KPI как предсказатели прибыли: исследование ферм по разведению мясного скота и овец в Англии и Уэльсе

Значительная часть самых низких годовых прибылей фермерских хозяйств в Соединённом Королевстве в последние годы приходится на равнинные фермы и фермы в менее благоприятных районах (LFA), специализирующиеся на разведении крупного рогатого скота и овец. Оценка эффективности бизнеса посредством регулярного сбора данных может предоставить информацию, необходимую для внесения изменений в управление и результативность предприятия.

Ключевые показатели эффективности (KPI) — это общепризнанные в мире показатели, которые могут дать фермерам такую возможность. Однако в значительной степени неизвестно, существуют ли конкретные KPI, связанные с продуктивностью скота, которые оказывают существенное влияние на финансовые результаты. Целью данного исследования было определить, можно ли использовать KPI как предикторы финансовой эффективности (валовой маржи, GM) на фермах по разведению мясного скота и овец в Англии и Уэльсе. Это было выполнено с использованием данных Обследования фермерских хозяйств (FBS), которое является крупнейшим стратифицированным финансовым обследованием такого рода в Великобритании. После извлечения данных были разработаны модели множественной линейной регрессии для четырёх типов предприятий: LFA мясной скот, равнинный мясной скот, LFA овцематки и равнинные овцематки. Несколько KPI были значимо связаны с валовой маржой на одну голову во всех типах предприятий. KPI, которые были положительно связаны с GM, были показателями продуктивности скота, а именно: количество ягнят на одну матку и количество телят на одну корову. Увеличение расходов на концентрированные корма имело значительную отрицательную связь во всех типах предприятий, за исключением предприятий по разведению мясного скота в LFA, где смертность коров имела наибольшую значительную отрицательную связь. Это первое исследование, демонстрирующее влияние KPI продуктивности скота на финансовые результаты предприятий по разведению мясного скота и овец как в Англии, так и в Уэльсе, подчёркивающее важность регулярного сбора данных и бенчмаркинга.

Сельское хозяйство занимает 69% общей площади суши Соединённого Королевства (UK) [1]. Будучи умеренной страной с умеренным или высоким уровнем осадков, UK хорошо подходит для производства трав, при этом 42% и 85% площади сельскохозяйственных земель в Англии и Уэльсе, соответственно, используются для выпаса скота [2,3]. Травяные угодья можно классифицировать как равнинные (lowland), которые обычно являются равнинными и расположены немного выше уровня моря, тогда как возвышенные районы классифицируются как менее благоприятные районы (Less Favoured Areas, LFA). Классификация LFA была разработана для финансовой поддержки и признания горных фермерских хозяйств, поскольку LFA, как правило, сложны для обработки из-за их геологии, высоты и климата, в отличие от равнинных пастбищ. Земли LFA в основном встречаются на севере и юго-западе Англии и составляют три четверти пастбищных угодий в Уэльсе [4].

Пастбищный скот играет ключевую роль в равнинных и LFA сельскохозяйственных системах [5], и, будучи жвачными животными, они обладают способностью преобразовывать траву в богатый питательными веществами продукт для потребления человеком в виде красного мяса [6]. Животноводческие фермы также поддерживают сельскую культуру и наследие и обеспечивают многочисленные социально-экономические выгоды [7,8]; однако они часто являются фермами с самыми низкими доходами сельскохозяйственного бизнеса в Соединённом Королевстве. В Англии 58% LFA и 77% равнинных животноводческих ферм получили прибыль менее 25 000 фунтов стерлингов в течение 2021 года [9], при этом равнинные предприятия по разведению крупного рогатого скота и овец были наименее прибыльными типами ферм в Уэльсе: 22 900 и 18 400 фунтов стерлингов в год в 2021 году соответственно [10]. Отрасль столкнулась с множеством проблем, которые включают изменение схем сельскохозяйственных выплат из-за Brexit и давление на землепользование и цели по достижению нулевого баланса выбросов [11]. Это также отражается в колебаниях поголовья мясного скота и овец в последние годы, особенно мясных коров и маток [12]. Тем не менее, в анализе английских ферм Betts [13] обнаружил, что 70% вариаций финансовых показателей пастбищных животноводческих ферм были связаны с характеристиками самого фермерского бизнеса, а не с внешними факторами, такими как сельскохозяйственная политика. Изменения в управлении бизнесом, особенно в управлении животноводством, могли бы предоставить равнинным фермерам и фермерам LFA возможность повысить свою эффективность и рентабельность.

