💻 computer science

Agent-Based Modeling of Low-Emission Fertilizer Adoption for Dairy Farm Decarbonisation using Empirical Farm Data

Diese Studie entwickelt und validiert einen agentenbasierten Modellierungsrahmen unter Verwendung empirischer Daten von 295 irischen Milchviehbetrieben, um die sozio-technische Diffusion emissionsarmer Düngemittel über einen Zeitraum von 15 Jahren zu simulieren, wobei aufgezeigt wird, wie soziale Netzwerke und politische Interventionen die Adoptionsverläufe steuern, und ein robustes Instrument zur Bewertung von Dekarbonisierungsstrategien bereitgestellt wird.

Ursprüngliche Autoren: Surya Jayakumar, Kieran Sullivan, John McLaughlin, Christine OMeara, Indrakshi Dey

Veröffentlicht 2026-05-06

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Surya Jayakumar, Kieran Sullivan, John McLaughlin, Christine OMeara, Indrakshi Dey

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein riesiges High-Tech-Simulationsspiel vor, bei dem die „Spieler" 295 echte Milchviehbetriebe in Irland sind. Das Ziel des Spiels besteht nicht darin, Punkte zu sammeln, sondern herauszufinden, wie man diese Betriebe daran hindert, die Luft mit Treibhausgasen zu verschmutzen.

Die Forscher bauten einen digitalen Zwilling der irischen Milchindustrie, um eine spezifische Idee zu testen: Was passiert, wenn Landwirte von herkömmlichem Dünger auf eine „emissionsarme" Variante (geschützter Harnstoff) umsteigen?

Hier ist die Geschichte ihrer Erkenntnisse, aufgeschlüsselt in einfache Konzepte:

1. Das Problem: Nicht alle Betriebe sind gleich

Stellen Sie sich die Milchindustrie wie einen Klassenraum vor. Einige Schüler sind „A-Schüler" (Benchmark-Betriebe), die mit sehr wenig Aufwand (geringe Verschmutzung) hervorragende Noten erzielen (hohe Milchproduktion). Andere sind „C-Schüler" (hinterherhinkende Betriebe), die kämpfen, zu viel Dünger verwenden und für die Menge an Milch, die sie produzieren, eine große Verschmutzung verursachen.

Die Forscher erkannten, dass man nicht jeden Betrieb gleich behandeln kann. Eine „Einheitslösung" funktioniert nicht, weil die Gründe für die Verschmutzung bei jedem unterschiedlich sind. Einige Betriebe sind einfach ineffizient; andere kämpfen mit zu vielen Kühen auf zu wenig Land.

2. Der Motor: Das „Sozialnetzwerk"-Spiel

Der interessanteste Teil dieser Studie ist, wie sie modellierten, wie Landwirte Entscheidungen treffen. Sie gingen nicht einfach davon aus, dass Landwirte auf einen Preisschild schauen und eine Entscheidung treffen. Stattdessen bauten sie ein Sozialnetzwerk in das Computermodell ein.

Die Analogie: Stellen Sie sich eine kleine Stadt vor, in der alle mit ihren Nachbarn sprechen. Wenn Ihr Nachbar beginnt, einen neuen, besseren Dünger zu verwenden und Ihnen sagt: „Hey, das funktioniert großartig und spart mir Geld", ist die Wahrscheinlichkeit viel größer, dass Sie es auch versuchen.
Die Erkenntnis: Der Computer zeigte, dass Landwirte stark von ihren Gleichgestellten beeinflusst werden. Wenn einige frühe Anwender umsteigen, folgen ihre Nachbarn. Dies erzeugt einen „Schneeballeffekt". Das Modell bewies, dass wenn man diesen „Klatsch" oder den Gruppendruck ignoriert, Ihre Vorhersagen falsch sind. Das Sozialnetzwerk ist der Motor, der den Wandel antreibt.

3. Das Experiment: Subventionen versus Steuern

Die Forscher nutzten ihre Simulation, um zwei verschiedene Wege zu testen, um Landwirte zum Umstieg zu bewegen:

Szenario A: Die CO2-Steuer (Der Stock)
Stellen Sie sich vor, die Regierung verhängt eine Strafe für verschmutzenden Dünger. Das macht den schmutzigen Stoff teuer.
- Ergebnis: Es funktioniert, aber langsam. Landwirte murren und wechseln schließlich, aber es dauert lange.
Szenario B: Die Subvention (Die Karotte)
Stellen Sie sich vor, die Regierung zahlt Landwirten einen Bonus, wenn sie den sauberen Dünger kaufen.
- Ergebnis: Dies funktionierte viel schneller. Da die saubere Option günstiger wurde, wechselten die „frühen Anwender" sofort. Sobald sie gewechselt hatten, sahen ihre Nachbarn, wie sie es taten, und zogen nach. Die Subvention brachte den sozialen Schneeball in Schwung.

