Economische en technische efficiëntie van Vlaamse melkveebedrijven in relatie tot dierenwelzijn

Transcriptie

1 Faculteit Bio-ingenieurswetenschappen Academiejaar Economische en technische efficiëntie van Vlaamse melkveebedrijven in relatie tot dierenwelzijn Sam Decoene Promotor: Prof. dr. ir. L. Lauwers Co-Promotor: dr. ir. J. Bijttebier Tutor: ir. S. de Graaf Masterproef voorgedragen tot het behalen van de graad van Master in de Bio-ingenieurswetenschappen: Landbouwkunde

2

3 De auteurs en promotors geven de toelating deze scriptie voor consultatie beschikbaar te stellen en delen ervan te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting uitdrukkelijk de bron te vermelden bij het aanhalen van resultaten uit deze scriptie. The authors and supervisors give the permission to use this thesis for consultation and to copy parts of it for personal use. Every other use is subject to the copyright laws, more specifically the source must be extensively specified when using from this thesis. Gent, juni 2015 De auteur, Sam Decoene De promotor, De co-promotor, De tutor, Prof. dr. ir. Ludwig Lauwers dr. ir. Jo Bijttebier ir. Sophie de Graaf

4 3

5 Woord vooraf Deze thesis vormt het sluitstuk van mijn opleiding Bio-Ingenieurswetenschappen. Een gevarieerde en uitdagende opleiding die mij zowel theoretisch als praktisch heel wat ervaring bijbracht. Deze thesis vormt ook een combinatie van zowel theoretische kennis als voeling met de praktijk. In dit kort voorwoord wil ik dan ook enkele mensen bedanken die mij doorheen het thesisjaar ondersteunden en begeleidden. Eerst en vooral wil ik mijn promotor Prof. dr. ir. L. Lauwers en co-promotor dr. ir. J. Bijttebier bedanken. Enerzijds voor het zoeken naar een gepast onderwerp dat beantwoordt aan mijn interesses en voorkeuren en anderzijds om mij te begeleiden doorheen het hele proces, het bijsturen naar de goede richting en het correct opvolgen van mijn werkresultaten. Ik kon ook steeds gebruik maken van de infrastructuur binnen het ILVO om in een professionele omgeving aan mijn masterthesis te werken. Tevens wil ik mijn tutor ir. S. de Graaf bedanken om mij te begeleiden doorheen de thesis en mij wegwijs te bieden binnen het dierenwelzijn en het Welfare Quality R protocol. Voor vragen en opmerkingen kon ik steeds terecht en het was dan ook een grote hulp. Vervolgens hoort ook een stevig dankwoord voor dr. ir. M. van der Voort die mij bijstond bij de analyse van de resultaten rond de efficiëntie analyse en de verdere verwerking ervan. U stond altijd paraat om uitleg te geven op mijn vragen en mij te helpen bij problemen. Als laatste wil ik nog mijn moeder en zus bedanken om mij te steunen doorheen het ganse proces. De gezamelijke werkmomenten zorgden voor de nodige motivatie tijdens de moeilijke momenten. 4

6 5

7 Samenvatting Dierenwelzijn op een melkveebedrijf werd doorheen de tijd steeds belangrijker voor de consument en ook voor de producent. Het dierenwelzijn wordt immers gezien als een belangrijke maatstaf voor de kwaliteit van de productie. Hoewel de definitie op zich niet strikt is en er verschillende opvattingen bestaan over wat dierenwelzijn op een melkveebedrijf is, slagen enkele methoden er in om een duidelijk beeld van dierenwelzijn te scheppen. Het Welfare Quality R protocol slaagt hierin door verschillende aspecten samen te nemen en te versmelten in één algemene welzijnsscore. Bedrijven in Vlaanderen scoren gemiddeld op vlak van dierenwelzijn dus er is nog ruimte voor verbetering. Om dierenwelzijn algemeen te verbeteren op het bedrijf, kan een melkveehouder grote aanpassingen doen binnen het bedrijf. Aangezien de toekomst onzeker is en er geen duidelijkheid is over onder andere de melkprijzen en krachtvoederprijzen, staan boeren sceptisch ten opzichte van grote kosten. Kleine aanpassingen binnen het productieproces kunnen misschien ook aanleiding geven tot een verbeterd welzijn op het bedrijf. Uit de literatuur wordt duidelijk dat een mogelijke piste het verbeteren van de voederefficiëntie is. Uiteraard moest eerst onderzocht worden of er een verband is tussen voederefficiëntie en dierenwelzijn. Dit eventuele verband wordt binnen deze scriptie onderzocht aan de hand van een efficiëntie analyse waarbij de verschillende soorten voeder (gras, ander ruwvoeder, bijproducten en krachtvoeder) als input dienen en de melkproductie als output. Deze efficiëntie analyse geeft de mogelijkheid om alle inputs samen te behandelen en verschillen tussen bedrijven daarop te richten. Het zorgt er ook voor dat we een strikt technische efficiëntie (TE) kunnen onderscheiden van een allocatieve efficiëntie (AE) wat een meer economische indicator van de inzet van de verschillende inputs is. Indien een relatie aangetoond kan worden, zouden aanpassingen in de voederverdeling kunnen zorgen voor een beter dierenwelzijn zonder in te boeten op de efficiëntie op het bedrijf. Door de bedrijven op te splitsen in twee clusters kan er onderzocht worden of binnen deze clusters, waar de bedrijven gemeenschappelijke kenmerken vertonen, er andere relaties tussen kenmerken van management en dierenwelzijn ontstaan of andere patronen merkbaar worden. Bij de vergelijking tussen de clusters wordt duidelijk dat cluster 1 hoofdzakelijk ruwvoedergebaseerd zijn terwijl cluster 2 krachtvoedergebaseerd is. Verder valt op dat kostprijzen voor gras en ruwvoeder hoger liggen bij cluster 2. Algemeen verschilt de dierenwelzijnsscore niet tussen de twee bedrijven, maar tussen de principe- en criteriumscores kunnen er wel enkele significante verschillen opgemerkt worden. Om de link te maken tussen efficiëntie en dierenwelzijn wordt nog gezocht naar correlaties binnen een cluster. Daar wordt duidelijk dat enkele criteriumscores en de belangrijkste welzijnsparameters enkele correlaties met de efficiëntiescores vertonen. Mastitis vertoont een duidelijke negatieve correlatie met de TE-score in cluster 1 en met de AE-score in cluster 2. Ernstig kreupel vormt een negatieve relatie met de TE- en kostenefficiëntiescore in cluster 1 en mortaliteit vormt een negatieve correlatie met de AE-score in cluster 2. Dit kan wijzen op duidelijke relaties, maar moet in verder onderzoek uitgezocht worden wat de achterliggende factoren zijn van deze correlaties en hoe deze precies een invloed kunnen hebben op de efficiëntie van een bedrijf. Door die correlaties wordt het duidelijk dat door kleine aanpassingen in de voederverdeling zowel de voederefficiëntie alsook het dierenwelzijn kunnen verbeterd worden. 6

8 7

9 Inhoudsopgave 1 Probleemstelling en doelstelling 16 2 Literatuurstudie Dierenwelzijn Dierenwelzijn: hoe kan je het meten? Algemeen Welfare Quality R protocol Welfare Quality R protocol specifiek toegepast op melkvee Dierenwelzijn van melkvee: belangrijke dierenwelzijnsparameters Welzijn van melkvee op Vlaamse bedrijven Bedrijfstechnische en bedrijfseconomische prestaties Traditionele kengetallen Efficiëntie analyse Voederefficiëntie op melkveebedrijven Relatie tussen dierenwelzijn en bedrijfstechnische - en economische prestaties Dierenwelzijn in relatie met bedrijfstechnische - en economische prestaties Clustervorming aan de hand van allocatieve efficiëntie Materialen en methodologie Dataverzameling Dierenwelzijn Economische en bedrijfstechnische gegevens Efficiëntie analyse Specifieke keuze methode Inputs en outputs Relatie dierenwelzijn en efficiëntie analyse: clustermethode Beschrijvende analyse Welfare Quality R data Resultaten efficiëntie analyse Resultaten cluster analyse Resultaten Vergelijking tussen de clusters: Dierenwelzijn Welzijnscategorieën Principescores Criteriumscores en belangrijke welzijnsparameters Besluit Vergelijking tussen de clusters: Bedrijfstechnische en -economische resultaten Voederconversie en ruw/krachtvoeder verdeling Aantal melkkoeien, melkprijs en melkproductie Bruto saldo Afkalfleeftijd, tussenkalftijd en verdeling jongvee/melkvee Relatie efficiëntiescores en voederefficiëntie Besluit Vergelijking binnen de clusters Relatie welzijn en efficiëntiescores binnen de twee clusters

10 5.3.2 Besluit Discussie Data dierenwelzijn Efficiëntie analyse Clusteranalyse Algemene conclusies 69 9

11 Lijst met afkortingen AAEI AE AMS CCC CE CRS DEA DS EFSA FPCM GAMS IKM ILVO ML SAS SE SFA SPSS TE VRS Adjusted allocative efficiency index Allocatieve efficiëntie Afdeling Monitoring en Studie Cubic Clustering Criterion Kosten efficiëntie Constant return to scale Data Envelopment Analysis Droge stof European Food Safety Authority Fat Protein Corrected Milk General Algebraic Modeling System Integrale Kwaliteitszorg Melk Instituut voor Landbouw- en Visserij Onderzoek Maximum likelihood Statistical Analysis System Schaal efficiëntie Stochastic Frontier Analysis Statistical Package for the Social Sciences Technische efficiëntie Variable return to scale 10

12 11

13 Lijst van figuren 1 De drie aspecten van dierenwelzijn volgens Fraser waarbij er een overlapping kan plaatsvinden tussen de verschillende aspecten (Fraser, 2008) De principes en criteria die de basis vormen voor het Welfare Quality R protocols (Welfare Quality, 2009) De twee mogelijkheden om via afstandsfuncties de efficiëntie van een bedrijf te meten. In Figuur a wordt gebruik gemaakt van een output afstandsfunctie die een voorstelling geeft om een maximale hoeveelheid output(s) te produceren gegeven de hoeveelheid beschikbare input(s). Figuur b geeft een input afstandsfunctie waar men een minimale hoeveelheid input(s) probeert te bekomen met een gegeven hoeveelheid output(s) (Coelli et al., 2005) Een input georiënteerde meting om de technische en allocatieve efficiëntie te berekenen. De technische efficiëntie kan berekend worden aan de hand van de verhouding tussen 0Q en 0P. Dit zal een waarde hebben tussen nul en één en geeft een idee over de graad van technische efficiëntie op het bedrijf. De allocatieve efficiëntie wordt berekend door de ratio 0R/0Q. De totale kostenefficiëntie wordt berekend door het product te nemen van de technische en de allocatieve efficiëntie. Dit is gelijk aan de verhouding tussen de lengtes 0R en 0P. (Coelli et al., 2005) Schaal efficiëntie metingen. Een bedrijf is inefficiënt indien de technische efficiëntie meting van CRS en VRS verschillen tussen elkaar. Deze kunnen berekend worden bij CRS door de verhouding AP C /AP en bij VRS door de verhouding AP V /AP. De schaalefficiëntie wordt dus voorgesteld als AP C /AP V (Coelli et al., 2005) CRS Input-georiënteerd DEA voorbeeld waarbij een constante return to scale gebruikt wordt om de efficiëntie te berekenen van vijf bedrijven voor twee inputs en één output (Coelli et al., 2005) Een voorstelling van een stochastische productiegrenslijn bepaald door een Cobb- Douglas model. We plotten de inputs en outputs van twee bedrijven (A en B). Deze figuur laat zien dat de output van bedrijf A boven de grenslijn ligt. Dit komt omdat het ruiseffect positief is (v A > 0). De output van bedrijf B ligt onder de grenslijnwaarde omdat het ruiseffect negatief is (v B > 0). Daarnaast kan het voorkomen dat de output van bedrijf A onder de grenslijn ligt doordat de som van het ruiseffect en de inefficiëntie negatief is (Coelli et al., 2005) De relaties tussen de hoeveelheid toegediend krachtvoer en het voersaldo, de melkproductie en de hoeveelheid ruwvoer. De drie factoren moeten in rekening worden gebracht om een ideale hoeveelheid krachtvoer te bekomen bij een melkveebedrijf (Duinkerken et al., 2007) Figuur a toont de CE, TE en AE scores van twee bedrijven en twee inputs. In Figuur b worden bedrijven gegroepeerd aan de hand van hun TE en AE scores. Daar wordt duidelijk dat bedrijven gegroepeerd worden met een totaal verschillend verbruik van inputs. Figuur c stelt een tweedimensionele voorstelling voor van het bepalen van de AAEI lijn aan de hand van een fictief bedrijf en de positionering van bedrijf 1 en bedrijf 2 ten opzichte van deze AAEI lijn om hun AAEI score te berekenen. In Figuur d worden de bedrijven geclusterd aan de hand van de bekomen AAEI scores (Van der Voort et al., submitted) Een beslissingsboom waarbij de verschillende metingen worden bekeken om tot een score te komen voor het criterium rond afwezigheid van langdurige dorst (Welfare Quality, 2009)

14 11 De drie grafieken geven een indicatie hoeveel clusters er gevormd moeten worden Een figuur waarbij duidelijk wordt dat de verschillende staltypes een invloed kunnen hebben op de behaalde welzijnscategorie. Potstallen, waarbij de mest opgepot wordt, scoren gemiddeld beter voor dierenwelzijn De figuur geeft zowel de CCC-, Pseudo F- en Pseudo t-squared waardes, bekomen door de Average linkage methode om het aantal clusters te bepalen. Deze waardes geven een indicatie van het aantal clusters dat best opgesteld wordt, maar uiteindelijk blijft de keuze van het aantal bij de onderzoeker en is het een subjectieve keuze De drie grafieken geven een indicatie hoeveel clusters er gevormd moeten worden Een boomdiagram dat ieder bedrijf een plaats geeft binnen de bepaalde cluster In de figuur wordt de totale ruwvoederhoeveelheid (exclusief gras) uitgezet in functie van de totale krachtvoederhoeveelheid (exclusief bijproducten)

15 Lijst van tabellen 1 Beschrijving van het 5-punten scoringssysteem om kreupelheid te scoren bij melkvee volgens Thomsen et al. (Thomsen et al., 2008) De gemiddelde waardes en gemiddelde prijs die gebruikt worden om hectare om te zetten naar DS-gehalte voor de verschillende ruwvoeders Verschillen in gemiddelde (standaardafwijking) principescores tussen cluster 1 en cluster 2 van melkveebedrijven De gemiddelden en standaardafwijking van beide clusters wordt gegeven voor elke criteriumscore. Daarnaast wordt ook de p-waarde meegegeven De gemiddelden en standaardafwijking van beide clusters wordt gegeven voor de vooropgestelde welzijnsparameters. Daarnaast wordt ook de p-waarde meegegeven De gemiddelden en standaardafwijking van beide clusters worden gegeven voor de vooropgestelde inputs met tevens het gemiddelde uitgedrukt in ton DS. Daarnaast wordt ook de p-waarde meegegeven De gemiddelden voor de kostprijs van de vier inputs uitgedrukt in hun eigen eenheid en in ton DS voor de twee clusters. Vervolgens wordt ook de p-waarde gegeven De gemiddelde voederconversie voor de twee clusters samen met de uitkomst voor de non-parametrische test Gemiddelden (standaardafwijking) van de twee clusters voor het aantal melkkoeien, de melkproductie in totaal en per koe en de melkprijs. Ook de p-waarde van de kengetallen worden meegegeven De gemiddelden (standaardafwijking) van beide clusters voor het bruto saldo per koe en per 100 l melk en p-waarde van de statistische test Gemiddelden (standaardafwijking) en p-waarde voor afkalfleeftijd, tussenkalftijd en verdeling jongvee/melkvee Gemiddelden (standaardafwijking) voor de TE-, AE- en CE-score van de twee clusters en de respectievelijke p-waarde van de scores Correlaties (R-waarde en p-waarde) principescores en efficiëntie analyse voor bedrijven uit cluster Correlaties (R-waarde en p-waarde) principescores en efficiëntie analyse voor bedrijven uit cluster Correlaties (R-waarde en p-waarde) criteriumscores en efficiëntie analyse voor bedrijven uit cluster Correlaties (R-waarde en p-waarde) criteriumscores en efficiëntie analyse voor bedrijven uit cluster Correlaties (R-waarde en p-waarde) belangrijke welzijnsparameters en efficiëntie analyse voor bedrijven uit cluster Correlaties (R-waarde en p-waarde) belangrijke welzijnsparameters en efficiëntie analyse voor bedrijven uit cluster De gemiddelden voor alle kengetallen en principescore voor beide clusters

16 15

17 1 Probleemstelling en doelstelling Uit onderzoek blijkt dat Europese consumenten een sterke betrokkenheid tonen met het dierenwelzijn bij de aankoop van dierlijke producten. Ze verwachten dat hun voedsel of andere diergerelateerde producten geproduceerd zijn met aandacht voor het welzijn van de dieren (Welfare Quality, 2009). Men ziet dierenwelzijn namelijk als een belangrijke maatstaf voor de algemene kwaliteit van het product (Roe, 2007). De consument is het meest bezorgd om het dierenwelzijn van pluimvee, maar ook bij varkens en rundvee is welzijn een belangrijk aandachtspunt (Kjærnes et al., 2007). Hoe intensiever de productie, hoe belangrijker dierenwelzijn in het bedrijf. Zodoende groeit ook de maatschappelijke vraag naar een hoger niveau van dierenwelzijn bij melkveeproducenten. Melkveehouders worden zo verwacht om aan hogere eisen te voldoen en om te produceren op een diervriendelijke manier, maar dat brengt vaak extra kosten met zich mee. Extra kosten waar boeren in tijden van dalende melkprijzen en een onzekere toekomst weigerachtig tegenover staan (Van der Straeten et al., 2012). Tevens is er een lage willingness to pay bij de consument. De consument is wel bezorgd om het dierenwelzijn, maar wil niet extra betalen voor de hogere productiekosten. Als de consument niet meer wil betalen, hoe kunnen melkveehouders dan getriggerd worden om het welzijn van hun dieren te verhogen op hun bedrijf zonder de productiekosten drastisch te verhogen? In deze scriptie wordt gekeken of er een positieve relatie bestaat tussen het dierenwelzijn of enkele dierenwelzijnskenmerken en bedrijfstechnische en -economische prestaties. Indien deze relatie aangetoond kan worden, kunnen melkveehouders benaderd worden om in beide richtingen een stap vooruit te zetten op korte termijn met minimale aanpassingen. Uit een rondvraag bij stakeholders blijkt dat voederefficiëntie een belangrijke factor is die de competitiviteit van melkveebedrijven op korte termijn kan beïnvloeden en die in de toekomst uitermate belangrijk zal zijn om efficiënt melk te produceren. Doordat landbouwgrond een beperkende factor is en de krachtvoederkosten zullen stijgen (Vlaamse Overheid, 2007), blijft voederefficiëntie een hot topic. In deze scriptie worden zowel de technische als economische voederefficiëntie op melkveebedrijven geanalyseerd via een efficiëntie analyse en wordt gekeken of bedrijven die efficiënt omspringen met hun voeder ook bedrijven zijn met een verhoogd dierenwelzijn. Binnen de verschillende hoofdstukken in deze scriptie worden telkens het dierenwelzijn en de voederefficiëntie benaderd en wordt er ook gekeken hoe deze twee delen met elkaar interageren. In hoofdstuk 2 wordt een korte literatuurstudie voorgedragen waarbij belangrijke literatuur over dierenwelzijn en bedrijfstechnische prestaties op het melkveebedrijf wordt behandeld. Hoofdstuk 3 geeft een overzicht van de gebruikte methodes en systemen en geeft ook een kijk over hoe de data werd bekomen. In hoofdstuk 4 wordt een beschrijvende analyse gegeven van de bekomen resultaten om de lezer een eerste wegwijs te bieden doorheen de gevonden resultaten. Hoofdstuk 5 spitst zich dan dieper in op de resultaten en zorgt voor een bredere uitleg van onderlinge verbanden. In hoofdstuk 6 worden de resultaten aan een discussie onderworpen en als laatste geeft hoofdstuk 7 nog een algemene conclusie van de scriptie weer. 16