Регулярный сравнительный анализ (benchmarking) ключевых показателей эффективности (KPI) предприятия является общепризнанным и используемым инструментом в мире [14]. Показатели эффективности можно определить как набор показателей, фокусирующихся на аспекте показателей бизнеса, который наиболее критичен для текущего и будущего успеха бизнеса [15]. Применение KPI для измерения и сравнительного анализа показателей животноводства является хорошо используемым и задокументированным инструментом [16,17]. Рассчитанные посредством регулярного сбора данных и при регулярном использовании для сравнительного анализа, KPI предоставляют производителям возможность определять области для улучшения в производственных системах [18] и повышать устойчивость и результативность фермерского бизнеса [19]. Исследование Ramsbottom и др. [20] обнаружило, что молочные фермы, которые ежегодно проводили сравнительный анализ в течение 9 лет и регулярно использовали данные, показали увеличение производительности по сравнению с фермами, которые не проводили никакого сравнительного анализа. Фермы, проводившие ежегодный сравнительный анализ, показывали значительно (p < 0.001) более высокие надои молока и содержание молочного жира и белка на каждый килограмм съеденного корма, что привело к потреблению на 168 кг меньше кормовых концентратов на корову, улучшая эффективность кормления и чистую маржу.

Могут быть существенные финансовые выгоды, когда на ферме используется правильный показатель или комбинация показателей [21]. Повышение маржи до 50 фунтов стерлингов на овцематку было достигнуто за счет улучшений с использованием регистрации показателей в системах разведения овец [22], а улучшение KPI мясного скота увеличило чистую маржу на одну осемененную корову на 19,96 фунтов стерлингов [23]. Исследование Gray Betts и др. [24] использовало данные из Обследования фермерских хозяйств (Farm Business Survey, FBS) для определения связи между финансовыми показателями зерновых предприятий и показателями использования азота на фермах в Англии. Предыдущая литература [20,22] разработала и предоставила отрасли рекомендуемые KPI, которые могут измерять и проводить сравнительный анализ продуктивности животноводства; однако существует ограниченное количество литературы, рассматривающей связь между финансовыми и физическими показателями животноводческих предприятий. Следовательно, данная статья направлена на то, чтобы внести вклад в существующую литературу, во-первых, путем расчета показателей продуктивности животноводства на отобранных фермах по разведению мясного скота и овец в Англии и Уэльсе, и, во-вторых, путем оценки влияния, которое показатели животноводства оказывают на финансовые показатели. Таким образом, в настоящем исследовании наша цель состояла в том, чтобы исследовать связь между KPI мясного скота и овец и валовой маржой на фермах в Англии и Уэльсе с использованием данных FBS.

2.1. Обследование фермерских хозяйств (Farm Business Survey, FBS)

Заказанное Департаментом окружающей среды, продовольствия и сельских дел Англии и Правительством Уэльса [25,26], FBS представляет собой стратифицированное обследование, которое собирает подробные финансовые, физические и экологические данные с репрезентативного числа ферм по всей Англии и Уэльсу. Дополнительная информация о FBS может быть найдена в технических примечаниях и руководствах (см. https://www.gov.uk/guidance/farm-business-survey-technical-notes-and-guidance; доступ 7 января 2025 года). В исследовании использовались три года данных с 2019/20 по 2021/22, поскольку это были самые последние наборы данных, доступные от UK Data Service на момент подачи заявки. Программное обеспечение MATLAB (версия R2023a, [27]) использовалось для извлечения животноводческих предприятий из всех наборов данных с использованием кода животноводческого предприятия, используемого для расчета валовой маржи. Это позволило идентифицировать предприятия по разведению мясного скота и маток и использовать их идентификационные номера ферм в качестве фильтра для отбора переменных. FBS дополнительно классифицирует типы предприятий как равнинные (lowland) или LFA; информация о том, как рассчитываются классификации ферм, может быть найдена в Документе о классификации ферм UK (https://assets.publishing.service.gov.uk/media/641073c8e90e076cd09acda9/fbs-uk-farmclassification-2014-14mar23.pdf; доступ 7 января 2025 года). В исследовании были сохранены эти классификации, в результате чего были получены четыре группы для анализа: LFA овцематки, LFA мясной скот, равнинные овцематки и равнинный мясной скот.

