einem festen Zuschuss von 25.000 Euro bzw. 30.000 Euro auf Halligen und Inseln ohne Straßenanbindung. Niedersachsen hingegen fördert bis heute über drei Zuschüsse: Erstens für die Verbesserung der Wettbewerbsfähigkeit in Höhe von 25 % des förderfähigen Investitionsvolumens. Zweitens für die Betreuung mit maximal 10.500 Euro.
Drittens der Zuschuss für die Erfüllung besonderer Aufgaben zum Beispiel im Bereich
des Tierschutzes. Letztgenannter Zuschuss kann maximal 30 % des förderfähigen Investitionsvolumens betragen.
Im Jahr 2009 wurde in Reaktion auf den Health Check und das damit beschlossene Auslaufen der Quote der Nachweis der Referenzmenge für Milchviehbetriebe in beiden Ländern abgeschafft. Schleswig-Holstein hat in dem Jahr zudem eine besondere Förderung
für Milchviehbetriebe, das Milchinvestitionsförderprogramm (MFP), beschlossen. Das
AFP wurde für Investitionen im Nicht-Milchviehbereich weiter beibehalten. Mit dem
MFP konnten Investitionen von mindestens 120.000 bis maximal 600.000 Euro Investitionsvolumen gefördert werden. Der feste Zuschuss betrug 30.000 Euro und auf Halligen
und Inseln ohne Straßenanbindung 35.000 Euro. Seit Februar 2010 gilt auf Grund der
Kapitel 2
15
Haushaltslage ein Antragsstopp für das AFP, MFP und das Biomasseförderprogramm in
Schleswig-Holstein (MLUR 2010). In Niedersachsen wird weiterhin gefördert.
Bis 2009 wurden folgende Zahlen von Niedersachsen/Bremen und Schleswig-Holstein bei
der Umsetzung des AFP erreicht:
Tabelle 2-5:
AFP-Realisierung in Niedersachsen und Bremen und Schleswig-Holstein
von 2007 bis 2009
NI + Bremen
Kriterium
Förderfälle
Förderbares Investitionsvolumen insg.
Öffentliche Mittel (ö. M.)
Anteil der ö. M. am förderbaren
Investitionsvolumen insg.
in Stück
Mio. €
Mio. €
%
Schleswig-Holstein
bis 2009
% des Planziels
bis 2009
% des Planziels
2,030
611.6
160.3
26.2
44.5
44.4
59.8
430
125.7
5.0
4.0
91.5
94.8
39.1
Quelle: Ebers und Forstner 2010a+b S. 18/20
Zusammenfassend für die Zeit ab 2007 ist festzustellen, dass:
–
Niedersachsen mit einem viel höheren Zuschuss fördert und förderte als SchleswigHolstein. Bei der Förderung durch das MFP mit einem Zuschuss von 30.000 Euro betrug der Förderprozentsatz je nach Investitionsvolumen (120.000 Euro bis 600.000
Euro) zwischen 25 % und 5 % in Schleswig-Holstein. In Niedersachsen kann für die
Verbesserung der Wettbewerbsfähigkeit ein Zuschuss von 25 % gewährt werden, was
beim maximal förderfähigen Investitionsvolumen 375.000 Euro entspricht.
–
seit 2010 die Agrarinvestitionsförderung in Schleswig-Holstein ausgesetzt ist.
–
im Vergleich zu der vorangegangenen Förderperiode sich die Förderung seit 2007
zwischen den Ländern sehr stark unterscheidet. Zwischen 2000-2006 war sie relativ
ähnlich.
Kapitel 3
3
Theorie
16
Theorie
Wichtig für die spätere Bewertung des AFP ist es, die Frage beantworten zu können, warum die Förderung von Investitionen zu einer Steigerung der Effizienz beitragen soll. Dazu werden in diesem Kapitel die begrifflichen Grundlagen erläutert und danach der ökonomisch-theoretische Hintergrund dieser Aussage geklärt. Schließlich ist die Regionsbestimmung ein wichtiges Thema, welches in Kapitel 3.3 kurz dargestellt wird, um im Folgenden die Auswahl der Regionen für die Analyse begründen zu können.
3.1 Was ist Effizienz?
Die wichtigsten etablierten Verfahren zur Messung von Effizienz nach Farrell (1957) ha7
ben unter anderem gemein, dass sie sich auf die Produktionsfunktion beziehen. Damit ist
die Frontierproduktionsfunktion, auch als best-practice-Produktionsfunktion oder Grenzproduktionsfunktion bezeichnet, gemeint. Diese muss von der Durchschnittsproduktionsfunktion und von der optimalen Produktionsfunktion unterschieden werden. Die Durchschnittsproduktionsfunktion gibt die durchschnittliche Input-Output-Transformation wieder (Abbildung 3-1). Sie kann als Regression durch die Produktionspunkte mit der
Kleinstquadratschätzung bestimmt werden. Die Residuen können positiv und negativ
sein. Die Frontierproduktionsfunktion wird durch die maximal beobachtete(n) InputOutput-Transformation(en) bestimmt. D.h. nur die effizienteste(n) beobachtete(n) Einheit(en) liegen auf dieser Produktionsfunktion. Die Produktionspunkte aller anderen Einheiten liegen unterhalb der Funktion. Die Residuen sind immer negativ. Theoretisch kann
davon ausgegangen werden, dass auch die Betriebe auf der Frontierfunktion eventuell
nicht den maximalen Output mit ihren Inputfaktoren erreichen. Folglich könnte also eine
Produktionsfunktion oberhalb der Frontierproduktionsfunktion existieren. Diese wird als
optimale Produktionsfunktion bezeichnet. Sie hat aber für die empirische Forschung wenig Bedeutung, weil sie nicht bestimmt werden kann. Die Effizienz (genauer die technische Effizienz) eines Betriebes wird immer relativ zur Frontierproduktionsfunktion bestimmt.
Kapitel 3
Theorie
Abbildung 3-1:
Output
17
Durchschnittsproduktionsfunktion, Frontierproduktionsfunktion, optimale Produktionsfunktion
optimale
Produktionsfunktion
Frontierproduktionsfunktion
Durchschnittsproduktionsfunktion
Input
Quelle:
Eigene Darstellung (Anmerkung: Die schwarzen Punkte entsprechen den Produktionspunkten der
Betriebe.)
Die Begriffe Produktivität und Effizienz werden oft austauschbar bzw. im selben Zusammenhang verwendet. Z.B. wenn die Wettbewerbsfähigkeit von Betrieben gesteigert werden soll, wird von Effizienzsteigerung und Produktivitätssteigerung gesprochen. Intuitiv
stellen die Wörter den gleichen Effekt dar. Dabei besteht ein entscheidender Unterschied
zwischen der Produktivität und der Effizienz eines Betriebes. Ein Betrieb kann effizient
wirtschaften und trotzdem noch Potential haben, um seine Produktivität zu steigern.
7
Oder auf Abwandlungen der Produktionsfunktion ,wie die Isoquante oder die Produktionsmöglichkeitenkurve.
Kapitel 3
Theorie
18
8
Produktivität beschreibt das Verhältnis von Output zu Input . Die maximale mögliche
Produktivität hängt von den Grenzerträgen bzw. der Skalenelastizität (bei der Betrachtung
aller bzw. mehrerer Inputfaktoren simultan) der Produktionsfunktion ab. Die klassische
Produktionsfunktion weist im Ein-Output-Ein-Input-Fall erst steigende Grenzerträge und
später abnehmende Grenzerträge auf. Das Verhältnis von Output zu Input wird durch die
Steigung der Geraden vom Ursprung durch den Produktionspunkt des Betriebes wiedergegeben. Je steiler die Gerade verläuft, desto produktiver arbeitet der Betrieb. Die größtmögliche Produktivität ist dann erreicht, wenn die Gerade so steil verläuft, dass sie die
Produktionsfunktion tangiert. Wenn die Steigung der Geraden (entspricht der Produktivität) also gleich der Steigung der Produktionsfunktion in einem Punkt (entspricht dem
Grenzertrag) ist, ist der Punkt der maximal möglichen Produktivität erreicht. Bei der klassischen Produktionsfunktion wird die maximal mögliche Produktivität nur an einem
Punkt der Produktionsfunktion erreicht (Abbildung 3-2). Die Skaleneffizienz gibt an, wie
stark die Produktivität noch gesteigert werden könnte, wenn im Optimum produziert würde (vgl. Tiedemann und Latacz-Lohmann 2011).
8
Auf das Problem der Aggregation von verschiedenen Inputs und Outputs, um z.B. die totale Produktivität zu berechnen, wird hier nicht eingegangen.
Kapitel 3
Theorie
Abbildung 3-2:
19
Frontierfunktion, Produktivität und technische Effizienz
Output
Punkt der maximalen
Produktivität
ineffizienter
Punkt
effizienter Punkt
Quelle: Eigene Darstellung
Das Maß der Effizienz vergleicht immer beobachtete Werte mit den im Optimalfall möglichen Werten. Sie nimmt Werte zwischen Null und Eins an (1 = effizient,
<1 = ineffizient) (vgl. Mußhoff et al. 2009). Der Begriff der Effizienz kann in drei Bereiche unterteilt werden: Die Technische Effizienz, die Allokative Effizienz (sie bilden zusammen die ökonomische Effizienz) und die Markteffizienz. Technische Effizienz drückt
aus, in wie weit ein Betrieb mit einem festen Bündel an Inputfaktoren und gegebener
Technologie (beschreibt die Input-Output-Transformation) den maximal möglichen Out-
Kapitel 3
Theorie
20
9
put realisiert . Ein Betrieb ist dann technisch effizient, wenn er einen Produktionspunkt
auf der Frontierproduktionsfunktion realisiert (vgl. Abbildung 3-2). Dieser Produktionspunkt muss nicht zwangsläufig der Punkt der maximal möglichen Produktivität sein. Allokative Effizienz beschreibt, ob ein preisnehmender Betrieb die optimale Outputkombination produziert bzw. die Inputfaktoren im optimalen Verhältnis einsetzt. Im Fall von
zwei Outputs und einem Input und konstanten Skalenträgen kann die Produktionsmöglichkeitenkurve (ergibt sich aus den möglichen Outputkombinationen bei gegebenem
Input) und die Isoerlösgerade (ergibt sich aus dem möglichen Erlös bei gegebenen Preisen, ihre Steigung entspricht der Produktpreisrelation) graphisch und rechnerisch einfach
bestimmt werden. Jede Outputkombination auf der Produktionsmöglichkeitenkurve ist
technisch effizient. Doch der maximale Erlös wird nur in einem Punkt der Produktionsmöglichkeitenkurve erreicht. In diesem Punkt gilt, dass die Steigung der Produktionsmöglichkeitenkurve (entspricht der marginalen Transformationsrate) gleich der Steigung
der Isoerlösgerade (entspricht dem realen Preisverhältnis) ist. Es erfolgt so eine Anpassung an die, durch die Preise wiedergegebenen, Knappheitsverhältnisse auf dem Markt.
Ebenso kann die allokative Effizienz auf der Inputseite ermittelt werden. Hierzu wird die
Isoquante und die Isokostengerade benötigt (vgl. Brümmer und Loy 1997). Die ökonomische Effizienz ergibt sich aus dem Produkt von technischer Effizienz und allokativer Effizienz (Murillo-Zamorane 2004). Markteffizienz ist eine notwendige Bedingung für ökonomische Effizienz (Loy 1995). Bei der Markteffizienz geht es darum, wie schnell Ungleichgewichte im Markt durch Anpassungsreaktionen abgebaut werden. Absolut effizient
ist die Utopie eines vollkommenen Marktes. Das heißt: Es gibt keine räumlich und zeitliche Differenzierung. Es liegen homogene Güter vor. Es gibt keine individuellen Präferenzen. Es herrscht vollständige Information und freier Marktzugang. Der Markt gestaltet
sich als Polypol (vgl. Loy 1995).
9
Dies ist die outputorientierte Betrachtungsweise. Die inputorientierte Betrachtungsweise würde die
Frage stellen, ob der gegebene Output mit dem minimalsten Einsatz von Inputs erreicht worden ist.
Vgl. hierzu u.a. Coelli et al 2005, Bielecki 2011, Canter et al 2007 (hier als Maximum- und Minimum-Prinzip benannt). In dieser Arbeit wird weitergehend immer nur die outputorientierte Betrachtung beschrieben, da die gewählte Methode (Stochastische Frontier Analyse) outputorientiert arbeitet
und betriebswirtschaftlich meistens eine Steigung des Outputs mit gegebenem Input erwünscht ist und
keine Reduzierung des Inputs bei konstantem Output. Tiedemann und Latacz-Lohmann (2011) führen
an, dass Familienarbeitskräfte und Boden zumindest kurzfristig fix sind und somit ein möglichst optimaler Einsatz anzustreben ist (vgl. auch Breustedt et al. 2006).
Kapitel 3
Theorie
21
Die technische Effizienz wird in der Analyse dieser Arbeit betrachtet. Die Markteffizienz
wird nicht betrachtet, weil es nicht in der Macht des einzelnen Betriebsleiters liegt, diese
zu erhöhen. Ebenso wenig hat das AFP das Ziel, diese zu steigern. Es sei denn, es würde
ein Marktversagen vorliegen, z.B. dass die Betriebe nur unzureichenden Zugang zu Kapital bzw. Krediten hätten. Ein Marktversagen wird aber in den politisch-rechtlichen
Grundlagen für das AFP nicht als Problem angegeben. Die allokative Effizienz auf Outputseite kann auf Grund der Methodik nicht betrachtet werden, weil die Produktionsfunktion nur einen Output (dieser kann agglomerativ sein) zulässt, allokative Effizienz aber
nur bei der Betrachtung von mindestens zwei Outputs bestimmt werden kann. Allokative
Effizienz auf der Inputseite wird nicht betrachtet, da einzelbetriebliche Preise für die Faktoren und damit zum Teil Schattenpreise ermittelt werden müssten und dies nicht in einer
adäquaten Weise möglich ist. Wenn in die Produktionsfunktion (bei der stochastischen
Frontieranalyse) monetäre Größen, wie z.B. die Vorleistungen mit einfließen, muss somit
davon ausgegangen werden, dass die Betriebe ihre Kosten erfolgreich minimieren. Sonst
würde in der technischen Effizienz auch allokative Effizienz mit erfasst und die Annahme
von gewinnmaximierendem Verhalten verletzt. Auch bei einem agglomerativem monetären Output muss davon ausgegangen werden, dass der Betrieb diesen erlösmaximierend
verwendet hat. Zudem kann die allokative Effizienz auf Input- und Outputseite eines Betriebes nur durch die Änderung der Faktor- bzw. Outputrelation verändert werden. Für
Milchviehbetriebe kann es aber wirtschaftlich auf Grund von Anpassungskosten nicht
sinnvoll oder praktisch gar nicht durchführbar sein, sofort auf Preisänderungen zu reagieren.
Weitere Beschreibungen der Effizienzen und der Produktivität finden sich unter anderem
bei Coelli et al (2005) und Brümmer (1996). Brümmer (1996) beschreibt auch weitere
Überlegungen zu den Gründen für die Messung der technischen und nicht der allokativen
Effizienz.
Nach der Entscheidung, die Betriebe anhand der technischen Effizienz zu differenzieren,
stellt sich die Frage: Aus welchen Gründen kann sich die beobachtete technische Effizienz
der Betriebe unterscheiden? Ein Grund ist statistisches Rauschen. Das heißt, es wurden
wichtige Inputvariablen nicht mit berücksichtigt, die Funktionsform wurde falsch gewählt, es liegen Messfehler oder Zufallseinflüsse vor und die Beobachtungen können des-
Kapitel 3
Theorie
22
halb nicht vollständig erklärt werden. Eventuell können auch andere Einflüsse, die nicht
als Inputvariablen abgebildet werden können, dieses Rauschen verursachen, wie z.B. Managementfehler, Qualität der Arbeit, die genauen Wetterverhältnisse, Wettbewerbsvorteile durch Beziehungen des Betriebsleiters etc. Sollten alle Inputfaktoren genau bestimmt
und quantifiziert werden können, keine Messfehler vorliegen und die Funktionsform richtig spezifiziert worden sein, müssten alle Betriebe eine technische Effizienz von 1 aufweisen. Dabei wird davon ausgegangen, dass für alle Betriebe die gleiche Produktionsfunktion gilt: Sie haben also alle Zugang zur gleichen Technologie und sind in allen anderen Faktoren, die nicht in der Funktion berücksichtigt worden sind, gleich. Das heißt
nicht, dass sie alle mit der gleichen Technologie arbeiten (vgl. Kapitel 3.2). Daraus folgt,
dass ein Teil der Ineffizienz daraus erklärt werden kann, dass die Betriebe mit einer älteren bzw. anderen Technologie arbeiten. Das ist der Punkt, an dem das AFP ansetzt.
3.2 Ökonomisch-theoretischer Hintergrund des AFP
„Technology is the saving force for all economies everywhere.“ (Edwards 2007 S. 217)
Investitionen sind der entscheidende Träger für die Verbreitung von Innovationen. Ein
wichtiger Effekt der Investitionsförderung sollte sein, dass die Betriebe mittels größerer
bzw. vermehrter Investitionen besser am technischen Fortschritt partizipieren können. Die
Anschaffung neuer Technologien ist oft relativ teuer und durch die Vergünstigung von
Kapital können die geförderten Betriebe diese Investitionen eher tätigen. Mit der Förderung können Innovationshemmnisse leichter überwunden werden (Maier und Tödtling
1996). Auch könnte der zeitliche Abstand zwischen den Investitionen eines Betriebes so
gesenkt werden.
Edwards schreibt: „The frequence of investment … effects the dispersion of technology.“
(2007 S. 217)
Warum ist die Verbreitung von Innovationen so entscheidend? Schon die Neoklassische
Wachstumstheorie von Solow, im Jahr 1956 entwickelt, sieht die einzige Möglichkeit
eines Unternehmens zu langfristigem Wachstum durch das Vorhandensein von technischem Fortschritt. Nur auf Grund technischen Fortschritts kann die Produktionsfunktion
Kapitel 3
Theorie
23
nach oben gedreht werden, so dass mit gleichem Input mehr Output generiert werden
kann (Abbildung 3-3) (vgl. Edwards 2007).
Abbildung 3-3:
Auswirkungen des technischen Fortschritts auf die Produktionsfunktion
Output
Produktionsfunktion 2
technischer
Fortschritt
alle anderen
Inputfaktoren
sind konstant
Input 1
Auch in den meisten endogenen Wachstumstheorien hängt die Produktionsfunktion u. a.
von der Technologie bzw. den Innovationen ab.
Innovationen können neue Produkte betreffen oder neue Verfahren (Maier und Tödtling
1996). Neue Produkte sind für die Produktion der Milchviehbetriebe nicht von entscheidender Bedeutung, weil z. B. die Züchtung von Rindern über einen sehr langen Zeitraum
hinweg geschieht. Neue Verfahren sind hingegen von Bedeutung. Infolge der Einführung
neuer Verfahren könnte die Produktivität erhöht, die Produktqualität und/oder die Arbeits- und Umweltbedingungen verbessert werden. In den politischen Schriften wird als
Ziel des AFP genannt, dass durch die Umsetzung neuester Technologien in den Betrieben
und die damit eventuell verbundene Ausweitung der Produktion, den Milchviehbetrieben
Kapitel 3
Theorie
24
einen Wettbewerbsvorteil über die Steigerung ihrer Produktivität und Effizienz verschafft
werden soll. Hier wird meist implizit vom nicht-neutralem technischen Fortschritt nach
Hicks (1904-1989) ausgegangen. Der technischen Fortschritt soll das Einsatzverhältnis
von Arbeit zu Kapital verringern. Es handelt sich also um arbeitssparenden technischen
10
Fortschritt .
Abbildung 3-4:
Output
Auswirkung des technischen Fortschritts auf die technische Effizienz
und Produktivität eines Betriebes
Frontierfunktion
technischer
Fortschritt
alle anderen
Inputfaktoren
sind konstant
Input 1
Quelle:
Eigene Darstellung (Anmerkung: Die grünen Punkte stellen die Produktionspunkte des betrachteten Betriebes vor und nach der Einführung des technischen Fortschrittes dar. Die schwarzen
Punkte stellen die Produktionspunkte der Referenzbetriebe dar.)
Die Umsetzung von Innovationen und der damit verbundenen Drehung der betriebsindividuellen Produktionsfunktion führt zu einer Steigerung der Produktivität des Betriebes,
dargestellt durch die geraden Linien vom Ursprung, und zu einer Verringerung der Ineffi-
10
Bei neutralem technischen Fortschritt ändert sich das Einsatzverhältnis von Arbeit und Kapital in der
Produktion nicht.
Kapitel 3
Theorie
25
zienz, dargestellt anhand der vertikalen Linien zwischen den verschiedenen Produktionsfunktionen und der Frontierfunktion (Abbildung 3-4). Die Frontierfunktion der beobachteten Gruppe bleibt unverändert. Sollte der Betrieb vor der Einführung der Innovation
schon effizient sein, verschiebt er infolge der Einführung der Innovation die Frontierfunktion nach oben. Er erlangt somit kurzfristig einen Wettbewerbsvorsprung bzw. eventuell
eine Monopolstellung. Dieser Vorsprung ist wegen der Anpassung von anderen Unternehmen zeitlich begrenzt (Edwards 2007). Ersichtlich wird in jedem Fall, dass Unternehmen, die Innovationen umsetzten, tendenziell eine geringere Ineffizienz und somit einer
höhere technische Effizienz aufweisen müssten, als Betriebe, die mit einer älteren Technologie arbeiten. Es ist herauszustellen, dass der Effekt von der Investition kommt und
nicht durch die Förderung. Die Förderung kann nur das Investitionsverhalten beeinflussen. Diese Annahmen decken sich mit den von Sauer und Park (2009) aufgestellten Hypothesen für ökologisch wirtschaftende Betriebe. Diese besagen, dass wesentliche Unterschiede in der technischen Effizienz anhand des jeweiligen Stands der Technologie erklärt werden können und dass die Subventionszahlungen, infolge der Verbesserung der
Möglichkeiten neue Technologien beschaffen zu können, einen positiven Effekt auf die
technische Effizienz haben (S. 2245).
