Bibliographic Details
| Title: |
Modeling regional supply responses using farmlevel economic data and a biophysical model: a case study on Brazilian land-use change. |
| Authors: |
Balieiro, Samuel Ferreira |
| Source: |
Thünen Report; Apr2023, Issue 106, pi-A7, 202p |
| Subject Terms: |
ECONOMIC models, ECONOMIC statistics, LAND use, FARM supplies, SUGARCANE, AGRICULTURAL productivity, DOUBLE cropping, FARM produce, AGRICULTURE, ARABLE land, SUGARCANE growing |
| Geographic Terms: |
BRAZIL, MATO Grosso (Brazil : State) |
| Abstract (English): |
Estimating farmers' supply responses to changes in framework conditions is important to inform decision-makers on the expected impacts on production volume as well as the resulting land-use shifts. Existing agricultural supply response models generally require either larger databases with farm-level data for microregional analysis or are implemented with a coarse resolution (e.g., country level) due to the lack of data. While such approaches are suitable for regions with abundancy of data or for global-scale analysis, there is a need for an alternative for micro-level analysis in countries with low data availability. In addition, it is important to include the spatial component in the regional supply response analysis, allowing not only the quantification of the overall change in output but also the likely spatial land-use change. Against this background, this dissertation aims to answer the research question whether a combination of a biophysical model with farm-level economic data can be used to estimate farm-level profitability of individual crops and respective cropping systems and thereby simulate farmers' supply responses in countries with limited data availability. To answer this question, a new modeling approach called Profitability Assessment Model (PAM) is developed, tested and validated. This new modeling approach follows the principles of minimum data, focusing on delivering timely and quantitative analyses with satisfactory accuracy to inform decision-makers. That is an important feature since the overall goal of the concept is to limit the data required by the model to a minimum, allowing quick implementation while accepting moderate accuracy. The PAM is a spatially explicit model with simulation units' size of spatial resolution grid varying between 5 and 30 arcmin (10x10 to 50x50 km in area), following that used by the Global Biosphere Management Model (GLOBIOM). PAM estimates the profitability of each farming alternative at the simulation unit level and allocates the land to maximize farmers' return to land. The model has four main modules developed to account for the different components of the profitability estimation: - Plant module: Using the EPIC-IIASA crop growth model (biophysical), this module estimates crop yields and fertilizer input use based on a standard production system. The module uses weather and soil data, farm operation schedules and crop growth parameters to estimate actual daily biomass gain, which is a function of potential daily gains penalized due to stress factors such as lack of nutrients, water, etc. - Transport module: Transport costs are needed primarily to simulate farm-gate prices for both inputs and outputs. The tool endogenously estimates the transport costs between the simulation units and the nearest port. It uses observed data to estimate freight cost per km, which is combined with the estimated travel distances. - Economic module: This is the main innovation of the PAM model. It extrapolates known production cost data per crop from the agri benchmark typical farms to all the simulation units, using individual functions for each cost component. Finally, the module combines the information from the previously mentioned modules to calculate the return to land of each farming alternative at the simulation unit level. - Land allocation module: Maximizes the return to land for each simulation unit, allocating land to the most profitable farming alternative. Constraints such current land use and maximum share of each crop are also considered. The output is a land-use map. The PAM model is developed and calibrated for the Brazilian agricultural sector. Using Brazil as the case study is interesting due to its overall importance in the global production of agricultural commodities as well as the environmental impact of land-use changes. Due to its prominent role as an exporter, changes in international prices and trade agreements are expected to impact Brazilian farmers directly and may cause land-use changes. Besides the empirical relevance of Brazil, the availability of data helps the development of the extrapolation routines and the model validation. Additionally, the predominant cropping systems