ZAR-Semin AR 201786415faa-4b6a-4102-8441-75bb26fc0e08/ZAR... · ZAR-Semin AR RINDERZUCHT AUSTRIA Seminar des Ausschusses für Genetik der ZAR am 9. März 2017 in Salzburg ... größte

2017ZAR-SeminAR

RINDERZUCHT AUSTRIA

Seminar des Ausschusses für Genetik der ZAR am 9. März 2017 in Salzburg

ZAR – ZENTRAlE ARbEITSGEMEINSCHAfT öSTERREICHISCHER RINDERZüCHTER

Der effizienten Kuh auf der Spur

www.rinderzucht-austria.at

ZAR – ZentRAle ARbeitSgemeinSchAftöSteRReichiScheR RinDeRZüchteR

1200 Wien, Dresdner Straße 89/19Tel. + 43 1 33 17 21 0 fax + 43 1 33 17 13E-mail: [email protected]

ZAR-Seminar 2017 Inhaltsverzeichnis

1

Inhaltsverzeichnis Verzeichnis der ReferentInnen 2

Dr. Christa Egger-Danner: Internationale Entwicklungen und Herausforderungen zur Zucht auf die effiziente Kuh 3

DI Maria Ledinek: Futter- und Nährstoffeffizienz – was steckt dahinter? 10

Univ.-Doz. Dr. Leonhard Gruber und DI Maria Ledinek: Einfluss der Lebendmasse auf die Effizienz von Milchkühen 18

Univ.-Prof. Dr. Johann Kofler: Auswirkungen von Lahmheit auf die Fruchtbarkeit und Milchleistung von Milchkühen 31

DI Franz Tiefenthaller: Stoffwechselstörungen frühzeitig erkennen und vermeiden 41

DI Franz Steininger: Effizienz-Check – wirtschaftliche Milchproduktion mit gesunden Kühen 45

Dr. Astrid Köck: Zucht auf Effizienzmerkmale und deren Zusammenhang mit Gesundheit 52

PD Dr. Birgit Fürst-Waltl: Stoffwechselstabilität und Klauengesundheit – züchterisch verbessern? 59

Dr. Christian Fürst: Zuchtwerte für Lebendgewicht zur züchterischen Verbesserung der Effizienz? 66

Ao.Univ.-Prof. Dr. Werner Zollitsch: Umweltwirkungen und Verbesserungspotentiale der österreichischen Milchwirtschaft 74

Danksagung 79

ZAR-Seminar 2017 Verzeichnis der ReferentInnen

2

Verzeichnis der ReferentInnen Dr. Christa Egger-Danner ZuchtData EDV-Dienstleistungen GmbH Dresdner Straße 89/19, 1200 Wien [email protected] www.zuchtdata.at

Priv.-Doz. Dr. Birgit Fürst-Waltl Universität für Bodenkultur Institut für Nutztierwissenschaften Gregor Mendel-Straße 33, 1180 Wien [email protected] www.boku.ac.at

Dr. Christian Fürst ZuchtData EDV-Dienstleistungen GmbH Dresdner Straße 89/19, 1200 Wien [email protected] www.zuchtdata.at

Univ.-Doz. Dr. Leonhard Gruber Höhere Bundeslehr- und Forschungsanstalt Raumberg-Gumpenstein Institut für Nutztierforschung Raumberg 38, 8952 Irdning-Donnersbachtal [email protected] www.raumberg-gumpenstein.at

Dr. Astrid Köck ZuchtData EDV-Dienstleistungen GmbH Dresdner Straße 89/19, 1200 Wien [email protected] www.zuchtdata.at

Univ.-Prof. Dr. Johann Kofler Veterinärmedizinische Universität Wien Klinik für Wiederkäuer Veterinärplatz 1, 1210 Wien [email protected] www.vetmeduni.ac.at

DI Maria Ledinek Universität für Bodenkultur Institut für Nutztierwissenschaften Gregor Mendel-Straße 33, 1180 Wien [email protected] www.boku.ac.at

DI Franz Steininger ZuchtData EDV-Dienstleistungen GmbH Dresdner Straße 89/19, 1200 Wien [email protected] www.zuchtdata.at

DI Franz Tiefenthaller Landwirtschaftskammer Oberösterreich Abteilung Tierproduktion Auf der Gugl 3, 4021 Linz [email protected] www.ooe.lko.at

Ao.Univ.-Prof. Dr. Werner Zollitsch Universität für Bodenkultur Institut für Nutztierwissenschaften Gregor Mendel-Straße 33, 1180 Wien [email protected] www.boku.ac.at

ZAR-Seminar 2017 Egger-Danner – Internationale Entwicklungen und Herausforderungen

3

Internationale Entwicklungen und Herausforderungen zur Zucht auf die effiziente Kuh

