Einfluss_AEP_EFF_DEA_ML: Der Einfluss agrar- und ernährungspolitischer Maßnahmen auf die allokative Effizienz mit DEA und Machine Learning
Projektleitung
Dieter Koemle
Forschungseinrichtung
Bundesanstalt für Agrarwirtschaft und Bergbauernfragen
Projektnummer
102202Projektlaufzeit
-
Finanzierungspartner
Bundesministerium für Land- und Forstwirtschaft, Regionen und Wasserwirtschaft
Allgemeine Projektinformationen
Abstract (deutsch)
Die Evaluierung von Politikmaßnahmen im Rahmen der Gemeinsamen Agrar- und Fischereipolitik (GAP, GFP) der EU ist von zentraler Bedeutung für die Erreichung der gemeinschaftlichen Nachhaltigkeitsziele. Im Fokus des Projekts steht die Entwicklung von Methodenkompetenz zur Analyse der bestimmenden Faktoren hinter ökonomischer Effizienz in der Lebensmittelwirtschaft unter Einsatz moderner Machine-Learning-Verfahren. Dabei werden Politikeffekte anhand nichtexperimenteller Daten mit kausalanalytischen Methoden durch die Kombination von Data Envelopment Analysis (DEA) mit Machine Learning geschätzt. DEA ermöglicht die Trennung technischer und allokativer Effizienz, wobei letztere den optimalen Outputmix in Abhängigkeit von Preisen beschreibt. Durch politische Eingriffe, wie etwa Stilllegungsprämien oder Quotenregelungen, verändert sich der Entscheidungsspielraum der Betriebe – mit direkten Effekten auf deren Effizienz. Machine-Learning-gestützte Verfahren wie Double Machine Learning erlauben es, komplexe, nichtlineare Zusammenhänge in hochdimensionalen Daten zu modellieren und robuste kausale Effektschätzungen zu liefern.
Das Projekt nutzt die deutsche Ostseefischerei als Fallstudie, wo der Rückgang von Dorsch- und Heringsbeständen zu massiven Quotenkürzungen und weiteren Regulierungen führte. Zielkonflikte zwischen Ressourcenschutz, Ernährungssicherheit und ökonomischer Tragfähigkeit werden sichtbar. Das Projekt analysiert, wie sich politische Maßnahmen (z.B. Investitionsförderungen, zeitweilige und permanente Stilllegungen) auf die Effizienz der Flotte auswirken.
Schlagwörter (deutsch)
Data Envelopment Analyse, Kausales maschinelles Lernen, Politikanalyse
Titel, Abstract, Schlagwörter (englisch)
Titel (englisch)
The impact of agricultural and food policy on allocative efficiency with DEA and machine learning
Abstract (englisch)
The evaluation of policy measures within the framework of the European Union’s Common Agricultural Policy (CAP) and Common Fisheries Policy (CFP) is crucial for achieving the Community's sustainability goals. This project focuses on developing methodological expertise to analyze the determinants of economic efficiency in the food sector using modern machine learning techniques. Policy effects are estimated from non-experimental data through causal inference methods that combine Data Envelopment Analysis (DEA) with machine learning. DEA allows for the separation of technical and allocative efficiency, with the latter describing the optimal output mix depending on relative prices. Political interventions—such as decommissioning premiums or quota regulations—alter the decision-making space of firms, directly impacting their efficiency. Machine-learning-based approaches like Double Machine Learning make it possible to model complex, nonlinear relationships in high-dimensional data and to provide robust causal effect estimates.
The project uses the German Baltic Sea fishery as a case study, where the collapse of cod and herring stocks has led to severe quota reductions and further regulations. It reveals tensions between resource conservation, food security, and economic viability. The project analyzes how policy measures (e.g., investment subsidies, temporary and permanent vessel decommissioning) influence the efficiency of the fishing fleet.
Schlagwörter (englisch)
Data Envelopment Analysis, Causal Machine Learning, Policy Analysis
Projektziele
Hauptziele
- Die kausale Wirkung verschiedener Politikmaßnahmen auf die Output-Allokative Effizienz von Betrieben schätzen.
- Internationale Vernetzung und Aufbau von Methodenkompetenz
Detailziele
- Detaillierte Beschreibung der Literatur zur Wirkung von Politikmaßnahmen auf Effizienz im Kontext der Lebensmittelproduktion mit Fokus Fisch.
- Beschreibung der Fischerei im Gebiet der Fallstudie.
- Berechnung der allokativen Effizienz mittels Data Envelopment Analysis (nicht-parametrische Effizienzanalyse).
- Verwendung von Causal Machine Learning, um kausale Effekte von Politikmaßnahmen auf Effizienz von reinen Korrelationen zu trennen.
- Ableitung von Schlussfolgerungen und Empfehlungen
Praxisrelevanz
Aus dem Projekt werden praktische Empfehlungen für die Politik, insbesondere zur Förderpolitik und der Regulierung von Fischereisystemen abgeleitet.