are relatively simple, supporting the development and implementation of the model. For this case study, four production system are represented in the PAM model: (a) double cropping of soybeans and maize, (b) soybeans with a cover crop, (c) sugarcane monoculture and (d) beef production. While the profitability of the arable crops is endogenously estimated, beef is considered as an opt-out option, which is modeled based on exogenous return-to-land information. Since soybean, maize and sugarcane production accounts for 84% of the total seeded area in Brazil, the current version of the PAM model represents the most important cropping alternatives to farmers in Brazil, but not all. An important methodological contribution of the dissertation is the development of routines for the extrapolation of each production cost component from the known typical farms' data to all regions in the country. These routines are based on local expertise as well as existing information on yield levels, prevailing production systems and farming conditions. Each cost component is analyzed individually and, based on theoretical discussions, specific cost functions are proposed following the expected behavior of each cost item - e.g., linear relationship with yields or fixed per ha. That should improve the accuracy of the model in estimating production costs (and finally profitability) while also allowing the model to be adapted to simulate changes in framework conditions that may affect only selected cost items (e.g., a significant increase in fuel prices). In addition, the PAM model improves on existing models because it accounts for specific cost components such as the transport of sugarcane from farm to mill, which is required due to the perishability of the crop. Besides the important impact of inbound transport cost on the overall profitability of sugarcane production, the endogenous simulation of this cost item allows the model to spatially differentiate among regions depending on the current availability of mills. That is expected to play an important role regarding farmers' supply responses depending on the time horizon of the analysis since the lack of milling infrastructure increases the inbound transport cost significantly in the short-term (e.g., less than 5 years). In the medium-term (5 to 15 years), however, mills may be built and thereby substantially improve the on-farm competitiveness of sugarcane. A major constraint for regional profitability analysis is the lack of information regarding farm input and output prices. To overcome this problem, the PAM model provides an interesting alternative by endogenously estimating prices via the transport module. By considering the different transportation costs of each crop and basing the distance estimation on the actual availability of roads, the model allows a straightforward conversion of reference prices to farm-gate prices. For Brazil, reference price is the nearest port because much of its production is exported while the majority of its bulk inputs, such as fertilizer, are imported. For other countries, the reference price point can be adapted (i.e., domestic market) while still following the same approach to calculate the farm-gate price. The ability to endogenously simulate transport cost is a useful feature for the simulation of scenarios based on price shocks. Apart from the development of the modeling approach, this dissertation focuses on the quantitative model validation as a key step to identify strengths and limitations of the concept. Projected yields are validated against regional statistics and production cost estimates are benchmarked against the two available datasets, with a suitable number of primary typicalfarm data. Furthermore, the resulting land-use maps are evaluated against two simplified validation maps representing current land use. In the business-as-usual scenario, the PAM model estimates a national weighted average of returns to land of 248 USD/ha for double cropping and 188 USD/ha for sugarcane. This relationship, however, is different in the states of Sao Paulo and Minas Gerais, where, on average, sugarcane has a higher return to land than double cropping. Benchmarking PAM's production cost estimates with observed local data shows a satisfactory model accuracy with a relative mean absolute error (rMAE) lower than 14%. The lowest error found in the production cost estimation is in sugarcane (rMAE of 8.7%) and the highest in second-crop maize (rMAE of 14%). Spatially, the model has a better performance in the Center-west region for grains and in the Center-south region for sugarcane. That likely is the result of model parametrization focused on the main production regions and the lack of typical farms in certain