Das Urteil: Die Subvention war der Gewinner. Sie erledigte die Aufgabe schneller und führte über 15 Jahre zu einer größeren Gesamtreduktion der Verschmutzung, weil die Veränderung früher eintrat.

4. Das „Politiklabor"

Die Autoren bezeichnen ihr Computermodell als „Politiklabor".

Stellen Sie es sich wie einen Flugsimulator für Piloten vor. Bevor ein echtes Flugzeug startet, übt der Pilot im Simulator, um zu sehen, was passiert, wenn der Motor ausfällt oder das Wetter schlecht wird. Ähnlich können die irischen Behörden, bevor sie echtes Geld ausgeben oder neue Gesetze erlassen, diese Simulation laufen lassen, um zu sehen:

Werden Landwirte es tatsächlich tun?
Wie schnell wird es geschehen?
Wie viel Geld wird es sparen oder kosten?

Die Simulation zeigte, dass mit der richtigen Mischung aus Geld (Subventionen) und Gruppendruck die Industrie mit einer Erfolgsrate von 91 % auf sauberen Dünger umstellen könnte. Die verbleibenden 9 % der Landwirte sind die „Hinterherhinkenden", die einfach nicht umsteigen, egal was man tut.

5. Das Fazit

Es ist günstiger als gedacht: Der Umstieg auf den sauberen Dünger ist tatsächlich ein Schnäppchen. Die Kosten für den Landwirt, eine Tonne Verschmutzung zu reduzieren, sind sehr gering (weniger als 1 €), was deutlich günstiger ist als die aktuellen CO2-Preise.
Gruppendruck ist der Schlüssel: Man kann Landwirte nicht einfach mit Regeln zum Wandel zwingen; man muss ihnen helfen, zuerst zu sehen, wie ihre Nachbarn es tun.
Das Tool funktioniert: Das Computermodell war so genau (97,9 % Genauigkeit), dass es das reale Verhalten fast perfekt vorhersagen konnte.

Kurz gesagt, sagt die Studie: „Wenn Sie die irische Milchviehwirtschaft sauber machen wollen, bestrafen Sie nicht nur die Verschmutzer. Zahlen Sie den frühen Anwendern, lassen Sie sie mit ihren Nachbarn sprechen und beobachten Sie, wie die gesamte Branche schnell aufholt."

Technischer Zusammenfassung: Agentenbasierte Modellierung der Einführung emissionsarmer Düngemittel zur Dekarbonisierung von Milchviehbetrieben

Problemstellung
Landwirtschaftliche Systeme, insbesondere die irische Milchviehhaltung, sind erhebliche Verursacher von Treibhausgasemissionen (THG), die hauptsächlich durch den Einsatz von Stickstoffdüngern, die Tierhaltung und landwirtschaftliche Nutzungspraktiken bedingt sind. Obwohl praktische Maßnahmen zur Emissionsreduktion existieren – wie die Einführung von geschütztem Harnstoff (Harnstoff, der mit dem Urease-Inhibitor NBPT behandelt wurde) – ist die Verbreitung auf den Betrieben ungleichmäßig. Diese Heterogenität resultiert aus Unterschieden in der Managementkapazität, strukturellen Zwängen und sozialen Interaktionen. Traditionelle Top-down-Bewertungsmodelle erfassen diese Komplexität oft nicht, da sie von Annahmen einheitlichen Verhaltens und einer sofortigen Übernahme ausgehen und dabei Peer-Effekte, Pfadabhängigkeiten und stochastische Entscheidungsprozesse ignorieren. Folglich besteht ein Bedarf an einem Rahmenwerk, das die sozio-technische Evolution der Dekarbonisierung simulieren kann und die Einführung nicht lediglich als finanzielle Kalkulation, sondern als dynamischen Prozess betrachtet, der von sozialer Ansteckung und strukturellen Betriebsmerkmalen beeinflusst wird.

Methodik
Die Studie entwickelt ein empirisch fundiertes, agentenbasiertes Modellierungsrahmenwerk (Agent-Based Modeling, ABM), um die Diffusion emissionsarmer Technologien über einen Zeitraum von 15 Jahren auf 295 irischen Milchviehbetrieben zu simulieren.

