[Seite 23↓]

Zur Analyse der EU-Milchmarktpolitik bei Unsicherheit

3.1  Unsicherheit auf Agrarmärkten: Begriff, Erscheinungsformen und Ursachen

In einer deterministischen Welt stünden alle Faktoren, die in eine Entscheidung einfließen, auf einem sicheren Fundament. Die Aufgabe des Entscheiders bestünde dann allein darin, sich passender Kriterien und Verfahren zu bedienen, um auf der Grundlage der gegebenen Entscheidungsfaktoren das Problem optimal zu lösen. In der realen Welt wirkt aber häufig der Zufall. Die Entwicklung vieler Einflussgrößen ist schwer vorhersagbar. Das gilt für alltägliche genauso wie für unternehmerische Entscheidungen oder auch für Probleme der Art, welches agrarpolitische Instrument aus Effizienz- oder Verteilungskriterien zu bevorzugen ist. In einer stochastischen, also vom Zufall beeinflussten Welt, wird das Entscheidungsproblem damit komplexer.

Die sich aus der Stochastik ergebende Unsicherheit wird gewöhnlich mit Hilfe von Wahrscheinlichkeiten quantifiziert und damit weiter gehenden Analysen zugänglich gemacht. Wahrscheinlichkeitsverteilungen beschreiben demnach theoretisch bzw. modellhaft die möglichen Ausprägungen einer stochastischen Variable und deren Eintrittswahrscheinlichkeiten und beziehen sich dabei auf die Grundgesamtheit möglicher Werte. Demgegenüber stellen empirische Häufigkeitsverteilungen tatsächlich gemessene Ausprägungen eines Merkmals und dessen relative Häufigkeit innerhalb einer Stichprobe dar. Je öfter ein Versuch wiederholt bzw. je größer die Stichprobe gewählt wird, um so enger nähert sich die beobachtete relative Häufigkeit eines Merkmals seiner Eintrittswahrscheinlichkeit an.

Dieses Vorgehen setzt voraus, dass es sich stets um objektiv messbare Ereignisse handelt. Unabhängig vom Betrachter ergeben sich damit die gleichen Wahrscheinlichkeitsverteilungen. Es gibt aber auch einen subjektiven Ansatz, der davon ausgeht, dass die Sicht des jeweiligen Betrachters eben ganz entscheidend für das Ausmaß der Unsicherheit ist1. Die Wahr[Seite 24↓]scheinlichkeit ist dann das Ausmaß, mit dem eine Person glaubt, dass ein Ereignis auftreten wird. Wobei sich die so formulierte Wahrscheinlichkeit wesentlich aus dem individuellen Kenntnisstand der jeweiligen Person ergibt2. Verschiedene Personen oder dieselbe Person zu unterschiedlichen Zeitpunkten können bestimmten Ereignissen abweichende Wahrscheinlichkeiten zuordnen. Gerade bei ökonomischen Analysen scheint dieser Ansatz sinnvoll zu sein. So kann sich etwa die Politikunsicherheit für einen Unternehmer mit dem nahenden Zeitpunkt einer politischen Entscheidung und der damit verbundenen öffentlichen Diskussion verändern, während der politische Entscheidungsträger von vornherein dies als seine eigene Entscheidungsvariable angesehen hat und nicht als exogene stochastische Größe.

Unsicherheit wird mitunter vom Risiko unterschieden oder als Oberbegriff für die beiden speziellen Fälle von Risiko und Ungewissheit angesehen. Risiko liegt demnach vor, wenn eine eindeutige Wahrscheinlichkeitsverteilung möglicher Konsequenzen bekannt ist. Von Ungewissheit bzw. Unsicherheit spricht man dagegen, wenn zwar Kenntnis über mögliche Konsequenzen, aber keine Vorstellung über deren Eintrittswahrscheinlichkeiten besteht3. Diese Differenzierung geht also auf den objektiven Wahrscheinlichkeitsbegriff zurück. Eindeutige Wahrscheinlichkeiten, wie beim Würfeln oder beim Münzwurf, sind bei komplexeren Zusammenhängen, wie beispielsweise bei ökonomischen Problemen, oft nicht feststellbar. Da hier der subjektive Ansatz weiterverfolgt werden soll, also von individuellen und damit nicht eindeutigen Wahrscheinlichkeitsverteilungen ausgegangen wird, ist eine derartige Unterscheidung ohnehin hinfällig. Die Begriffe Unsicherheit und Risiko werden deshalb im weiteren Verlauf synonym verwendet4.

Unsicherheit ist mit der Zufälligkeit bzw. Unvorhersagbarkeit eines Ereignisses verbunden und kann sich beispielsweise in beobachtbaren Schwankungen einer bestimmten Größe ausdrücken. Solche gemessenen Schwankungen müssen aber nicht notwendigerweise Unsicherheit darstellen. Vielmehr ist hier zwischen Variabilität und Unsicherheit zu unterscheiden. Variabilität bezieht sich generell auf Schwankungen einer Variable, die für einen Beobachter von Interesse ist. Variabilität kann aber sowohl auf deterministische Komponenten, [Seite 25↓]also wohlbekannte Zusammenhänge, als auch auf stochastische Einflüsse, also tatsächliche Unsicherheit, zurückzuführen sein. Variabilität könnte etwa in einer nicht-stationären Zeitreihe Ausdruck finden5. Inwieweit Variabilität auf Unsicherheit zurückzuführen ist, hängt vom Betrachter und seiner Sicht auf die Dinge ab. Je mehr deterministische Zusammenhänge bekannt sind, desto geringer ist die subjektive Unsicherheit.

Es ist aber auch durchaus denkbar, dass über die Passgenauigkeit der Begriffe und Modelle, die der Vorstellung vom deterministischen Teil der Welt zu Grunde liegen, Unsicherheit besteht. So kann Unsicherheit über die Güte einer Modellform oder einzelner Modellparameter bestehen. Zumindest aus Sicht eines abgegrenzten Wissenschaftsbereichs könnte somit auch eine Unterscheidung der Unsicherheit nach ihrer Reduzierbarkeit vorgenommen werden6. Die sich aus einer ungeeigneten Modellstruktur zur Beschreibung der deterministischen Zusammenhänge ergebende Unsicherheit kann möglicherweise durch Forschung reduziert werden, während dessen die außerhalb dieses Kompetenzbereichs wahrgenommene Stochastik praktisch nicht zu verringern ist. So lassen sich die Wirkungsmechanismen auf Agrarmärkten durch verfeinerte ökonomische Modelle präziser darstellen. Prognosen zu den Konsequenzen agrarpolitischer Eingriffe bewegen sich dennoch, etwa infolge der von Ökonomen nicht vorhersagbaren witterungsbedingten Ertragsentwicklung, auf unsicherem Grund. Es erscheint somit durchaus sinnvoll, diesen Aspekt bei Analysen unter Unsicherheit zu berücksichtigen. Schließlich kann die aus einer unpassenden Modellstruktur resultierende Unsicherheit die eigentliche, als externe Stochastik wahrgenommene Unsicherheit überlagern7. Eine Fehlinterpretation der Ergebnisse ist dann nicht ausgeschlossen.

Worauf sind nun Instabilitäten auf Agrarmärkten, die sich etwa in Preisbewegungen äußern, zurückzuführen? Vor dem Hintergrund eines funktionierenden Marktmechanismus, bei dem die Preise ein Gleichgewicht von Angebot und Nachfrage widerspiegeln, sind die Ursachen solcher Schwankungen in erster Linie in Angebots- und Nachfragefluktuationen zu suchen. Variabilitäten in Angebot und Nachfrage können einerseits einen systematischen Charakter aufweisen, wenn es sich um wiederkehrende Schwankungen wie beim Wettergeschehen handelt. Dem stehen dauerhafte, strukturelle Änderungen gegenüber, die als unsystemati[Seite 26↓]sche Variabilitäten bezeichnet werden können8. Abbildung 3.1 gibt einen Überblick über die möglichen Ursachen von Angebots- und Nachfrageschwankungen.

Abbildung 3.1: Ursachen von Variabilitäten in Angebot und Nachfrage auf Agrarmärkten

Quelle: Eigene Darstellung nach Newbery und Stiglitz (1981, S. 47ff.)

Ertragsvariabilitäten durch Witterungseinflüsse sind eine typische Ursache für systematische Angebotsschwankungen auf Agrarmärkten. Zu einem instabilen Angebot können aber auch Schwankungen in Inputpreisen oder die Existenz bestimmter Preiserwartungen bei den Produzenten beitragen. Systematische Nachfrageschwankungen lassen sich auf Einkommensvariabilitäten, etwa infolge von Konjunkturschwankungen, Preisveränderungen bei im Konsum komplementären oder substitutiven Produkten oder kurzfristigen Geschmacksänderungen zurückführen. Unsystematische Veränderungen im Angebot können beispielsweise durch die Erfindung neuartiger Produkte oder Technologien hervorgerufen werden. Gleiches gilt auch für die Nachfrageseite, wenn etwa eine veränderte Lebensmittelverarbeitung Rückwirkungen auf die Nachfrage nach landwirtschaftlichen Rohprodukten hat. Im Gegensatz zu kurzfristigen Änderungen der Konsumentenpräferenzen, wie beispielsweise einer verstärkten Nachfrage von Getränken während eines heißen Sommers, können sich Geschmacksänderungen auch als nachhaltige Änderung des Konsumverhaltens erweisen und somit einen unsystematischen Charakter haben. Dies wäre zum Beispiel denkbar, wenn die Verbraucher aufgrund neuer Erkenntnisse zum Ernährungswert eines Lebensmittels dessen Konsum dauerhaft einschränken. Während sich systematische Variabilitäten zumindest anhand vergangener Entwicklungen beobachten und damit auch in gewissem Maß quantifizieren lassen, sind Prognosen über [Seite 27↓]Art und Umfang unsystematischer, struktureller Veränderungen von Angebot und Nachfrage kaum zu bewerkstelligen. Die weiteren Betrachtungen beziehen sich deshalb allein auf systematische Schwankungen auf den Agrarmärkten.

Neben den Fluktuationen in Angebot und Nachfrage können ebenso Lagerhaltungsaktivitäten, Wechselkursschwankungen sowie das Verhalten von Arbitrageuren oder Spekulanten die Preisbewegungen auf Agrarmärkten beeinflussen. Schließlich sind auch durch politische Eingriffe Rückwirkungen auf die Entwicklung von Angebot, Nachfrage oder Preise zu erwarten, was nicht zuletzt für den Agrarbereich von einiger Bedeutung sein dürfte. Politikänderungen sind jedoch schwer zu antizipieren und eher als unsystematisch zu charakterisieren9. Darüber hinaus wird die Politik im weiteren Verlauf als Entscheidungsvariable angesehen und ist damit keine unsichere Einflussgröße mehr.