regions. Conversely, yield estimation with the biophysical model is challenging due to the distinct error patterns among the crops in Brazil. Compared with official statistics, the EPIC-IIASA model with standard calibration overestimates soybean yields (rMAE of 52%) while it underestimates sugarcane yields (rMAE of 24%). Since this error pattern artificially changes the relative profitability among the crop alternatives, crop yields are adjusted for this case study using available regional statistics, allowing the development and testing of the remaining modules in the PAM modeling approach. The validation of the business-as-usual land-use map shows that the PAM model is able to satisfactorily reproduce the current land use in Brazil. The visual and quantitative validation results show a strong correlation between the available land-use maps, with PAM allocating the same crop as observed in 86% of total arable land. For important agricultural states, such as Mato Grosso, the agreement between the PAM's results and observed data is as high as 95%. That is an interesting result showing, on one hand, the importance of carefully calibrating the model with local expertise and, on the other, that the specialization of Brazilian farms with relatively simple crop rotations reduces the complexity of estimating land allocation strategies, thereby increasing the model accuracy. To test the ability of the PAM model to predict land-use and output changes due to changing framework conditions, a scenario analysis is carried out: What will happen in case yields of key crops change significantly as a consequence of climate change? An extensive literature is available on the consequences of climate change in Brazil, with a strong regional and cropspecific variation regarding expected future yield developments. To simulate the impact of the growers' reaction to yield changes due to climate change, two adaptation scenarios are developed: - No double cropping in the tropical region (NoDC): Due to the expected yield penalty in short-cycle soybeans grown in double-cropping systems, farmers move out of the double-cropping system to single soybean cultivation in the tropical regions. - Double cropping with yield penalty (DCYp): Farmers keep producing in the current double-cropping systems while accepting the yield penalty for soybeans and maize. Due to the strong reduction in the returns to land for grains (i.e., maize and soybeans) in the tropical region - i.e., on average 26% in NoDC and 39% in DCYp - more than 24% of the current arable land is simulated to move from grains to sugarcane production. These results, however, vary significantly in the different regions, where the most affected states are Goiás, Paraná and Mato Grosso, jointly accounting for more than 55% of the total land-use change. The results highlight two important considerations: (a) the reduction in returns to land for grains is usually smaller in the NoDC scenario and (b) sugarcane is expected to benefit if simulated future yield patterns are observed. Both indicate a reduction of grain availability from Brazil with grain producing areas moving to sugarcane. A stronger impact is expected on the production of second-crop maize, with farmers switching from double cropping to single-soybean production systems. Although the scenario analysis shows an interesting trend, it is important to highlight that such strong yield impacts on maize and soybeans are expected to trigger different dynamics that are not considered. For example, farmers are expected to adjust seeding period, use droughtresistant varieties and irrigation, reducing the magnitude of the change. Moreover, international prices also should react to such a significant change in Brazilian exports and thereby readjust the profitability of the cropping alternatives, which in turn impacts farmers' supply responses. That shows an important limitation of the PAM approach, which is the lack of an internal demand function. The model is not designed to internally estimate the new market equilibrium, so changes, such as depicted in the scenario analysis, do not affect farm-gate prices and demand. To overcome this problem, the PAM model should be integrated in the more developed market-equilibrium model, benefiting from the complex estimation of macro-economic dynamics (e.g., GLOBIOM) while improving the production cost estimation. Such integration should also improve the simulation of the land use by adding important agricultural sectors (e.g., forestry and livestock), which are important in Brazil. The PAM model has other limitations and areas for further development that should be carefully considered: (a) Due to the strong dependency on typical farm data, it is important to consider broadening the coverage