2.2. Ключевые показатели эффективности (Key Performance Indicators, KPI)

Используя коды предприятий по разведению мясного скота и маток, для каждого финансового года была извлечена информация об производстве мясного скота и овец на уровне фермы, и данные были усреднены за три года. Эта информация использовалась для разработки KPI, которые отражали показатели животноводства. Чтобы гарантировать актуальность KPI для животноводческого сектора, в исследовании использовались KPI, рекомендованные Советом по развитию сельского хозяйства и садоводства (Agriculture and Horticulture Development Board, AHDB) [28], и набор инструментов KPI, разработанный Hewitt и др. [29]. Однако структура и характер обследования действительно накладывали ограничения на количество KPI, которые могли быть рассчитаны. Например, данные о весе скота не собирались, что означало, что такие KPI, как вес отъемышей на одну мясную корову или овцематку, не могли быть рассчитаны. Все KPI, рассчитанные для настоящего исследования, можно увидеть в Таблице 1 и Таблице 2, с в основном идентичными KPI для LFA и равнинных предприятий для обеспечения согласованности.

Таблица 1. KPI для равнинных и LFA предприятий по разведению мясного скота, рассчитанные с использованием данных FBS.

Таблица 2. KPI для равнинных и LFA предприятий по разведению овец, рассчитанные с использованием данных FBS.

2.3. Визуализация данных и статистический анализ

В общей сложности 910 LFA и 365 равнинных ферм были извлечены в период с 2019/20 по 2021/22 с использованием их идентификационных номеров ферм. Только фермы, присутствовавшие во все три года, были сохранены для анализа, в результате чего получилось 354 LFA и 148 равнинных ферм (Таблица 3). Усреднение KPI за три года позволило учесть сезонные изменения, обеспечив стабильность данных. Перед проведением визуализации данных 25 ферм были удалены из-за неполных данных. Все статистические анализы были выполнены с использованием R (версия 4.0.3, [30]). Первоначальные проверки качества данных были выполнены с использованием QQ-графиков, гистограмм и корреляционных графиков. Множественная линейная регрессия с пошаговой процедурой AIC была проведена с использованием валовой маржи в качестве переменной отклика и KPI в качестве переменных-предикторов. Кроме того, направление пошаговой процедуры было установлено как прямое и обратное для выявления наиболее статистически значимых переменных в модели. Информационный критерий Акаике (Akaikae's Information Criterion) использовался в рамках пошагового моделирования, исключая предикторы из модели для выявления наиболее экономной модели, которая балансирует между качеством соответствия и сложностью модели [31]. Результаты считались значимыми при p < 0.05. Распределение остатков модели было проверено, чтобы убедиться в отсутствии значимого отклонения от нормальности с использованием пакета 'DHARMa' [32]. Выбросы были исследованы, и было принято решение удалить фермы по разведению мясного скота с поголовьем менее 10 коров в финансовом году. Такой же подход использовался в исследовании молочных ферм Gonzalez-Mejia и др. [33] с использованием данных FBS. Следовательно, в общей сложности 23 фермы LFA по разведению мясного скота и 6 равнинных ферм по разведению мясного скота были удалены из набора данных. Проверка модели была выполнена повторно, и после отсутствия значимого отклонения остаточных точек данных модели были приняты.

Таблица 3. Количество ферм и среднее поголовье племенного скота в каждом типе предприятия, включенном в каждую из итоговых моделей.

3.1. Показатели равнинных и LFA овцематок

Описательная статистика для LFA и равнинных предприятий по разведению овец (Таблица 4) показывает, что затраты на концентраты (GBP на овцематку) были выше, чем затраты на ветеринарное обслуживание и лекарства на овцематку в обоих типах предприятий. Равнинные овцематки стабильно показывали более высокие KPI по сравнению с LFA овцематками, за исключением соотношения овцематка:баран.

Таблица 4. Описательная статистика для KPI равнинных и LFA предприятий по разведению овец.

Взаимодействия между соответствующими переменными были проверены, но значимо не улучшили соответствие модели ни для одной из моделей. Статистический анализ набора данных по равнинным овцематкам обнаружил, что количество ягнят на племенное поголовье показывало высоко значимую и положительную связь с валовой маржой на овцематку (73.540, p < 0.001). Затраты на концентраты на овцематку также были высоко значимыми в модели, но показывали отрицательную связь с валовой маржой на овцематку (−0.085, p < 0.001) (Таблица 5).

Таблица 5. Статистические результаты для равнинных предприятий по разведению овец.

