Um die Auswirkung umweltpolitischer Maßnahmen besser zu verstehen, können bisherige Maßnahmen im Rahmen kausaler Analysen untersucht werden. In der Vergangenheit wurden beispielsweise die Auswirkungen von Agrarumweltmaßnahmen auf Umwelt oder landwirtschaftliche Betriebe untersucht (z.B. Review von Uthes und Matzdorf 2012; Mennig und Sauer 2020; Stetter, Mennig, und Sauer 2022; Uehleke, Leonhardt, und Hüttel 2024). Dagegen ist das Wissen zur Ökonomik der Landwirtschaft in Natura 2000 Gebieten bisher begrenzt (Ausnahmen sind Koemle, Lakner, und Yu 2019; Ahlvik und van Kooten 2024; Thiermann und Bittmann 2023; Grupp u. a. 2023; Lakner, Zinngrebe, und Koemle 2020). Natura 2000 bildet ein Netzwerk an geschützten Flächen in der Europäischen Union auf Basis der Flora-Fauna-Habitat (FFH) Richtlinie (92/43/EEC) sowie der Vogelschutz-Richtlinie (79/409/EEC), mit dem die EU einen besseren Schutz wertvoller Arten und Habitate anstrebt. Neben der reinen Funktion als Schutzgebiet schließt die Ausweisung von Natura 2000 Gebieten die nachhaltige menschliche Nutzung mit ein (Tsiafouli u.a. 2013); EU-weit liegen rund 40% der Natura 2000 Flächen auf landwirtschaftlichen Flächen, die meist mit Produktionseinschränkungen belegt sind und extensiv genutzt werden. Diese extensiv genutzten Flächen weisen häufig eine hohe Vielfalt seltener Pflanzen und Tiere auf, unterliegen aber oft dem Risiko der Intensivierung oder Betriebsaufgabe (European Commission 2018). Mit der Übernahme der Biodiversitätsstrategie 2020 strebt die Europäische Kommission eine Ausweitung der derzeitigen Schutzgebiete auf mindestens 30% der Land- sowie 30% der Meeresfläche bis 2030 an. Derzeit sind rund 18% der EU-Landfläche sowie 8% der Wasserfläche durch Natura 2000 Ausweisung geschützt, wobei die Heterogenität zwischen den EU-Mitgliedsstaaten (8% in Dänemark, 38% in Slowenien) groß ist. Österreich liegt mit 15% der Landesfläche (12.895 km2), verteilt auf 352 Natura 2000 Gebiete, im Mittelfeld (Abbildung 1).
Abbildung 1: Natura 2000 Gebiete in Österreich (Stand 2024) nach Gebietstyp (SPA = Special Protected Area; FFH = Flora-Fauna-Habitat, SCI = Special Conservation Interest; Datenquelle: EEA)
Bisherige Studien zeigen unterschiedliche ökonomische Effekte der Ausweisung von Natura 2000 Gebieten. Koemle et al. (2019) zeigen mit einer Analyse regional aggregierter Daten mit Continuous Treatment Propensity Score Matching (Imbens und Hirano 2004), dass die Ausweisung von Natura 2000 Gebieten auf landwirtschaftlichen Flächen zu einer Reduktion der Pachtpreise führt, was auf eine verringerte Profitabilität dieser Flächen hinweist. Darüber hinaus fanden Ergebnisse einer Analy-se von Vegetationsindizes und Nachtlichtern auf EU-Ebene jedoch keine signifikanten Effekte von Schutzgebieten auf die Entwicklung und Vegetationszustände europäischer Regionen (Grupp u. a. 2023). Heterogene Effekte auf den Wert von Grundstücken wurden hingegen in einer Difference-in-Differences Studie in Finnland gefunden (Ahlvik und van Kooten 2024). Die gemessenen Effekte von Natura 2000 auf wirtschaftliche Prozesse sind somit komplex, heterogen und vom jeweiligen Kontext und der Analysemethode abhängig. Um die ökonomischen Auswirkungen von Natura 2000 auf land-wirtschaftliche Betriebe besser zu verstehen, wird im vorliegenden Projekt eine empirische Analyse durchgeführt. Dabei wird der kausale Effekt von Natura 2000 auf die Effizienz durch Verknüpfung von klassischer Effizienzanalyse mit kausalanalytischen Verfahren geschätzt (Abbildung 2).