18 2 Literatuurstudie 2.1 Dierenwelzijn Dierenwelzijn: hoe kan je het meten? Dierenwelzijn wordt gezien als een belangrijke randvoorwaarde voor een maatschappelijk verantwoorde dierlijke productie. Vanuit de overheid zijn weinig standaardeisen opgesteld rond dierenwelzijn. Andere eisen, zoals het behalen van een IKM-certificaat voor de melk, richten zich bij dierenwelzijn vooral op huisvesting, verzorging, voeding en water (Vangroenweghe, 2005). Om te kunnen voldoen aan deze eisen moet men bepaalde verbeteringen doorvoeren in de melkveebedrijven (Bondt et al., 2001). Deze eisen rond dierengezondheid bij melkproductie worden bepaald op grond van wetenschappelijke resultaten, maar toch is het vinden van een duidelijk en afgelijnd systeem om dierenwelzijn te meten sterk aan de orde. Vele factoren moeten samen bekeken worden om tot een algemene conclusie te kunnen komen. Er is dus nood aan een betrouwbaar wetenschappelijk gebaseerd systeem om een multifactorieel concept als welzijn te meten (Welfare Quality, 2009). Een uitdaging hierbij is om de juiste welzijnsparameters te gebruiken en om deze samen te brengen in een algemene welzijnsscore (Bracke, 2001). Dit geeft de landbouwers meer mogelijkheid om een verhoogd dierenwelzijn op maat van zijn bedrijfsvoering na te streven. Zo kan men zien op welk vlak van het welzijn een slechte score bekomen wordt en kan men eventueel aanpassingen maken om tot een verhoogd welzijnslevel te komen (Bracke, 2001). De Wereldorganisatie voor dierengezondheid stelt het welzijn van dieren voor als goed indien het dier gezond, comfortabel, goed doorvoed en veilig is, als het de mogelijkheid heeft om aangeboren gedrag te tonen en als het geen pijn, angst of nood moet lijden (Von Keyserlingk et al., 2009). In de beschrijving komen drie aspecten van dierenwelzijn naar voor: gezondheid en biologisch functioneren of basic health and functioning, natuurlijk leven of natural living en affectieve staat of affective states. Deze drie aspecten groeperen de verschillende point of views over het dierenwelzijn en kunnen met elkaar overlappen. Zo kan een verbetering in het ene aspect aanleiding geven tot een verbetering of verslechtering in een ander aspect. Dit kan grafisch voorgesteld worden via Figuur 1 (Fraser, 2008). Een goede gezondheid draagt bij tot een goed welzijn. Kreupelheid en productiviteit zijn daarbij belangrijke indicatoren. Onder affectieve staat kijkt men vooral naar hoe dieren zich voelen. Zowel positieve als negatieve gevoelens kunnen bekeken worden. Natuurlijk voorkomen is conceptueel het minst duidelijk maar probeert de indicatoren rond weidegang, huisvesting en voedergewoontes samen te vatten (Von Keyserlingk et al., 2009). Hoewel deze drie aspecten een goed beeld over dierenwelzijn geven, is het nodig om deze aspecten om te zetten tot wetenschappelijke kengetallen om een algemene welzijnsscore te kunnen bepalen. Uit onderzoek blijkt dat melkveehouders en onderzoekers een verschillend idee over het begrip dierenwelzijn hebben. Melkveehouders hebben het meer over het laten aaien van de koeien en de mogelijkheid tot het benaderen van de dieren terwijl de onderzoekers kijken naar zaken als voldoende leefruimte en natuurlijk gedrag van de koeien (Bondt et al., 2001). Dus om tot een algemene welzijnsscore te komen moet men beredeneerd te werk gaan. Verschillende aspecten worden belangrijk geacht voor de beoordeling van het dierenwelzijn. In een onderzoek van Bondt et al.(2001) stelde men een enquête op aan de hand van gegevens van het Praktijkonderzoek Veehouderij en Agro transfer Dronten. Zo komen volgende deelaspecten die volgens Nederlandse melkveehouders belangrijk zijn voor de beoordeling van dierenwelzijn: beweiding, management, huisvesting en melkwinning. Hierin wordt duidelijk dat de huisvesting en management een belangrijke rol spelen, maar 17

19 Figuur 1: De drie aspecten van dierenwelzijn volgens Fraser waarbij er een overlapping kan plaatsvinden tussen de verschillende aspecten (Fraser, 2008). er wordt weinig tot geen rekening gehouden met diergebonden parameters. Er wordt gekeken naar de mate waarin bedrijfsopzet en management kunnen leiden tot de voorwaarden om tot een goed welzijn te komen en niet naar het welzijn van de dieren zelf. Een bijkomend nadeel van de gegevens over dierengezondheidsproblemen opgenomen in het aspect management is de subjectiviteit van de waarnemer. De bedrijfshouder fungeert namelijk zelf als waarnemer waardoor bepaalde problemen verkeerd ingeschat worden. Deze subjectiviteit kan ervoor zorgen dat resultaten een verkeerde interpretatie krijgen (Bondt et al., 2001). Verschillende parameters moeten dus bekeken worden om tot een algemene welzijnsscore te komen. Een probleem dat hiermee gepaard gaat is de bepaling van het gewicht van de specifieke parameter ten opzichte van het geheel. Er moet een duidelijke afweging gemaakt worden tussen de verschillende parameters en een specifieke methode om de parameters gelijk te stellen aan elkaar om tot een finale bepaling te komen (Bracke, 2001). Verschillende mensen kunnen zo aan de parameters een verschillend gewicht geven waardoor de conclusies elkaar zelfs kunnen tegenspreken. Er is dus nood aan een manier om welzijn te meten door gebruik te maken van wetenschappelijke kennis maar onze perceptie rond dierenwelzijn is beïnvloed door onze eigen waardes en ideeën. Men ziet dus dat dierenwelzijn zowel wetenschappelijk als op waardes is gebaseerd (Fraser, 2008). Het Welfare Quality R protocol probeert om deze twee benaderingen op te nemen en ook de subjectiviteit van de metingen tot een minimum te beperken. 18

20 2.1.2 Algemeen Welfare Quality R protocol Europese consumenten tonen een sterke betrokkenheid met dierenwelzijn en zien het als een belangrijke aspect van productkwaliteit (Welfare Quality, 2009). Daarbij groeide de nood om een wetenschappelijk gebaseerde methode te ontwikkelen om dierenwelzijn te evalueren op landbouwbedrijven. Daarom startte de Europese Commissie verschillende projecten met betrekking tot dierenwelzijn. Zo kwam er onder andere het Welfare Quality R project in 2004 en het Community Action Plan on the Protection and Welfare of Animals in januari 2006 (European Commission, 2006). Het Welfare Quality R project is een projectconsortium van 40 Europese instituten en 4 instituten uit Latijns-Amerika. Om een sluitend geheel te bekomen, werd het protocol opgesteld door experten die rekening houden met analyses van percepties van de consument en stakeholders en met bestaande wetenschappelijke kennis over dierenwelzijn om zo de juiste metingen en criteria te selecteren die in het beoordelingssysteem inbegrepen moeten zijn (Welfare Quality, 2009). Het Europese Welfare Quality R project beschikt over gestandaardiseerde normen om het welzijn van dieren te beoordelen. Deze beoordelingswijze is vernieuwend omdat ze zich richt op diergerichte metingen zoals gezondheid van het dier, gedrag en kwetsuren bij het dier. Vroegere protocols beoordeelden dierenwelzijn vooral op basis van de omgeving of management zoals grootte van de stal of vloerkwaliteit (Welfare Quality, 2009). Boerderijen kunnen, aan de hand van de informatie bekomen uit het protocol, opgedeeld worden in één van de vier categorieën (excellent, onderscheidend, acceptabel en niet geklasseerd). Het protocol zelf beschrijft de procedures en eisen voor het beoordelen van het welzijn in de veestapel bij de voornaamste productiedieren zoals kippen, varkens, mestvee, melkkoeien en vleeskalveren (Welfare Quality, 2009). Dierenwelzijn bestaat uit meerdere deelaspecten, zoals fysiek comfort, de afwezigheid van honger en dorst, de mogelijkheid tot het tonen van motivatie, etc. Deze verschillende aspecten worden in het Welfare Quality R protocol vertaald in welzijnscriteria. Hierbij moet rekening gehouden worden met het feit dat dieren verschillen in hun genetica, ervaring en temperament en ze dus verschillend kunnen reageren op eenzelfde omgeving. Bovendien zou de persoonlijkheid van de evaluator een invloed kunnen hebben op de resultaten. Bij de dataverzameling wordt er voor gezorgd dat het fenomeen van de subjectieve beoordeling van de onderzoeker tot een minimum wordt beperkt door gebruik te maken van foto s en figuren. Eens de metingen zijn gebeurd, wordt via een bottom-up benadering een algemene beoordeling gemaakt op dierenwelzijn van een bepaalde unit. Zo wordt de data verzameld uit ongeveer 30 metingen en gecombineerd om criteriumscores te bekomen. Zo krijgt men 12 criteriumscores die samengebracht worden om vier principescores te bekomen. Deze vier hoofdprincipes zijn goede voeding, goede huisvesting, goede gezondheid en passend gedrag en komen overeen met vier vragen: Worden de dieren voldoende gevoed en voorzien van water? Zijn de dieren correct gehuisvest? Zijn de dieren gezond? Wijst het gedrag van de dieren op optimaal emotioneel gedrag? Deze principes en criteria worden weergegeven in de tabel in Figuur 2. Uiteindelijk zullen deze vier principescores aanleiding geven tot het bepalen van één bepaalde categorie waartoe de dieren behoren. Dit kan variëren tussen excellent, onderscheidend, acceptabel en niet geklasseerd. Bij het berekenen van criteriumscores moet men er rekening mee houden dat sommige metingen bij meerdere criteria kunnen behoren (bv. slechte lichaamsconditie kan te wijten zijn aan honger, maar ook aan ziekte of zelfs beide). Om ervoor te zorgen dat het niet dubbel in rekening wordt gebracht, moeten metingen toegeschreven worden aan één enkel criterium. Het aantal te onderzoe- 19

21 Figuur 2: De principes en criteria die de basis vormen voor het Welfare Quality R protocols (Welfare Quality, 2009). ken metingen kan variëren naargelang het criterium dat onderzocht wordt en ook onderling kan het relatieve belang van criteria verschillen. Om tegemoet te komen aan dit probleem bestaan er drie verschillende berekeningswijzen om een criteriumscore te bekomen. Bij meerdere metingen voor één criterium wordt een beslissingsboom opgemaakt. Wanneer slechts één meting wordt behandeld, zal men gebruik maken van een gewogen som om de score te bepalen. Indien de metingen op een verschillende schaal worden uitgedrukt, wordt een alarmdrempel bepaald die de grens tussen abnormaal en normaal vaststelt. Het nummer van alarmdrempels gebruikt men dan als waarde. Eenmaal de criteriumscores zijn berekend, worden deze gebruikt om de scores per principe te bepalen. Zo worden bijvoorbeeld de scores van afwezigheid van wonden, afwezigheid van ziektes en afwezigheid van pijn bij managementprocedures samen bekeken om een score te bepalen voor het principe goede gezondheid. Dit gebeurt door gebruik te maken van Choguet integralen om criteriumscores samen te voegen tot een principescore (Xu, 2010). De vier principescores die zo ontstaan, geven aanleiding tot een algemene beoordeling. Daarbij bestaan vier welzijnscategorieën: Excellent of excellent waarbij het welzijn van de dieren uitstekend is. Enhanced of onderscheidend waarbij het welzijn goed is, maar nog verbeteringen mogelijk. Acceptable of acceptabel die de categorie bevat waar het welzijn gelijk aan de minimumeisen is. En als laatste not classified of niet geklasseerd waar het welzijn als onacceptabel wordt beschouwd. Een bedrijf behaalt de categorie excellent als alle principescores boven de 55 liggen en er twee de grens halen van 80. Enhanced verkrijg je wanneer er steeds boven de 20 wordt gescoord en er twee van de principes een score halen boven de 55. Indien men voor alle principes boven de tien scoort en er drie principescores de grens halen van 20, behoort men tot de categorie acceptable (Welfare Quality, 2009) Welfare Quality R protocol specifiek toegepast op melkvee Het protocol wordt op een verschillende manier voor vleesvee en melkvee benaderd. Deze studie richt zich op melkvee waardoor enkel deze metingen worden behandeld. Zoals eerder vermeld zullen alle metingen samengevat worden tot scores voor twaalf criteria. Deze twaalf criteria geven aanleiding tot vier principescores waaruit uiteindelijk één globale beoordeling kan afgeleid worden. De 20

22 metingen zelf kan men opdelen in vijf delen. Eerst is er het terugdeinzen aan het voederhek waarbij gekeken wordt in welke mate de dieren zich laten benaderen en zo een score geven op welke afstand van de onderzoeker de dieren zich terugtrekken. Als tweede heeft men de gedragsobservaties die de positieve en de negatieve sociale gedragingen scoren. Daarbij wordt gekeken hoe actief de dieren zijn en hoe lang het duurt vooraleer de dieren gaan liggen en of ze verhinderd worden door de stalinrichting tijdens het liggen. Verder heeft men de observaties waar de klinische score wordt berekend. Men kijkt dan naar het aantal verwondingen, zwellingen of haarloze plekken. Ook de klauwen, ontlasting, vuilheid van het dier en de lichaamsconditie worden gescoord en men kijkt of de dieren kreupel zijn of niet. Als vierde heeft men de metingen aan de stal die zich vooral richten op de aanwezigheid van drinkbakken. Als laatste deel is er ook een management vragenlijst waarbij de manager gevraagd wordt een vragenlijst in te vullen zodat ook weidegang en onthoornen in beeld kunnen worden gebracht. Dit is om factoren vast te leggen die op het moment van het onderzoek niet kunnen gemeten worden. Deze metingen geven dan een idee van de welzijnsindicatoren gebruikt om criteriumscores te bepalen. De lichaamsconditie van het dier wordt gebruikt om een score te geven aan het criterium van afwezigheid van langdurige honger. Daarbij wordt gekeken naar de zichtbaarheid van de heupbeenderen, de holtes bij de kop, de lende en de wervels. Voor de afwezigheid van langdurige dorst wordt gekeken naar de beschikbaarheid van proper water en dus de kwaliteit en hoeveelheid van de waterstroom en drinkbakken. Deze twee criteria vormen dan samen een score voor het principe goede voeding bij melkvee. Het volgende principe is goede huisvesting. Eerst wordt er gekeken naar hoe lang het duurt vooraleer het dier gaat liggen en of het daarbij wordt gehinderd door de stalinrichting. Ook wordt gekeken of de dieren buiten de voorziene ruimtes liggen en de vuilheid van het dier. Dit alles geeft een score voor het criterium dat kijkt naar het comfort tijdens rust. Voor het criterium van thermisch comfort is er geen meting ontwikkeld binnen het Welfare Quality R protocol. Als laatste binnen dit principe wordt gekeken of de dieren loslopen of ze gebonden zijn en of ze de mogelijkheid krijgen om buiten te komen. Dit geeft resultaten voor het criterium van bewegingsvrijheid. Door deze drie criteriumscores samen te voegen kan men een finale score krijgen voor het principe goede huisvesting. Kreupelheid en huidletsels zijn de welzijnsindicatoren die een beoordeling geven voor afwezigheid van verwondingen. Het criterium voor afwezigheid van ziekte wordt door heel wat indicatoren beïnvloed. Zo kijkt men naar het hoesten, neusvloei, oogvloei, verhinderde ademhaling, vaginale uitscheiding, aantal somatische cellen in de melk, sterftecijfer, het aantal kalveren waarbij bijstand nodig is de eerste twaalf maanden en als laatste het aantal downer koeien. Onthoornen en staartknotten geven scores voor het criterium afwezigheid van pijn door managementprocedures. Deze indicatoren worden verkregen via de vragenlijst die aan de bedrijfsleiders wordt meegegeven. Deze drie criteria samen geven aanleiding tot een principescore voor goede gezondheid. Als laatste principe wordt het passend gedrag bepaald. Antagonistische gedragingen zoals vechten, achtervolgen en duwen geven een duiding voor het criterium waarbij expressie van het sociaal gedrag wordt gemeten. De criteriumscore voor expressie van ander normaal gedrag wordt vooral bepaald door de mogelijkheid tot weidelopen. Hoe hoger de score, hoe langer de dieren toegang krijgen tot de weide. De tijd voor het terugdeinzen aan het voederhek geeft een score voor de goede mens-dier relatie. En als laatste wordt via het Qualitative Behaviour Assessment (QBA) 21

23 het criterium positieve emotionele staat gescoord. Dit is een kwalitatieve beoordeling van het gedrag van de dieren door een twintigtal minuten te kijken naar het gedrag van de koeien in de stal en een score te geven aan twintig vooropgestelde termen. Deze termen kunnen positief of negatief zijn en leiden dan uiteindelijk tot een gezamelijke score voor het criterium van emotionele staat. De scores die behaald worden uit de criteria en de principes variëren tussen 0 en 100. Bij de score van het principe wordt meegedeeld welk criterium of welke criteria aan de basis liggen voor deze score om een duidelijk beeld te krijgen. Deze vier principescores worden dan uiteindelijk verwerkt tot één algemene beoordeling waarbij vier verschillende categorieën mogelijk zijn: niet geklasseerd, acceptabel, onderscheidend en excellent Dierenwelzijn van melkvee: belangrijke dierenwelzijnsparameters Mastitis en kreupelheid worden gezien als de belangrijkste indicatoren om welzijn bij melkkoeien te meten (Fregonesi & Leaver, 2001). Deze twee gezondheidsparameters zijn heel belangrijk, maar ook andere factoren, zoals mortaliteit, die minder beschreven worden in de literatuur, sturen bij tot het welzijn van de dieren (Thomsen & Houe, 2006). Uitspraken over het dierenwelzijn worden dan ook vaak gebaseerd op deze drie indicatoren. Het ANIBAM project binnen het EFSA (European Food Safety Authority) stelt dan ook mastitis, kreupelheid en mortaliteit voor als belangrijke diergerelateerde maatregelen om het welzijn te beoordelen. In het rapport wordt data verzameld over het welzijn bij melkvee in verschillende landen (De Graaf & Tuyttens, 2014). Mastitis, kreupelheid en mortaliteit worden hier kort nog verder toegelicht. Mastitis Een uiterst belangrijke welzijnsindicator is mastitis. Het zorgt voor een minder welzijn bij melkvee en het zorgt ook voor grote economische verliezen (Ijaz et al., 2014). Verlies van melkproductie wordt gezien als het grootste economische verlies door mastitis (Seegers et al., 2003). Mastitis of uierontsteking is een complexe aandoening die resulteert in een verminderde melkproductie en een veranderde melksamenstelling wat zorgt voor een verminderde melkkwaliteit. De ontsteking wordt veroorzaakt door infectie van pathogene bacteriën zoals Staphylococcus aureus of Streptococcus agalactiae die kunnen leiden tot klinische mastitis of subklinische mastitis. Bij klinische mastitis zal de melk abnormaal veranderen en zal de koe pijn en zwelling ondervinden in de uier. De koe zal koorts of depressie vertonen en ook anorexia kan een gevolg zijn. In de melk kunnen zich klonters, vlokken of waterachtige partikels voordoen (Ijaz et al., 2014). Bij subklinische mastitis zijn geen zichtbare factoren aanwezig in de melk of uier, maar zal de melkproductie dalen en de samenstelling drastisch veranderen (Harmon, 1994). De infectie wordt meestal overgedragen tijdens het melken van de koe, maar ook andere vormen, zoals vliegen, kunnen aan de basis liggen van overdragen (De Vliegher et al., 2012) (Piepers et al., 2008). Een geinfecteerde uier zorgt voor een verhoogde concentratie aan somatische cellen in de uier. Deze somatische cellen zijn vooral witte bloedcellen of leukocyten en in een kleine hoeveelheid epitheelcellen. Het gehalte aan somatische cellen in de melk, ook wel celgetal genoemd, wordt het meest gebruikt om melkkwaliteit en uiergezondheid te meten en zo mastitis op te sporen. Een verhoogd gehalte aan somatische cellen zorgt immers voor een verminderde hoeveelheid van onder andere lactose en α-lactalbumine in de melk en een verhoging van natrium en chloride door de verhoogde passage van bloed wegens de infectie. De verhouding van deze elementen in de melk kan ons een idee geven over de melkkwaliteit en de eventuele aanwezigheid van mastitis (Harmon, 1994). Een hoeveelheid van somatische cellen per ml melk geeft aan dat de uier onder stress staat 22