Результаты были схожими для данных LFA, при этом затраты на концентраты на овцематку (−0.833, p < 0.001) и количество ягнят на племенное поголовье (56.247, p < 0.001) показывали, соответственно, отрицательную и положительную связь с валовой маржой на овцематку. Однако в дополнение к этим KPI, LFA предприятия по разведению овец показывали два дополнительных KPI с отрицательной и положительной связью с валовой маржой на овцематку. Это были соотношение овцематка:баран (−0.238, p < 0.05) и затраты на ветеринарное обслуживание и лекарства на овцематку (1.184, p < 0.05; Таблица 6).

Таблица 6. Статистические результаты для LFA предприятий по разведению овец.

3.2. Показатели равнинных и LFA мясного скота

В среднем, наибольшими затратами для обоих предприятий были затраты на концентраты на корову, оцененные в 70.55 и 52.88 фунтов стерлингов на корову для равнинных и LFA систем соответственно. KPI с самыми низкими затратами для обоих типов предприятий по разведению мясного скота были затраты на ветеринарное обслуживание и лекарства на корову: 30.99 и 40.91 фунтов стерлингов на корову для равнинных и LFA систем соответственно (Таблица 7).

Таблица 7. Описательная статистика для KPI равнинных и LFA предприятий по разведению мясного скота.

Как и в случае с овцеводческими предприятиями, взаимодействия между переменными были оценены и значимо не улучшили соответствие модели AIC; поэтому была принята итоговая модель основных эффектов без взаимодействий. Результаты пошаговой линейной регрессии показывают, что количество телят на корову и затраты на концентраты на корову показывали высоко значимые связи с валовой маржой на корову (Таблица 8). Затраты на концентраты на корову показывали отрицательную связь (−0.734, p < 0.001), тогда как количество телят на корову показывало положительную связь (461.416, p < 0.001).

Таблица 8. Статистические результаты для равнинных предприятий по разведению мясного скота.

Аналогично LFA предприятию по разведению овец, в LFA предприятии по разведению мясного скота было выявлено дополнительных KPI, значимо связанных с валовой маржой на корову. Как смертность коров, так и смертность телят показывали значимую (p < 0.001 и p < 0.05) и отрицательную связь (−9.883 и −4.568) с валовой маржой на корову, как и затраты на концентраты на корову (−0.528, p < 0.01). Однако в отличие от равнинных предприятий по разведению мясного скота, затраты на ветеринарное обслуживание и лекарства на корову показывали значимую положительную связь (1.160, p < 0.01) с валовой маржой в LFA предприятиях по разведению мясного скота (Таблица 9).

Таблица 9. Статистические результаты для LFA предприятий по разведению мясного скота.

Это исследование показало, что ряд KPI, полученных из данных FBS, значимо связаны с валовой маржой на предприятиях по разведению мясного скота и овец. Наиболее заметно, что показатели производительности (количество ягнят на племенное поголовье и количество телят на корову) из всех переменных в пошаговых регрессиях показали последовательность в своей значимой связи с валовой маржой на голову. Количество телят на корову на равнинных и LFA фермах по разведению мясного скота (Таблица 7) показало среднее значение, сравнимое с ирландскими фермами по разведению мясного скота, которые были классифицированы как высокоэффективные системы и показали в среднем 0.95 теленка на корову [34]. Как и ожидалось, увеличение количества ягнят на племенное поголовье привело к положительной связи с валовой маржой (Таблица 5 и Таблица 6). Аналогично, Bohan и др. [35] обнаружили, что увеличение количества отнятых ягнят на овцематку с 1.5 до 1.8 увеличило чистую прибыль. Однако важно подчеркнуть различия в расчетах KPI. В настоящем исследовании племенное поголовье представляет всех животных на предприятии, которые пригодны для разведения; это включает маток и ярок (в возрасте от 6 месяцев до года, предназначенных для разведения). Расчет количества ягнят на овцематку или выращенных ягнят не был возможен с использованием этого набора данных. Хотя это можно рассматривать как ограничение исследования, стоит отметить актуальность KPI для потенциального измерения углеродного следа племенных животных, содержащихся на ферме, путем сравнения их выхода и входа. Это было использовано в исследовании Jones и др. [36], где процент не осемененных маток и ремонтных ярок и количество выращенных ягнят на матку использовались в качестве переменных-предикторов в модели углеродного следа для горных и равнинных ферм.