Abbildung 2: Flowchart der Analysen des vorgeschlagenen Projekts.
Effizienz landwirtschaftlicher Betriebe
In der ökonomischen Theorie bildet die Annahme des optimierenden Verhaltens (z. B. die Maximie-rung des Profits, Erlöses oder der produzierten Menge) die Grundlage des betrieblichen Wirtschaftens. Dabei versuchen Betriebe beispielsweise, mit gegebenen Ressourcen einen (langfristig) möglichst großen Profit zu erwirtschaften. In der Produktivitäts- und Effizienzliteratur wird zwischen dem maxi-mal möglichen (“effizienten”) Profit/Erlös und der jeweiligen vom Betrieb realisierten Größe unter-schieden. Der Unterschied zwischen den beiden wird als (In-)Effizienz bezeichnet (Kumbhakar und Lovell 2003). Dabei wird zwischen der technischen Effizienz und der allokativen Effizienz differen-ziert. Die technische Effizienz beschreibt das Verhältnis zwischen der realisierten (Punkt XR in Abbil-dung 3) und der maximal produzierbaren Menge, gegeben der Inputs (Punkt XTE in Abbildung 3). Be-trieb X ist bspw. effizienter als Betrieb Y, wenn Betrieb X es schafft, mit denselben Ressourcen und unter denselben Produktionsbedingungen mehr Output zu erzeugen als Betrieb Y. Die allokative Effi-zienz im Output beschreibt die Optimalität des Outputmixes in Abhängigkeit der Preise (gegeben vollständige technische Effizienz). Bei einer outputorientierten Betrachtung liegen beide Werte zwi-schen 0 und 1, wobei 1 bedeutet, dass der Betrieb vollständig effizient ist.
Abbildung 3: Produktionsmöglichkeiten und Effizienz eines Betriebs mit zwei Outputs
Messung der Effizienz
Empirisch kann die Effizienz von Betrieben mit stochastischen (ökonometrische – Stochastic Frontier Analysis, SFA) und deterministischen Methoden (Data Envelopment Analyse, DEA) gemessen werden (Coelli u. a. 2005), sowohl input- wie auch outputorientiert. SFA erfordert die Schätzung der jeweili-gen effizienten Frontier durch die Definition einer funktionellen Form der Produktions-, Profit- oder Kostenfunktion. Bei der Produktion mehrerer Outputs bietet sich außerdem die Schätzung der Dis-tanzfunktion an, mit der die Distanz von der Frontier direkt modelliert wird. Die deterministische Me-thode der DEA eignet sich besonders gut, um die Effizienz eines Betriebes in technische, allokative und Skaleneffizienz aufzuteilen (Pascoe u.a. 2022). Neben der klassischen DEA bestehen heute zahl-reiche Varianten, mit denen auch stochastische Elemente (z.B. via Bootstrapping) in die deterministi-sche Effizienzanalyse mit einfließen können (Bogetoft und Otto 2010). Obwohl es bereits eine um-fangreiche Literatur zur technischen Effizienz in der Landwirtschaft gibt (z.B. Brümmer und Loy 2000; Djokoto 2015; Latruffe u. a. 2017; Nowak, Kijek, und Domańska 2015; Thiam, Bravo-Ureta, und Rivas 2001), besteht Forschungsbedarf über die Auswirkung von Natura 2000 auf die technische und alloka-tive Effizienz der Betriebe, deren Flächen in diesen Gebieten liegen. Im Projekt soll nach einer ein-schlägigen Literaturanalyse die beste Methode (DEA oder SFA) für die Schätzung der Effizienz im vor-liegenden Kontext genutzt werden.