24 door de aanwezigheden van micro-organismen (McAllister & Witherspoon, 2013). Een dier met een gehalte van cellen per ml wordt gedefinieerd als een koe met chronische mastitisproblemen (Hogeveen et al., 1997). Binnen het Welfare Quality R protocol nemen ze cellen per ml als grens. Om de hoeveelheid somatische cellen te meten, moet een staal van de melk genomen worden dat dan in een labo onderzocht kan worden. Het is uiterst belangrijk om een representatief staal te nemen om correcte resultaten te bekomen. Men kan een celgetal bepalen van het gehele bedrijf door een staal te nemen uit de melktank of men kan het individueel celgetal van een melkkoe bepalen door enkel melk van deze koe te verzamelen (McAllister & Witherspoon, 2013). Kreupelheid Kreupelheid wordt algemeen gezien als een groot welzijnsprobleem bij melkvee. Deze aandoening kan gezien worden als een overlapping van de drie welzijnsaspecten. Zo zal het dier pijn ervaren (affectieve staat), het zal minder melk produceren en reproductieproblemen ondervinden (gezondheid en biologische functionering) en het dier vertoont een mindere mobiliteit (natuurlijk gedrag) (Von Keyserlingk et al., 2009). Kreupelheid kan onder andere ontstaan door infectieziektes zoals digitale dermatitis en voetrot of door lesies veroorzaakt door verstoringen in de klauwen van het dier (Von Keyserlingk et al., 2009). Daarom is het van uiterst belang dat kreupelheid in een vroeg stadium wordt ontdekt om het welzijn van de koe te verbeteren en de economische resultaten van het bedrijf niet te beïnvloeden (Channon et al., 2009). Om kreupelheid te meten wordt gebruik gemaakt van scoringssystemen van de gang van melkkoeien. Er zijn heel wat scoringssystemen in de literatuur aanwezig. De meeste daarvan baseren zich op een 5-puntenschaal die gaat van normaal tot ernstig kreupel en zo wordt een score toegekend aan het desbetreffend stadium van kreupelheid. Manson and Leaver stelden een 5-puntenschaal op door te kijken naar de bewegingsscore van de veestapel. Deze score geeft dan een beeld over de kreupelheid van het dier (Manson et al., 1988). Sprecher et al.(1997) stelden een scoringsmethode op aan de hand van de gang van de dieren en het postuur en keek daarbij of kreupelheid een invloed had op reproductieproblemen bij melkvee. Er werd een initiële kreupelheidscore bepaald en met tussenintervals van 4 weken werden zo nieuwe scores bepaald (Sprecher et al., 1997). Ook Thomsen et al.(2008) maken gebruik van een 5-puntenschaal (Tabel 1). Daarbij kijken vijf verschillende waarnemers naar de wandelgang van een melkkoe over een afstand van 15 meter. Twee uur later volgt een tweede scoring van de koeien. Zo wordt gekeken of er een verschil is in waarnemingen voor en na training van de waarnemers, maar dit verschil wordt niet significant aangetoond. Tijdens de observatie wordt gelet op verschillende kenmerken die makkelijk waarneembaar zijn tijdens het wandelen. Zo kijkt men of er oneven gewandeld wordt, of er een gebogen rug is tijdens het wandelen en het staan, of de koe korte stappen zet, of het hoofd gebogen staat, of de benen aangetast zijn en als laatste of men merkt dat het dier het gewicht moeilijk draagt. Uit de aanwezigheid van deze kenmerken kan men afleiden welke score de desbetreffende koe haalt. Achteraf wordt tussen de waarnemers de score vergeleken en besproken (Thomsen et al., 2008). Landbouwers vinden het moeilijk om kreupelheid bij de koeien in een vroeg stadium te ontdekken. Vele scoringsmethoden slagen er niet in om de specifieke veranderingen in de gang bij koeien die kreupel worden te beschrijven of ze baseren zich slechts op één of enkele veranderingen in de gang, waardoor andere veranderingen niet bekeken worden (Von Keyserlingk et al., 2009). Doordat veestapels steeds groter worden hebben de boeren minder tijd om de gang van alle dieren te controleren. De beste methode om de incidentie van kreupelheid binnen de veestapel te meten is door alle koeien te bekijken, maar onderverdelen van een grote veestapel in verschillende samples kan tijdsbesparend zijn. Zo stelden Main et al.(2010) vast dat kreupele dieren vaak later melk 23

25 Tabel 1: Beschrijving van het 5-punten scoringssysteem om kreupelheid te scoren bij melkvee volgens Thomsen et al. (Thomsen et al., 2008). Score/level Description of level 1. Normal The cow walks normally. In most cases, the back is flat, both when the cow is standing and when walking. No signs of lameness or uneven gait. No signs of uneven weight bearing between legs. No signs of head bob when the cow is walking. 2. Uneven gait The cow walks (almost) normally. In most cases, the back is flat when the cow is standing, but arched when walking. No signs of head bob when walking. The gait might be slightly uneven and the cow may walk with short strides, but there are no evident signs of lameness. 3. Mild lameness Abnormal gait with short strides on 1 or more legs. In most cases, the back is arched both when the cow is standing and walking. In most cases, there are no signs of head bob when walking. In most cases, an observer will not be able to tell which leg is affected. 4. Lameness The cow is obviously lame on 1 or more legs. An observer will in most cases be able to tell which leg is affected. In most cases, the back is arched both when the cow is standing and walking. In most cases, head bob will be evident when walking. 5. Severe Lameness The cow is obviously lame on 1 or more legs. The cow is unable, unwilling, or very reluctant to bear weight on the affected leg. In most cases, the back is arched both when the cow is standing and walking. In most cases, head bob will be evident when walking. 24

26 geven dan dieren die niet kreupel zijn (Main et al., 2010). Automatische detectoren kunnen tevens een oplossing bieden. Deze kunnen via sensoren meten hoe het dier zijn gewicht verdeelt tussen de poten en ook het aantal bezoeken aan de automatische melkmachine kunnen een beeld geven van de kreupelheid (Von Keyserlingk et al., 2009). Bicalho et al. keken naar de verschillen tussen een visuele score en een automatisch scoringssysteem (Stepmetrix Locomotion Score) en stelden vast dat het visuele nog steeds een meer accuraat resultaat biedt. Automatische systemen zijn dus veelbelovend, maar moeten nog verder ontwikkeld worden (Bicalho et al., 2007). In Vlaanderen werd een automatisch detectiesysteem ontwikkeld om kreupelheid op te sporen. Daarbij passeert het dier na het melken een hoogtechnologische mat die registreert hoe het dier wandelt. Indien er een afwijking in de gang van het dier wordt geregistreerd, komt er een melding tevoorschijn op het bijhorend computerscherm en zo kan er kreupelheid opgespoord worden (Van Nuffel, 2011). Deze toepassing zou bijdragen tot het routinematig testen van kreupelheid, wat een oplossing kan bieden om kreupelheid in een vroeg stadium te herkennen. Maar verder onderzoek is nog nodig om deze technieken te kunnen implementeren op een bedrijf en ook de relatie tussen kreupelheid en dierenwelzijn moet nog verder onderzocht worden (De Graaf & Tuyttens, 2014). Mortaliteit Mortaliteit bij melkkoeien in intensieve productiesystemen brengt financiële verliezen met zich mee en kan een belangrijke indicator zijn voor het dierenwelzijn. Een verhoogde mortaliteit kan op een sub-optimale gezondheid en verminderd welzijn wijzen doordat het dier vóór de dood lijdt. Een verhoging van het aantal koeien die niet geassisteerd worden bij het sterven kan wijzen op welzijnsproblemen omdat de dieren lijden vooraleer ze sterven (Thomsen & Houe, 2006). Om de mortaliteit binnen een bedrijf te bepalen kan gebruik gemaakt worden van twee meeteenheden namelijk de mortaliteitsgraad en het mortaliteitsrisico. De mortaliteitsgraad wordt berekend door het aantal dode koeien te delen door de totale tijd waarin ze kunnen sterven terwijl het mortaliteitsrisico berekend wordt door bijvoorbeeld het aantal dode koeien gedurende de observatieperiode gedeeld door het aantal koeien in het begin van de observatieperiode of het aantal dode koeien na 100 lactaties (De Graaf & Tuyttens, 2014) (Thomsen & Houe, 2006). Thomsen et al. stelden vast dat de mortaliteit meestal schommelt tussen de één en vijf procent per jaar of per lactatie bij melkkoeien (Thomsen & Houe, 2006). Sterfte bij melkkoeien kan verschillende oorzaken hebben. Ongelukken, kalvingsproblemen, verteringsproblemen, problemen bij voortbewegingsorganen, metabolische problemen, aandoeningen aan de uier of speen en andere redenen, die moeilijk te bepalen vallen, kunnen allemaal een oorzaak zijn van sterfte. Uit onderzoek wordt duidelijk dat het risico op sterfte hoger is bij de eerste 15 of 30 dagen van de lactatie. Maar ook leeftijd, melkproductie en grootte van de veestapel kunnen van invloed zijn (Thomsen & Houe, 2006). Daarnaast kunnen ook verschillende managementtechnieken de sterfte beïnvloeden (Wells et al., 1996) Welzijn van melkvee op Vlaamse bedrijven Ook in Vlaanderen wordt heel wat onderzoek verricht naar dierenwelzijn bij melkvee. Dit bewijzen de vele publicaties en studies over het onderwerp binnen het ILVO en andere onderzoeksinstellingen. In het rapport van het EFSA-project ANIBAM wordt ook gekeken naar het welzijn op Belgische melkveebedrijven. Alle bedrijven die onderzocht werden behoren tot de categorieën acceptabel en onderscheidend. Er werd ook gekeken naar de principescores van deze bedrijven. De diergerelateerde metingen of ABMs (Animal Based Measures), waaronder mastitis, kreupelheid en mortaliteit, sluiten daarbij het dichtste aan bij het principe van goede gezondheid uit het Welfare Quality R protocol en hebben dus te maken met afwezigheid van ziektes, pijn en verwondingen. Mastitis en mortaliteit kan men ook linken met het principe van goede huisvesting en kreupelheid 25

27 met het principe van passend gedrag door de relatie met de grootte van de veestapel (De Graaf & Tuyttens, 2014). De resultaten kunnen op verschillende manieren benaderd worden. Als men zich baseert op het principe van goede gezondheid, worden kuddes die toegang hebben tot de weiden geclassificeerd als kuddes met slechter welzijn. De reden is dat de dieren bij het buiten lopen gevoeliger zijn voor ziektes en infecties. Baseert men zich op het principe van passend gedrag dan worden kuddes die geen mogelijkheid hebben om buiten te grazen geclassificeerd als kuddes met slechter welzijn. De achterliggende uitleg is dat melkkoeien van nature uit de behoefte hebben om te kunnen grazen in de weiden (De Graaf & Tuyttens, 2014). 2.2 Bedrijfstechnische en bedrijfseconomische prestaties Traditionele kengetallen Bedrijfseconomische prestaties zijn uitermate belangrijk in een melkveehouderij. Een gezond arbeidsinkomen zorgt er immers voor dat er blijvend kan geïnvesteerd worden in nieuwe landbouwtechnieken en infrastructuur. Er zijn echter grote verschillen in arbeidsinkomen op Vlaamse melkveebedrijven. Het gebruik van bedrijfseconomische en -technische kengetallen laat toe om prestaties van melkveebedrijven onderling te vergelijken ongeacht de grote verschillen in omvang van de melkveebedrijven (Ryckaert et al., 2010). Deze kengetallen bieden een houvast om bedrijven te vergelijken ten opzichte van een gemiddelde waarde. Zo kan een individueel bedrijf zich plaatsen ten opzichte van andere bedrijven door te kijken naar verschillende technische en economische kengetallen van het bedrijf. Door de kengetallen aan te pakken, kan de landbouwer het bedrijfsresultaat positief beïnvloeden (Kristensen et al., 2008). De waarden van kengetallen kunnen over een bepaalde periode vergeleken worden om zo evoluties waar te nemen zowel op bedrijfs- als sectorniveau (Visch, 1988). De meest cruciale kengetallen worden kort hierna toegelicht (De Nobele et al., 2014). Bruto saldo Het bruto saldo geeft het verschil aan tussen de totale opbrengsten en de variabele kosten. Daarbij duidt het aan wat er kan verdiend worden aan één extra liter geproduceerde melk. Het wordt meestal uitgedrukt per 100 liter melk. Bruto opbrengsten uit melk- en vleesproductie zorgen voor de totale opbrengsten op een melkveebedrijf. Dit wordt dan verminderd met de variabele kosten zoals voederkosten, dierenartskosten, meststoffen en loonwerk. Dit bruto saldo kan negatief beïnvloed worden door onder andere afkalfleeftijd, tussenkalftijd, vervangingspercentage en uiergezondheid (De Nobele et al., 2014). Binnen het bruto saldo worden de vaste kosten niet in rekening gebracht omdat het zo een weerspiegeling geeft van de verschillen in inkomen zonder rekening te houden met verschillen zoals melken in een stal die afgeschreven is of melken in een recente stal (Ryckaert et al., 2010). Melkproductie Melkproductie vormt een belangrijk kengetal binnen de opbrengsten van het bedrijf en dus ook het bruto saldo van een melkveebedrijf. Naargelang de grootte van het bedrijf en het aantal melkkoeien op het bedrijf kan de totale melkproductie sterk verschillen. Om toch een vergelijking te kunnen maken, wordt de melkproductie per koe bekeken. Gemiddeld gezien kan een hogere productie aanleiding geven tot een hoger bruto saldo, maar men moet rekening houden dat een verhoging van de melkproductie hand in hand moet gaan met de kosten die bij deze verhoging gepaard gaan (De Nobele et al., 2014). 26

28 Melkprijs Ook de melkprijs vormt een belangrijk deel binnen het bruto saldo en de opbrengsten in een bedrijf. Door het verdwijnen van het melkquotum in april 2015, zal de melkproductie stijgen en de melkprijs volatieler worden (Réquillart, 2008). De sterke schommeling in de melkprijzen kan er voor zorgen dat het resultaat doorheen de jaren sterk verschilt. De melkprijs geeft de ontvangen basisprijs voor melk geleverd aan de melkerijen weer. Ruwvoeder- en krachtvoedergebruik Voederkosten dragen bij tot de kostprijs om melk te produceren. Zo vormen voederkosten ongeveer 65% van de totale variabele kosten en tot 33% van alle totale kosten op een bedrijf (Ryckaert & Anthonissen, 2012). Binnen deze voederkosten is de verdeling tussen ruw- en krachtvoeder een belangrijke factor om de productie hoog te houden en de kosten laag te houden. Ruwvoedermelkproductie is een factor met groot belang om de inkomstverschillen tussen de verschillende bedrijven te verduidelijken (Ryckaert et al., 2010). Deze twee factoren kunnen samen behandeld worden om de voederconversie te bepalen. Dit wordt verder uitvoerig besproken. Tussenkalftijd De tussenkalftijd geeft het gemiddeld aantal dagen tussen twee opeenvolgende kalvingen weer. Een korte tussenkalftijd is gunstig voor het bedrijfssaldo omdat er meer melk wordt geproduceerd. Ook de conditie op het begin en het einde van de lactatie verbetert bij dieren die vlotter kalven waardoor ze beter bestand zijn tegen metabole aandoeningen (De Nobele et al., 2014). Afkalfleeftijd De afkalfleeftijd van een vaars bevindt zich bij hoogproductieve bedrijven idealiter rond de 22 tot 24 maanden, maar 26 tot 28 maanden is geen uitzondering (Versteegt, 2009). Men moet opletten dat een te jonge afkalfleeftijd bij vaarzen kan zorgen voor een verminderde productie en een kortere levensduur van de nakomelingen (Depreester et al., 2014). Vervangingspercentage Het vervangingspercentage beïnvloedt het bedrijfssaldo sterk doordat de vervangkost van een melkkoe hoog is. Deze vervangkost wordt voorgesteld door het verschil tussen de opfokkost of aankoopkost van een nieuwe vaars en de verkoopprijs van een reforme koe (De Nobele et al., 2014). Het vervangingspercentage wordt bepaald door het aantal verkochte of reforme koeien op te tellen met het aantal aangekochte koeien en het aantal jongvee dat de overgang maakt naar een melkkoe. Dit alles delen door twee maal het totale aantal koeien geeft het vervangingspercentage. Het vervangingspercentage wordt best over meerdere jaren heen bekeken. De waarde varieert tussen een percentage van 25 tot 30, maar kan ook lager zijn (Versteegt, 2009). Deze kengetallen geven de mogelijkheid om bedrijven onderling te vergelijken, maar kengetallen zijn vaak te algemeen en houden onvoldoende rekening met de specifieke omstandigheden van een individueel bedrijf (Hanekarnp & Mandersloot, 1993). Een aanpassing van een bepaald kengetal kan aanleiding geven tot zowel een positief als een negatieve verandering bij een ander kengetal. Efficiëntie analyse biedt hierin een oplossing door alle factoren en kengetallen samen te bekijken Efficiëntie analyse Efficiëntie en productiviteit zijn belangrijke gegevens om bedrijven onderling te vergelijken (Lauwers, 2014). Efficiëntie is gebaseerd op de productiefunctie, welke de omzetting van input(s) in de 27

29 productie van output(s) bestudeert. De relatie tussen de maximale hoeveelheid geproduceerde output(s) die behaald kunnen worden gegeven de input(s), volgens een bepaalde productietechnologie, noemt men de productiefunctie. De inefficiëntie van een bedrijf is het verschil tussen het huidige productieniveau van het bedrijf en het potentiële optimale productieniveau. Dit wordt gemeten aan de hand van een afstandsfunctie. Er bestaan twee soorten afstandsfuncties, namelijk een outputen een input afstandsfunctie (Figuur 3). De output afstandsfunctie beschouwt de mogelijkheid een maximale hoeveelheid output(s) te produceren gegeven de hoeveelheid beschikbare input(s) (Figuur 3a). De afstand tussen het bedrijf (punt A, Figuur 3a) en de productiefunctie geeft dan aan in hoeverre het bedrijf zijn output(s) moet maximaliseren om efficiënt te produceren. Anderzijds heeft men de input afstandsfunctie die de mogelijkheid beschouwt tot het gebruik van minimale hoeveelheid input(s) gegeven dezelfde hoeveelheid output(s) (Figuur 3b). De afstand tussen het bedrijf (punt A, Figuur 3b) en de productiefunctie geeft aan in hoeverre het bedrijf zijn input(s) moet minimaliseren om efficiënt te produceren. Hoe dichter het bedrijf bij de productiefunctie ligt, hoe efficiënter de inputs gebruikt worden voor de productie van één output. Het bedrijf kan getriggerd worden om de input(s) of output(s) aan te passen om zich dichter bij de productiefunctie te vestigen en zo efficiënter te werk te gaan (Coelli et al., 2005). Figuur 3: De twee mogelijkheden om via afstandsfuncties de efficiëntie van een bedrijf te meten. In Figuur a wordt gebruik gemaakt van een output afstandsfunctie die een voorstelling geeft om een maximale hoeveelheid output(s) te produceren gegeven de hoeveelheid beschikbare input(s). Figuur b geeft een input afstandsfunctie waar men een minimale hoeveelheid input(s) probeert te bekomen met een gegeven hoeveelheid output(s) (Coelli et al., 2005). Om de efficiëntie van een bedrijf te meten, heeft Farell (1957) een meting opgesteld op basis van twee componenten namelijk technische efficiëntie en allocatieve efficiëntie. De technische efficiëntie (TE) geeft de mogelijkheid weer van het bedrijf om maximale output(s) te halen met een gegeven set van input(s) of gegeven output(s) met een minimale inzet van input(s). Allocatieve efficiëntie (AE) reflecteert de mogelijkheid tot het gebruik van input(s) in een kosten-minimaliserende proportie, gegeven de prijzen en productietechnologie, om zo een maximale winst te behalen. Inputgeoriënteerde technische efficiëntie en allocatieve efficiëntie kunnen gecombineerd worden om de 28

30 totale kostenefficiëntie (CE) te berekenen. Om dit grafisch voor te stellen, maken we gebruik van een input-georiënteerde meting waarbij twee inputfactoren (x1 en x2) worden gebruikt om één enkele output (q) te produceren (Figuur 4). Gegeven het input gebruik per unit output productie zijn de bedrijven gepositioneerd ten opzichte van de frontier (punt P, Figuur4). De frontier, verkregen door de productiefunctie, combineert bedrijven die de laagste input gebruiken per unit output. Zodoende vormt de frontier de benchmark voor technische efficiëntie. Op de frontier kan een combinatie van inputs worden geïdentificeerd die een minimalisatie van de input kosten impliceert (punt Q, Figuur 4). De technische efficiëntie kan berekend worden aan de hand van de verhouding tussen 0Q en 0P. Dit geeft een waarde tussen nul en één en geeft een idee over de graad van technische efficiëntie op het bedrijf. Bedrijven die technisch al efficiënt zijn, kunnen hun economische resultaten nog verbeteren door de gebruikte inputs aan te passen en te bewegen naar het kostenefficiënte punt (punt R, Figuur 4). De allocatieve efficiëntie wordt berekend door de ratio 0R/0Q. De totale kostenefficiëntie wordt dan berekend door het product te nemen van de technische en de allocatieve efficiëntie, ofwel de verhouding tussen de lengtes 0R en 0P (Coelli et al., 2005). Figuur 4: Een input georiënteerde meting om de technische en allocatieve efficiëntie te berekenen. De technische efficiëntie kan berekend worden aan de hand van de verhouding tussen 0Q en 0P. Dit zal een waarde hebben tussen nul en één en geeft een idee over de graad van technische efficiëntie op het bedrijf. De allocatieve efficiëntie wordt berekend door de ratio 0R/0Q. De totale kostenefficiëntie wordt berekend door het product te nemen van de technische en de allocatieve efficiëntie. Dit is gelijk aan de verhouding tussen de lengtes 0R en 0P. (Coelli et al., 2005). Schaalefficiëntie geeft weer of een bedrijf opereert aan een optimale schaal. Een bedrijf kan technisch en allocatief efficiënt zijn, maar kan opereren onder een niet-optimale schaal. Men kan zowel een CRS (constant return to scale) of een VRS (variable return to scale) benadering hebben. CRS staat voor constante schaalopbrengsten waarbij iedere extra input eenzelfde extra output genereert en dus een lineaire relatie vertoont. VRS staat voor variabele schaalopbrengsten waarbij één extra input niet per definitie eenzelfde extra output oplevert. Het kan uit een toenemende, afnemende of constante schaalopbrengst bestaan. De CRS benadering veronderstelt dat de bedrijven opereren aan een optimale schaal. Zowel competitie, overheidsregulaties of vele andere factoren kunnen een reden zijn dat het bedrijf aan een niet optimale schaal produceert. Indien het CRS model gebruikt 29