Закупка концентратов была существенными затратами для всех типов предприятий, и их отрицательное влияние на валовую маржу было описано ранее [37]. Также важно признать рост затрат на ресурсы, поскольку средняя цена концентратов для крупного рогатого скота выросла на 148 фунтов стерлингов за тонну в период с 2019 по 2022 год [38]. Улучшение управления пастбищами для увеличения использования травы может снизить затраты на концентраты для бизнеса, при этом сообщается, что рентабельные системы разведения мясного скота имеют низкие затраты на закупаемые корма [39]. Уменьшение площади пастбищ на корову или увеличение плотности поголовья (количество животных, деленное на площадь земли, а не только на площадь пастбищ) является стратегией, которую фермеры могут использовать для увеличения выхода продукции на гектар, причем предыдущий отчет показал, что увеличение плотности поголовья с 1.75 коровы/га до 2 коров/га улучшило бы валовую маржу на 150 фунтов стерлингов/га [5]. Taylor и др. [40] также обнаружили, что фермы по разведению мясного скота с более высокой плотностью поголовья показывали более высокий выход продукции (кг/условную голову и кг/га); однако фермы, достигающие этого, участвовали в программе улучшения ферм и сравнивались со средним национальным показателем, который показывал более низкий выход продукции. Ротационный выпас также является методом, который фермеры могут использовать для увеличения плотности поголовья, одновременно увеличивая массу и качество травостоя [41]. Однако наше исследование не выявило значимой связи между площадью пастбищ на голову и валовой маржой на голову.

Другими заметными затратами, влияющими на валовую маржу предприятий по разведению мясного скота и овец, были затраты на ветеринарное обслуживание и лекарства. При сравнении со средними отраслевыми показателями, пользователи Farmbench от AHDB, входящие в средние 50% по показателям, зафиксировали затраты на ветеринарное обслуживание и лекарства в размере 40.17 фунтов стерлингов на корову, пущенную к быку, в 2022/23 году, что аналогично равнинным фермам FBS по разведению мясного скота — 40.91 фунтов стерлингов [41]. Для овцеводческих предприятий FBS средние затраты на ветеринарное обслуживание и лекарства на LFA овцематку составили 5.68 фунтов стерлингов и 7.30 фунтов стерлингов для равнинных овцематок; для сравнения, пользователи Farmbench от AHDB в средних 50% показали 8.72 фунтов стерлингов на овцематку, а лучшие 25% достигли 7.29 фунтов стерлингов на овцематку в течение 2022/23 года [42]. Хотя затраты на ветеринарное обслуживание и лекарства были выше в LFA при разведении мясного скота по сравнению с равнинным разведением мясного скота, средний процент смертности как телят, так и коров был ниже. Факторы, выходящие за рамки масштаба этого исследования, такие как управление, порода и здоровье, могут объяснять часть этой вариации.

Хотя смертность телят и количество телят на корову были сопоставимы с предыдущими исследованиями [43], дополнительные показатели фертильности, такие как межотельный интервал, количество месяцев отела, процент яловости и трудность отела, могли бы предоставить информацию, необходимую для определения репродуктивных показателей коров. Измерение возраста коров также могло бы объяснить вариации в проценте смертности мясных коров, затратах на ветеринарное обслуживание и лекарства на корову, а также проценте смертности телят, что в совокупности дало бы дополнительные указания на эффективность производственной системы [44]. Как уже было сказано, из-за характера анкеты FBS существовали ограничения на количество и типы KPI, которые могли быть рассчитаны. Однако это исследование подчеркнуло важность выживаемости новорожденных и минимизации затрат на закупки, поскольку эти переменные показывали наибольшее влияние на валовую маржу на голову во всех типах предприятий. Это значимо, поскольку недавняя сельскохозяйственная политика [45,46] в децентрализованных администрациях по всему UK и в других странах сейчас движется в сторону стимулирования и поощрения животноводов к регистрации и улучшению показателей животноводства.

