Von Robert Huber, Hang Xiong, Kevin Keller und Robert Finger*. Damit agrarpolitische Massnahmen wirksam und effizient sein können, sollte in deren Entwicklung das zu erwartende Verhalten der Landwirte berücksichtigt werden. Dafür braucht es auch neue Modellierungsansätze, welche verhaltensökonomische Aspekte in der Abbildung von landwirtschaftlichen Entscheidungen miteinbeziehen können.

Mit Hilfe von bioökonomischen Modellen kann das Verhalten von Landwirten auf sich ändernde ökologische, wirtschaftliche oder institutionelle Bedingungen und Massnahmen simuliert werden. Solche Modelle erlauben es, eine Aussage in Bezug auf «was-wäre-wenn» Fragen zu machen und sind daher auch ein elementares Instrument zur Evaluation von Agrarpolitik. Sie können beispielsweise quantifizieren, wie viele Bäuerinnen und Bauern sich für oder gegen eine Teilnahme an einem neuen Agrarumweltprogramm entscheiden würden, bevor es eingeführt würde.

Im Kern verbinden diese Modelle agronomische Zusammenhänge mit dem Entscheidungsverhalten von Landwirten. Eine spezifische und immer häufiger für die Evaluation von Agrarpolitik genutzte Art von Modellen sind dabei die sogenannten agentenbasierten Modelle. Agentenbasiert bedeutet, dass im entsprechenden Modell einzelne Betriebe («Agenten») mit unterschiedlichen agronomischen und strukturellen Voraussetzungen berücksichtigt werden und diese Agenten miteinander interagieren können z.B. über einen Pachtlandmarkt. Das Verhalten des einzelnen Landwirts wird in diesen agentenbasierten Modellen oft mit Hilfe des Prinzips der Gewinnmaximierung oder einer Maximierung des Nutzens simuliert.

Erkenntnisse aus der Verhaltensökonomie zeigen jedoch, dass auch wenn Kosten und Nutzenüberlegungen eine zentrale Rolle spielen, weitere Faktoren das Entscheidungsverhalten von Bäuerinnen und Bauern beeinflussen (siehe z.B. Dessart et al., 2019). So spielen beispielsweise Unsicherheiten und Risiken in der landwirtschaftlichen Produktion oft eine grosse Rolle (z.B. Iyer et al., 2020). Ereignisse werden subjektiv wahrgenommen und das entsprechende Verhalten entspricht nicht zwangsläufig einer objektiven Abwägung zwischen Kosten und Nutzen. Zudem können auch soziale Netzwerke und der Austausch von Informationen unter Bäuerinnen und Bauern eine wichtige Rolle spielen. Solche verhaltensökonomischen Aspekte wurden in den letzten Jahren immer häufiger auch empirisch erhoben und gemessen. Modellierungsansätze, welche diese Faktoren in einzelbetrieblichen Entscheidungen von Landwirten in der Beurteilung von agrarpolitischen Massnahmen berücksichtigen, blieben aber nach wie vor selten (Huber et al., 2018).

In einem vor kurzem in der Zeitschrift Journal of Agricultural Economics erschienen Artikel (Huber et al., 2022), haben wir einen neuen agentenbasierter Modellierungsansatz vorgestellt, der zur Schliessung dieser Forschungslücke beiträgt. Wir zeigen auf, wie verhaltensbezogene Faktoren mit einer bioökonomischen Modellierung, d.h., einer klassischen Kosten- Nutzen Abwägung in der landwirtschaftlichen Produktion, kombiniert werden können. Dieser Modellansatz mit dem Namen FARMIND (FARM INteraction and Decision-making), verbindet Risikoaspekte, Präferenzen für landwirtschaftliche Tätigkeiten sowie soziale Interaktionen mit einer einzelbetrieblichen Optimierung.