Messung kausaler Effekte
Ein Großteil der landwirtschaftlich genutzten Natura 2000 Gebiete in der EU liegt an eher marginalen Standorten und umfasst Almen, Steppen, Heideland und Feuchtwiesen (European Commission 2018). Daher ist die Auswahl der betroffenen Betriebe nicht zufällig verteilt, sondern betrifft insbesondere Betriebe, die gegenüber Betrieben an produktiveren Standorten benachteiligt sind. Die Effekte der Ausweisung von Schutzgebieten sind somit nicht direkt (bspw. durch Vergleich der durchschnittlichen Profite zwischen Natura 2000 Betrieben und Nicht-Natura 2000 Betrieben) ablesbar, sondern erfor-dern die Berücksichtigung der jeweiligen Rahmenbedingungen der Betriebe. Die Messung kausaler Effekte hat eine lange Tradition in der Politikevaluierung und umfasst eine Reihe kontrafaktischer Me-thoden (Cunningham 2021). Mit der Difference-in-Differences (DiD) Methode lassen sich beispiels-weise kausale Effekte messen, ohne dass von vornherein eine experimentelle Zuteilung des „Treat-ments“, also der Politikmaßnahme, erfolgen muss. Die Literatur kennt mittlerweile zahlreiche Erwei-terungen der klassischen DiD-Methode, die mit Paneldatenstruktur oder zeitlich versetzt eingeführten Interventionen, wie im Falle der Natura 2000 Gebiete (Abbildung 4), umgehen können (Cunningham 2021; Goodman-Bacon 2021; Callaway und Sant’Anna 2021), oder die Vorteile des Machine Learnings (Umgang mit hochdimensionalen Datensätzen, Modellierung von Nichtlinearität, gute Anpassung der Modelle an die Daten) nutzen (Bach u. a. 2024; Chernozhukov u. a. 2018). Um die Komplexität der Kontrollvariablen (bspw. Beobachtungen aus Fernerkundungsdaten, die die Heterogenität von Betrie-ben und Natura 2000 Gebieten beschreiben) zu reduzieren, werden mittels Machine Learning im Vor-feld die wichtigsten Komponenten zusammengefasst, die dann in die Schätzung der Politikeffekte eingehen.
Abbildung 4: Anzahl der neu ausgewiesenen Schutzgebiete in Österreich pro Jahr. Kann aufgrund von Doppelzählungen nicht über Gebietstypen aufsummiert werden (SAC = Special Area of Conservation, SCI = Special Conservatoin Interest; Datenquelle: EEA)
Zielsetzung
Das Hauptziel des Projekts besteht darin, die Produktion landwirtschaftlicher Betriebe sowie deren technischer Effizienz in Natura 2000-Gebieten darzustellen, sowie mögliche kausale Bestimmungsgründe für die technische (In)Effizienz abzubilden. Mit Hilfe der Untersuchung kann der Einfluss der naturschutznahen Gestaltung von Schutzgebieten erfasst werden und der Förderbedarf in Natura 2000-Gebieten besser erfasst werden.
Detailziele
- Ausbau und Vertiefung von Methodenkompetenz in Effizienzanalysen und Unsupervised Machine Learning
- Detaillierte Beschreibung der Eigenschaften von Betrieben, die Flächen in Natura 2000 Gebieten bewirtschaften, anhand von FADN- und INVEKOS-Daten sowie Fernerkundungsdaten.
- Beschreibung der FFH-Gebiete anhand satellitengestützter Daten (z.B. Entwicklungsgrad, Vegetation).
- Schätzung der Effizienz im Output sowie Profit, Schätzung der Heterogenität der Einflussfaktoren auf selbige.