Zu bedenken ist, dass der Effekt der Investition bzw. der neuen Technologie zumindest in
den ersten Jahren durch Lern- und Anpassungseffekte gedämpft bzw. verhindert werden
11
kann (Brümmer, 1996 S. 13 und Brümmer und Loy, 2000 S. 407). Es wäre optimal, in
dieser Arbeit Betriebe vergleichen zu können, die alle investiert haben, am besten in ein
ähnliches Objekt, von denen aber nur ein Teil gefördert wurde. Alle würden den Effekt
der Investition auf die Effizienz aufweisen und würden sich nur durch die Höhe der Förderung unterscheiden. Mit dem Verfahren könnte relativ einwandfrei ein Rückschluss auf
den Effekt der Förderung auf die Effizienz gezogen werden. Diese Herangehensweise ist
jedoch auf Grund der Datengrundlage nicht möglich (vgl. Kapitel 5.1).
11
Brümmer verweist auch auf frühere Restriktionen bei der Förderung. Diese wurden aber 2000 abgeschafft. Auch stellt die Quote seit 2006 keine starke Restriktion mehr dar, da ihre Abschaffung für
2014/15 beschlossen wurde und das Kontingent ab 2006 jährlich erhöht wurde. Außerdem wurden die
Restriktionen beim Handel der Quote aufgeweicht.
Kapitel 3
Theorie
26
3.3 Theorie der Regionsbestimmung
Um eine Region bestimmen zu können, muss erst geklärt werden, was eine Region überhaupt ist, bzw. was sie ausmacht. Wichmann (2000) beschreibt in seinem Artikel „Die
Region ist tot – es lebe die Region!“, welche aktuellen Probleme es mit der Verwendung
und der Definitionen des Begriffes Region gibt. Weil es keine einheitlich sinnvolle Definition des Begriffes Region gibt, hängt die Entwicklung/Definition einer Region stark von
der Fragestellung und der individuellen Perspektive ab (Edwards 2007). Eine Region bestimmt sich also nach der Zielsetzung der Fragestellung und den gewählten Abgrenzungskriterien. Die so entwickelten Regionen lassen sich in verschiedene Regionskonzepte zusammenfassen (Abbildung 3-5).
Abbildung 3-5:
Regionskonzepte, Regionstypen und deren Abgrenzungskriterien
Quelle: Kaliwoda 2007 verändert nach Blotevogel 1996 S. 58 und Weichhart 1996
Kapitel 3
Theorie
27
In dieser Arbeit sollen Regionen verglichen werden, die möglichst ähnliche Bedingungen
für die Milchviehbetriebe, abgesehen von der politischen Förderung durch das AFP, bieten. Diese geographischen Gebiete sollen mittels der Ausprägungen von relevanten Standortfaktoren abgegrenzt werden. Es handelt sich also um „homogene Regionen“. Diese
fallen unter die „Realregionen“. „Realregionen“ werden definiert als: „Von ExpertInnen
und WissenschaftlerInnen konstruierte Regionen, die auf der Beobachtung und Analyse
von Eigenschaften eines geographischen Raumes basieren.“ (Kaliwoda 2007 S. 8). „Aktivitätsregionen“ hingegen sind durch menschliches Handeln oder von gesellschaftlichen
Organisationen festgelegt worden und „Wahrnehmungs- und Identitätsregionen“ werden
durch soziale Kommunikation, Beziehungen, Kultur und Politik geschaffen.
Das große Problem bei der Identifizierung der gesuchten Region ist, dass Daten oft nur
auf der Ebene von „normativen“ Regionen vorliegen, die durch politische Entscheidungen
abgegrenzt wurden. Strukturdaten werden meistens auf Bundes-, Länder- oder Gemeindebene erhoben. Je kleiner diese „normativen“ Regionen sind, desto genauer kann nachher
die eigentlich zu untersuchende Region identifiziert werden.
3.4 Standortfaktoren
Es ist wichtig, dass sich die Standortbedingungen der Betriebe, außer in der Förderung,
möglichst nicht unterscheiden. Nur dann kann einen Effekt der Förderung auf die Effizienz gemessen werden. Deshalb wurde versucht eine möglichst homogene Region hinsichtlich der folgenden natürlichen und wirtschaftlichen Standortfaktoren zu identifizieren:
Natürliche Standortfaktoren:
–
Klima: Niederschlag, Sonnenscheindauer, Temperatur;
–
Grünlandanteil;
–
Hangneigung.
Wirtschaftliche Standortfaktoren:
–
Durchschnittliche Bestandsgröße, Anteil der Milchkühe in großen Beständen;
Kapitel 3
Theorie
28
–
Milchviehdichte;
–
Pachtpreise (ha Ackerland bzw. ha Grünland).
Auf Grund der großen Unterschiede in der Förderung zwischen Schleswig-Holstein und
Niedersachsen ab 2007 wurde die Standortanalyse auf diese Gebiete beschränkt. Zudem
grenzen der Nordwesten von Niedersachsen und Schleswig-Holstein an das Meer und
haben somit wahrscheinlich ähnliche klimatische Standortbedingungen
Hinsichtlich des Klimas, hier approximiert durch die Temperatur, den Niederschlag und
die Sonnenscheindauer, unterscheiden sich der Nordwesten von Niedersachsen und
Schleswig-Holstein nur geringfügig (vgl. Abbildung 3-6, Abbildung 3-7, Abbildung 3-8).
Abbildung 3-6:
Niederschlag im Nordwesten von Niedersachsen und SchleswigHolstein, Mittelwerte (Standardabweichungen): NI: 66.16 (33.196),
SH: 64.05 (33.634).
Niederschlagshähe in mm (Summe des Monats)
200
180
160
140
120
100
80
60
40
20
0
Mittelwert NI
Mittelwert SH
Kapitel 3
Theorie
Abbildung 3-7:
29
Sonnenscheindauer im Nordwesten von Niedersachsen und
Schleswig-Holstein, Mittelwerte (Standardabweichungen): NI: 137.95
(79.088) SH: 141.92 (84.406).
Sonnenscheindauer (Summe der Stunden)
400
Mittelwert NI
350
Mittelwert SH
300
250
200
150
100
50
0
Abbildung 3-8:
Temperatur im Nordwesten von Niedersachsen und SchleswigHolstein, Mittelwerte (Standardabweichungen): NI: 9.91 (5.881) SH:
9.32 (5.988)
25
Mittelwert NI
Mittelwert SH
Temperatur in °C
20
15
10
5
0
-5
Quelle der Abb. 3-2 bis 3-4: Eigene Berechnungen auf Grundlage der Daten des Deutschen Wetterdienstes
für die Stationen in Bremen, Cuxhaven, Norderney, Emden, Kiel, Schleswig, Sylt
Kapitel 3
Theorie
30
Der Gründlandanteil war 2007 im Nordwesten von Niedersachsen höher als in SchleswigHolstein (vgl. Abbildung 3-9). Im Vergleich zum Süden von Niedersachsen und Mecklenburg-Vorpommern gleichen sich aber der Nordwesten von Niedersachsen und der
Nordwesten von Schleswig-Holstein hinsichtlich des Grünlandanteils.
Abbildung 3-9:
Anteil Dauergrünland an der Landwirtschaftlichen Nutzfläche 2007
Anteil in % der LF
>
>
>
>
>
>
0
15
25
35
45
55
-
≤
≤
≤
≤
≤
≤
15
25
35
45
55
100
Quelle: Brüggemann 2011, Karte 2.4
Die Hangneigung lag 2006 im Norden von Niedersachsen und in Schleswig-Holstein unter 5 %. (Abbildung 3-10).
Kapitel 3
Theorie
Abbildung 3-10:
31
Hangneigung in Deutschland in 2006
Quelle: Eigene Darstellung anhand Daten des Bundesamts für Kartographie und Geodäsie, 2006
Die durchschnittliche Bestandsgröße lag in Schleswig-Holstein 2007 mit 62 Kühen und in
Niedersachsen mit 50 Kühen in beide Regionen deutlich über dem Bundesdurchschnitt
von 40 Kühen (Stat. Bundesamt 2008). Die Aufteilung der Rinder auf die verschiedenen
Bestandsgrößen zeigt, dass es 2007 in Niedersachsen die größeren Betriebe gab, dafür der
Anteil der kleineren Betriebe (bis 49 Kühe) in Schleswig-Holstein schon deutlich geringer
war als in Niedersachsen (vgl. Abbildung 3-11). Im Vergleich zu Deutschland sind sich
Niedersachsen und Schleswig-Holstein hinsichtlich der Anteile der Bestandklassen relativ
ähnlich.
Kapitel 3
Theorie
32
Abbildung 3-11: Anteil der Kühe in verschiedenen Bestandsgrößen
100 %
2,1 %
2,5 %
0,0 %
2,1 %
19,6 %
21,6 %
90 %
0,0 %
3,8 %
11,5 %
80 %
70 %
31,1 %
> 300 Kühe
Anteil
60 %
200 - 299 Kühe
50 %
46,0 %
100 - 199 Kühe
55,1 %
50 - 99 Kühe
0 - 49 Kühe
40 %
30 %
53,7 %
20 %
29,7 %
21,2 %
10 %
0%
NI
SH
Bundesland
D
Quelle: Eigene Berechnungen nach Daten des Statistischen Bundesamtes 2008
Abbildung 3-12:
Milchviehdichte in Deutschland
Milchkühe je 100 ha LF
>
>
>
>
>
0
10
15
20
25
-
≤
≤
≤
≤
≤
>
10
15
20
25
30
30
Quelle: Brüggemann 2011 Karte 2.6
Die Milchviehdichte lag 2007 im Nordwesten von Schleswig-Holstein und Nordwesten
von Niedersachsen bei über 30 Milchkühen pro 100 ha und somit in der höchsten von
Brüggemann gebildeten Kategorie (vgl. Abbildung 3-12).
Kapitel 3
Theorie
33
Die Pachtpreise für Acker- bzw. Grünland lagen 2007 in Niedersachsen bei 322 Euro
bzw. 181 Euro und in Schleswig-Holstein bei 293 Euro bzw. 201 Euro. Beide Gebiete
lagen somit deutlich über dem Bundesdurchschnitt von 205 Euro bzw. 123 Euro (agrar.de
2008).
Auf Grund der Ausprägungen der Standortfaktoren und mit der Maßgabe, eine ausreichend große Stichprobe zu erhalten, wurde ganz Schleswig-Holstein und in Niedersachsen die Landkreise Aurich, Leer, Wittmund, Friesland, Wesermarsch, Cuxhaven, Osterholz, Stade, Rotenburg (Wümme) und die kreisfreien Städte Wilhelmshaven, Oldenburg,
Emden und Delmenhorst für die vorliegende Analyse ausgewählt. Dieser Teil Niedersachsens wird folgend als Nord-Niedersachsen bezeichnet. Es wird für die Analyse angenommen, dass diese Regionen sich hinsichtlich der Standortbedingungen, die entscheidend für
die technische Effizienz von Milchviehbetrieben sind, nicht unterscheiden. Dass eine
solch restriktive Annahme anhand einer relativ oberflächlichen Analyse der Standortfaktoren nicht immer zutreffend ist, zeigt sich in Kapitel 7.3.
Kapitel 4
4
34
Die Effizienz eines Betriebes bestimmt sich aus dem Verhältnis von realisiertem Output
zu maximal realisierbarem Output bei einer gegebenen Inputmenge. Um den maximal
realisierbaren Output zu bestimmen wird eine Frontierproduktionsfunktion benötigt. Im
ersten Abschnitt dieses Kapitels werden deshalb einige allgemeine Annahmen über die
Eigenschaften von Produktionsfunktionen wiederholt. Danach werden mit der Data Envelopment Analysis und der stochastischen Frontieranalyse zwei Methoden der Effizienzanalyse vorgestellt, um im Anschluss begründen zu können, welche Methode für die vorliegende Arbeit geeigneter ist.
4.1 Eigenschaften der Produktionsfunktion
Eine Produktionsfunktion sollte einige allgemein anerkannte Eigenschaften erfüllen (vgl.
z.B. Coelli 2005).
1.
Die Nicht-Negativität: Der Wert der Funktion f (x ) ist endlich und kann alle positiven reellen Zahlen inklusive Null annehmen. f ( x ) ∈ ℜ0+
2.
„No free Lunch“: Ohne Input kann auch kein Output produziert werden: f (0) = 0 .
3.
Monotonie: Jede zusätzliche Einheit an Input führt nicht zu einer Verringerung des
Outputs. Wenn x1 ≥ x0 gilt, muss auch f ( x1 ) ≥ f ( x0 ) gelten. Bei einer kontinuierlichen Funktion, die mindestens zweimal differenzierbar ist, heißt dies, dass alle partiellen Produktionselastizitäten größer oder gleich Null sein müssen.
4.
Konkavität: beschreibt das Gesetz der abnehmenden Grenzerträge. Das heißt formal:
λ * f ( x1 ) + (1 − λ ) * f ( x0 ) ≤ f (λx1 + (1 − λ ) x 2 ) mit 0 ≤ λ ≤ 1 . Diese Annahme impliziert, dass es keine steigenden Skalenerträge gibt. Diese starke Restriktion kann aufgeweicht werden, indem nur Quasi-Konkavität erfüllt werden soll. Die klassische
Produktionsfunktion würde sonst nicht die Kriterien einer Produktionsfunktion erfüllen. Quasi-Konkavität bedeutet, dass beim Einsatz von x 1 und x 0 wenigsten ein Output q0 produzieren wird. Auch jeder Einsatz einer Linearkombination aus x 1 und x 0
produziert wenigstens den Output q0. Es gibt Autoren, die vorschlagen, ganz auf die
Bedingung von Konkavität bzw. Quasi-Konkavität zu verzichten, weil diese in der
Kapitel 4
35
Realität, auch unter der Annahme von gewinnmaximierendem Verhalten, verletzt
werden könne (Hennigsen und Henning 2009). Sie geben als Beispiele an, dass Preise
nicht exogen gegeben seien oder es Restriktionen beim Einsatz von Inputs geben
könne. Deshalb wird diese Eigenschaft später nicht überprüft.
Die mit den folgenden Analysen ermittelten Produktionsfunktionen sollten die ersten drei
Eigenschaften erfüllen.
4.2 Wie kann die Produktionsfunktion bestimmt werden?
Wie oben erläutert, wird die technische Effizienz eines Betriebes als Relation des Produktionspunktes zur Frontierproduktionsfunktion bestimmt. Entscheidend für die Messung
der Effizienz ist also die Art und Weise, wie die Frontierproduktionsfunktion festgelegt
wird. Nähere Erläuterungen zu den unten vorgestellten Methoden finden sich unter anderem bei Coelli (2005), Bielecki (2011), Kumbhakar und Lovell (2000), Brümmer (1996),
Gubi (2006), Greene (1993), Aigner (1976).
Die existierenden Ansätze zur Bestimmung der Frontierproduktionsfunktion sind entweder nicht-parametrisch oder parametrisch und deterministisch oder stochastisch. Bei den
nicht-parametrischen Ansätzen wird die Funktionsform bei der Analyse durch die beobachteten Daten festgelegt. Die etablierteste Methode ist hier die Data Envelopment Analysis (DEA). Die parametrischen Ansätze zeichnen sich dadurch aus, dass eine Funktionsform von vornherein angenommen wird. Der wichtigste Ansatz ist hier die stochastische
Frontieranalyse (SFA).
4.2.1
Data Envelopment Analyse (DEA)
Die DEA ist ein deterministischer Ansatz, d.h. stochastische Einflüsse werden nicht berücksichtigt, bzw. per Annahme ausgeschlossen. Bei der Methodik handelt es sich um
eine lineare Optimierung. Es wird für jeden Betrieb eine eigene Produktionsfunktion in
Form von Gewichtungsfaktoren für Inputs und Outputs, mit denen der maximale Output
pro Input erreicht wird, ermittelt, wobei ein linearer funktionaler Zusammenhang zwischen In- und Outputs angenommen wird.
Kapitel 4
36
Formal kann für konstante Skalenerträge das Optimierungsproblem für jeden Betrieb folgendermaßen beschrieben werden (Bielecki 2011 S.6):
R
max η
0
=
∑u
r =1
I
r,0
∑v
ur , 0 , v i , 0
i =1
y r ,0
x
i ,0 i ,0
R
∑u
U .d . N .
r =1
I
r ,0
∑v
i =1
y r ,0
≤1
x
i ,0 i ,0
vi ,0 ≥ 0; u r ,0 ≥ 0
η0 stellt den Quotienten der Summe der gewichteten (ur) Outputs (yr) und der Summe der
gewichteten (νi) Inputs (xi) des Betriebes 0 dar, wobei r die Menge der möglichen Outputs
und i die Menge der möglichen Inputs ist. Dieses Verhältnis soll maximiert werden und
kann im Maximum den Wert Eins erreichen. Damit kein anderer Betrieb mit den gleichen
Gewichtungsfaktoren für die In- und Outputs einen Wert über Eins erreicht, wird die Nebenbedingung eingeführt. Sie besagt, dass jeder Betrieb j mit den Gewichtungsfaktoren
für die In- und Outputs von Betrieb 0 maximal ein Verhältnis von gewichteten Outputs zu
gewichteten Inputs von Eins erreichen darf. Die Nebenbedingungen für die Gewichtungsfaktoren geben an, dass diese nur positiv oder Null sein dürfen, weil es nicht möglich ist,
einen Input oder einen Output in negativer Form in die Produktion mit einfließen zu las12
sen .
Bei der DEA wird die Produktionsfunktion graphisch durch die äußersten Produktionspunkte der Betriebe bestimmt. Es muss nur a priori festgelegt werden, ob konstante oder
variable Skalenerträge angenommen werden. Für den Ein-Output-Ein-Input-Fall und konstante Skalenerträge kann die DEA leicht graphisch dargestellt werden.
12
Es können z.B. nicht -0.5 * 100 ha Land als Input einfließen.
Kapitel 4
Abbildung 4-1:
37
DEA: Bestimmung der Effizienz im Ein-Output-Ein-Input-Fall
ln Output
D
B‘
yB‘
yB
B
C
yA‘
A‘
A
yA
xA
ln Input
xC
xB
xD
In der Abbildung 4-1 weisen nur die Betriebe C und D eine Effizienz von Eins auf. Die
Effizienzwerte der anderen Betriebe entsprechen jeweils dem Anteil der schwarzen Linie
(von der Abszisse bis zum Produktionspunkt) an der gesamten Strecke von der Abszisse
bis zur Produktionsfunktion. Diese Betriebe müssten ihren Output bei gegebenem Input
noch steigern, um auf dem effizienten Rand der Produktionsfunktion zu produzieren und
somit ihren individuellen Zieloutput zu erreichen. Algebraisch kann diese Projektion auf
die Grenze so ausgedrückt werden:
yˆ r ,0 =
1
η0
y r , 0 (Bielecki S.6)
Die Berechnung der technischen Effizienz erfolgt nach:
Kapitel 4
38
TE A = ( x A A / x A A' ) = η A = y A' / y A
Als ein großes Problem der DEA werden die sogenannten Slacks bezeichnet. Für den Fall
von zwei Outputs und einem Input können die Outputkombinationen für eine gegebene
Menge an Input (die für alle beobachteten Betriebe gleich ist) in einem Koordinatensystem als Produktionsmöglichkeitenkurve abgetragen werden. Die Betriebe, die das höchste
Outputniveau mit dem gegebenen Input erzielen, bilden die Produktionsmöglichkeitenkurve. Dabei kann es passieren, dass die Produktionsmöglichkeitenkurve teilweise parallel zu den Achsen verläuft. Die Werte für die technische Effizienz berechnen sich jetzt
als:
TE A = 0 A / 0 A *
Das hat zur Folge, dass „falsche“ Effizienzwerte für die Betriebe ermittelt werden, deren
optimale Outputkombination auf dem Teil der Produktionsmöglichkeitenkurve liegt, der
parallel zu einer der Achsen verläuft (Abbildung 4-2). In diesem Bereich wäre es immer
möglich, den auf der parallelen Achse abgetragenen Output weiter zu steigern, ohne den
Input erhöhen oder die Produktion des anderen Outputs reduzieren zu müssen. Somit entspricht die bestimmte optimale Outputkombination C* von Betrieb C nicht der anfangs
vorgestellten technischen Effizienz. Die optimale Outputkombination von Betrieb C ist
eigentlich C**, denn nur dort wird der maximale Output mit gegebenem Input erreicht.
Dieses Problem kann durch Erweiterungen des einfachen DEA-Modells gelöst werden
(vgl. Gubi 2006). Auf weitere Vor- und Nachteile der DEA wird später in den Überlegungen zur Methodenauswahl näher eingegangen.
Kapitel 4
Abbildung 4-2:
39
DEA: Berechnung der Effizienz im Fall von zwei Outputs und konstantem Input
Output 1
C*
C**
C
B*
B
A**
A
A*
Output 2
0
4.2.2
Stochastische Frontieranalyse (SFA)
Die SFA ist ein parametrisches Verfahren, d.h. es wird a priori festgelegt, welche Funktionsform die Frontierproduktionsfunktion aufweisen soll. Die SFA ist, wie aus der Bezeichnung hervorgeht, stochastisch, d.h. sie berücksichtigt Zufallseinflüsse (statistisches
Rauschen). Um die SFA besser verstehen zu können, wird vorher kurz die deterministische Variante des Verfahrens, die Deterministische Frontieranalyse (DFA), vorgestellt.
Deterministische Frontieranalyse
Im Grundmodell wird bei der Frontieranalyse ein Output betrachtet, der von beliebig vielen Inputs abhängen kann. Die Frontierproduktionsfunktion kann z.B. ein lineare Funktion, eine Cobb-Douglas-Produktionsfunktion oder eine Translogfunktion sein. Wichtig ist,
Kapitel 4
40
13
dass das gewählte Modell in den Parametern linear ist . Bei der DFA wird die gewählte
Produktionsfunktion um den Fehlerterm –ui erweitert.
y i = f ( x i′ β ) − ui
mit:
yi : beobachteter Output des Betriebes i
x i : Vektor der Inputvariablen mit ihren Ausprägungen für Betrieb i (z.B.
x = { 1; ln( x1 ); ln( x2 ); ln( x1 ) ln( x 2 )} )
β : Vektor der Parameter (diese sind für alle Betriebe gleich) (z.B.