31 wordt bij schaalinefficiënte bedrijven, zorgt dit ervoor dat technische efficiëntie metingen (TE) verstoord worden door schaalefficiënties (SE). Om die reden worden VRS modellen gebruikt omdat deze de berekening van de TE mogelijk maken ongeacht de SE. Om de schaalefficiëntie van een bedrijf te berekenen worden zowel een CRS als een VRS grenslijn geplot. Deze twee grenslijnen zijn te zien op Figuur 5 waarbij schaal inefficiënte metingen worden onderzocht voor één input en één output. Op deze figuur is duidelijk te merken dat een VRS grenslijn varieert doorheen de analyse en er dus geen vaste grenslijn wordt behouden zoals bij CRS (Coelli et al., 2005). Figuur 5: Schaal efficiëntie metingen. Een bedrijf is inefficiënt indien de technische efficiëntie meting van CRS en VRS verschillen tussen elkaar. Deze kunnen berekend worden bij CRS door de verhouding AP C /AP en bij VRS door de verhouding AP V /AP. De schaalefficiëntie wordt dus voorgesteld als AP C /AP V (Coelli et al., 2005). Data Envelopment Analysis (DEA) en Stochastic Frontier Analysis (SFA) zijn de twee meest gebruikte technieken om efficiëntie van de omzet van input(s) naar output(s) te berekenen. Elke techniek heeft zijn eigen kenmerken. De voorkeur voor één van beide technieken bij empirische studies is doorgaans gebaseerd op de karakteristieken van de geanalyseerde data, de keuze van input(s)- en output(s)variabelen en de fouttermen en schattingsprocedure (Van Meensel et al., 2010). Data Envelopment Analysis Data envelopment analysis (DEA) is een niet-parametrische benadering om de inefficiëntie van een bedrijf te berekenen via lineaire programmering (Van Meensel et al., 2010). Farrell (1957) stelde als eerste de techniek voor waarbij frontiers of grenslijnen gebruikt worden om de efficiëntie te benaderen. Hij gebruikte daarbij lineaire programmering op basis van input en outputgegevens van echte bedrijven (Ray, 2004). Charnes, Cooper en Rhodes (1978) namen deze techniek verder onder de loep en publiceerden als eerste de naam data envelopment analysis. In hun werk omschrijven ze DEA als een wiskundig programmeringsmodel die een nieuw inzicht geeft om empirische schattingen en relaties te ontdekken zoals productiviteitsfuncties en efficiëntie analyses (Cooper et al., 2011). Later werden heel wat papers geschreven over de DEA methode die het model verder verfijnden en onderzochten (Coelli et al., 2005). 30

32 Charnes, Cooper en Rhodes (1978) stelden een model voor die input georiënteerd was en constant returns to scale (CRS) verondersteld werd. Er werden ook andere assumpties verder ontwikkeld waaronder de variabele returns to scale (VRS) opgesteld door Banker, Charnes en Cooper (Banker et al., 1984). Het input-georiënteerde CRS model wordt hier verder behandeld. Figuur 6 geeft een grafisch overzicht van een efficiëntie meting aan de hand van een CRS input-georiënteerde DEA. Figuur 6: CRS Input-georiënteerd DEA voorbeeld waarbij een constante return to scale gebruikt wordt om de efficiëntie te berekenen van vijf bedrijven voor twee inputs en één output (Coelli et al., 2005). Bij een niet-parametrische benadering veronderstelt men geen functionele vorm van de grenslijn (Kuosmanen, 2007). Door deze niet-parametrische benadering moet men vooraf weinig veronderstellingen maken (Mortimer, 2002). Er rijzen wel enkele moeilijkheden bij het gebruik van DEA. Zo wordt in de literatuur vaak het probleem van input- en output slacks beschreven. Daarbij heerst de vraag bij een inefficiënt bedrijf of het punt op de grenslijn wel degelijk een efficiënt punt is, aangezien er met een bepaalde hoeveelheid van een bepaalde input minder dezelfde output kan verkregen worden (Coelli et al., 2005). DEA is ook gevoelig voor outliers door het deterministisch karakter van de methode. Bedrijven waarvan de data niet binnen de overige bedrijven passen worden toch meegenomen in de analyse wat kan leiden tot verkeerde resultaten en verkeerde conclusies omtrent de gevonden efficiëntiescore (Van Meensel et al., 2010). Te kleine datasets kunnen een gebrek aan discriminerend karakter vertonen bij DEA (De Smet & Gemmel, 2002). Stochastic Frontier Analysis Stochastic frontier analysis is een stochastische methode om efficiëntie van een bedrijf te bepalen. Bij SFA wordt de grenslijn gevonden door parametrische waardes en wordt de functionele vorm vooraf bepaald aan de hand van bijvoorbeeld een Cobb-Douglas of Translog methode (Wiegmans, 2008). Meetfouten en andere oorzaken van statistisch ruis worden door het parametrisch karakter van SFA in rekening gebracht door een term toe te voegen aan de functie van de grenslijn die het statistisch ruis voorstelt (Coelli et al., 2005) (Kuosmanen, 31

33 2007) (Van Meensel et al., 2010). Aigner, Lovell and Schmidt (1977) en Meeusen en van den Broeck (1977) stelden onafhankelijk van elkaar het model voor via onderstaande functie (Coelli et al., 2005). lnq i = x iβ + v i u i Daarin stelt v i de foutterm voor. De outputwaardes zijn begrensd door de stochastische variabele exp(x i β + v i). De willekeurige foutterm kan zowel een positieve als een negatieve waarde hebben waardoor de grenslijn outputs rond het deterministisch deel van de vergelijking (exp(x i β)) variëren. Dit kan ook grafisch voorgesteld worden waarbij een Cobb-Douglas stochastisch model wordt gebruikt als voorbeeld (Figuur 7): ofwel lnq i = β 0 + β 1 lnx i + v i u i q i = exp(β 0 + β 1 lnx i )xexp(v i )xexp( u i ) Daarbij stelt de eerste term (q i = exp(β 0 + β 1 lnx i )) de deterministische component voor, de tweede term (exp(v i )) geeft de waarde voor het ruis en de derde term (exp( u i )) duidt de inefficiëntie aan (Coelli et al., 2005). Figuur 7: Een voorstelling van een stochastische productiegrenslijn bepaald door een Cobb-Douglas model. We plotten de inputs en outputs van twee bedrijven (A en B). Deze figuur laat zien dat de output van bedrijf A boven de grenslijn ligt. Dit komt omdat het ruiseffect positief is (v A > 0). De output van bedrijf B ligt onder de grenslijnwaarde omdat het ruiseffect negatief is (v B > 0). Daarnaast kan het voorkomen dat de output van bedrijf A onder de grenslijn ligt doordat de som van het ruiseffect en de inefficiëntie negatief is (Coelli et al., 2005). Door de twee willekeurige termen, het ruiseffect en de inefficiëntiefactor, in de vergelijking van het SFA-model wordt schatten heel wat ingewikkelder. Het stochastisch karakter van SFA zorgt 32

34 er voor dat we veronderstellingen nodig hebben om deze twee variabelen te bepalen. De beste mogelijkheid om deze veronderstellingen over de twee termen te maken, is door gebruik te maken van de maximum likelihood (ML) methode (Coelli et al., 2005) Voederefficiëntie op melkveebedrijven Voederconversie en voederefficiëntie zijn belangrijke kengetallen binnen de melkveehouderij. Ze vervullen een belangrijke rol in het technische en bedrijfseconomische resultaat van een melkveebedrijf. Voerkosten vormen het grootste aandeel van de kosten die aangepakt kunnen worden op korte termijn. Indien een bedrijf zijn voederefficiëntie verbetert, zal dit mits de juiste keuzes en omstandigheden leiden tot lagere kosten van het voerproces. De definitie van voederconversie en voederefficiëntie kan samengevat worden door twee parameters te bepalen. Enerzijds is er de input van voeropname in kg droge stof en anderzijds is er de output melkproductie in kg melk (Duinkerken et al., 2007). Men kan als output ook de melkbestanddelen zoals vet en eiwitten bekijken in plaats van de totale hoeveelheid melk. In dit geval wordt gekeken naar de totale hoeveelheid geproduceerde melk gecorrigeerd voor vet en eiwitten (Goddard & Grainger, 2004). De voederconversie wordt bekomen door de voeropname te delen door de melkproductie terwijl de voederefficiëntie berekend wordt door de output melkproductie te delen door de input voeropname (Duinkerken et al., 2007). Zowel de hoeveelheid ruwvoeder, krachtvoeder als bijproducten hebben een positieve invloed op de melkgift. Binnen de voeropname is vooral het energiegehalte (bepaald door energiedichtheid met eenheid VEM/ kg DS) en de verzadigingswaarde van het ruwvoer belangrijk. Krachtvoeder en energierijke bijproducten zorgen dan voor een betere droge stofopname en energiedichtheid van het rantsoen.veel energierijke voeders zoals krachtvoeder en bijproducten zorgen voor een hogere voederefficiëntie (Duinkerken et al., 2007). Maar er zit een grens aan de hoeveelheid krachtvoeders en bijproducten die kunnen toegediend worden aan het dieet van het dier om een goede penswerking te behouden. In Figuur 8 wordt de relatie duidelijk tussen de hoeveelheid toegediende krachtvoeders met het voersaldo, de melkproductie en de hoeveelheid toegediende ruwvoeders. Een afweging moet gemaakt worden tussen de bijkomende kosten van toegevoegd krachtvoeder en de hogere melkproductie die bekomen wordt bij het toedienen van meer krachtvoeder. Het verbruik van krachtvoeder voor de melkkoeien is vooral afhankelijk van de opname en de voederwaarde van het ruwvoeder (Ryckaert et al., 2010). De hoge kosten van krachtvoeders spelen een rol in de hoeveelheid die toegevoegd wordt aan het rantsoen (Vlaamse Overheid, 2007). Maar doordat de voedingstechnische waarde bij melkkoeien anders is dan bijvoorbeeld kippen of varkens, is het mogelijk dat voerefficiëntie geen duidelijke graadmeter is voor de kosten van het voerproces bij melkvee. Zo kan het zijn dat de voederconversie verbeterd wordt door extra krachtvoeder aan te kopen en toe te voegen in het rantsoen bij een overschot aan ruwvoeder, maar dit leidt uiteraard tot hogere voederkosten. Het voorkomen van verspilling en een goede samenstelling van het rantsoen zorgen wel voor een verbeterde voederconversie en lagere kosten. Belangrijk is dus het volledige voerproces in rekening te brengen en alle factoren volledig te bekijken (Duinkerken et al., 2007). Ook diergerelateerde factoren zoals penscapaciteit, energiebalans, hormonale controle en bloedconcentratie van absorptieproducten en metabole producten bepalen de voeropnamecapaciteit. Rassen, genetische aanleg en gezondheidsstoornissen zorgen tevens voor een verschillende voeropnamecapaciteit en melkgift (Duinkerken et al., 2007) (Goddard & Grainger, 2004). Mits alle andere lichaamsfactoren, zoals gezondheid, gelijk blijven, wordt een betere voederef- 33

35 Figuur 8: De relaties tussen de hoeveelheid toegediend krachtvoer en het voersaldo, de melkproductie en de hoeveelheid ruwvoer. De drie factoren moeten in rekening worden gebracht om een ideale hoeveelheid krachtvoer te bekomen bij een melkveebedrijf (Duinkerken et al., 2007). ficiëntie bekomen als de koe een hogere voeropname heeft per eenheid lichaamsgewicht of als de koe minder energie verliest door faeces, urine, methaanuitstoot of warmte bij een gegeven input. Op korte termijn zal de efficiëntie van voederopname ook toenemen als er meer metaboliseerbare energie in de melk komt en er minder wordt gebruikt voor lichaamsopbouw. Op lange termijn zal dit zorgen voor gewichtsverlies wat weer negatief voor de koe kan zijn (Goddard & Grainger, 2004). Een belangrijk knelpunt binnen het gebruik van voederconversie in de melkveehouderij is dat men te maken heeft met lactatiecycli waarin mobilisatie en aanzet van reserves een belangrijke rol spelen. Bij varkens en kippen stelt dit probleem zich niet en is het dus makkelijker om voederconversie te berekenen. Een tweede belemmering is dat de melkveehouder wel een duidelijk zicht heeft op de hoeveelheid opgenomen krachtvoer van individuele melkkoeien, maar meestal is er weinig tot geen informatie beschikbaar over de opname van ruwvoer per melkkoe op het bedrijf. Doordat de koeien grazen is er slechts een schatting van de hoeveelheid opgenomen voeder mogelijk. In praktijk wordt meestal de DS-opname van het rantsoen voor groepen koeien gemeten door bijvoorbeeld een voermengwagen met weeginstallatie waarbij de verse stof wordt gemeten en nadien omgerekend wordt naar droge stof (Duinkerken et al., 2007). 34

36 2.3 Relatie tussen dierenwelzijn en bedrijfstechnische - en economische prestaties Dierenwelzijn in relatie met bedrijfstechnische - en economische prestaties Er is al heel wat onderzoek gedaan naar de relatie tussen dierenwelzijn en de economische bedrijfsprestaties van het melkveebedrijf. In het onderzoek van Bondt et al. probeert men een samenhang aan te tonen tussen welzijnsparameters en de economische resultaten van een melkveebedrijf (Bondt et al., 2001). Daarin wordt duidelijk dat op bedrijven met hoogproductieve koeien er relatief veel welzijnsgerelateerde voorzieningen aanwezig zijn. Een bedrijf waar er aanpassingen worden gedaan om het dierenwelzijn te verbeteren, zal uiteindelijk een hogere melkproductie realiseren. Optimale omstandigheden in de stal en optimale bedrijfsvoering kunnen dus resulteren in een betere productie en een verbeterd welzijn (Bondt et al., 2001). Gezondheid van het dier is een belangrijk aspect van dierenwelzijn. Ziektes of aandoeningen bij het melkvee zorgen voor een verminderd welzijn en dat zal ook negatieve gevolgen hebben voor de bedrijfseconomische resultaten. Mastitis, vruchtbaarheidsproblemen en kreupelheid zorgen voor grote economische verliezen in een melkveebedrijf (Enting et al., 1997). Daarenboven zorgen deze aandoeningen ook voor verhoogde dierenartskosten en vergen ze meer tijd van de landbouwer wat ook als een verliespost gerekend kan worden. Bij een hogere melkproductie wordt vastgesteld dat er zich ook hogere totale diergezondheidskosten manifesteren (Bondt et al., 2001). Volgens Whitaker et al. zijn de twee grootste economische verliesposten door gezondheidsproblemen de verminderde melkproductie en verloren toekomstige inkomsten door vroegtijdig kalven te moeten verwijderen uit de veestapel (Whitaker et al., 1983). Enting et al. voegden daar nog drie bijkomende belangrijke verliesbronnen aan toe, namelijk langere tussenkalftijd, hogere dierenartskosten en kosten voor werk en behandeling door de landbouwer (Enting et al., 1997) Clustervorming aan de hand van allocatieve efficiëntie Naast bovengenoemde kostenposten hebben ook de voederkosten een belangrijke invloed op de bedrijfseconomische prestaties. Om de relatie tussen het dierenwelzijn en technische en kostenefficiënt voedergebruik te onderzoeken, moet rekening gehouden worden met de aard van de aangewende kg DS. Bedrijven die verhoudingsgewijs minder krachtvoeder gebruiken, kunnen ondanks een minder goede voederconversie toch lagere voederkosten neerzetten. Zo kunnen er groepen gemaakt worden van gelijkaardige bedrijven en gekeken worden naar de eigenschappen van dit bedrijf binnen de vooropgestelde groep. Dit kan men doen door gebruik te maken van clustervorming aan de hand van allocatieve efficiëntie. Allocatieve efficiëntie (AE) meet de mogelijkheid van bedrijven om hun inputs te gebruiken in een kosten-minimaliserende proportie, gegeven de inputprijzen en productietechnologie. De AE-lijn wordt bepaald door de plaats waar de hoeveelheid inputs optimaal zijn ten opzichte van de inputprijzen (daar is AE =1) en de oorsprong. Zo kunnen bedrijven vergeleken worden aan de hand van hun positie ten opzichte van deze lijn. Zo kan het zijn dat twee bedrijven dezelfde AE score hebben, maar een verschillende hoeveelheid inputs gebruiken (Bedrijf 1 en Bedrijf 2 op figuur 9a). Om bedrijven te groeperen op basis van een gelijkaardig inputgebruik, kan men deze oorspronkelijke AE score niet gebruiken. Om bedrijven toch te kunnen groeperen werkte het Instituut voor Landbouw- en Visserij Onderzoek een aangepaste allocatieve efficiëntie index (adjusted allocative efficiency index of AAEI) uit (Van der Voort et al., submitted). 35

37 Figuur 9: Figuur a toont de CE, TE en AE scores van twee bedrijven en twee inputs. In Figuur b worden bedrijven gegroepeerd aan de hand van hun TE en AE scores. Daar wordt duidelijk dat bedrijven gegroepeerd worden met een totaal verschillend verbruik van inputs. Figuur c stelt een tweedimensionele voorstelling voor van het bepalen van de AAEI lijn aan de hand van een fictief bedrijf en de positionering van bedrijf 1 en bedrijf 2 ten opzichte van deze AAEI lijn om hun AAEI score te berekenen. In Figuur d worden de bedrijven geclusterd aan de hand van de bekomen AAEI scores (Van der Voort et al., submitted). De AAEI is berekend aan de hand van een fictieve isokostenlijn en een fictief bedrijf. Dit wordt grafisch voorgesteld door Figuur 9c waarbij twee inputs bekeken worden ten opzichte van een output. De positie van het fictief bedrijf wordt bekomen door de maximale hoeveelheid van input X 2 per eenheid output Y voor alle bedrijven te bepalen en te combineren met het minimum van input X 1 per eenheid van output Y voor alle bedrijven verminderd met een zeer klein getal. Deze bewerking zorgt ervoor dat het fictieve bedrijf net onder de oorspronkelijke grenslijn ligt en zo deel uitmaakt van de nieuwe grenslijn waardoor het bedrijf ook technisch efficiënt wordt, maar de technische efficiëntie van de andere bedrijven niet beïnvloed wordt. Daarna wordt een fictieve isokostenlijn bepaald door fictieve inputprijzen op te stellen. Zo wordt een AAEI lijn geconstrueerd doorheen het punt van het fictieve bedrijf. De lijn geeft een voorstelling van de maximale AAEI score en alle reële bedrijven bevinden zich aan één kant van deze lijn, waardoor ze met elkaar vergeleken kunnen worden aan de hand van hun aangepaste allocatieve efficiëntiescore. In tegenstelling tot de AE score hebben alle bedrijven met een verschillende hoeveelheid aan inputs nu ook altijd een verschillende AAEI score. De combinatie van de TE score en de AAEI score geeft ons nu de mogelijkheid om bedrijven te groeperen aan de hand van hun positie in de input-output ruimte (Figuur 9d). Voor iedere input moet een verschillende AAEI score bepaald worden ten opzichte van de output. Het 36

38 aantal AAEI scores is daarmee gelijk aan het aantal inputs dat in de analyse wordt gebruikt. Om de bedrijven te clusteren worden dus de TE score en de AAEI scores van de verschillende inputs gebruikt (Van der Voort et al., submitted). 37