3.2  Unsicherheit auf dem EU-Milchmarkt: Ein relevantes Phänomen?

Inwieweit ist nun Unsicherheit auf dem EU-Milchmarkt ein relevantes Problem, mit dem sich die verschiedenen Akteure in diesem Bereich auseinander zu setzen haben? Diese Frage soll anhand eines Rückblicks auf die vergangene Marktentwicklung beantwortet werden. Gleichzeitig ist ein Ziel dieses Abschnitts, die wichtigsten Quellen möglicher Unsicherheiten auf dem EU-Milchmarkt aufzuspüren. Als Grundlage dienen dazu die Zeitreihen verschiedener Marktgrößen wie Angebot, Nachfrage und Preise. Wie bereits erläutert, reicht es jedoch nicht aus, die Variabilität solcher Größen zu messen, um einen Aufschluss über die Marktrisiken zu bekommen. Vielmehr ist eine Vorstellung über mögliche deterministische Anteile an den Entwicklungen am EU-Milchmarkt notwendig. Dazu ist eine spezifische, subjektive Sicht auf das Marktgeschehen zu formulieren. Grundsätzlich könnten den verschiedenen Akteuren unterschiedliche Informationen oder Kenntnisse zur Verfügung stehen, die zu einer divergierenden Wahrnehmung von Unsicherheit führen. Entsprechend unterschiedlich kann die Formulierung eines Modells für die deterministischen Zusammenhänge am Markt und damit auch das Ausmaß der Unsicherheit ausfallen. Herrmann und Kirschke (1987) zeigen dies exemplarisch anhand der Messung der Preisunsicherheit am Weltkaffeemarkt. Naive Preiserwartungen, Trendmodelle, ökonometrische Modelle sowie Zeitreihenmodelle des ARIMA10-Typs repräsentieren dabei unterschiedliche Sichtweisen zur Erklärung von Preisbewegungen. Im Ergebnis sind die einfacheren Modelle auf der Basis naiver Preiserwartungen oder Trends [Seite 28↓]mit einem deutlich höheren Ausmaß an Preisunsicherheit verbunden als die ökonometrischen oder ARIMA-Modelle11. Dehn (2000) bestätigt die Bedeutung der Unterscheidung von stochastischen und deterministischen Anteilen in der Preisentwicklung bei der Messung von Unsicherheit und nutzt unter anderem ein GARCH-Modell12 zur Spezifizierung der vorhersehbaren Komponente, das eine Veränderung der Varianz der unvorhersehbaren Komponente und damit der wahrgenommenen Unsicherheit im Zeitablauf erlaubt. Von Relevanz ist ebenso, mit welcher Zielrichtung die Messung von Instabilitäten bzw. Unsicherheiten erfolgt. So plädieren etwa Newbery und Stiglitz (1981, S. 286ff.) im Zusammenhang mit der Bewertung von Preisstabilisierungsprogrammen, zur Messung der Preisvariabilität die Abweichungen von den zentrierten gleitenden Fünfjahresdurchschnitten über einem Zeithorizont von 25 Jahren zu nutzen, um die für die Umsetzung und Beurteilung solcher Politiken wichtigen mittelfristigen Instabilitäten angemessen erfassen zu können.

Ein allgemeingültiges Maß für die Unsicherheit am EU-Milchmarkt steht somit prinzipiell nicht zur Verfügung. Den verschiedenen Akteuren eine vollständige Unkenntnis möglicher Gesetzmäßigkeiten in den Entwicklungen zu unterstellen, erscheint jedoch wenig plausibel. Den Marktteilnehmern dürfte etwa eine nachhaltige Veränderung im Verbrauch eines Milchprodukts im Zeitverlauf offenbar werden, ohne sich auf tiefer gehende theoretische Kenntnisse stützen zu müssen. Dies spricht für die Anwendung eines Trendmodells zur Bereinigung der Zeitreihen von deterministischen Strukturen. Die Streuung um den Trend markiert dann das Ausmaß der Unsicherheit während der Beobachtungsperiode. Für die betrachteten Marktgrößen wird dazu folgendes exponentielles Trendmodell13 geschätzt:


[Seite 29↓]

(3.1)

mit

 

- Angebot, Nachfrage, Preis, Budget

- Regressionskoeffizienten

- Zeitvariable

- Dummyvariable (ausschließlich bei der Nachfrage von Butter, Käse und Milchäquivalent)

- Stochastische Variable

  

Neben der Zeitvariablen finden bei der Nachfrage von Butter, Käse und Milchäquivalent zusätzlich Dummyvariablen Eingang in die Schätzgleichungen, um Strukturbrüche infolge der EU-Erweiterung 1995 oder einer veränderten statistischen Erfassung zu bereinigen. Für die Zeitreihen wird auf Jahresdaten zurückgegriffen. Saisonale Fluktuationen, die das Ausmaß der Unsicherheit überzeichnen könnten, bleiben damit von vornherein unberücksichtigt. Der vergleichsweise begrenzte 15jährige Beobachtungszeitraum von 1986 bis 2000 wurde gewählt, um weitere Strukturbrüche infolge von Erweiterungen oder der Einführung der Quotenregelung zu vermeiden. Als Streuungsmaß dient der Variationskoeffizient, der die Relation zwischen Standardabweichung und Mittelwert beschreibt und damit einen Vergleich zwischen verschiedenen Größen unterschiedlicher Dimensionen ermöglicht. Die im Folgenden präsentierten Werte für die Unsicherheiten am EU-Milchmarkt kennzeichnen somit nur eine mögliche Sicht auf die Marktentwicklungen und gelten allein für den gewählten Beobachtungszeitraum. Dennoch sollte gerade das transparente und gut nachvollziehbare Trendmodell Verständnis und Einordnung dieser Maßzahlen erleichtern.

Abbildung 3.2: Entwicklung des Erzeugerpreises für Milch in der EU (12)

Quelle: EUROSTAT, ZMP, eigene Berechnungen

Zunächst kann ein Blick auf die Preisentwicklung Hinweise auf Instabilitäten am EU-Milchmarkt geben. Rückschlüsse sind aufgrund der preispolitischen Eingriffe jedoch nur bedingt möglich. Abbildung 3.2 verdeutlicht die Entwicklung des durchschnittlichen nominalen [Seite 30↓]Erzeugerpreises in den Ländern der EU (12)14 zwischen 1986 und 2000. Die Zeitreihe weist keinen signifikanten Trend auf. Trotz staatlicher Intervention, Absatzbeihilfen und Außenschutz sind erkennbare Preisbewegungen zu verzeichnen, die prinzipiell sowohl auf Marktinstabilitäten als auch auf Politikeinflüssen beruhen können. Die Entwicklung wird allerdings durch starke Preisausschläge Ende der 80er Jahre dominiert, die auf Quotenkürzungen in den ersten Jahren nach Einführung der Garantiemengenregelung und Sonderabsatzprogramme zurückzuführen sind. Zu berücksichtigen ist, dass es sich um einen durchschnittlichen Wert handelt, der einerseits stärkere Preisausschläge in den einzelnen Mitgliedsländern abfedern kann und andererseits Wechselkurseinflüssen unterliegt. Zum Vergleich enthält Tabelle 3.1 deshalb auch Trendschätzung und Streuungsmaß für den nominalen Milcherzeugerpreis in Deutschland. Dessen Entwicklung war während des Beobachtungszeitraums einem leicht abwärtsgerichteten Trend unterworfen und wies mit einem trendbereinigten Variationskoeffizient von 4,5% eine größere Instabilität auf als der durchschnittliche EU-Milcherzeugerpreis mit einem Variationskoeffizient von 3,1%.

Tabelle 3.1: Trend und Streuung der Milcherzeuger- und Milchproduktpreise in der EU bzw. in Deutschland auf der Basis der Marktentwicklung von 1986 bis 2000

 

Exponentielle Trendschätzung

Streuung

 

Wachstumsrate (%)

Korr. R2

D.W.

VK (%)

VKt (%)

Milcherzeugerpreis (EU-12)1

3,06

3,06

Milcherzeugerpreis (Deutschland)2

-0,86**

0,395**

1,21(o)

5,99

4,52

Butter (Deutschland)2

-0,87*

0,314*

1,34(o)

6,60

5,21

Gouda (Deutschland)2

-0,83**

0,452**

1,49

5,25

3,78

Magermilchpulver (Deutschland)2

7,09

7,09

Vollmilchpulver (Deutschland)2

-0,75*

0,258*

1,71

6,11

5,03

1in €,

2in DM

Quelle: Eigene Berechnungen auf der Grundlage der in Tabelle A.1 aufgeführten Zeitreihen

Abbildung 3.3 zeigt die Preisentwicklung bei ausgewählten Milchprodukten in Deutschland. Mit Ausnahme von Magermilchpulver weisen alle nominalen Preise einen signifikanten, [Seite 31↓]leichten Abwärtstrend auf. Die trendbereinigten Variationskoeffizienten bewegen sich zwischen 3,8% und 7,1%, wobei der Preis des Käses die geringste Streuung verzeichnet. Die Preise für Milchprodukte wie auch für den Rohstoff Milch unterlagen im Beobachtungszeitraum somit erkennbaren Instabilitäten. Zu klären ist nun, was diese Preisbewegungen verursacht hat. Dazu sind die Entwicklungen von Angebot und Nachfrage am EU-Milchmarkt etwas genauer zu untersuchen.

Abbildung 3.3: Entwicklung ausgewählter Milchproduktpreise in Deutschland

Quelle: ZMP

Tabelle 3.2 fasst die Trendschätzungen15 und Streuungsmaße für das Rohmilchangebot, den Verbrauch ausgewählter Milchprodukte sowie die Nettoexporte von Milchprodukten in Drittländer zusammen. Die Zeitreihen von Milcherzeugung, Anlieferung und Milchleistung in der EU (12) besitzen nur vergleichsweise geringe Instabilitäten. Die angelieferte Milch ist weitgehend durch die vorgegebene Quotenmenge festgelegt. Aber auch die Milcherzeugung in der EU (12) insgesamt ist mit einem trendbereinigten Variationskoeffizient von 1,9% recht stabil.


[Seite 32↓]

Tabelle 3.2: Trend und Streuung von Erzeugung, Verbrauch und Außenhandel auf dem EU-Milchmarkt auf der Basis der Entwicklung von 1986 bis 2000

 

Exponentielle Trendschätzung

Streuung

 

Wachstumsrate (%)

Korr. R2

D.W.

VK (%)

VKt (%)

Rohmilchangebot in der EU und in Neuseeland

Milcherzeugung (EU-12)

-0,59**

0,630**

0,53(+)

3,32

1,94

Milchanlieferung (EU-12)

0,33*

0,303*

1,08(o)

2,45

1,97

Milchleistung (EU-12)

2,28**

0,979**

0,74(+)

10,07

1,41

Milcherzeugung (Neuseeland)

3,70**

0,845**

1,16(o)

17,89

6,15

Milchleistung (Neuseeland)

1,21**

0,459**

1,57

7,71

5,38

Milchproduktverbrauch in der EU zu Marktpreisen

Butter1

-1,22**

0,531**

1,08(o)

5,03

3,22

Käse1, 2

2,79**

0,996**

1,19(o)

20,24

1,15

Magermilchpulver

5,26**

0,893**

1,99

23,52

6,74

Vollmilchpulver

1,90**

0,483**

0,78(+)

11,03

8,03

Milchäquivalent1

0,898**

1,61

8,18

2,43

EU-Nettoexporte in Drittländer

Butter

-12,19**

0,708**

2,14

76,94

49,42

Käse

17,44

17,44

Magermilchpulver

-5,52*

0,235*

2,13

46,09

38,62

Vollmilchpulver

6,44

6,44

Milchäquivalent

-4,05**

0,426**

1,61

32,84

25,47

1Mittels Dummyvariable um Strukturbruch infolge der EU-Erweiterung 1995 bereinigt

2Mittels Dummyvariable um Strukturbruch infolge einer modifizierten Käseerfassung in der Statistik bereinigt

Quelle: Eigene Berechnungen auf der Grundlage der in Tabelle A.1 und Tabelle A.2 aufgeführten Zeitreihen

Einen Hinweis auf die Wirkung natürlicher Einflussfaktoren auf die Milcherzeugung als möglicher Ursache von Marktinstabilitäten kann die Entwicklung des durchschnittlichen Milchertrags je Kuh geben. In der Abbildung 3.4 sind zum Vergleich die Milchleistungen in der EU (12) und Neuseeland als wichtige Akteure auf den internationalen Milchproduktmärkten gegenübergestellt. Die durchschnittliche Milchleistung war in der EU (12) im Beobachtungszeitraum nicht nur deutlich höher, sonder nahm mit 2,3% pro Jahr auch fast doppelt so stark zu wie die neuseeländische. Darüber hinaus ist die Entwicklung der Milchleistung je Kuh in der EU (12) mit einem trendbereinigten Variationskoeffizient von 1,4% sehr stabil, während dessen die neuseeländische Milchleistung deutlichen Schwankungen unterliegt [Seite 33↓](5,4%). Das Gleiche gilt für die neuseeländische Milcherzeugung insgesamt. Abgesehen von der über verschiedene Regionen potenziell ausgleichend wirkenden Durchschnittsbildung im Fall der EU sind diese Unterschiede in erster Linie auf die im Gegensatz zur EU in Neuseeland extensiv ausgerichtete und damit gegenüber natürlichen Einflüssen sensiblere Milchviehhaltung zurückzuführen16. Unter den gegebenen Bedingungen ist innerhalb der EU also von vergleichsweise geringen Unsicherheiten in der Milcherzeugung auszugehen.