β = { β 0 ; β1 ; β 2 ; β 3 } )
ui : Fehlerterm der Ineffizienz, mit ui ≥ 0 .
f ( x i′ β ) bildet die deterministische Funktion
ui stellt die nicht-negative Abweichungsvariable dar, auch Fehlerterm der Ineffizienz oder
Ineffizienzterm genannt. Alle Abweichungen der Beobachtungen von der deterministischen Frontierproduktionsfunktion werden als Ineffizienz interpretiert und somit können
die beobachteten Outputs nur unterhalb oder auf der geschätzten Frontierproduktionsfunktion liegen. Die Frontierproduktionsfunktion kann entweder durch die korrigierte
Kleinstquadratschätzung bestimmt werden oder durch die Maximum-LikelihoodMethode. Die normale Kleinstquadratschätzung nimmt für den Fehlerterm an, dass dieser
einen Mittelwert von Null hat (der Erwartungswert also gleich Null ist), der Erwartungswert der Varianz konstant ist (also keine Heteroskedastizität vorliegt) und der Erwartungswert der Kovarianz zwischen den Fehlertermen gleich Null ist (die Fehlerterme also
nicht untereinander korreliert sind). Die Schätzung bestimmt die Funktion so, dass die
quadrierten Abweichungen der Beobachtungen von der Funktion minimal sind. Damit
würde die Kleinstquadratschätzung die Durchschnittsproduktionsfunktion schätzen. Mit
13
Linearität in den Parametern ist eine Voraussetzung für jede Regressionsanalyse.
Kapitel 4
41
der Schätzung der Durchschnitts-produktionsfunktion können die Steigungsparameter der
Frontierproduktionsfunktion bestimmt werden. Die Konstante der Frontierfunktion und
die Residuen, die bestimmt werden sollen, sind aber noch verzerrt.
Abbildung 4-3:
Korrigierte Kleinstquadratschätzung
Output
max(e)
uB
uA
A
B
Durchschnittsproduktionsfunktion
Input
Die korrigierte Kleinstquadratschätzung ist eine Methode, um diese Verzerrung zu beheben. Hierzu wird in einem zweiten Schritt die Konstante um den maximalen Wert des
Fehlerterms (max(e)) nach oben korrigiert. Damit wird die Durchschnittsproduktionsfunktion so weit nach oben verschoben, dass alle Beobachtungen auf oder unter der Funktion liegen und die Durchschnittsproduktionsfunktion zur Frontierfunktion wird
(Abbildung 4-3). Die Werte für die Residuen der einzelnen Beobachtungen werden angepasst, indem von ihrem Ausgangswert der maximale Wert des Fehlerterms abgezogen
wird. So ergibt sich für jede Beobachtung ein neuer Wert für die Abweichung14, mit dem
14
Die Korrekturen lauten algebraisch ausgedrückt: ß ^0 = ß ^0,KQ + max(e) mit e = Residuen der KQSchätzung, und ui = ei – max(e).
Kapitel 4
42
die Effizienz eines Betriebes als Verhältnis des erreichten Outputs und des maximal möglichen Outputs berechnet werden kann. Dieses Verfahren wird auch als korrigierte
Kleinstquadratschätzung bezeichnet. Die Frontierfunktion könnte auch mit der Maximum-Likelihood-Methode geschätzt werden. Dieses Verfahren wird anhand der stochastischen Frontieranalyse erläutert.
Stochastische Frontieranalyse
Es ist vorstellbar, dass die Abweichungen der Produktionspunkte der Betriebe von der
deterministischen Produktionsfunktion nicht nur durch Ineffizienz, sondern auch durch
Zufallseinflüsse, Messfehler, exogene Schocks oder die Fehlspezifikation des Modells
bedingt sind. Bei der deterministischen Frontieranalyse kann durch einen Messfehler die
Schätzung der Frontierfunktion und damit der Effizienzwerte stark verzerrt werden.
Deshalb entwickelten von Aigner, Lovell und Schmidt (1977), Meeusen und van den Broeck (1977) und Battese and Coelli (1977) simultan die stochastische Frontieranalyse. Statistisches Rauschen wurde in dem Verfahren berücksichtigen, indem die angenommene
Produktionsfunktion zusätzlich zum Fehlerterm u, der die Ineffizienz repräsentiert, um
einen Fehlerterm v, der das statistische Rauschen repräsentiert, erweitert wurde. Die Produktionsfunktion gestaltet sich jetzt:
y i = f ( x i′ β ) + v i − u i
mit:
yi : beobachteter Output des Betriebes i
x i : Vektor der Inputvariablen mit ihren Ausprägungen für Betrieb i (z.B.
x = { 1; ln( x1 ); ln( x2 ); ln( x1 ) ln( x 2 )} )
β : Vektor der Parameter (diese sind für alle Betriebe gleich) (z.B.
β = { β 0 ; β1 ; β 2 ; β 3 } )
ui : Fehlerterm der Ineffizienz, mit ui ≥ 0
vi : statistisches Rauschen, kann positive und negative Werte annehmen
Kapitel 4
43
f ( x i′ β ) bildet die deterministische Funktion
Die Technische Effizienz entspricht dem Verhältnis von y i zu y i * . Genauer:
TE i = y i / y i * = ( f ( x i′ β ) + vi − u i ) /( f ( x i′ β ) + vi )
So kann die technische Effizienz aber nicht berechnet werden, da vi und ui nicht einzeln
beobachtet werden können, sondern nur gemeinsam: wi = v i − ui . Die technische Effizienz
muss in Abhängigkeit von wi geschätzt werden:
TE i = E[e − ui | wi ]
falls der Output logarithmiert ist und
TE i = 1 − E[u i | wi ]
für naturalen Output.
(Brümmer 1996)
Die Fehlerterme v und u können auch als Faktoren, die außerhalb der Kontrolle des Betriebsleiters ( v ) liegen, und als Faktoren, die der Betriebsleiter kontrollieren kann ( u ),
interpretiert werden (vgl. Rezitis et al. 2003).
Im Ein-Output-Ein-Input-Fall und der Annahme einer Cobb-Douglas Produktionsfunktion
zeigt sich graphisch, welche Auswirkungen die Annahme von statistischem Rauschen auf
die einzelbetriebliche Effizienz haben kann (Abbildung 4-4). Durch den Fehlerterm v
entsteht für jeden Betrieb eine eigene Frontierfunktion f ( x i′ β ) + vi , an der er gemessen
wird. Betrieb A weist somit eine geringere und Betrieb B eine größere technische Effizienz auf, als der Abstand zu der deterministischen Frontierfunktion f ( x i′ β ) vermuten
ließe. Betrieb C liegt genau auf der deterministischen Frontierfunktion und ist effizient,
da kein statistisches Rauschen vorliegt. Durch die Berücksichtigung des statistischen
Rauschens können Beobachtungen auch über der deterministischen Frontierfunktion liegen. Ausreißer und Messfehler führen nicht mehr durch ein Verschieben der Frontierfunktion nach oben zu einer Verzerrung der Effizienzwerte bzw. die Verzerrung wird zumindest abgeschwächt. Für Betrieb D verschiebt sich die Frontierfunktion durch das positive
Residuum v D nach oben und der Betrieb ist effizient.
Kapitel 4
Abbildung 4-4:
44
Stochastische Frontierfunktion im Ein-Output-Ein-Input-Fall
Output
vD > 0 & uD = 0
D = D*
C = C*
deterministische
Frontierfunktion
vC = 0 & uC = 0
B*
vB < 0 & uB > 0
A*
B
stochastische
Frontierfunktion
vA > 0 & uA > 0
A
Input
Quelle: Eigene Darstellung erweitert nach Coelli et al. 2005
Schätzung einer Frontierfunktion mit zwei Fehlertermen
Coelli (2005 S.217) definiert die Schätzung mit der Maximum-Likelihood-Methode folgendermaßen: „“The maximum likelihood estimate“ of an unknown Parameter is defined
to be the value of the parameter that maximises the probability (or likelihood) of randomly drawing a particular sample of observations.” Um so eine Funktion schätzen zu
können, wird angenommen, dass die Beobachtungen normalverteilt sind und Verteilungsfunktionen für die Fehlerterme angenommen werden können. Der Fehlerterm der Ineffizienz soll nur positive Werte annehmen können. Verwendete Verteilungen für den Fehlerterm sind die Halbnormalverteilung, die abgeschnittene Normalverteilung, die Exponentialverteilung oder die Gammaverteilung (vgl. Greene 1993). Für das statistische Rauschen
wird üblicherweise eine Normalverteilung mit dem Mittelwert Null und konstanter Varianz angenommen. Mit diesen Annahmen über die Verteilung der Fehlerterme kann die
Kapitel 4
45
15
Likelihoodfunktion aufgestellt werden . Diese gibt die Wahrscheinlichkeit an, dass für
die angenommene Verteilungsfunktionen der Fehlerterme und Produktionsfunktion in
Abhängigkeit von den Parametern die beobachteten Werte auch durch eine zufällig gezogene Stichprobe erreicht würden. Um die Parameter zu schätzen, wird die Likelihoodfunktion maximiert. Hierzu wird sie nach den zu bestimmenden Parametern abgeleitet.
Mathematisch kann es dabei sinnvoll sein, die Likelihoodfunktion vorher zu logarithmie16
ren und die Log-Likelihoodfunktion zu bilden . Bei einem klassischen linearen Regressionsmodell mit nur einem normalverteilten Fehlerterm sind die Schätzer für die Parameter
durch das Maximum-Likelihood-Methode und die Kleinstquadratschätzung identisch.
4.2.3
Auswahl der Methodik
Es gibt in der Literatur keine einheitliche Empfehlung, welche der beiden Methoden vorzuziehen ist, um die technische Effizienz zu messen. Daher ist es notwenig, die Stärken
und Schwächen der Methoden zu kennen und dann anhand des Untersuchungsgegenstandes zu entscheiden, welche Methode eher geeignet ist. Die Vor- und Nachteile der Methoden sind in Tabelle 4-1 zusammengefasst.
Welche Methode gewählt wird, hängt vor allem vom Verwendungszweck der Studie und
den vorliegenden Daten ab (Brümmer 1996). In der vorliegenden Arbeit werden Querschnittsdaten untersucht. Grundsätzlich sind dafür beide Methoden geeignet. Die entscheidende Forschungsfrage der Arbeit ist, ob die Förderung einen Einfluss auf die Effizienz der Betriebe hat. Mit der SFA kann der Effekt externer Variablen direkt geschätzt
17
und statistisch getestet werden . Die DEA hätte Vorteile, wenn einzelne Betriebe miteinander verglichen werden sollen, weil die Vergleichsreferenz von sehr ähnlichen Betrieben
15
16
17
Die Likelihoodmethode geht auf R.A. Fischer zurück. Einen Überblick über die Entwicklung der
Schätzmethodik bietet die Arbeit von J. Aldrich (1997): R.A. Fischer and the Making of Maximum
Likelihood 1912 - 1922.
Die Bildung des Logarithmus ist eine monotone Transformation und hat somit keinen Einfluss auf das
Ergebnis.
Bei der DEA wäre es möglich, die Effizienzwerte der Betriebe zu bestimmen und danach eine Regression mit der Förderung als endogene Variable auf die Effizienz durchzuführen. Wang und Schmidt
Kapitel 4
46
gebildet wird. In dieser Arbeit sollen aber Gruppen miteinander verglichen werden, die
annahmegemäß alle Zugang zu der gleichen Technologie haben. Die Annahme schließt
ein, dass alle Betriebe unter gleichen Standortbedingungen produzierten und zu gleichen
Preisen die neusten Produktionstechnologien erweben konnten. Die landwirtschaftliche
Produktion ist außerdem verstärkt durch Outputschwankungen gekennzeichnet, die durch
den statistischen Fehlerterm in der SFA besser abgebildet werden können (Coelli 1996
nach Tiedemann und Latacz-Lohmann 2011). Aus diesen Gründen wurde für die Ermittlung der technischen Effizienz der Betriebe die SFA ausgewählt.
(2002) haben für die SFA gezeigt, warum die Regression von externen Variablen auf die Effizienzwerte (im zweiten Schritt) zu verzerrten Schätzern führt.
Kapitel 4
Tabelle 4-1:
47
Gegenüberstellung der Vor- und Nachteile der DEA und der SFA
Kriterium
DEA
SFA
Wahl der
Funktionsform
+ Es muss nicht a priori eine Funktionsform
festgelegt werden. Die Frontierfunktion ergibt sich
aus der linearen Optimierung der einzelnen
Betriebe.
- Durch diese Methodik, kann es aber auch zu
Slacks und damit „falschen“ Effizienzwerten
kommen.
Weiterentwicklungen des Grundmodells, die
Slacks berücksichtigen, sind vorhanden.
- Die Form der Produktionsfunktion muss a
priori festgelegt werden. Durch die Wahl einer
nicht „passenden“ Funktionsform kommt es zur
Fehlspezifikation des Modells. Diese schlägt
sich in den Residuen nieder und kann so zu
verzerrten Effizienzwerten führen. Auch durch
die Wahl der Verteilung des Fehlerterms können
die Effizienzwerte beeinflusst werden (vgl.
Kapitel 5.3).
Anzahl der Out- und
Inputs
+ Mehrdimensionale Inputs und Outputs können in
eine einheitlich Maßzahl transformiert werden.
- Kann in ihrer Grundform nur einen Output
betrachten. Mehrere Inputs sind möglich.
Referenzsystem zur
Bestimmung der
technischen
Effizienz
+ Die Effizienz eines Betriebes wird immer im
Vergleich zu anderen Betrieben bestimmt, die ihm
von der Produktionsstruktur sehr ähnlichen sind.
- Es gibt eine einheitliche Referenztechnologie
an der alle Betriebe gemessen werden.
Heterogenität in der Verfügbarkeit der
Technologie zur Transformation von Input zu
Output kann nicht berücksichtigt werden. Es
gibt verschiedene weiterführende Ansätze, die
diese Individualisierung unterschiedlich
umsetzen.
Sensitivität der
Analyse
- Es wird keine statistische Zufallsgröße
(statistisches Rauschen) berücksichtigt. Dadurch
wird die Analyse sehr anfällig gegenüber
Ausreißern. Die Qualität der Daten muss also sehr
gut sein. Zudem sind die Modelle dadurch sehr
anfällig gegenüber einer Fehlspezifikation bei der
Auswahl der In- und Outputvariablen, da dies
nicht, zumindest teilweise, durch eine statistische
Zufallsgröße ausgeglichen wird.
+ Durch die Berücksichtigung des statistischen
Rauschens können Messfehler, Fehlspezifikation
und das Fehlen von Inputvariablen teilweise
ausgeglichen werden.
Benötigter
Stichprobenumfang
- Der Umfang der Stichprobe muss eine gewisse
Größe haben. Ersten hinsichtlich des Verhältnisses
von Stichprobengröße zu der Anzahl der
einfließenden In- und Outputvariablen. Zweitens
werden bei der DEA bei kleinem
Stichprobenumfang relativ viele Betriebe als
effizient eingestuft, besonders wenn viele
Variablen betrachtet werden.
- Die SFA benötigt ebenfalls einen großen
Stichprobenumfang um sicher den
Zusammenhang zwischen den Inputvariablen
und der Outputvariablen aufzeigen zu.
Außerdem würden sehr viele Betriebe als
effizient eingestuft, wenn die Stichprobe zu
klein ist und die Funktionsform relativ flexibel.
Testverfahren
- Es gibt im Grundmodell keine Möglichkeit die
Ergebnissqualität oder die Modellspezifikation
ökonometrisch zu überprüfen. (Standardfehler der
Koeffizienten oder ein Gütetest (z.B. F-Test) für
das Modell sind nicht vorhanden) Dieses Problem
kann aber durch Weiterentwicklungen der DEA
gelöst werden. Die Ergebnissqualität kann auch
durch Sensitivitätsanalysen überprüft werden.
+ Standartfehler für die Koeffizienten können
berechnet werden. Eine Reihe von statistischen
Testverfahren ist verfügbar.
Eignung der Analyse
für Panel- oder
Querschnittsdaten
- Hauptsächlich für die Analyse von
Querschnittsdaten geeignet. Paneldaten können
nur eingeschränkt verwendet werden.
+ Querschnittsdaten und Paneldaten können als
Grundlage der Schätzung dienen.
Quelle: Eigene Darstellung nach Bielecki 2011 und Coelli 2005
Kapitel 5
5
48
Die Ausgestaltung eines ökonometrischen Modells hängt von den verwendeten Variablen
und den gewählten Funktionsformen ab. Deshalb wird im ersten Teil des Kapitels die Datengrundlage und die damit verbundene Problematik beschrieben und im zweiten Teil die
Auswahl der Variablen begründet, weil diese sehr von den verfügbaren Daten beeinflusst
wird. Im Kapitel 5.4 wird die genaue Vorgehensweise bei der Analyse und die jeweils
gewählten Funktionsformen beschrieben.
5.1 Datengrundlage
Als Datengrundlage dienten Buchführungsabschlüsse aus dem Testbetriebsnetz. Es wurden zwei balancierten Panels gezogen. Diese reichen von 2000/01 bis 2005/06 und von
2006/07 bis 2010/11. Es wurden zwei Panels gezogen, damit sich die Anzahl der Beobachtungen nicht zu stark reduziert. Innerhalb der Panels wurden die Beobachtungen für
jedes Jahr auf jene Betriebe reduziert, die nach dem Klassifizierungssystem der Europäischen Union als betriebswirtschaftliche Ausrichtung „spezialisierte Milchviehbetriebe“
oder „spezialisierte Milchviehbetriebe mit Rinderaufzucht“ sind und mehr als 30 Rinder
18
halten (vgl. Statistisches Bundesamt 2003) . Dieses Vorgehen soll dazu dienen möglichst
ähnliche Betriebe zu vergleichen und z.B. Nebenerwerbsbetriebe oder Auslaufbetriebe
nicht zu berücksichtigen.
Damit die Testbetriebe repräsentativ im Hinblick auf Einkommen sind, gibt es Hochrech19
nungsfaktoren für jedes Jahr, mit denen die Betriebe gewichtet werden . Um Entwicklungen in einem Panel beobachten zu können, muss ein Hochrechnungsfaktor für den Beobachtungszeitraum festgelegt werden. Hier wurde jeweils der Hochrechnungsfaktor des
ersten Jahres des balancierten Panels gewählt, also die Hochrechnungsfaktoren von
2000/01 und 2006/07.
18
Diese Art der Berechnung wurde erst 2003 eingeführt, liegt aber auch für die vorhergehenden Jahre
vor. 2011 wurde die Art der Berechnung erneut geändert. Deshalb wurde die Stichprobe von 2009/10
auch für 2010/11 verwendet.
Kapitel 5
49
Eine Plausibilitätskontrolle der Daten sollte bei Buchführungsabschlüssen aus dem Testbetriebsnetz nicht gesondert notwendig sein, weil diese vor der Bereitstellung bereits
durchgeführt wird.
5.2 Probleme der Datengrundlage
Als das größte Problem erweist sich die Tatsache, dass die Untersuchungszeitspanne nach
der Kürzung bzw. Aussetzung der Förderung 2007 bzw. 2010 viel zu kurz ist, um langfristige Effekte beobachten zu können. Für viele Investitionen, die nach 2007 fertig gestellt und somit erst dann in der Buchführung erfasst wurden, wurde die Förderung schon
vor 2007 bewilligt. Der Effekt der Förderung auf die Effizienz resultiert daraus, dass weniger bzw. nicht mehr in so großem Umfang investiert würde als mit der Förderung. Weil
20
große Investitionen eine relativ lang Zeitspanne haben, in der sie wirken , wirken die Investitionen, die in der Zeit der relativ starken Förderung in Schleswig-Holstein genehmigt
wurden, noch nach. Eine Analyse, die die Zeit von 2007 bis ca. 2020 erfassen würde,
könnte bessere Aussagen zur langfristigen Entwicklung geben. Die vorliegende Arbeit
kann nur die Kurzzeitwirkung beurteilen.
Das zweite große Problem ist die Verfügbarkeit der Daten über die Förderung. Betriebe
haben bei der Verbuchung der Investitionsförderung ein Wahlrecht. Sie können die Investitionszuschüsse als Ertrag verbuchen, sie von den Anschaffungs- und Herstellungskosten
abziehen oder einen Passivposten bilden. Auf Grund dieser Tatsache sind in einem Buchführungsabschluss vom Landwirtschaftlichen Buchführungsverband
21
oder der LAND-
22
DATA die Investitionszuschüsse nicht mehr eindeutig zu identifizieren. Bei der Buchführung der Testbetriebe ist in den Ausführungsanweisungen geschrieben: „Im BMELV-
19
20
21
Nähere Informationen zum Hochrechnungsfaktor und der Anwendung sind beim BMELV zu finden
(BMELV 2001, 2007)
Brümmer, Loy (1997) nehmen an, dass erst nach 10 Jahren kein Effekt der Förderung mehr vorhanden
ist.
Der Landwirtschaftliche Buchführungsverband bietet Dienstleistungen wie die Erstellung der Buchführung und des Jahresabschlusses, Unternehmensberatung und Steuerberatung an. (www.lbv-net.de)
Kapitel 5
50
Jahresabschluss ist der Investitionszuschuss zu passivieren.“ (BMELV 2011a S. 1 – 55).
Bei der Passivierung soll die Förderung in den Sonderposten aufgrund von Investitionszulagen/-zuschüssen verbucht werden und wäre somit eindeutig zu identifizieren. Aus diesem Grund wurde mit den Testbetriebsdaten gearbeitet. Da die ausgelesenen Daten nicht
realitätsnah erschienen, wurde beim Landwirtschaftlichen Buchführungsverband und der
LAND-DATA nachgefragt und in Erfahrung gebracht, dass diese häufig die Förderung
nicht nach Vorschrift verbuchen, da „es nicht praktisch ist“. Somit konnte die genaue Höhe der Förderung nicht festgestellt bzw. eine Differenzierung in geförderte und nicht geförderte Betriebe nicht durchgeführt werden.
Weil die Förderung nicht direkt zu erfassen ist, wird der Bundeslanddummy in die Analyse einbezogen. Auf Grund der Tatsache, dass alle Betriebe in Niedersachsen nach 2007
noch Zugang zu einer relativ hohen Förderung hatten und die Betriebe in SchleswigHolstein nicht, soll der Dummy den Effekt der Förderung abbilden. Natürlich fängt er
auch alle anderen rechtlichen, sozialen und wirtschaftlichen Unterschiede der Bundesländer, die einen Effekt auf die technische Effizienz von Milchviehbetrieben haben, ein. Nur
unter der Annahme, dass es keine anderen Unterschiede zwischen den Bundesländern
gibt, außer der Förderung, kann der Dummy exakt den Effekt der Förderung widerspiegeln.