of typical farms in the entire research region. (b) The tailored construction of the cost function required an in-depth local knowledge of production systems that may not always be readily available. (c) The land allocation module requires further development to account for more complex production systems. (d) The model does not consider conversion costs so it assumes any additional return to land in one alternative relative to another will induce land-use change. (e) It is necessary to further improve the biophysical model or use a locally calibrated alternative. Further improving the biophysical model is particularly important due to the decisive role that yields play directly in the profitability estimation and, indirectly, as a proxy for the production cost extrapolation. The standard EPIC-IIASA model currently lacks the regional calibration for Brazilian cultivars, where soybeans, for example, are grown in a shorter cycle to allow the double cropping with maize. An ongoing cooperation with local research groups and production system experts (e.g., agri benchmark partners) should allow improving the model by using field trials to better calibrate the crop growth parameters and finetune the farm operations' schedule to represent the regional differences in the country. Conceptually, it also is important to highlight that the PAM model provides a profit-based farmers' supply response analysis for a time horizon between 5 to 20 years. This feature is not given by methodological constraints but mainly by the conceptual difficulties in estimation significantly shorter or longer time horizons. On one hand, short-term price movements are not expected to motivate major changes in production systems (i.e., moving from grains to sugarcane) at regional level since farmers are aware that crop prices fluctuate and changing activities may require knowledge and investments. On the other hand, long-term simulation (more than 20 years) requires a technical adaption of the costing structure, which also should consider whether fundamental changes in the current production system are expected. The suitable time horizon for each analysis should be determined by regional characteristics of crops (perennial vs annual) and the ability to depict the expected changes in production system with the typical farm data. This dissertation contributes to the overall development of regional farmers' supply response models for countries with limited data availability, showing that it is feasible to combine a biophysical model and farm-level economic data as the basis for the profitability estimation in a high spatial resolution. The ability to estimate individual cost components separately gives the model the required flexibility for the simulation of market- and policy-related questions, providing timely and accurate information for decision-makers. The bottom-up approach based on local expertise is an important strength of the PAM model, avoiding unrealistic parametrization and ensuring that the majority of local features of production systems are included in the estimation. Finally, considering the overall goal of using minimum data, the model accuracy indicates a strong potential of the model to answer research questions, with additional parametrization and integration expected to further improve its performance. [ABSTRACT FROM AUTHOR] |
| Abstract (German): |
Die Schätzung der Angebotsreaktionen von Landwirten auf veränderte Rahmenbedingungen ist wichtig, um Entscheidungsträger über die erwarteten Auswirkungen einer Maßnahme auf das Produktionsvolumen und die daraus resultierenden Landnutzungsänderungen zu informieren. Bestehende Modelle für landwirtschaftliche Angebotsreaktionen erfordern in der Regel entweder größere Datenbanken für mikroregionale Analysen auf Betriebsebene oder werden aufgrund fehlender Daten mit einer groben Auflösung (z. B. auf Länderebene) implementiert. Solche Ansätze eigenen sich für Regionen mit einer hohen Datenverfügbarkeit oder für Analysen auf globaler Ebene. Für die Analyse auf Mikroebene, in Ländern mit geringer Datenverfügbarkeit, bedarf es jedoch eines alternativen Ansatzes. Darüber hinaus ist es wichtig, die räumliche Komponente in die Analyse der regionalen Angebotsreaktion einzubeziehen, um nicht nur die Gesamtveränderung der Produktion sondern auch die anzunehmende räumliche Landnutzungsänderung quantifiziert zu können. Vor diesem Hintergrund soll in dieser Dissertation die Forschungsfrage beantwortet werden, ob die Kombination eines biophysikalischen Modells mit ökonomischen Daten auf einzelbetrieblicher Ebene dazu verwendet werden kann, um die Rentabilität einzelner Kulturen und entsprechender Anbausysteme auf Betriebsebene zu schätzen. Insbesondere sollen mit diesem