Abbildung 3.4: Entwicklung der Milchleistung in der EU (12) und in Neuseeland

Quelle: FAOSTAT

Die Ursache unsicherer Entwicklungen auf dem EU-Milchmarkt könnte auch in einer instabilen Nachfrage nach Milchprodukten liegen. Für den gesamten Verbrauch an Milchprodukten in der EU, gemessen in Milchäquivalent, konnte für den Beobachtungszeitraum mit einem Variationskoeffizient von 2,4% jedoch nur eine vergleichsweise moderate Streuung festgestellt werden, wobei kein signifikanter Trend vorlag17. Die verschiedenen Produkte weisen allerdings recht unterschiedliche Entwicklungen im Verbrauch auf. Der Butterverbrauch nahm beispielsweise jährlich um über 1% ab, während der Vollmilchpulververbrauch mit [Seite 34↓]1,9% und der Käseverbrauch mit 2,8% pro Jahr deutlich zunahmen. Die starke Zunahme im Verbrauch von Magermilchpulver bezieht sich dagegen nur auf den Verbrauch zu Marktpreisen und ist mit einer Abnahme des subventionierten Absatzes verbunden. Unterschiede sind aber vor allem auch hinsichtlich der Stabilität der Nachfrage zu beobachten. Während die Entwicklung des Käseverbrauchs fast vollständig vom Aufwärtstrend dominiert wird und mit einem trendbereinigten Variationskoeffizient von 1,2% nur eine sehr geringe Variabilität besitzt, zeigt der Verbrauch an Mager- und Vollmilchpulver deutlichere Fluktuationen.

Abbildung 3.5: Entwicklung der Nettoexporte der EU in Drittländer bei ausgewählten Milchprodukten

Quelle: ZMP

Eine weitere Quelle von Marktinstabilitäten kann im Außenhandel vermutet werden. Die EU exportierte im Zeitraum 1986 bis 2000 immerhin durchschnittlich ca. 15%18 der an die Molkereien angelieferten Milch in Form verarbeiteter Milchprodukte in Drittländer. Für ausgewählte Produkte ist die Entwicklung der Nettoexporte, also der Exporte abzüglich der Importe, in Abbildung 3.5 dargestellt. Auffallend ist zunächst die deutliche Abnahme der Butter- und Magermilchpulvernettoexporte um jährlich 12,2% bzw. 5,5%. Die Entwicklung wird dabei im Fall der Butter durch das Sonderabsatzprogramm zum Abbau der EU-Bestände in den Jahren 1987 und 1988 geprägt, in dessen Rahmen große Mengen Altbutter zu extremen Sonderkonditionen in die damalige UdSSR geliefert wurden19. Der Außenhandel mit Butter und Magermilchpulver ist auch mit den größten Unsicherheiten verbunden, was sich in einem [Seite 35↓]trendbereinigten Variationskoeffizient der Nettoexporte von 49,4% bzw. 38,6% äußert. Aber auch im Käseaußenhandel der EU sind erhebliche Instabilitäten zu verzeichnen. Einzig der Nettoexport von Vollmilchpulver entwickelte sich vergleichsweise stabil. Die Instabilitäten im Außenhandel der einzelnen Produkte schlagen sich schließlich auch in einem recht unsicheren EU-Gesamtnettoexport verarbeiteter Milch in Drittländer nieder, der einen trendbereinigten Variationskoeffizient von 25,5% besitzt.

Die Instabilitäten im Außenhandel übertreffen also, mit der Ausnahme von Vollmilchpulver, die Schwankungen in Milcherzeugung und Milchproduktnachfrage bei weitem. Angesichts der großen Bedeutung der Exporte für die Milchwirtschaft in der EU - der Anteil der Ausfuhren an der Herstellung betrug während des Beobachtungszeitraums bei Butter 16,0%, bei Käse 8,4%, bei Magermilchpulver 23,8% und bei Vollmilchpulver sogar 64,4%20 - dürften sich diese Instabilitäten in erheblichem Maß auch auf die Preisentwicklung auswirken. Diese wird jedoch stark von den Instrumenten der Preispolitik am EU-Milchmarkt, insbesondere von der Lagerhaltung und der Absatzförderung beeinflusst. Die Preisunsicherheit dürfte damit gegenwärtig gegenüber einer Situation ohne solche Instrumente mit preisstabilisierender Wirkung abgeschwächt sein. Andererseits könnte die Entwicklung der staatlichen wie privaten Lagerhaltung Hinweise darauf geben, wo die Ursachen von Marktinstabilitäten zu suchen sind. Dazu werden die Zeitreihen der Bestandsveränderungen zwischen 1986 und 2000 den entsprechenden Zeitreihen der Milchanlieferung bzw. Milchproduktherstellung, des Verbrauchs zu Marktpreisen sowie der Nettoexporte gegenübergestellt. In Tabelle 3.3 sind die Korrelationen dieser Zeitreihen aufgeführt. Die Bestandsveränderungen auf dem Milchmarkt insgesamt sind mit der Milchanlieferung mit einem Korrelationskoeffizient von 0,57 korreliert. Dieser ist allerdings nur mit 5%iger Irrtumswahrscheinlichkeit signifikant. Änderungen in der angelieferten Milchmenge auf einem weitgehend gesättigten Markt schlagen sich demnach in gewissem Maße in verringerten oder vergrößerten Lagerbeständen nieder. Vor dem Hintergrund des gestützten Preisniveaus bei Begrenzung der Milcherzeugung dürften allein Quotenänderungen zu entsprechenden Be- oder Entlastungen der öffentlichen Lager führen. Die Bestandsveränderungen bei Butter und Magermilchpulver besitzen etwas engere Korrelationen zur Produktherstellung. Dies ist möglicherweise darauf zurückzuführen, dass die Molkereien bei schlechter Marktlage verstärkt in die Butter- und Magermilchpulverherstellung einsteigen, um gezielt die staatliche Intervention zu nutzen.


[Seite 36↓]

Tabelle 3.3: Korrelationen zwischen den Lagerhaltungsaktivitäten auf dem EU-Milchmarkt und Erzeugung, Verbrauch sowie Außenhandel von Milch bzw. Milchprodukten

 

Anlieferung/Herstellung

Verbrauch

zu Marktpreisen

Nettoexporte

Bestandsveränderungen

Butter

0,641**

-0,300

-0,924**

Magermilchpulver

0,724**

-0,238

-0,858**

Milchäquivalent

0,573*

0,019

-0,948**

Quelle: Eigene Berechnungen auf der Grundlage der in Tabelle A.1 und Tabelle A.2 aufgeführten Zeitreihen

Zwischen Bestandsveränderungen und dem Verbrauch zu Marktpreisen sind keinerlei signifikante Korrelationen messbar. Dies spricht gegen von der Nachfrageseite ausgehende Marktinstabilitäten. Die Bestandsveränderungen sind dagegen sehr eng mit den Nettoexporten negativ korreliert. Bezogen auf den gesamten Milchmarkt beträgt der Korrelationskoeffizient -0,95. Dies deutet auf eine sehr enge Verbindung zwischen der Lage im Außenhandel und der Situation auf dem EU-Milchmarkt hin. Bei einer schlechten Lage im Exportgeschäft geraten die Preise auf dem EU-Markt unter Druck, was zur Aufstockung der Bestände führt. Bei zunehmenden Ausfuhren können die Lager dagegen geräumt werden. Sieht man einmal von den Wirkungen der Quotenänderungen ab, die weniger zur Kategorie Marktunsicherheit als zu den Politikunsicherheiten zu zählen sind, dürften Instabilitäten am EU-Milchmarkt demnach in erster Linie aus dem Außenhandelsgeschäft resultieren. Angebot und Nachfrage auf dem EU-Milchmarkt selbst scheinen dagegen aufgrund der vorherrschenden Produktionssysteme und der stabilen Einkommenssituation nur geringen Unsicherheiten zu unterliegen.

Marktinstabilitäten stellen nicht nur für Milcherzeuger, Verarbeiter und Handelsunternehmen ein Problem dar, auch die Planung und Verwaltung der Marktorganisation wird erschwert. Die Einhaltung eines festgelegten Finanzrahmens ist in der Regel jedoch unabdingbar. Abbildung 3.6 veranschaulicht die Instabilitäten im EU-Budget in den Jahren 1986 bis 2000. Auffallend ist eine kontinuierliche Abnahme der Ausgaben für die Marktorganisation Milch und Milchprodukte um jährlich 6,1% (vgl. Tabelle 3.4), offensichtlich ein Erfolg der Quotenregelung21. Dabei nahmen die Ausgaben für Interventionen, die sowohl Lagerhaltungskosten als auch Absatzbeihilfen am Binnenmarkt umfassen, etwa doppelt so stark ab wie der Aufwand für Exporterstattungen.


[Seite 37↓]

Abbildung 3.6: Entwicklung der Ausgaben des EAGFL, Abteilung Garantie für Milchprodukte

Quelle:Europäische Kommission

Die trendbereinigten Variationskoeffizienten bewegen sich von 13,8% bei den Gesamtausgaben über 15,4% bei den Erstattungen bis 23,3% bei den Interventionen. Diese Zahlen zeigen, dass die Finanzierung im Bereich der Marktorganisation mit einem erheblichen Maß an Unsicherheit verknüpft ist22. Die tatsächlichen Ausgaben hängen, der vorangegangenen Argumentation folgend, vor allem von der Performance europäischer Exporte auf Drittlandsmärkten sowie der internationalen Preisentwicklung ab. Dabei könnte es durchaus zu gegenläufigen Tendenzen in den verschiedenen Ausgabenkategorien kommen, wenn etwa zunehmende Exporte zu einem Preisanstieg auf dem EU-Markt und einer Entlastung der Intervention, gleichzeitig aber zu einer Zunahme der Exporterstattungen führen. Die deutlichen Budgetschwankungen geben auch einen Hinweis darauf, dass die Akteure auf dem EU-Milchmarkt möglicherweise mit zusätzlichen Unsicherheiten konfrontiert wären, wenn es die preispolitischen Eingriffe in der derzeitigen Form nicht gäbe. Dies unterstreicht die Bedeutung von Unsicherheit auch auf diesem Agrarmarkt.


[Seite 38↓]

Tabelle 3.4: Trend und Streuung bei den Ausgaben des EAGFL, Abteilung Garantie für Milcherzeugnisse auf der Basis der Entwicklung von 1986 bis 2000

 

Exponentielle Trendschätzung

Streuung

 

Wachstumsrate (%)

Korr. R2

D.W.