Bei der Verwendung von Testbetriebsdaten ist zu bedenken, dass diese auf Bundesebene
repräsentativ im Hinblick auf Einkommen sein sollen. Durch die Eingrenzung auf bestimmte Gebiete kann es aber passieren, dass die Repräsentativität nicht mehr gegeben
ist.
Bei der Arbeit mit Buchführungsabschlüssen ist hinsichtlich der Faktoren Arbeit und Kapital Vorsicht geboten. Bei der Berechnung der Arbeitskräfte kommen bestimmte Kürzungen zum Tragen, z.B. wegen des Alters, die aber in der Realität nicht vorliegen
(BMELV 2011a S. 7-2). Im Kapital werden nur Maschinen und Gebäude berücksichtigt,
22
LAND-DATA ist eine GmbH die hauptsächlich Rechnungswesensoftware für Unternehmen, Buchstellen und Steuerberatungskanzleien entwickelt. (www.landdata.de)
Kapitel 5
51
die noch nicht vollständig abgeschrieben sind. Vollständig abgeschriebenes, aber noch
vorhandenes Kapital hat aber für den Betrieb noch einen Wert, der nicht erfasst wird.
5.3 Auswahl der Variablen
Die Auswahl der Variablen ist ein entscheidender Schritt und trägt wesentlich dazu bei,
ob das Modell später eine Fehlspezifikation aufweist oder nicht.
Fei eine SFA werden ein Output und ein oder mehrere Inputs benötigt. Welcher Output
betrachtet wird, hängt stark von der Fragestellung ab. In dieser Arbeit werden nur spezialisierte Milchbetriebe betrachtet. Deshalb sollte der Output auch an den Gütern orientiert
sein, die bei der Milchproduktion anfallen. LAND-DATA hat die Kennzahl „Ertrag Rinder, Milch“ entwickelt. Sie umfasst den „Ertrag aus der Rindviehhaltung und der Kuhmilcherzeugung, der innerbetrieblichen verfütterten Milch abzüglich der Abgabe für
Milchüberlieferung, der Bestandsänderungen beim Rindviehvermögen und bei Kuhmilch23
erzeugnissen“ (Zuversicht, 2010). Diese monetäre Kennzahl wurde als Output gewählt .
Die Aufstellung der Inputvariablen ähnelt unter anderem der von Gubi (2006), Brümmer
(1996), Rezitis et al. (2003), Abdulai und Tietje (2007) und Tiedemann und LataczLohmann (2011). Die Inputvariablen umfassen:
–
Kapital (kap): Summe der Abschreibungen in dem Wirtschaftsjahr. Diese geben den
Kapitalverbrauch des Jahres wieder.
–
Arbeit (ak): Die Anzahl der entlohnten und nicht-entlohnten Arbeitskräfte, die auf
dem Betrieb arbeiten.
–
Land (l): Anzahl ha an selbstbewirtschafteter Fläche (Ackerfläche und Dauergrünland).
23
Wenn die Effizienzwerte über die Zeit verglichen werden sollten, müssten alle monetären Variablen
mit Hilfe von Preisindices deflationiert werden. In dieser Arbeit sind aber nicht die absoluten Werte
der Effizienzen und ihre Entwicklung von Bedeutung, sondern die Unterschiede zwischen den Effizienzwerten in jedem Jahr. Eine Deflationierung ist nicht notwendig, da Preisänderungen wahrscheinlich alle Betriebe ähnlich betroffen haben.
Kapitel 5
52
24
–
Vorleistungen (vorl): Gesamte Aufwand (bzw. Vorleistungen) der Periode .
–
Rinderstückzahl (rst): Rinderbestand am End des Wirtschaftsjahres. Die Inputvariable
wird mit berücksichtigt, weil das Tierkapital nicht im Kapital enthalten ist, da es
nicht abgeschrieben wird.
Die Menge an verfügbarer Milchquote, die einem Betrieb zu Verfügung steht, wird nicht
berücksichtigt, weil die Folge der Überlieferung in Form der Superabgabe im Output berücksichtigt wurde. Zudem ist die Milchquote kein „normaler“ Input, der in der Realität
zur Steigerung der Milchmenge oder des Futterangebots oder ähnlichem beiträgt, sondern
nur einen Einfluss auf den Preis für die produzierte Menge hat.
Die Output- und Inputvariablen werden normalisiert. Das heißt, dass jede Ausprägung
einer Variablen einer Beobachtung wird durch den Mittelwert der Ausprägungen der Variablen in der Stichprobe geteilt wird. Damit wird erreicht, dass die Parameter der Variablen in einer Translog-Produktionsfunktion als Produktionselastizitäten interpretiert werden können und die Parameter der Kreuzterme nicht berücksichtigt werden müssen. Sie
können jedoch nur als partielle Produktionselastizität am Mittelwert der Variablen in der
Stichprobe betrachtet werden (vgl. Anhang 1).
In die Analyse werden noch drei Variablen aufgenommen, von denen angenommen wird
bzw. bei denen getestet werden soll, ob sie in einem Zusammenhang zum Effizienzgrad
stehen. Diese werden hier als externe Variablen bezeichnet. Die externen Variablen sind
das Alter (alter), der Ausbildungsstand (ausb) des Betriebsleiters und das Bundesland
(bl), in dem sich der Betrieb befindet. Das Alter wurde in vier Gruppen eingeteilt:
–
Gruppe 1: jünger als 35 Jahre;
–
Gruppe 2: älter als 35 Jahre und jünger als 45 Jahre;
–
Gruppe 3: älter als 45 Jahre und jünger als 55 Jahre;
24
Die Vorleistungen wurden nicht auf den Milchbereich beschränkt. Eine sehr hohe Korrelation zwischen den Vorleistungen und dem Output in allen Jahren (0,9373 <= r <= 0,9599) lässt aber darauf
schließen, dass die Vorleistungen hauptsächlich in den Bereich der Rinderhaltung bzw. Milcherzeugung geflossen sind.
Kapitel 5
–
53
Gruppe 4: älter als 55 Jahre.
Auch der Ausbildungsstand im Agrarbereich wurde in drei Gruppen eingeteilt:
–
Gruppe 1: Gehilfenprüfung, noch in der Ausbildung oder keine Ausbildung;
–
Gruppe 2: Meisterprüfung, Höhere Landbauschule, Technikerschule, Fachakademie;
–
Gruppe 3: Ingenieurschule, Fachhochschule, Universität.
Das Bundesland geht als Dummyvariable ein:
–
Dbl= 0:
wenn der Betrieb in Schleswig-Holstein liegt und
–
Dbl= 1:
wenn der Betrieb in Niedersachsen liegt.
Der Bundeslanddummy soll indirekt den Effekt der Förderung messen. Die Ausgangshypothese ist, dass die Betriebe in Niedersachsen im Schnitt nach 2007 effizienter werden
als die Betriebe in Schleswig-Holstein, weil die Betriebe in Niedersachsen auch nach
2007 Zugang zu einer relativ hohen Förderung hatten, die Betriebe in Schleswig-Holstein
hingegen nicht. Der Bundeslanddummy sollte also nach 2007 ein negatives Vorzeichen
aufweisen.
Die Ausprägungen, der in die Analyse eingeflossenen Variablen und der Stichprobenumfang, können Tabelle 5-1 entnommen werden.
Kapitel 5
Tabelle 5-1:
Jahr
2000/01
SH
NI
2001/02
SH + NI
SH
NI
2002/03
SH + NI
SH
NI
2003/04
SH + NI
SH
NI
2004/05
Ausprägungen der Variablen der Produktionsfunktion
Bundesland
SH + NI
SH + NI
SH
NI
54
Output
Arbeit
Land
Vorleis-
Rinder
Kapital
€
AK
ha
tungen in €
Stück
€
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
4.572
144.312,00
82.109,45
1.621
144.830,10
66.546,97
2.951
144.027,30
89.523,53
4.572
1,66
0,62
1.621
1,72
0,57
2.951
1,62
0,65
4.572
60,30
28,32
1.621
61,20
23,48
2.951
59,80
30,64
4.572
106.509,70
63.328,44
1.621
112.746,60
58.722,17
2.951
103.083,70
65.478,75
4.572
148,47
75,76
1.621
148,13
66,06
2.951
148,66
80,60
4.572
20.870,75
16.731,12
1.621
21.875,08
15.507,94
2.951
20.319,06
17.344,22
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
4.558
143.631,30
84.006,10
1.607
141.264,60
69.540,10
2.951
144.920,20
90.906,22
4.558
1,64
0,61
1.607
1,64
0,51
2.951
1,64
0,66
4.558
61,39
29,20
1.607
61,67
24,22
2.951
61,23
31,58
4.558
113.089,90
68.502,16
1.607
115.348,30
60.250,77
2.951
111.860,00
72.582,48
4.558
149,37
78,63
1.607
146,61
66,31
2.951
150,88
84,57
4.558
21.662,75
17.068,68
1.607
22.281,57
15.273,58
2.951
21.325,76
17.964,50
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
4.558
136.778,10
80.306,85
1.607
133.269,50
63.065,94
2.951
138.688,70
88.242,43
4.558
1,70
0,82
1.607
1,68
0,57
2.951
1,71
0,93
4.558
61,91
29,74
1.607
61,96
24,02
2.951
61,88
32,45
4.558
111.676,40
65.891,81
1.607
113.935,00
60.540,46
2.951
110.446,40
68.609,38
4.558
150,91
81,49
1.607
146,26
68,30
2.951
153,45
87,75
4.558
20.781,47
16.951,08
1.607
19.309,96
14.302,11
2.951
21.582,80
18.184,76
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
4.558
136.277,20
81.335,30
1.607
132.734,70
65.455,37
2.951
138.206,30
88.747,62
4.558
1,66
0,65
1.607
1,63
0,47
2.951
1,68
0,73
4.558
62,73
30,51
1.607
63,09
25,01
2.951
62,54
33,13
4.558
114.304,80
69.452,21
1.607
118.627,00
61.804,70
2.951
111.951,10
73.184,67
4.558
151,14
84,48
1.607
145,79
68,54
2.951
154,05
91,88
4.558
20.454,91
17.207,95
1.607
19.093,29
14.609,18
2.951
21.196,40
18.430,10
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
4.544
142.756,00
85.871,39
1.593
136.499,80
64.592,93
2.951
146.133,20
95.245,23
4.544
1,62
0,66
1.593
1,62
0,49
2.951
1,62
0,73
4.544
63,75
31,60
1.593
63,39
26,17
2.951
63,95
34,17
4.544
117.002,30
70.430,74
1.593
120.429,90
60.764,06
2.951
115.152,10
75.078,69
4.544
151,50
86,15
1.593
144,16
66,24
2.951
155,46
94,96
4.544
19.882,36
16.406,32
1.593
18.668,82
13.322,09
2.951
20.537,46
17.818,96
Kapitel 5
Tabelle 5-2:
Jahr
2006/07
SH
NI
2007/08
SH + NI
SH
NI
2008/09
SH + NI
SH
NI
2009/10
SH + NI
SH
NI
2010/11
Fortsetzung
Bundesland
SH + NI
SH + NI
SH
NI
55
Output
Arbeit
Land
Vorleis-
Rinder
Kapital
€
AK
ha
tungen in €
Stück
€
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
7.953
163.800,00
99.667,40
2.566
166.309,70
94.986,12
5.387
162.604,60
101.808,50
7.953
1,75
0,67
2.566
1,79
0,64
5.387
1,73
0,68
7.953
73,16
37,28
2.566
77,89
40,01
5.387
70,90
35,69
7.953
142.966,90
89.629,65
2.566
154.503,70
94.290,96
5.387
137.471,50
86.793,25
7.953
168,59
96,49
2.566
169,44
86,80
5.387
168,18
100,79
7.953
25.833,27
19.483,01
2.566
25.536,62
17.725,64
5.387
25.974,58
20.266,64
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
7.717
220.009,30
136.147,80
2.430
229.224,30
133.198,60
5.287
215.773,90
137.287,10
7.717
1,80
0,80
2.430
1,82
0,80
5.287
1,80
0,79
7.717
74,30
37,30
2.430
78,98
39,84
5.287
72,14
35,88
7.717
177.988,50
119.234,20
2.430
194.698,40
124.006,40
5.287
170.308,30
116.184,00
7.717
175,19
98,99
2.430
180,32
93,27
5.287
172,83
101,43
7.717
29.112,59
21.707,10
2.430
30.241,72
21.413,00
5.287
28.593,62
21.823,37
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
7.601
183.107,90
115.519,40
2.414
182.529,30
109.292,70
5.187
183.377,20
118.314,90
7.601
1,82
0,78
2.414
1,76
0,73
5.187
1,85
0,80
7.601
76,05
38,15
2.414
80,32
40,66
5.187
74,06
36,75
7.601
183.677,10
142.394,10
2.414
197.467,20
179.943,70
5.187
177.259,30
120.492,90
7.601
180,36
104,40
2.414
183,49
98,81
5.187
178,90
106,89
7.601
30.739,46
22.851,31
2.414
33.163,22
23.555,17
5.187
29.611,46
22.429,40
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
7.426
187.328,60
130.119,10
2.326
186.816,40
122.398,50
5.100
187.562,10
133.503,20
7.426
1,87
0,85
2.326
1,83
0,76
5.100
1,89
0,89
7.426
77,07
39,06
2.326
82,31
42,04
5.100
74,67
37,39
7.426
168.438,70
120.597,90
2.326
176.469,30
122.339,50
5.100
164.776,10
119.628,30
7.426
184,80
112,25
2.326
188,61
108,39
5.100
183,06
113,93
7.426
31.582,82
53.853,09
2.326
37.296,25
89.984,17
5.100
28.977,05
22.568,96
Obs
Mean
Std. dev
Obs
Mean
Std. dev
Obs
Mean
Std. dev
7.302
246.494,50
179.521,80
2.311
245.147,60
175.822,50
4.991
247.118,10
181.223,10
7.302
1,87
0,83
2.311
1,84
0,75
4.991
1,89
0,87
7.302
79,09
40,76
2.311
83,63
43,39
4.991
76,98
39,31
7.302
209.739,20
152.145,50
2.311
215.901,70
163.230,30
4.991
206.885,70
146.658,80
7.302
188,56
117,48
2.311
192,11
116,07
4.991
186,92
118,10
7.302
31.386,04
24.942,31
2.311
33.930,43
23.759,66
4.991
30.207,89
25.387,41
Quelle: Eigene Berechnungen; die Anzahl der Beobachtungen ist hochgerechnet.
Software
Alle Analysen wurden mit Stata12 durchgeführt. Es gibt verschiedene Programme, mit
denen eine stochastische Frontieranalyse durchgeführt werden kann: R, Ox-Metrics,
Kapitel 5
56
LIMDEP, Stata, SAS oder Frontier 4.1. Weil schon Vorkenntnisse in Stata bestanden und
es verfügbar war, wurde dieses Programm zur Analyse ausgewählt.
5.4 Ökonometrische Entwicklung
Um eine SFA durchführen zu können, muss zuerst eine Annahme über die Funktionsform
der Produktionsfunktion getroffen werden (vgl. Kap. 4.2.2). Im Ausgangsmodell (Modell
1) wird mit einer Cobb-Douglas-Produktionsfunktion gestartet.
k
y i = ∏ β j x ij * exp( vi − u i )
j=0
mit:
i : Anzahl der Beobachtungen; i = 0, … , N
j : Anzahl der exogenen Variablen und ihrer Parameter; j = 1, … , k
oder logarithmiert:
k
ln y i = β 0 + ∑ β j ln x ij + v i − u i
j =1
Für v wird eine Normalverteilung angenommen und für u eine Halbnormalverteilung.
Die Fehlerterme sind unabhängig voneinander verteilt.
v ~ i.i.d. N ( 0 ,σ 2v ) (i.i.d. = independent and identically distributed)
mit:
E[v i ] = 0
E[vi v j ] = 0 für alle i und j, i ≠ j
Var[ v i ] = σ v2
u ~ i.i.d. N + ( 0, σ u2 )
mit:
E[u i u j ] = 0 für alle i und j, i ≠ j
Kapitel 5
57
Var[ui ] = ( π2 − 1 )σ u2
Für den Fehlerterm der Ineffizienz wird eine Halbnormalverteilung angenommen, weil
diese in Stata verfügbar ist und nur einen zusätzlichen Parameter enthält, der geschätzt
werden muss. Zudem sind die folgenden Erweiterungen von Modell 1 oder 2 bei der Annahme einer Halbnormalverteilung leicht durchzuführen und verschiedene Autoren haben
festgestellt, dass die Verteilungsfunktion von u keinen großen Einfluss auf die Rangfolge
der Effizienzen der beobachteten Einheiten hat (vgl. Yane und Berg 2011 und Kumbhakar
und Lovell 2000).
Um die Log-Likelihoodfunktion, die zur Lösung des Modells benötigt wird, aufstellen zu
können, hat Weinstein (1964) die Summe einer Normal- und einer Halbnormalverteilung
berechnet:
f ( wi ) = ( 2 / σ )* φ( wi / σ )* Φ( λwi / σ )
mit:
wi = v i − ui = y i − f ( xi )
λ = σu / σv
σ 2 = σ 2v + σ 2u
φ( x ) : Wert der Wahrscheinlichkeitsdichtefunktion an der Stelle x.
Φ( x ) : Wert der kumulativen Verteilungsfunktion an der Stelle x.
Die Log Likelihoodfunktion ergibt sich dann als:
N
l( β ,σ ,λ ) = ∑ log f ( wi )
i =1
N
1
l ( β ,σ ,λ ) = − N ln σ − const . + ∑ [ln Φ{( − wi λ ) / σ } − ( wi / σ ) 2 ]
2
i =1
λ kann als Parameter für den Einfluss der Ineffizient auf die Streuung der Beobachtungen
gewertet werden, wenn λ = 0 ist, liegen keine Ineffizienzen vor und je größer λ ist, desto
Kapitel 5
58
stärker ist der Einfluss von der Ineffizenz ( u ) auf die Streuung der Beobachtungen. λ
kann aber nicht als das Verhältnis der Varianzen von u und v angesehen werden, weil
die Varianz von u ~ i.i.d. N + ( 0, σ u2 ) zwar von σ 2u abhängt aber (( π / 2 ) − 1 )σ 2u beträgt
(vgl. Greene 1993 S. 77).
Die konditionierte Verteilung von u bedingt w ist:
f ( ui , wi )
f ( ui | wi ) =
=
f ( wi )
1
( u −µ* i )²
exp{ −
}
2 πσ*
2 σ*2
µ i
1−Φ ( − σ* )
⇔ f ( ui | wi ) ~ N + ( µ*i ,σ*2 )
*
(Jondrow et al. 1982)
mit:
µ* i = − wi σ u2 / σ 2
σ*2 = σ u2 σ v2 / σ 2
Die Effizienzen können berechnet werden nach:
TEi = E [ e
− ui
1 − Φ [ σ* − µ*i / σ* ] −µ*i + 2 σ*2
| wi ] =
e
1 − Φ [ −µ*i / σ* ]
1
(Battese und Coelli 1988)
Stata berechnet automatisch mit dem Likelihood-Ratio-Test, ob überhaupt Ineffizienzen
vorliegen und somit die Frontieranalyse geeignet ist, oder ob mit der Kleinstquadratschätzung alle Informationen erfasst werden. Der Likelihood-Ratio-Test besagt allgemein, ob
das unrestringierte Modell (in dem Fall die Frontierschätzung) statistisch signifikant besser die Beobachtungen erklären kann als das restringierte Modell (in dem Fall die
Kleinstquadratschätzung). Die Teststatistik lautet:
LR = LF R / LF UR ≤ 1
=> ln LR = ln LF R − ln LF UR ≤ 0
Kapitel 5
mit:
LF R :
59
Maximaler Wert der Log-Likelihoodfunktion des restringierten
Modells
LF UR :
Maximaler Wert der Log-Likelihoodfunktion des unrestringierten Modells
Asymptotisch gilt:
− 2 ln LR ~ χ 2 ( p )
mit: p = Anzahl der Restriktionen = Differenz der Parameter
Hypothesen zum Testen, ob Ineffizienzen vorliegen, lauten:
Ho: σ u = 0
H1 : σ u ≥ 0
Teststatistik:
LR* = −2(ln LF R − ln LF UR )
Wenn:
LR* f χ 2 ( p ) -> Ho ablehnen
LR* ≤ χ 2 ( p ) -> Ho kann nicht abgelehnt werden
Es tritt das Problem auf, dass σ u = 0 auf der Grenze der χ 2 - Verteilung liegt, weil Null
der niedrigste Wert ist, den die Varianz annehmen kann. Aus diesem Grund können die
normalen kritischen Werte der χ 2 - Verteilung nicht verwendet werden. Kodde und Palm
(1986) haben hierfür die kritischen Werte der modifizierten χ 2 -Verteilung berechnet.
Wenn Ho nicht abgelehnt werden kann, bedeutet dies, dass das unrestringierte Modell
nicht signifikant mehr erklären kann als das restringierte Modell. In dem Falle würde es
bedeuten, dass eine Frontieranalyse keinen Sinn ergibt, weil keine Ineffizienzen vorliegen, die gemessen werden könnten. Wenn Ho abgelehnt werden kann und das unrestringierte Modell somit signifikant besser die Ergebnisse erklären kann, werden die folgenden Analysen mit dem unrestringierten Modell ausgeführt.
Kapitel 5
60
Im Modell 2 wird eine andere Produktionsfunktionsform angenommen: eine „transcendental logarithmic“ Funktion (translog-Funktion). Die Produktionsfunktion sieht dann
wie folgt aus:
k
ln y i = β 0 + ∑ β j ln xij +
j =1
1 k k
∑ ∑ β jl ln xij ln xil + vi − ui
2 j =1 l =1
Alle anderen oben spezifizierten Verteilungen und Schätzer bleiben gleich. Nach der
Schätzung kann auch hier getestet werden, ob Ineffizienzen vorliegen. Wenn Ineffizienz
vorliegt, können die Modelle 1 und 2 mit dem Likelihood-Ratio-Test gegeneinander evaluiert werden. Es wird getestet, ob das Modell 2 durch die hinzugekommenen Variablenkombinationen signifikant mehr erklären kann als das Modell 1. Das Ergebnis zeigt, welche Form der Produktionsfunktion die Daten besser repräsentiert. Die Hypothesen für den
Likelihood-Ratio-Test lauten:
Ho: β jl = 0 ∀j, l
H1: mindestens einer der Parameter ist ungleich Null.