Datenbasis: Das Modell nutzt einen umfassenden Datensatz auf Betriebsebene, der von Teagasc (der irischen Behörde für landwirtschaftliche und Nahrungsmittelentwicklung) bereitgestellt wurde und von der Irish Cattle Breeding Federation (ICBF) und Bord Bia aggregiert wurde. Dieser Datensatz umfasst Produktionsleistung (Milchertrag, Feststoffe, Herdenstruktur), Input-Nutzung (Düngemitteltypen, Kalk, Futter) und wirtschaftliche Variablen.
Agentenstruktur: Jeder der 295 Betriebe wird als autonomer Agent mit spezifischen Attributen modelliert: Landfläche, Großvieheinheiten, Milchproduktion und Stickstoffinput. Anfangs verwenden alle Agenten herkömmliches Calcium-Ammonium-Nitrat (CAN).
Soziales Netzwerk-Architektur: Um die sozialen Dynamiken landwirtschaftlicher Diskussionsgruppen nachzubilden, verwendet das Modell ein Watts-Strogatz-Kleiner-Welt-Netzwerk. Diese Struktur weist eine hohe lokale Clusterbildung auf (repräsentiert stabile Peer-Beratungskreise) und kurze durchschnittliche Pfadlängen (repräsentiert den Informationsaustausch zwischen Gruppen über Berater). Die Netzwerkparameter ( $k=4$ Verbindungen, Umverbindungswahrscheinlichkeit $p=0.1$ ) wurden festgelegt, um eine spärliche, geclusterte Peer-Struktur darzustellen, anstatt sie an spezifische Adoptionskurven anzupassen.
Adoptionsmechanismus: Die Einführung von geschütztem Harnstoff wird als stochastischer, probabilistischer Entscheidungsprozess modelliert. Die Adoptionswahrscheinlichkeit ( $P_{i,t}$ $P_{i, t}$ ) für einen nicht adoptierenden Betrieb $i$ $i$ zum Zeitpunkt $t$ $t$ ist eine Funktion von:
1. Grundlegende Neigung: Eine feste Neigung zur Innovation ( $\beta_0$ ).
2. Peer-Einfluss: Ein verzögerter Signalwert ( $S_{i,t-1}$ ), der die durchschnittliche Adoptionsrate benachbarter Betriebe darstellt, gewichtet mit einem kalibrierten sozialen Einflussparameter ( $\omega = 0.85$ ).
3. Strukturelle Faktoren: Normalisierte Betriebsgröße und Milchproduktion.
4. Politische Schocks: Exogene Anpassungen für Kohlenstoffsteuern oder Subventionen.
Szenarien: Das Modell simuliert drei Szenarien: ein Basisszenario (keine Politik), eine Kohlenstoffsteuer (71 €/t CO2 auf eingebettete Düngemittel-Emissionen angewendet) und eine Subvention (200 €/Tonne für geschützten Harnstoff).
Emissionen und Ökonomie: Das Modell berechnet direkte Lachgasemissionen auf Basis düngerspezifischer Emissionsfaktoren (CAN: 0,0149; Geschützter Harnstoff: 0,0040) und wandelt sie in CO2-Äquivalente um. Es berechnet zudem die Grenzkosten der Emissionsminderung (MAC), indem es private Input-Kostenänderungen mit der gesamten Emissionsminderung vergleicht und dabei zwischen privaten Kosten und sozialen Kosten (einschließlich staatlicher Ausgaben) unterscheidet.
Validierung und Unsicherheit: Das Modell wurde mit historischen Adoptionsdaten (2019–2024) kalibriert und anhand von Out-of-Sample-Daten (2023–2024) mit Hilfe von Root Mean Square Error (RMSE), Mean Absolute Error (MAE) und $R^2$ -Metriken validiert. Die Robustheit wurde durch 250 Monte-Carlo-Iterationen und Sensitivitätsanalysen zu sozialen Einflussgewichten und Subventionsniveaus bewertet.

Hauptbeiträge

Empirische Kalibrierung: Die Studie verbindet reale Betriebsdaten mit einem kalibrierten ABM und modelliert erfolgreich realistische Diffusionspfade für die Düngemitteladoption mit hoher Vorhersagegenauigkeit ( $R^2 = 0.979$ , RMSE = 0.0274).
Integration von biophysikalischer und ökonomischer Modellierung: Sie kombiniert ökonomische Kostenkalkulation mit biophysikalischer Emissionsmodellierung, um Grenzkosten der Emissionsminderung in einer simulierten Umgebung zu schätzen und dabei zwischen privaten und sozialen Wohlfahrtskosten zu unterscheiden.
Quantifizierung von Unsicherheit: Durch die Nutzung von Monte-Carlo-Methoden quantifiziert die Studie die Unsicherheit hinsichtlich des Zeitpunkts der Adoption und der kumulativen Emissionen und liefert probabilistische Erkenntnisse anstelle deterministischer Einzelwert-Schätzungen.
Rahmenwerk als Politiklabor: Das Modell dient als „Politiklabor", um die Robustheit und Diffusionsgeschwindigkeit von Klimastrategien vorab zu testen und Dekarbonisierung als sozio-technische Evolution zu konzeptualisieren, nicht als rein monetäre Kalkulation.