- Formulierung möglicher Politikempfehlungen zum Erhalt der Landwirtschaft in Natura 2000-Gebieten
- Publikation in einem wissenschaftlichen Journal
Arbeitspakete
Das Projekt besteht aus fünf aufeinander aufbauenden Arbeitspaketen sowie einem Steuerungspaket (AP 0).
Arbeitspaket 0: Projektsteuerung
Dieter Kömle
Das Projekt (Projektlaufzeit: Juni 2025 bis Mai 2028) umfasst einmal jährliche Projekttreffen des gesamten Teams persönlich oder per Zoom, bei dem der Stand des Projekts diskutiert wird und mögliche Weichenstellungen getroffen und Zwischenergebnisse ausgetauscht werden. Darüber hinaus findet Kommunikation auf bilateraler Ebene statt. Anfang des dritten Quartals 2025 wird ein Kick-Off Meeting per Zoom aller Projektpartner organisiert. Dabei soll ein allgemeiner Austausch über den Stand des Wissens stattfinden, die Forschungsfragen konkretisiert, sowie Entscheidungen über den effizienten Austausch von Wissen, Daten und Literatur getroffen werden. Außerdem sollen mögliche Hürden thematisiert und Lösungsvorschläge diskutiert werden. Des Weiteren werden Disseminationskanäle außerhalb der wissenschaftlichen Literatur festgelegt. Ein zweites Projekttreffen wird Mitte 2026 zur Diskussion des aktuellen Standes des Projekts organisiert. Hier werden notwendige Weichenstellungen vorgenommen sowie der Fortschritt des Projekts in seinen unterschiedlichen Arbeitsbereichen präsentiert. Bei einem dritten Projekttreffen Mitte 2027 werden erste Entwürfe für Publikationen präsentiert und finale methodische und inhaltliche Weichenstellungen getroffen.
Arbeitspaket 1: Literaturanalyse Natura 2000 EU
Dieter Kömle, Yvonne Stickler, Sebastian Lakner
Arbeitspaket 1 erarbeitet den wissenschaftlichen und politischen Rahmen von Natura 2000 in der EU. Dazu wird die wissenschaftliche Literatur an der Schnittstelle Umwelt/Biodiversitätsschutz und Landwirtschaft systematisch gesammelt und aufbereitet; dies umfasst sowohl theoretische Papiere als auch empirische Studien. Zusätzlich werden Dokumente aus der Verwaltung (Richtlinien. Evaluierungen, etc.) gesammelt und zusammengefasst, um zu verstehen, wie die Umsetzung von Natura 2000 Gebieten in Österreich im internationalen Kontext verortet ist.
Arbeitspaket 2: Natura 2000 und Landwirtschaft in Österreich
Dieter Kömle
In Arbeitspaket 2 wird die spezielle Situation in Österreich untersucht. Dies umfasst neben einer detaillierten Aufarbeitung der verschiedenen Natura 2000 Gebietstypen in Österreich anhand öffentlich zugänglicher Daten (bspw. bereitgestellt von der europäischen Umweltagentur EEA, Umweltbundesamt) erste deskriptive Analysen der Landschafts- und landwirtschaftlichen Nutzungstypen von FFH Gebieten. Dazu werden die Geometrien der landwirtschaftlichen Schläge aus der INVEKOS-Datenbank mit den Geometrien der Natura 2000 Gebiete verschnitten. Aus der Datenbank zu National Designated Areas der Europäischen Umweltagentur sind weitere, auf nationalstaatlicher Ebene designierte Schutzgebiete ersichtlich; diese werden wenn möglich ergänzend in die Analyse eingebracht. Der Erhaltungsstatus für Habitate und Arten geht aus den vom österreichischen Umweltbundesamt verfügbar gemachten Tabellen hervor. Diese Daten werden mit Informationen zur Teilnahme an Agrarumweltprogrammen ergänzt. Zusätzliche Datenquellen sind offen verfügbare Datenbanken wie Wetter- und Klimadaten der Geosphere Austria (z.B. Spartacus), Bodendaten wie die landwirtschaftliche Bodenkarte (Ebod2), Vegetations-Indikatoren der Sentinel-2 oder MODIS Satellitendaten, sowie Buchführungsdaten landwirtschaftlicher Betriebe (FADN). Diese Daten fließen einerseits als Kontrollvariablen in die weiteren Analysen ein, andererseits ermöglicht der Output dieses Arbeitspakets den Vergleich zwischen Natura 2000 Flächen der Buchführungsbetriebe und den Natura 2000 Flächen der restlichen INVEKOS Betriebe. Mit diesen Erkenntnissen können einzelbetriebliche Ergebnisse zu heterogenen Politikeffekten, wie die Auswirkung der Ausweisung unterschiedlicher Typen von Natura 2000 Gebieten auf Effizienz und Produktivität landwirtschaftlicher Betriebe, auf die Grundgesamtheit (INVEKOS-Betriebe Österreichs) hochgerechnet werden.