Wenn Ho abgelehnt werden kann, wird mit Modell 2 weiter gearbeitet und die folgenden
Erweiterungen werden dort implementiert. Solle Ho nicht abgelehnt werden können, wird
Modell 1 verwendet.
Als dritter Schritt wird Heteroskedastizität im Ineffizienzterm (u) berücksichtigt (Modell 3). Heteroskedastizität führt allgemein bei einer Regression (z.B. bei der Kleinstquadratschätzung) dazu, dass die Schätzer für die Parameter nicht mehr effizient sind. Sie
bleiben aber unverzerrt. Statistische Tests sind dann nicht mehr möglich. Liegt aber bei
der Schätzung einer Frontierfunktion Heteroskedastizität im Ineffizienzterm vor, werden
die Parameter der Frontierfunktion und alle an ihr errechneten Größen verzerrt (Hadri
1999). Aus diesem Grund ist Heteroskedastizität im Ineffizienzterm ein größeres Problem, als im statistischen Rauschen. Deshalb ist es von entscheidender Bedeutung, den
Kapitel 5
61
Einfluss der Inputvariablen auf σ u zu berücksichtigen . Claudill et al. (1995) haben Hete25
roskedastizität im Ineffizienzterm in das Modell integriert, in dem sie die Verteilung des
Fehlerterms u ~ N + ( 0,σ u ) in σ u von den Inputvariablen abhängig gemacht haben. So ergibt sich für jede Beobachtung i ein eigenes σ u .
k
σ ui = σ exp( ∑ Z ij γ j ) ,wenn Zi eine Konstante (γ0) enthält, kann der Term zu
j =1
k
σ ui = exp( ∑ Z ij γ j )
vereinfacht werden (S. 107).
j =0
Z = Inputvariablen
mit:
γ = Parameter der Inputvariablen
Diese Formel kann geschrieben werden als:
ui = σ( Z ij , γ j ) * N + ( 0,1 )
Auf Grund der Einheitlichkeit wird die Varianz des statistischen Rauschens auch als Exponentialfunktion angegeben:
σ v = eρ
Der kumulierte Fehlerterm weist jetzt eine unterschiedliche Verteilung für jede Beobachtung auf:
f ( wi ) = ( 2 / σ i )φ( wi / σ i )Φ( λ i wi / σ i )
mit:
σ i2 = σ v2 + σ u2
i
λi = σ u / σ v
i
25
Das Testen mit dem Breusch-Pagan-Test, ob eine Variable Einfluss auf σu hat, ist nicht möglich, da u
dazu normalverteilt hätte sein müssen.
Kapitel 5
62
Und die Log-Likelihoodfunktion:
N
l ( β , σ( γ ,ρ ), λ( γ ,ρ )) = ∑ log( f ( wi ))
i =1
Anhand eines Likelihood-Ratio-Test mit den Hypothesen, H0: γ1= γ2=….= γk=0 und H1:
mind. ein γ ≠ 0, kann getestet werden, ob das im Ineffizienzterm heteroskedastische Modell die Beobachtungen besser erklärt, als das einfachere Modell.
Heteroskedatizität verändert σ u der Verteilung des Ineffizienzterms. Graphisch betrachtet
bedeutet dies, dass die Halbnormalverteilung bei größeren σ u immer flacher und weiter
nach rechts auslaufend wird (vgl. Abbildung 5-1). Auf Grund dieser Tatsache verändert
sich mit σ u auch der Mittelwert der Funktion. Das heißt: Wenn eine Variable dazu führt,
dass σ u größer wird, dann führt sie automatisch auch dazu, dass der Mittelwert der Verteilung größer wird. Somit wird der mittlere Ineffizienzwert größer und der Effizienzwert
kleiner. Über das Vorzeichen des Parameters der Variablen kann also der Effekt derselben
auf die Effizienz bestimmt werden. Aus diesem Grund können in der Funktion von σ u
nicht nur die Inputvariablen berücksichtigt werden, sondern auch die Variablen, von denen angenommen wird bzw. getestet werden soll, ob sie einen Effekt auf die Ineffizienz
haben (vgl. hierzu Alvarez et al. 2006 und Wang und Schmidt 2002).
Kapitel 5
Abbildung 5-1:
63
Halbnormalverteilungen mit verschiedenen Sigma
0.35
0.3
Häufigkeit
0.25
0.2
S igma = 0.5
S igma = 1
S igma = 1.5
S igma = 2
S igma = 3
Mittelwert: S igma = 0.5
Mittelwert: S igma = 1
Mittelwert: S igma = 1.5
0.15
0.1
0.05
0
0
0.5
1
1.5
2
2.5
X-Wert
Im vierten Schritt wird deshalb σ u auch vom Alter des Betriebsleiters, dem Ausbildungsstand des Betriebsleiters im Agrarbereich und dem Bundesland, in welchem sich der Betrieb befindet, abhängig gemacht (Modell 4).
k
m
j =0
r =1
σ ui = exp( ∑ Z ij γ j + ∑ Eir θ r )
σ ui = exp( γ 0 + γ ak * AK i + γ kap * Kapitali + γ rst * Rinderi + γ l * Land i
+ γ vorl * Vorleistungen i + θ alter * Altersklassei + θ ausb * Ausbildungsklassei
+ θ bl * Bundeslanddummy i )
mit:
Z = Inputvariablen
γ = Parameter der Inputvariablen
E = externe Variablen und r = (1, .., m), m = Anzahl der externen Variablen.
Kapitel 5
64
θ = Parameter der externen Variablen
Die Log-Likelihoodfunktion ergibt sich dann als:
N
l ( β , σ( γ , θ,ρ ), λ( γ , θ,ρ )) = ∑ log( f ( wi ))
i =1
Anhand eines Likelihood-Ratio-Tests mit H0: θalter = θ
ausb
= θbl = 0 und H1: mind. ein
θr ≠ 0 wird Modell 4 gegen Modell 3 getestet.
Es gibt verschiedene andere Ansätze, mit denen der Einfluss externer Variablen auf die
Ineffizienz modelliert werden kann. Der bekannte Ansatz von Kumbhakar, Gosh und
McGuckin (1991) und - erweitert für Panel-Daten - von Battese und Coelli (1993) zur
Integration von externen Variablen in die Schätzung einer Frontierfunktion setzt auch bei
der Verteilung des Ineffizienzterms an. In diesem Fall wird die Halbnormalverteilung zu
einer abgeschnittenen Normalverteilung, indem µ von den externen Variablen abhängig
gemacht wird.
u ~ i.i.d. N + ( µ ui ,σ u2 )
m
mit:
µ ui = − ∑ E ir θ r
r =1
26
Die Ineffizienzfehlerterme sind jetzt nicht mehr identisch verteilt . Alvarez et al. (2006)
beschreiben, warum es ihrer Meinung nach sinnvoller ist, ein Modell mit den Eigenschaften des Modells von Caudill et al. (1995) zu wählen. Aus diesen Gründen wurde hier das
Modell von Caudill et al. gewählt. Außerdem ist die Möglichkeit zur Umsetzung in Stata
gegeben.
Natürlich könnten auch erst die Werte für die technische Effizienz für jeden Betrieb bestimmt werden und dann die externen Variablen darauf regressiert werden. Dieses Ver-
26
Für nähere Informationen zu dem Ansatz siehe auch Kumbhakar und Lovell (2000) und Coelli et al.
(2005)
Kapitel 5
65
fahren führt aber zu verzerrten Schätzern, wie Wang und Schmidt (2002) gezeigt haben.
Unter anderem liegt es daran, dass, wenn ein Zusammenhang zwischen den externen Variablen und der technischen Effizienz vorliegt, das Modell bei der Schätzung diesen Zusammenhang nicht erlaubt. Damit liegt eine Fehlspezifikation vor. Die Effizienzwerte,
auf die regressiert wird, sind also verzerrt.
Heteroskedastizität kann nicht nur im Ineffizienzterm vorliegen, sondern auch im statistischen Rauschen. Dadurch würden die Maximum-Likelihood-Schätzer ineffizient und statistische Test können nicht mehr durchgeführt werden (Hadri 1999). Hadri fand in seiner
Anwendung des Modells heraus, dass die von ihm verwendeten Daten die Annahme von
doppelter Heteroskedastizität unterstützen und die ermittelten Effizienzwerte sehr sensibel auf die Spezifikation des Modells reagieren. Auch die Rangfolge der Effizienzwerte
wurde durch die Spezifikation beeinflusst. Deshalb wird in Modell 5 auch für Heteroskedastizität in v kontrolliert. Nach dem Verfahren von Hadri (1999) wird die Varianz (σv)
des Fehlerterms in gleicher Weise von den Inputvariablen abhängig gemacht, wie σu des
Ineffizienzterms.
k
σ vi = exp( ∑ Z ij ρ j ) = exp( ρ 0 + ρ ak * AK i + ρ kap * Kapitali + ρ rst * Rinderi + ρ l * Land i
j =0
+ ρ vorl * Vorleistungen i )
mit:
Z = Inputvariablen
ρ = Parameter der Inputvariablen (beinhaltet eine Konstante)
Der kumulierte Fehlerterm unterscheidet sich jetzt für jede Beobachtung in σv und σu.
f ( wi ) = ( 2 / σ i )φ( wi / σ i )Φ( λ i wi / σ i )
mit:
σ i2 = σ v2 + σ u2
i
i
λ i = σ ui / σ vi
Und die Log-Likelihoodfunktion:
Kapitel 5
66
N
l ( β ,σ( γ ,θ,ρ ),λ( γ ,θ,ρ )) = ∑ log( f ( wi ))
27
i =1
Auch hier kann der Likelihood-Ratio-Test mit H0: ρ ak = ρ kap = ρ rst = ρ l = ρ vorl = 0 und H1:
mind. ein ρ ≠ 0 angewendet werden. So wird getestet, ob Modell 5 die Beobachtungen
28
signifikant besser erklären kann als Modell 4 .
Tabelle 5-3:
Ausgestaltung der verwendeten Modelle
Modell ProduktionsNr.
funktion
1
2
Cobb-Douglas
transcendental
logarithmic
(Translog)
3
Translog
Heteroskedastizität
im Ineffizienzterm
Externe Variablen
berücksichtigt
Heteroskedastizität
im statistischen Rauschen
Nein
Nein
Nein
Nein
Nein
Nein
Ja:
Nein
Nein
σ u i = exp(
4
Translog
k
∑Z
ij
γj )
j= 0
Ja
Ja:
Nein
k
k
j =0
j =1
σ ui = exp( ∑ Z ij γ j + ∑ Eij θ j )
5
Translog
Ja
Ja:
Ja:
k
k
j =0
j =1
σu = exp( ∑ Zij γ j + ∑ Eijθ j )
i
k
σ v i = exp( ∑ Z ij ρ j )
j=0
Die Startwerte für die Analysen stammen bei Modell 1 und 2 aus einer einfachen Regression mit Hilfe der Kleinstquadratschätzung. Für Modell 3 bis 5 stammen die Startwerte
immer aus der Schätzung des vorherigen Modells. Die Modelle wurden alle mit der Maximum-Likelihood-Methode geschätzt.
27
28
Die partiellen Ableitungen sind in Hadri 1999 aufgelistet.
In diesem Fall hätte mit dem Breusch-Pagan-Test auch jede Variable vorher auf ihren Einfluss auf die
Varianz des Fehlerterms getestet werden können. Da aber mit dem Likelihood-Ratio-Test gegen das
Modell 4 getestet wird, ob das Modell 5 mehr der Beobachtungen erklären kann, wird implizit auch
getestet, ob Heteroskedastizität vorliegt. Deshalb wurde hier auf den Breusch-Pagan-Test verzichtet.
Kapitel 5
67
Sollte Stata ein Modell unter Zuhilfenahme aller verfügbaren Maximierungsalgorithmen
und der „difficult“-Option nicht maximieren können, wird mit dem Modell des nächsten
29
Schrittes weiter gearbeitet . Wenn der Likelihood-Ratio-Test ergibt, dass das komplexere
Modell keinen zusätzlichen Erklärungsbeitrag im Vergleich zu dem einfacheren Modell
leistet, bleibt die Analyse bei dem einfacheren Modell stehen.
29
Interessanterweise konnte Stata12 die unrestringierteren Modelle besser maximieren als die restringierteren Modelle.
Kapitel 6
6
Ergebnisse
68
Ergebnisse
Um Klarheit hinsichtlich der in den vorherigen Kapiteln aufgestellten Annahmen und der
Forschungshypothese zu schaffen, werden diese in Kapitel 6.1 zusammengefasst. Während der Durchführung der Analyse kam es teilweise zu inhaltlich nicht sinnvollen Ergebnissen, die zudem die Annahmen der Monotonieeigenschaft der Produktionsfunktion verletzten. Kapitel 6.1 beschreibt deshalb zunächst die Problemlage und welcher Lösungsweg gewählt wurde. Die Ergebnisse, die mit dem modifizierten Modell errechnet wurden,
werden in Kapitel 6.3 präsentiert.
6.1 Annahmen und Hypothese
Aufbauend auf der Tatsache, dass sich die Investitionsförderung seit 2007 stark zwischen
Niedersachsen und Schleswig-Holstein unterscheidet, wurde unter folgenden Annahmen
die Hypothese untersucht, dass eine stärkere Förderung von Investitionen zu effizienteren
Betrieben führt, weil die Förderung das Investitionsverhalten beeinflusst:
–
Die Betriebsleiter sind Gewinnmaximierer.
–
Durch technischen Fortschritt wird die Produktionsfunktion nach oben gedreht. Die
Betriebe werden durch die Implementierung von Innovationen effizienter, da ihre betriebsspezifische Produktionsfunktion nach oben gedreht wird und somit näher an die
Frontierproduktionsfunktion rückt.
–
Die Frontierproduktionsfunktionen erfüllen die in Kapitel 4.1 beschriebenen Eigenschaften einer Produktionsfunktion.
–
Alle Betriebe hatten Zugang zur gleichen Technologie, das heißt, die Standortbedingungen und somit auch die Preise waren gleich. Nur die Investitionsförderung war
unterschiedlich. Dieser Unterschied soll in den Effizienzwerten abgebildet werden.
–
Die Annahmen über die Funktionsformen der Produktionsfunktion und Fehlerterme
sind korrekt.
Kapitel 6
Ergebnisse
69
6.2 Das Problem der Multikollinearität
Die Analyse führte teilweise zu negativen Produktionselastizitäten bei den Inputfaktoren
Land und Arbeit. Diese Tatsache verletzt die Annahme der Monotonie der Produktions30
funktion . Inhaltlich ist es außerdem fragwürdig, ob ein solcher Zusammenhang bestehen
kann, da absolut mehr Input selten zu absolut weniger Output führt. Zudem können die
Effizienzwerte nicht mehr sinnvoll interpretiert werden. Hennigsen und Henning (2009)
schreiben: „If a production frontier is not monotonically increasing, the efficiency estimates of the individual firms cannot be reasonably interpreted.”
31
Um zu überprüfen, ob wirklich eine negative Beziehung zwischen dem Output und den
Inputfaktoren vorliegt, wurden die Pearson-Korrelationskoeffizienten der Inputfaktoren
mit dem Output berechnet (Tabelle 6-1).
Tabelle 6-1:
Output
Arbeit
Land
Rinder
Vorleistungen
Kapital
Output
Arbeit
Land
Rinder
Vorleistungen
Kapital
Korrelation der Inputfaktoren mit dem Output
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
0,7016
0,9032
0,8925
0,9401
0,8160
0,7299
0,9063
0,8911
0,9583
0,8376
0,7041
0,9023
0,9013
0,9592
0,8295
0,6345
0,8859
0,8942
0,9576
0,8249
0,7447
0,9096
0,9032
0,9598
0,7929
0,7017
0,9111
0,8950
0,9498
0,8211
2006/07
2007/08
2008/09
2009/10
2010/11
Summe
0,7244
0,8710
0,8985
0,9511
0,8199
0,7283
0,8685
0,8910
0,9511
0,8176
0,7331
0,8635
0,9139
0,9427
0,8335
0,7428
0,8491
0,9175
0,9442
0,8123
0,7567
0,8281
0,9101
0,9373
0,7825
7,9018
9,6986
9,9083
10,4512
8,9878
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes
30
31
Sauer et al. (2006) stellen in ihrem Artikel: „Stochastic Efficiency Measurement: the Curse of Theoretical Consitency“ die Wichtigkeit der Überprüfung von theoretischen Grundlagen dar.
Sie haben ein drei Stufen Verfahren entwickelt um Monotonie sicherzustellen. Die Umsetzung dieses
Verfahrens ist aber nicht einfach in Stata durchführbar.
Kapitel 6
Ergebnisse
70
Es zeigt sich, dass alle Inputfaktoren über die beobachtete Zeit hinweg relativ stark mit
dem Output korreliert sind. Negative Produktionselastizitäten lassen sich so nicht erklären. Die Summe zeigt an, welche Inputfaktoren über die Zeit besonders hoch mit Output
korreliert sind und deshalb wahrscheinlich einen starken Effekt auf den Output haben.
Ein weiterer Grund für das Auftreten von negativen Produktionselastizitäten könnte Multikollinearität sein.
„Kollinearität (häufig auch als Multikollinearität bezeichnet) liegt vor, wenn zwischen
zwei oder mehr erklärenden Variablen eine deutliche Korrelation besteht. … Liegt …
Kollinearität vor, die nicht perfekt ist, lässt sich die Schätzung der Regressionsgleichung
mathematisch in gewohnter Weise durchführen. … Allerdings sind die geschätzten Parameter nicht mehr zuverlässig, sondern mit hoher Wahrscheinlichkeit verzerrt.“ (Brosius
2011, S. 580f.).
Die Pearson-Korrelationsmatrizen der Inputfaktoren für jedes Jahr zeigen deutlich, dass
eine hohe bis mittlere Korrelation zwischen den Inputvariablen besteht. Der kleinste Korrelationskoeffizient beträgt 0,5203 und der größte 0,9117 (vgl. Anhang 2). Es liegt also
keine perfekte Multikollinearität vor (dann wäre der Korrelationskoeffizient 1). Bei dem
Vorliegen von nicht perfekter Korrelation kann entweder einer Variable aus der Analyse
herausgenommen oder sie durch eine andere Variable ersetzt werden, z.B. indem Variablen zusammengefasst werden (Brosius 2011). Variablen zusammenzufassen ist in diesem
Fall nicht trivial, weil nur das Kapital und die Vorleistungen monetär erfasst sind. Im Kapital schlägt sich aber die Förderung nieder. Somit wäre die Schätzung des Zusammenhanges zwischen dem Faktor Kapital und der Effizienz bzw. dem Output nicht mehr möglich. Die anderen Inputfaktoren zusammenzufassen, ist problematisch, weil diese in verschiedenen Einheiten gemessen werden. Es bleibt nur die Möglichkeit, einen Inputfaktor
von der Analyse auszuschließen. Kapital soll aus den oben genannten Gründen in der
Analyse bleiben. Um möglichst wenige Informationen zu verlieren, ist es sinnvoll, den
Faktor auszuschließen, der am höchsten mit den anderen Inputfaktoren korreliert ist und
seine Informationen somit am besten von den anderen Inputvariablen wiedergegeben
werden. Die Summe der Korrelationskoeffizienten der einzelnen Inputvariablen mit den
anderen Inputvariablen gibt an, wie stark diese Inputvariable von den anderen Variablen
Kapitel 6
Ergebnisse
71
widergespiegelt wird (vgl. Tabelle 6-2). Anhand der Ränge lässt sich erkennen, dass die
Vorleistungen über die Zeit am stärksten mit den anderen Inputfaktoren korreliert sind.
Die Vorleistungen sind aber auch am stärksten mit dem Output korreliert, deshalb scheint
es sinnvoll, diese Variable nicht aus der Analyse auszuschließen (vgl. Tabelle 6-1). Die
Faktoren Land und Rinderstückzahl sind ähnlich stark mit den anderen Inputfaktoren korreliert. Es liegt deshalb nahe, einen der beiden Faktoren aus der Analyse auszuschließen.
Das Land wurde gewählt, weil es insgesamt geringfügig weniger stark mit dem Output
korreliert ist (vgl. Tabelle 6-1). Zudem wäre es inhaltlich nicht plausibel, bei der Analyse
von spezialisierten Milchviehbetrieben die Anzahl der Rinder zu vernachlässigen. Inhaltlich ist es natürlich auch nicht unbedenklich, das Land aus der Analyse auszuschließen.
Genauere Überlegungen folgen in Kapitel 8.2.
Tabelle 6-2:
2000/01
Rang
2001/02
Rang
2002/03
Rang
2003/04
Rang
2004/05
Rang
2005/06
Rang
2006/07
Rang
2007/08
Rang
2008/09
Rang
2009/10
Rang
2010/11
Rang
Summe der Ränge
Summen der Korrelationskoeffizienten der Inputvariablen
AK
Land
Rinder
Vorleistungen
Kapital
2,7111
5
2,7737
5
2,6183
5
2,4363
5
2,8902
4
2,5648
5
2,6615
5
2,7366
5
2,6924
5
2,7371
5
2,8083
4
3,2241
1
3,2763
1
3,2231
3
3,1351
3
3,2981
1
3,1936
2
3,1847
2
3,1995
2
3,1929
3
3,1711
3
3,1862
3
3,2048
2
3,2722
2
3,2488
2
3,1741
2
3,2965
2
3,1514
3
3,1628
3
3,1759
3
3,2442
1
3,2349
2
3,2256
2
3,1782
3
3,2438
3
3,2563
1
3,1826
1
3,2366
3
3,2202
1
3,2402
1
3,2406
1
3,2394
2
3,2560
1
3,2675
1
2,9023
4
2,9434
4
2,8751
4
2,8713
4
2,8165
5
2,7449
4
2,7391
4
2,7609
4
2,8035
4
2,7810
4
2,8075
5
53
24
24
18
46
Kapitel 6
Ergebnisse
72
Nach dem Ausschluss des Faktors Land wurde die Analyse, wie in Kapitel 5.4 beschrieben, durchgeführt.
