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

Technische Samenvatting: Agent-gebaseerde modellering van de adoptie van emissiearme meststoffen voor de decarbonisatie van melkveehouderijen

Probleemstelling
Landbouwsystemen, en met name de Ierse melkveehouderij, zijn aanzienlijke bronnen van broeikasgasemissies (GHG), voornamelijk gedreven door het gebruik van stikstofmeststoffen, veehouderijbeheer en landgebruikspraktijken. Hoewel er praktische emissiearme maatregelen bestaan – zoals de adoptie van beschermde ureum (ureum behandeld met de urease-remmer NBPT) – is de adoptie op bedrijven ongelijk verdeeld. Deze heterogeniteit vloeit voort uit verschillen in managementcapaciteit, structurele beperkingen en sociale interacties. Traditionele top-down beoordelingsmodellen slagen er vaak niet in deze complexiteit te vatten; ze vertrouwen op aannames van uniform gedrag en directe overname, terwijl ze negeereneffecten van gelijken, padafhankelijkheid en stochastische besluitvorming. Bijgevolg is er behoefte aan een kader dat in staat is de socio-technische evolutie van decarbonisatie te simuleren, waarbij adoptie niet louter wordt behandeld als een financiële berekening, maar als een dynamisch proces beïnvloed door sociale besmetting en structurele bedrijfskenmerken.

Methodologie
De studie ontwikkelt een empirisch onderbouwde Agent-gebaseerde Modellerings (ABM) framework om de diffusie van emissiearme technologieën te simuleren over 295 Ierse melkveebedrijven gedurende een horizon van 15 jaar.

• Datafundament: Het model maakt gebruik van een uitgebreide dataset op bedrijfsniveau, verstrekt door Teagasc (de Ierse Autoriteit voor Landbouw- en Voedselontwikkeling), geaggregeerd vanuit de Irish Cattle Breeding Federation (ICBF) en Bord Bia. Deze dataset omvat productiedata (melkopbrengst, vaste stoffen, koppelstructuur), inputgebruik (mestsoorten, kalk, voer) en economische variabelen.
• Agentstructuur: Elk van de 295 bedrijven wordt gemodelleerd als een autonome agent met specifieke attributen: landoppervlak, vee-eenheden, melkproductie en stikstofinput. Initieel gebruiken alle agenten conventionele Calcium Ammonium Nitraat (CAN).
• Sociale netwerkarquitectuur: Om de sociale dynamiek van landbouwdiscussiegroepen na te bootsen, hanteert het model een Watts-Strogatz small-world netwerk. Deze structuur kenmerkt zich door hoge lokale clustering (die stabiele peer-advieskringen vertegenwoordigt) en korte gemiddelde padlengten (die informatietransfer tussen groepen via adviseurs vertegenwoordigen). De netwerkparameters ($k=4$ verbindingen, herschakelingskans $p=0.1$) werden vastgezet om een schaarse, geclusterde peerstructuur te vertegenwoordigen, in plaats van te worden afgestemd om specifieke adoptiecurves te matchen.
• Adoptiemechanisme: De adoptie van Beschermde Ureum wordt gemodelleerd als een stochastisch, probabilistisch besluitvormingsproces. De adoptiekans ($P_{i,t}$) voor een niet-adoptend bedrijf $i$ op tijdstip $t$ is een functie van:
  1. Basisneiging: Een vaste neiging tot innovatie ($\beta_0$).
  2. Peerinvloed: Een vertraagd signaal ($S_{i,t-1}$) dat het gemiddelde adoptiepercentage van naburige bedrijven vertegenwoordigt, gewogen door een gekalibreerde parameter voor sociale invloed ($\omega = 0.85$).
  3. Structurele factoren: Genormaliseerde bedrijfsomvang en melkproductie.
  4. Beleidsschokken: Exogene aanpassingen voor koolstofbelastingen of subsidies.
• Beleidsscenario's: Het model simuleert drie scenario's: een baseline (geen beleid), een koolstofbelasting (€71/t CO2 toegepast op ingebouwde meststofemissies) en een subsidie (€200/ton op Beschermde Ureum).
• Emissies en Economie: Het model berekent directe lachgasemissies op basis van meststofspecifieke emissiefactoren (CAN: 0,0149; Beschermde Ureum: 0,0040) en converteert deze naar CO2-equivalenten. Het berekent ook marginale reductiekosten (MAC) door private inputkostenveranderingen te vergelijken met totale reductie, waarbij onderscheid wordt gemaakt tussen private kosten en sociale kosten (inclusief overheidsuitgaven).
• Validatie en Onzekerheid: Het model werd gekalibreerd met historische adoptiedata (2019–2024) en gevalideerd tegen data buiten de steekproef (2023–2024) met behulp van de Root Mean Square Error (RMSE), Mean Absolute Error (MAE) en $R^2$-metrieken. Robuustheid werd beoordeeld via 250 Monte Carlo-iteraties en sensitiviteitsanalyses van gewichten voor sociale invloed en subsidiëniveaus.

