Wednesday,  September 20, 2017

Articles

Volume 64 (2015), Number 3: 163-174

Short Term Prediction of Agricultural Structural Change using Farm Accountancy Data Network and Farm Structure Survey Data

Kurzfristige Vorherhersage des Agrarstrukturwandels, basierend auf FSS- und FADN-Daten

Hugo Storm, Thomas Heckelei, María Espinosa and Sergio Gomez y Paloma

The prediction of farm structural change is of large interest at EU policy level, but available methods are limited regarding the joint and consistent use of available data sources. This paper develops a Bayesian Markov framework for short-term prediction of farm numbers that allows combining two asynchronous data sources in a single estimation. Specifically, the approach allows combining aggregated Farm Structure Survey (FSS) macro data, available every two to three years, with individual farm level Farm Accountancy Data Network (FADN) micro data, available on a yearly basis. A Bayesian predictive distribution is derived from which point predictions such as mean and other moments are obtained. The proposed approach is evaluated in an out-of-sample prediction exercise of farm numbers in German regions and compared to linear and geometric predic-tion as well as a “no-change” prediction of farm numbers. Results show that the proposed approach outperforms the geometric prediction but does not significantly improve upon the linear prediction and a prediction of no change in this context.

Die Vorhersage des landwirtschaftlichen Strukturwandels ist von großem Interesse für die EU-Agrarpolitik, aber gegenwärtige Methoden können die verfügbaren Datenquellen nicht vollständig und in konsistenter Weise verwenden. Zur kurzfristigen Vorhersage des Agrarstrukturwandels wird ein Bayes’scher Markov-Ansatz entwickelt, der die Kombination von zwei asynchronen Datenquellen in einer einzigen Schätzung erlaubt. Im konkreten Fall werden dabei in konsistenter Weise aggregierte Daten des Farm Structure Survey (FSS), die alle zwei bis drei Jahre erhoben werden, mit jährlich verfügbaren Stichprobendaten des einzelbetrieblichen Farm Accountancy Data Network (FADN) kombiniert. Eine geschätzte Bayes’sche Vorhersageverteilung erlaubt die Ermittlung von Punktvorhersagen in Form des arithmetischen Mittels und die Ableitung anderer Momente. Evaluiert wird der Ansatz in einer „out-of-sample“-Vorhersage für die Anzahl landwirtschaftlicher Betriebe in verschiedenen Klassen und Bundesländern in Deutschland. Verglichen werden die Ergebnisse mit einer linearen und geometrischen Vorhersage sowie einer „konstanten“ Vorhersage, die keine Veränderungen zum letzten Beobachtungsjahr unterstellt. Im Vergleich zur geometrischen Vorhersage liefert der Ansatz bessere Ergebnisse, wobei lineare und konstante Vorhersage ähnliche Ergebnisse in diesem Kontext liefern.

Back to Content

If you are not yet a subscriber you can buy this single article here.
Subscribers, please log in.


Contact author:
DR. HUGO STORM
University of Bonn Institute for Food and Resource Economics
Nußallee 21, 53115 Bonn, Germany
e-mail: hugo.storm@ilr.uni-bonn.de


Login

NEW: GJAE listed with Impact Factor!

The German Journal of Agricultural Economics (GJAE) is listed in the ‚Impact Factor List‘. Our current (2016) impact factor is 0.489. So if you plan to write an article, use this evidence for getting cited.

Question/ suggestion?

Do you have any questions, please don't hesitate to get in touch with us.

Always up-to-date

Please send us your e-mail address to be informed -for free- about the upcoming issues.

powered by

dfv Mediengruppe
Our partners:
www.agrarzeitung.de www.feedmagazine.net