Mette Asmild, IFRO Bankseminar, 21/8/2019 Slide 1 Landbrugsbarometer 2019: En vurdering af dansk landbrugs relative produktionsmuligheder og i udnyttelsen af disse Professor Mette Asmild Institut for Fødevare- og Ressourceøkonomi Københavns Universitet Du har ikke en chance – grib den
27
Embed
En vurdering af dansk landbrugs relative konkurrenceevne ... Tekst starter uden dato og ”Enhedens Mette Asmild, IFRO Slide 13 Deskriptiv statistik: ALLE svineproducenter Alle svin,
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
dato og ”Enhedens
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 1
Landbrugsbarometer 2019: En vurdering af dansk landbrugs relative konkurrenceevne udtrykt ved forskelle i produktionsmuligheder og i udnyttelsen af disse
Professor Mette Asmild
Institut for Fødevare- og Ressourceøkonomi
Københavns Universitet
Du har ikke en chance – grib den
Tekst starter uden
dato og ”Enhedens
Hvem er jeg?
• Professor i “Anvendt industriøkonomi og agribusiness”, IFRO, KU
• PhD i “Agricultural Economics” fra KVL
• MSc og BSc i Matematik-Økonomi fra CBS
• Har i over 25 år arbejdet med/forsket i benchmarking metoder til analyse af produktivitet og efficiens
• Talknuser
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 2
“Turning data into information”
Tekst starter uden
dato og ”Enhedens
Hvorfor er jeg her?
• Som en del af IFROs aftale med MVFM om at levere forskningsbaseret udredning skal vi undersøge landbrugets konkurrenceevne
• Men der er ikke nogen formel definition af begrebet konkurrenceevne i den økonomiske teori (og derfor er det heller ikke klart hvordan det skal måles)
• World Economic Forum's Global CompetitivenessReport definer konkurrenceevne som “the set of institutions, policies, and factors that determine the level of productivity of a country“
• På baggrund af dette giver det mening at benytte produktivitets-analyse metoder til at analysere konkurrenceevne
• En metode til produktivitetsanalyse er Envelopment Analysis (DEA)
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 3
Tekst starter uden
dato og ”Enhedens
Hvad er Data Envelopment Analysis (DEA)?
• Deterministisk, ikke-parametrisk relativ benchmarking metode
• Baseret på meget få antagelser (f.eks. om den funktionsmæssige sammenhæng mellem inputs og outputs)
• Observerede input-output kombinationer er mulige
• Produktionsmulighedsområdet er konvekst
• Fri bortskaffelse
• Evt. konstant skalaafkast
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 4
0
1
2
3
4
5
6
7
0 1 2 3 4 5 6 7 8
Ou
tpu
t
Input
• DEA estimerer en efficient (best-practice) rand som den konvekse indhyldning af observationerne
• Efficiensen måles relativt til denne rand
Tekst starter uden
dato og ”Enhedens Bankseminar, 21/8/2019
Slide 5
3D illustration af DEA
Input 1
Input 2
Output
*
**
* *
Benchmark
Mette Asmild, IFRO
Analyserne udføres i praksis (i et vilkårligt antal dimensioner) ved at løse et lineært programmeringsproblem (LP) for hver observation
Tekst starter uden
dato og ”Enhedens
Data: Farm Accountancy Data Network (FADN)
• Analyserne foretages på bedriftsniveau• Hver observation består af input-output værdier for
en bedrift• Dette er muligt via adgang til FADN data
• Sammenlignelige produktions- og regnskabs data med over 1000 variable for ca. 80.000 bedrifter i 27 europæiske lande
• Repræsentative for 5 mill. bedrifter, der dækker 90% af landbrugsarealet og 90% af landbrugsproduktionen i de pågældende lande
• Besværligt at få adgang til dette datasæt!• Tidskrævende proces – og time-lag
• Derudover må rådata ikke gemmes lokalt, så alle analyser foretages via fjernadgang til servere hos Danmarks Statistik• Kun resultatfiler hvori individuelle bedrifter ikke kan
identificeres må eksporteres• Beregningerne tager laaang tid
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 6
Tekst starter uden
dato og ”Enhedens
DEA af danske bedrifter relativt til konkurrenter
• Vi kunne have lavet analyserne ved at poole alle observationer fra alle lande og så estimere efficiensernefor hver bedrift relativt til en fælles (meta) rand, og så beregnet f.eks. den gennemsnitlige efficiens i hvert land
• Men der er mindst to problemer ved denne tilgang:
1) Vi mener at der er to aspekter at konkurrenceevne: (Forskelle i) Produktionsmulighederne (rammevilkår) og Udnyttelse af mulighederne
• Skal ikke blandes sammen da de skal adresseres på meget forskellig måde
2) En fælles (meta) rand giver ikke realistiske benchmark
• En konveks kombination af f.eks. en bedrift i Danmark og en bedrift i Spanien giver ikke meget mening
• Forskellig regulering etc.