Belangrijkste Bijdragen

1. Empirische Kalibratie: De studie verbindt real-world data op bedrijfsniveau met een gekalibreerd ABM, waarbij realistische diffusiepaden voor meststofadoptie met hoge voorspellende nauwkeurigheid worden gemodelleerd ($R^2 = 0,979$, RMSE = 0,0274).
2. Integratie van Biofysisch en Economisch Modelleren: Het combineert economische kostprijsberekening met biofysisch emissiemodelleren om marginale reductiekosten te schatten binnen een gesimuleerde omgeving, met onderscheid tussen private en sociale welvaartskosten.
3. Kwantificering van Onzekerheid: Door gebruik te maken van Monte Carlo-methoden kwantificeert de studie de onzekerheid in adoptietijdstip en cumulatieve emissies, waardoor probabilistische inzichten worden geboden in plaats van deterministische enkelvoudige schattingen.
4. Kader voor Beleidslaboratorium: Het model dient als een "beleidslaboratorium" om de robuustheid en diffusiesnelheid van klimaatstrategieën vooraf te testen, waarbij decarbonisatie wordt geconceptualiseerd als een socio-technische evolutie in plaats van een puur monetaire berekening.

Resultaten

• Voorspellende Nauwkeurigheid: Het model toonde hoge voorspellende nauwkeurigheid, met een $R^2$ van 0,9793 en een RMSE van 0,0274. De opname van sociale netwerkeffecten was cruciaal; het verwijderen hiervan verhoogde de RMSE met een factor vijf (van 0,0274 naar 0,1476), wat bevestigt dat peer-t-peer-invloed een dominant mechanisme is in meststofadoptie.
• Adoptiedynamiek: De adoptie volgde een logistische S-curve. Het baseline-scenario bereikte 50% adoptie in ongeveer 7,2 jaar. De koolstofbelasting versnelde dit tot ongeveer 3,6 jaar, terwijl het subsidiescenario het snelst was, met 50% bereikt in ongeveer 3,0 jaar.
• Cumulatieve Reductie: Over de horizon van 15 jaar bereikte het subsidiescenario 121,35 Gg CO2-eq vermeden, ongeveer 24% meer dan het koolstofbelasting-scenario (97,73 Gg CO2-eq). Dit verschil wordt toegeschreven aan de eerdere piek in adoptie onder de subsidie, wat de periode van emissiereductie verlengt.
• Distributieverschuivingen: Een Kolmogorov-Smirnov-test bevestigde dat beleidsinterventies fundamenteel de verdeling van de koolstofintensiteit van de sector veranderen ($D = 0,2407, p < 0,001$), waarbij effectief de staart met hoge intensiteit wordt onderdrukt en "achterblijvende" bedrijven naar de modale benchmark worden getrokken.
• Economische Haalbaarheid: De private marginale reductiekosten werden berekend op €0,80 per tCO2-eq, significant lager dan de huidige EU-koolstofprijsbenchmarks. Echter, bij inbegrip van overheidsuitgaven voor subsidies, steeg de sociale reductiekost naar €4,54 per tCO2-eq.
• Heterogeniteit: Structurele analyse onthulde dat koolstofintensiteit wordt gedreven door nutriëntenefficiëntie en veestapelbalans in plaats van alleen bedrijfsomvang. "Achterblijvende" bedrijven (top 20% uitstoters) vertoonden hoge veestapeldichtheden (~4,5 LU/ha) zonder overeenkomstige winst in melkopbrengst, wat wijst op afnemende meeropbrengst en stikstofverlies.

Betekenis en Beweringen
Het artikel beweert dat de primaire betekenis ligt in het bieden van een gevalideerd, generaliseerbaar kader voor het onderzoeken van heterogene, netwerk-gemedieerde technologieverspreiding in landbouwsystemen. Door empirische data te integreren met agent-gebaseerde modellering, toont de studie aan dat:

• Sociale Besmetting Cruciaal Is: Peer-invloed is geen secundaire factor, maar een primaire drijver van de adoptiesnelheid. Beleid dat geen rekening houdt met netwerkdynamiek, kan de snelheid van diffusie of de impact van vroege adopters onderschatten.
• Subsidies versus Belastingen: Hoewel zowel koolstofbelastingen als subsidies adoptie kunnen stimuleren, creëren op subsidies gebaseerde interventies snellere diffusie en grotere cumulatieve reductie vanwege hun vermogen om eerder in de transitie zelfversterkende sociale kantelpunten te activeren.
• Padafhankelijkheid: Het model illustreert dat beleidsmomenten interageren met netwerkbesmetting om duurzame transitiepaden te creëren. Vroege prikkels kunnen gedrag "vastzetten" door waargenomen risico's te verminderen via peer-validatie, een dynamiek die statische prijsmechanismen (zoals belastingen) moeite hebben na te bootsen, tenzij ze sterk genoeg zijn om dezelfde sociale drempel te overbruggen.
• Gerichte Interventies: Het kader suggereert dat het richten op structureel invloedrijke, hoog-emitterende bedrijven de grootste marginale impact oplevert, wat het ontwerp van gedifferentieerde, evidence-based interventies ondersteunt in plaats van een one-size-fits-all-aanpak.

De auteurs positioneren het model als een instrument voor "beleidslaboratorium"-experimentatie, waarmee belanghebbenden decarbonisatiestrategieën kunnen anticiperen en optimaliseren voordat ze worden geïmplementeerd, terwijl ze beperkingen erkennen met betrekking tot begrensd gedragscomplexiteit en statische economische variabelen.