Tabelle 1: Mögliche Datenquellen für das vorliegende Projekt
Arbeitspaket 3: Methodenreview und -entwicklung
Dieter Kömle, Christoph Tribl, (Sebastian Lakner)
In Arbeitspaket 3 werden die unterschiedlichen empirischen Methoden erhoben und gegenübergestellt. Drei Literaturstränge sind von Bedeutung: Erstens, unsupervised machine learning (clustering) zur Klassifizierung der Natura 2000 Gebiete anhand vorhandener, räumlich hochaufgelöster Daten (z.B. Satellitendaten von Vegetationsindizes, Entwicklungsindikatoren, Beschreibung der vorhandenen Arten und Erhaltungszustände etc.). Zweitens, die wichtigsten Methoden zur Kausalinferenz, und drittens die Methoden zur Effizienzanalyse. In der Effizienzanalyse gibt es sowohl stochastische Methoden (Stochastic Frontier Analysis – SFA) als auch deterministische Methoden (Data Envelopment Analysis). Aus der Literaturanalyse wird sich ergeben, welche Methode für das vorgeschlagene Projekt am besten geeignet ist.
Arbeitspaket 4: Datenaufbereitung und Analysen
Dieter Kömle, (Yvonne Stickler)
Arbeitspaket 4 umfasst die Aufbereitung und Bereinigung der in den Arbeitspaketen 1 und 2 erhobenen Daten sowie deren Analyse mittels der ausgewählten Methoden aus Arbeitspaket 3 (DEA bzw. SFA, ggf. beides). Mittels Unsupervised Machine Learning werden die verschiedenen Natura 2000 Gebiete klassifiziert, um eine Komplexitätsreduktion bei der Schätzung der Effizienz zu erreichen. Damit kann die Heterogenität der Gebiete in die Schätzung der einzelbetrieblichen Effizienz mit einfließen. Anhand der in Arbeitspaket 2 erhobenen betriebs- und schlagbezogenen Daten können Vergleichsbetriebe innerhalb und außerhalb von Natura 2000 Gebieten ermittelt werden (z.B. mittels matching) für eine kontrafaktische Analyse der Politikeffekte von Natura 2000 (z.B. mittels staggered DiD zur Berücksichtigung unterschiedlicher Zeitpunkte des treatments). Mit Hilfe geeigneter Gewichtungsverfahren (z.B. Raking) werden nach Möglichkeit die einzelbetrieblichen Politikeffekte zusätzlich auf die österreichische Grundgesamtheit hochgerechnet.