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 7
Tekst starter uden
dato og ”Enhedens
Competitiveness Indicators
• I en nylig artikel (m. Jens Leth Hougaard og Tomas Balezentis) definerer vi to bilaterale “competitivenessindicators”
• Tiltænkt parvise sammenligninger mellem Danmark og hvert af de andre lande en ad gangen
• Bilateral Industry Utilization (BIU) Indikator:
• BIU(Danmark, Land X) > 1: Bedrifterne i Danmark har (i gennemsnit) en bedre udnyttelse af deres produktionsmuligheder end bedrifterne i Land X har (de er tættere på deres egen rand)
• Bilateral Production Conditions (BPC) Indikator:
• BPC(Danmark, Land X)> 1 : Bedrifterne i Danmark har bedre produktionsmuligheder end bedrifterne i Land X (i gennemsnit en bedre rand)
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 8
Tekst starter uden
dato og ”Enhedens
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 9
Competitiveness Indicators, illustration 1
De røde observationer har en “bedre” rand end de blå observationer (det er muligt for de røde at producere det samme output ved brug af mindre af de to inputs): BPC (rød, blå) > 1
Illustration af BPC (2 inputs, samme output):
Input 1
Tekst starter uden
dato og ”Enhedens
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 10
Competitiveness Indicators, illustration 2
De røde observationer ligger, i gennemsnit, tættere på den røde rand end de blå observationer ligger på den blå rand: BIU (rød,blå) > 1
Illustration af BIU (2 inputs, samme output):
Input 1
Tekst starter uden
dato og ”Enhedens
Empirisk analyse
• Tidligere analyse: 2004-2012
• Nuværende analyse: 2010-2015
• 3 bedriftstyper baseret på FADN klassifikationer
• Mælkeproduktion
• Planteproduktion
• Svineproduktion
• Vi prøver i nogle af analyserne at skelne mellem specialiserede slagtesvinsproducenter og ”andre svineproducenter”
• Datagrundlaget for dette er desværre begrænset
• Kun bedrifter med minimum en fuldtidsstilling (arbejdstimer > 1500) er medtaget
• I princippet er det kun kommercielle bedrifter der indgår i FADN data sættet
• Kun lande med et tilstrækkeligt antal bedrifter af den givne typer og som er vurderet relevante for konkurrencen med Danmark er inkluderet (11 andre lande for ”alle svineproducenter” og for slagtesvineproducenter, 5 andre lande for ”andre svineproducenter (end slagtesvin)”)
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 11
Tekst starter uden
dato og ”Enhedens
Variable
Inputs:
• Lønomkostninger
• Landets gennemsnitlige timeløn til indlejet arbejdskraft er brugt som timeløn til ejeren
• Variable omkostninger (inkl. energi, foder, gødning, såsæd, reparation og vedligeholdelse af aktiver, …)
• Kapitalomkostninger (4% af aktivbasen + jordleje)
• Robustheds checks med 2% “opportunity cost of capital”
Outputs:
• Indkomst fra primær produktion (svineproduktion)
• Andelen af indkomsten fra svineproduktion er brugt som vægte i robusthedschecks
• Al anden indtægt (inkl. subsidier)
• Alle input variable er omkostninger
• Outputs er indtægter
• Økonomisk efficiens (snarere end teknisk efficiens)
• Men det er det der er vigtigt for konkurrenceevnen!