39 3 Materialen en methodologie Het onderzoek binnen deze scriptie bestaat uit drie grote stappen. In een eerste stap wordt er uitgebreid data verzameld zowel over het dierenwelzijn op een melkveebedrijf volgens het Welfare Quality R protocol als over de bedrijfstechnische en -economische resultaten. In een tweede stap wordt een efficiëntie-analyse uitgevoerd om bedrijven te kunnen positioneren aan de hand van hun voederverbruik. In een derde stap worden de resultaten van de efficiëntie-analyse in relatie gebracht met het dierenwelzijn op het bedrijf. Naast deze scriptie wordt parallel een andere scriptie uitgevoerd waarbij gezocht wordt naar correlaties tussen bedrijfstechnische en -economische kengetallen en dierenwelzijn op melkveebedrijven in Vlaanderen. De meerwaarde van beide thesissen samen te brengen bestaat erin na te gaan of de efficiëntie-analyse van de bedrijven een toegevoegde waarde heeft en gelijkaardige resultaten oplevert ten opzichte van het louter gebruiken van traditionele kengetallen. 3.1 Dataverzameling Dierenwelzijn Dataverzameling over het dierenwelzijn op melkveebedrijven gebeurt volgens het Welfare Quality R protocol. Daarbij zijn twee onderzoekers van het ILVO doorheen Vlaanderen getrokken om het welzijn op verschillende bedrijven te evalueren. Vooraleer de bezoeken plaats hadden, kregen de onderzoekers een opleiding over het Welfare Quality R protocol. De onderzoeker voert daarna de metingen op de bedrijven uit aan de hand van de vooropgestelde vragen uit het protocol. Een voorbeeld van de bevraagde gegevens wordt gegeven in Figuur 10 waar een score bepaald wordt voor het criterium omtrent de afwezigheid van langdurige dorst. Daarbij worden verschillende metingen gecombineerd om uiteindelijk een criteriumscore te bekomen. De combinatie van criteriumscores wordt dan verwerkt tot een principescore en de vier principescores geven aanleiding tot een algemene beoordeling. Figuur 10: Een beslissingsboom waarbij de verschillende metingen worden bekeken om tot een score te komen voor het criterium rond afwezigheid van langdurige dorst (Welfare Quality, 2009). Er werden twee reeksen van bedrijfsbezoeken ondernomen wat leidde tot dierenwelzijnsresultaten voor een totaal van 121 bedrijven. Bij alle bedrijven werden alle metingen uitgevoerd en zo de verschillende scores bepaald. Een kanttekening die hierbij vermeld moet worden, is het feit dat het criterium rond thermisch comfort hier niet bepaald wordt. Dit komt omdat er tot op heden geen 38

40 indicator voor thermisch comfort is opgenomen in het Welfare Quality R protocol Economische en bedrijfstechnische gegevens Om de efficiëntie analyse te kunnen uitvoeren, waren gedetailleerde gegevens nodig rond het voederverbruik, de melkproductie en de kosten en opbrengsten die ermee gepaard gaan. Ook voor de thesis die parallel aan deze thesis wordt uitgevoerd, was een set van bedrijfstechnische en -economische gegevens vereist. De bedrijven die deelgenomen hadden bij het bepalen van een dierenwelzijnsscore werden gecontacteerd om een vragenlijst in te vullen om zo routinematig verzamelde diertechnische en bedrijfseconomische gegevens te verkrijgen. Bedrijven die geen interesse meer hadden, werden uit de dataset verwijderd. Omdat er heel wat resultaten ontbraken bij de ingevulde vragenlijsten en er een groot aantal bedrijfsleiders niet antwoordden, werd geopteerd om de boekhoudingen op te vragen bij de respectievelijke boekhoudkantoren van de bedrijven. Dit werd echter gedaan nadat de individuele melkveehouder hiertoe zijn toestemming verleend had. 3.2 Efficiëntie analyse Specifieke keuze methode Vooraleer er kan gestart worden met de efficiëntie-analyse moet er een keuze gemaakt worden tussen DEA en SFA. Door de voor- en nadelen van de twee methodes met elkaar af te wegen, kan een definitieve keuze gemaakt worden. Om de resultaten van de efficiëntie analyse te kunnen clusteren, werd gekozen voor DEA met een CRS methode om de grenslijn te construeren. Dit laat toe om geen veronderstellingen over de parametrische vorm van de productiefunctie vooraf te moeten maken. Binnen deze analyse wordt gebruik gemaakt van een input-georiënteerde methode waarbij er gekeken wordt naar de inputs ten opzichte van een gegeven output. Omdat hier enkel gekeken wordt naar de relatie tussen voederefficiëntie ten opzichte van geproduceerde liters melk en omdat het aantal liters melk kan beïnvloed worden door verschillende factoren, worden de geproduceerde liters melk als gegeven output gesteld en wordt er gekeken naar hoe de verschillende inputs variëren ten opzichte van dit outputniveau. Het is dan ook niet de bedoeling om de hoeveelheid geproduceerde liters te verhogen gegeven de inputs, maar hoe de inputs efficiënter gebruikt kunnen worden ten opzichte van de gegeven output melk Inputs en outputs Binnen de efficiëntie analyse is de keuze van inputs een belangrijk gegeven. Omdat voederopname een belangrijk effect heeft op de melkproductie en de voederkosten een groot aandeel van de variabele kosten uitmaken (Allen, 2000) wordt dit gezien als een belangrijke factor om het dierenwelzijn op korte termijn te veranderen (Ryckaert & Anthonissen, 2012). In deze scriptie worden daarom enkel inputs met betrekking tot voederefficiëntie opgenomen. Er worden vier inputs bepaald: grasland en weiden, andere ruwvoeders, bijproducten en krachtvoeders. Deze worden tegenover één output gesteld, namelijk melkproductie. Binnen melkveebedrijven is melkproductie de belangrijkste output omdat alles in het werk wordt gesteld om een optimale melkproductie te bekomen. Binnen de verschillende boekhoudsystemen worden deze vier inputs en de output op een verschillende manier benaderd door de verschillen tussen de boekhoudingen onderling. Telkens wordt enkel het melkvee 39

41 in rekening gebracht en wordt het jongvee terzijde gelaten. Grasland en weiden Ruwvoeder vormt een belangrijk deel van het basisrantsoen. Heel wat ruwvoer wordt zelf geproduceerd, maar bij intensieve bedrijven wordt het tekort aan ruwvoer opgevuld door aangekocht ruwvoer (Proefstation voor de rundveehouderij, 1987). Binnen het ruwvoer spelen de hoeveelheid grasland en weiden een grote rol. Indien men kijkt naar het dierenwelzijn op melkveebedrijven is de mogelijkheid tot buiten grazen van melkvee opgenomen als een belangrijk criterium. Daarom wordt deze input apart behandeld. De hoeveelheid gevoederd gras wordt uitgedrukt in hectare en ook de kostprijs per hectare wordt onderzocht voor de verschillende bedrijven. Binnen de verschillende boekhoudingen is er geen mogelijkheid om onderscheid te maken tussen de hoeveelheid gras opgenomen tijdens grazen en de hoeveelheid opgenomen bij het voederen en daarom worden deze samen benaderd. Uit de enquetes kan een idee gevormd worden of de dieren mogelijkheid hebben tot grazen en hoeveel dagen per jaar, maar niet van alle opgenomen bedrijven werd een enquête ontvangen. Bij de boekhoudingen wordt eenzelfde methode gebruikt. Er wordt een oppervlakteverdeling gebruikt die aangeeft welk aandeel van ruwvoeder en weiden naar melkvee gaat gebaseerd op het aantal grootvee eenheden. Omdat het jongvee niet behandeld wordt binnen deze scriptie, wordt enkel het melkvee in rekening gebracht en wordt het jongvee terzijde gelaten. De totale hoeveelheid hectare grasland en weiden wordt zo bepaald door de hoeveelheden weiden, gras en raaigras op te tellen en te vermenigvuldigen met de oppervlakteverdeling. Daarnaast wordt eventueel aangekocht gras in hectare omgezet en toegevoegd. Daarbij wordt gerekend met een waarde van 11 ton DS/ha gras die we kunnen achterhalen uit de LIBA-boekhouding. De prijs per hectare wordt bepaald door de kostprijs per hectare te vermenigvuldigen met het aantal hectare en de oppervlakteverdeling en op te tellen voor de verschillende teelten die hier relevant zijn. Ook het bedrag aangekocht gras wordt hierbij opgeteld en door alles te delen door het aantal bekomen hectare wordt de uiteindelijke kostprijs per hectare gevonden. Ander ruwvoer Ander ruwvoer wordt voornamelijk bepaald door de hoeveelheid geproduceerd en aangekocht maïs. Maar ook voederbieten, luzerne, hooi en niet nader gespecifieerde ruwvoeders worden bij ruwvoer gerekend. Deze input wordt uitgedrukt in ton droge stof (DS) en prijs per ton DS. De oppervlakteverdeling wordt vermenigvuldigd met het aantal hectare en de gemiddelde DS-gehalte van de respectievelijke teelt. Deze DS-gehaltes zijn terug te vinden in tabel 2 en zijn een assumptie voor de totale opbrengst van de teelt. Dit wordt opgeteld voor alle teelten en ook de aankoop van ander ruwvoer wordt toegevoegd door de prijs per hectare te delen door het aantal DS per hectare en door de gemiddelde prijs per ton DS. Deze gemiddelde waarden worden uit de boekhouding gehaald en gelijk verondersteld binnen de verschillende boekhoudingssystemen. De kostprijs per ton droge stof van ander ruwvoer wordt bekomen door de oppervlakteverdeling te vermenigvuldigen met het aantal hectare van het ruwvoer en de kostprijs per hectare van de verschillende relevante teelten. Daarbij wordt eventueel aangekocht ruwvoer toegevoegd. Dit alles wordt gedeeld door de bekomen hoeveelheid ton DS waardoor we een uiteindelijke kostprijs per ton DS van ander ruwvoer bekomen. In sommige boekhoudingen wordt aangegeven dat er een hoeveelheid kuilvoeders aangekocht wordt. Aangezien dit kan bestaan uit kuilmaïs of graskuil wordt het ingedeeld in twee verschillende 40

42 Tabel 2: De gemiddelde waardes en gemiddelde prijs die gebruikt worden om hectare om te zetten naar DS-gehalte voor de verschillende ruwvoeders. ton DS/ha graskuil/hooi 11 snijmaïs 13 luzerne 10 ander ruwvoeder 10 inputs. De exacte hoeveelheid aangekocht gras kan niet worden achterhaald uit de boekhoudingen, waardoor een aanname moet gemaakt worden van wat er precies aangekocht wordt van kuilvoeders. Door te kijken naar de hoeveelheid zelfgeteelde voeders en de prijs van de totale hoeveelheid ruwvoeders kan een idee worden verkregen van wat er precies aangekocht wordt en bij welke input het wordt ingedeeld. Bijproducten Tijdens de productie van voedingsmiddelen komen dikwijls restproducten vrij die ingezet kunnen worden in het rantsoen van melkvee. Deze bijproducten kunnen ontstaan bij de bereiding van bier, suiker en aardappelverwerking (Subnel, 1992) en omvatten bijvoorbeeld perspulp, droge pulp en natte bijproducten. Bijproducten worden apart genomen van krachtvoeders wegens hun duidelijk verschil in prijs. In boekhoudsystemen als SBB en CCAB worden bijproducten niet apart genomen en samengerekend met krachtvoeders. Indien ze samen genomen zijn, kan dit ervoor zorgen dat de prijs van krachtvoeders een vertekend beeld geeft ten opzichte van de prijs van krachtvoeders waarbij de bijproducten wel apart behandeld worden. Voor de bijproducten wordt gekeken naar de hoeveelheid in ton DS en de prijs per ton. Voor de hoeveelheid wordt het bedrag van bijproducten per koe genomen en vermenigvuldigd met het aantal melkkoeien aanwezig op het bedrijf. De prijs per ton wordt bepaald door de prijs te nemen per ton en te vermenigvuldigen met de totale hoeveelheid aan bijproducten. Indien de bijproducten verdeeld worden onder jongvee en melkvee wordt een ratio bepaald die een idee geeft over de hoeveelheid bijproducten gebruikt door melkvee. Indien het totale bedrag niet voorhanden is (zoals in de LIBA-boekhouding), wordt het bedrag per koe vermenigvuldigd met het aantal melkkoeien. Dit bedrag wordt dan gedeeld door de bekomen hoeveelheid per ton DS maal het percentage aan DS-gehalte in het product. Dit procent is nodig om het bedrag per ton te bepalen en niet het bedrag per ton DS. Krachtvoeders Krachtvoeders kunnen zowel uit eigen teelten gehaald worden of aangekocht worden. Zo worden ondermeer enkelvoudige- of samengestelde krachtvoeders, granen, raapzaad, mineralen, soja- of raapschroot en vitaminen binnen deze input behandeld. Krachtvoeders vormen een belangrijke factor bij de droge stof opname van melkvee en zijn dus niet weg te denken uit het rantsoen van melkkoeien (Faverdin et al., 1991). Eerst wordt de hoeveelheid ton bepaald en daarna wordt er ook gekeken naar de prijs per ton krachtvoeders. De hoeveelheid kan men bepalen door het totale aantal ton te nemen van alle krachtvoeders zonder de bijproducten in rekening te brengen. Indien de krachtvoeders verdeeld worden onder jongvee en melkvee wordt een ratio opgesteld die weergeeft welk deel van de krachtvoeders 41

43 naar het melkvee gaat. Door deze ratio te vermenigvuldigen met de totale hoeveelheid bekomt men het aantal ton krachtvoeders. Dit wordt niet in ton droge stof uitgedrukt omdat voor krachtvoeders altijd een DS-gehalte van 90 % wordt verondersteld. Wanneer de totale hoeveelheid niet voorhanden is, maar enkel de hoeveelheid per koe wordt deze hoeveelheid vermenigvuldigd met het aantal melkkoeien om het totale aantal te bekomen. De prijs per ton wordt opgesteld door de totale hoeveelheid te vermenigvuldigen met de prijs per krachtvoeder en dit voor alle krachtvoeders opgeteld. Dit resultaat wordt dan gedeeld door de hoeveelheid ton en zo wordt de totale prijs per ton bepaald. Enkele boekhoudingen maken geen onderscheid tussen bijproducten en krachtvoeders. Hoewel er een duidelijk verschil is in prijs, worden deze bij bepaalde boekhoudsystemen samengenomen en in één enkele hoeveelheid voor krachtvoeders meegegeven. Dit kan een invloed hebben op de totale prijs van de krachtvoeders en ook op de totale resultaten van de efficiëntie analyse. Maar door het verschil in prijs tussen de twee inputs worden deze binnen de analyse toch apart behandeld. Melkproductie Als output wordt de totale hoeveelheid melk die geproduceerd wordt op het bedrijf genomen. Dit is immers een groot deel van de opbrengsten en is uiterst belangrijk binnen melkveebedrijven. Om een uniforme methode te vinden, wordt hier de hoeveelheid geproduceerde melk omgezet tot meetmelk. Deze meetmelk ofwel FPCM (Fat Protein Corrected Milk) wordt gecorrigeerd om melkproducties te vergelijken bij éénzelfde vet- en eiwitpercentage (4 % vet en 3.3 % eiwit). Om tot een uniforme berekening te komen wordt gebruik gemaakt van volgende formule: F P CM = ( (0.116 %vet) + (0.06 %eiwit)) lmelk Sommige boekhoudingen geven de eiwit- en vetgehalten weer in graden in plaats van procenten. Om deze omzetting te bekomen worden de graden gedeeld door Relatie dierenwelzijn en efficiëntie analyse: clustermethode Er zijn 43 bedrijven waar zowel data rond dierenwelzijn als bedrijfseconomische data beschikbaar zijn. Om de clusters correcter en waarheidsgetrouw te kunnen opstellen, worden nog 67 AMS bedrijven toegevoegd waarvan enkel de bedrijfseconomische resultaten voorhanden zijn. Zo bestaat de volledige dataset uit 110 bedrijven. Vooraleer de clusteranalyse uitgevoerd kan worden, moet er onderzocht worden of eventuele outliers of uitschieters die de resultaten kunnen beïnvloeden aanwezig zijn. Via scatterplots in Excel kan visueel al een eerste observatie naar outliers gebeuren. Verder kan er via boxplots, opgesteld via SPSS, een tweede visuele analyse van de inputs uitgevoerd worden. De inputs worden bekeken aan de hand van hun hoeveelheid input per 100 liter melk. Outlier analyse zorgt ervoor dat drie AMS bedrijven uit de dataset worden geweerd en er blijven uiteindelijk nog 107 bedrijven over om de analyse uit te voeren. Via DEA (uitgevoerd via GAMS model) wordt een TE- en AE-score voor elk van de 107 bedrijven bepaald. Om clusteranalyse te kunnen uitvoeren, krijgen de bedrijven een AAEI-score. Dit wordt mogelijk gemaakt door gebruik van een model geschreven in GAMS waarbij zowel de oorspronkelijke technische en allocatieve efficiëntie worden bepaald en ook de nieuwe allocatieve efficiëntie die gebruik maakt van de allocatieve index. Deze bewerking wordt voor de vier inputs herhaald en zo krijgt men resultaten van elke input die in een SAS dataset worden geplaatst. De clusteranalyse wordt dus uitgevoerd op basis van de AAEI-scores. 42

44 Na deze procedures kan een dataset aangemaakt worden in SAS om een eerste clusteranalyse uit te voeren. Via de methode van Average linkage wordt een eerste clusteranalyse gedaan. Via de CCC-waardes (Cubic Clustering Criterion) en de Pseudo F-statistic kan gezocht worden naar een piek. Deze piek geeft weer wat het optimale aantal clusters kan zijn (Figuur 11). Om de uitkomst te ondersteunen, kan de clusteranalyse opnieuw uitgevoerd worden via de K-means algorithm methode. Daarbij wordt vooraf meegegeven hoeveel clusters er gevormd moeten worden. De resultaten van deze methode geven weer welk bedrijf specifiek bij welke cluster hoort. Figuur 11: De drie grafieken geven een indicatie hoeveel clusters er gevormd moeten worden. Eenmaal de clusters opgesteld zijn, worden de gegevens voor het dierenwelzijn bij ieder bedrijf geplaatst. Zo kan een algemene beoordeling gevormd worden over het dierenwelzijn van alle bedrijven binnen één cluster en kunnen de clusters onderling met elkaar vergeleken worden. Ook de verdeling en de karakteristieken van het dierenwelzijn binnen een cluster worden verder bekeken. Teneinde verschillen tussen de clusters te ontdekken wordt steeds eenzelfde methode gebruikt. Eerst wordt de normaliteit van de waardes binnen een cluster getest aan de hand van een Kolmogorov- Smirnov test. Bij een significantieniveau lager dan 0.05 zijn de waardes niet normaal verdeeld. Is het niveau hoger dan 0.05 kunnen we wel spreken van een normale verdeling. Indien de clusters een verschillend resultaat geven, wordt gekeken naar het significantieniveau van de totale dataset om een uitsluitsel in verband met de normaliteit te bieden. Als de waarden normaal verdeeld zijn kan gebruik gemaakt worden van een onafhankelijke t-test om te kijken of de gemiddelden van de clusters significant verschillend zijn. Indien de dataset niet normaal verdeeld is, wordt gebruik gemaakt van een onafhankelijke non-parametrische test om te kijken of de gemiddelden significant verschillen. Bij de onafhankelijke t-test moet eerst gekeken worden of er met gelijke varianties of niet gerekend moet worden. Dit wordt bepaald door te kijken naar de Levene s test. Indien het significantieniveau van de Levene s test lager is dan 0.05, wordt de nulhypothese van gelijke varianties 43

45 behouden en worden dus gelijke varianties verondersteld. Is het significantieniveau hoger dan 0.05, wordt naar de waarden gekeken bij de veronderstelling dat varianties niet gelijk zijn. Daarna kan men kijken naar het significantieniveau (Sig 2-tailed) voor de t-test waarbij de nulhypothese de gelijkheid van de gemiddelden voorstelt. Ook hier geldt dat de nulhypothese verworpen wordt indien de significantiewaarde lager is dan 0.05 en ze behouden blijft indien het significantieniveau hoger is dan Uit dit significantieniveau kan men dus oordelen of de gemiddelden significant verschillen van elkaar of niet. De onafhankelijke non-parametrische test wordt gebruikt bij een niet-normale verdeling. De nulhypothese stelt hier de gelijkheid van de gemiddelden voor. Er wordt gebruik gemaakt van een Kruskal-Wallis test. Hier wordt het significantieniveau weergegeven en ook hier geldt dat de nulhypothese behouden blijft als het significantieniveau boven de 0.05 ligt. Er wordt tevens meegegeven of de nulhypothese moet weerhouden worden of niet. 44

46 4 Beschrijvende analyse 4.1 Welfare Quality R data Een voorgaande studie geeft de resultaten weer voor het dierenwelzijn op Vlaamse melkveebedrijven. Er wordt data voor het dierenwelzijn op een bedrijf behaald van 121 bedrijven. De uitgevoerde metingen zijn op ieder bedrijf hetzelfde, maar er is wel een verschil in het bedrijfstype van de verschillende bedrijven. Zo worden verschillende melkstaltypes gebruikt en ook de huisvesting kan verschillen. Daardoor kunnen sommige bedrijven beter of slechter scoren op bepaalde metingen door hun bedrijfstype. Figuur 12 geeft de verdeling weer van de bedrijven met hun specifiek bedrijfstype. De uiteindelijke resultaten tonen dat alle 121 bedrijven behoren tot de criteria van Enhanced en Acceptable. De classificatie van Enhanced of Onderscheidend wordt aan 27 bedrijven toegekend en 94 bedrijven bekomen de classificatie van Acceptable of Acceptabel. Figuur 12: Een figuur waarbij duidelijk wordt dat de verschillende staltypes een invloed kunnen hebben op de behaalde welzijnscategorie. Potstallen, waarbij de mest opgepot wordt, scoren gemiddeld beter voor dierenwelzijn. Men kan dus veronderstellen dat een gemiddeld Vlaams bedrijf niet uitermate goed scoort op vlak van welzijn, maar zeker ook niet slecht. Het grootste deel van de onderzochte bedrijven valt binnen de categorie Acceptabel, terwijl een kleiner deel van de bedrijven zich kunnen onderscheiden van de andere bedrijven op het vlak van dierenwelzijn door een betere eindbeoordeling te behalen. Binnen deze scriptie wordt het staltype verder niet in rekening gebracht en wordt er geen rekening gehouden met eventuele verschillen in de huisvesting. 4.2 Resultaten efficiëntie analyse Nadat bleek dat gegevens verzameld uit de enquete niet volledig bleken, werd de toestemming gevraagd aan de landbouwers om hun boekhoudsystemen van 2012 op te vragen. Zo kregen we uiteindelijk resultaten van 20 bedrijven met Boerenbond-, 8 met LIBA-, 5 met SBB-, 4 met CCAB- en 5 met Ceres boekhouding. De boekhoudsystemen verschillen onderling van elkaar waardoor soms 45

