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

Anhang 2 202
2.3 Stochastische, dynamische Simulationsmodelle (Seite 1)
Quelle Name Methode Untersuchungsobjekt, Datengrund- Weitere
Beschreibung des Modells lage Nutzung
HESSELBACH BETRIEBS- Dynamisch, BETRIEBS-SIMULATOR Pool von system- Unbekannt
et al. (1967) SIMULATOR stochastische Es können 30 Produktionsverfahren für spezifischen Da-
D-Hamburg und Systemsimula- Acker- und Grünland sowie 12 verschie- ten, die von exo-
Berlin tion dene Tierproduktionsverfahren (Rau- genen betriebsfresser)
abgebildet werden. spezifischen Da-
Schwerpunkt in der Produktionstechnik, ten teilweise angestochastische
Einflüsse können per
Normalverteilung bei den Preisen, bei
den Naturalerträgen, bei den Aufwendungen,
bei der Qualität von Produktionsmitteln
und bei witterungsbestimmten
Elementen (z.B. verfügbare Feldarbeitstage)
einfließen. Eine trendbedingte
Änderung kann zentral für alle trendbeeinflußten
Variablen eingegeben werden.
Fazit: Als Ergebnisse der Simulationsläufe
werden produktionstechnische,
arbeitswirtschaftliche und Erfolgskennzahlen
wie z.B. Reinertrag ausgewiesen.
steuert werden.
BRANDES W. COMPRI Stochastische Computergestützte Planung Alle Daten sind Anwendung
et al. (1983) Simulation mit risikobehafteter Investitionen extern vom Nutzer an der
D-Göttingen Risiko-Wahr- Betriebsentwicklung nach einer risikobe- einzugeben: Universität
scheinlichkeits- hafteten Investition in einem bestehen- deterministische Göttingen
analyse der den landwirtschaftlichen Betrieb. Variablen als auch
Entscheidungs- Fazit: Für einzelbetriebliche Investi- Verteilungsparakriterien
der tionsentscheidungen sehr gut geeignet. meter von sto-
Investitionsplanung
(Monte-
Carlo-Simulation)
chastischen Daten.
RICHARDSON FLIPSIM Dynamische Firm Level Income and Policy Offenes System, Wird vom USet
al. (1981 - Simulation in Simulation Model was die betrieb- Congress, dem
1985) Kombination mit Einzelbetriebliches Entwicklungsmodell lichen Daten an- USDA und
USA-Texas stochastischer mit den Produktionsrichtungen Milch- betrifft, Datenvor- dem Agribusi-
Monte-Carlo- viehhaltung, Rindermast und Ackerbau. gabe bei Entwick- ness heute
Simulation Das Modell wurde zur Politikanalyse
entwickelt.
Fazit: Sehr gut für einzelbetriebliche
Simulation und Politikfolgenabschätzung
geeignet.
lungsindizes. noch genutzt.
MOOG (1985) STRAPLAN Stochastische Datensatz, der teils Unbekannt
D-Bonn Simulation vorgegeben ist,
(Monte-Carlo- teils vom Modell
Simulation) selbst generiert
wird. Die stochastischen
exogenen
Daten basieren
auf subjektiv angenommenenDreiecksverteilungen.
FRANKEMÖLLER RISIMO Stochastische Simulationsmodell zur Identifi- Individuell einzu- Unbekannt
(1986) dynamische kation und Abwehr existenzge- gebene betriebs-
D-Bonn Simulation mit fährdender Risiken interne und
Risikoanalyse Ein stochastisches Simulationsmodell für -externe Daten,
landwirtschaftliche Unternehmen, wobei Angabe von stoein
lineares Unternehmensmodell zu- chastischen Varigrunde
gelegt wird. Es kann über einen ablen in Form von
risikopolitischen Entscheidungsprozeß Lageparametern
Probleme lösen, die stochastischer, einer Dreiecksverdynamischer
und mehrstufiger Natur teilung.
sind, die in linearer Form dargestellt
werden können und nur eine begrenzte
Zahl von Handlungsalternativen beinhalten.