Ansatz die Angebotsreaktionen von Landwirten in Ländern mit begrenzter Datenverfügbarkeit simuliert werden. Zur Beantwortung dieser Frage wird ein neuer Modellierungsansatz, das Profitability Assessment Model (PAM), entwickelt, getestet und validiert. Dieser neue Modellierungsansatz folgt dem Prinzip des Mindestdatensatzes und konzentriert sich darauf zeitnahe und quantitative Analysen mit zufriedenstellender Genauigkeit zu liefern, um eine gesonderte Informationsbasis für Entscheidungsträger zu schaffen. Dies ist ein wichtiges Merkmal, da das Gesamtziel des Konzepts darin besteht, die für das Modell erforderlichen Daten auf ein Minimum zu beschränken, sodass eine schnelle Umsetzung bei zufriedenstellender Genauigkeit möglich ist. Das PAM ist ein räumlich explizites Modell, bei dem die Größe der Simulationseinheiten in einem Raster von 5 bis 30 arcmin (10x10 bis 50x50 km Fläche) variiert, in Anlehnung an das Global Biosphere Management Model (GLOBIOM). PAM schätzt die Rentabilität jeder Bewirtschaftungsalternative auf Ebene der Simulationseinheit und weist das Land so zu, dass die Grundrente der Landwirte maximiert wird. Das Modell besteht aus vier Hauptmodulen, die entwickelt wurden, um die verschiedenen Komponenten der Rentabilitätsschätzung zu berücksichtigen: - Plant module: Unter Verwendung des EPIC-IIASA-Pflanzenwachstumsmodells (biophysikalisch) schätzt dieses Modul die Ernteerträge und den Düngemitteleinsatz auf der Grundlage eines Standardproduktionssystems. Das Modul verwendet Wetter-und Bodendaten, Betriebsabläufe und Wachstumsparameter der Pflanzen, um den tatsächlichen täglichen Biomassezuwachs zu schätzen. Dieser ist eine Funktion des potenziellen täglichen Zuwachses, welcher jedoch durch Stressfaktoren wie Nährstoff- und Wassermangel usw. beeinträchtigt wird. - Transport module: Die Transportkosten werden in erster Linie benötigt, um die Hoftor- Preise sowohl für die Inputs als auch für die Outputs zu simulieren. Das Tool schätzt endogen die Transportkosten zwischen den Simulationseinheiten und dem nächstgelegenen Hafen. Es verwendet beobachtete Daten zur Schätzung der Frachtkosten pro km, welche mit der geschätzten Entfernung kombiniert werden. - Economic module: Dieses Modul ist die wichtigste Neuerung des PAM-Modells. Das Modul extrapoliert für jede Kultur die bekannten Produktionskostendaten der typischen agri benchmark Betriebe auf alle Simulationseinheiten. Dabei werden individuelle Funktionen für jede Kostenkomponente verwendet. Schließlich kombiniert das Modul die Informationen aus den zuvor genannten Modulen, um die Grundrente jeder landwirtschaftlichen Alternative auf Ebene der Simulationseinheit zu berechnen. - Land allocation module: Dieses Modul maximiert die Grundrente für jede Simulationseinheit und weist das Land der profitabelsten Anbaualternative zu. Einschränkungen, wie die aktuelle Landnutzung und der maximale Anteil der einzelnen Kulturen, werden ebenfalls berücksichtigt. Das Ergebnis stellt eine Landnutzungskarte dar. Das PAM-Modell wurde für den brasilianischen Agrarsektor entwickelt und kalibriert. Die Verwendung von Brasilien als Fallstudie ist aufgrund der allgemeinen Bedeutung des Landes für die weltweite Produktion von Agrarrohstoffen sowie der Umweltauswirkungen von Landnutzungsänderungen interessant. Aufgrund der überdurchschnittlichen Rolle des Landes als Exporteur ist davon auszugehen, dass sich Veränderungen der Weltmarktpreise und mögliche Handelsabkommen direkt auf die brasilianische Landwirtschaft auswirken und zu Landnutzungsänderungen führen können. Neben der empirischen Relevanz Brasiliens hilft die Verfügbarkeit von Daten bei der Entwicklung der Extrapolationsverfahren und der Modellvalidierung. Außerdem sind die vorherrschenden Anbausysteme relativ einfach strukturiert, was die Entwicklung und Implementierung des Modells erleichtert. Für diese Fallstudie werden vier Produktionssysteme im PAM-Modell dargestellt: (a) Zweikulturanbausystem von Sojabohnen und Mais, (b) Sojabohnen mit einer Zwischenfrucht, (c) Zuckerrohranbau in Monokultur und (d) Rindfleischproduktion. Während die Rentabilität der Ackerkulturen endogen geschätzt wird, wird Rindfleisch als Ausstiegsmöglichkeit betrachtet, die auf der Grundlage exogener Informationen über die Grundrente modelliert wird. Der Anbau von Sojabohnen, Mais und Zuckerrohr macht 84 % der gesamten Anbaufläche in Brasilien aus, somit stellt die aktuelle Version des PAM-Modells die wichtigsten Anbaualternativen für die Landwirte in Brasilien dar, jedoch nicht alle. Ein wichtiger methodischer Beitrag der Dissertation ist die Entwicklung von Verfahren für die Extrapolation einzelner Produktionskostenkomponenten der bekannten Daten von typischen Betrieben auf alle Regionen eines Landes. Diese Verfahren