6.3 Ergebnisse der Analyse ohne den Faktor Land
In allen untersuchten Wirtschaftsjahren hat sich Modell 5 als das Modell herausgestellt,
das die Beobachtungen am besten erklären kann (vgl. Tabelle 6-3).
Tabelle 6-3:
Jahr
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
2006/07
2007/08
2008/09
2009/10
2010/11
Ergebnisse der Likelihood-Ratio-Tests
OLS vs. M1
X
X
abgelehnt *
abgelehnt *
X
X
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
OLS vs. M2
abgelehnt *
X
abgelehnt *
abgelehnt *
abgelehnt **
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
M1 vs. M2
~
~
abgelehnt *
abgelehnt *
~
~
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
M2 vs. M3
abgelehnt *
~
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
M3 vs. M4
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
M4 vs. M5
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
abgelehnt *
X = Stata konnte kein Maximum finden
~ = Es konnte kein Test durchgeführt werden
abglehnt * = Die Nullhypothese kann bei Alpha = 5 % abgelehnt werden
abgelehnt ** = Die Nullhypothese kann bei Alpha = 10 % abgelehnt werden
OLS = Kleinstquadratschätzung mit einer Cobb-Douglas bzw. Translog Funktion
M1-5 = Modell 1-5
In Tabelle 6-4 sind die Ergebnisse der stochastischen Frontieranalyse mit Modell 5 für
jedes Jahr dargestellt. Die β-Parameter sind die partiellen Produktionselastizitäten der
Inputvariablen am Mittelwert der Stichprobe. Die ς-Parameter geben den Zusammenhang
der Inputvariablen mit der Varianz des statistischen Rauschens wieder. Die θ- und γ- Parameter geben den Zusammenhang der Inputvariablen (γ) und der externen Variablen (θ)
mit σu des Ineffizienzterms und somit den Zusammenhang mit der Ineffizienz wieder.
Kapitel 6
Ergebnisse
Tabelle 6-4:
Parameter
β(kap)
β(ak)
β(vorl)
β(rst)
ς(ak)
ς(kap)
ς(rst)
ς(vorl)
γ(ak)
γ(kap)
γ(rst)
γ(vorl)
θ(alter)
θ(ausb)
θ(bl)
73
Werte der Parameter und Standardabweichungen
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
2006/07
2007/08
2008/09
2009/10
2010/11
0.121
0.006
0.105
0.011
0.563
0.011
0.166
0.011
2.285
0.130
0.894
0.057
-2.020
0.133
0.606
0.107
1.256
0.297
1.082
0.100
1.100
0.334
-5.102
0.250
-0.757
0.051
-4.151
1.244
-0.625
0.111
0.106
0.006
0.181
0.014
0.735
0.010
0.049
0.014
2.028
0.147
0.629
0.062
0.871
0.162
-2.563
0.146
1.762
0.323
-1.167
0.107
-2.867
0.335
3.256
0.273
0.439
0.067
0.030
0.105
-1.170
0.102
0.078
0.006
0.139
0.013
0.771
0.014
0.134
0.018
2.053
0.132
0.790
0.078
-0.087
0.193
-2.053
0.167
1.008
0.267
-1.065
0.127
-1.378
0.525
3.185
0.526
0.401
0.063
0.385
0.128
-0.639
0.094
0.179
0.005
0.205
0.010
0.403
0.011
0.251
0.010
1.957
0.284
-1.602
0.128
-2.362
0.317
4.642
0.327
1.251
0.139
1.106
0.056
0.716
0.158
-2.324
0.132
-0.051
0.033
-0.533
0.064
-0.485
0.052
0.126
0.004
0.118
0.012
0.715
0.011
0.100
0.013
0.829
0.121
0.835
0.048
0.308
0.129
-2.049
0.096
9.935
0.988
0.427
0.269
-9.453
0.853
8.105
0.750
0.072
0.130
-0.686
0.279
-5.469
0.516
0.153
0.005
0.202
0.014
0.627
0.011
0.136
0.012
-0.436
0.121
0.341
0.061
0.631
0.118
-1.452
0.140
7.774
1.281
0.233
0.432
-3.749
0.860
4.760
0.969
0.718
0.262
0.825
0.301
-5.196
0.757
0.155
0.006
0.209
0.013
0.611
0.009
0.209
0.011
-1.611
0.123
-0.251
0.042
1.217
0.095
-0.618
0.107
3.083
0.323
0.095
0.110
-2.037
0.265
1.558
0.179
0.050
0.031
-0.702
0.058
-0.596
0.063
0.124
0.005
0.180
0.015
0.631
0.011
0.190
0.012
-0.968
0.160
0.574
0.051
0.841
0.119
-1.680
0.131
2.052
0.264
-0.494
0.082
-1.766
0.197
1.835
0.196
0.096
0.037
-0.595
0.058
-0.521
0.058
0.111
0.007
0.183
0.013
0.499
0.015
0.369
0.022
-0.546
0.145
0.352
0.042
-0.349
0.164
-0.592
0.108
3.119
0.448
-0.058
0.147
-0.892
0.531
0.735
0.369
-0.006
0.050
-0.642
0.106
-1.191
0.115
0.209
0.006
0.237
0.014
0.438
0.011
0.271
0.015
-2.185
0.164
-0.286
0.051
-0.671
0.146
1.178
0.124
2.079
0.269
0.648
0.073
-1.254
0.184
-0.233
0.143
0.075
0.032
-0.813
0.062
-0.665
0.066
0.172
0.004
0.117
0.014
0.623
0.010
0.147
0.010
1.845
0.202
0.525
0.064
-0.373
0.154
-1.918
0.183
-0.061
0.174
0.526
0.043
-2.550
0.130
1.402
0.130
0.371
0.031
-0.282
0.045
-0.734
0.045
Fett = Signifikat bei Alpha = 5 %
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes.
Kapitel 6
Ergebnisse
74
Bei den Produktionselastizitäten weisen die Vorleistungen über die Jahre immer den
höchsten Wert auf (0,403 – 0,771). Es kann keine Inputvariable identifiziert werden, deren Parameter über die Zeit besonders gering ist. Dass die Vorleistungen ein wichtiger
Produktionsfaktor sind, deckt sich mit den Ergebnissen von Brümmer (1996). Aus den
partiellen Produktionselastizitäten am Stichprobenmittel kann geprüft werden, ob lineare
Homogenität am Stichprobenmittel (also lokale konstante Skalenerträge) vorliegen. Die
Skalenelastizität errechnet sich nach Coelli et al. 2005:
N
ε = ∑ En
n =1
mit:
ε = Skalenelastizität
E = partielle Produktionselastizitäten der n Inputfaktoren
Wenn die Skalenelastizität gleich 1 ist, kann von lokalen konstanten Skalenerträgen ausgegangen werden. Die Skalenelastizität liegt, außer im Wirtschaftsjahr 2000/01, immer
leicht über 1. Es kann also von leicht steigenden lokalen Skalenerträgen ausgegangen
werden. Brümmer (1996) fand konstante Skalenerträge.
Tabelle 6-5:
Jahr
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
Skalenelastizität
Skalenelastizität
Std. dev.
0.9552
1.0706
1.1218
1.0373
1.0593
1.1178
0.0083
0.0091
0.0114
0.0078
0.0072
0.0102
Jahr
2006/07
2007/08
2008/09
2009/10
2010/11
Skalenelasizität
Std. dev.
1.1834
1.1251
1.1619
1.1554
1.0596
0.0086
0.0087
0.0083
0.0108
0.0101
Alle Werte sind mit Alpha = 0,01 von Eins verschiedenen
Hinsichtlich der Einflüsse der Input- und externen Variablen auf die Ineffizienz, lässt sich
feststellen, dass, wenn ein statistisch signifikanter Zusammenhang vorliegt, die Arbeitskräfte positiv mit der Ineffizienz korreliert sind, also im Umkehrschluss negativ mit der
Kapitel 6
Ergebnisse
75
Effizienz korreliert sind. Folgend wird immer der Zusammenhang mit der Effizienz beschrieben. Die Anzahl der Rinder ist in den meisten Jahren positiv mit der Effizienz korreliert, die Vorleistungen hingegen negativ. Das Alter weist einen negativen Zusammenhang mit der Effizienz auf und zwischen dem Ausbildungsstand des Betriebsleiters und
der Effizienz besteht besonders im der zweiten Panel (2006/07 – 2010/11) ein positiver
Zusammenhang. Diese Ergebnisse des Alters und des Ausbildungsstands weist auch die
Analyse von Gubi (2006) auf. Brümmer und Loy (2000) bestätigen den Zusammenhang
zwischen der Anzahl Rinder und des Alters des Betriebsleiters auf die Effizienz. Der Parameter des Bundeslanddummys ist immer negativ, hat also einen positiven Effekt auf die
Effizienz.
Abbildung 6-1:
Durchschnittliche Effizienzwerte der Betriebe in Schleswig-Holstein
und Nord-Niedersachsen
1
0,1
0,9
0,08
0,8
0,7
0,06
0,5
0,04
0,4
0,02
0,3
0,2
Differenz
Effizienzwert
0,6
0
0,1
0
-0,02
SH
NI
Differenz (NI - SH)
Die Mittelwerte der Effizienzwerte der Bundesländer zeigen, dass die Betriebe in NordNiedersachsen seit 2001/02 signifikant effizienter sind als die Betriebe in SchleswigHolstein (Abbildung 6-1).
Kapitel 6
Ergebnisse
76
Um zu überprüfen, ob es signifikante Unterschiede bei den Input- und externen Variablen
zwischen den Bundesländern gibt, wurde eine Regression des Bundeslanddummys (SH =
0, NI = 1) auf die Variablen durchgeführt (Tabelle 6-6).
Tabelle 6-6:
Regression des Bundeslandes auf die Variablen
Jahr
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
2006/07
2007/08
2008/09
2009/10
2010/11
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Parameter
Std. dev
Arbeit
Kapital
Rinder
Land
Vorleistungen
Alter
Ausbildung
-0.0508
0.0096
-0.0023
0.0095
0.0176
0.0127
0.0253
0.0101
0.0027
0.0102
0.0439
0.0095
-0.0272
0.0080
-0.0103
0.0097
0.0450
0.0096
0.0337
0.0107
0.0268
0.0105
-778.01
258.40
-477.90
264.52
1,136.42
262.25
1,051.55
266.32
934.32
254.69
163.25
268.90
218.98
233.66
-824.05
265.86
-1,775.88
280.79
-4,159.60
672.02
-1,861.27
313.05
0.2640
1.1712
2.1339
1.2187
3.5943
1.2622
4.1290
1.3082
5.6530
1.3368
5.8665
1.3806
-0.6305
1.1573
-3.7466
1.2123
-2.2920
1.2860
-2.7749
1.4039
-2.5941
1.4777
-0.7029
0.4377
-0.2204
0.4526
-0.0421
0.4611
-0.2737
0.4730
0.2796
0.4912
0.9547
0.4998
-3.4949
0.4454
-3.4196
0.4555
-3.1283
0.4686
-3.8206
0.4867
-3.3247
0.5113
-4,831.43
976.41
-1,744.17
1,061.67
-1,744.33
1,021.19
-3,337.95
1,075.57
-2,638.92
1,094.28
-558.22
1,115.56
-8,516.11
1,070.76
-12,195.06
1,454.61
-10,103.91
1,750.45
-5,846.61
1,507.26
-4,508.03
1,913.47
0.0925
0.0144
0.0895
0.0137
0.0682
0.0134
0.0727
0.0133
0.0935
0.0135
0.1083
0.0123
0.0843
0.0098
0.0733
0.0099
0.0791
0.0099
0.0706
0.0100
0.0813
0.0100
-0.0520
0.0063
-0.0532
0.0063
-0.0619
0.0065
-0.0474
0.0066
-0.0436
0.0067
-0.0440
0.0067
-0.0534
0.0059
-0.0595
0.0061
-0.0587
0.0061
-0.0600
0.0062
-0.0608
0.0063
Fett = Signifikant bei alpha = 5 %
Quelle:
Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung: Alter und Ausbildung
gingen als Klassenvariablen in die Regression ein)
Die Betriebsleiter in Nord-Niedersachsen sind über die beobachtete Zeit hinweg älter und
schlechter im Agrarbereich ausgebildet als ihre Berufskollegen in Schleswig-Holstein. Es
ist außerdem zu erkennen, dass in Schleswig-Holstein mehr Vorleistungen eingesetzt
wurden, außer in den Wirtschaftsjahren 2001/02 und 2005/06. Bei den Faktoren Land und
Kapital ist festzustellen, dass diese seit 2006/07 bzw. 2007/08 in Schleswig-Holstein in
größerem Umfang eingesetzt werden als in Nord-Niedersachsen. Der Arbeitseinsatz hingegen ist in Nord-Niedersachsen in den letzten drei betrachteten Wirtschaftsjahren deutlich höher als in Schleswig-Holstein.
Kapitel 7
7
77
Mit der vorliegenden Arbeit sollte ermittelt werden, ob die einzelbetriebliche Förderung
mittels des Agrarinvestitionsförderungsprogramms einen Einfluss auf die Effizienz der
Betriebe hat. In Kapitel 7.1 wird deshalb der Einfluss der Förderung auf die Effizienz
anhand der Ergebnisse dargestellt. Weitere Überlegungen und Ergebnisse zum Einfluss
der Förderung folgen in Kapitel 7.2. Es zeigt sich, dass die Betriebe in NordNiedersachsen tendenziell effizienter sind als die Betriebe in Schleswig-Holstein. Damit
stellt sich die Frage, welche Faktoren zudem im Zusammenhang mit der Effizienz stehen
könnten.
7.1 Einfluss der einzelbetrieblichen Förderung
Die Investitionsförderung in den Bundesländern hat sich seit 2007 stark unterschieden.
Deshalb wären ab 2007 auch Unterschiede zwischen den Effizienzwerten der Betriebe zu
erwarten. Weil die Effizienzwerte der Betriebe in Nord-Niedersachsen im Mittel aber seit
2001/02 schon über dem Mittelwert der Effizienz der Betriebe in Schleswig-Holstein liegen, kann die Arbeit keinen Effekt der Förderung auf die Effizienz feststellen. Der prozentuale Abstand zwischen den Effizienzwerten in Prozentpunkten nimmt zwar ab
2008/09 leicht zu, ähnliche Abstände sind aber auch in früheren Wirtschaftsjahren zu beobachten (Abbildung 6-1). Da verschiedene Faktoren in Zusammenhang mit der Effizienz
stehen, könnte es sein, dass sich die Effizienzwerte zwischen Nord-Niedersachsen und
Schleswig-Holstein nicht stärker unterscheiden, weil der Effekt der anderen Faktoren den
Einfluss der Förderung auf die Effizienz hemmt. Ein Beispiel: Die eingesetzte Arbeit
steht in einem negativen Zusammenhang zur Effizienz. Die Betriebe in NordNiedersachsen setzten mehr Arbeit ein als die Betriebe in Schleswig-Holstein. Wenn die
Förderung einen positiven Effekt auf die Effizienz hat und die Betriebe in NordNiedersachsen mehr von ihr profitieren, könnte dieser durch den Effekt der Arbeit ausgeglichen werden. Die Betriebe der Bundesländer könnten im Mittel den gleichen Effizienzgrad aufweisen.
Der Effekt der Förderung soll durch den Bundeslanddummy abgebildet werden. Dieser ist
immer negativ und zeigt somit an, dass in Nord-Niedersachsen die besseren Produktions-
Kapitel 7
78
bedingungen herrschten (Tabelle 6-4). Dadurch ergibt sich die gleiche Problematik wie
bei den Effizienzwerten: Es ist keine Veränderung nach 2007 feststellbar. Dass die vorliegende Arbeit keinen Effekt der Förderung auf die Effizienz feststellen kann, bedeutet
nicht, dass die Förderung keinen Effekt hat. Die verwendeten Daten und die Methodik
haben hier nicht optimal zusammengepasst, um einen eventuellen Effekt der Förderung
erkennen zu können. Es sei denn, dass der Bundeslanddummy schon vor 2007 die Unterschiede in der Förderung zu Gunsten von Niedersachsen auffängt. Wenn dem so ist, sollte
der Bundeslanddummy nach 2007 einen deutlich stärkeren Einfluss auf die Effizienz aufweisen bzw. die Effizienzwerte sollten stärker divergieren. Dies ist aber nicht der Fall.
Ein weiterer Effekt der Förderung könnte sein, dass die Betriebe mehr und vor allem in
höherem Umfang investieren. Doch der Kapitaleinsatz (gemessen in Abschreibungen) ist
in Nord-Niedersachsen seit 2007/08 geringer als in Schleswig-Holstein. Hierbei ist zu
bedenken, dass die Förderung unterschiedlich verbucht werden kann und die Buchungsart
einen Einfluss auf die erfassten Abschreibungen hat. Die Förderung kann z.B. bei der Fertigstellung von den Anschaffungs- und Herstellungskosten abgezogen werden und dadurch den Betrag, auf den abgeschrieben wird, mindern und folglich auch die jährlichen
Abschreibungen reduzieren. Mit der Förderung sind die geringeren Abschreibungen der
Betriebe in Nord-Niedersachsen nur so zu erklären: Die Förderung übt keinen Effekt auf
das
Investitionsverhalten
der
Betriebsleiter
in
Schleswig-Holstein
und
Nord-
Niedersachsen aus und diese investieren im Mittel gleich viel. Die Betriebe in Niedersachsen können auf Grund der Förderung einen größeren Betrag vom Investitionsvolumen
bei der Verbuchung abziehen und haben deshalb geringerer Abschreibungen als die Betriebe in Schleswig-Holstein. Dies ist eine sehr gewagte Theorie und es ist zu bedenken,
dass sich die Abschreibungen auf getätigte Investitionen beziehen. Die Investitionen sind
aber überwiegend vor 2007 getätigt worden bzw. die Förderung wurde zumindest vor
2007 bewilligt. Die relativ kurze Beobachtungszeitspanne nach der starken Kürzung/Aussetzung der Förderung in Schleswig-Holstein ist hier ein Problem. Auswirkungen auf die Abschreibungen können wahrscheinlich erst viel später beobachtet werden.
Kapitel 7
79
7.2 Weitere Betrachtungen zur Wirkung der einzelbetrieblichen Förderung
Mit Hilfe der Investitionsförderung sollte das Investitionsverhalten der Betriebe beeinflusst werden. Investitionshemmnisse sollten leichter überwunden werden. Deshalb wurde
nachfolgend das Investitionsverhalten der Betriebe analysiert. Um die Investitionen der
Betriebe zu messen, wurden die Bruttoinvestitionen nach LAND-DATA 2010 (Zuversicht
2010) berechnet. Es zeigt sich, dass in Schleswig- Holstein gerade in den letzten Jahren
im Durchschnitt mehr investiert wurde als in Nord-Niedersachen (Abbildung 7-1). Das
Gegenteil wäre zu erwarten gewesen
Abbildung 7-1:
Durchschnittliches Bruttoinvestitionsvolumen der Betriebe in NordNiedersachsen und Schleswig-Holstein
70.000
SH
Investitionssumme
60.000
NI
50.000
40.000
30.000
20.000
10.000
0
Zu bedenken ist auch hier, dass es viele Förderfälle gegeben haben kann, die in
Schleswig-Holstein noch vor 2007 bewilligt und erst in den Jahren danach fertig gestellt
wurden.
Zudem
senkt
die
Förderung
die
verbuchten
Anschaffungs-
und
Herstellungskosten, wenn sie bei der Buchführung von diesen abgezogen wurde. Um
einen Effekt der Förderung bzw. des Kürzens/Aussetzens der Förderung zwischen Nord-
Kapitel 7
80
Niedersachsen und Schleswig-Holstein beobachten zu können, müsste eine längere
Zeitspanne betrachtet werden.
7.3 Einflüsse auf die Effizienz
Bemerkenswert ist, dass die untersuchten Betriebe in Nord-Niedersachsen im Mittel effizienter sind als die untersuchten Betriebe in Schleswig-Holstein. Dieses Ergebnis ist auf
Grund des unterschiedlichen Einsatzes der Inputfaktoren, der unterschiedlichen Ausprägungen von Alter und Ausbildungsstand und ihrem Effekt auf die Effizienz nicht zu erklären. Damit stellt sich die Frage, warum die Betriebe in Nord-Niedersachsen tendenziell
effizienter sind als die Betriebe in Schleswig-Holstein. Diese Frage kann geklärt werden,
wenn bekannt ist, welche Unterschiede zwischen den Bundesländern, neben der Investitionsförderung, der Bundeslanddummy aufgefangen hat.
7.4 Weitere Betrachtungen zu den Einflüssen auf die Effizienz
Zu den Ausprägungen des Bundeslanddummys könnten unterschiedliche Auszahlungspreise geführt haben. Die Preise waren aber relativ ähnlich und lagen sogar größtenteils in
Schleswig-Holstein leicht über denen in Nord-Niedersachsen (Abbildung 7-2). Sie können somit die Ausprägung nicht erklären.
Kapitel 7
Abbildung 7-2:
81
Ausgezahlte mittlere Milchpreise in Nord-Niedersachsen und Schleswig-Holstein
39
SH
NI
Milchpreis in € je dt
37
35
33
31
29
27
25
Eigene Berechnungen anhand Daten des Testbetriebsnetzes
Abbildung 7-3:
Dezitonnen Milch pro Großvieheinheit im Mittel der Betriebe in
Nord-Niedersachsen und Schleswig-Holstein
80
1,5
SH
NI
1
0,5
0
70
-0,5
Differenz
dt Milch/VE Milchvieh
Differenz (NI - SH)
-1
-1,5
-2
60
Quelle:
-2,5
Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung: Wenn der Unterschied
nicht statistisch signifikant ist, wurde der Wert gleich Null gesetzt.)
Kapitel 7
82
Wenn die Kühe unterschiedliche Leistungen erbringen würden, könnte das auch zu unterschiedlichen Effizienzen führen. Die Abbildung 7-3 zeigt aber, dass hier kein dauerhafter
Unterschied besteht.
Es könnte sein, dass die Unterschiede in der Effizienz durch den Faktor Land beeinflusst
werden, dessen Einfluss in der Analyse nicht berücksichtigt werden konnte. In der ersten
Stichprobe (2000/01 – 2005/06) hatten die Betriebe in Schleswig-Holstein und NordNiedersachsen im Durchschnitt gleich viel Land, in der zweiten Stichprobe hatten die
Betriebe in Nord-Niedersachsen etwas weniger Land (Tabelle 6-6). Dies kann nicht den
dauerhaften Unterschied in der Effizienz erklären. In der Milchviehhaltung ist es von Bedeutung, in welchem Anteil Dauergrünland und landwirtschaftliche Ackerfläche zueinanderstehen. Eine Gegenüberstellung zeigt, dass die Betriebe in Nord-Niedersachsen deutlich mehr Dauergrünland (absolut und relativ) und dafür weniger Ackerfläche besaßen
(Abbildung 7-4).