VK (%)

VKt (%)

Gesamtausgaben

-6,11**

0,824**

1,46

28,33

13,77

Erstattungen

-4,04**

0,605**

1,94

23,42

15,36

Interventionen

-8,27**

0,752**

1,54

38,76

23,34

Quelle: Eigene Berechnungen auf der Grundlage der in Tabelle A.2 aufgeführten Zeitreihen

Zusammenfassend lässt sich somit festhalten, dass am EU-Milchmarkt Unsicherheiten zu beobachten sind, mit denen einerseits die verschiedenen Marktakteure umgehen müssen, die andererseits aber auch eine Politikanalyse in ein komplexeres Umfeld rücken. Die Marktlage, vor deren Hintergrund die Effekte agrarpolitischer Szenarien zu analysieren sind, kann nicht sicher prognostiziert werden. Unter wechselnden Konstellationen am EU-Milchmarkt könnten bestimmte agrarpolitische Instrumente aber zu abweichenden Ergebnissen führen. Dies ist bei der Analyse und Bewertung von Politikoptionen zu berücksichtigen. Andererseits ist damit zu rechnen, dass Politikänderungen einen Einfluss auf die Marktunsicherheiten selbst haben. Angesichts des Schwergewichts der EU im internationalen Handel mit Milchprodukten23 stellt sich insbesondere auch die Frage, inwieweit die EU-Milchmarktpolitik die Stabilität auf den Weltmärkten beeinflusst.

Die vorangegangen Betrachtungen haben auch Anhaltspunkte für die wesentlichen Ursachen von Instabilitäten am EU-Milchmarkt gegeben. Angebot und Nachfrage innerhalb der EU weisen eine eher stabile Entwicklung auf. Die internationalen Milchproduktmärkte neigen dagegen zu Fluktuationen, was sich über den Außenhandel auch in Marktinstabilitäten in der EU niederschlägt. Dies äußert sich beispielsweise in Schwankungen der Preise und der staatlichen Ausgaben für die Marktorganisation. Die Unsicherheiten auf den internationalen Märkten ergeben sich dabei zum einen aus Angebotsschwankungen in wichtigen Exportregionen, wie etwa in Neuseeland infolge der extensiveren Ausrichtung der Milcherzeugung. Auf der anderen Seite ist auch die Nachfrage nach Milchprodukten im internationalen Maßstab instabil. Dies kann beispielsweise mit Einkommensschwankungen in Importländern, darunter [Seite 39↓]insbesondere in Entwicklungs-, Schwellen- und Transformationsländern begründet werden24. Schließlich dürften auch Wechselkursschwankungen nennenswerte Effekte auf die Entwicklung von Angebot und Nachfrage auf den internationalen Milchproduktmärkten haben. Der Außenhandel stellt somit angesichts der strukturellen Überschüsse auf dem EU-Binnenmarkt eine wichtige Säule der Milcherzeugereinkommen dar, ist gleichzeitig aber eine bedeutende Quelle von Marktinstabilitäten.

Die beschriebenen Unsicherheiten auf dem EU-Milchmarkt beziehen sich allein auf den Zeitraum von 1986 bis 2000. Es ist nicht zwingend gegeben, dass durch diese Beobachtungen die zukünftigen Entwicklungen hinreichend zu beschreiben sind. Ursache und Ausmaß von Unsicherheiten können sich im Zeitverlauf verändern. So könnte sich etwa die Instabilität der Milcherzeugung innerhalb der EU vergrößern, wenn es infolge von Politikänderungen zu einer Anpassung der Produktionssysteme kommt. Auch könnten sich die Unsicherheiten auf den internationalen Märkten verändern, wenn sich beispielsweise die wirtschaftliche Lage in wichtigen Importländern wandelt oder die Angebotsschwankungen durch klimatische Veränderungen verschärft werden. Solche Entwicklungen sind jedoch kaum zu antizipieren. Im weiteren Verlauf wird deshalb davon ausgegangen, dass ein Rückblick gute Anhaltspunkte für Marktunsicherheiten in zumindest naher Zukunft zu liefern vermag.

3.3 Konzepte zum Umgang mit Unsicherheit bei der Evaluierung von Agrarpolitiken

Die Gestaltung von Agrarpolitiken auf dem EU-Milchmarkt bewegt sich also in einem unsicheren Umfeld. Prinzipiell besteht damit die Gefahr, dass politische Maßnahmen zu Ergebnissen führen, die von deterministischen Einschätzungen abweichen. Es ist auch nicht ausgeschlossen, dass sich unter sicheren Bedingungen konzipierte Politiken in einer unsicheren Welt als ungeeignet herausstellen oder zumindest nicht die erstbeste Alternative sind. Generell ist bei der Implementierung von Politiken deshalb mit nachträglichen Kosten zu rechnen, um zur Verbesserung der Zielerreichung die ergriffenen Maßnahmen an den jeweiligen Zustand der Wirklichkeit anzupassen. Auch die Existenz von Risikopräferenzen betont die Bedeutung der Dimension Unsicherheit bei der Gestaltung und Bewertung von Politiken. So könnten etwa risikoaverse Landwirte durch eine Politikänderung mit zunehmender Einkom[Seite 40↓]mensinstabilität negativ betroffen sein und dies auch im politischen Willensbildungsprozess zum Ausdruck bringen. Ausgeschlossen ist auch nicht, dass politische Entscheidungsträger selbst nicht indifferent gegenüber Unsicherheit sind. Denkbar ist beispielsweise, dass besonders schwerwiegende negative gesamtwirtschaftliche Effekte oder ausufernde Budgetausgaben nach Möglichkeit vermieden werden sollen, um das abgegrenzte Politikfeld nicht außenstehender Kritik auszusetzen. Die explizite Berücksichtigung von Unsicherheit in der Analyse von Agrarpolitiken liefert damit eine verbesserte Grundlage zur theoretischen Unterstützung des politischen Entscheidungsprozesses und kann dazu beitragen, Fehlentscheidungen zu umgehen und Anpassungskosten zu reduzieren25.

Ausgangspunkt der weiteren Überlegungen ist die Suche nach einem geeigneten Konzept, mit einem unsicheren Umfeld in der Analyse und Bewertung von Agrarpolitiken umzugehen. Hierfür stehen verschiedene methodische Ansätze zur Verfügung. Ein kurzer Überblick über das individuelle Entscheidungsverhalten bei Unsicherheit und mögliche Ansatzpunkte zur Operationalisierung von Unsicherheit in Marktmodellen steckt den Rahmen für die weitere methodische Vorgehensweise ab. Daran schließt sich ein Abriss ökonomischer Literatur an, der ein zumindest grobes Bild von der Entwicklung, dem Themenspektrum und der angewandten Methodik bei der Evaluierung von Agrarpolitiken unter dem Einfluss von Unsicherheit zeichnet. Auch kann mit diesem Überblick umrissen werden, welche Bedeutung der Berücksichtigung von Unsicherheit in der Bewertung und Gestaltung von Agrarpolitiken beizumessen ist.

3.3.1 Individuelles Entscheidungsverhalten bei Unsicherheit

Als Basis der Theoriebildung zur Wirkungsweise von Märkten postuliert die Mikroökonomie ein Entscheidungsverhalten der diese Märkte bildenden individuellen Akteure, also der Produzenten und der Haushalte. Als Grundmuster dient dazu die Vorstellung von gewinnmaximierenden Produzenten und nutzenmaximierenden Haushalten. Insbesondere die Produzenten müssen jedoch Entscheidungen treffen, ohne über die Ausprägung wichtiger Entscheidungsfaktoren vollständige Klarheit zu haben. Dies können einerseits weit in die Zukunft reichende Investitionsentscheidungen sein. Andererseits müssen Entscheidungen zu Produktionsprogrammen und -verfahren getroffen werden, ohne die Produktpreise und die tatsächliche Outputmenge zu kennen. Gerade im Bereich der Landwirtschaft ist dieses Problem allgegen[Seite 41↓]wärtig, wo etwa zum Saatzeitpunkt weder der Produktpreis noch das Ertragsniveau sicher vorherzusagen sind.

Um diese Unsicherheit im individuellen Entscheidungsverhalten abzubilden, greift die Mikroökonomie auf die Erwartungsnutzentheorie 26 zurück. Dem Entscheider wird danach unterstellt, den Erwartungswert des Nutzens aus einem unsicheren Einkommen zu maximieren. Grundgedanke dieses auf Bernoulli sowie von Neumann und Morgenstern zurückgehenden Theorems ist, über die verschiedenen Realisationen einer Zielvariable eine Risikonutzenfunktion des jeweiligen Entscheiders zu konstruieren, die es etwa ermöglicht, niedrige - dafür sichere - und hohe - aber unsichere - Zielwerte unterschiedlich zu gewichten. Auf diese Weise fließt die Risikoeinstellung des Entscheiders in die Betrachtung ein. So dürfte ein risikoaverser Entscheider einem höheren Zielbeitrag einen geringeren Wert beimessen, wenn dieser mit einem sehr hohen Risiko verbunden ist. Genau andersherum verhält es sich bei einem risikofreudigen Akteur. Mit Hilfe dieses Ansatzes lassen sich beispielsweise die Effekte einer veränderten Unsicherheitslage auf das Angebotsverhalten und die entsprechenden Rückwirkungen auf das Marktgleichgewicht analysieren oder die Auswirkungen eines veränderten Einkommensrisikos auf die Wohlfahrt der Produzenten bewerten.

3.3.2 Marktmodelle und Unsicherheit

Die Implementierung von Unsicherheit in Marktmodelle erfolgt prinzipiell durch die Integration einer stochastischen Störgröße in Angebots-, Nachfrage-, Handelsfunktionen oder anderer entsprechender Modellgleichungen. Ein typischer Fall ist die Einführung einer stochastischen Variable auf der Angebotsseite, die zum Beispiel als Angebotsunsicherheit infolge witterungsbedingter Ertragsschwankungen interpretiert werden kann. Durch die stochastische Formulierung der Ausgangsgrößen werden auch die im Modell abgeleiteten Zielgrößen zu stochastischen Variablen. Diese Zielgrößen treten somit nicht mehr als feste Größen in Erscheinung, sondern in Form von Verteilungen.

Zur Analyse stochastischer Marktmodelle gibt es verschiedene Ansätze. Zum einen sind das theoretisch-analytische Vorgehensweisen, die eine Beschreibung von Verteilungsmomenten, vor allem von Erwartungswert und Streuung ermöglichen. Zentrales Element ist dabei die Untersuchung der Kurvenform der Zielfunktion hinsichtlich der stochastischen Variablen. Mit Hilfe von entsprechenden Ableitungen lassen sich die Wirkungsrichtungen von [Seite 42↓]Bestimmungsfaktoren sowie Art und Ausmaß der Krümmung der Zielfunktion ermitteln, die wiederum eine mögliche Differenz zwischen erwartetem und deterministischen Wert der Momente einer Verteilung bestimmt27. Zur Beschreibung der Verteilungsmomente stehen verschiedene analytische Konzepte zur Verfügung28. So kann beispielsweise mit Jensen’s Ungleichung der Erwartungswert mit dem hypothetischen Wert bei Sicherheit verglichen werden. Mit Hilfe von Näherungsformeln 29 können darüber hinaus Erwartungswert und Varianz stochastischer Zielfunktionen approximativ bestimmt werden. In beiden Fällen müssen lediglich die Ableitungen nach der bzw. den stochastischen Variablen bekannt sein. Damit wird auch der entscheidende Vorteil dieser Vorgehensweise deutlich. Es kann eine Analyse stochastischer Marktmodelle erfolgen, ohne die zu Grunde liegenden Verteilungen in ihrer konkreten Form kennen zu müssen. Das erleichtert die stochastische Analyse erheblich. Außerdem werden durch die Zerlegung der Ausgangsvarianz in die einzelnen Varianzen der stochastischen Inputvariablen die Wirkungsmechanismen herausgestellt. Gleichzeitig offenbaren sich aber auch die Grenzen der analytischen Konzepte, wenn komplexere Fragestellungen und damit auch umfangreichere Marktmodelle untersucht werden sollen. In diesem Fall würde der mathematische Aufwand schnell zunehmen, die Möglichkeit zu klaren Aussagen aber abnehmen. Auch liefert die analytische Vorgehensweise kein vollständiges Bild der untersuchten Verteilung30.