Die grundsätzliche Idee unseres Modellansatzes ist, dass die Entscheidung von Bäuerinnen und Bauern in drei Schritten erfolgt (Abbildung 1). Der erste Schritt basiert auf sogenannten Heuristiken. Das bedeutet, dass die Landwirtinnen und Landwirte sich zuerst für eine gewisse Entscheidungsstrategie entschliessen. In unserem Modell unterscheiden wir dabei vier Strategien: 1) «Weiter wie bisher». Der Agent kann die gleichen landwirtschaftlichen Produktionsaktivitäten wählen wie im Vorjahr. 2) «Optimierung». Der Agent hat das Ziel, seine Einkommenssituation zu verbessern und prüft neue Produktionsmöglichkeiten. 3) «Imitation». Der Agent prüft, ob die Produktionsaktivitäten von ihm bekannten andere Agenten (in sogenannten sozialen Netzwerken), auf seinem eigenen Betrieb den Profit erhöhen könnten. 4) «Was anderes machen». In der vierten Strategie hört der Agent mit einer bestimmten landwirtschaftlichen Tätigkeit auf oder er sucht sich ausserlandwirtschaftliche Einkommen.

Für welche Strategie sich der Agent (d.h. ein Betriebsleiter) entscheidet, hängt dabei von zwei Faktoren ab (Tabelle 1). Ist der Agent mit seiner Einkommenssituation zufrieden, dann wird er entweder weitermachen wie bisher oder allenfalls die Produktionsaktivitäten ihm bekannter Agenten berücksichtigen. Ob er zufrieden ist oder nicht, wird dabei mit Hilfe der sogenannten Erwartungstheorie («Cumulative Prospect Theory») simuliert. Dadurch trägt FARMIND der Tatsache Rechnung, dass die Rolle der Unsicherheit bei der Entscheidungsfindung der Landwirte von Landwirt zu Landwirt unterschiedlich und daher von Natur aus subjektiv ist. Der zweite Faktor ist, wie sensitiv der Agent auf Änderungen in seinem sozialen (bäuerlichen) Umfeld reagiert. Eine Bäuerin oder ein Bauer, dessen Verhalten stark auf Veränderungen in seinem Umfeld reagiert, wird in unserem Modell eher dazu neigen, andere Agenten zu imitieren oder «was anderes» zu machen». Individuell eingestellte Agenten hingegen machen was sie schon immer gemacht haben oder versuchen ihren Betrieb zu optimieren ohne, dass sie von Tätigkeiten anderer Agenten beeinflusst werden.

In einem zweiten Schritt wird aus der Entscheidungsheuristik für jeden Agenten ein Set von landwirtschaftlichen Tätigkeiten generiert. Je nachdem, welche Strategie gewählt wird, ist die Anzahl der Optionen, welche dem Agenten als Entscheidungsgrundlage dient grösser oder kleiner. Wenn ein Agent die Strategie «Weiter wie bisher» wählt, dann ändert auch sein Produktionsportfolio nicht. Informiert sich ein Agent aber beispielsweise in seinem sozialen Umfeld nach alternativen Produktionsaktivitäten, dann werden dem Agenten nicht nur die Aktivitäten zugewiesen, welche er im letzten Jahr ausgeführt hatte, sondern auch diejenigen, die von ihm bekannten anderen Betrieben in den letzten Jahren erfolgreich umgesetzt wurden. In diesem Schritt berücksichtigen wir auch die Präferenzen für spezifische Tätigkeiten. Diese werden exogen vorgegeben und bilden dadurch individuelle Vorlieben für bäuerliche Tätigkeiten ab.

Im dritten und letzten Schritt werden diese Entscheidungssets mit einem klassischen Optimierungsmodell z.B. einem bioökonomischen Modell, verknüpft. Das bedeutet, dass der Agent innerhalb der vorgegebenen Optionen diejenige auswählt, welche für den entsprechenden Betrieb, den höchsten Gewinn ausweist. Je nach Modell, welches hier verwendet wird, kann es sich dabei um den höchsten Deckungsbeitrag oder das höchste landwirtschaftliche Einkommen handeln. Zur Illustration unseres Modellansatzes haben wir in der vorliegenden Publikation FARMIND beispielhaft mit einem bioökonomischen Modell zur Bewertung von Unkrautbekämpfung im Maisanbau verknüpft. Die Ergebnisse illustrieren die Auswirkungen heterogener betrieblicher Entscheidungen und sozialer Netzwerke auf den Einsatz von Glyphosat und die daraus resultierenden landwirtschaftlichen Einkommen (basierend auf Böcker et al., 2018; Böcker et al., 2020).