Ergebnisse

Vorhersagegenauigkeit: Das Modell zeigte eine hohe Vorhersagegenauigkeit mit einem $R^2$ von 0,9793 und einem RMSE von 0,0274. Die Einbeziehung von Social-Network-Effekten war entscheidend; deren Entfernung erhöhte den RMSE verfünffacht (von 0,0274 auf 0,1476), was bestätigt, dass der Peer-zu-Peer-Einfluss ein dominanter Mechanismus bei der Düngemitteladoption ist.
Adoptionsdynamik: Die Adoption folgte einer logistischen S-Kurve. Das Basisszenario erreichte 50 % Adoption in ca. 7,2 Jahren. Die Kohlenstoffsteuer beschleunigte dies auf ca. 3,6 Jahre, während das Subventionsszenario am schnellsten war und 50 % in ca. 3,0 Jahren erreichte.
Kumulative Minderung: Über den 15-Jahres-Horizont erreichte das Subventionsszenario 121,35 Gg CO2-Äq vermiedene Emissionen, was etwa 24 % mehr als im Kohlenstoffsteuerszenario (97,73 Gg CO2-Äq) entspricht. Dieser Unterschied wird auf den früheren Adoptionsgipfel unter der Subvention zurückgeführt, der die Periode der Emissionseinsparungen verlängert.
Verteilungsverschiebungen: Ein Kolmogorov-Smirnov-Test bestätigte, dass politische Eingriffe die Verteilung der Kohlenstoffintensität des Sektors fundamental verändern ( $D = 0.2407, p < 0.001$ ), indem sie effektiv den hochintensiven Schwanz unterdrücken und „Nachzügler"-Betriebe zum Benchmark-Modus ziehen.
Wirtschaftliche Tragfähigkeit: Die privaten Grenzkosten der Emissionsminderung wurden mit 0,80 € pro tCO2-Äq berechnet, was deutlich unter den aktuellen EU-Kohlenstoffpreis-Benchmarks liegt. Wenn jedoch staatliche Subventionsausgaben einbezogen werden, steigen die sozialen Minderungskosten auf 4,54 € pro tCO2-Äq.
Heterogenität: Die strukturelle Analyse ergab, dass die Kohlenstoffintensität durch die Nährstoffnutzungseffizienz und das Bestandsverhältnis getrieben wird und nicht allein durch die Betriebsgröße. „Nachzügler"-Betriebe (die 20 % mit den höchsten Emissionen) wiesen hohe Bestandsdichten (~4,5 GV/ha) ohne entsprechende Milchleistungsgewinne auf, was auf abnehmende Grenzerträge und Stickstoffverluste hindeutet.

Bedeutung und Behauptungen
Die Studie behauptet, dass ihre primäre Bedeutung darin liegt, ein validiertes, generalisierbares Rahmenwerk zur Untersuchung heterogener, netzwerkvermittelter Technologie-Diffusion in landwirtschaftlichen Systemen bereitzustellen. Durch die Integration empirischer Daten mit agentenbasierter Modellierung zeigt die Studie, dass:

Soziale Ansteckung kritisch ist: Peer-Einfluss ist kein sekundärer Faktor, sondern ein primärer Treiber der Adoptionsgeschwindigkeit. Politiken, die Netzwerkdynamiken nicht berücksichtigen, unterschätzen möglicherweise die Geschwindigkeit der Diffusion oder die Wirkung früher Adoptierer.
Subventionen vs. Steuern: Obwohl sowohl Kohlenstoffsteuern als auch Subventionen die Adoption vorantreiben können, erzeugen subventionsbasierte Eingriffe eine schnellere Diffusion und eine größere kumulative Minderung, da sie früher in der Transition selbstverstärkende soziale Wendepunkte auslösen können.
Pfadabhängigkeit: Das Modell veranschaulicht, dass der Zeitpunkt politischer Maßnahmen mit der Netzwerkansteckung interagiert, um dauerhafte Transformationspfade zu schaffen. Frühe Anreize können Verhalten „einschließen", indem sie durch Peer-Validierung die wahrgenommenen Risiken senken, eine Dynamik, die statische Preismechanismen (wie Steuern) nur schwer replizieren können, es sei denn, sie sind stark genug, um dieselbe soziale Schwelle zu überschreiten.
Gezielte Eingriffe: Das Rahmenwerk legt nahe, dass die gezielte Ansprache strukturell einflussreicher, hoch emittierender Betriebe den größten marginalen Effekt erzielt und damit die Gestaltung differenzierter, evidenzbasierter Eingriffe statt eines Einheitsansatzes unterstützt.

Die Autoren positionieren das Modell als Instrument für „Politiklabor"-Experimente, das es Interessengruppen ermöglicht, Dekarbonisierungsstrategien vor der Umsetzung vorherzusehen und zu optimieren, wobei sie gleichzeitig Einschränkungen hinsichtlich begrenzter Verhaltenskomplexität und statischer ökonomischer Variablen anerkennen.