Eine Alternative zur analytischen Bearbeitung von Marktmodellen ist die oft auch im Bereich der Investitionsplanung31 angewandte stochastische Simulation, mit deren Hilfe komplexe Fragestellungen mit einer Vielzahl stochastischer Variablen behandelt werden können. Für die stochastischen Variablen im Marktmodell erfolgt eine Ziehung von Zufallszahlen, auf deren Grundlage sämtliche Zielgrößen im Modell numerisch berechnet werden. Auf der Basis vorgegebener Inputverteilungen werden somit auch für die Outputvariablen komplette Ver[Seite 43↓]teilungen generiert32, wodurch ein exaktes Bild der vom Modell erfassten Unsicherheit gezeichnet wird.

Erscheint aufgrund der Modellstrukturen eine hohe Anzahl von Modelldurchläufen zu aufwändig, ist die numerische Integration eine Alternative zur stochastischen Simulation. Dieses Verfahren beruht ebenfalls auf der numerischen Berechnung eines Modells, stützt sich aber auf wenige Beobachtungspunkte der gesuchten Verteilung. Insbesondere bei symmetrisch verteilten stochastischen Inputs kann etwa mit Hilfe der Gauß-Quadratur bei einer begrenzten Anzahl von Realisationen der Zufallsvariablen eine gute Approximation der Mittelwerte und Standardabweichungen endogener Modellvariablen erreicht werden33.

Schließlich kommen empirische Methoden in Form ökonometrischer Spezifizierungen von Marktmodellen zum Einsatz, beispielsweise um im Rahmen einer Messung von Unsicherheit34 stochastische Elemente von deterministischen Strukturen in der Entwicklung von ökonomischen Kenngrößen zu trennen. Ökonometrische Modelle können auch als Simulationsgrundlage dienen und damit eine hypothetische Marktentwicklung infolge einer Politikänderung aufzeigen. Dies ermöglicht dann auch Aussagen zur Wirkung einer solchen Politikänderung auf die Instabilität von Preisen oder anderer Marktgrößen35.

3.3.3  Ein Rückblick: Evaluierung von Agrarpolitiken bei Unsicherheit

Eine zunehmende Beachtung erfuhr das Thema Unsicherheit in der wissenschaftlichen Analyse von Agrar- und Wirtschaftspolitiken während einer Phase der intensiveren politischen Diskussion über die Einführung oder Ausweitung von internationalen Rohstoffabkommen. Ein wesentliches Ziel dieser Bestrebungen, wie etwa die von der Generalversammlung der Vereinten Nationen 1974 deklarierte Schaffung einer New International Economic Order inklusive eines Integrated Programme for Commodities, war die Stabilisierung der Weltmarktpreise, vor allem um Entwicklungsländer vor allzu starken Fluktuationen der für sie oft überlebenswichtigen Exporterlöse zu schützen36. Dies galt insbesondere auch für agrarische Rohstoffe. Die verschiedenen Ansätze und Programme zur Preisstabilisierung auf den internationalen Rohstoffmärkten wurden dann zum Gegenstand einer intensiven (agrar-) ökonomischen Analyse und Bewertung. Umfassendere Beiträge zu diesem Problemkreis liefern bei[Seite 44↓]spielsweise Adams und Klein (1978), Newbery und Stiglitz (1981) sowie Herrmann, Burger und Smit (1993). Während Newbery und Stiglitz (1981) eine theoretische Methodik entwickeln, mit deren Hilfe Preisstabilisierungsprogramme, insbesondere Vorratshaltungspolitiken, unter verschiedenen Gesichtspunkten und Modellannahmen generell evaluiert werden können, konzentrieren sich Herrmann, Burger und Smit (1993) auf eine quantitative Bewertung konkreter Programme und Abkommen. Eine Analyse der Effekte internationaler Rohstoffabkommen zur Preisstabilisierung mittels quantitativer Methoden unternimmt auch Lucke (1992) am Beispiel des Weltzuckermarktes.

Einen Schwerpunkt der Markt- und Politikanalyse bei Unsicherheit bildete daneben die Auseinandersetzung mit den Konsequenzen protektionistischer oder preisfixierender Agrarpolitiken, wie sie vor allem von den Industrieländern und nicht zuletzt von der EU betrieben werden bzw. deren Abschaffung. Die Aufmerksamkeit der agrarökonomischen Forschung galt dabei sowohl den Effekten solcher Eingriffe auf den geschützten Märkten selbst als auch auf Drittlandsmärkten. Herrmann und Schmitz (1984) gehen etwa der Frage nach, ob eine Preisstabilisierung generell zu einer Stabilisierung der Erzeugereinnahmen führt. Im Rahmen einer theoretischen Betrachtung wird dieser Auffassung widersprochen. Demnach können durch eine Abschirmung vom Weltmarkt auch stabilisierende Elemente beseitigt werden, wie beispielsweise entgegengesetzte Preis- und Angebotsschwankungen sowie eine individuelle Risikoreduktion mittels angepasster Produktionsstrategien oder der Nutzung von Forward- und Future-Märkten. Empirische Untersuchungen auf der Grundlage eines ökonometrischen Marktmodells bestätigen jedoch, dass im Fall des EG-Zuckermarkts die Preisfixierung eine deutliche Stabilisierung der Erzeugereinnahmen zur Folge hatte.

Tyers (1984) befasst sich mit der optimalen Gestaltung preisstabilisierender Handelspolitiken hinsichtlich ihrer Wohlfahrtswirkungen und der Konsequenzen solcher Politiken für die Staatseinnahmen. Beispielhafte numerische Berechnungen auf der Grundlage eines partiellen Gleichgewichtsmodells für den indonesischen Reismarkt und den EG-Weizenmarkt erfolgen hier bereits mit Hilfe einer stochastischen Simulation. Ganz ähnlich ist die Zielrichtung der Studie von Jha und Srinivasan (1999), die sich ebenfalls mit verschiedenen Mechanismen der Preisstabilisierung - in Indien ein wichtiges Element der Ernährungspolitik - auseinandersetzt. Anstoß für die Evaluierung alternativer Stabilisierungsinstrumente, wie die Abwicklung des Außenhandels über staatliche Agenturen, variable Zölle bzw. Exportsubventionen oder Beihilfen zur privaten Lagerhaltung sind dabei die hohen Kosten, die mit einer öffentlichen Lagerhaltung verbunden sind. Als Analyserahmen dient ein Mehrmarkt-Gleichgewichtsmodell für die indischen Reis- und Weizenmärkte, das wiederum mittels sto[Seite 45↓]chastischer Simulation bei Unsicherheit in Weltmarktpreisen und inländischen Erträgen berechnet wird.

Herrmann und Thompson (2000) wie auch Thompson und Gohout (2000) gehen der Frage nach, welche Effekte die ersten Liberalisierungsschritte im Rahmen der 1992er Agrarreform und der GATT-Beschlüsse auf dem EU-Getreidemarkt hinsichtlich der Stabilität der Erzeugerpreise hatten. Die allgemeine Erwartungshaltung, dass insbesondere eine Tarifizierung, also der Ersatz der variablen Importabschöpfungen durch feste Zollsätze im Rahmen des GATT-Regelwerks zu einer Destabilisierung der EU-Erzeugerpreise führt, überprüfen die Autoren anhand theoretischer und empirischer Untersuchungen. Ökonometrische Schätzungen für den EU-Weizenmarkt offenbaren, dass zwar ein Protektionsabbau stattgefunden hat, jedoch keine erhöhte Preisinstabilität oder ein zunehmendes Einkommensrisiko zu beobachten sind. Dies bestätigt die Vermutung, dass die konkreten Regelungen zu keiner effektiven Tarifizierung geführt haben.

Ein oft diskutierter Aspekt in der Agrarökonomie sind die Konsequenzen, die sich aus Marktregulierungen und Handelspolitiken in bestimmten Ländern oder Wirtschaftsräumen wie der EU für Drittstaaten ergeben. Protektionistische Politiken können aber beispielsweise nicht nur einen erhöhten oder verringerten Weltmarktpreis hervorrufen, sondern auch eine Veränderung dessen Varianz. Anhand einer analytischen Bearbeitung eines einfachen stochastischen Marktmodells diskutieren etwa Kirschke und Schmitz (1983), welcher Einfluss von alternativen protektionistischen Handelspolitiken auf Niveau und Varianz der Weltmarktpreise zu erwarten ist. Ausgangspunkt ist dabei das Phänomen, dass unter deterministischen Rahmenbedingungen äquivalente Handelspolitiken, die also zu einem identischen Weltmarktpreisniveau führen, diesen Charakter bei Berücksichtung von Unsicherheit verlieren können37. Die Untersuchung offenbart schließlich eine starke Abhängigkeit der Ergebnisse von der Modellformulierung, insbesondere von den zu Grunde gelegten Funktionsformen und der Spezifizierung der Stochastik.

Auf der Grundlage eines um Preiserwartungen als Instabilitätsquelle und Lagerhaltungsaktivitäten erweiterten Modellansatzes untersucht Schmitz (1984), inwieweit die EG-Agrarpolitik destabilisierend auf den Weltmarkt wirkt, von welchen Faktoren das Ausmaß der Destabilisierung abhängt und wie Destabilisierungseffekte aus der Sicht von Drittländern, [Seite 46↓]insbesondere von Entwicklungsländern zu bewerten sind38. Im Zuge einer theoretischen Analyse widerlegt der Autor die These, dass Handelsbeschränkungen generell destabilisierende Effekte am Weltmarkt zur Folge hätten. Erst die Kenntnis der einzelnen Bestimmungsfaktoren und deren Bedeutung im Gesamtzusammenhang könnten demnach Hinweise darauf geben, ob Handelspolitiken stabilisierend oder destabilisierend wirken. Simulationsrechnungen zu verschiedenen Handelspolitiken und Protektionsgraden für den EG-Rindfleischmarkt deuten aber darauf hin, dass eine Liberalisierung der EG-Rindfleischpolitik zur Stabilisierung der Weltrindfleischpreise beitragen würde und daraus nicht zu vernachlässigende Wohlfahrtsgewinne für die betrachteten Entwicklungsländer resultieren könnten.

Mit den Konsequenzen der EG-Agrarpolitik für die Preisstreuung auf den internationalen Märkten setzen sich auch Anderson und Tyers (1984) am Beispiel der Getreide- und Fleischmärkte auseinander. Den Rahmen dieser Analyse setzt ein partielles Gleichgewichtsmodell, das mehrere Märkte und Regionen abbildet sowie eine dynamische Struktur und stochastische Angebotsfunktionen besitzt. Zur Berechnung des im Vergleich zu vorangegangenen Agrarmarktstudien bei Unsicherheit recht komplexen Modells kommt die stochastische Simulation zur Anwendung. In einer weiteren Untersuchung erweitern Tyers und Anderson (1988) diese Modellstruktur auf die Milchprodukt- und Zuckermärkte. Letztlich bestätigen auch diese Simulationen ein erhebliches Stabilisierungspotenzial einer Liberalisierung der GAP für die internationalen Agrarproduktpreise.

Mögliche Weltmarktpreiseffekte einer Liberalisierung der Getreidemärkte in Osteuropa und der ehemaligen Sowjetunion im Zuge des Transformationsprozesses sind Gegenstand einer Arbeit von Kirschke (1992). Die stochastische Simulation eines auf den Weizenmarkt bezogenen Gleichgewichtsmodells ergibt ein ambivalentes Bild: Eine Liberalisierung in Osteuropa begleitet von abnehmenden Importen dieser Region könnte einerseits zu fallenden Weltmarktpreisen führen, andererseits aber deren Stabilität erhöhen.