Будучи крупнейшим стратифицированным обследованием такого рода в Соединённом Королевстве, FBS позволило этому исследованию использовать репрезентативные данные на уровне ферм, которые отражали показатели ферм по разведению мясного скота и овец в Англии и Уэльсе. Исследование продемонстрировало значимые связи между валовой маржой и конкретными KPI на системном уровне. Наибольшее количество переменных со значимой связью с валовой маржой на голову было выявлено в LFA предприятиях по разведению мясного скота, за которыми следовали LFA предприятия по разведению овец, а затем равнинные предприятия по разведению мясного скота и равнинные предприятия по разведению овец с наименьшим количеством переменных, показывающих значимую связь. KPI, рассчитанные в этом исследовании, в значительной степени сравнимы со средними отраслевыми показателями; однако, вероятно, существуют вариации между фермами из-за различий в типах производственных систем, определяемых их выбором породы, системой выращивания, рынком и оборудованием. Возможность выявления таких факторов выходила за рамки этого исследования; поэтому классификации типов ферм, полученные из FBS, были сохранены на протяжении всего исследования (LFA и равнинные). Необходимы дальнейшие исследования для выявления вклада и влияния, которые различные типы производственных систем могут оказывать на KPI животноводства и их связь с финансовыми показателями. Это первое исследование с использованием данных из Англии и Уэльса, которое демонстрирует влияние, которое KPI животноводства оказывают на финансовые показатели предприятий, и выгоды, которые регулярный сбор данных и сравнительный анализ могут иметь для показателей предприятия.

1.    Office for National Statistics, DEFRA. 2023. Available online: https://www.gov.uk/government/statistics/agriculture-in-the-united-kingdom-2022/summary#:~:text=In%202022%2C%20agriculture’s%20contribution%20to,in%20GVA%20compared%20to%202021 (accessed on 29 January 2024).

2.    Department for Environmental Food and Rural Affairs (DEFRA). Structure of the Agricultural Industry in England and the UK at June, Structure of the Agriculture Industry, UK Government. 2023. Available online: https://www.gov.uk/government/collections/structure-of-the-agricultural-industry#2021-publications (accessed on 29 January 2024).

3.    Welsh Government. Survey of Agriculture and Horticulture: June 2023. Available online: https://www.gov.wales/survey-agriculture-and-horticulture-june-2023-html (accessed on 24 January 2024).

4.    Green, K. Agriculture and Rural Affairs Statistics, Knowledge and Analytical Services, Farm accounts in Wales: An Overview. 2024. Available online: https://www.gov.wales/sites/default/files/statistics-and-research/2024-04/farm-accounts-wales-overview-077.pdf (accessed on 15 August 2024).

5.    Natural England Research Report, Grazing Livestock in the Lowlands. 2011. Available online: https://publications.naturalengland.org.uk/file/62085 (accessed on 30 August 2024).

6.    Ruxton, C.H.S.; Gordon, S. Animal board invited review: The contribution of red meat to adult nutrition and health beyond protein. Animal 2024, 18, 101103. [Google Scholar] [CrossRef] [PubMed]

7.    Randall, M. Labour in the Agriculture Industry, UK: February 2018; Office for National Statistics: London, UK, 2018; pp. 1–11. [Google Scholar]

8.    Qi, A.; Whatford, L.; Payne-Gifford, S.; Cooke, R.; Van Winden, S.; Häsler, B.; Barling, D. Can 100% Pasture-Based Livestock Farming Produce Enough Ruminant Meat to Meet the Current Consumption Demand in the UK? Grasses 2023, 2, 85–206. [Google Scholar] [CrossRef]

9.    Department for Environmental Food and Rural Affairs (DEFRA). Agriculture in the United Kingdom Evidence Pack. 2021. Available online: https://assets.publishing.service.gov.uk/media/6331b071e90e0711d5d595df/AUK_Evidence_Pack_2021_Sept22.pdf (accessed on 13 August 2024).

10. Welsh Parliament, Senedd Research. The Farming Sector in Wales, Research Briefing. 2022. Available online: https://research.senedd.wales/media/iuch3jz1/22-47-farming-sector-in-wales.pdf (accessed on 24 January 2024).

11. Reay, D.S. Land use and agriculture: Pitfalls and precautions on the road to net zero. Front. Clim. 2020, 2, 4. [Google Scholar] [CrossRef]

12. Central Statistics Office. Livestock Slaughtering’s September, 2023. Available online: https://www.cso.ie/en/releasesandpublications/ep/p-ls/livestockslaughteringsseptember2023/ (accessed on 13 August 2024).

13. Betts, C. Department for Environmental Food and Rural Affairs (DEFRA), Characteristics of High Performing Grazing Livestock Farms in England. 2020. Available online: https://assets.publishing.service.gov.uk/media/5f1acb71d3bf7f5968d37dda/agrienviro-analysis-livestockgrazing-24jul20.pdf (accessed on 14 August 2024).