Ovenstående er gennemsnit i landene og udtrykker dermed en blanding af de forskellige muligheder i landene og så deres udnyttelse af mulighederne …
Tekst starter uden
dato og ”Enhedens
Mette Asmild, IFRO
Slide 15
BIU indikatorer
Bankseminar, 21/8/2019
ALLE SVIN, BIU 2015
(DAN, Land X)
Gns. BIU 2,5 %
percentil
97,5 %
percentilBEL 1.096 1.003 1.148 CZE 0.956 0.875 1.002 DEU_NIED 1.071 1.005 1.133 DEU_REST 1.086 1.041 1.108 ESP 1.092 1.007 1.146 FRA 1.028 0.971 1.089 ITA 1.243 1.165 1.312 NED 0.969 0.900 1.019 POL 1.104 1.053 1.141 SVE 1.001 0.919 1.051 UKI 1.040 0.949 1.090
De danske svineproducenter (ALLE) har i gennemsnit en “signifikant” bedre udnyttelse af deres produktionsmuligheder end svineproducenterne i omkring halvdelen af de andre lande der sammenlignes ned (for de resterende er forskellen ikke signifikant)
Denne konklusion er nogenlunde robust over for:• Vægtning af bedrifterne med deres størrelse (andel af output fra svin)• Brug af en 2 % ”opportunity cost of capital”• Analyse af 2014 i stedet for 2015
Tekst starter uden
dato og ”Enhedens
Mette Asmild, IFRO
Slide 16
BPC indikatorer
Bankseminar, 21/8/2019
Svineproducenterne i Danmark har “signifikant” dårligere produktionsmuligheder end svineproducenterne i alle de andre lande (på nær Holland)
Denne konklusion er nogenlunde robust over for:• Vægtning af bedrifterne med deres størrelse• Brug af en 2 % ”opportunity cost of capital”
• Forbedrer BPC indikatorerne for Danmark lidt• Analyse af 2014 i stedet for 2015
ALLE SVIN, BPC 2015
(DAN, Land X)
Mean BPC 2,5 %
percentil
97,5 %
percentilBEL 0.7274 0.6609 0.8381 CZE 0.6745 0.6086 0.7984 DEU_NIED 0.8493 0.8028 0.9021 DEU_REST 0.8960 0.8325 0.9947 ESP 0.6262 0.5672 0.7078 FRA 0.8493 0.8028 0.9021 ITA 0.6094 0.5603 0.6617 NED 0.9498 0.8677 1.0604 POL 0.7107 0.6821 0.7626 SVE 0.8960 0.8325 0.9947 UKI 0.8960 0.8325 0.9947
Tekst starter uden
dato og ”Enhedens
Konklusion, del 1
• De danske svineproducenter er generelt gode til at udnytte deres produktionsmuligheder – men mulighederne er “signifikant” dårligere end produktionsmulighederne for svineproducenter i stort set alle de andre lande der sammenlignes med
• Det er ikke den tekniske efficiens der er problemet –men derimod forholdet mellem omkostninger og indtægter
• Input faktorerne er generelt dyrere i Danmark
• Men output faktorerne har ikke en tilsvarende højere pris …
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 17
Tekst starter uden
dato og ”Enhedens
Ændringer over tid
Vi har også undersøgt udviklingen over tid af den estimerede best-practice rand i hver af landene:
Mette Asmild, IFRO
Slide 18
Bankseminar, 21/8/2019
ALLE SVIN,
2014-15
GFS p-værdi
DAN1.050 0.838
BEL1.049 0.034
CZE1.069 0.010
DEU_NIED0.951 0.010
DEU_REST0.862 0.434
ESP0.951 0.182
FRA1.086 0.000
ITA0.895 0.304
NED0.913 0.002
POL0.905 0.010
SVE0.992 0.678
UKI0.950 0.022
Svineproducenterne i Danmark havde en insignifikant ændring af produktionsmulighederne fra 2014 til 2015, hvor nogle lande havde en signifikant forbedring (BEL, CZE, FRA) men andre havde en signifikant forværring (DEU_NIED, NED, POL, UKI)• De danske producenter kan være ved at indhente sidstnævnte,
Insignifikant ændring af best-practice randen for de danske svineproducenter fra 2010 til 2015• Kun Italien havde en signifikant forbedring• Adskillige lande (BEL, DEU_NIED, DEU_REST, NED, UKI) havde en
signifikant forværring Vi arbejder på at udvikle en test for om sådanne ændringer af randene er det samme i to lande eller signifikant forskellige• Er Danmark ved at indhente de andre (eller sakker de længere bagud)?
Tekst starter uden
dato og ”Enhedens
Underopdeling i slagtesvineproducenter og “andre”
• Det er fra 2014 muligt at opdele de specialiserede svineproducenter i dem der er specialiserede i slagtesvineproduktion og så “resten”, men
1. Konklusionerne for slagtesvineproducenterne er stort set identisk med de tidligere, da disse udgør hovedparten af observationerne i “alle”
2. Det er svært at sige ret meget om de “andre” svineproducenter, da der ikke er mange af dem i datasættet
→ derfor er resultaterne i undergrupperne ikke medtaget her (men er i selve rapporten)
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 21
Tekst starter uden
dato og ”Enhedens
Perspektivering: Interne forskelle, 1
Resultatopgørelse for heltidsbedrifter (gennemsnit) efter bedriftstype, årsværk, kvartilgruppe, regnskabsposter og tid
Enhed: gns.