Kirschke (1987) liefert auch eine umfassende Studie zur Bewertung der EG-Politik der Agrarpreisfixierung bei Unsicherheit. Die Untersuchungen beziehen sich dabei auf die Effekte einer solchen Politik sowohl für den EU-Markt selbst, insbesondere für die Wohlfahrt und den öffentlichen Haushalt, als auch für die Preise auf den internationalen Märkten. Damit werden einerseits die Einflüsse von politischen Eingriffen auf die Instabilität von Agrarmärkten offengelegt und andererseits diese Politiken vor dem Hintergrund eben solcher Marktunsicherheiten evaluiert. Im Zentrum einer theoretischen Analyse steht der Vergleich der betrachteten [Seite 47↓]Größen bei Berücksichtigung von Unsicherheit im Außenhandel mit der Situation bei hypothetischer Sicherheit bzw. mit den erwarteten Zielwerten äquivalenter protektionistischer Politiken, die also bei Abwesenheit von Unsicherheit zum gleichen Ergebnis führen würden. Darüber hinaus erfolgt eine stochastische Simulation eines partiellen Marktmodells für den EG-Weizenmarkt. Eine wesentliche Aussage dieser Studie ist, dass deterministische Analysen Politikeffekte auf das Niveau von Zielgrößen falsch ausweisen können, also erhebliche Abweichungen des relevanten Erwartungswerts vom Wert bei hypothetischer Sicherheit möglich sind.

Einen interessanten Aspekt in der Wirkung von Handelspolitiken in einem unsicheren Umfeld beleuchtet Sumner (2000) mit dem Problem der Ernährungssicherheit in Ländern mit einem hohen Anteil armer Bevölkerungsschichten. Bedingt durch die Unsicherheit in Angebot und Nachfrage wichtiger Lebensmittel ist letztlich auch die Ernährungssicherheit von stochastischer Natur. Handelspolitiken, welche die Preisverteilungen bei Grundnahrungsmitteln in den betrachteten Ländern beeinflussen, können unterschiedliche Effekte bezüglich der Ernährungssicherheit entfalten. So dürfte etwa ein erhöhter erwarteter Nahrungsmittelpreis infolge einer Importbarriere prinzipiell zu einer Verschlechterung der Ernährungssituation führen. Zumindest theoretisch ist aber auch ein Einfluss einer veränderten Preisstreuung infolge von Handelspolitiken auf die Ernährungssicherheit denkbar, wenn dies zu einer veränderten Wahrscheinlichkeit extrem hoher Preise führt.

Neben dem klassischen Gegenstand agrarmarktpolitisch orientierter Forschung, der Analyse der Konsequenzen protektionistischer oder preisfixierender Politiken, gibt es eine Reihe weiterer Bereiche, in denen Ansätze zur Berücksichtigung von Unsicherheit verfolgt werden. Ein Gebiet, in dem dies geradezu naheliegend erscheint, ist die Evaluierung von Politiken zum Umwelt- und Ressourcenschutz. So greifen etwa Androkovich und Stollery (1991) in diesem Zusammenhang wieder das Problem äquivalenter Politiken am Beispiel des Fischereisektors auf. Eine Eindämmung von Überfischung könnte demnach unter sicheren Rahmenbedingungen durch schiffsbezogene Quoten oder Steuern auf den Fang gleichermaßen erreicht werden. Die Nachfrage, das Wachstum der Fischvorräte und die Fangmenge sind jedoch von Unsicherheit gekennzeichnet. Fließt diese Unsicherheit in die Betrachtung ein, so sind auch in diesem Fall Steuern und Quoten in ihrer Wirkung keine vollständig äquivalenten Politiken mehr. Ein anderes Beispiel ist die Reduzierung negativer Umwelteffekte infolge der durch die Landbewirtschaftung verursachten Nährstoffauswaschung. Horan, Claassen und Cooper (2000) gehen der Frage nach, welche Konsequenzen die Vernachlässigung von Unsicherheit für die Gestaltung und Beurteilung alternativer Politikinstrumente, wie etwa der Er[Seite 48↓]hebung von Steuern auf Düngemitteln in diesem Kontext haben kann. Stochastische Umweltbedingungen beeinflussen dabei, wie hoch auf einem bestimmten Standort bei einer entsprechenden Düngemittelausbringung die tatsächliche Nährstoffauswaschung ist. Die Untersuchungen bestätigen wiederum die Bedeutung einer Berücksichtigung von Unsicherheit in der Politikformulierung und -bewertung. Dies äußert sich beispielsweise in unterschiedlichen optimalen Steuersätzen im Vergleich zwischen deterministischer und stochastischer Analyse. Wobei die unter Unsicherheit bestimmten optimalen Intensitäten politischer Instrumente in signifikanter Weise die Wahrscheinlichkeit unerwünschter Ereignisse, also extremer Verschmutzungen oder Schäden reduzieren.

Neben den direkten agrarpolitischen Interventionen können auch gesamtwirtschaftliche Rahmenbedingungen bzw. deren Änderung durch politische Eingriffe Auswirkungen auf den Agrarsektor haben. Dieser Problemkreis ist ebenfalls Gegenstand von Agrarmarktstudien bei Unsicherheit. So zeigen Han, Jansen und Penson (1990) an Hand einer multivariaten Zeitreihenanalyse der U.S.-amerikanischen landwirtschaftlichen und gewerblichen Preise sowie der Entwicklung des Geldangebots, dass Veränderungen in der Geldpolitik durchaus Folgen für die Stabilität der Agrarpreise haben können. Unsicherheit besteht auch über die Ausprägung von Wechselkursen. Mit den Implikationen, die sich daraus für den bilateralen Agrarhandel ergeben, beschäftigt sich Pick (1990). Eine empirische Untersuchung für den U.S.-Agraraußenhandel offenbart, dass die Wechselkurse das Ausmaß der U.S.-Agrarexporte in signifikanter Weise bestimmen, die Wechselkursunsicherheit jedoch nicht in allen Fällen von großer Bedeutung ist. Einen negativen Einfluss haben die Wechselkursrisiken allerdings auf die Exporte in Entwicklungsländer, was sich auf einen Mangel an gut entwickelten Finanz- und Gütermärkten in diesen Ländern zurückführen lässt, die für eine Absicherung gegen Wechselkursschwankungen unabdingbar sind. Eine Währungsabwertung ist Bestandteil zahlreicher Anpassungsprogramme für Entwicklungsländer. Dies führt nach der konventionellen These zu einer Stimulierung der Produktion handelbarer Güter. Barrett (1999) zeigt anhand einer analytischen und empirischen Analyse am Beispiel Madagaskars, dass bei Berücksichtigung von Preisunsicherheit diese These nicht mehr universell gilt. Inwieweit eine Währungsabwertung die Verteilung der Produzentenpreise und damit die Produktion beeinflusst, hängt demnach vom ex-ante Handelsstatus des jeweiligen Guts und vom Umfang der Abwertung ab.

Führen agrarpolitische Eingriffe zu einer Veränderung der Preisstabilität, ist mit einer Anpassung bei den Produktionsentscheidungen der Landwirte zu rechnen, sofern diese keine risikoneutrale Einstellung besitzen. Verändern jedoch risikoaverse Erzeuger ihren Faktorein[Seite 49↓]satz und ihre Produktionsmenge, hat dies Rückwirkungen auf die Produkt- und Faktormärkte. Um solche Wechselwirkungen besser verstehen zu können, werden zuweilen einzelbetriebliche Entscheidungsansätze mit Marktmodellen kombiniert. Während die unternehmerische Entscheidung auf der Erwartungsnutzenmaximierung hinsichtlich des Gewinns beruht, erfolgt eine Anpassung der Output- und Inputpreise mittels Gleichgewichtsmodellen für die Produkt- und Faktormärkte. Meyer und Robison (1991) untersuchen in einem theoretischen Rahmen beispielsweise die Rückwirkungen unsicherer Outputpreise auf den Bodenmarkt. Ebenfalls mit der Allokation von Land unter dem Einfluss von Unsicherheit befasst sich Chavas (1993), erweitert den Modellansatz allerdings noch um einen Produktmarkt. Eine zunehmende Einnahmeunsicherheit und die damit einhergehenden Risikokosten für risikoaverse Entscheider führen demnach tendenziell zu reduzierten Erträgen und Farmoutputs sowie schließlich zu einem geringeren Landpreis. Preis- und Produktionsunsicherheiten wirken sich demnach abträglich auf die landwirtschaftliche Produktion aus.

Den soweit vorgestellten Arbeiten ist gemeinsam, dass sie sich mit Unsicherheit im Sinne von beobachtbaren Marktinstabilitäten auseinandersetzen. Unsicherheit bei der Abschätzung der Konsequenzen von Politikänderungen kann aber auch über die Passgenauigkeit der Modellstruktur und -parameter zur Beschreibung der deterministischen Wirkungszusammenhänge auf den betroffenen Märkten bestehen. Dieser Unsicherheit wird in jüngster Zeit verstärkt versucht, mit systematischen Sensitivitätsanalysen - oft in Form stochastischer Simulationen - zu begegnen. Punktschätzungen zu den untersuchten Zielgrößen werden durch einen Lösungsraum mit zugeordneten Wahrscheinlichkeiten ersetzt, der durch die vorgegebenen Parameterverteilungen bestimmt wird. Die so definierte Unsicherheit einer Prognose ergibt sich dann nicht aus einer wahrgenommenen Stochastik auf den Märkten, sondern allein aus der Unsicherheit über die Richtigkeit der Modellformulierung und -annahmen. Die an Komplexität zunehmenden Simulationsmodelle mit einer Vielzahl unsicherer Parameter lassen sicher auch weiterhin eine wachsende Bedeutung systematischer Sensitivitätsanalysen erwarten.

Gründen sich Modellparameter auf eine begrenzte Anzahl von Experteneinschätzungen, sind diese oftmals mit einem erheblichen Ausmaß an Unsicherheit verbunden, insbesondere wenn es um zukünftige, schwer zu antizipierende Entwicklungen geht. Um diese Unsicherheit in den Modellergebnissen zu quantifizieren, bietet sich eine systematische Sensitivitätsanalyse an. Expertenmeinungen werden zu diesem Zweck zu Wahrscheinlichkeitsverteilungen verdichtet und dienen dann als Grundlage stochastischer Simulationen. Am Beispiel des kenianischen Milchforschungsprogramms nutzt Gierend (1999) diese Vorgehensweise zur Prioritätensetzung in der Agrarforschung bei begrenztem Forschungsbudget und Unklarheit darüber, [Seite 50↓]zu welchen Ertragssteigerungen die einzelnen Forschungsprojekte tatsächlich führen werden. Auch Fisher, Masters und Sidibé (2001) fangen unter anderem auf diese Weise die Unsicherheit über die potenziellen Erfolge von Forschungsanstrengungen bei senegalesischem Bewässerungsreis ein. Zur modellgestützten Bewertung eines möglichen Verbots von neurotoxischen Insektiziden in der Apfelproduktion bedienen sich Roosen und Hennessy (2001) dieser Methode, um die Unsicherheit über die sich aus dieser Politikoption ergebenden Änderungen in Kosten, Erträgen und Vermarktung zu quantifizieren. Neben Expertenmeinungen sind oft auch Parameterwerte, die auf Literaturangaben oder eigenen Erhebungen und Schätzungen beruhen, mit einem erheblichen Ausmaß an Unsicherheit verbunden. So versucht Gevel (2002) mittels stochastischer Simulation, die Unsicherheit über die gerade in Transformationsländern schwer zu bestimmenden Transaktionskosten zu operationalisieren, um quantitative Aussagen zu deren Bedeutung für die Entwicklung des ukrainischen Agrarsektors machen zu können. Innerhalb der soweit diskutierten Arbeiten erfolgte die Analyse von Markteffekten bei Parameterunsicherheit auf der Basis partieller Marktmodelle. Hertel (2000) wendet dagegen eine systematische Sensitivitätsanalyse39 im Rahmen des allgemeinen Gleichgewichtsmodells GTAP an, um bessere Vorhersagen zur Entwicklung des chinesischen Außenhandels mit Tierprodukten bei Unsicherheit über die zu erwartenden Produktivitätszuwächse machen zu können. Innerhalb des gleichen Modellrahmens nutzt Lips (2002) im Zuge einer Untersuchung der Auswirkungen einer weiteren Liberalisierung des internationalen Agrarhandels auf die Schweiz eine systematische Sensitivitätsanalyse bezüglich der Armington-Elastizitäten und der Annahmen zur Abbildung der Angebotsquotierungen bei Zucker und Milch. Bereits bei Go (1994) findet sich ein Beispiel, wie dies auch bei Anwendung eines allgemeinen Gleichgewichtsmodells mit Hilfe einer stochastischen Simulation geschehen kann, wenn auch nicht mit konkretem Agrarmarktbezug, sondern im Kontext einer Evaluierung verschiedener Instrumente zur Erzielung von Steuereinnahmen in Transformationsländern.