beruhen auf lokalem Fachwissen sowie vorhandenen Informationen über Ertragsniveaus, vorherrschende Produktionssysteme und landwirtschaftliche Bedingungen. Jede Kostenkomponente wird einzeln analysiert und wird - auf Grundlage theoretischer Erörterungen - spezifischen Kostenfunktionen zugeordnet, je nachdem wie das erwartete Verhalten jeder Kostenposition ist - z. B. eine lineare Beziehung zu den Erträgen oder ein Fixwert pro ha. Dies dürfte die Genauigkeit des Modells bei der Schätzung der Produktionskosten (und letztlich der Rentabilität) verbessern und gleichzeitig eine Anpassung des Modells zur Simulation von veränderten Rahmenbedingungen ermöglichen, die sich nur auf ausgewählte Kostenpositionen auswirken können (z. B. ein erheblicher Anstieg der Kraftstoffpreise). Darüber hinaus verbessert das PAM-Modell die bestehenden Modelle durch die Berücksichtigung spezifischer Kostenpositionen, wie z. B. den Transport des Zuckerrohrs vom landwirtschaftlichen Betrieb zur Mühle, welcher aufgrund der Verderblichkeit des Erntegutes erforderlich ist. Neben dem bedeutenden Einfluss der Transportkosten auf die Gesamtrentabilität der Zuckerrohrproduktion ermöglicht die endogene Simulation dieses Kostenfaktors dem Modell auch, in Abhängigkeit der regionalen Verfügbarkeit von Mühlen, eine räumliche Differenzierung zwischen einzelnen Regionen herzustellen. Es ist zu erwarten, dass dies, je nach Zeithorizont der Analyse, eine wichtige Rolle für die Angebotsreaktionen von Landwirten spielen wird, da eine mangelhafte Mühleninfrastruktur die Kosten für den Transport kurzfristig (z. B. in weniger als 5 Jahren) erheblich erhöht. Mittelfristig (5 bis 15 Jahre) jedoch, können neuen Mühlen gebaut werden und damit die Wettbewerbsfähigkeit von Zuckerrohr auf dem Betrieb erheblich verbessern. Ein wesentliches Hindernis für die regionale Rentabilitätsanalyse ist der Mangel an Informationen über die Preise der landwirtschaftlichen Inputs und Outputs. Diese Problematik wird durch einen alternativen Ansatz des PAM-Modelles umgegangen, indem es die Preise endogen über das Transportmodul schätzt. Die Berücksichtigung der unterschiedlichen Transportkosten für einzelne Kulturen und die Schätzung der Entfernungen auf Grundlage tatsächlich existierender Straßen ermöglichen dem Modell eine unkomplizierte Umrechnung von Referenzpreisen in Hoftor-Preise. Für Brasilien ist der Referenzpreis der nächstgelegene Hafen, da ein großer Teil der Produktion exportiert wird, während der Großteil der Betriebsmittel wie z. B. Düngemittel importiert werden. Für andere Länder kann der Referenzpreis angepasst werden (d. h. Inlandsmarkt), wobei der Ansatz zur Berechnung des Hoftor-Preises gleichbleibt. Die Möglichkeit, die Transportkosten endogen zu simulieren, ist eine nützliche Funktion für die Simulation von Szenarien, die auf Preisshocks basieren. Neben der Entwicklung des Modellierungsansatzes liegt der Schwerpunkt dieser Dissertation auf der quantitativen Modellvalidierung, welche ein wichtiges Element für die Ermittlung der Stärken und Limitationen des Konzepts bildet. Die prognostizierten Erträge werden anhand regionaler Statistiken validiert und die Produktionskostenschätzungen mit den beiden verfügbaren Datensätzen verglichen, wobei eine angemessene Anzahl primärer, typischer landwirtschaftlicher Datensätze verwendet wird. Darüber hinaus werden die resultierenden Landnutzungskarten anhand von zwei vereinfachten Referenzkarten validiert und bewertet. Im Business-as-usual-Szenario schätzt das PAM-Modell den nationalen gewichteten Durchschnitt der Grundrenten auf 248 USD/ha für das Zweikultursystem (Soja und Mais) und 188 USD/ha für Zuckerrohr. Dieses Verhältnis weicht jedoch in den Bundesstaaten Sao Paulo und Minas Gerais ab, da Zuckerrohr hier im Durchschnitt eine höhere Grundrente aufweist als der Zweikulturanbau. Ein Benchmarking der PAM-Produktionskostenschätzungen mit beobachteten lokalen Daten zeigt eine zufriedenstellende Modellgenauigkeit mit einem relativen mittleren absoluten Fehler (rMAE) von weniger als 14 %. Der geringste Fehler, bei der Schätzung der Produktionskosten, wurde bei Zuckerrohr (rMAE von 8,7 %) und der höchste bei Mais in der zweiten Kultur (rMAE von 14 %) festgestellt. Räumlich gesehen hat das Modell eine bessere Leistung in der zentral-westlichen Region für Getreide und in der zentral-südlichen Region für Zuckerrohr. Dieser Umstand ist wahrscheinlich darauf zurückzuführen, dass die Modellparametrisierung auf die Haupterzeugungsregionen ausgerichtet ist und es in bestimmten Regionen keine typischen Betriebe gibt. Umgekehrt ist die Ertragsschätzung mit dem biophysikalischen Modell aufgrund der unterschiedlichen Fehlermuster bei den verschiedenen Kulturen in Brasilien eine Herausforderung. Im Vergleich zu