Niveauneutrale Modellierung der Ertragsvolatilität von Winterweizen und Silomais auf mehreren räumlichen Ebenen in Deutschland
Wetterbedingte Ertragsschwankungen stellen für die Landwirtschaft ein Produktionsrisiko dar. Besonders problematisch sind dabei negative Ertragsanomalien, die sich durch den Klimawandel häufen können. Im Rahmen dieser Studie wurden statistische Ertragsmodelle entwickelt und getestet, mit denen Ertragsanomalien modelliert und fortgeschrieben werden können. Für die Modellierung wurden als winterannuelle Kultur Winterweizen und als sommerannuelle Kultur Silomais als die Kulturen mit dem jeweils größten Anbauumfang in Deutschland ausgewählt. Die Erträge dieser beiden Kulturen wurden auf Landkreisebene modelliert und dann auf der Ebene der Bundesländer, Flusseinzugsgebiete und für Deutschland verglichen. Dazu wurden drei statistische Ansätze verwendet: separate Zeitreihenmodelle, Paneldatenmodelle und Zufallskoeffizientenmodelle. Über die funktionale Form der Cobb-Douglas-Produktionsfunktion wurden relative Änderungen im Vergleich zum Vorjahr (Ertrags- und Faktoranomalien) miteinander in Beziehung gesetzt. Halb- und vierteljährlich summierte Klimavariablen gingen in die Modellbildung ein. Den Klimaeinfluss verzerrende ökonomische Einflüsse wurden von Proxyvariablen quantifiziert. Die Ergebnisse (gemessen am Nash-Sutcliffe Modell-Effizienz-Koeffizienten) der Studie zeigten, dass die methodisch einfachsten separaten Zeitreihenmodelle Ertragsanomalien durchgehend besser (0.81) erklärten als die Paneldatenmodelle (0.72) und auch außergewöhnliche, landkreisindividuelle Ertragsänderungen erfassten. Die Erklärungskraft der Zufallskoeffizientenmodelle lag zwischen den separaten Zeitreihenmodellen und den Paneldatenmodellen (0.78). Durch die Aggregation der Landkreiserträge zu Flusseinzugsgebiets- und Bundesländererträgen wurden höhere Erklärungswerte erreicht (+0.14). Dieser Aggregationseffekt war am höchsten beim Paneldatenmodell für Flusseinzugsgebiete (+0.26). Für beide Kulturen werden ähnliche Erklärungswerte erreicht. Die räumliche Verteilung der Modellparameter spiegelte die vorherrschenden Boden- und Klimaeigenschaften Deutschlands in den unterschiedlichen Entwicklungsperioden wieder. Durch die Normierung sind die Erträge einerseits unabhängig vom technologischen Niveau, andererseits können sie ohne Fehlerkorrektur direkt mit simulierten Wetter- und Klimamodellen kombiniert werden. Durch die grobe zeitliche Einteilung der Klimavariablen lassen sich mit den Modellen robuste Projektionen abgeben. Unsere statistischen Modelle erfassten kollinear verlaufende Faktoren der Ertragsbildung, beispielsweise Schädlinge oder das Anpassungsverhalten der Landwirte an sich ändernde klimatische oder ökonomische Bedingungen. Dadurch konnten sie Praxiserträge besser abbilden als prozessbasierte Modelle. Die geschätzten statistischen Modelle sind geeignet, um Ertragsanomalien für Wetter- und Klimaprojektionen fortzuschreiben. Die separaten Zeitreihenmodelle reproduzierten insgesamt am besten die gemessenen Ertragsänderungen.
Weather-related yield volatility is an important production risk for agriculture. Especially, negative yield anomalies could increase through climate change. We develop and investigate statistical crop yield models which can be used to predict crop yield impacts of weather and climate projections. The models are applied to winter wheat and silage maize, which are the most important annual crops as winter and spring crops, respectively, in Germany. The yields of both crops were modelled on county level, but evaluated on federal state, river basin or national level. We use three regression methods: separate time series model, panel data model, and random coefficient model. Within the Cobb-Douglas production function, relative changes (of yield and factor anomalies) are related to each other. To include the conditions of vegetative and generative plant development, we use climate variables summed to quarter- and half-year values. Furthermore, our models are controlled with proxy variables for economic impacts to estimate unbiased climatic parameters. Our study shows that the simple separate time series models explain (measured by the Nash-Sutcliffe model efficiency coefficient) yield anomalies best. They perform generally better (0.81) than the panel data models (0.72) due to a more accurate reproduction of exceptional yield changes at the county level. The random coefficient models performed between the separate time series models and panel data models (0.78). The aggregation of county yields to federal state and river basin yields improves the model accuracy by + 0.14. The aggregation effect is at highest for the panel data model on river basin scale (+0.26). The models for both crops achieve a similar goodness of fit. The spatial distribution of model parameters reflects the prevailing soil and climate characteristics within Germany relevant for the different plant development periods. Our statistical models capture collinear factors within yield formation. These are, for example, pests and diseases, or the adaptation behaviour of farmers on changing climatic or economic conditions. Due to the normalization, the yield changes are independent of technological levels and can be combined with weather and climate projection without any bias correction. The coarse temporal subdivision of the climatic variables supports robust assessments of climate change projections. To conclude, our models are suitable for the combination of yield assessments with weather and climate projections, because they reproduce yields from out-of-sample years robustly. In general, the separate time series models reproduce best the measured yield changes.
Vorschau
Zitieren
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
Alle Rechte vorbehalten