Ackerschlag zwischen Kaiserslautern und Alzey, 250 m ü. NN 13,1 ha Wintergerste KWS Faro, gesAet am 24.9.2024 Photo-Date: 2025-05-19, 12:45 h MEZ
📘 Agrardaten:
Schlüsselressource für nachhaltige, produktive Agrar- und Ernährungssysteme
👤 Autor:
Dr. Matthias Nachtmann, in Kooperation mit Friends of Digital Farming
🌱 Was bietet dieses Kapitel?
Dieses Kapitel bietet einen praxisorientierten Überblick darüber, wie digitale Agrardaten zur Berechnung von Profit und Deckungsbeiträgen genutzt werden können. Es wird erklärt, wie sich aus Primär- und Sekundärdaten betriebswirtschaftliche Kennzahlen ableiten lassen, welche Rolle Datenqualität, Schnittstellen und Werkzeuge spielen und wie sie zur Entscheidungsunterstützung in Ackerbau und Wertschöpfungskette beitragen.
🧭 Inhalte im Überblick:
1. Einordnung & Relevanz Profit = Erlös – Gesamtkosten (fix + variabel) Deckungsbeitrag (DB) = Erlös – variable Kosten → Beitrag zur Fixkostendeckung Wesentlich für: - Bewertung einzelner Kulturen- Investitionsentscheidungen - Pacht- & Arbeitsplanung- Risiko- & Strategiemanagement
2. Digitale Betriebsdaten & Schnittstellen
Primärdaten: direkt auf dem Betrieb erhoben (z. B. Erträge, Pflanzenschutz, Maschinendaten)
Sekundärdaten: staatliche Statistik, Benchmarks, Studien
Digitale Dokumentation unterstützt:
- vertikale Vergleiche (mehrjährige Betriebsentwicklung)
- horizontale Benchmarks (Vergleich mit anonymisierten Betrieben)
- effiziente Steuer- und Betriebsabrechnungen
3. Modellierung & Methodik
Formeln:
Profit = Gesamtumsatz – (variable + fixe Kosten)
DB I = Umsatz – variable Kosten
DB II = DB I – produktfixe Kosten
Beispielrechnung zeigt:
- Einfluss von Vorfrucht, Saatgutkosten, N-Düngung und Pflanzenschutz auf DB
- Unterschiedliche Fruchtfolgen erzeugen Schwankungen im DB von über 300 €/ha
4. Praxisbeispiele & Vergleichswerte
KTBL- & LfL-Datenbanken, Marktpreise (z. B. MyAgrar, Agrarheute)
Vergleich von Fruchtfolgen mit CM1 (Deckungsbeitrag I) zwischen −175 €/ha und +666 €/ha
Beispiel: Einfluss Vorfrucht auf Weizenertrag und Profit (bis zu 144 €/ha Differenz)
Tools wie KTBL-Rechner oder LfL Bayern ermöglichen Einzeljahresvergleiche
5. Wirtschaftliche Bedeutung
Margenrechner als betriebliche Entscheidungshilfe (einjährig)
Herausforderungen:
- Preis- & Verfügbarkeitsunsicherheit (z. B. Saatgut, Dünger)
- Bedeutung von Incoterms bei Marktpreisen
Vision: Multisaisonale Fruchtfolgen-Optimierung via MILP & Machine Learning
6. Datenquellen & Aufbereitung
🧭 Inhalte im Überblick:
1. Einordnung & Relevanz Profit = Erlös – Gesamtkosten (fix + variabel) Deckungsbeitrag (DB) = Erlös – variable Kosten → Beitrag zur Fixkostendeckung Wesentlich für: - Bewertung einzelner Kulturen- Investitionsentscheidungen - Pacht- & Arbeitsplanung- Risiko- & Strategiemanagement
2. Digitale Betriebsdaten & Schnittstellen
Primärdaten: direkt auf dem Betrieb erhoben (z. B. Erträge, Pflanzenschutz, Maschinendaten)
Sekundärdaten: staatliche Statistik, Benchmarks, Studien
Digitale Dokumentation unterstützt:
- vertikale Vergleiche (mehrjährige Betriebsentwicklung)
- horizontale Benchmarks (Vergleich mit anonymisierten Betrieben)
- effiziente Steuer- und Betriebsabrechnungen
3. Modellierung & Methodik
Formeln:
Profit = Gesamtumsatz – (variable + fixe Kosten)
DB I = Umsatz – variable Kosten
DB II = DB I – produktfixe Kosten
Beispielrechnung zeigt:
- Einfluss von Vorfrucht, Saatgutkosten, N-Düngung und Pflanzenschutz auf DB
- Unterschiedliche Fruchtfolgen erzeugen Schwankungen im DB von über 300 €/ha
4. Praxisbeispiele & Vergleichswerte
KTBL- & LfL-Datenbanken, Marktpreise (z. B. MyAgrar, Agrarheute)
Vergleich von Fruchtfolgen mit CM1 (Deckungsbeitrag I) zwischen −175 €/ha und +666 €/ha
Beispiel: Einfluss Vorfrucht auf Weizenertrag und Profit (bis zu 144 €/ha Differenz)
Tools wie KTBL-Rechner oder LfL Bayern ermöglichen Einzeljahresvergleiche
5. Wirtschaftliche Bedeutung
Margenrechner als betriebliche Entscheidungshilfe (einjährig)
Herausforderungen:
- Preis- & Verfügbarkeitsunsicherheit (z. B. Saatgut, Dünger)
- Bedeutung von Incoterms bei Marktpreisen
Vision: Multisaisonale Fruchtfolgen-Optimierung via MILP & Machine Learning
6. Datenquellen & Aufbereitung
Beispiele:
- Saatgutpreise: stark sorten- und gebietsabhängig (Quelle: MyAgrar)
- Düngerpreise: stark abhängig von Lieferbedingungen (Quelle: Agrarheute)
7. Anwendungen & Technologien
Tools wie KTBL-Rechner, LfL Bayern, Farmdroid-Roboter
Beitrag digitaler Technologien zur Ertrags- & DB-Steigerung (bis +90 % PPP-Einsparung)
Ziel: Multisaisonale DB-Optimierung mit DSS, KI und Optimierungsmodellen
🧑🎓 Zielgruppe & Nutzen
-Studierende, die verstehen wollen, wie Daten in profitable Entscheidungen überführt werden Beratende, Agrarökonom:innen und Entscheidungsträger:innen in der Wertschöpfungskette Entwickler:innen digitaler Entscheidungssysteme