Inwieweit eine exakte Unterscheidung stochastischer Markt- oder Umweltbedingungen von Parameterunsicherheit sinnvoll oder notwendig ist, hängt in erster Linie von der Zielrichtung der Untersuchung ab. Zu verweisen ist in diesem Zusammenhang nochmals auf Horan, Claassen und Cooper (2000), die zwar ebenfalls auf eine stochastische Simulation unsicherer Elastizitäten und anderer wichtiger Parameter zurückgreifen, dabei allerdings eine klare Abgrenzung zwischen dieser Modellunsicherheit und stochastischen Umweltbedingun[Seite 51↓]gen40 bei der Evaluierung verschiedener Konzepte zur Verringerung der Nährstoffauswaschung vornehmen. Geht es beispielsweise um die Frage, wie sich zum Zeitpunkt direkt nach Implementierung einer Politik eine bestimmte Zielgröße darstellen wird, mag aufgrund der Unsicherheiten sowohl über die Umweltlage als auch die Richtigkeit der Modellparameter eine Unterscheidung in diesem Sinne nicht zwingend notwendig sein. Steht aber die Unsicherheit einer Zielgröße im weiteren Zeitverlauf nach Implementierung der Politik und der damit verbundenen Enthüllung der zuvor nicht sicher bekannten Parameter im Mittelpunkt des Interesses, erscheint eine klare Abgrenzung der verschiedenen Unsicherheitsaspekte sinnvoll41.

Der Literaturüberblick zeigt, dass der Unsicherheitsaspekt auf vielfältige Weise Eingang in die wissenschaftliche Analyse und Bewertung von Agrarpolitiken gefunden hat und findet. Das Themenspektrum reicht von den Effekten protektionistischer und preisfixierender Politiken auf die Stabilität von Agrarmärkten sowohl in den sich schützenden Regionen selbst als auch in Drittländern über die Evaluierung von Agrarumweltpolitiken bei stochastischen Umweltbedingungen bis hin zum Einfluss gesamtwirtschaftlicher Rahmenbedingungen auf die Unsicherheit im Agrarsektor. Und oft müssen die Ergebnisse deterministischer Analysen im Zuge einer stochastischen Untersuchung korrigiert werden. Die Aussagen sind weniger eindeutig, die Ergebnisse hängen in stärkerem Maße von den konkreten Umständen ab. Politikinstrumente, die zuvor als äquivalente Maßnahmen galten, verlieren diesen Charakter, wenn Unsicherheit in die Betrachtung eingeht. Die Ergebnisse stochastischer Analysen verlieren damit an Verallgemeinerungsfähigkeit, zeichnen aber ein genaueres Bild der Realität. Dies unterstreicht die Bedeutung einer Berücksichtigung von Unsicherheit bei der ökonomischen Evaluierung von Agrarpolitiken und rechtfertigt in vielen Fällen den höheren methodischen Aufwand.

Agrarpolitikanalysen bei Unsicherheit zielen entweder auf eine Politikbewertung in einem unsicheren Umfeld oder eine Untersuchung des Einflusses von politischen Eingriffen auf die Stabilität von Agrarmärkten selbst. Mit der expliziten Formulierung von Parameterunsicherheit im Rahmen systematischer Sensitivitätsanalysen eröffnet sich ein weiteres Gebiet, dass aufgrund der komplexer werdenden Simulationsmodelle mit ihren oft nur begrenzt empirisch fundierten Parametern an Bedeutung eher noch zunehmen wird.


[Seite 52↓]

3.4  Milchmarktanalyse bei Unsicherheit: Welcher Modellansatz ist geeignet?

Die vorangegangenen Betrachtungen innerhalb dieses Kapitels haben eine Relevanz des Unsicherheitsaspekts auf dem EU-Milchmarkt bestätigt, die aus dieser Tatsache resultierenden Konsequenzen für die Evaluierung agrarpolitischer Eingriffe skizziert und das verfügbare Spektrum methodischer Konzepte zur Handhabung dieses Phänomens bei der Politikanalyse abgesteckt. Dies wirft unmittelbar die Frage auf, welcher Modellansatz für die Analyse und Bewertung der europäischen Milchmarktpolitik bei Unsicherheit als geeignet erscheint.

Im Mittelpunkt der Arbeit stehen die Politikeffekte auf der Gemeinschaftsebene und mögliche Wechselwirkungen mit den internationalen Märkten. Eine Abbildung der Weltmärkte empfiehlt sich aufgrund der großen Bedeutung des EU-Außenhandels im internationalen Maßstab und des damit zu erwartenden Einflusses von Politikänderungen in der EU etwa auf das Niveau und die Streuung der Weltmarktpreise. Außerdem ermöglicht dies die Berücksichtigung der Unsicherheiten auf den internationalen Märkten, die als die wesentliche Ursache der beobachteten Instabilitäten des EU-Milchmarkts ermittelt wurden. Der gewählte Modellansatz sollte auch die spezifischen Zusammenhänge zwischen dem Rohstoff Milch und den Verarbeitungsprodukten als Grundlage einer realistischen Implementierung der Politikinstrumente am Milchmarkt widerspiegeln.

Der Überblick im Abschnitt 2.4 hat gezeigt, dass für eine detaillierte Abbildung des Milchmarkts verschiedene partielle Gleichgewichtsmodelle entwickelt wurden. Die im Rahmen solcher Modelle prognostizierten Reaktionen der Marktakteure auf Politikänderungen sind durch die mikroökonomische Theorie unterlegt und reflektieren gewinnmaximierendes Verhalten der Produzenten bzw. eine Nutzenmaximierung der Konsumenten. Diese Modellkonzeption erlaubt eine flexible Analyse sich ändernder Politikvariablen aufgrund der postulierten Anpassungen in Angebot und Nachfrage bei Preisänderungen. Ebenso finden sich partielle Gleichgewichtsmodelle mit globaler Schließung, wodurch Wechselwirkungen mit den internationalen Märkten berücksichtigt werden. Ein interessanter Aspekt ist zudem die Betrachtung von Produktheterogenität, die nicht zuletzt beim Handel mit den vielfältigen Milchprodukten von einiger Bedeutung sein dürfte und mit Hilfe des Armington-Ansatzes in ein Gleichgewichtsmodell integriert werden kann.

Partielle Modelle befassen sich im Gegensatz zu allgemeinen Gleichgewichtsmodellen nur mit einem Ausschnitt der Volkswirtschaft, Rückkopplungen mit anderen Sektoren bleiben unberücksichtigt. Dies gilt etwa für Anpassungen auf Faktormärkten infolge einer veränderten Lage auf Produktmärkten. So führt ein erhöhter Output tendenziell zu einer stärkeren Nachfrage nach den notwendigen knappen Faktoren und damit zu steigenden Faktorpreisen, die wiederum dämpfend auf die Produktion des betrachteten Outputs wirken. Inwieweit solche [Seite 53↓]Rückkopplungen zum Tragen kommen, hängt von der gesamtwirtschaftlichen Bedeutung des untersuchten Sektors ab. Im Rahmen dieser Studie sollte dieser Nachteil nicht allzu schwer wiegen, da mit dem Milchmarkt nur ein sehr begrenzter Teil der Volkswirtschaft untersucht wird. Gemäß Brockmeier (1999, S. 447) „liefern partielle Gleichgewichtsmodelle ... sehr gute Ergebnisse bei der Analyse sektorspezifischer Politiken, deren Auswirkungen im wesentlichen auf den Agrarsektor beschränkt bleiben“ 42. Dieser somit nur wenig eingeschränkten Aussagefähigkeit der partiellen Sicht in der vorgesehenen Ausrichtung dieser Studie stehen gegenüber allgemeinen Gleichgewichtsmodellen mit einem geringerem Datenbedarf, einer meist höheren Detailtiefe im betrachteten Sektor und übersichtlichen Modellstrukturen gewichtige Vorteile gegenüber.

Eine überschaubare Modellstruktur erscheint nicht zuletzt im Rahmen einer stochastischen Analyse als geboten. Dies erleichtert zum einen die Interpretation der Ergebnisse, wenn neben den Abweichungen in den Mittelwerten auch Veränderungen in Streuung und Schiefe der Verteilungen zu erklären sind. Auf der anderen Seite erlaubt dies eine flexible Auswahl der Methode zur Berechnung der Modellergebnisse unter stochastischen Bedingungen. Abschnitt 3.3.3 zeigte, dass bereits in der Vergangenheit umfassendere partielle Marktmodelle einer stochastischen Simulation unterzogen wurden. Wie bereits erläutert, liegt der Vorteil dieses Verfahrens darin, trotz einer Vielzahl stochastischer Variablen komplette Verteilungen der gesuchten Größen generieren und damit ein sehr genaues Bild der Unsicherheit zeichnen zu können. Durch die begrenzte Komplexität des zu entwickelnden partiellen Milchmarktmodells ist eine hohe Anzahl sich wiederholender Modelldurchläufe im Zuge einer stochastischen Simulation problemlos möglich.

Die Wirkung von Unsicherheiten auf Agrarmärkten ist eng mit der zeitlichen Dimension verbunden. So können die Existenz von Preiserwartungen sowie Lagerhaltungen die Instabilität auf Märkten beeinflussen43. Solche Mechanismen lassen sich nur in einer dynamischen Modellstruktur erfassen. Aufgrund der kontinuierlichen Erzeugung auf dem Milchmarkt sollten Preiserwartungshaltungen eine geringere Rolle als bei anderen landwirtschaftlichen Gütern spielen, bei denen ein längerer Zeitraum zwischen der Produktionsentscheidung und dem marktfähigen Produkt liegt44. Längerfristige Lagerhaltung ist nur bei einem Teil der Milchprodukte möglich und wird von der staatlichen Einlagerung von Butter und Magermilchpul[Seite 54↓]ver sowie den Beihilfen zur privaten Lagerhaltung maßgeblich mitbestimmt. Zudem dürfte der wirtschaftliche Anreiz zur privaten Lagerung durch die Preisstabilisierung infolge eben dieser Interventionspolitik, der staatlichen Absatzmaßnahmen und der Außenhandelspolitik negativ beeinflusst werden.

Staatliche Lageraktivitäten und die Gewährung von Verbrauchsbeihilfen lassen sich in einem stochastischen Modellrahmen nicht ohne weiteres konsistent abbilden. Hierzu wären konkrete Annahmen zum Verhalten der Verwaltungsbehörden notwendig. Auch ist unklar, inwieweit private Lagerhaltung eine verringerte staatliche Lagerhaltung ersetzen kann oder etwa nur zum Ausgleich saisonaler Schwankungen geeignet ist. Zur Klärung dieser offenen Punkte wären zunächst tiefer gehende empirische Betrachtungen notwendig, die im Rahmen dieser Arbeit nicht zu leisten sind. Da eine dynamische Modellformulierung ohne genaue Kenntnis dieser Faktoren auf einem sehr unsicheren Fundament fußen würde, erfolgt eine rein statische Anwendung des stochastischen partiellen Milchmarktmodells. Dennoch sollten die wesentlichen Effekte veränderter Politiken auf die Übertragung von Marktunsicherheiten zwischen den beiden Modellregionen abzubilden sein. Die zusätzlichen stabilisierenden Wirkungen der staatlichen Lagerung und Absatzbeihilfen müssen bei der Interpretation der Ergebnisse jedoch berücksichtigt werden.