Christa Egger-Danner, Birgit Fürst-Waltl, Christian Fürst, Leonhard Gruber,

Maria Ledinek, Franz Steininger, Werner Zollitsch und Karl Zottl Hintergrund Laut FAO (2009) wird die Weltbevölkerung bis 2050 auf 9 Milliarden Menschen anwach-sen und daraus resultierend ein Anstieg des Nahrungsmittelbedarfs zu erwarten sein. Durch diese demografische Entwicklung wird der Bedarf an Milchprodukten ebenfalls eine rasante Steigerung erfahren, wodurch eine Ausweitung der Produktion unabdingbar sein wird. Um eine Produktionssteigerung zu erzie-len, sind entsprechende Ressourcen notwendig, allen vorangestellt landwirtschaftlich nutzbare Flächen. Diese Flächen sind aber nur in be-grenztem Umfang vorhanden, wodurch die Milchproduktion in Konkurrenz mit der Er-zeugung von für den direkten menschlichen Verzehr geeigneten Lebensmitteln tritt. Ebenso wird verstärkt landwirtschaftliche Nutzfläche für die Erzeugung von Bioenergie verwendet. In Zukunft wird daher auf Grund verstärkter Nachfrage mit limitiertem Angebot ein hohes Preisniveau für Kraftfutter zu erwarten sein. Diese Situation wird von den Landwirten einen noch gezielteren Einsatz von Futtermitteln er-fordern, da ca. 50 % der Direktkosten am Be-trieb den Futterkosten zuzurechnen sind und daher ein entscheidender Faktor für die Wirt-schaftlichkeit eines Betriebes sind (Kirner, 2006; de Haas et al., 2014). Unter solchen ressourcenlimitierenden Produk-tionsbedingungen gewinnen standortangepass-te Produktionssysteme an Konkurrenzkraft und werden Kennzahlen, die sich auf die Effizienz der Produktion beziehen, immer bedeutender. Unter zukünftigen Produktionsbedingungen wird daher im Vordergrund stehen, wie viel Milch aus einer Futtereinheit zu erzielen ist und nicht wie bisher die Leistung pro Tier (VandeHaar, 2014). Dies führte auch weltweit zu verstärkten Überlegungen den Parameter Futtereffizienz in Zuchtprogramme aufzuneh-men (z.B. Manzanilla-Pech et al., 2014, 2016;

Pryce et al., 2015). Für den Landwirt selber ist das Thema Effizienz bei niedrigen Milchprei-sen wichtiger denn je. Es gilt die verschiedens-ten Bereiche zu optimieren. Abgesehen von entsprechender Leistung (z.B. Milch, Fleisch, Kälber pro Kuh) ist die Nutzung von Einspa-rungspotentialen ein wesentlicher Faktor. As-pekte wie Fütterungseffizienz oder verbesserte Tiergesundheit rücken in den Fokus. Durch Klimaveränderungen mit starken Witterungs-schwankungen und Temperaturextremen ge-winnen Resilienzmerkmale (Merkmale der Anpassungsfähigkeit) an Bedeutung. Die Landwirtschaft und speziell auch die Viehwirtschaft wird oft als mögliche Mitverur-sacherin der Klimaveränderung gesehen, da sie für etwa 14,5% (davon 65% aus der Milch- und Fleischproduktion) aller durch Menschen verursachten Treibhausgase verantwortlich ist (Gerber et al., 2013). Die EU hat das Ziel, bis 2020 im Vergleich zu 1990 die Treibhaus-gasemissionen um 20% zu reduzieren. Durch all diese Argumente wird die Forderung nach einer möglichst effizienten landwirt-schaftlichen Produktion immer lauter, die nachhaltig sowohl die Produktivität als auch die Resilienz steigert, die Ausscheidung von Treibhausgasen reduziert und die Erreichung der Ernährungssicherheit erfüllt (FAO, 2010). Effizienz - Merkmalsdefinition Effizienz kann sehr vielfältig definiert werden. Allgemein kann sie als das Verhältnis von In-put zu Output beschrieben werden. Hier spie-len Einflussgrößen wie Flächenproduktivität, Fütterungseffizienz, Arbeitsproduktivität, Er-löse (Milch, Fleisch, Zuchtvieh, ...), aber auch Verluste aufgrund von Erkrankungen, kurzer Nutzungsdauer, etc. eine Rolle. Bezüglich Ef-fizienz sind immer verschiedene Ebenen zu berücksichtigen. Für die Wirtschaftlichkeit des


4

Betriebes ist das Gesamtergebnis des Betriebes wesentlich. Auf Systemebene kommen weitere Aspekte der Gewährleistung der Ernährungssi-cherheit oder der Bedarf zur Reduktion von Methanemissionen dazu. Für genetische Ver-besserungen ist der Bezug zum Einzeltier ent-scheidend. Futtereffizienz Da Futterkosten ein wesentlicher betriebswirt-schaftlicher Faktor sind, sind Merkmale der Futtereffizienz züchterisch von Interesse. Ab-

bildung 1 zeigt eine Übersicht über die Ener-gieverwendung beim Milchrind. Die Netto-energie für Erhaltung und Produktion ergibt sich aus der Gesamtenergie reduziert um die verdauliche Energie und die Energie für die Metabolisierung (Janez-Ruiz, 2017). Die Ein-beziehung der Futtereffizienz in die Züchtung wird erschwert, da es sich um ein Merkmal handelt, das sich aus verschiedenen Merkma-len zusammensetzt und beeinflusst wird. Das führte dazu, dass es in der Literatur verschie-dene Definitionen für dieses Merkmal gibt (Tabelle 1).