14. Deblitz, C. Agri benchmark: Benchmarking beef farming systems worldwide. In Proceedings of the AARES 54th Annual Conference, Adelaide, Australia, 10–12 February 2010. [Google Scholar]

15. Domínguez, E.; Pérez, B.; Rubio, Á.L.; Zapata, M.A. A taxonomy for key performance indicators management. Comput. Stand. Interfaces 2019, 64, 24–40. [Google Scholar] [CrossRef]

16. Barber, B.; Gascoigne, E.; Adler, A. Benchmarking key performance indicators in beef herds in practice. Cattle Pract. 2018, 26, 15–16. [Google Scholar]

17. Hanks, J.; Kossaibati, M. Key Performance Indicators for the UK National Dairy Herd—A Study of Herd Performance in 500 Holstein/Friesian Herds for the Year Ending 31st August 2012; University of Reading: Reading, UK, 2012; pp. 1–26. [Google Scholar]

18. Warner, D.; Philion, J.; Lacroix, R.; Santschi, D.E.; Adam, S. Using Dairy Herd Improvement Data to Monitor Herd Sustainability; The Global Standard for Livestock Data; ICAR: New Delhi, India, 2022; pp. 189–193. [Google Scholar]

19. Huang, I.Y.; Hill, N.; Behrendt, K.; Hurford, S.; Dunkley, S.; Baker, S. AHDB Farm Resilience Review and Action Plan for farmers in England, Final Report. 2022. Available online: https://projectblue.blob.core.windows.net/media/Default/Horizon/Harper%20Farm%20resilience%20survey%20and%20action%20plan%20AHDB%20final%20report%2015%20July.pdf (accessed on 31 October 2023).

20. Ramsbottom, G.; Läpple, D.; Pierce, K.M. Financial benchmarking on dairy farms: Exploring the relationship between frequency of use and farm performance. J. Dairy Sci. 2021, 104, 3169–3180. [Google Scholar] [CrossRef] [PubMed]

21. Jones, A.; Takahashi, T.; Fleming, H.; Griffith, B.; Harris, P.; Lee, M. Quantifying the value of on-farm measurements to inform the selection of key performance indicators for livestock production systems. Sci. Rep. 2021, 11, 16874. [Google Scholar] [CrossRef] [PubMed]

22. Morgan-Davies, C.; Kyle, J.; Boman, I.A.; Wishart, H.; McLaren, A.; Fair, S.; Creighton, P. A comparison of farm labour, profitability, and carbon footprint of different management strategies in Northern European grassland sheep systems. Agric. Syst. 2021, 191, 103155. [Google Scholar] [CrossRef]

23. Hewitt, S. An evaluation of Key Performance Indicators for Beef Herds. Doctoral Dissertation, University of Nottingham, Nottingham, UK, 2022. [Google Scholar]

24. Gray Betts, C.; Hicks, D.; Reader, M.; Wilson, P. Nitrogen balance is a predictor of farm business performance in the English Farm Business Survey. Front. Sustain. Food Syst. 2023, 7, 1106196. [Google Scholar] [CrossRef]

25. Department for Environmental Food and Rural Affairs (DEFRA), The Farm Business Survey.Farm Business Survey—GOV.UK. 2024. Available online: www.gov.uk (accessed on 17 July 2024).

26. Aberystwyth University. Farm Business Survey. Farm Business Survey: Institute of Biological, Environmental and Rural Sciences, Aberystwyth University. 2024. Available online: https://www.aber.ac.uk/en/ibers/research-and-enterprise/fbs/ (accessed on 17 July 2024).

27. MATLAB; 2023. 9.14.0.2286388 (R2023a); The MathWorks Inc.: Natick, MA, USA, 2023. [Google Scholar]

28. AHDB. Beef and Lamb Key Performance Indicators (KPIs) No Date. Available online: https://ahdb.org.uk/beef-and-lamb-key-performance-indicators-kpis (accessed on 22 July 2024).

29. Hewitt, S.; Green, M.; Hudson, C. Evaluation of key performance indicators to monitor performance in beef herds. Livestock 2018, 23, 72–78. [Google Scholar] [CrossRef]

30. R Core Team. R: A Language and Environment for Statistical Computing; R Foundation for Statistical Computing: Vienna, Austria, 2024; Available online: https://www.R-project.org/ (accessed on 1 October 2024).

