Effecten van een graslandnorm op de Nederlandse zuivelketen
Bibliographic record
Abstract
Het ministerie van Landbouw, Visserij, Voedselveiligheid en Natuur (LVVN) onderzoekt de invoering van een graslandnorm, waarbij boeren een minimale oppervlakte grasland per grootvee-eenheid (GVE) beschikbaar moeten hebben, als onderdeel van de verduurzaming van de melkveehouderij. Wageningen Social & Economic Research heeft de mogelijke gevolgen voor de melkveehouderij, de zuivelketen en het inkomen van boeren doorgerekend. De belangrijkste uitkomst is dat bij een norm van 0,4 ha/GVE die geleidelijk zou worden ingevoerd, er geen blijvend effect op de melkaanvoer wordt verwacht. Door bestaande trends (fosfaatrechten, uitkoopregelingen, dalende veestapel) haalt de sector dit niveau in 2035 bijna sowieso al (dynamische baseline). Er zijn daardoor geen merkbare effecten op prijzen,verwerkende industrie, export of werkgelegenheid. Een beperkt deel van de (intensieve) melkveebedrijven (naar verwachting circa 1%) zal aanpassingen moeten maken en dat kan voor deze bedrijven tot een inkomensverlies leiden dat in de meeste gevallen kleiner zal zijn dan 10% en in enkele uitzonderingsgevallen kan oplopen tot circa 30%. De norm van 0,4 ha/GVE remt verdere intensivering en schaalvergroting, maar verandert de internationale positie van de Nederlandse zuivelketen niet. Lagere normen (bijvoorbeeld 0,2 of 0,3 ha/GVE) zijn nog minder beperkend, maar strengere normen (>0,4 ha/GVE, bijvoorbeeld 0,5) zouden wél leiden tot lagere productie en negatieve effecten voor de sector.De samenvattende conclusie is dat een graslandnorm van 0,4 ha/GVE of lager nauwelijks gevolgen heeft voor de Nederlandse zuivelketen en melkproductie. Alleen een klein aantal intensieve bedrijven wordt geraakt. De effecten op prijzen, markten en export zijn nihil. Strengere normen zouden daarentegen wél duidelijke negatieve consequenties hebben.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.063 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".