Abb. 1: Übersicht über Energiever-wendung bei Milchrindern (Janez-Ruiz, 2017)

Abb. 2: Übersicht über Energiebedarf (Janez-Ruiz, 2017)

Tabelle 1: Verschiedene gängige Effizienzmerkmale nach Berry und Pryce (2014)

Bezeichnung Definition Futterkonvertierungseffizienz (FCE) FCE = ECM kg / kg IT FCEAdj = (ECM kg + b1a ∆LM +) / (IT - b1b ∆LM -) Teileffizienz Milchproduktion (PEMP) PEMP = ECM kg / (kg IT - b1LM0,75) Kleiber Relation (KR) KR = ECM kg / kg LM0,75 KR = (ECM kg + b1a ∆LM+) / kg LM0,75 Residualfutteraufnahme (RFI) RFI = IT - LZ × ΣLT + b1LM0,75 + b2ECM + b3(∆)BCS

+ b4∆LM + b5LM 0,75 × BCS + b6∆LM × ∆BCS) Residual-Fett-Eiweiß-Produktion (RSP) RSP = ECM - (LZ × ΣLT + b1LM 0,75 + b2IT + b3(∆)BCS

+ b4∆LM + b5LM 0,75 × BCS + b6∆LM × ∆BCS) ECM = Energie korrigierte Milch, LM = Lebendmasse, IT = Trockenmasse-Aufnahme, ∆LM = Lebendasse-Veränderung, BCS = Body Condition Score, ∆BCS = BCS Zu- bzw. Abnahme, LM0,75 = metabolische Körpermasse Ein wesentlicher Bereich ist die Mobilisierung. Das bislang gebräuchlichste Merkmal ist die Residualfutteraufnahme. Wenn die Residual-futteraufnahme nur als Verhältnis Differenz des Bedarfs laut Körpergewicht und Milchleis-tung und der tatsächlich aufgenommen Tro-ckenmasse oder Energieaufnahme berechnet wird, ist diese problematisch zu nutzen, da sehr viele Einflussfaktoren wirken (Pryce et

al., 2015). Korrekterweise muss außerdem auf die Mobilisierung korrigiert werden. Effiziente Tiere haben eine niedrigere Trockenmasseauf-nahme auf dem gleichen Niveau der Milchpro-duktion und des gleichen Gewichtes. Das größte Hindernis bei der weit verbreiteten Verwendung von Futteraufnahme- und Effizi-enzmaßen in Zuchtzielen ist die Verfügbarkeit von großen Mengen an Futteraufnahme-Daten


5

einzelner Tiere (Berry und Crowley, 2013). Ansätze um diese Limitierungen zu überkom-men, sind die Verwendung von Hilfsmerkma-len und die genomische Vorhersage (Pryce et al., 2014, Pryce und Berry, 2014). Hilfsmerk-male könnten Daten aus Sensoren (zB Wie-derkauaktivität) oder MIR-Spektren-basierte Indikatoren sein (McParland et al., 2014). Ber-ry und Crowly (2013) kamen in ihrer Über-sichtsstudie über genetische Parameter zur Fut-tereffizienz zu der Ansicht, dass ein hohes Ausmaß der genetischen Variation der Fut-teraufnahme durch die Hereinnahme der Le-bendmasse, Wachstumsrate, Milchertrag, BCS und lineare Merkmale wie Körpergröße und Muskelentwicklung erklärt werden kann. Auf Betriebsebene sind nach Vandehaar (2014) die wichtigsten Faktoren zur Verbesserung der Futtereffizienz der relative Milchertrag pro Körpergewicht, der Prozentsatz Lebenszeit in Produktion, die genaue bedarfsbezogene Fütte-rung und die Effizienz in der Umwandlung von Gesamtenergie zu Nettoenergie. Produktionseffizienz / Lebenseffizienz Diese komplexere Betrachtung der Effizienz berücksichtigt nicht nur die Fütterungseffizi-enz, sondern bezieht auch Aufwand für Auf-zucht, Fruchtbarkeit, Gesundheit,... ein. Ent-scheidend ist, dass Tiere möglichst effizient Nährstoffe in Milch und Fleisch umwandeln, dabei aber auch gesund und fruchtbar bleiben und lange genutzt werden können. Wenn es gelingt, die Nutzungsdauer zu steigern, so kommt es zu einer Verdünnung des Aufwands für die Erhaltung aber auch für die Kosten der Aufzucht. In den letzten Jahrzehnten wurden durch die Steigerung der Milchleistung große Effizienzsteigerungen erzielt. Je länger die Nutzungsdauer und je geringer der Aufwand für die Aufzucht ist, desto günstiger wirken sich eingesetzter Input zu Output aus (siehe Abbildung 2, Janez-Ruiz, 2017). Für die züchterische Verbesserung der Produk-tionseffizienz, sind die Merkmale bereits zu einem großen Teil im Gesamtzuchtwert be-rücksichtigt. Das Merkmal Produktionseffizi-enz kann am besten durch den ökonomischen Gesamtzuchtwert beschrieben werden. Kosten