31. Hartig, F. DHARMa: Residual Diagnostics for Hierarchical (multi-level/mixed) Regression Models, R Package version 020; University of Regensburg: Regensburg, Germany, 2018. [Google Scholar]

32. Burnham, K.P.; Anderson, D.R. Model Selection and Multimodel Inference: A Practical Information Theoretic Approach; Springer: New York, NY, USA, 2002. [Google Scholar]

33. Gonzalez-Mejia, A.; Styles, D.; Wilson, P.; Gibbons, J. Metrics and methods for characterizing dairy farm intensification using farm survey data. PLoS ONE 2018, 13, e0195286. [Google Scholar] [CrossRef] [PubMed]

34. Crosson, P.; Woods, A.; Keane, J. Suckler beef systems–assessing steps to improve profitability. In Proceedings of the Beef 2016: Profitable Technologies, Dunsany, Ireland, 5 July 2016; pp. 14–19. [Google Scholar]

35. Bohan, A.; Shalloo, L.; Creighton, P.; Earle, E.; Boland, T.M.; McHugh, N. Investigating the role of stocking rate and prolificacy potential on profitability of grass based sheep production systems. Livest. Sci. 2018, 210, 118–124. [Google Scholar] [CrossRef]

36. Jones, A.K.; Jones, D.L.; Cross, P. The carbon footprint of lamb: Sources of variation and opportunities for mitigation. Agric. Syst. 2014, 123, 97–107. [Google Scholar] [CrossRef]

37. Wetlesen, M.S.; Åby, B.A.; Vangen, O.; Aass, L. Simulations of feed intake, production output, and economic result within extensive and intensive suckler cow beef production systems. Livest. Sci. 2020, 241, 104229. [Google Scholar] [CrossRef]

38. Department for Environment, Food and Rural Affairs. Animal Feed Prices, GOV.UK. 2024. Available online: https://www.gov.uk/government/statistical-data-sets/animal-feed-prices (accessed on 11 September 2024).

39. Taylor, R.F.; Crosson, P.; Kelly, A.K.; McGee, M. Benchmarking technical and economic performance of beef cow-calf to finishing production systems in Ireland. Prof. Anim. Sci. 2018, 34, 421–434. [Google Scholar] [CrossRef]

40. Welchons, C.A.; Bondurant, R.G.; Hilscher Hilscher, F.H.; Klopfenstein, T.J.; Watson, A.K.; MacDonald, J.C. Effect of Continuous or Rotational Grazing on Growing Steer Performance and Land Production. J. Anim. Sci. 2018, 95, 170. [Google Scholar] [CrossRef]

41. AHDB. Beef Cost of Production: Suckler Herds. 2024. Available online: https://ahdb.org.uk/beef-cost-of-production-benchmarks/suckler-herds (accessed on 24 October 2024).

42. AHDB. Lamb Cost of Production: Breeding Sheep. 2024. Available online: https://ahdb.org.uk/lamb-cost-of-production/breeding_sheep (accessed on 24 October 2024).

43. Taylor, R.F.; McGee, M.; Crosson, P.; Kelly, A.K. Analysis of suckler cow reproductive performance and its contribution to financial performance on Irish beef farms. Adv. Anim. Biosci. 2017, 8 (Suppl. 1), s64–s66. [Google Scholar] [CrossRef]

44. Sessim, A.G.; De Oliveira, T.E.; López-González, F.A.; De Freitas, D.S.; Barcellos, J.O.J. Efficiency in cow-calf systems with different ages of cow culling. Front. Vet. Sci. 2020, 7, 476. [Google Scholar] [CrossRef] [PubMed]

45. Sustainable Farming Scheme: Proposed Scheme Outline. GOV.WALES. 2024. Available online: https://www.gov.wales/sustainable-farming-scheme-proposed-scheme-outline-2024-html (accessed on 7 January 2025).

46. Suckler Beef Support Scheme (SSBSS). Rural Payments and Services Scottish. 2024. Available online: https://www.ruralpayments.org/topics/all-schemes/scottish-suckler-beef-support-scheme/ (accessed on 7 January 2025).

Lloyd N, Williams M, Williams HW. Key Performance Indicators as Predictors of Enterprise Gross Margin in English and Welsh Suckler Beef and Sheep Farms. Agriculture. 2025; 15(3):249. https://doi.org/10.3390/agriculture15030249

Перевод статьи «Key Performance Indicators as Predictors of Enterprise Gross Margin in English and Welsh Suckler Beef and Sheep Farms» авторов Lloyd N, Williams M, Williams HW., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: freepik