offiziellen Statistiken überschätzt das EPIC-IIASA-Modell in der Standardkalibrierung die Sojabohnenerträge (rMAE von 52 %), während es die Zuckerrohrerträge unterschätzt (rMAE von 24 %). Da dieses Fehlermuster die relative Rentabilität zwischen den Anbaualternativen künstlich verändert, werden die Ernteerträge für diese Fallstudie anhand verfügbarer regionaler Statistiken angepasst. Diese Vorgehensweise ermöglicht die Entwicklung und Prüfung der übrigen Module des PAM-Modellierungsansatzes. Die Validierung der Business-as-usual-Landnutzungskarte zeigt, dass das PAM-Modell in der Lage ist, die aktuelle Landnutzung in Brasilien zufriedenstellend zu reproduzieren. Die visuellen und quantitativen Validierungsergebnisse zeigen eine starke Korrelation zwischen den verfügbaren Landnutzungskarten, wobei PAM für 86 % der gesamten Ackerfläche die tatsächlich zu beobachtenden Kulturen korrekt zuweist. In wichtigen Agrarstaaten wie Mato Grosso beträgt die Übereinstimmung zwischen den PAM-Ergebnissen und den beobachteten Daten sogar 95 %. Dieses interessante Ergebnis zeigt, wie wichtig eine sorgfältige Kalibrierung des Modells mit lokalem Fachwissen ist. Weiterhin verdeutlichts es, dass die verhältnismäßig einfachen Fruchtfolgen der spezialisierten brasilianischen Betriebe die Komplexität der Schätzung der Landnutzungsstrategien verringert und sich damit die Genauigkeit des Modells erhöht. Um die Fähigkeit des PAM-Modells zur Vorhersage von Landnutzungs- und Ertragsänderungen aufgrund veränderter Rahmenbedingungen zu testen, wird eine Szenarioanalyse durchgeführt: Was passiert, wenn sich die Erträge der wichtigsten Nutzpflanzen infolge des Klimawandels deutlich verändern? Zu den Folgen des Klimawandels in Brasilien gibt es umfangreiche Literatur, wobei die erwarteten zukünftigen Ertragsentwicklungen regional und kulturspezifisch stark variieren. Um die Auswirkungen der Reaktion von Landwirten auf Ertragsänderungen infolge des Klimawandels zu simulieren, wurden zwei Anpassungsszenarien entwickelt: - Kein Zweikulturanbau in der tropischen Region (NoDC): Aufgrund der zu erwartenden Ertragseinbußen bei kurzzyklischen Sojabohnen, die in Zweikulturanbausystemen eingesetzt werden, gehen die Landwirte in den tropischen Regionen beim Sojabohnenanbau zu einem einfachen Anbausystem über. - Zweikulturanbau mit Ertragsverlust (DCYp): Die Landwirte produzieren weiterhin in den derzeitigen Zweikulturanbausystemen, nehmen aber einen Ertragsverlust bei Sojabohnen und Mais in Kauf. Aufgrund des starken Rückgangs der Erträge aus dem Getreideanbau (bei Mais und Sojabohnen) in der tropischen Region - d. h. durchschnittlich 26 % in NoDC und 39 % in DCYp - wird simuliert, dass mehr als 24 % der derzeitigen Anbaufläche von Getreide- auf den Zuckerrohranbau umgestellt wird. Diese Ergebnisse variieren jedoch erheblich in den verschiedenen Regionen, wobei die am stärksten betroffenen Staaten Goiás, Paraná und Mato Grosso sind. Zusammen entfallen auf diese Staaten mehr als 55 % der gesamten Landnutzungsänderung. Die Ergebnisse zeigen zwei wichtige Aspekte auf: (a) Die Abnahme der Erträge aus Getreideanbauflächen ist im NoDC-Szenario in der Regel geringer und (b) Zuckerrohr dürfte vom Klimawandel profitieren, falls die simulierten Ertragseffekten eingehalten werden. Beide Szenarien deuten auf eine verminderte Verfügbarkeit von Getreide aus Brasilien hin, wobei die Getreideanbaugebiete auf Zuckerrohrproduktion umstellen werden. Eine stärkere Auswirkung wird für die Produktion von Mais als Zweitfrucht erwartet, da Landwirte von Zweikulturanbausystemen auf den einfachen Anbau von Sojabohnen umstellen werden. Obwohl die Szenarioanalyse einen interessanten Trend zeigt ist es wichtig zu betonen, dass solch starke Auswirkungen auf die Erträge von Mais und Sojabohnen weiterführende Dynamiken auslösen dürften, die nicht berücksichtigt wurden. So ist beispielsweise zu erwarten, dass die Landwirte die Aussaatzeit anpassen, dürreresistente Sorten verwenden und Bewässerung einsetzen, wodurch das Ausmaß der Veränderung verringert würde. Darüber hinaus dürften auch die internationalen Preise auf eine solch signifikante Veränderung der brasilianischen Exporte reagieren und wiederum die Rentabilität der Anbaualternativen beeinflussen, was eine Anpassung des Angebots durch die Landwirte nach sich zöge. Das Fehlen einer internen Nachfragefunktion ist eine wichtige Einschränkung des PAM-Ansatzes. Das Modell ist nicht darauf ausgelegt, ein neues Marktgleichgewicht intern zu schätzen, sodass sich Änderungen, wie sie in der Szenarioanalyse dargestellt werden, nicht auf die Hoftor-Preise und die Nachfrage auswirken. Um dieses Problem zu überwinden, sollte das PAMModell in das höher entwickelte Marktgleichgewichtsmodell integriert werden. So könnte es