Understanding spatial interactions and structural change in the dairy production chain with a dynamic regional Agent Based Model covering dairy farms and dairy processing
Final Report Abstract
Räumlich verteilte Betriebe liefern Rohmilch als primären Input an eine kleine Anzahl milchverarbeitender Großbetriebe. Der räumliche Wettbewerb der verarbeitenden Betriebe hat kurz- bis langfristige Auswirkungen auf die Farm- und Molkereistruktur, da er die regionale Nachfrage nach Rohmilch sowie den daraus resultierenden Rohmilchpreis bestimmt. Eine Reihe neuerer analytischer und empirischer Beiträge analysieren den räumlichen Preiswettbewerb von Verarbeitungsunternehmen auf Milchmärkten. Agentenbasierte Modelle (ABM) werden als ‚Bottom-up-Ansätze‘ eingesetzt, um die emergenten Marktergebnisse von autonom entscheidenden und interagierenden Marktakteuren besser zu verstehen. Trotz der Stärken von ABMs ist die Berücksichtigung interaktiven Lernens durch intelligente Agenten wenig ausgereift. Die Literatur zu Multi-Agenten-Systemen (MASs) und Multi-Agenten-basierte Simulation ökonomischer Interaktionsprozesse hat bisher weitgehend getrennte Wege beschritten. Die aus diesem Forschungsprojekt hervorgegangen Dissertation trägt zur Entwicklung der Grundlagen für das Design von lernenden Agenten in räumlichen ökonomischen ABMs bei. Die erste spieltheoretische Arbeit leitet ab, wie die Einbeziehung von Voraussicht in die Preispolitik von Agenten in räumlichen Märkten das System in Richtung kooperativer Nash- Gleichgewichte bringen kann. In einem dynamischen Spiel wird gezeigt, dass die Berücksichtigung eines einfachen Maßes an Voraussicht den Agenten die Möglichkeit eröffnet ansonsten endlose Preiskriege zu vermeiden. Die Ergebnisse zeigen auch die negative Korrelation zwischen strategischem Kalkül mit der Relevanz der Transportkosten. Der zweite Beitrag stellt wir einen neuen Lernalgorithmus für rationale Agenten vor, der die Methode eines „hierarchischen Gradienten“ (H-PHC) verwendet. Während MASs-Algorithmen typischerweise nur auf kleine Probleme anwendbar sind, zeigen wir experimentell, wie multiple rationale H-PHC Agenten in der Lage sind, das Koordinationsproblem in einer Vielzahl von räumlichen (und nicht-räumlichen) Marktspielen mit großen Entscheidungsräume der beteiligten Agenten, mit mäßigem Rechenaufwand zu überwinden. Die theoretische Erklärung von Preisgleichgewichten in räumlichen Märkten ist in der Literatur umstritten. Die Mehrheit der Arbeiten erklärt das Preisverhalten (Molkereipreis und Frachtabsorption) allein mit der räumlichen Struktur der Märkte. Basierend auf einem computergestützten Ansatz mit interaktiv lernenden Agenten im zweidimensionalen Raum, schlägt der dritte Hauptbeitrag des Projekts vor, dass dies unvollständig ist. Das Preisverhalten landwirtschaftlicher Verarbeiter unter Einbeziehung des Umfangs der Frachtabsorption, ist zusätzlich abhängig von der Fähigkeiten der Agent voneinander zu lernen.
Publications
- (2016): Agent-Based Modeling of Structural Change in Agriculture: Does the Plot Auction Matter? 56th Annual Conference of the German Association of Agricultural Economists (GEWISOLA), Bonn, 28-30 September 2016
Seidel, C., Britz, W.
- (2016): Estimating Dual Profit Functions to Depict Farmer Behavior in Agent-Based Models – a Meta-Modelling Approach, 56th Annual Conference of the German Association of Agricultural Economists (GEWISOLA), Bonn, 28-30 September 2016
Schäfer, D., Seidel, C., Britz, W.
- (2017): Can we derive plausible land rents based on Mathematical Programming? A critical assessment of a dual profit function estimation from simulated farm programs, EAAE XVth Congress, Parma (Italy)
Seidel, C., Britz, W.
- (2017): Speeding Up Agent-Based Models Using Deep Neural Networks, 7th EAAE PhD Workshop “Challenges for young agro-food and natural resource economists facing the future”, Castelldefels (Barcelona, Spain), November 8th – 10th, 2017
Seidel, C., Storm, S., Rasch, S. and Britz, W.