für Erlöse (Kälbern oder Schlachttieren,..) werden über die wirtschaftlichen Gewichte be-rücksichtigt. Im aktuellen Gesamtzuchtwert (GZW) in Österreich (Fuerst-Waltl et al., 2016) sind Milch, Fleisch und Fitness bereits vertreten. Merkmale, die die Futtereffizienz oder die Mobilisierung beschreiben, sind nicht direkt enthalten. Im Stoffwechselbereich wird aktuell Milchfieber berücksichtigt, aber keine Informationen zu klinischen oder subklini-schen Ketosen. Aufzuchtverluste gehen seit 2016 über den Vitalitätswert ein, doch genaue-re Informationen zu Kälbererkrankungen und Abgangsursachen von Kälbern und Jungtieren könnten diesen Bereich genauer erfassen. Ein an Bedeutung immer stärker steigender Be-reich sind die Klauenerkrankungen, für die es aktuell bei Fleckvieh und Braunvieh noch kei-ne Routine-Zuchtwertschätzung gibt. Effizienz und Reduktion von Methanausscheidungen Für die Darstellung der Methanproduktion sind die gebräuchlichsten Merkmale: Gesamtme-thanproduktion in Gramm pro Tag, Methaner-trag dargestellt als Methanproduktion pro kg Trockenmasseaufnahme und Methanintensität als Methanproduktion pro kg Produkt (z.B. kg Milch oder vom Menschen verwertbares Pro-tein) (de Haas et al., 2017). Eine bessere Fut-tereffizienz führt nach Hegarty et al. (2007) auch zu einer geringeren Methanbelastung. Vereinzelt gibt es Studien mit Erblichkeiten für verschiedenen Merkmale zur Beschreibung der Methanproduktion (Lassen und Lovendahl, 2016; Negussie et al., 2017.). Die Ergebnisse zeigen genetisches Potential auf, weisen auch auf eine teilweise starke Beeinflussung der Merkmale durch den Zusammenhang mit Fut-teraufnahme, Milchleistung,.. hin. Eine positi-ve genetische Korrelation von 0,32 zwischen Residualfutteraufnahme (RFI) und Metha-nemissionen deutet auf züchterische Möglich-keiten hin, jedoch wird von Lassen und Lo-vendahl (2016) darauf hingewiesen, dass bei Berücksichtigung von RFI spezielles Augen-merk auf die negative Energiebilanz am An-fang der Laktation gelegt werden muss. Eine längere negative Energiebilanz zu Beginn der Laktation geht oftmals mit Fruchtbarkeitsprob-


6

lemen einher. Um solche Merkmale tatsächlich züchterisch berücksichtigen zu können, sind detaillierte Studien über die Zusammenhänge mit anderen Merkmalen im GZW notwendig. Solche Studien sind schwierig, da Daten zu Methanausscheidungen bislang in Praxisbe-trieben kaum erfassbar waren. Für die Rasse Holstein sind in den nächsten Jahren Ergebnis-se aus großen international laufenden Projek-ten zur Futtereffizienz und Reduktion von Me-thanausscheidungen zu erwarten. Für kleine Rassen wird dies über direkte Merkmale nicht realistisch sein. Ansätze dazu bieten Hilfs-merkmale wie die Schätzung von Energiebi-lanz oder auch Methanproduktion aus Mid-Infrarotspektren (MIR) (McParland et al., 2014; Vanlierde et al., 2016). Nach de Haas et al. (2014) könnte mit genomischer Selektion eine Reduktion der geschätzten Methanpro-duktion in 10 Jahren um 15% theoretisch mög-lich sein. Basarab et al. (2013) kommt auf 0,75 bis 1% pro Jahr bei Berücksichtigung von RFI als Hilfsmerkmal. Nach Janez-Ruiz (2017) ist bei Zucht auf Milchleistung, Energieeffizienz, Gesundheit,.. durch die Verdünnung für Fut-terkosten für Erhaltung und geringere Kosten für Bestandesergänzung eine Reduktion von Methanemissionen pro kg ECM zu erwarten. Herausforderungen der Zucht auf die effiziente Kuh Um Zuchtfortschritt zu erzielten, sind entspre-chende Merkmale im Ablauf des Zuchtgesche-hens zu berücksichtigen. Zum einen ist festzu-legen, welche Merkmale in der Selektion be-rücksichtigt werden sollen und welches wirt-schaftliche Gewicht ihnen beigemessen wer-den soll. Weiters sind phänotypische Leistun-gen für diese Merkmale zu erfassen, die Ge-nominformation zu bestimmen und dann da-rauf aufbauend die Zuchtwerte zu schätzen. Diese werden dann für die Auswahl der besten weiblichen und männlichen Tiere für die Zucht verwendet. Zusätzlicher Zuchtfortschritt wäre möglich, wenn Futtereffizienz-Phänotypen breit vorlie-gen würden. Mit der genomischen Selektion kann mit einem geringeren Umfang an Phäno-typen gearbeitet werden, aber auch für Merk-male mit einer Erblichkeit von 20% sind ca.