Mit diesem Beispiel konnten wir zeigen, dass FARMIND es ermöglicht, verhaltensökonomischen Elementen wie subjektive Risikowahrnehmung oder soziale Interaktionen mit der klassischen Bewertung von Kosten und Nutzen in agrarökonomischen Betriebsmodellen zu verbinden. Der Modellansatz bietet daher einen generischen und ganzheitlichen Ansatz zur Simulation von einzelbetrieblichen Entscheidungsfindungen in der Landwirtschaft. Er erlaubt es insbesondere, neuere Erkenntnisse aus der Forschung der Verhaltensökonomie wie ökonomischen Experimenten oder Tools zur Erhebung von Risikopräferenzen (z.B. Lotterien) in bioökonomischen Modellen, welche komplexe agronomischen und sozioökonomische Zusammenhänge abbilden (z.B. Britz et al., 2021) zu integrieren. FARMIND erweitert dadurch den methodischen Werkzeugbaukasten für die Analyse von agrarpolitischen Massnahmen. Erste konkrete Anwendungen des Modellansatzes erarbeiten wir zurzeit im Kontext der Reduktion von landwirtschaftlichen Treibhausgasen und dem Einsatz von neuen landwirtschaftlichen Technologien.

*Robert Huber und Robert Finger arbeitete in der Gruppe Agrarökonomie und -Politik (AECP) der ETH Zürich, Kevin Keller war studentische Hilfskraft in dieser Gruppe. Hang Xiong arbeitete ebenfalls als Postdoktorand in der AECP Gruppe und ist jetzt Professor an der Huazhong Agricultural University, Wuhan, China

Der zugrundeliegende Code für den Artikel ist über die Research Collection der ETH Zürich zugänglich (Huber et al., 2020).

Referenzen

Böcker, T., Britz, W., Finger, R., 2018. Modelling the Effects of a Glyphosate Ban on Weed Management in Silage Maize Production. Ecological Economics 145, 182-193. https://doi.org/10.1016/j.ecolecon.2017.08.027

Böcker, T., Britz, W., Möhring, N., Finger, R., 2020. An economic and environmental assessment of a glyphosate ban for the example of maize production. European Review of Agricultural Economics 47, 371–402. https://doi.org/10.1093/erae/jby050

Britz, W., Ciaian, P., Gocht, A., Kanellopoulos, A., Kremmydas, D., Müller, M., Petsakos, A., Reidsma, P., 2021. A design for a generic and modular bio-economic farm model. Agricultural Systems 191, 103133.

Dessart, F.J., Barreiro-Hurlé, J., van Bavel, R., 2019. Behavioural factors affecting the adoption of sustainable farming practices: a policy-oriented review. European Review of Agricultural Economics 46, 417-471.

Huber, R., Bakker, M., Balmann, A., Berger, T., Bithell, M., Brown, C., Grêt-Regamey, A., Xiong, H., Le, Q.B., Mack, G., Meyfroidt, P., Millington, J., Müller, B., Polhill, J.G., Sun, Z., Seidl, R., Troost, C., Finger, R., 2018. Representation of decision-making in European agricultural agent-based models. Agricultural Systems 167, 143-160. https://doi.org/10.1016/j.agsy.2018.09.007

Huber, R., Xiong, H., Keller, K., Finger, R., 2020. FARMIND. Farm Interaction and Decision Model. ETH Zurich.

Huber, R., Xiong, H., Keller, K., Finger, R., 2022. Bridging behavioural factors and standard bio-economic modelling in an agent-based modelling framework. Journal of Agricultural Economics https://doi.org/10.1111/1477-9552.12447

Iyer, P., Bozzola, M., Hirsch, S., Meraner, M., Finger, R., 2020. Measuring Farmer Risk Preferences in Europe: A Systematic Review.  71, 3-26. https://doi.org/10.1111/1477-9552.12325