Abbildung 7-4:
Landnutzungsarten im Mittel der Betriebe in Nord-Niedersachsen und
Schleswig-Holstein
60
50
ha
40
30
20
ldw. Ackerfl. SH
Dauergrünl. SH
10
ldw. Ackerfl. NI
Dauergrünl. NI
0
Aus den unterschiedlichen Landanteilen könnte geschlossen werden, dass die Betriebe
auch unterschiedliche Milchviehhaltungsverfahren anwenden. Bei einem größeren Grünlandanteil könnten die Betriebe mehr Weidehaltung betreiben als bei einem höheren
Kapitel 7
83
Ackerlandanteil. Die Betriebe in Nord-Niedersachsen könnten spezialisierter sein, als die
Betriebe in Schleswig-Holstein. Diese Tatsachse könnte die Effizienzunterschiede zum
Teil erklären, weil der untersuchte Output nur Produkte der Rindviehhaltung berücksichtigt hat.
Hierzu passt, dass die Betriebe in Schleswig-Holstein im Durchschnitt höhere Vorleistungen insgesamt und pro Großvieheinheit Milchvieh hatten, weil sie höhere Kosten für z.B.
Saatgut, Düngemittel und eventuell einen Lohnunternehmer hatten (Tabelle 6-6 und Anhang 3 Abbildung A-1). Die Erklärung der höheren Kosten passt aber nicht mit den höheren Abschreibungen der Betriebe in Schleswig-Holstein zusammen. Die höheren Abschreibungen könnten durch einen höheren Anteil an Maschinen am gesamten Kapital zur
Bestellung der Ackerflächen erklärt werden, wenn kein Lohnunternehmen diese Arbeit
verrichtete (Tabelle 6-6). Wenn Lohnunternehmen beschäftigt wurden, wurden diese nicht
in den Arbeitskräften erfasst. Das könnte erklären, warum die Betriebe in NordNiedersachsen höhere Arbeitskraftstunden pro ha aufwiesen (Anhang 3 Abbildung A-2).
Tiedemann und Latacz-Lohmann (2011) haben allerdings bei ihrer Analyse für konventionelle Futterbaubetriebe einen negativen Effekt des Grünlandanteils auf die Effizienz
festgestellt.
Interessant ist, dass in Nord-Niedersachsen mehr Großvieheinheiten Milchvieh pro ha
selbstbewirtschaftete Fläche gehalten werden und somit auch mehr Milch pro ha produziert wird (Anhang 3 Abbildung A-3 und Abbildung A-4). Es gibt eine rechtliche Beschränkung, wie viele Großvieheinheiten bei dem Besitz einer bestimmten Fläche gehalten werden dürfen, wenn die Einkünfte unter die Einkünfte aus Land- und Forstwirtschaft
32
fallen sollen . Die darin enthaltene Staffelung ist degressiv, somit können kleinere Betriebe eine größere Anzahl Tiere pro Fläche halten als größere Betriebe. Für das zweite
Panel (2006/07 – 20010/11) könnte dies die Unterschiede in der Anzahl an Großvieheinheiten Milchvieh pro Fläche erklären, weil die Betriebe in Schleswig-Holstein im Durchschnitt signifikant größer waren als in Nord-Niedersachsen und folglich pro Fläche weniger Großvieheinheiten halten durften. Im ersten Panel (2000/01 – 2005/06) hingegen kann
32
Einkommensteuergesetzt § 13 Einkünfte aus Land- und Forstwirtschaft
Kapitel 7
84
kein signifikanter Unterschied der Mittelwerte in der Landausstattung der Betriebe zwischen den Bundesländern festgestellt werden. Es könnte sein, dass die Betriebe in NordNiedersachsen ihre steuerrechtlichen Kapazitäten besser ausschöpften als die schleswigholsteinischen Betriebe.
7.5 Fazit
Mit der vorliegenden Arbeit konnte keinen Effekt der Förderung auf die technische Effizienz gezeigt werden. Dies muss nicht daran liegen, dass kein Effekt vorhanden ist, sondern daran, dass in den Ergebnissen hinsichtlich des Einflusses der Förderung keine großen Veränderungen zu beobachten sind. Die Betriebe in Nord-Niedersachen weisen im
Mittel seit 2001/02 einen höheren Grad an technischer Effizienz auf, als die Betriebe in
Schleswig-Holstein. Auch der Bundeslanddummy, der eigentlich nur den Effekt der Förderung wiedergeben sollte, ist über den ganzen Beobachtungszeitraum hinweg negativ. Es
ist auch unrealistisch zu erwarten, dass der Dummy nur den Einfluss der Förderung darstellt. Er fängt alle wirtschaftlichen, sozialen und politischen Unterschiede zwischen den
Bundesländern, die für die Milchproduktion relevant sind, auf. Das heißt, in NordNiedersachen herrschten die besseren Produktionsbedingungen. Hinsichtlich der weiteren
Untersuchung der Unterschiede zwischen Nord-Niedersachsen und Schleswig-Holstein
konnte festgestellt werden, dass die Betriebe in Nord-Niedersachsen anteilig mehr Dauergrünland in ihrer bewirtschafteten Fläche aufwiesen. Zudem wurde dort im Mittel pro
Betrieb mehr Milch pro ha produziert. Die Investitionsförderung sollte sich auf das Investitionsverhalten der Betriebe auswirken, doch die Betriebe in Nord-Niedersachsen haben
nach 2007 im Mittel nicht mehr investiert als die Betriebe in Schleswig-Holstein. Seit
2008/09 war es sogar umgekehrt. Die Arbeit konnte also keinen Hinweis für die positive
Wirkung des AFP auf die technische Effizienz der Betriebe feststellen und auch keine
steigernde Wirkung auf das Investitionsverhalten beobachten.
Kapitel 8
8
85
Während der Erstellung der Arbeit haben sich viele verschiedene Problemfelder aufgetan,
die eine sachgerechte Analyse erschwert haben. Die Schwierigkeiten der Datengrundlage
wurden schon in Kapitel 5.2 beschrieben. In diesem Kapitel werden deshalb die Einschränkungen durch die Software und zum Abschluss eine Einschätzung der Ergebnisse
dargestellt.
8.1 Software Probleme
Mit Stata traten folgende Probleme auf:
–
Die Ergebnisse und der Log-Likelihood-Wert variieren teilweise bei der Auswahl
verschiedener Maximierungsalgorithmen.
–
Manche Modelle konnten von Stata nicht maximiert werden, unabhängig vom Maximierungsalgorithmus und der Option „difficult“.
–
Es kann keine Gammaverteilung für den Ineffizienzterm angenommen werden.
Der bekannte Ansatz von Kumbhakar, Gosh und McGuckin (1991) und erweitert für Panel Daten von Battese und Coelli (1993) zur Integration von externen Variablen in die
Schätzung einer Frontierfunktion ist bei Stata nicht möglich, wenn gleichzeitig Heteroskedastizität berücksichtigt werden soll.
8.2 Evaluation der Ergebnisse
Bei den geschätzten Effizienzwerten handelt es sich nicht um technische Effizienz im
engeren Sinne, weil u. a. Qualitätsunterschiede der Erzeugnisse und unterschiedliche Vermarktungs- und Beschaffungsmöglichkeiten nicht berücksichtigt wurden (vgl. Tiedemann
und Latacz-Lohmann 2011).
Die gewonnenen Erkenntnisse bzw. Ergebnisse sind nicht sehr belastbar, weil die Ergebnisse teilweise variiert haben, wenn eine Variable durch eine ähnliche Variable, z.B. Anzahl der Rinder durch Anzahl der Großvieheinheiten an Milchkühen, ersetzt oder die jähr-
Kapitel 8
86
lichen Auswahlkriterien für die Stichprobe leicht verändert wurden, z.B. nicht nur Milchviehbetriebe über 30 Rinder betrachtet, sondern alle spezialisierten Milchviehbetriebe
betrachtet wurden. Auch die Variation der Ergebnisse bei der Anwendung verschiedener
Maximierungsalgorithmen lässt nicht auf besonders robuste Ergebnisse schließen.
Zudem wurde in der endgültigen Analyse der Faktor Land nicht berücksichtigt. Dies ist
optimal, weil in den Vorleistungen u. a. Aufwendungen für Pachten erfasst werden. Betriebe mit unterschiedlichen Eigenlandanteilen werden in der Analyse deshalb anders bewertet. Diese Tatsache könnte auch erklären, warum die Vorleistungen negativ mit der
Effizienz verknüpft sind. Sie steigen an, wenn der Betrieb viel Pachtfläche besitzt, wobei
ein Betrieb, der nur mit Eigenland arbeitet, dementsprechend weniger Vorleistungen hat,
obwohl beide Betriebe gleich viel Land bewirtschaften. Tiedemann und Latacz-Lohann
(2011) haben für ökologische Futterbaubetriebe gezeigt, dass die Höhe des Pachtanteils
sich positiv auf den Grad der technischen Effizienz auswirkt. Die Pachtpreise könnten
sich mit der Zeit zwischen den Ländern unterschiedlich entwickelt haben, weil in Schleswig-Holstein in den letzten Jahren vermehrt Biogasanlagen gebaut wurden und sich somit
die benötigten Vorleistungen in den Ländern verändert haben. In der Zeit von 2007 bis
2010 haben sich die Pachtpreise für Neupachten in Schleswig-Holstein im Schnitt verdreifacht (Ebers und Forstner 2010a).
Auch die Futtergrundlage wird aus dem Land und aus den Vorleistungen gespeist. Unternehmen, die viel selbst hergestellte Silage füttern, werden durch das Fehlen des Faktors
Land anders bewertet als Betriebe, die sehr viel Futter zukaufen und somit höhere Vorleistungen haben.
Kapitel 9
9
Schlussbetrachtung
87
Schlussbetrachtung
In der vorliegenden Arbeit wurde der Einfluss des Agrarinvestitionsförderungsprogramms
auf die technische Effizienz von spezialisierten Milchviehbetrieben untersucht. Durch die
Vergünstigung von Kapital durch das AFP soll die Verbreitung von technischem Fortschritt beschleunigt und leichter ermöglicht werden. Die Umsetzung von technischem
Fortschritt dreht die betriebsspezifische Produktionsfunktion nach oben. Die Betriebe, die
technische Erneuerungen umgesetzt haben, sollen also näher an bzw. auf der Frontierproduktionsfunktion produzieren können. Zwischen den Bundesländern Niedersachsen und
Schleswig-Holstein gibt es seit 2007 starke Unterschiede in der Höhe der Förderung.
Schleswig-Holstein förderte nur noch mit einem bedeutend geringeren Zuschuss und seit
2010 ist die Förderung in Schleswig-Holstein ganz ausgesetzt worden. Um möglichst einheitliche Standortbedingungen der Betriebe voraussetzen zu können, wurden Betriebe aus
dem Nordwesten von Niedersachsen (Nord-Niedersachsen) mit Betrieben aus SchleswigHolstein verglichen. Die Datengrundlage bildeten Buchführungsabschlüsse der Testbetriebe von 2000/01 bis 2010/11. Analysiert wurden die Daten mittels der stochastischen
Frontieranalyse anhand eines Modells mit einer Translog-Produktionsfunktion, das Heteroskedastizität im Fehlerterm der Ineffizienz und im statistischen Rauschen berücksichtigt. Dabei wurden zusätzlich die Zusammenhänge zwischen dem Bundesland, dem Alter
des Betriebleiter und seiner Ausbildung im Agrarbereich mit der technische Effizienz
untersucht. Der Bundeslanddummy bildet alle wirtschaftlichen, sozialen und politischen
Unterschiede der Bundesländer, die die technische Effizienz der Betriebe beeinflussten,
ab und sollte in diesem Fall vor allem den Effekt der Förderung widerspiegeln. Auf
Grund des Auftretens von negativen Produktionselastizitäten wurde der Faktor Land als
Inputvariable von der Analyse ausgeschlossen. Die Ergebnisse zeigen, dass die Produktionsbedingungen in Nord-Niedersachsen jedes Jahr einen positiven Effekt auf die technische Effizienz der untersuchten Betriebe in Nord-Niedersachsen ausübten. Die Betriebe
aus Nord-Niedersachsen wiesen seit 2001/02 im Mittel einen höheren Grad an technischer
Effizienz auf als die Betriebe in Schleswig-Holstein. Der Abstand in Prozentpunkten zwischen den mittleren Werten der technischen Effizienz der beiden Bundesländer nimmt seit
2008/09 leicht zu. Ähnliche Abstände wurden aber auch in früheren Jahren erreicht. Aus
diesem Grunde kann die Arbeit nicht mit Sicherheit eine Aussage über den Effekt der
Förderung auf die technische Effizienz treffen.
Kapitel 9
Schlussbetrachtung
88
Nachfolgend wurde untersucht, wie sich die Durchschnittsbruttoinvestitionen im Mittel in
Nord-Niedersachsen und Schleswig-Holstein in der Zeit von 2000/01 bis 2010/11 entwickelt haben, weil die Förderung das Investitionsverhalten beeinflussen sollte. Die Arbeit
konnte keinen Effekt der Förderung auf das Investitionsverhalten feststellen. Seit 2008/09
waren die mittleren Bruttoinvestitionen der Betriebe in Schleswig-Holstein höher als die
der Betriebe in Nord-Niedersachsen.
Es stellt sich die Frage, warum die Betriebe in Nord-Niedersachsen eine höhere technische Effizienz aufwiesen als die Betriebe in Schleswig-Holstein. Hierzu wurden verschiedene Größen untersucht, die nicht in der stochastischen Frontieranalyse berücksichtigt
wurden. Ein deutlicher Unterschied zwischen den Betrieben in Nord-Niedersachsen und
Schleswig-Holstein war, dass die Betriebe in Nord-Niedersachsen anteilig mehr Dauergrünland als Ackerland bewirtschaften. In Schleswig-Holstein hingegen waren die Anteile
ungefähr gleich oder der Anteil an Ackerfläche hat dominiert. Die Betriebe in NordNiedersachsen setzten außerdem mehr Arbeitskraftstunden pro ha ein und produzierten
auch mehr Dezitonnen Milch pro ha als die Betriebe in Schleswig-Holstein. In SchleswigHolstein wurde von den Betrieben mehr Vorleistungen pro Großvieheinheit Milchvieh
eingesetzt. Hieraus lassen sich verschiedene Vermutungen über Haltungsformen und Bewirtschaftungsarten der Landflächen anstellen.
Weitere Forschungsansätze
Die für die Milchproduktion relevanten Unterschiede zwischen den Ländern genauer zu
ermitteln, ist von entscheidender Bedeutung um weiterer erforschen zu können, warum
sich die Betriebe in Nord-Niedersachsen und Schleswig-Holstein über eine längeren Zeit
hinweg signifikant in ihren Werten der technischen Effizienz unterschieden haben. Die
ermittelten Faktoren könnten als Inputvariablen oder externe Variablen in eine stochastische Frontieranalyse einfließen.
Eine weitere Möglichkeit ist es Gruppen mit verschiedenen Ausprägungen von Variablen
zu bilden. Durch die Berechnung von einzelnen Frontierfunktionen für die Gruppen und
einer Metafrontierfunktion könnte überprüft werden, ob für alle Gruppen die gleiche
Frontierfunktion angenommen werden kann. Auf Grundlage dieser Arbeit würde eine
Kapitel 9
Schlussbetrachtung
89
Gruppeneinteilung nach dem Anteil von selbstbewirtschafteter Dauergrünland- zu Ackerfläche oder dem Pachtanteil der selbstbewirtschafteten Flächen sinnvoll sein.
Daneben sollte der Einfluss des AFP auf das Investitionsverhalten weiter untersucht werden. Dazu könnten Befragungen von Landwirten hinsichtlich der Faktoren, die ihre Investitionsentscheidung beeinflussen, dienlich sein. Auch eine genauere Analyse von Betriebskennziffern einzelner Betriebe, die gefördert wurden, im Vergleich mit nicht geförderten Betrieben, könnte eventuell Aufschluss über die Wirkung der Förderung zeigen.
Die geförderten Betriebe könnten dann, z.B. im Rahmen einer Frontieranalyse, gegen andere Betriebe evaluiert werden. Oder die Höhe der Investitionsförderung müsste für Forschungszwecke klarer in der Buchhaltung ersichtlich sein.
Eine eindeutige Aussage zu der Wirkungsweise und den Auswirkungen des AFP auf das
Investitionsverhalten und die technische Effizienz ist anhand dieser Arbeit und der vorliegenden Literatur auf Grund der unterschiedlichen Ergebnisse nicht zu treffen.
90
Abdulai, A., Tietje, H. (2007), Estimating technical efficiency under unobserved heterogeneity with stochastic frontier models: application to northern dairy farms,
In: European Review of Agricultural Economics, Vol. 34, No. 3, S. 393-416.
Aigner, D.J., Lovell, C.A.K., Schmidt, P. (1976), Formulation and Estimation of Stochastic Frontier Production Function Models, The Rand Corporation, Santa Monica, California.
Agrar.de
(2008), Pachtpreise für landwirtschaftliche Grundstücke, Internet:
http://www.agrar.de/Aktuell/2008/09/11/pachtpreise-fur-landwirtschaftlichegrundstucke/10150/, Stand: 07.05.2012.
Aldrich, J. (1997), R.A. Fischer and the Making of Maximum Likelihood 1912 – 1922,
In: Statistical Science, Vol. 12, No. 3, S. 162-176.
Alvarez, A., Amsler, C., Orea, L., Schmidt, P. (2006), Interpreting and testing the scaling
property in models where inefficiency depends on firm characteristics, In:
Journal of Productivity Analysis, Vol. 25, S. 201-2012.
Battese, G.E., Corra, G. (1997), Estimation of a Production Frontier Model with Application to the Pastoral Zone of Easter Australia, In: Australian Journal of Agricultural Economics, Vol. 21, No. 2, S. 167-179.
Battese, G.E., Coelli, T.J. (1995), A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Panel Data, In: Empirical Economics,
Vol. 20, S. 325-332.
Battese, G. E., Coelli, T. J. (1993), A Stochastic Frontier Production Function Incorporating a Model for Technical Inefficiency Effects, Working Papers in Econometrics and Applied Statistics. No. 69, Department of Econometrics, University of
New England, Armidale.
Battese, G.E., Coelli, T.J. (1988), Prediction of Firm-Level Technical Efficiencies with a
Generalized Frontier Production Function and Panel Data, In: Journal of
Econometrics, Vol. 38, S. 387-399.
Becker, H. (1999), Von regionalpolitischer Enthaltsamkeit zu einem zentralen Politikinstrument: Die Entwicklung der EU-Strukturpolitik, In: Landentwicklung aktuell, Sonderausgabe 1999, Hrsg.: BLG (Bundesverband der gemeinnützigen
Landesgesellschaften).
Bielecki, A. (2011), Efficient Frontier Analysis, In: Albers, Sönke, Daniel Klapper, Udo
Konradt, Achim Walter und Joachim Wolf (Hrsg.), Zusätzliche Beiträge zu:
Methodik der empirischen Forschung, Gabler, Wiesbaden.
Breustedt, G., Francksen, T., Hugo, A.v., Latacz-Lohmann, U. (2006), Effizienzanalytische Untersuchung zum optimalen Spezialisierungsgrad landwirtschaftlicher
Betriebe, In: Landwirtschaftliche Rentenbank (Hrsg.): Organisatorische und
91
technologische Innovationen in der Landwirtschaft, Vol. 21, S. 97-139, Frankfurt.
Brosius, F. (2011), SPSS19, 1. Aufl., mitp, Heidelberg.
Brüggemann D. H. (2011), Anpassungsmöglichkeiten der deutschen Rindermast an die
Liberalisierung der Agrarmärkte, Landbauforschung Sonderheft 345, Dissertation, Braunschweig.
Brümmer, B., Loy, J.-P, (2000), The Technical Efficiency Impact of Farm Credit Programms: A Case Study of Northern Germany, In: Journal of Agricultural Economics, Vol. 51. No. 3, S. 405-418.
Brümmer, B., Loy, J.-P. (1997), Die Modellierung stochastischer Frontierfunktionen zur
Messung des Einflusses einzelbetrieblicher Investitionsförderung auf die technische Effizienz, In: Agrarwirtschaft, Vol. 46, No. 8/9, S. 293-305.
Brümmer, B. (1996), Auswirkungen der Einzelbetrieblichen Investitionsförderung auf die
Effizienz schleswig-holsteinischer Milchviehbetriebe, Diplomarbeit, Christian-Albrechts-Universität Kiel.
BMELV
(2012),
Geschichte
der
Gemeinsamen
Agrarpolitik,
Internet:
http://www.bmelv.de/SharedDocs/Standardartikel/Europa-Internationales/
Agrarpolitik/GAP-Geschichte.html, Stand: 10.06.2012.
BMELV (2011), Nationaler Strategieplan der Bundesrepublik Deutschland für die Entwicklung ländlicher Räume 2007-2013, überarbeitete Fassung vom
04/10/2011.
BMELV (2011a), Buchführung der Testbetriebe – Ausführungsanweisungen zum
BMELV-Jahresabschluss, Bonn.
BMELV (2010), Statistisches Jahrbuch über Ernährung, Landwirtschaft und Forsten der
Bundesrepublik Deutschland, Wirtschaftsverlag NW GmbH, Bremerhaven.
BMELV (2007), Methodische Erläuterungen, Internet: http://berichte.bmelv-statistik.de
/BFB-0010000-2007.pdf, Stand: 08.05.2012.
BMELV (2001), Methodische Erläuterungen zu den Buchführungsergebnissen der Testbetriebe, Internet: http://www.bmelv-statistik.de//fileadmin/sites/033_Buchf/
WJ2000_01/AB02_BuchfMethode.pdf, Stand: 08.05.2012.
BMWFJ Bundesministerium für Wirtschaft, Familie und Jugend (2012), LissabonStrategie,
Internet:
http://www.bmwfj.gv.at/Wirtschaftspolitik/
Wirtschaftspolitik/Seiten/LissabonStrategie.aspx, Stand: 10/01/2012.