40.000 Phänotypen und Genotypen notwendig um eine Sicherheit des genomischen Zucht-werts von 60% zu erreichen (Pryce und Berry, 2014). Möglichkeiten um hier weiterzukom-men, sind internationale Kooperationen mit Daten zu diesen Merkmalen aus Versuchssta-tionen oder ein Ansatz über Hilfsmerkmale, über die ein korrelierter Selektionserfolg er-zielt werden kann. Für kleinere Rassen (auch Fleckvieh und Braunvieh) werden auch in Zukunft aus Ver-suchsstationen nicht genügend phänotypische Daten zur Zucht auf Futtereffizienz und Re-duktion von Treibhausgasemissionen in aus-reichendem Ausmaß vorliegen. Durch interna-tionale Kooperation bei der Rasse Holstein ist es gelungen, eine Referenzstichprobe für diese Merkmale anzulegen und genomische Zucht-werte zu veröffentlichen. Herausforderungen dabei sind, dass der Referenzpopulation aus verschiedenen Ländern meist unterschiedliche Merkmalserfassungen, Futterrationen, etc. zu Grunde liegen (Veerkamp et al. 2015). Um höhere Sicherheiten für die genomischen Zuchtwerte für diese Merkmale zu erzielen, ist weiterer hoher Investitionsbedarf notwendig. Im Zuge verschiedener sehr großer internatio-naler Projekte wird daher eine umfangreiche Kuhkalibrierungsstichprobe aufgebaut. Gibt es keine ausreichend große Anzahl an genauen Daten von Versuchsstationen zu Merkmalen wie Residualfutteraufnahme, Trockenmasse-aufnahme oder Methanemissionen, müssen Hilfsmerkmale herangezogen werden. Diese müssen kostengünstig bei einer größeren Stichprobe in der Praxis erfasst werden kön-nen. Um diese Merkmale im GZW berücksich-tigen zu können, müssen die genetischen Be-ziehungen zu den anderen Merkmalen im GZW bekannt sein. Eine Herausforderung bei der Integration von Effizienzmerkmalen in den GZW ist auch, dass es meist Verhältnis- oder Residualmerkmale sind. Doppelberücksichti-gungen von Merkmalen im GZW sind zu ver-meiden. Um neue Merkmale mit einer be-grenzten Anzahl an Phänotypen züchterisch nutzen zu können, wird über den Aufbau einer Kuhkalibrierungsstichprobe kein Weg vorbei-führen. Über genomische Zuchtwerte kann auf diese Merkmale in der Gesamtpopulation se-lektiert werden.


7

Internationale Entwicklungen –Was machen andere Länder? International wird intensiv an der Vermeidung von Emissionen und Maßnahmen zur Steige-rung der Fütterungseffizienz geforscht. Durch die Einführung der genomischen Zuchtwert-schätzung eröffneten sich neue Möglichkeiten und mittels länderübergreifender Projekte konnten aussagekräftige Daten zur Futterauf-nahme der Rasse Holstein zusammengeführt werden, um genetische Parameter und (geno-mische) Zuchtwerte für die Merkmale Tro-ckenmasse-Aufnahme und RFI zu schätzen (Berry et al., 2014; Weigel et al., 2014). Die Niederlande, Australien und die USA publizie-ren bereits Zuchtwerte für Futtereffizienz in der Routine.

Routine-Zuchtwertschätzungen: Niederlande: Zuchtwert für „Better Life Effi-ciency“ drückt aus, wieviel der aufgenomme-nen Energie über das ganze Leben der Kuh in Milch umgewandelt wurde. Berücksichtigt werden Milchleistung, Nutzungsdauer, Fut-teraufnahme, aber auch Persistenz, Reife, Ge-wicht, Zwischenkalbezeit und Erstkalbealter. Das Gewicht wird aus der linearen Beschrei-bung hochgerechnet. Daten von 3.200 genoty-pisierten Kühen mit Futteraufnahmedaten von Station werden berücksichtigt (DeJong, 2016; https://www.crv4all-international.com/service/ better-life-efficiency/). Laufend werden neue Kühe mit Informationen für Trockenmasseauf-nahme zugefügt. Ein Zuchtwert für Ketose wird auch angeboten. Australien: Australien publiziert den Zucht-wert „Feed saved“ seit April 2015 (Pryce et al., 2015). Der Erhaltungsbedarf wird aus dem Gewicht der linearen Beschreibung berechnet. Für die Berechnung der Futtereffizienz liegen 2.036 Genotypen mit Stationsdaten vor (843 australische Kälber; 243 australische Kühe; 958 Kühe aus UK und NL). Nach Modellrech-nungen führt diese züchterische Berücksichti-gung zu 2-6% eingespartem Futter pro Kuh und Jahr. USA: „Feed Efficiency Index“ wird bei Hol-stein USA seit Dezember 2014 veröffentlicht. In den USA wird aktuell ein neues Merkmal „cow livability“ in den GZW aufgenommen,

