En vurdering af dansk landbrugs relative konkurrenceevne ... Tekst starter uden dato og ”Enhedens Mette Asmild, IFRO Slide 13 Deskriptiv statistik: ALLE svineproducenter Alle svin,

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


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


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


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


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


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


Slide 8

Tekst starter uden

dato og ”Enhedens

Mette Asmild, IFRO


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


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


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!

Mette Asmild, IFRO


Slide 12

Tekst starter uden

dato og ”Enhedens

Mette Asmild, IFRO

Slide 13

Deskriptiv statistik: ALLE svineproducenter

Alle svin,

# obs. 2014 2015DAN 362 324BEL 53 54CZE 44 40DEU_NIED 159 143DEU_REST 425 418ESP 94 98FRA 167 167ITA 128 151NED 113 111POL 479 475SVE 67 69UKI 46 42


Gns. (min),

2015, ALLELøn Kapital

Var.

omk.

Output

svin

Andet

output

Størrelse

(LU)

DAN

187002

(39234)

281582

(28003)

1072187

(108675)

1130844

(89388)

308563

(235)

1103

(104)

BEL

71849

(29517)

54896

(7321)

489187

(87246)

527391

(88314)

81971

(4981)

587

(102)

CZE

120131

(12878)

50768

(1704)

751762

(13058)

817314

(13845)

178815

(837)

870

(15)

DEU_NIED

55678

(25953)

60546

(6268)

250693

(46446)

266505

(32385)

103225

(9481)

271

(34)

DEU_REST

70292

(22903)

65778

(6919)

328978

(40254)

329173

(34717)

121920

(13713)

322

(38)

ESP

52106

(15750)

48624

(2376)

425663

(8248)

562790

(6485)

34240

(400)

584

(14)

FRA

66341

(24077)

40628

(1531)

473890

(31526)

531597

(39710)

108904

(1)

526

(38)

ITA

78989

(23237)

151059

(1719)

554580

(1950)

972117

(5475)

97807

(150)

1157

(4)

NED

114765

(33979)

130710

(16765)

945966

(101081)

1099387

(87270)

67783

(195)

1034

(114)

POL

13570

(4538)

18575

(1847)

117009

(9488)

121710

(8343)

37139

(2492)

144

(9)

SVE

135779

(43473)

103332

(2628)

458007

(36161)

558082

(40543)

162493

(4190)

645

(50)

UKI

205661

(27425)

138593

(9273)

1174237

(104892)

1384261

(119539)

136383

(999)

1156

(109)

FADN LU koefficienter: smågrise = 0.027, slagtesvin = 0.3, søer = 0.5, andre = 0.3

Tekst starter uden

dato og ”Enhedens

Mette Asmild, IFRO

Slide 14

Deskriptiv statistik, fortsat


ALLE SVIN,

2015

Løn

/LU

Kap

/LU

Var

/LU

Svin

/LU

Andet

/LU

TotOmk

/LU

TotInd

/LU

“Profit”

/LUDAN 198 302 1049 1014 432 1549 1447 -102BEL 178 114 1015 864 446 1307 1310 3CZE 649 254 1595 957 1789 2498 2746 248DEU_NIED 258 264 1057 957 607 1579 1564 -15DEU_REST 400 361 1448 970 1333 2209 2303 94ESP 233 134 755 1051 290 1122 1342 220FRA 225 105 1133 1045 628 1462 1673 211ITA 705 291 756 1173 889 1751 2062 311NED 366 278 1487 1116 976 2131 2091 -40POL 195 194 894 743 432 1283 1175 -108SVE 539 249 1857 767 1869 2645 2636 -9UKI 231 148 914 1016 190 1293 1206 -87

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


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


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 %


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


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


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,

men også tabe yderligere terræn ift. førstnævnte

Tekst starter uden

dato og ”Enhedens

Randudvikling i alle årene 2010-2015

Mette Asmild, IFRO


Slide 19

ITA

Tekst starter uden

dato og ”Enhedens

Overordnet randudvikling 2010-2015

Mette Asmild, IFRO


Slide 20

ALLE,

2010-15

GFS p-værdi

DAN 1.091 0.322BEL 0.900 0.012CZE 1.042 0.512DEU_NIED 0.848 0.000DEU_REST 0.898 0.004ESP 0.901 0.214FRA 1.073 0.182ITA 1.520 0.000NED 0.936 0.000POL 0.940 0.270SVE 0.927 0.228UKI 0.745 0.000

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


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


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


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


Slide 24

Tak for invitationen ☺

Slide 25


Mette Asmild, IFRO

Tekst starter uden

dato og ”Enhedens

Specialiserede slagtesvineproducenter

Mette Asmild, IFRO


Slide 26

Stort set samme billede som for ”ALLE” – sikkert fordi slagtesvine-producenterne udgør en stor del af ”ALLE”

SLAGT,

2015

Løn

/LU

Kap

/LU

Var

/LU

Svin

/LU

Andet

/LU

TotOmk

/LU

TotInd

/LU

“Profit”

/ LUDAN 192 302 1057 1000 442 1551 1442 -110BEL 166 110 1015 815 481 1291 1296 5CZE 649 254 1595 957 1789 2498 2746 248DEU_NIED 244 251 1013 849 634 1508 1482 -26DEU_REST 398 375 1482 828 1620 2255 2448 193ESP 212 120 758 1077 181 1090 1258 169FRA 218 101 1147 1045 621 1467 1665 199ITA 558 249 696 1073 625 1503 1698 195NED 384 323 1548 956 1360 2255 2316 61POL 193 193 888 736 434 1275 1170 -105SVE 615 277 2382 671 2675 3274 3346 72UKI 219 123 920 1013 158 1263 1172 -91

SLAGT, BIU 2015

(DAN, Land X)

Gns.

BIU

2,5 %

percentil

97,5 %


SLAGT, BPC 2015

(DAN, Land X)

Mean

BPC

2,5 %

percentil

97,5 %


Tekst starter uden

dato og ”Enhedens

Andre end slagtesvineproducenter

Mette Asmild, IFRO


Slide 27

”Mindre dårligt” i Danmark end i de fleste andre lande

ANDRE,

2015

Løn

/LU

Kap

/LU

Var

/LU

Svin

/LU

Andet

/LU

TotOmk

/LU

TotInd

/LU

“Profit”

/ LUDAN 278 300 943 1195 314 1522 1509 -12DEU_NIED 289 293 1161 1209 545 1743 1753 10DEU_REST 406 328 1364 1312 640 2097 1953 -144NED 338 207 1392 1368 370 1936 1738 -199POL 228 208 1030 908 379 1467 1287 -179SVE 403 200 913 938 423 1516 1316 -155

ANDRE, BIU 2015

(DAN, Land X)

Gns.

BIU

2,5 %

percentil

97,5 %

percentilDEU_NIED 1.0039 0.9694 1.0380 DEU_REST 1.0181 0.9724 1.0747 NED 0.9942 0.9556 1.0372 POL 1.041 1.028 1.056 SVE 1.0094 0.9891 1.0165

ANDRE, BPC 2015

(DAN, Land X)

Mean

BPC

2,5 %

percentil

97,5 %

percentilDEU_NIED 0.8890 0.8585 0.9301 DEU_REST 0.8686 0.8077 0.9580 NED 1.317 1.230 1.525 POL 0.6833 0.6656 0.6942 SVE 0.8140 0.8078 0.8398

Documents

En vurdering af dansk landbrugs relative konkurrenceevne ... Tekst starter uden dato og ”Enhedens Mette Asmild, IFRO Slide 13 Deskriptiv statistik: ALLE svineproducenter Alle svin,