Blotevogel, H.H. (1996), Auf dem Weg zu einer „Theorie der Regionalität“: Die Region
als Forschungsobjekt der Geographie. In: Brunn, G. (Hrsg.), Region und Regionsbildung in Europa. Konzeptionen der Forschung und empirische Befunde,
Baden-Baden, S. 44-68.
92
Canter, U., Krüger, J., Hanusch, H. (2007), Produktivitäts- und Effizienzanalyse – der
nichtparametrische Ansatz, Springer, Berlin Heidelberg.
Caudill, S.B., Ford, J.M., Gropper, D.M. (1995), Frontier Estimation and Firm-Specific
Inefficiency Measures in the Presence of Heteroscedasticity, In: American Statistical Association (Hrsg.), Journal of Business & Econometric Statistics,
Vol. 13. No. 1, S. 105-111.
Coelli, T. J., Prasada Rao, D. S., O’Donnell, C. J., Battese, G. E. (2005), An Introduction
to Efficiency and Productivity Analysis – Second Edition, Springer, New
York.
Coelli, T.J. (1996), A Guide to FRONTIER Version 4.1: a computer program for stochastic frontier production and cost function estimation. CEPA Working Paper
96/07, University of New England, Armidale.
Deutscher Bundestag (1995), Drucksache 13/2330 - Unterrichtung durch die Bundesregierung - Bericht der Bundesregierung über die künftige Gestaltung der Gemeinschaftsaufgabe "Verbesserung der Agrarstruktur und des Küstenschutzes"
(GAK)
hier:
Rahmenplan
1996
bis
1999,
Internet:
http://dip21.bundestag.de/dip21/btd/13/023/1302330.asc, Stand: 15/12/2011.
Deutscher Bundestag (1984), Drucksache 10/1832 – Unterrichtung durch die Bundesregierung - Bericht der Bundesregierung über die künftige Gestaltung der Gemeinschaftsaufgabe „Verbesserung der Agrarstruktur und des Küstenschutzes“
hier:
Rahmenplan
1985
bis
1988,
Internet:
http://dipbt.bundestag.de/dip21/btd/10/018/1001832.pdf, Stand: 10/01/2012.
destatis (2011), Landwirtschaft auf einen Blick, Statistisches Bundesamt, Wiesbaden.
destatis (2008), Land- und Forstwissenschaft, Fischerei – Ausgewählte Zahlen der Agrarstrukturerhebung - 2007, Statistisches Bundesamt, Wiesbaden.
destatis (2005), Land- und Forstwirtschaft, Fischerei – Ausgewählte Zahlen der
Agrarstrukturerhebung 2005, Internet: http://www.destatis.de/jetspeed/portal/
cms/Sites/destatis/Internet/DE/Content/Publikationen/Fachveroeffentlichunge
n/LandForstwirtschaft/Betriebe/Argrarstukturerhebung2030100059004,propert
y=file.pdf, Stand: 19/12/2011.
Doluschitz, Reiner (2009), Der europäische Milchmarkt im Umbruch – Neue Herausforderungen für Milcherzeuger und Molkereigenossenschaften in Baden-Württemberg, In: BMELV (Hrsg.), Berichte über Landwirtschaft - Zeitschrift für Agrarpolitik und Landwirtschaft, Vol. 87, No. 2.
Ebers, H., Forstner, B. (2010a), Halbzeitbewertung des ZPLR – Teil II – Kapitel 3,
Braunschweig.
Ebers, H., Forstner, B. (2010b), Halbzeitbewertung von PROFIL – Teil II – Kapitel 4,
Braunschweig.
93
EU-Parlament (2000), 4.1.1. Der Vertrag von Rom und das grüne Europa, Internet:
http://www.europarl.europa.eu/factsheets/4_1_1_de.htm, Stand: 04.06.2012.
EU-Rat (2005), Verordnung (EG) Nr. 1698/2005 – über die Förderung der Entwicklung
des ländlichen Raumes durch den Europäischen Landwirtschaftsfond für die
Entwicklung des ländlichen Raumes (ELER).
Europe direct – Oldenburg (2011), Kleines Begriffslexikon der EU-Förderung, Internet:
http://www.europedirectoldenburg.de/uploads/media/Kleines_Begriffslexikon_v6.pdf,
Stand:
15/12/2011.
Europe direct – Steinfurt (2012), Was versteht man unter "Göteborg-Strategie"?, Internet:
http://www.eu-direct.info/faq/eu-strategien-und-taetigkeiten-der-eu-15/wasversteht-man-unter-goeteborg-strategie-61.html, Stand: 10/01/2012.
Farrell, M.J. (1957), The Measurement of Productive Efficiency, In: Journal of the Royal
Statistical Society. Series A (General), Vol. 120, No. 3, S. 253-290.
Forstner, B., Bergschmidt, A., Dirksmeyer, W., Ebers, H., Fitschen-Lischewski, A., Margarian, A., Heuer, J. (2009), Ex-Post-Bewertung des Agrarinvestitionsförderungsprogramm (AFP) im Förderzeitraum 2000 bis 2006 – Länderübergreifender Bericht, Institut für Betriebswirtschaft, Johann Heinrich von ThünenInstitut, Braunschweig.
Forstner, B., Margarian, A., Bergschmidt, A., Dirksmeyer, W., Ebers, H., FitschenLischewski, A., Heuer, J. (2008a), Ex-Post-Bewertung des Agrarinvestitionsförderungsprogramms (AFP) für den Förderzeitraum 2000 bis 2006 – Schleswig-Holstein, Institut für Betriebswirtschaft, Johann Heinrich von ThünenInstitut, Braunschweig.
Forstner, B., Margarian, A., Bergschmidt, A., Dirksmeyer, W., Ebers, H., FitschenLischewski, A., Heuer, J. (2008b), Ex-Post-Bewertung des Agrarinvestitionsförderungsprogramms (AFP) für den Förderzeitraum 2000 bis 2006 –
Niedersachsen, Institut für Betriebswirtschaft, Johann Heinrich von ThünenInstitut, Braunschweig.
Forstner, B. Margarian, A., Dirksmeyer, W., Zimmer, Y. (2005), Aktualisierung der
Halbzeitbewertung von PROLAND NIEDERSACHSEN – Programm zur
Entwicklung der Landwirtschaft und des ländlichen Raumes – Kapitel 3, Institut für Betriebswirtschaft, Bundesforschungsanstalt für Landwirtschaft, Braunschweig.
Greene, W.H. (1993), The Econometric Approach to Efficiency Analysis, In: The measurement of productive efficiency: techniques and applications, Oxford University Press, New York, S.69-117.
Gubi, G. (2006), Analyse der erfolgs- und effizienzbestimmenden Faktoren im ökologischen Landbau, Dissertation, Christian-Albrechts-Universität zu Kiel.
94
Hadri, K. (1999), Estimation of a Double Heteroscedastic Stochastic Frontier Cost Function, In: American Statistical Association (Hrsg.), Journal of Business and
Economic Statistics, Vol. 17, No. 3.
Henningsen, A., Henning, C.H.C.A. (2009), Imposing regional monotonicity on translog
stochastic production frontiers with a simple three-step procedure, In: Journal
of Productivity Analysis, Vol. 32, No. 3, S. 217-229.
Henrichsmeyer, W., Witzke, H. P. (1994), Agrarpolitik Band 2 – Bewertung und Willensbildung, UTB – Für Wissenschaft Uni Taschenbücher, Stuttgart.
Jondrow, J., Lovell, C.A.K., Materov, I.S., Schmidt, P. (1982), On the Estimation of
Technical Efficiency in the Stochastic Frontier Production Function Model, In:
Journal of Econometrics, Vol. 19, S. 233-238.
Kaliwoda, J. (2007), Kriterien für regionale Lebensmittel und Fallstudien regionaler Produktketten in Osttirol – Endbericht, Wien.
Kodde, D. A., Palm, F. C. (1986), Wald Criteria for Jointly Testing Equality and Inequality Restrictions, In: Econometrica, Vol. 54, Nr. 5. S. 1243-1248.
Kumbhakar, S.C., Lovell, C.A.K (2000), Stochastic Frontier Analysis, Cambridge University Press, Cambridge.
Kumbhakar, S.C., Ghosh, S., McGuckin, J.T. (1991), A Generalized Production Frontier
Approach for Estimating Determinants of Inefficiency in U.S. Dairy Farms, In:
Journal of Business and Econometric Statistics, Vol. 9, S. 279-286.
Lassen, B., Isermeyer, F., Friedrich. C. (2008), Milchproduktion im Übergang – eine Analyse von regionalen Potenzialen und Gestaltungsspielräumen, Arbeitsberichte
aus der vTI-Agrarökonomie, Braunschweig.
LEL- Landesanstalt für Entwicklung der Landwirtschaft und ländlichen Räume (2007),
Rinderreport Baden-Württemberg 2007 – Ergebnisse der Rinderspezialberatung,
Internet:
http://www.landwirtschaft-bw.info/servlet/PB/show/
1218957_l1/Rinderreport%202007 %20BW%20kurz%2029.1.08.pdf, Stand:
20. 10. 2008.
Loy, J.-P. (1995), Möglichkeiten zur Beurteilung von Markteffizienz – Theorie, Methodik
und eine erste Evaluierung für polnische Agrarmärkte in der Transformationsphase, Hanf, C.-H., Koester, U., Scheper, W. (Hrsg.), Agrarökonomische Studien (Bd. 18), Wirtschaftsverlag Vauk Kiel KG, Zugl.: Kiel, Univ., Diss.,
1995.
Maier, G., Tödtling, F. (1996), Regional- und Stadtökonomik 2, Springer Verlag, Wien.
Meeusen, W., van den Broeck, J. (1997), Efficiency Estimation from Cobb-Douglas production function with composed error, in: International Economic Review,
Vol. 18, S. 435-444.
MLUR Ministerium für Landwirtschaft, Umwelt und ländliche Räume (2010),
Vorläufiger
Antragsstopp
für
drei
Förderprogramme
95
Landwirtschaftsministerium,
Internet:
http://www.schleswig-holstein.de
/MLUR/DE/Service/Presse/PI/2010/0210/MLUR_100203_Foerderprogramme.
html, Stand: 10.01.2012.
MLUR Ministerium für Landwirtschaft, Umwelt und ländliche Räume (2007), ZPLR –
Entwicklungsprogramm für den ländlichen Raum des Landes SchleswigHolstein (Deutschland) 2007-2013, Genehmigte Fassung: CCI 2007 DE 06
RPO 021.
MLUR Ministerium für Landwirtschaft, Umwelt und ländliche Räume (versch. Jgg.),
Richtlinien für die Agrarinvestitionsförderung als Gemeinschaftsaufgabe
„Verbesserung der Agrarstruktur und des Küstenschutzes“.
Mußhoff, O., Hirschauer, N., Herink, M. (2009), Bei welchen Problemstrukturen sind
Data-Envelopment-Analysen sinnvoll? Eine kritische Würdigung, In: Agrarwirtschaft, Vol. 58, No. 2, S. 114-124.
MRELV Ministerium für den ländlichen Raum, Ernährung, Landwirtschaft und Verbraucherschutz (2006), PROFIL – Programm zur Förderung im ländlichen Raum Niedersachsen und Bremen 2007-2013, Version vom 19.12.2006.
MRELV Ministerium für den ländlichen Raum, Ernährung, Landwirtschaft und Verbraucherschutz (versch. Jgg), Richtlinie über die Gewährung von Zuwendungen für
investive Maßnahmen landwirtschaftlicher Unternehmen in Niedersachsen
(Agrarinvestitionsförderungsprogramm).
Murillo-Zamorano. L.R. (2004), Economic Efficiency and Frontier techniques, In: Journal
of Economic surveys, Vol. 18, No. 1, S. 33-77.
Rezitis, A. N., Tsiboukas, K., Tsoukalas, S. (2003), Investigation of Factors Influencing
the Technical Efficiency of Agricultural Producers Participating in Farm Credit Programs: The Case of Greece, In: Journal of Agricultural and Applied
Economies, Vol. 35, No. 3, S. 529-541.
Sauer, J., Park, T. (2009), Organic farming in Scandinavia – Productivity and market exit,
In: Ecological economics, Vol. 68, S., 2243-2254.
Sauer, J., Frohberg, K., Hockmann, H. (2006), Stochastic Efficiency Measurement: the
Curse of Theoretical Consistency, In: Journal of Applied Economics, Vol. 9,
No. 1, S. 139-165.
Solow, R.M. (1956), A Contribution to the Theory of Economic Growth, In: The Quarterly Journal of Economics, Vol. 70, No. 1, S. 65-94.
Statistische Ämter (2010), Produktionswert der Landwirtschaft – in jeweiligen Preisen –
in Deutschland 1991 bis 2009 nach Bundesländern, Internet:
http://www.statistikportal.de/Landwirtschaft/LGR/DE_PW_LR.asp,
Stand:
09/12/2011.
Statistisches Bundesamt (2008), Fachserie 3, Reihe 4, Viehbestand und tierische Erzeugung.
96
Statistisches Bundesamt (2003), Fachserie 3, Reihe 2.1.4.
Statistisches
Landesamt
Baden-Württemberg (2008), Agrarstruktur in BadenWürttemberg, Aus der Reihe Statistische Daten, 05/2008, CD-Rom.
Striewe, L. (1996), Wirkungsanalyse der einzelbetrieblichen Investitionsförderung in
Schleswig-Holstein, Dipolmarbeit, Christian-Albrechts-Universität zu Kiel.
Tiedemann, T., Latacz-Lohmann, U. (2011), Empirische Analysen zur Produktivitätsentwicklung im ökologischen und konventionellen Landbau, In: German Journal
of Agricultural Economics, Vol. 60, No. 2, S. 101-118.
Urbs-media GbR (2012), AfA-Tabelle Landwirtschaft und Tierzucht,
http://www.urbs.de/afa/change.htm?afa2.htm, Stand: 12/01/2012.
Internet:
Wang, H.-J., Schmidt, P. (2002), One-Step and Two-Step Estimation of the Effects of
Exogenous Variables on Technical Efficiency Levels, In: Journal of Productivity Analysis, Vol. 18, S. 129-144.
Weber, Theodor (2010), Agrarpolitik, In Sammelband: Die Landwirtschaft - Wirtschaftslehre, BLV Buchverlag, München.
Weichhart, Peter (1996), Die Region - Chimäre, Artefakt oder Strukturprinzip sozialer
Systeme? In: Brunn, Gerhard (Hrsg.), Region und Regionsbildung in Europa.
Nomos Verlagsgesellschaft, Baden-Baden, S. 25
Wichmann, T. (2000), „Die Region ist tot – es lebe die Region!“ Anmerkungen zur Diskurskonjunktur und Relativierung des Begriffes, In: Raumforschung und
Raumordnung (2000), Heft 2/3, S. 173-184.
Wirtschaftslexikon24.net
(2011),
SWOT-Analyse,
Internet:
http://www.wirtschaftslexikon24.net/d/swot-analyse/swot-analyse.htm; Stand:
08/12/2011.
Yane, S., Berg, S. (2011), Sensitivity analysis of efficiency rankings to distributional assumptions: applications to Japanese water utilities, MPRA Paper 32892, University Library of Munich, Germany.
Zuversicht, H. (2010), Unternehmensanalyse und Ldw. Branchenvergleich – Gesamtkatalog der Kennzahlen Erläuterungen und Berechnungen, LAND-DATA, Visselhövede.
Anhang
97
Anhang
Anhang 1
98
Anhang 1
Effekt der Normalisierung von Variablen:
Normalisierung:
x ijs = x ij / x j
x ijs | at x j = 1
ln xijs | at x j = 0
Die partielle Produktionselastizität am Mittelwert der Stichprobe berechnet sich in der Translog-Produktionsfunktion als:
k
ε ij | at x j = β j + ∑ β jl ln x ils
j =1
mit : ln xils | at xl = 0
ε ij | at x j = β j
Menge der Inputs {1, …, j, l, … k}
Menge der Beobachtungen {1, …, i, …, n}
Anhang 2
99
Anhang 2
Tabelle A-1:
Korrelationsmatrizen der Inputvariablen – Teil A
Jahr
Arbeit
Land
Rinder
(Stück)
Vorleistungen
2000/01
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
Summe der Korrelationseffizienten der Inputs
1
0,6930
0,7108
0,6772
0,6300
2,7111
1
0,9003
0,8877
0,7431
3,2241
1
0,8388
0,7548
3,2048
1
0,7745
3,1782
1
2,9023
2001/02
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7233
0,7352
0,6922
0,6231
2,7737
1
0,9032
0,8947
0,7551
3,2763
1
0,8628
0,7710
3,2722
1
0,7941
3,2438
1
2,9434
2002/03
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,6661
0,6916
0,6920
0,5685
2,6183
1
0,9142
0,8895
0,7533
3,2231
1
0,8822
0,7608
3,2488
1
0,7925
3,2563
1
2,8751
2003/04
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,6064
0,6203
0,6468
0,5627
2,4363
1
0,9176
0,8713
0,7398
3,1351
1
0,8660
0,7702
3,1741
1
0,7985
3,1826
1
2,8713
2004/05
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7761
0,7932
0,7026
0,6183
2,8902
1
0,9117
0,9014
0,7090
3,2981
1
0,8675
0,7241
3,2965
1
0,7650
3,2366
1
2,8165
2005/06
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,6792
0,6789
0,6765
0,5302
2,5648
1
0,9025
0,8975
0,7144
3,1936
1
0,8579
0,7120
3,1514
1
0,7883
3,2202
1
2,7449
Kapital
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung: Alle Korrelationskoeffizienten sind hoch signifikant (Alpha = 0,01).)
Anhang 2
Tabelle A-2:
100
Korrelationsmatrizen der Inputvariablen - Teil B
Jahr
Arbeit
Land
Rinder
(Stück)
Vorleistungen
2006/07
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7142
0,7333
0,6936
0,5203
2,6615
2007/08
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
Kapital
1
0,8700
0,8869
0,7136
3,1847
1
0,8569
0,7026
3,1628
1
0,8027
3,2402
1
2,7391
1
0,7298
0,7658
0,6980
0,5430
2,7366
1
0,8695
0,8756
0,7247
3,1995
1
0,8572
0,6834
3,1759
1
0,8098
3,2406
1
2,7609
2008/09
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7046
0,7637
0,6852
0,5389
2,6924
1
0,8821
0,8735
0,7327
3,1929
1
0,8737
0,7248
3,2442
1
0,8071
3,2394
1
2,8035
2009/10
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7077
0,7572
0,7194
0,5528
2,7371
1
0,8786
0,8627
0,7222
3,1711
1
0,8835
0,7155
3,2349
1
0,7905
3,2560
1
2,7810
2010/11
Arbeit
Land
Rinder in Stück
Vorleistungen
Kapital
1
0,7274
0,7625
0,7370
0,5813
2,8083
1
0,8578
0,8680
0,7330
3,1862
1
0,8874
0,7180
3,2256
1
0,7752
3,2675
1
2,8075
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung: Alle Korrelationskoeffizienten sind hoch signifikant (Alpha = 0,01).)
Anhang 3
101
Anhang 3
Abbildung A-1:
Durchschnittliche Vorleistungen der Betriebe in Nord-Niedersachsen
und Schleswig-Holstein pro Großvieheinheit Milchvieh
3.100
0
SH
2.900
NI
Differenz (NI - SH)
-50
2.500
2.300
2.100
-100
-150
Differenz
vorl/VE Milchvieh
2.700
-200
1.900
1.700
1.500
-250
-300
Quelle: Eigene Berechnungen anhand Daten des Testbetriebnetzes (Anmerkung: Wenn der Unterschied
Anhang 3
Abbildung A-2:
102
Durchschnittliche Arbeitskraftstunden pro ha selbstbewirtschaftete
Fläche der Betriebe in Nord-Niedersachsen und Schleswig-Holstein
70
9
SH
NI
Differenz (NI - SH)
8
7
6
akh/ha
5
4
50
Differenz
60
3
2
1
40
0
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung 1: Wenn der Unterschied
nicht statistisch signifikant ist, wurde der Wert gleich Null gesetzt. Anmerkung 2: Eine AK wurde mit 2000 Stunden pro Jahr angenommen.)
Abbildung A-3:
Durchschnittlich produzierte Dezitonnen Milch pro ha selbstbewirtschaftete Fläche der Betriebe in Nord-Niedersachsen und SchleswigHolstein
80
8
SH
NI
Differenz (NI - SH)
7
6
5
4
60
Differenz
dt Milch/ha
70
3
2
1
50
0
Quelle: Eigene Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung 1: Wenn der Unterschied
Anhang 3
103
Abbildung A-4:
Durchschnittlich gehaltene Großvieheinheiten Milchvieh pro ha der
Betriebe in Nord-Niedersachsen und Schleswig-Holstein
1
0,08
SH
NI
0,07
Differenz (NI - SH)
0,9
0,05
0,04
0,8
Differenz
VE Milchvieh/ha
0,06
0,03
0,02
0,01
0,7
0
Quelle: Eigenen Berechnungen anhand Daten des Testbetriebsnetzes (Anmerkung 1: Wenn der Unterschied
Erklärung
104
Erklärung:
Hiermit erkläre ich, dass ich die vorliegende Arbeit selbständig und ohne fremde Hilfe
angefertigt und keine anderen als die angegebenen Quellen und Hilfsmittel verwendet
habe.
Die eingereichte schriftliche Fassung der Arbeit entspricht der auf dem elektronischen
Speichermedium.
Weiterhin versichere ich, dass diese Arbeit noch nicht als Abschlussarbeit an anderer
Stelle vorgelegen hat.
Freitag, 29. Juni 2012
Hanna Bedbur

Effizienzanalyse landwirtschaftlicher Betriebe in Schleswig

Transcrição

Documentos relacionados

schleswig-holstein iM lanD Zwischen Den MeeRen

ringvorlesungws 0 7 - Fachhochschule Kiel

BachVirtuose ist neuer Schirmherr

1263

Gemeinsame Erklärung zum Strombau und Sedimentmanagement

Personal für die Kindertagesstätten

SPORTJUGENDaktuell - Sportjugend Schleswig

Hotels als Träger touristischer Entwicklungen

Erster Pferdeland-Niedersachsen-Tag mit Ministerpräsident Weil in

Musterschreiben - Tourismusverband Schleswig