2014 2015 2016 2017 2018
Svin, konventionel drift Gennemsnit, alle 5.6. Dyreenheder, antal primo 332 358 367 379 378
9. BRUTTOUDBYTTE, 1000 kr. 9196 9365 11327 12592 10220
10. DRIFTSOMKOSTNINGER, 1.000 kr. 8592 8914 9524 9881 9765
11. RESULTAT AF PRIMÆR DRIFT, 1000 kr. 604 452 1803 2710 456
14. DRIFTSRESULTAT, 1000 KR. -207 -385 969 1866 -285
15. DRIFTSRESULTAT EFTER EJERAFLØNNING, 1000 kr. -645 -829 506 1399 -749
1. kvartilgruppe efter driftsresultat 5.6. Dyreenheder, antal primo .. 496 298 224 ..
9. BRUTTOUDBYTTE, 1000 kr. .. 12626 8794 6543 ..
10. DRIFTSOMKOSTNINGER, 1.000 kr. .. 13354 8276 5909 ..
11. RESULTAT AF PRIMÆR DRIFT, 1000 kr. .. -727 518 634 ..
14. DRIFTSRESULTAT, 1000 KR. .. -2369 -492 81 ..
15. DRIFTSRESULTAT EFTER EJERAFLØNNING, 1000 kr. .. -2791 -894 -337 ..
4. kvartilgruppe efter driftsresultat 5.6. Dyreenheder, antal primo .. 413 557 599 ..
9. BRUTTOUDBYTTE, 1000 kr. .. 11354 18383 21927 ..
10. DRIFTSOMKOSTNINGER, 1.000 kr. .. 9729 14364 16110 ..
11. RESULTAT AF PRIMÆR DRIFT, 1000 kr. .. 1626 4018 5817 ..
14. DRIFTSRESULTAT, 1000 KR. .. 1016 2818 4560 ..
15. DRIFTSRESULTAT EFTER EJERAFLØNNING, 1000 kr. .. 541 2331 4053 ..
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 22
Fra Danmarks Statistik:
Tekst starter uden
dato og ”Enhedens
• De bedste bedrifter kan godt tjene (lidt) penge
• Højere indtægter men typisk lavere udgifter per DE end de dårligste bedrifter
• Forskellene mellem bedst og værst er i gennemsnit mindre i Danmark end i de andre lande (jf. BIU indikatorerne)
• De bedste bedrifter er dem der definerer produktionsmulighederne (den estimerede rand) – som stadig er klart dårligere i Danmark end i de andre lande (jf. BPC indikatorerne)
• Sårbare over for sænkede priser fra (især) de bedste i de andre lande som kan producere billigere
Perspektivering: Interne forskelle, 2
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 23
1. kvartil
4. kvartil
1. kvartil
4. kvartil
1. kvartil
4. kvartil
2015 2016 2017
BRUTTOUDBYTTE/DE 25 27 30 33 29 37
DRIFTSOMKOSTNINGER/DE 27 24 28 26 26 27
RESULTAT AF PRIMÆR DRIFT/DE -1 4 2 7 3 10
DRIFTSRESULTAT/DE -5 2 -2 5 0 8
DRIFTSRESULTAT EFTER EJERAFLØNNING/DE -6 1 -3 4 -2 7
Tekst starter uden
dato og ”Enhedens
Til diskussion
• Problem: Generelt ret god udnyttelse af ofte dårligere økonomiske produktionsmuligheder (og ikke tydelig forbedring over tid)
• Ikke helt så klart som i den andre driftsgrene, men alligevel …
• Husk: Det er ikke den tekniske efficiens der er problemet – men derimod forholdet mellem omkostninger og indtægter
• Input faktorerne er generelt dyrere i Danmark
• Men output faktorerne har ikke en tilsvarende højere pris …
• Så dansk landbrug skal måske ikke satse på at konkurrere på produktion af outputs der ikke har den ekstra værdi der modsvarer de højere omkostninger
• Det handler måske ikke kun om at blive bedre til at gøre det de andre også gør (for så snart de andre også lærer det, kan de igen overhale grundet de lavere omkostninger) men om at gøre noget andet
• Nicheproduktion? Højere afregnings/afsætningspriser? Kan man få forbrugerne til at betale mere for ”kvalitet” (dyrevelfærd, økologi, bæredygtighed, reduceret miljø/klimabelastning, … ?), ….?
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 24
Tak for invitationen ☺
Slide 25
Bankseminar, 21/8/2019
Mette Asmild, IFRO
Tekst starter uden
dato og ”Enhedens
Specialiserede slagtesvineproducenter
Mette Asmild, IFRO
Bankseminar, 21/8/2019
Slide 26
Stort set samme billede som for ”ALLE” – sikkert fordi slagtesvine-producenterne udgør en stor del af ”ALLE”