Ein Konzept zur international vergleichenden Analyse von ... - IFCN

Kapitel 5 Beurteilung des Forschungskonzepts IFCN und Ausblick 168
Aggregation von einzelbetrieblichen Analysen zu sektoralen Aussagen
Da das IFCN keine statistisch, repräsentativen Aussagen zuläßt, ist die Aggregation
zu sektoralen Produktionsmengen und der Faktornachfrage problematisch. Damit
bedarf das IFCN einer Kooperation mit anderen Modellansätzen, wie es bereits im
FAL-Modellverbund in Ansätzen geschieht. In diesem Modellverbund kann das
IFCN durch die tiefgehenden einzelbetrieblichen Analysen Expertenwissen für die
Schätzung von Angebotsreaktionen in den höher aggregierten Modellen zur Verfügung
stellen.
Datenerhebung und Validierung der Ergebnisse mit den Panels
Im IFCN ist es bisher nicht vorgesehen, den teilnehmenden Landwirten eine Aufwandsentschädigung
zu zahlen. Aus diesem Grund ist die Dauer und die Anzahl der
Panel-Meetings und damit die Intensität des Dialogs mit den Praktikern begrenzt.
Dies ist jedoch nicht durch das IFCN-Konzept bedingt, sondern gilt für jede Art der
Datenerhebung mit Landwirten.
Die teilweise vorhandene politische Motivation kann die Objektivität der Panel-
Landwirte und damit die Aussagekraft des Panels einschränken. In solchen Fällen ist
es die Aufgabe des IFCN-Wissenschaftlers und des Beraters, durch Sekundärstatistiken
und Plausibilitätsüberlegungen die Aussagen des Panels in Frage zu stellen oder
gegebenenfalls Experten außerhalb des Panels ergänzend zu befragen.
Die Schulung der Panel-Landwirte durch Diskussionen untereinander und mit den
IFCN-Wissenschaftlern hat einen negativen Einfluß auf die Repräsentanz des Panels
im Zeitablauf („Beratungseffekt“). Auch hier besteht ein Zielkonflikt, der nicht vollständig
aufzulösen ist. Da nämlich für die Panel-Diskussionen von den Landwirten
ein gewisses Abstraktionsvermögen gefordert wird, welches sich erst im Zeitablauf
durch mehrere Panel-Meetings entwickelt, ist ein häufiger Austausch der Panel-Mitglieder
mit den Zielen des IFCN nicht vereinbar.
Durchführung von Analysen mit komplexen Modellen
Die Vielzahl der Möglichkeiten zur Modellanwendung und zur Darstellung der Ergebnisse
stellt hohe Anforderungen an den Wissenschaftler und seine Fähigkeit, die
Analyse im Vorfeld zu strukturieren. Weiterhin birgt die Vielzahl von In- und Outputvariablen
ein hohes Fehlerpotential. Diese Schwachpunkte ergeben sich für jede
Anwendung von komplexen Modellen und sind nur durch intensive Diskussionen
innerhalb eines Teams und durch die strikte Anwendung eines Vier-Augen-Prinzips
in den Griff zu bekommen.