Files
Abstract
Die starke Abhängigkeit von exogen determinierten Zuständen der Welt (Wetter, Krankheiten, Schädlinge etc.) ist konstituierendes Element der meisten landwirtschaftlichen
Produktionsprozesse. Während diese
Zustandsabhängigkeit auf der einen Seite eine Unsicherheitssituation
entstehen lässt, eröffnet sie auf
der anderen Seite auch vielfache Möglichkeiten, auf
das Eintreffen bestimmter Zustände flexibel zu reagieren
(z.B. durch Beregnung oder Schädlingsbekämpfung).
Ein Konzept, das diesem Zusammenhang im
Prinzip Rechnung trägt, ist der auf CHAMBERS und
QUIGGIN zurückgehende sog. zustandsabhängige Ansatz.
Dieser beinhaltet die zustandsabhängige Abbildung
des Produktionsprozesses unter Unsicherheit als
Basis für eine realitätsnahe Repräsentation sowohl
individueller Entscheidungsprozesse als auch der
daraus resultierenden Marktreaktionen. Der nachfolgende
Beitrag beschäftigt sich mit dem zustandsabhängigen
Ansatz im Kontext der mathematischen Programmierung.
Er beginnt mit der Darlegung der konzeptionellen
Grundlagen des Ansatzes und konzentriert
sich dann auf seine Umsetzung im Rahnen
der mathematischen Optimierung unter Unsicherheit.
Der Vergleich mit herkömmlichen Konzepten der mathematischen
Programmierung anhand eines Beispiels
dokumentiert einerseits die konzeptionelle Überlegenheit
des zustandsabhängigen Ansatzes, verdeutlicht
gleichzeitig aber auch die aus seiner Komplexität
resultierenden methodischen Herausforderungen. The strong dependence on exogenously determined
states of nature (weather, diseases, pests, etc.) is a
constituent element of most agricultural production processes. While this state contingency creates uncertainties,
it likewise offers various possibilities to
react to particular states of nature (e.g. through irrigation
or pest management). A concept which in principle
accounts for these contexts is the so called state
contingent approach originally developed by CHAMBERS
and QUIGGIN. This approach comprises the state
contingent depiction of the production process under
uncertainty as basis for a realistic representation of
individual decision making as well as the resulting
market reactions. The following article deals with the
state contingent approach in the context of mathematical
programming. It starts with the description of the
conceptual foundations of the approach and subsequently
focuses on its implementation in the context of
mathematical programming under uncertainty. The
comparison with conventional mathematical programming
approaches using an example documents
the conceptual advantage of the state contingent approach,
but also clarifies the methodical challenges
which result from its complexity.