Arbeitspaket 5: Publikation und Dissemination
Dieter Kömle, Yvonne Stickler, Christoph Tribl, Sebastian Lakner
Die gewonnenen Erkenntnisse werden in einem Bericht für das BML aufbereitet. Darüber hinaus erfolgt in Arbeitspaket 5 die Verdichtung der Methoden und Ergebnisse in Form eines wissenschaftlichen Artikels. Eine Einreichung erfolgt in einem geeigneten wissenschaftlichen Journal. Über Teilnahme an internationalen Konferenzen sowie interne Feedbackrunden werden Inhalt und die Analyse iterativ überarbeitet und bis zur Publikationsreife verbessert. Die Ergebnisse werden nach Veröffentlichung über geeignete populärwissenschaftliche Formate einer breiteren Öffentlichkeit vorgestellt. Aus den gewonnenen methodischen und inhaltlichen Erkenntnissen sollen Folgeprojekte konzipiert werden.
Arbeiten 2025
Im Juni 2025 erfolgt die Projektinitiierung mit allen Projektpartnern (Kick-off meeting). Danach starten die Kontextualisierung von Natura 2000 (AP1) sowie im vierten Quartal die Datenakquise (AP2).
Stand des Projektes
Das Projekt wird für 2025 initiiert.
Zeitplan
Projektstart: 06/2025
Projektende: 05/2028
Literatur
Ahlvik, Lassi, und Sebastiaan van Kooten. 2024. „Distributional Impacts of Conservation on Land Prices: Evidence From Natura 2000“. SSRN Scholarly Paper. Rochester, NY: Social Science Research Network. https://doi.org/10.2139/ssrn.4938652.
Bach, Philipp, Malte S. Kurz, Victor Chernozhukov, Martin Spindler, und Sven Klaassen. 2024. „DoubleML: An Object-Oriented Implementation of Double Machine Learning in R“. Journal of Statistical Software 108 (Februar):1–56. https://doi.org/10.18637/jss.v108.i03.
Bogetoft, Peter, und Lars Otto. 2010. Benchmarking with DEA, SFA, and R. Springer Science & Business Media.
Brümmer, Bernhard, und Jens-Peter Loy. 2000. „The Technical Efficiency Impact of Farm Credit Programmes: A Case Study of Northern Germany“. Journal of Agricultural Economics 51 (3): 405–18. https://doi.org/10.1111/j.1477-9552.2000.tb01239.x.
Callaway, Brantly, und Pedro H. C. Sant’Anna. 2021. „Difference-in-Differences with Multiple Time Periods“. Journal of Econometrics, Themed Issue: Treatment Effect 1, 225 (2): 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001.
Chernozhukov, Victor, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian Hansen, Whitney Newey, und James Robins. 2018. „Double/debiased machine learning for treatment and structural parameters“. The Econometrics Journal 21 (1): C1–68. https://doi.org/10.1111/ectj.12097.
Coelli, Timothy J., Dodla Sai Prasada Rao, Christopher J. O’Donnell, und George Edward Battese. 2005. An Introduction to Efficiency and Productivity Analysis. Springer Science & Business Media.
Cunningham, Scott. 2021. Causal Inference: The Mixtape. Yale University Press.
Djokoto, Justice. 2015. „Technical Efficiency of Organic Agriculture: A Quantitative Review“. Studies in Agricultural Economics 117 (2): 61–71. https://doi.org/10.7896/j.1512.
European Commission. 2018. Farming for Natura 2000: Guidance on How to Support Natura 2000 Farming Systems to Achieve Conservation Objectives, Based on Member States Good Practice Experiences. LU: Publications Office. https://data.europa.eu/doi/10.2779/85823.
Getzner, Michael, und Michael Jungmeier. 2002. „Conservation policy and the regional economy: the regional economic impact of Natura 2000 conservation sites in Austria“. Journal for Nature Conservation 10 (1): 25–34. https://doi.org/10.1078/1617-1381-00003.
Goodman-Bacon, Andrew. 2021. „Difference-in-differences with variation in treatment timing“. Journal of Econometrics, Themed Issue: Treatment Effect 1, 225 (2): 254–77. https://doi.org/10.1016/j.jeconom.2021.03.014.