von der komplexen Schätzung der makroökonomischen Dynamik (z. B. GLOBIOM) profitieren sowie gleichzeitig die Schätzung der Produktionskosten verbessern. Eine solche Integration würde auch die Simulation der Landnutzung verbessern, da diese weitere für Brasilien bedeutende landwirtschaftliche Sektoren (z. B. Forstwirtschaft und Viehzucht) einbezöge. Das PAM-Modell hat weitere Einschränkungen und Bereiche die weiterer Entwicklung bedürfen und sorgfältig geprüft werden sollten: (a) Aufgrund der starken Abhängigkeit von den Daten typischer Betriebe ist es wichtig, eine Ausweitung der Abdeckung durch typische Betriebe in der gesamten Forschungsregion in Betracht zu ziehen. (b) Die angepasste Aufstellung der Kostenfunktion erfordert tiefere Kenntnisse über die lokalen Produktionssysteme, welche nicht immer ohne weiteres verfügbar sind. (c) Das Modul für die Landzuteilung muss weiterentwickelt werden, um komplexere Produktionssysteme einbeziehen zu können. (d) Das Modell berücksichtigt keine Anpassungskosten, sodass jeder Zuwachs der Grundrente in einer Alternative zu Landnutzungsänderung führt. (e) Es ist notwendig das biophysikalische Modell zu verbessern oder regional kalibrierte Alternativen zu verwenden. Die weitere Verbesserung des biophysikalischen Modells ist besonders wichtig, da die Erträge eine entscheidende Rolle bei der Rentabilitätsschätzung und stellvertretend in der Extrapolation der Produktionskosten spielen. Dem Standardmodell EPIC-IIASA fehlt derzeit die regionale Kalibrierung für brasilianische Kulturpflanzen beispielsweise Sojabohnen, welche in einem kürzeren Zyklus angebaut werden, um den Anbau von Mais als Zweitkultur zu ermöglichen. Eine kontinuierliche Zusammenarbeit mit lokalen Forschungsgruppen und Experten für Produktionssysteme (z. B. agri benchmark Partner) sollte es ermöglichen das Modell durch Feldversuche zu verbessern. Die Parameter für das Pflanzenwachstum könnten so besser kalibriert und saisonale Abläufe der landwirtschaftlichen Betriebe möglichst genau abgebildet werden, sodass sich regionale Unterschiede innerhalb des Landes besser wiedergeben lassen. Aus konzeptioneller Sicht ist es auch wichtig hervorzuheben, dass das PAM-Modell eine gewinnorientierte Analyse der Angebotsreaktion von Landwirten für einen Zeithorizont zwischen 5 und 20 Jahren liefert. Dies ist nicht auf die methodische Notwendigkeit zurückzuführen, sondern vor allem auf konzeptionelle Schwierigkeiten bei der Schätzung deutlich kürzerer oder längerer Zeithorizonte. Es ist nicht zu erwarten, dass kurzfristige Preisschwankungen zu größeren Änderungen der Produktionssysteme (z. B. Umstellung von Getreide auf Zuckerrohr) auf regionaler Ebene führen. Den Landwirten ist generell bewusst, dass die Preise für Kulturpflanzen schwanken und eine Änderung der Aktivitäten weiterführendes Wissen und Investitionen erfordern kann. Eine langfristige Simulation (mehr als 20 Jahre) hingegen erfordert eine technische Anpassung der Kostenstruktur, bei der auch berücksichtigt werden sollte, ob grundlegende Änderungen im derzeitigen Produktionssystem zu erwarten sind. Der geeignete Zeithorizont für jede Analyse sollte durch die regionalen Merkmale der Kulturen (mehrjährig vs. einjährig) und die Möglichkeit bestimmt werden, die erwarteten Veränderungen im Produktionssystem mit den typischen Betriebsdaten abzubilden. Diese Dissertation leistet einen Beitrag zur allgemeinen Entwicklung regionaler Modelle für die Simulierung von Angebotsreaktion durch Landwirte in Ländern mit begrenzter Datenverfügbarkeit, indem sie veranschaulicht, dass es möglich ist ein biophysikalisches Modell und ökonomische Daten auf Betriebsebene zu kombinieren und als Grundlage für eine Rentabilitätsschätzung mit hoher räumlicher Auflösung zu verwenden. Die Möglichkeit einzelne Kostenkomponenten separat zu schätzen, verleiht dem Modell die erforderliche Flexibilität für die Simulation markt- und politikbezogener Fragestellungen und liefert den Entscheidungsträgern rechtzeitig genaue Informationen. Der Bottom-up-Ansatz, der sich auf lokales Fachwissen stützt, ist eine wichtige Stärke des PAM-Modells, da er eine unrealistische Parametrisierung vermeidet und sicherstellt, dass die meisten lokalen Merkmale der Produktionssysteme in die Schätzung einbezogen werden. In Anbetracht des übergeordneten Ziels möglichst wenige Daten zu verwenden deutet die Modellgenauigkeit auf ein großes Potenzial zur Beantwortung von Forschungsfragen hin, wobei zusätzliche Parametrisierung und Integration die Leistungsfähigkeit weiter verbessern dürften. [ABSTRACT FROM AUTHOR] |
|
Copyright of Thünen Report is the property of Thuenen Institut and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| Database: |
Complementary Index |
Nájsť tento článok vo Web of Science