47 enkele assumpties moeten gemaakt worden voor het bepalen van de input in de juiste eenheid. Aan de dataset werden nog 64 AMS-bedrijven toegevoegd om de efficiëntie analyse uit te voeren en om een betere verdeling te krijgen. Vier inputs worden behandeld om één output te bepalen, waardoor het grafisch tweedimensionaal voorstellen van de efficiëntie analyse niet mogelijk is. Wel kan gekeken worden naar de karakteristieken van de peer-bedrijven en hoeveel bedrijven aanleiding geven tot het vormen van de productielijn (lijn SS in Figuur 4). Dit kan gedaan worden door de TE-score, AE-score en CE-score van ieder bedrijf onder de loep te nemen en te kijken welke bedrijven de frontier vormen. De frontier vormt de benchmark voor technische efficiëntie. Bedrijven met een TE-waarde van één vormen dus samen de opgestelde productielijn. Een korte blik in de data leert ons dat er elf bedrijven zijn met een TE-score van die samen de productielijn vormen. Het valt op dat zeven van de elf bedrijven geen onderscheid maken tussen bijproducten en krachtvoeders en er dus geen hoeveelheid bijproducten wordt meegegeven. Een blik naar de AE-score geeft ons dan een inzicht over hoe ver deze technisch efficiënte bedrijven verwijderd zijn van het kostenefficiënte punt. Hoe groter de waarde, hoe kosten-efficiënter het bedrijf produceert. Bedrijven met een hoge AE-score (vijf bedrijven met een AE-score hoger dan 0.9) gebruiken ten opzichte van de andere bedrijven niet specifiek een bepaalde input meer of minder. Er valt wel op dat de relatieve hoeveelheid krachtvoeders niet hoog is, terwijl er gemiddeld gezien ten opzichte van de andere bedrijven iets meer gras en ruwvoeder wordt gebruikt. Twee bedrijven halen een AE-score tussen de 0.8 en 0.9. Deze twee bedrijven gebruiken relatief minder gras dan de andere negen bedrijven en een tamelijk hoge hoeveelheid krachtvoeders (en bijproducten). Bedrijven met een AE-score tussen 0.7 en 0.8 gebruiken gemiddeld gezien meer gras dan de andere peer-bedrijven en minder ander ruwvoeder. Een bedrijf met een score van gebruikt veel gras en ruwvoeder, maar gebruikt dan weer opvallend weinig krachtvoeders. De melkproductie van dit bedrijf is ook niet hoog, waardoor de oorzaak van de mindere AE-score waarschijnlijk gehaald kan worden uit het feit dat er teveel gras en ruwvoeder aangekocht of geproduceerd wordt. Eén bedrijf krijgt een AE-score van Dit bedrijf valt op door de hoge melkproductie en de hoge hoeveelheden voeder toegediend. Als men de hoeveelheden relatief uitdrukt per 100 l melk, kan men zien dat dit bedrijf met de laagste AE-score gemiddeld veel meer krachtvoeders gebruikt dan de andere technisch efficiënte bedrijven. Algemeen kunnen we dus stellen dat er elf bedrijven zijn die de frontier vormen. Van die elf bedrijven valt op dat bedrijven met een lage AE-score gemiddeld meer krachtvoeders gebruiken. Aangezien sommige bedrijven geen aanduiding van de hoeveelheid bijproducten geven, is het moeilijk om daaruit conclusies te trekken. De prijzen van bijproducten zijn namelijk veel lager en indien de boekhouding een opsplitsing maakt tussen bijproducten en krachtvoeders, valt op dat een grote hoeveelheid bijproducten en minder krachtvoeders zorgen voor een betere AE-score. Krachtvoeders zorgen er voor dat er meer melk geproduceerd wordt, maar om kosten efficiënt te produceren moet er goed nagedacht worden over de hoeveelheid krachtvoeders toegediend. Een hogere krachtvoedergift geeft namelijk niet automatisch een betere efficiëntiescore. 4.3 Resultaten cluster analyse De uiteindelijke dataset bestaat uit 107 bedrijven waarvan 43 bedrijven welzijnsdata bevatten. Na de gebruikte methode om outliers te verwijderen uit de dataset, wordt de technische efficiëntie en 46

48 zowel oorspronkelijke als de AAEI-score bepaald per bedrijf. Deze resultaten worden in een dataset gevoegd en via SAS wordt het aantal clusters bepaald aan de hand van de waardes voor de AAEI-score. Het bepalen van het aantal clusters gebeurt door te kijken naar de Cubic Clustering Criterion(CCC)-waardes, de pseudo-f waardes en de pseudo-t-squared waardes. Deze waardes geven een aanduiding van het optimale aantal clusters, maar het blijft uiteindelijk een subjectieve keuze. De verschillende methodes om clusters te bepalen geven immers soms verschillende resultaten, waardoor de onderzoeker zelf een keuze moet maken betreffende het aantal clusters. Deze keuze is subjectief, maar is gebaseerd op de resultaten van de verschillende clustermethodes. Figuur 13: De figuur geeft zowel de CCC-, Pseudo F- en Pseudo t-squared waardes, bekomen door de Average linkage methode om het aantal clusters te bepalen. Deze waardes geven een indicatie van het aantal clusters dat best opgesteld wordt, maar uiteindelijk blijft de keuze van het aantal bij de onderzoeker en is het een subjectieve keuze. In Figuur 13 en Figuur 14 worden de resultaten van de 107 bedrijven weergegeven. Bij de CCC-waardes moeten we kijken naar een piek in de waardes om het ideale aantal te weten. In de tabel bij Figuur 13 zien we dat een piek zich manifesteert bij twee clusters. De waarde is daar 1.10 en zakt daarna terug tot 0.20, wat een indicatie kan zijn voor een ideaal aantal clusters. Bij de waardes van de pseudo F statistics moeten we kijken naar een sterke verandering tussen opeenvolgende waardes. De sterkste daling is hier tussen twee en drie clusters wat ook weer een indicatie geeft dat twee clusters een goede keuze zou zijn. Als laatste kijken we naar de pseudo t-squared waardes. Daar kijken we naar sterke dalingen gevolgd door een stijging. Hoewel er geen stijging is tussen de waardes van twee (24.0) en drie (22.6), kan de sterke daling tussen één en twee toch een indicatie geven van een goed resultaat. Hier kan men ook opmerken dat bij vijf clusters er tevens een goed resultaat bekomen wordt. Er is namelijk een daling van vier (17.1) naar vijf (10.2) en een stijging van vijf (10.2) naar zes (22.4). Kijken we echter naar vijf clusters bij de CCC- en pseudo 47

49 Figuur 14: De drie grafieken geven een indicatie hoeveel clusters er gevormd moeten worden. F waardes, dan zien we geen opmerkelijke verschillen waardoor we uiteindelijk de keuze nemen om met twee clusters verder te werken. Deze resultaten kunnen ook grafisch bekeken worden in de bijhorende grafieken van Figuur 14. Uiteindelijk geeft het SAS-rapport ook een boomdiagram weer waarbij elk bedrijf een specifieke plaats krijgt binnen de cluster (Figuur15). Uiteindelijk wordt de procedure herhaald via de K-means methode om ieder bedrijf in een cluster in te delen. Door vooraf mee te geven dat er met twee clusters wordt gewerkt, kan de methode uitgevoerd worden en ieder bedrijf ingedeeld worden in één van de twee clusters. Zo bekomen we uiteindelijk twee clusters waarbij de eerste cluster 76 bedrijven bevat waarvan we van 25 bedrijven over welzijnsdata beschikken en een tweede cluster met 31 bedrijven waarvan er van 18 bedrijven welzijnsdata beschikbaar zijn. 48

50 Figuur 15: Een boomdiagram dat ieder bedrijf een plaats geeft binnen de bepaalde cluster. 49

51 5 Resultaten In dit deel wordt nagegaan of er een correlatie is tussen de welzijnsscores en de resultaten van de efficiëntie analyse om zo een antwoord te vinden op de onderzoeksvraag. In de beschrijvende analyse werden de resultaten besproken van de efficiëntie analyse en de evaluatie van het dierenwelzijn. Ook de clustervorming kwam uitgebreid aan bod. In dit deel willen we nagaan of er een verschil is in dierenwelzijn tussen verschillende clusters enerzijds en of er een verschil is in dierenwelzijnsresultaten binnen een cluster anderzijds. De eerste analyse gaat na of het voedermanagement invloed heeft op dierenwelzijn. De tweede analyse bekijkt vooral binnen de groep bedrijven met gelijkaardig gebruik van voedermiddelen of er een correlatie is tussen efficiëntie en dierenwelzijn. 5.1 Vergelijking tussen de clusters: Dierenwelzijn Van de 107 bedrijven binnen de dataset, beschikken we van 43 bedrijven over data voor het welzijn van het melkvee op het bedrijf. 25 van deze bedrijven bevinden zich in de eerste cluster, achttien bedrijven bevinden zich in de tweede cluster. Eerst worden de eindbeoordelingen omtrent welzijn tussen de twee clusters bekeken om dan dieper in te gaan op de verschillen tussen de clusters met betrekking tot principe- en criteriumscores. Daarbij worden belangrijke welzijnsparameters zoals mastitis, mortaliteit en kreupelheid uitgebreid behandeld en vergeleken Welzijnscategorieën Vooraleerst kan gekeken worden naar de verschillen tussen de twee clusters inzake de categoriebepaling. Cluster 1 bevat 25 bedrijven waarvan welzijnsscores beschikbaar zijn. Binnen deze 25 bedrijven krijgen vijf bedrijven de beoordeling van Enhanced terwijl twintig bedrijven in de categorie van Acceptable worden ingedeeld. Cluster 2 omvat achttien bedrijven waarvan data omtrent het welzijn op het bedrijf beschikbaar is. Van deze achttien bedrijven behoren vijf bedrijven tot de categorie Enhanced en dertien bedrijven tot de categorie Acceptable. Op basis van deze gegevens kan nog geen duidelijk verschil aangetoond worden tussen de twee clusters Principescores Om een beter inzicht te krijgen in mogelijke verschillen tussen de twee clusters wordt naast de algemene beoordeling op het vlak van welzijn ook gekeken naar de principescores van de bedrijven. De principescores voor goede voeding, goede huisvesting, goede gezondheid worden bekeken om verschillen te ontdekken. In Tabel 3 wordt een overzicht gegeven van de gemiddelden en standaardafwijkingen van de vier principes voor de twee clusters. Bij het principe van goede voeding wordt een duidelijk verschil in gemiddelden waargenomen en ook de standaardafwijking verschilt sterk. Bij de principes van goede huisvesting en goede gezondheid zijn de verschillen tussen de twee clusters eerder klein. Bij passend gedrag is een verschil waarneembaar, maar het moet verder onderzocht worden of dit een significant verschil is of niet. De normaliteitstesten geven weer dat de clusters bij het principe voor goede voeding niet normaald verdeeld zijn, maar dat de drie andere principes wel een normale verdeling volgen. De p-waarde (of significantieniveau) wordt dus voor goede voeding bepaald via een onafhankelijke 50

52 Tabel 3: Verschillen in gemiddelde (standaardafwijking) principescores tussen cluster 1 en cluster 2 van melkveebedrijven. Principe Cluster 1 (n=25) Cluster 2 (n=18) p-waarde Goede voeding (11.96) (29.01) Goede huisvesting (11.56) (13.39) Goede gezondheid (10.07) (7.00) Passend gedrag (13.90) (14.41) non-parametrische test en voor de principes van goede huisvesting, goede gezondheid en passend gedrag via een onafhankelijke t-test. De p-waardes worden tevens weergegeven in Tabel 3. Zo kan men concluderen dat de gemiddelden van de twee clusters een significant verschil tonen voor het principe rond goede voeding, maar niet voor de drie andere principes. Het principe rond goede voeding vertoont wel significante verschillen tussen de gemiddelden. Op het eerste zicht leek er een verschil tussen cluster 1 en cluster 2 met betrekking tot de principescore De t-test geeft ons echter een ander resultaat, maar toch is het nuttig om nog verder te kijken naar eventuele verschillen tussen de criteriumscores om een vollediger resultaat te kunnen bekomen Criteriumscores en belangrijke welzijnsparameters Het vergelijken van de criteriumscores kan nog dieper ingaan op het al dan niet verschillen van de twee clusters. In het bijzonder wordt gekeken naar de verschillen tussen belangrijke welzijnsparameters zoals mastitis, kreupelheid en mortaliteit. De resultaten van de onafhankelijke testen worden meegegeven in Tabel 4. Het criterium rond thermisch comfort wordt hier niet behandeld omdat er in het Welfare Quality R protocol geen indicatoren aanwezig zijn om het thermisch comfort te beoordelen. Tabel 4: De gemiddelden en standaardafwijking van beide clusters wordt gegeven voor elke criteriumscore. Daarnaast wordt ook de p-waarde meegegeven. criterium Cluster 1 (n=25) Cluster 2 (n=18) p-waarde Afwezigheid van langdurige honger (21.55) (20.60) Afwezigheid van langdurige dorst (13.72) (34.80) Comfort tijdens het rusten (14.93) (16.92) Bewegingsvrijheid (13.20) (21.34) Afwezigheid van verwondingen (19.41) (11.77) Afwezigheid van ziektes (13.73) (10.94) Afwezigheid van pijn door managementprocedures (11.07) (12.25) Vertonen van sociaal gedrag (12.92) (21.06) Vertonen van ander normaal gedrag (36.69) (33.23) Goede mens-dier interacties (12.43) (11.83) Positieve emotionele staat (15.82) (15.73) Uit de Tabel 4 kan men afleiden dat er twee gemiddelden tussen de twee clusters significant 51

53 verschillen, namelijk voor het criterium van afwezigheid van langdurige dorst en het criterium rond goede mens-dier interacties. Dit kan men zien doordat de p-waarde onder 0.05 ligt en de nulhypothese van gelijke gemiddelden dus verworpen wordt. Het criterium rond afwezigheid van dorst verklaart het verschil tussen de gemiddelden bij het principe rond goede voeding. Het criterium rond goede mens-dier interacties verschilt tussen de clusters, ondanks het feit dat er geen verschil in principescores voor passend gedrag kon aangetoond worden. Dit kan verklaard worden doordat de scores voor de andere criteria binnen dit principe tussen de clusters niet verschillen. Belangrijke welzijnsparameters zoals mastitis en mortaliteit behoren tot het criterium afwezigheid van ziektes, terwijl kreupelheid behoort tot het criterium afwezigheid van verwondingen. Bij beide criteria is geen significant verschil tussen de twee clusters waar te nemen. Nu kan nog even verder nagegaan worden of eventuele welzijnsparameters binnen deze criteria een verschil genereren tussen de clusters. Statistische testen wijzen uit dat er geen verschil is tussen de gemiddelden van de twee clusters voor parameters als mortaliteit, mastitis en kreupelheid (Tabel 5). De data voor mortaliteit is niet normaal verdeeld, terwijl de andere welzijnsparameters wel een normaal verdeelde dataset vertonen. Bij mastitis is het gemiddelde van de eerste cluster (6.93) wel iets kleiner dan het gemiddelde van de tweede cluster (7.31), wat er op kan wijzen dat cluster 1 iets beter scoort rond aantal mastitisgevallen op het bedrijf. Dit verschil wordt echter niet bevestigd door statistische testen. Gemiddelden voor het mortaliteitscijfer op melkveebedrijven vertonen ook geen grote significante verschillen. Hoewel cluster 1 (3.08) duidelijk een hoger percentage heeft dan cluster 2 (1.80), geven de statistische testen geen significante verschillen aan. Bij kreupelheid ziet men dat de meeste bedrijven goed scoren inzake ernstige kreupelheid. Beide gemiddelden voor ernstige kreupelheid bevinden zich rond de zes procent (cluster 1: 5.70, cluster 2: 5.84). Er zijn echter geen statistische verschillen waar te nemen tussen de twee clusters inzake kreupelheid. We kunnen dus besluiten dat er geen verschillen zijn tussen de twee clusters inzake belangrijke welzijnsparameters. Tabel 5: De gemiddelden en standaardafwijking van beide clusters wordt gegeven voor de vooropgestelde welzijnsparameters. Daarnaast wordt ook de p-waarde meegegeven. welzijnsparameter Cluster 1 (n=25) Cluster 2 (n=18) p-waarde Mastitis (procent) 6.93 (5.40) 7.31 (5.05) Mortaliteit 3.08 (2.50) 1.80 (1.61) Percentage niet kreupel (13.33) (9.64) Percentage gematigd kreupel (9.45) (8.89) Percentage ernstig kreupel 5.70 (5.06) 5.84 (5.49) Besluit Men kan dus besluiten dat er geen grote verschillen zijn in dierenwelzijn tussen de twee clusters. De gemiddelden van mastitis, kreupelheid en mortaliteit liggen voor de twee clusters dicht bij elkaar en tonen geen significante verschillen. Indien we kijken naar de criteriumscores zien we dat er twee criteria een verschillend gemiddelde hebben. Bij afwezigheid van langdurige dorst scoort cluster 1 beduidend slechter dan cluster 2. Bij het criterium rond mens-dier interacties blijkt het zelfde verhaal en scoort ook hier cluster 2 beter dan cluster 1. Als men kijkt naar de verschillen tussen de verschillende principescores zien we dat het principe rond goede voeding een duidelijk verschil tussen de twee clusters weergeeft. De bedrijven binnen cluster 1 behalen hier een score van

54 gemiddeld terwijl de bedrijven van cluster 2 een gemiddelde halen van Ook het principe rond passend gedrag geeft weer dat cluster 2 iets beter scoort dan cluster 1. Hoewel er geen significante verschillen zijn, zien we dat de waardes (cluster 1: 40.37, cluster 2: 44.17) toch enigszins uit elkaar liggen. De scores voor de twee andere principes zijn nagenoeg gelijk tussen de twee clusters. Als men kijkt naar de categorieën zien we dat cluster 2 iets beter scoort met een gemiddelde van 28 procent aan bedrijven met de categorie onderscheidend ten opzichte van 19 procent aan bedrijven met de categorie onderscheidend in cluster 1. De tendens is echter niet significant. 5.2 Vergelijking tussen de clusters: Bedrijfstechnische en -economische resultaten Het is nuttig om naast de welzijnsparameters ook te kijken naar de verschillen tussen de twee clusters voor bedrijfstechnische en -economische resultaten. Uiteraard wordt voederefficiëntie en de verdeling tussen ruw- en krachtvoeder hier uitgebreid onder de loep genomen. Om de clusters nog beter te vergelijken wordt naast de voederverdeling eveneens gekeken naar de kenmerken van elke cluster voor andere kengetallen zoals aantal melkkoeien, melkprijs, melkproductie, bruto saldo, afkalfleeftijd, tussenkalftijd en vervangingspercentage Voederconversie en ruw/krachtvoeder verdeling De clusters worden gevormd op basis van de verdeling van de verschillende ruw- en krachtvoeders. De specifieke verdeling binnen een bepaalde cluster zorgt er dan voor dat we besluiten kunnen trekken omtrent deze cluster. Eerst wordt gekeken naar de gemiddelden van de vier inputs voor de twee clusters en ook de kostprijs van de vier inputs wordt even onder de loep genomen. Tenslotte wordt met extra aandacht gekeken naar de voederefficiëntie tussen de twee clusters. De vier inputs worden uitgezet per 100 l melk om de waardes te kunnen vergelijken. Aangezien enkele waarden van bijproducten niet voorhanden zijn in de boekhoudingen, omdat deze geen onderscheid maken tussen krachtvoeders en bijproducten, worden deze als onbekende waarde behandeld. Dit geeft als gevolg dat er twee ontbrekende waarden zijn binnen cluster 1 en 21 ontbrekende waarden binnen cluster 2. De gemiddelden en de p-waarde voor de inputs worden weergegeven in Tabel 6. Eerst worden de gemiddelden meegedeeld voor de verschillende bedrijven in hun eenheid per 100 l melk waarna ook de gemiddelden relatief worden meegegeven in kg DS per 100 l melk om te kunnen vergelijken. Bij gras zien we dat relatieve gemiddelden niet ver van elkaar liggen ( ha/100 l melk of 42.4 kg DS/100 l melk voor cluster 1 en ha/100 l melk of 40.3 kg DS/100 l melk voor cluster 2). De bedrijven binnen elke cluster gebruiken dus ongeveer evenveel gras. Kijken we naar de uitkomsten van de p-waarde zien we dat er geen significant verschil is tussen de twee gemiddelden van de clusters (p-waarde groter dan 0.05). Dit lag in de lijn van de verwachtingen. Bij de gemiddelden per 100 l melk voor het aandeel ruwvoeder (exclusief grasland) zien we dat er wel een duidelijk verschil waarneembaar is. Indien we de gemiddelden van ton DS naar kg DS omzetten, krijgen we een gemiddelde voor cluster 1 van 42.6 kg DS per 100 l melk en een gemiddelde van 34.7 kg DS per 100 l melk voor cluster 2. Een bedrijf uit cluster 1 gebruikt dus gemiddeld gezien een acht kg DS meer per 100 l melk, wat toch een wezenlijk verschil is. Uit de p-waarde kunnen we inderdaad afleiden dat er een significant verschil is tussen de twee gemiddelden voor de gift van ruwvoeder. 53