Grupp, Tristan, Prakash Mishra, Mathias Reynaert, und Arthur A. van Benthem. 2023. „An evaluation of protected area policies in the European Union“. 31934. NBER Working Paper Series. USA: National Bureau of Economic Research. https://www.nber.org/system/files/working_papers/w31934/w31934.pdf.
Imbens, Guido, und Keisuke Hirano. 2004. „The Propensity Score with Continuous Treatments“. In Applied Bayesian MOdelling and Causal Inference from Missing Data Perspectives, herausgegeben von Andrew Gelman und Xiao-Li Meng. Wiley.
Koemle, Dieter, Sebastian Lakner, und Xiaohua Yu. 2019. „The impact of Natura 2000 designation on agricultural land rents in Germany“. Land Use Policy 87 (September):104013. https://doi.org/10.1016/j.landusepol.2019.05.032.
Kumbhakar, Subal C., und C. A. Knox Lovell. 2003. Stochastic Frontier Analysis. Cambridge University Press.
Lakner, Sebastian, Yves Zinngrebe, und Dieter Koemle. 2020. „Combining Management Plans and Payment Schemes for Targeted Grassland Conservation within the Habitats Directive in Saxony, Eastern Germany“. Land Use Policy 97 (September):104642. https://doi.org/10.1016/j.landusepol.2020.104642.
Latruffe, Laure, Boris E. Bravo-Ureta, Alain Carpentier, Yann Desjeux, und Víctor H. Moreira. 2017. „Subsidies and Technical Efficiency in Agriculture: Evidence from European Dairy Farms“. American Journal of Agricultural Economics 99 (3): 783–99. https://doi.org/10.1093/ajae/aaw077.
Mennig, Philipp, und Johannes Sauer. 2020. „The impact of agri-environment schemes on farm productivity: a DID-matching approach“. European Review of Agricultural Economics 47 (3): 1045–93. https://doi.org/10.1093/erae/jbz006.
Nowak, Anna, Tomasz Kijek, und Katarzyna Domańska. 2015. „Technical Efficiency and Its Determinants in the European Union“. Agricultural Economics (Zemědělská Ekonomika) 61 (6): 275–83. https://doi.org/10.17221/200/2014-AGRICECON.
Stetter, Christian, Philipp Mennig, und Johannes Sauer. 2022. „Using Machine Learning to Identify Heterogeneous Impacts of Agri-Environment Schemes in the EU: A Case Study“. European Review of Agricultural Economics 49 (4): 723–59. https://doi.org/10.1093/erae/jbab057.
Thiam, Abdourahmane, Boris E. Bravo-Ureta, und Teodoro E. Rivas. 2001. „Technical Efficiency in Developing Country Agriculture: A Meta-Analysis“. Agricultural Economics 25 (2–3): 235–43. https://doi.org/10.1111/j.1574-0862.2001.tb00204.x.
Thiermann, Insa, und Thomas Bittmann. 2023. „Should I stay or should I go? The impact of nature reserves on the survival and growth of dairy farms“. Journal of Environmental Management 328 (Februar):116993. https://doi.org/10.1016/j.jenvman.2022.116993.
Tsiafouli, Maria A., Evangelia Apostolopoulou, Antonios D. Mazaris, Athanasios S. Kallimanis, Evangelia G. Drakou, und John D. Pantis. 2013. „Human Activities in Natura 2000 Sites: A Highly Diversified Conservation Network“. Environmental Management 51 (5): 1025–33. https://doi.org/10.1007/s00267-013-0036-6.
Uehleke, Reinhard, Heidi Leonhardt, und Silke Hüttel. 2024. „Counterfactual Evaluation of Two Austrian Agri-Environmental Schemes in 2014–2018“. Agricultural Economics 55 (1): 27–40. https://doi.org/10.1111/agec.12805.
Uthes, Sandra, und Bettina Matzdorf. 2012. „Studies on Agri-Environmental Measures: A Survey of the Literature“. Environmental Management 51 (1): 251–66. https://doi.org/10.1007/s00267-012-9959-6.