sechs Gesundheitsmerkmale stehen vor der Veröffentlichung, an der Futtereffizienz wird intensiv gearbeitet (Cole, 2017).

Projekte: Im Folgenden sind einige Beispiele zu interna-tionalen Projekten aufgelistet, die sich mit di-rekten und indirekten Merkmalen im Bereich Effizienz beschäftigen. USDA: Datengrundlage für genomische Selek-tion für Effizienz wird gelegt (8.000 Kühe mit verschiedensten Daten von Futteraufnahme, Körpergewichtsveränderung, Gesundheit,…). Ziel: genomische Zuchtwerte für Effizienz, Analyse von genetischen Zusammenhängen mit anderen Merkmalen von Interesse, Ent-wicklung eines Managementtool für Landwir-te,.. Efficient Dairy Genome Project / Genome-Canada: Internationales Projekt unter der Lei-tung von Canada mit Beteiligung von For-schern aus Ontario, Alberta, Australien, USA, Großbritannien und der Schweiz. Der Fokus liegt auf Futtereffizienz und Reduktion von Methanemissionen. Feed Utilization in Nordic Countries: Fokus auf direkte und indirekte Merkmale (Stations-daten, aber auch Daten aus Automatisierungen, Sensoren, MIR,.). Global Dry Matter Initiative (GDMI): Ziel ist der Austausch von Daten aus Forschungs-stationen in Bezug zu Futtereffizienz bei Milchkühen. OptiKuh (www.optikuh.de): Deutschland - u.a. bundesweiter Datenverbund aller Betriebe mit einer automatischen Erfassung der indivi-duellen Futteraufnahme. In zwölf Versuchs- und Referenzbetrieben soll durch umfassende Untersuchungen eine auf Futteraufnahme und Stoffwechselstabilität ausgerichtete Zucht un-ter Beachtung der Methanemissionen und der Futtereffizienz vorangebracht werden. Methagene (www.methagene.eu): Internatio-nales Konsortium das im Rahmen von Ar-beitsgruppen verschiedene Fragen zu Methan-messungen, Hilfsmerkmalen, Nutzen für Landwirte,… bearbeitet. Prof. Kreuzer von der ETH und Qualitas: Projekt zur Evaluierung von Hilfsmerkmalen zu Methanemission und Futterverwertung (Ef-fizienz) in der Schweiz. Zwischen Efficient


8

Cow und dem Projekt von Prof. Kreuzer wur-de eine Kooperation vereinbart. GenTORE: Europäisches Projekt mit Resili-enzbezug (hinsichtlich Tiergesundheit und Futtereffizienz), Messung der Resilienz bei Milch- und Fleischrindern, Entwicklung ge-nomischer Zuchtwertschätzung (Matalia, 2017). Projekt „Efficient Cow“ Aufbauend auf einem von der ZAR initiierten Workshop zum Thema „Klimaschutz und Energieeffizienz“ im Mai 2011 wurde in Zu-sammenarbeit mit Vertretern aus Praxis, Leis-tungsprüfung, Rinderzucht, Wissenschaft und Beratung das Projekt „Efficient Cow“ konzi-piert. Die Analyse der bestehenden For-schungskapazitäten in Österreich zeigte, dass für einen auf Zucht fokussierten Ansatz zur Analyse und Optimierung der Produktionseffi-zienz und der Umweltwirkung der österreichi-schen Rinderwirtschaft Daten aus der Praxis herangezogen werden müssen.

Das Hauptziel war, mehr Informationen über Einflussfaktoren und Möglichkeiten in Zucht und Management zu erhalten, um die „effizi-ente Kuh“ zu erreichen. Die „effiziente Kuh“ ist jene, die problemlos, nachhaltig und unter optimaler Ausnutzung der betrieblichen Fut-termittel bei guter Gesundheit möglichst viel Milch produziert und alljährlich ein gesundes Kalb zur Welt bringt. Das Projekt sollte vertie-fende Einblicke liefern zu:

• Definition und Messbarkeit von Effizi-enzmerkmalen

• Bedeutung der Lebendmasse und Kör-permaße im Zusammenhang mit Effizienz

• Genetische Zusammenhänge von Effizi-enzmerkmalen und Merkmalen im Ge-samtzuchtwert