55 Tabel 6: De gemiddelden en standaardafwijking van beide clusters worden gegeven voor de vooropgestelde inputs met tevens het gemiddelde uitgedrukt in ton DS. Daarnaast wordt ook de p-waarde meegegeven. input cluster N gemiddelde per 100 l melk (standaardafwijking) gras ruwvoeder bijproducten krachtvoer gemiddelde per 100 l melk ha ( ) 42.4 kg DS ha ( ) 40.3 kg DS ton DS (0.0133) 42.6 kg DS ton DS (0.0148) 34.7 kg DS ton DS (0.0188) 25.6 kg DS ton DS (0.0151) 17.6 kg DS ton ( ) 15.7 kg DS ton ( ) 19.8 kg DS p-waarde Bij de input rond bijproducten zien we dat de gemiddelden ook een wezenlijk verschil vertonen ( ton DS/100 l melk of 25.6 kg DS/100 l melk voor cluster 1 ten opzichte van ton DS/100 l melk of 17.6 kg DS/ 100 l melk voor cluster 2). Ook hier gebruikt een gemiddeld bedrijf uit cluster 1 een acht kg DS meer dan cluster 2. Door het kleine aantal bedrijven uit cluster 2 (slechts 10 bedrijven waarvan gegevens voor bijproducten beschikbaar zijn) geven de statistische testen aan dat er geen significant verschil is tussen de twee gemiddelden van de clusters. Men moet dus voorzichtig zijn met het trekken van eventuele conclusies betreffende het aantal bijproducten dat er wordt toegediend. Krachtvoeders vertonen een ander verhaal. De gemiddelden in kg DS worden bepaald door het oorspronkelijke gemiddelde te vermenigvuldigen met 0.9, wat de standaard waarde is om de hoeveelheid droge stof van krachtvoeders uit te drukken. Opnieuw is er een verschil tussen de twee clusters ( ton/100 l melk ofwel 15.7 kg DS/100 l melk voor cluster 1 ten opzichte van ton/100 l melk of 19.8 kg DS/100 l melk voor cluster 2), maar nu gebruikt een gemiddeld bedrijf uit cluster 2 vier kilogram DS krachtvoeders meer ten opzichte van cluster 1. De opmerking moet hierbij gemaakt worden dat bij bedrijven waarvan de hoeveelheden bijproducten en krachtvoeders niet opgesplitst worden, deze samen worden toegedeeld bij krachtvoeders. Deze zouden dus een hogere waarde kunnen hebben ten opzichte van de bedrijven waarbij de inputs bijproducten en krachtvoeder worden opgesplitst. Een korte blik naar de gegevens leert ons dat dit slechts een kleine invloed zal hebben en de hoeveelheden voor krachtvoeders bij deze bedrijven niet uitermate hoog liggen. Als test kon het gemiddelde berekend worden van de krachtvoeders voor de twee clusters waarbij de bedrijven die geen opslitsing maken tussen bijproducten en krachtvoeders niet meegerekend worden. Het gemiddelde werd dan ton voor cluster 1 en ton voor cluster 2 wat er op wijst dat de gemiddelde waardes weinig veranderen. Indien er gekeken wordt naar de p-waarde zien we dat een significant verschil tussen de gemiddelden van de twee clusters aangetoond wordt. Men kan dus stellen dat een bedrijf uit cluster 2 gemiddeld meer krachtvoeders gebruikt dan een bedrijf uit cluster 1. Vervolgens kunnen we even kijken naar de gemiddelde kostprijs voor de vier inputs. De gemiddelden worden weergegeven in Tabel 7. Daarin kan men zien dat de prijs voor de inputs gras, ruwvoeder en krachtvoeder telkens hoger ligt voor cluster 2 dan voor cluster 1. Voor gras is de kostprijs gemiddeld e70 per hectare meer voor cluster 1 dan voor cluster 2. Ruwvoeder voor cluster 1 heeft een meerkost van ongeveer e7 per ton DS ten opzichte van cluster 2. Voor krachtvoeders 54

56 is de kostprijs voor een bedrijf uit cluster 1 ongeveer e10 meer dan voor een bedrijf uit cluster 2. Bedrijven uit cluster 2 hebben dus gemiddeld een hogere kostprijs voor deze inputs dan een bedrijf uit cluster 1. Bij bijproducten wordt duidelijk dat een bedrijf uit cluster 1 gemiddeld e9 minder betaalt per ton bijproducten dan een bedrijf uit cluster 2. Tabel 7: De gemiddelden voor de kostprijs van de vier inputs uitgedrukt in hun eigen eenheid en in ton DS voor de twee clusters. Vervolgens wordt ook de p-waarde gegeven. input cluster N Gemiddelde prijs (standaardafw.) Gemiddelde prijs per ton DS gras euro/ha (151.99) euro/ton DS euro/ha (185.22) euro/ton DS ruwvoeder euro/ton DS (12.70) euro/ton DS euro/ton DS (17.47) euro/ton DS bijproducten euro/ton DS (15.76) euro/ton DS euro/ton DS (6.85) euro/ton DS krachtvoer euro/ton (31.12) euro/ton DS euro/ton (59.13) euro/ton DS p-waarde De statistische testen kunnen een uitsluitsel geven over eventuele significante verschillen tussen de twee clusters. De Kolmogorov-Smirnov test geeft weer dat enkel de data rond krachtvoeders niet normaal verdeeld is. Daarvoor wordt dus een onafhankelijke non-parametrische test uitgevoerd. Voor de andere drie inputs wordt gekeken naar de t-test. De uiteindelijke resultaten geven een significant verschil weer tussen de gemiddelde kostprijs voor de inputs van gras en ruwvoeder en geen significant verschil voor de kostprijs van bijproducten en krachtvoeders. Als laatste kan er nog gekeken worden naar de voederconversie en voederefficiëntie van een bedrijf. De voederconversie wordt bepaald door alle inputs om te zetten naar ton DS en dan te delen door de hoeveelheid meetmelk. De resultaten voor de twee clusters zijn terug te vinden in Tabel 8. De gemiddelden tonen een duidelijk verschil (1.256 voor cluster 1 ten opzichte van voor cluster 2) binnen de voederconversie. Ook de p-waarde geeft weer dat er een significant verschil is tussen de gemiddelden. Voederefficiëntie wordt uitgedrukt als het aantal liter dat geproduceerd wordt per kg DS voeder. Omdat dit de inverse is van voederconversie, wordt ook hier een significant verschil waargenomen. Cluster 1 haalt een voederefficiëntie van terwijl een gemiddeld bedrijf uit cluster liter produceert per kg DS voeder. 55

57 Tabel 8: De gemiddelde voederconversie voor de twee clusters samen met de uitkomst voor de non-parametrische test. voederconversie voederefficiëntie Cluster Aantal bedrijven Gemiddelde (standaardafw.) p-waarde (0.276) (0.249) (0.175) (0.274) Aantal melkkoeien, melkprijs en melkproductie De gemiddelden voor deze kengetallen worden meegegeven in Tabel 9. De p-waarde is voor de vier kengetallen steeds hoger dan het significantieniveau van 0.05, waardoor voor alle vier de kengetallen kan besloten worden dat er geen significante verschillen zijn tussen de gemiddelden van de twee clusters. Op een significantieniveau van 0.10 is er wel een significant verschil voor de twee clusters inzake melkprijs. Maar dit wordt verder niet behandeld. Tabel 9: Gemiddelden (standaardafwijking) van de twee clusters voor het aantal melkkoeien, de melkproductie in totaal en per koe en de melkprijs. Ook de p-waarde van de kengetallen worden meegegeven. kengetal cluster 1 (n=76) cluster 2 (n=31) p-waarde Aantal melkkoeien (27.74) (33.53) Melkproductie ( ) ( ) Melkproductie per koe (l/koe) ( ) ( ) Melkprijs (euro) (1.40) (3.05) Bruto saldo Naast de melkproductie, melkprijs en aantal melkkoeien is het bruto saldo tevens een belangrijk kengetal binnen de melkveehouderij. Het geeft het verschil weer tussen de opbengsten en de variabele kosten. We kunnen het bruto saldo zowel per koe bekijken ofwel per 100 l melk. Binnen cluster 1 was er één bedrijf waar er geen gegevens over het bruto saldo beschikbaar waren en cluster 2 telde twee bedrijven waarvan data ontbraken. Een samenvatting van de uitkomsten wordt gegeven in Tabel 10. Daarin zien we bij bruto saldo per koe dat het gemiddelde van cluster 1 hoger ligt dan cluster 2 en cluster 1 dus een beter bruto saldo haalt per koe. Dit kan eventueel verklaard worden door lagere variabele kosten binnen cluster 1. Ook het bruto saldo per 100 l melk volgt hetzelfde verhaal en daar scoort cluster 1 beter dan cluster 2. Tabel 10: De gemiddelden (standaardafwijking) van beide clusters voor het bruto saldo per koe en per 100 l melk en p-waarde van de statistische test. kengetal cluster 1 (n=75) cluster 2 (n=29) P-waarde Bruto saldo (euro/koe) (401.30) (410.21) Bruto saldo per 100 l melk (3.73) (4.82)

58 Kijken we echter naar de uitkomsten van de statistische testen in Tabel 10 dan zien we dat de gemiddelden van beide clusters voor zowel bruto saldo per koe als per 100 l melk geen significante verschillen tonen Afkalfleeftijd, tussenkalftijd en verdeling jongvee/melkvee Afkalfleeftijd, tussenkalftijd en vervangingspercentage geven een idee over vruchtbaarheidsprestaties op het bedrijf en kunnen het bruto saldo sterk beïnvloeden. Gegevens werden verzameld voor de 107 bedrijven, maar niet alle data kon bekomen worden door de verschillen tussen de boekhoudingssystemen. Ook binnen de AMS-dataset zijn veel gegevens rond afkalfleeftijd en de verdeling jongvee/melkvee niet beschikbaar. Gegevens voor vervangingspercentage zijn zelfs helemaal niet opgenomen. Daarom wordt even kort gekeken naar de verdeling tussen jongvee en melkkoeien op het bedrijf. Uiteindelijk bekomen we gegevens voor afkalfleeftijd van 21 bedrijven uit cluster 1 en achttien bedrijven in cluster 2. Voor tussenkalftijd vinden we resultaten van 70 bedrijven voor cluster 1 en 29 bedrijven voor cluster 2. Tenslotte vinden we 24 bedrijven van cluster 1 en achttien bedrijven van cluster 2 met gegevens voor de verdeling jongvee/melkvee. Resultaten zijn terug te vinden in Tabel 11. Tabel 11: Gemiddelden (standaardafwijking) en p-waarde voor afkalfleeftijd, tussenkalftijd en verdeling jongvee/melkvee. kengetal cluster N Gemiddelde (standaardafw) p-waarde Afkalfleeftijd (53.25) (50.57) Tussenkalftijd (31.83) (33.55) Verdeling jongvee/melkvee (0.248) (0.527) Het gemiddelde voor de afkalfleeftijd is voor beide clusters haast identiek ( dagen voor cluster 1 ten opzichte van dagen voor cluster 2). De statistische testen geven dan logischerwijs aan dat er geen significant verschil is. De weinige gegevens die beschikbaar zijn, kunnen de aanleiding zijn tot het geringe verschil. Als men deze gemiddelden omrekent naar maanden, vinden we voor beide clusters dat de afkalfleeftijd ongeveer 25 maanden bedraagt. Voor de tussenkalftijd zijn er wel gegevens van de meeste bedrijven beschikbaar. Voor cluster 1 bekomen we een gemiddelde van dagen terwijl cluster 2 een gemiddelde van dagen heeft. Tussenkalftijd kan een belangrijke invloed hebben op het bruto saldo. Het bruto saldo wordt echter door verschillende parameters bepaald en hangt niet alleen af van de tussenkalftijd. Uit de p-waarde bekomen via een onafhankelijke non-parametrische test wordt duidelijk dat er geen significant verschil is tussen de twee clusters inzake tussenkalftijd. Ook bij bruto saldo was er geen significant verschil. De gegevens voor het vervangingspercentage op de bedrijven zijn niet opgenomen in de verschillende boekhoudingen en ook niet voorhanden bij de AMS-bedrijven. Daarom wordt even kort 57

59 gekeken naar het aandeel jongvee/melkvee omdat dit een aanleiding geeft hoeveel jongvee er aanwezig is op het bedrijf en hoe snel de vervanging optreedt. We zien dat de gemiddelden van de bedrijven waar gegevens beschikbaar zijn onder 1 liggen (cluster 1: en cluster 2: 0.947), wat betekent dat de bedrijven in beide clusters meer melkkoeien dan jongvee huisvesten. De p-waarde (0.533) heeft een relatief hoge waarde voor de verdeling tussen jongvee en melkvee. Waarschijnlijk heeft het kleine aantal gegevens beschikbaar in de dataset een invloed op het bepalen van een significant verschil, waardoor hier geen significant verschil verondersteld wordt Relatie efficiëntiescores en voederefficiëntie Nu kunnen we even naar de verschillen in gemiddelde efficiëntiescores van de twee clusters kijken. In Tabel 12 kunnen we de gemiddelden van de TE-, AE- en CE-score van de twee clusters waarnemen. Daaruit kunnen we afleiden dat de gemiddelden voor de twee clusters dicht bij elkaar liggen. Via de p-waarde kunnen we concluderen dat er geen significante verschillen zijn tussen de gemiddelden van de twee clusters. Tabel 12: Gemiddelden (standaardafwijking) voor de TE-, AE- en CE-score van de twee clusters en de respectievelijke p-waarde van de scores. Cluster 1 Cluster 2 p-waarde TE-score (0.118) (0.161) AE-score (0.066) (0.066) CE-score (0.096) (0.156) Voor de voederefficiëntie en voederconversie werd er eerder een significant verschil tussen de twee clusters waargenomen, terwijl de resultaten van de efficiëntie analyse geen verschillen tussen de twee clusters genereren. Het kengetal van voederconversie of voederefficiëntie geeft dus een vertekend beeld over de echte efficiëntie op een bedrijf. Indien een bedrijf een grote hoeveelheid krachtvoeders gebruikt, zal er volgens de methode van voederefficiëntie een hoger aantal liter melk per kg DS geproduceerd worden, maar dat betekent niet dat het bedrijf daarom efficiënt omspringt met zijn voeders. Krachtvoeders zijn namelijk veel geconcentreerder dan ruwvoeder, maar hebben ook een veel hogere kostprijs. Efficiënt werken betekent niet alleen een hogere productie halen uit de hoeveelheid DS, maar ook met zo laag mogelijke kosten Besluit Indien we alle resultaten samen nemen voor de bedrijfstechnische- en bedrijfseconomische resultaten vallen er enkele zaken op. Bij de inputs zijn er significante verschillen waarneembaar bij ruwvoeder (exclusief grasland) en krachtvoeders. Bij gras en bijproducten is er geen significant verschil tussen de gemiddelden van de twee clusters. Voor de kostprijs zien we dat cluster 2 gemiddeld een hogere kostprijs heeft voor zowel gras als ruwvoeder. Bijproducten en krachtvoeders vertonen geen significante verschillen. Zo kunnen we besluiten dat bedrijven uit cluster 1 gemiddeld een hogere hoeveelheid ruwvoeders gebruiken dan bedrijven uit cluster 2, maar dat de kostprijs voor deze ruwvoeders lager is dan voor bedrijven uit cluster 2. Bij gras zijn er geen verschillen tussen de twee clusters, maar is de kostprijs voor grasland binnen cluster 2 wel significant hoger dan de 58

60 gemiddelde kostprijs bij cluster 1. Bij krachtvoeders zijn er geen verschillen tussen de twee clusters inzake kostprijs van de krachtvoeders, maar gebruiken bedrijven uit cluster 2 gemiddeld wel meer krachtvoeder dan bedrijven uit cluster 1. Voor de voederconversie en voederefficiëntie wordt opgemerkt dat bedrijven uit cluster 2 gemiddeld beter scoren. Zij hebben een lagere voederconversie en gebruiken dus minder voeder om één liter melk te produceren. Ze hebben tevens een hogere voederefficiëntie ten opzichte van bedrijven uit cluster 1 en produceren dus meer liter melk per kg voeder die er gebruikt wordt. Bij de efficiëntiescores bekomen uit de efficiëntie analyse worden echter geen significante verschillen tussen de twee clusters waargenomen, waardoor opgemerkt kan worden dat voederefficiëntie en efficiëntie analyse niet dezelfde resultaten genereren. Ook voor enkele andere kengetallen die behandeld werden, konden geen significante verschillen tussen de gemiddelden van de twee clusters vastgesteld worden. 5.3 Vergelijking binnen de clusters Naast de vergelijking tussen de twee clusters kunnen we ook binnen elke cluster kijken of bedrijven die kostenefficiënt melk produceren op basis van voeder, al dan niet betere dierenwelzijnsresultaten hebben. Daarbij kunnen we kijken naar de technische efficiëntiescores, allocatieve efficiëntiescores en kostenefficiëntiescores ten opzichte van het dierenwelzijn Relatie welzijn en efficiëntiescores binnen de twee clusters Om de correlaties te bekijken tussen de efficiëntiescores en het dierenwelzijn wordt gebruik gemaakt van een Kendall s tau correlatietest. Eerst wordt er gekeken of er correlaties zijn tussen de TE-, AEen CE-score en de principescores voor dierenwelzijn. De resultaten zijn terug te vinden in Tabel 13 voor cluster 1 en Tabel 14 voor cluster 2. In de tabel voor cluster 1 en cluster 2 is te zien dat geen enkele waarde een correlatie vertoont aangezien geen enkele p-waarde onder het significantieniveau van 0.05 (R-waarde aangeduid met *) of 0.01 (R-waarde aangeduid met **) ligt. Tabel 13: Correlaties (R-waarde en p-waarde) principescores en efficiëntie analyse voor bedrijven uit cluster 1. Cluster 1 principe goede principe goede principe goede principe passend voeding huisvesting gezondheid gedrag TE-score R-waarde p-waarde AE-score R-waarde p-waarde CE-score R-waarde p-waarde Aangezien de principescores niet gecorreleerd zijn met de efficiëntie scores worden de verschillende criteriumscores ook bekeken om eventuele correlaties te ontdekken. Opnieuw zijn er geen waarden beschikbaar voor thermisch comfort waardoor dit criterium niet opgenomen wordt in de bespreking. Voor elk van de overige elf criteriumscores wordt de R-waarde en de p-waarde bepaald ten opzichte van de technische, allocatieve en kostenefficiëntiescore. De resultaten voor cluster 1 59