Entscheidend für die Modellergebnisse sind die zu Grunde gelegten Parameter der Verhaltensgleichungen. Prinzipiell könnten diese für die entsprechenden Angebots- und Nachfragefunktionen ökonometrisch geschätzt werden. Eine konsistente Schätzung der Modellgleichungen erscheint allerdings sehr aufwändig - nicht zuletzt für die vorgesehene Weltmarktebene, auf der beispielsweise kein Preis für Rohmilch zu beobachten ist - und würde den Rahmen dieser Arbeit sprengen. Stattdessen wird auf Parameterwerte aus der Literatur zurückgegriffen, die so weit wie möglich den theoretischen Anforderungen anzupassen und auf deren Basis die Modellgleichungen für ein Referenzjahr zu kalibrieren sind. Um die verbleibende Ungewissheit über die Richtigkeit dieser Werte und die damit verbundene Aussagekraft der Simulationsergebnisse transparent zu machen, ist eine Sensitivitätsanalyse bezüglich der kritischen Modellparameter vorgesehen.


Fußnoten und Endnoten

1 Morgan und Henrion (1990, S. 48ff.). Die Autoren bezeichnen diese beiden Ansätze auch als „The Frequentist View“ (objektiv) und „The Personalist or Bayesian View“ (subjektiv).

2 Morgan und Henrion (1990, S. 49). Die Vorstellung eines Entscheiders über eine Wahrscheinlichkeitsverteilung hängt nach Brandes und Odening (1992, S. 193) von einer objektiven Komponente (in der Vergangenheit registrierte Ergebnisse) und einer subjektiven Komponente (persönliche Schlüsse eines Entscheiders von vergangenen auf künftige Ereignisse) ab. Einmal festgelegte Wahrscheinlichkeiten können durch Informationsaktivitäten auch wieder verändert werden.

3 Eisenführ und Weber (1999, S. 20), Brandes und Odening (1992, S. 192)

4 Eisenführ und Weber (1999, S. 20) argumentieren ebenfalls gegen diese Definitionen, da sie „den Fall der so definierten „Ungewissheit“ für realitätsfern und theoretisch dubios halten“ und nutzen daher die Begriffe Unsicherheit und Risiko synonym. Siehe dazu auch Morgan und Henrion (1990, S. 49) und Brandes und Odening (1992, S. 192).

5 Kirschke (1986, S. 58ff.)

6 Vgl. Morgan und Henrion (1990, S. 64).

7 Morgan und Henrion (1990, S. 67) schlagen vor, einen Vergleich des Einflusses der Unsicherheit, die aus der Modellgestaltung resultiert, mit den Einflüssen anderer Unsicherheitsquellen für die Wahl einer geeigneten Detailtiefe der Modellstruktur zu nutzen.

8 Newbery und Stiglitz (1981, S. 47ff.). Zu den Ursachen von Instabilitäten auf Agrarmärkten siehe auch Kirschke (1986, S. 62) sowie Herrmann und Schmitz (1984, S. 396).

9 Newbery und Stiglitz (1981, S. 51f.)

10 ARIMA - Autoregressive Integrated Moving Average

11 Anhand eines Trendmodells und eines ökonometrischen Marktmodells zur Berechnung eines von stochastischen Störungen bereinigten Weltmarktpreises zeigen Herrmann, Schenck und Wiebelt (1990) die Bedeutung der Modellformulierung auch bei der Bestimmung von Protektionsraten am Beispiel des Weizenmarkts ausgewählter Entwicklungsländer. Es ist demnach nicht nur wichtig, Unsicherheit bei der Messung des Protektionsniveaus überhaupt einzubeziehen, sondern auch die Methode, mit der dies geschieht.

12 GARCH - Generalised Autoregressive Conditional Heteroskedasticity

13 Exponentielle Trendmodelle im Rahmen von Instabilitäts- bzw. Unsicherheitsmessungen nutzen beispielsweise Newbery und Stiglitz (1981, S. 287ff.), Herrmann und Kirschke (1987, S. 33) sowie Kirschke (1987, S. 129, 145).

14 Für die Zeitreihen des Milcherzeugerpreises sowie der Milcherzeugung, -anlieferung und -leistung wurde allein auf die Daten aus den ersten zwölf Mitgliedsländern der EU zurückgegriffen, um Struktureffekte durch die Erweiterung im Jahr 1995 von vornherein zu vermeiden.

15 Die Schätzergebnisse für Milcherzeugung, Milchleistung und Vollmilchpulverbrauch in der EU können aufgrund positiver Autokorrelation verzerrt sein.

16 Isermeyer (1988, S. 152ff.) liefert einen ausführlichen Vergleich der Milchproduktionssysteme in Nordamerika, Neuseeland und der EU. Im Gegensatz zur EU dominiert in Neuseeland ganzjährige Weidehaltung bei einem Verzicht auf Kraftfutter. Dieses extensive Produktionssystem führt einerseits zu deutlichen Kostenvorteilen, lässt andererseits aber auch eine größere Bedeutung von Witterungseinflüssen für die Futtergrundlage und damit für die Milcherzeugung erwarten. So litt die neuseeländische Milchproduktion beispielsweise im Jahr 1999 unter trockenen Witterungsbedingungen infolge des El Niño und dem Ausbruch von Krankheiten (Salamon 2000, S. 40).

17 Die Analyse der Verbrauchsentwicklung erfolgte jeweils ausschließlich anhand des Absatzes zu Marktpreisen, sodass politikinduzierte Fluktuationen im Verbrauch infolge der Absatzförderung unberücksichtigt bleiben.

18 Eigene Berechnung auf der Grundlage der ZMP-Marktbilanz Milch, verschiedene Jahrgänge.

19 Vgl. Salamon (1988, S. 412).

20 Eigene Berechnungen auf der Grundlage der ZMP-Marktbilanz Milch, verschiedene Jahrgänge.

21 Zum Vergleich: In den Jahren 1973 bis 1983, also vor Einführung der Quotenregelung, stiegen die EAGFL-Ausgaben für Milcherzeugnisse um jährlich 12,2% an (Kirschke 1987, S. 130).

22 Dies allein ist zwar kein exaktes Maß zur Erfassung von Unsicherheit bei der Budgetplanung. Hierzu müssten die tatsächlichen Ausgaben mit den von den Finanzplanern erwarteten oder zumindest in der Budgetplanung festgesetzten Werten verglichen werden (vgl. Kirschke 1987, S. 124ff.). Die starken Schwankungen deuten aber darauf hin, dass es schwierig sein dürfte, die von der Marktentwicklung abhängige Ausgabenhöhe genau zu prognostizieren. Für den Zeitraum 1973 bis 1983 stellt Kirschke (1987, S. 126) denn auch eine durchschnittliche Abweichung der tatsächlichen EAGFL-Ausgaben für Milcherzeugnisse von den Mittelansätzen von 22,1% fest.

23 Im Jahr 2000 betrug zum Beispiel der Anteil der EU-Exporte an den weltweiten Exporten bei Butter 21,5%, bei Käse 32,3%, bei Magermilchpulver 27,5% und bei Vollmilchpulver 38,7% (Europäische Kommission).

24 So hat beispielsweise die Importnachfrage nach Milchprodukten und damit auch das Preisniveau auf den internationalen Märkten 1999 unter Finanz- und Wirtschaftskrisen in Russland, Asien und Teilen Südamerikas, wie etwa Brasilien, gelitten (Salamon 2000, S. 42).

25 Zur ausführlichen Diskussion der Relevanz agrarmarktpolitischer Analyse bei Unsicherheit vgl. Kirschke (1987, S. 24ff.).

26 Die Erwartungsnutzentheorie ist vielfach beschrieben worden (siehe beispielsweise Newbery und Stiglitz 1981, S. 69ff., Brandes und Odening 1992, S. 197ff. oder Eisenführ und Weber 1999, S. 211ff.), sodass an dieser Stelle auf eine detailliertere Darstellung verzichtet werden kann.

27 Kirschke (1987, S. 44, 58)

28 Siehe Kirschke (1987, S. 57ff.). Zur Anwendung analytischer Konzepte bei der Bewertung von Maßnahmen zur Preisstabilisierung siehe bspw. auch Newbery und Stiglitz (1981).

29 Die Anwendung exakter Formeln ist nur für sehr einfache Fälle, wie beispielsweise Linearkombinationen oder einfache Produkte stochastischer Variablen praktikabel. Für angewandte Analysen mit komplizierteren Funktionsformen werden deshalb oft Näherungsformeln genutzt (Kirschke 1987, S. 62ff.).

30 Zu den Vor- und Nachteilen analytischer Methoden siehe Morgan und Henrion (1990, S. 192).

31 Zur Nutzung der stochastischen Simulation in der betriebswirtschaftlichen Investitionsplanung im Rahmen von Risikoanalysen vgl. beispielsweise Brandes und Odening (1992, S. 233ff.) oder zur praktischen Anwendung Winston (1999).

32 Auf die Funktionsweise der stochastischen Simulation wird ausführlicher im Kapitel 4.3.2 auf Seite 50 eingegangen.

33 Vgl. Arndt (1996).

34 Zur Messung von Unsicherheit siehe Abschnitt 3.2, Seite 16.

35 Siehe dazu beispielsweise Herrmann und Schmitz (1984).

36 Herrmann, Burger und Smit (1993, S. 11)

37 Dieses Phänomen wurde bereits von Weitzman (1974) in Bezug auf den Vergleich von Preis- und Mengenplanung beschrieben. Danach können in ihrer Zielerreichung unter Sicherheit als äquivalent bewertete Preis- und Mengenplanungen unter der Berücksichtigung von Unsicherheit zu unterschiedlichen Ergebnissen führen. Ob Preis- oder Mengenplanung vorzuziehen ist, hängt dann von den jeweiligen konkreten Bedingungen ab. Zur Diskussion von Preis- und Mengenplanung bei Unsicherheit siehe auch Kirschke (1987, S. 38f.).

38 Schmitz (1984, S. 3ff.) liefert auch einen umfassenden Literaturüberblick zu den Instabilitätswirkungen des Agrarprotektionismus.

39 Als methodische Grundlage für systematische Sensitivitätsanalysen ist im GTAP-Modellrahmen die Gauß-Quadratur vorgesehen (vgl. Arndt 1996).

40 Zur Analyse des Einflusses der stochastischen Umweltbedingungen nutzen Horan, Claassen und Cooper (2000, S. 14) die Gauß-Quadratur.

41 Vgl. Horan, Claassen und Cooper (2000, S. 7, 14).

42 Brockmeier (1999) untermauert diese Aussage anhand eines Vergleichs der Ergebnisse einer identischen Politiksimulation zwischen dem GTAP-Standardmodell und einer partiellen Variante dieses Modells.

43 Zu den Markteffekten von Preiserwartungen und Lagerhaltung siehe zum Beispiel Newbery und Stiglitz (1981, S. 131ff., 195ff.) sowie Schmitz (1984, S. 55ff.).

44 Preiserwartungen könnteneventuell im Bereich des Quotentransfers von Bedeutung sein. So zeigen beispielsweise Colman et al. (1998, S. 27, 38) für den britischen Quotenmarkt in den 1990er Jahren, dass die Preise sowohl für temporär geleaste als auch für dauerhaft übertragene Quoten übermäßig von kurzfristigen Faktoren inklusive des monatlichen Milchpreises beeinflusst wurden.



© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
DiML DTD Version 3.0Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin
HTML-Version erstellt am:
17.03.2004