• Zusammenhänge zwischen Effizienz und Gesundheit

• Nutzen von Hilfsmerkmalen • Ergebnisse zu Treibhausgasemissionen in

Abhängigkeit von unterschiedlicher Effi-zienz und relevanten Milchproduktions-systemen aus Österreich

• Empfehlung für die Praxis/Beratung

Im Kalenderjahr 2014 wurde an 167 Betrieben mit ca. 3.500 Fleckvieh-, 1000 Braunvieh- und 1000 Holstein-Kühen sehr umfangreiche tier-individuelle, aber auch Betriebsdaten zum Themenbereich Effizienz erfasst. Die Betriebe kommen aus verschiedenen Produktionsgebie-ten mit unterschiedlichen Futtergrundlagen bzw. Bewirtschaftungsformen. Die Daten wur-den von geschulten Mitarbeitern der Landes-kontrollverbände und der Zuchtorganisationen erhoben. Bei den Gesundheitsdaten wurde auf der Erfassung der tierärztlichen Diagnosen (GMON) aufgebaut. Zur Vervollständigung der Daten wurden teilweise Beobachtungen durch die Landwirte selber erhoben. Die Da-tenerfassung umfasste allgemeine Informatio-nen zum Betrieb (Flächen, Haltung, Fütte-rung), direkte Gesundheitsdaten, Dokumenta-tion und Erfassung der Klauenpflege, BHB (ß-hydroxybutyrate) Ketose-Test Milch, lineare Nachzuchtbeschreibung über alle Laktationen, weitere Körpermaße. Bei jeder MLP wurden im Kalenderjahr 2014 Lebendmasse, Körper-maße, Körperkondition (BCS) und Lahmheits-score erfasst. Ebenso wurden die Rationen er-hoben, Futtermittelanalysen durchgeführt, ein-zeltierbezogene Kraftfuttermengen erfasst und die Grundfutteraufnahme geschätzt. MIR-Spektren wurden bei jeder MLP gespeichert und ca. 3.000 Kühe wurden über Mittel des Projektes Gene2Farm genotypisiert. Insgesamt wurden zB 50.000 Wiegungen durchgeführt. Das gleiche gilt für alle Daten, die pro Milchleistungskontrolle vom Einzeltier erfasst wurden. Im Rahmen des Projektes wurden die Forschungsfragen in Zusammenarbeit der Partner aus Rinderzucht, Leistungsprüfung, Universität für Bodenkultur, Veterinärmedizi-nischer Universität und der HBLFA Raum-berg-Gumpenstein bearbeitet. Weitere ergän-zende Auswertungen wurden im Rahmen von 6 Masterarbeiten (3 BOKU, 3 Vetmeduni) durchgeführt. Die Datengrundlage aus Efficient Cow bietet vielfältige Möglichkeiten für die Abklärung von weiteren wissenschaftlichen oder von für die Beratung relevanten Fragen. Diese Daten stellen auch eine wesentliche Grundlage für die Entwicklung des Management-Tools „Ef-fizienz-Check“ dar.


9

Literatur Basarab, JA., Beauchemin, KA., Baron, VS., Ominsik,

KH., Guan, LL., Miller, SP., Crowley, JJ., 2013. Re-ducing GHG emissions through genetic improvement for feed efficiency: effects on economically im-portant traits and enteric methane production. Ani-mal (2013), 7_s2 pp 303-315.

Berry, DP. und Crowly, JJ., 2013. Cell Biology Sympo-sium: Genetics of feed efficiency in dairy and beef cattle. Journal of Animal Science 91, 1594-1613.

Berry, DP., Coffey, MP., Pryce, J.E., de Haas, Y., Løvendahl, P., Krattenmacher, N., Crowley, JJ., Wang, Z., Spurlock, D., Weigel, K., Macdonald, K., Veerkamp, R.F., 2014. International genetic evalua-tions for feed intake in dairy cattle through the colla-tion of data from multiple sources. Journal of Dairy Science 97, 3894–3905.

Berry, DP. und Pryce, J.E., 2014. Feed Efficiency in Growing and Mature Animals. Proceedings of the 10th Word Congress of Genetics Applied to Live-stock Production, Vancouver 2014. https://asas.org/docs/default-source/wcgalp-proceedings-oral/109_paper_10258_manuscript _1631_0.pdf?sfvrsn=2

Cole, J. 2017. Personal communication. De Haas, Y., Pszcola, H., Soyeurt, E, Wall, E., Lassen,

J., 2017. Invited review: Phenotypes to genetically reduce greenhouse gas emissions in dairying. J. Dairy Sci. 100:855–870

De Haas Y., Pryce J.E., Berry D.P., Veerkamp R.F., 2014. Genetic and genomic solutions to improve feed efficiency and reduce environmental impact of dairy cattle. Proceedings of the 10th Word Congress of Genetics Applied to Livestock Production, Van-couver 2014. https://asas.org/docs/default-source/wcgalp-proceedings-oral/286_paper_10254_ manuscript_1264_0.pdf?sfvrsn=2