61 Tabel 14: Correlaties (R-waarde en p-waarde) principescores en efficiëntie analyse voor bedrijven uit cluster 2. Cluster 2 principe goede principe goede principe goede principe passend voeding huisvesting gezondheid gedrag TE-score R-waarde p-waarde AE-score R-waarde p-waarde CE-score R-waarde p-waarde zijn terug te vinden in Tabel 15 en voor cluster 2 in Tabel 16. Binnen cluster 1 is er sprake van drie correlaties (aangegeven met * of ** in de tabel en ook vetgedrukt). De eerste correlatie die bekomen wordt is een positieve correlatie tussen de technische efficiëntiescore en het criterium rond afwezigheid van verwondingen. Bedrijven met een betere technische efficiëntie, hebben ook een hogere criteriumscore en dus heeft het melkvee minder last van verwondingen op het bedrijf. Er kan echter geen causaal verband aangetoond worden tussen deze twee factoren. Een tweede correlatie die bekomen wordt, is een positieve correlatie tussen de CE-score en het criterium voor afwezigheid van verwondingen. Dit komt hoofdzakelijk doordat er al reeds een correlatie aangetoond werd met de TE-score en de CE-score berekend wordt aan de hand van deze TE-score. De derde correlatie voor cluster 1 die in de tabel duidelijk is, is een correlatie tussen de AE-score en het criterium rond afwezigheid van pijn door managementprocedures (zoals staartknippen en onthoornen). De p-waarde is 0.01 waardoor deze correlatie significant is op het level van 0.01 wat betekent dat er een zeer sterke positieve correlatie is. Bedrijven uit cluster 1 waarvan de inputs in een kosten-minimaliserende proportie gebruikt worden om de winst te maximaliseren (AE) hebben ook een betere score voor de afwezigheid van pijn. Daarnaast worden ook alle criteriumscores uitgezet ten opzichte van de TE-, AE- en CE-score voor cluster 2 (Tabel 16). Daarbij wordt slechts één correlatie waargenomen waarbij de p-waarde onder het significantieniveau van 0.05 ligt (aangegeven in het vet en met een *), namelijk een correlatie tussen de kostenefficiëntie score en het criterium rond bewegingsvrijheid. Binnen dit criterium wordt gekeken of koeien aangebonden staan of loslopen. De correlatie is sterk negatief waardoor besloten kan worden dat er een verband is tussen bedrijven met een hoge CE-score en de score voor bewegingsvrijheid. Een eventuele oorzaak van deze correlatie kan zijn dat er op bedrijven, waarbij de dieren op stal zitten, beter kan gelet worden op wat het dier van voeder toegediend krijgt en er dus kostenefficiënter kan omgesprongen worden met het voeder. Bedrijven waarvan er mogelijkheid is tot buiten lopen en grazen, hebben minder zicht op hoeveel gras er opgenomen wordt waardoor er minder kostenefficiënt wordt omgesprongen met het voeder. Als laatste kunnen ook de belangrijkste welzijnsparameters even bekeken worden en hun relatie met de efficiëntiescores binnen de twee clusters. De resultaten van de correlatietest voor cluster 1 worden weergegeven in Tabel 17 en de resultaten voor cluster 2 vindt men terug in Tabel 18. In cluster 1 worden drie correlaties gevonden (aangegeven met * of ** en in het vet). De eerste correlatie die opgemerkt kan worden is er één tussen de welzijnsparameter mastitis en de technische efficiëntie score. Het is een sterk negatieve relatie met een p-waarde van Deze correlatie zou 60

62 Tabel 15: Correlaties (R-waarde en p-waarde) criteriumscores en efficiëntie analyse voor bedrijven uit cluster 1. Cluster 1 TE-score AE-score CE-score R-waarde p-waarde R-waarde p-waarde R-waarde p-waarde Afwezigheid langdurige honger Afwezigheid langdurige dorst Comfort tijdens het rusten Bewegingsvrijheid Afwezigheid van verwondingen 0.337* * Afwezigheid van ziektes Afwezigheid van pijn ** door managementprocedures Vertonen van sociaal gedrag Vertonen van ander normaal gedrag Mens-dier interacties Positieve emotionele staat kunnen verklaard worden door het feit dat bedrijven met een groter percentage aan dieren met mastitisproblemen meer productieproblemen hebben en er minder efficiënt wordt omgesprongen met het voeder. Bij mastitisproblemen levert de melkveestapel minder melk, maar wordt er wel evenveel voeder gegeven, waardoor het minder efficiënt is. Een tweede correlatie wordt gevonden tussen het percentage ernstig kreupele koeien op een bedrijf en de TE-score. Ook hier is het een sterk negatieve correlatie met een p-waarde van Opnieuw kan de oorzaak van de correlatie eventueel gevonden worden bij het feit dat kreupele dieren minder melk geven waardoor de technische efficiëntie daalt. De output (melk) is dan niet maximaal bij een gegeven input (gras, ruwvoeder, bijproducten en krachtvoeder). De derde negatieve correlatie wordt gevonden tussen de CE-score en het percentage ernstig kreupele dieren. Deze correlatie is te bepalen door de negatieve correlatie tussen TE-score en deze welzijnsparameter en door het feit dat meer ernstig kreupele dieren ervoor kunnen zorgen dat er minder kostenefficiënt gepresteerd wordt. Deze correlatie kan trouwens ook één van de achterliggende redenen zijn dat er een positieve correlatie gevonden is tussen de TE- en CE-score en het criterium rond afwezigheid van verwondingen. Kreupelheid wordt namelijk opgenomen binnen dit criterium en speelt een belangrijke rol bij verwondingen. Binnen cluster 2 worden twee correlaties ontdekt (aangegeven met * en vetgedrukt). Een eerste correlatie wordt gevonden tussen de welzijnsparameter mastitis en de allocatieve efficiëntie score. 61

63 Tabel 16: Correlaties (R-waarde en p-waarde) criteriumscores en efficiëntie analyse voor bedrijven uit cluster 2. Cluster 2 TE-score AE-score CE-score R-waarde p-waarde R-waarde p-waarde R-waarde p-waarde Afwezigheid langdurige honger Afwezigheid langdurige dorst Comfort tijdens het rusten Bewegingsvrijheid * Afwezigheid van verwondingen Afwezigheid van ziektes Afwezigheid van pijn door managementprocedures Vertonen van sociaal gedrag Vertonen van ander normaal gedrag Mens-dier interacties Positieve emotionele staat Tabel 17: Correlaties (R-waarde en p-waarde) belangrijke welzijnsparameters en efficiëntie analyse voor bedrijven uit cluster 1. Cluster 1 TE-score AE-score CE-score R-waarde p-waarde R-waarde p-waarde R-waarde p-waarde Mastitis ** Mortaliteit Niet kreupel Gematigd kreupel Ernstig kreupel ** * Deze correlatie is sterk negatief waardoor deze ondermeer kan verklaard worden door het feit dat meer mastitisgevallen op een bedrijf ervoor zorgen dat de inputs niet in een kosten-minimaliserende proportie worden gebruikt en geen aanleiding geven tot een maximale winst. Een tweede, opnieuw negatieve, correlatie wordt gevonden tussen mortaliteit en de allocatieve efficiëntie score. Een mogelijk oorzaak van deze correlatie is dat meer mortaliteitsgevallen op een bedrijf een sterke invloed hebben op de winst van een bedrijf. 62

64 Tabel 18: Correlaties (R-waarde en p-waarde) belangrijke welzijnsparameters en efficiëntie analyse voor bedrijven uit cluster 2. Cluster 2 TE-score AE-score CE-score R-waarde p-waarde R-waarde p-waarde R-waarde p-waarde Mastitis * Mortaliteit * Niet kreupel Gematigd kreupel Ernstig kreupel Besluit Nu kan men nog even de resultaten voor de correlaties van de twee clusters naast elkaar leggen. Bij cluster 1 wordt een correlatie gevonden tussen de TE-score en het criterium van afwezigheid van verwondingen en de welzijnsparameters mastitis en ernstig kreupel. Bij afwezigheid van verwondingen en ernstig kreupel wordt er ook een correlatie gevonden met de CE-score. Verder vinden we ook nog een correlatie binnen cluster 1 tussen de AE-score en het criterium rond afwezigheid van pijn door managementtechnieken. Cluster 2 vertoont een correlatie tussen het criterium rond bewegingsvrijheid en de CE-score. Verder vindt men ook een correlatie tussen de AE-score en de welzijnsparameters mastitis en mortaliteit. Eerst en vooral kunnen we zien dat geen enkele correlatie voorkomt bij beide clusters. Mastitis vertoont wel voor beide clusters een correlatie, maar met een andere efficiëntiescore. Dit kan er op wijzen dat mastitis toch een belangrijke invloed heeft op de efficiëntie score, wat ook logisch is aangezien meer mastitisgevallen op een bedrijf voor het minder efficiënt omspringen van voeder zorgen. Bij cluster 1 is het ook duidelijk dat er een positieve correlatie is tussen de TE-score en het criterium afwezigheid van verwondingen, maar ook een negatieve correlatie tussen de TE-score en het percentage ernstig kreupele dieren. Deze positieve correlatie is onder meer te danken aan de negatieve correlatie waarmee ze in verband staat. Kreupelheid is immers een welzijnsparameter die gemeten wordt binnen het criterium voor afwezigheid van verwondingen. Een hoger percentage aan ernstig kreupele dieren zorgt er immers voor dat de criteriumscore daalt. Uiteraard zijn, naast kreupelheid, ook andere factoren, die deze correlatie kunnen verklaren, binnen dit criterium belangrijk. 63

65 6 Discussie 6.1 Data dierenwelzijn Het dierenwelzijn in Vlaanderen varieert, zoals eerder al vermeld, tussen de categorieën onderscheidend en acceptabel. Geen enkel bedrijf scoort bedroevend slecht of uitstekend, waardoor de vraag kan gesteld worden of het welzijn op Vlaamse melkveebedrijven nog beter kan om binnen de categorie van excellent te horen en op welke manier dit kan gebeuren. Nu werd duidelijk dat staltype wel degelijk een invloed kan hebben op de dierenwelzijnsscore. Zo scoorden potstallen gemiddeld iets beter in dierenwelzijn dan ligboxstallen. In de scriptie wordt echter geen rekening gehouden met het staltype en de invloed daarvan op het dierenwelzijn. Die keuze werd gemaakt om alle bedrijven gelijk te behandelen ongeacht het staltype. Maar misschien werden bepaalde zaken daarmee over het hoofd gezien. 6.2 Efficiëntie analyse Met de bekomen bedrijfstechnische en -economische gegevens werd uiteindelijk een efficiëntie analyse uitgevoerd. Daarbij werden gegevens uit verschillende boekhoudsystemen verzameld en werden vier inputs (gras, ander ruwvoeder, bijproducten, krachtvoeder) opgesteld op basis van de hoeveelheid toegediend voeder. De verschillen tussen de boekhoudsystemen zorgen er echter voor dat enkele assumpties moesten gemaakt worden betreffende het DS-gehalte per hectare van enkele teelten. Daarbij wordt verondersteld dat een bepaalde teelt altijd dezelfde hoeveelheid DS bevat, maar in praktijk varieert deze waarde voor de teelten. Omdat het onmogelijk was om alle assumpties na te gaan bij de respectievelijke landbouwer werd een gemiddelde genomen op basis van gegevens beschikbaar in de boekhoudingen. Enkele boekhoudingen maken ook geen opsplitsing tussen bijproducten en krachtvoeders. Hoewel de prijzen van deze twee factoren sterk verschillen, worden ze toch in bepaalde systemen samen genomen. De oefening kan gemaakt worden waarbij alle bijproducten bij krachtvoeders gerekend worden (vergelijkbaar DS-gehalte) of zelfs bij ruwvoeder (vergelijkbare kostprijs) om te kijken of de resultaten daardoor beïnvloed worden en een andere wending krijgen. In deze scriptie werd echter gekozen om deze inputs apart te behandelen omwille van de grote verschillen tussen prijs en DS-gehalte. Ook worden ruwvoeders opgesplitst in gras en in ander ruwvoeder (zoals onder andere maïs). Een eventuele opsplitsing zou nog kunnen gemaakt worden binnen de input gras tussen het aantal hectare weideland en het oppervlakte gemaaid. Op het bedrijf wordt gras namelijk toegediend als kuilvoeder, maar kunnen dieren, die de mogelijkheid hebben om buiten te lopen, ook gras opnemen door te grazen. Bij het zoeken naar de peer-bedrijven die de outlier vormen bij de efficiëntie analyse merken we op dat elf bedrijven aan de basis liggen waarvan zeven bedrijven geen waarde voor de hoeveelheid bijproducten krijgt. Dit komt omdat de respectievelijke boekhoudsystemen geen onderscheid maken tussen bijproducten en krachtvoeders. Nu rijst echter de vraag of dit een invloed heeft op de uiteindelijke resultaten en hoe groot die invloed is. 6.3 Clusteranalyse Voor de discussie kunnen de resultaten van de vergelijking tussen de clusters en binnen de clusters naast elkaar gelegd worden om bepaalde punten te bediscussiëren. De vergelijking tussen de 64

66 clusters wordt gemaakt om te kijken of het voedermanagement invloed heeft op de efficiëntie scores, het dierenwelzijn en andere relevante kengetallen. Daarnaast worden de correlaties binnen een cluster ook in acht genomen. Eventuele conclusies kunnen nog niet doorgetrokken worden naar het gehele Vlaamse melkveelandschap door de kleine dataset. Aangezien er slechts 43 bedrijven met dierenwelzijnsscores in de dataset worden opgenomen, kunnen de conclusies niet bindend worden beschouwd. Het aantal bedrijven moet opgetild worden om te kunnen spreken van echte conclusies. Clusteranalyse geeft de mogelijkheid om bedrijven te groeperen met gemeenschappelijke kenmerken om zo een beter beeld te krijgen van eventuele correlaties. De clusters worden opgesteld op basis van vier inputvariabelen die een betrekking hebben op het voeder van het melkvee. Het aantal clusters die gevormd worden is gebaseerd op enkele waarden en grafieken uit SAS, maar is toch uiteindelijk een subjectieve keuze. Er werd met een voorlopige dataset van 101 bedrijven al kort een verkennende cluster-analyse uitgevoerd en waarbij de waarden aangaven dat drie clusters het optimale aantal was. Na de cluster-analyse van de volledige dataset van 107 bedrijven kwam echter het resultaat van twee clusters sterk naar voor, waarmee dan ook verder werd gewerkt. Aangezien het een subjectieve keuze is, was het ook mogelijk om gegevens op te delen in drie clusters (hoewel de CCC-waarden dit tegenspraken). De opdeling in drie clusters kon er misschien voor zorgen dat er enkele correlaties tussen de efficiëntiescores en dierenwelzijn aan het licht kwamen die nu niet ontdekt zijn. Verschillen in gemiddelden tussen de clusters worden meegegeven in Tabel 19. Uit de clusterverdeling wordt duidelijk dat bedrijven uit cluster 1 en cluster 2 significante verschillen voor ruwvoeder en krachtvoeder tonen. In Figuur 16 wordt de totale hoeveelheid toegediende ruwvoeders (exclusief gras) uitgezet in functie van de hoeveelheid krachtvoeders (exclusief bijproducten). Bedrijven uit cluster 2 gebruiken gemiddeld meer krachtvoeders dan bedrijven uit cluster 1. In de figuur wordt ook duidelijk dat bedrijven uit cluster 1 gemiddeld meer ruwvoeder gebruiken dan bedrijven uit cluster 2. Deze verdeling kan al een indicatie geven over de positie van de clusters, maar doordat de clusters uiteindelijk bepaald zijn op vier inputs kan dit tweedimensionaal niet voorgesteld worden. Verder kunnen we de clusters ook vergelijken op basis van andere gegevens. Het algemene dierenwelzijn vertoont geen significante verschillen tussen de twee clusters. Op principe- en criteriumniveau worden echter wel enkele verschillen opgemerkt. Bedrijven uit cluster 2 scoren gemiddeld beter voor het principe goede voeding en de criteria afwezigheid van langdurige dorst en goede mens-dier interacties. Men zou dus kunnen afleiden dat bedrijven die meer ruwvoedergericht (gras en ander ruwvoeder) zijn een minder goede score halen op deze twee criteria. Een mogelijke verklaring is dat krachtvoedergerichte bedrijven misschien de dieren meer binnen houden en de bedrijven beter geconditioneerd zijn terwijl de dieren op ruwvoedergerichte bedrijven misschien meer de mogelijkheid hebben om buiten te lopen. Doordat de dieren meer geconditioneerd zijn, kan er een betere controle op de properheid van de drinkbakken en de mens-dier interactie zijn en kan er zo een beter criteriumscore behaald worden. Eventueel kan dit ook een invloed hebben op de melkkwaliteit op een bedrijf om zo een hogere melkprijs te bekomen. Een volgende punt om te bekijken is de link tussen de voederconversie waarin de totale hoeveelheid voeder uitgedrukt wordt ten opzichte van de totale hoeveelheid meetmelk en het dierenwelzijn. We zien dat voor cluster 1 de voederconversie significant hoger is dan het gemiddelde uit cluster 2. Een lagere voederconversie betekent dat er minder voeder (in kg DS) nodig is om 1 liter melk te produceren. Binnen cluster 2 wordt een hogere principescore voor goede voeding en dus ook een lagere voederconversie bekomen. Zo zou je kunnen afleiden dat een betere voederefficiëntie 65

67 Tabel 19: De gemiddelden voor alle kengetallen en principescore voor beide clusters. Cluster 1 Cluster 2 Gras (kg DS/100 l melk) Ruwvoeder (kg DS/100 l melk) significant verschil Bijproducten (kg DS/100 l melk) Krachtvoeder (kg DS/100 l melk) significant verschil Voederconversie (kg DS/l) significant verschil Voederefficiëntie (l/ kg DS) significant verschil Prijs gras (e/ha) significant verschil Prijs ruwvoeder (e/ ton DS) significant verschil Prijs bijproducten (e/ton) Prijs krachtvoeder (e/ton) Aantal melkvee Melkproductie (l) Melk/koe (l/koe) Melkprijs (e/100l) Bruto saldo per koe (e/koe) Bruto saldo per 100 L (e/100l) Afkalfleeftijd (dagen) Tussenkalftijd (dagen) Verdeling jongvee/melkvee Principescore goede voeding verschil door criterium afwezigheid langdurige dorst Principescore goede huisvesting Principescore goede gezondheid Principescore passend gedrag verschil door criterium mensdier-interacties voor een betere principescore zorgt. Maar een eventuele relatie kan niet aangetoond worden. We kunnen ook kijken naar de voederefficiëntie waarbij de totale geproduceerde meetmelk ten opzichte van de totale hoeveelheid voeder wordt uitgedrukt. Daarbij wordt gekeken hoeveel liter melk er per kg voeder wordt gebruikt. Cluster 2 scoort hierin beter en produceert ongeveer 1.06 l melk met 1 kg DS aan voeder ten opzichte van cluster 1 die 0.83 l melk produceert met 1 kg DS voeder. Enige voorzichtigheid in verband met het nemen van conclusies voor de relatie tussen dierenwelzijn en voederconversie is dus nodig. Er rijzen natuurlijk ook vragen bij het gebruik van het kengetal voederefficiëntie. Daarbij wordt er echter geen rekening gehouden met de verschillen in prijs van de inputs, de energie- en eiwitinhoud van de voeders waardoor de efficiëntiescores bekomen door de efficiëntie analyse geen navolging geven aan de eerder gevonden verschillen tussen de gemiddelden van de twee clusters inzake voederconversie en voederefficiëntie. 66

68 Figuur 16: In de figuur wordt de totale ruwvoederhoeveelheid (exclusief gras) uitgezet in functie van de totale krachtvoederhoeveelheid (exclusief bijproducten). Andere interessante conclusies uit de vergelijking tussen de twee clusters kunnen ook verder verklaard worden. De twee clusters verschillen niet significant in grootte van het bedrijf en productiviteit van melkkoeien waardoor dit al geen verklaring kan zijn voor mogelijke welzijnsverschillen (in tegenstelling tot Bondt et al. (2001)). Tussen de twee clusters wordt ook een duidelijk verschil waargenomen voor de kostprijs van zowel gras als ander ruwvoeder. Daar betaalt een bedrijf uit cluster 2 gemiddeld meer dan een bedrijf uit cluster 1. Voor cluster 1 wordt dus meer ruwvoeder toegediend, maar is de kostprijs wel lager ten opzichte van bedrijven uit cluster 2. Hoewel er geen significante verschillen zijn in het bruto saldo tussen de twee clusters, kan deze verschillende kostprijs wel laten vermoeden dat de variabele kosten tussen de twee clusters significant verschillen. Als laatste kan opgemerkt worden dat er geen significante verschillen zijn tussen de efficiëntiescores van de clusters. Beide clusters scoren dus gemiddeld gezien ongeveer even goed, waardoor we hier geen uitsluitsel kunnen geven over hoe een bedrijf zijn efficiëntiescores kan verbeteren ten opzichte van de andere cluster. Het is echter mogelijk dat er binnen een bepaalde cluster wel bedrijven zijn die beter en slechter scoren inzake efficiëntie. Zo zal er waarschijnlijk binnen een cluster een grotere variabiliteit zitten tussen efficiëntiescores dan tussen de clusters. Dit kan de mogelijkheid geven om binnen een cluster te zoeken naar manieren om de efficiëntiescore te verbeteren. Correlaties tussen dierenwelzijn en efficiëntiescores kunnen een aanleiding geven tot mogelijke verbeteringen binnen een bedrijf. Er worden geen belangrijke correlaties gevonden tussen de efficiëntiescores en dierenwelzijnsprincipes voor beide clusters. Indien er dieper wordt op ingegaan zien we dat er toch enkele correlaties zijn tussen efficiëntiescores en principe- of criteriumscores. Zo valt te zien dat er een negatieve correlatie is tussen mastitis en de technische efficiëntiescore van bedrijven uit cluster 1 (bedrijven die gemiddeld meer ruwvoeders gebruiken) en een negatieve correlatie met de allocatieve efficiëntie score van bedrijven uit cluster 2 (die gemiddeld meer krachtvoeders gebruiken). Harmon (1994) vond al dat mastitis een grote invloed heeft of de melkkwaliteit, 67