De Jong, G., van der Linde, R., de Haas, Y., Veerkamp, R F., 2016. Genetic evaluation for feed intake in the Netherlands and Flanders, impact on efficiency and responses. Interbull Meeting, Puerto Varas, Chile. http://www.interbull.org/static/web/DMI_EBVInterbull2016_Gerben.pdf

FAO, 2010. Climate-smart agriculture. http://www.fao.org/docrep/013/i1881e/i1881e00.pdf

Fuerst-Waltl, B., Fuerst, C., Obritzhauser, W., Egger-Danner, C., 2016. Sustainable breeding objectives and possible selection response: Finding the balance between economics and breeders' preferences. Jour-nal of Dairy Science 99, 9796-9809.

Gerber, PJ., Steinfeld, H., Henderson, B., Mottet, A., Opio, C., Dijkman, J., Falcucci, A., Tempio, G., 2013. Tackling climate change through livestock – A global assessment of emissions and mitigation op-portunities. Food and Agriculture Organization of the United Nations (FAO), Rom, ISBN 978-92-5-107920-1.

Hegarty, RS., Goopy, JP., Herd, M., McCorkell, B., 2007. Cattle selected for lower residual feed intake have reduced daily methane. Journal of Animal Sci-ence 2007, 85:1479-1486.

Janez-Ruiz, D., 2017Presentation at Methagene-Cost-Meeting, Gembloux, January 2017.

Kirner L., 2006. Betriebswirtschaftliche Aspekte der Milchviehhaltung. In: FAT (Hrsg): Landtechnik im Alpenraum. FAT-Schriftenreihe Nr. 68, 107-113. http//www.blt.bmlfuw.gv.at/vero/veranst/030/Tagungsband/16_Kirner_Seite_107-114.pdf

Lassen, J., Lovendahl, P., 2016. Heritability estimates for enteric methane emissions from Holstein cattle measured using noninvasive methods. Journal of Dairy Science 99:1959–1967.

Manzanilla Pech CIV., Veerkamp RF., Calus MPL., Zom R., Knegsel A. van, Pryce JE., De Haas Y., 2014. Genetic parameters across lactation for feed intake, fat- and protein-corrected milk, and live-weight in first-parity Holstein cattle. Journal of Dairy Science 97, 5851–5862.

Matalia, S., 2017. Personal communication. McParland S.,Kennedy E , Lewis E., Moore SG. ,

McCarthy B., O’Donovan M., and Berry D P., 2014. Genetic parameters of dairy cow energy intake and body

energy status predicted using mid-infraredspectrometry of milk. Journal of Dairy Sci. 98: 1310–1320

Negussie, E., de Haas, Y., Dehareng, F., Dewhurst, RJ., Dijkstra, J. , Gengler, N. Morgavi, DP, Soyourt, oth-er., 2017. Large-scale indirect measurements for en-teric methane emissions in dairy cattle: A review of proxies and their potential for use in management and breeding decisions. Journal of Dairy Science 100:1–21

Pryce, JE., Gonzalez-Recio O., Nieuwhof G., Wales WJ., Coffey MP., Hayes BJ., Goddard ME., 2015. Hot topic: Definition and implementation of a breed-ing value for feed efficiency in dairy cows. Journal of Dairy Science 2015 98(10):7340-50.

Pryce JE. and Berry DP., 2014. Genomic breeding val-ues for novel traits such as feed efficiency through female only reference populations. ICAR Confer-ence, 19–23 May, Berlin, Germany.

Veerkamp, R., de Haas, Y., Pryce, J., Coffey, M., Spur-lock, D., Vandehaar, M., 2015. Guidelines to meas-ure individual feed intake of dairy cows for genomic and genetic evaluations. http://www.icar.org/wp-content/uploads/2015/09/5-Veerkamp-Roel.pdf

VandeHaar, MJ., 2014. Feeding and breeding for a more efficient cow. Dairy Technology 26, 17-30.

Vanlierde, A., Dehareng, F., Froidmont, E., Gengler, N., Soyeurt, H., Grelet, C., McParland, S., Dardenne, P., 2016. A simple method to predict methane emissions based on milk mid infrared spectra. https://www.researchgate.net/publication/309557379_A_simple_method_to_predict_methane_emissions_based_on_milk_mid_infrared_spectra

ZAR-Seminar 2017 Ledinek – Futter- und Nährstoffeffizienz – was steckt dahinter?

10

Futter- und Nährstoffeffizienz – was steckt dahinter?

Maria Ledinek, Leonhard Gruber, Franz Steininger, Birgit Fürst-Waltl, Karl Zottl, Martin Royer, Kurt Krimberger, Martin Mayerhofer und Christa Egger-Danner

1. Einleitung In den letzten Jahrzehnten stieg die Körper-größe der Milchkühe kontinuierlich an (Krog-meier 2009). Die alleinige Zucht von Milch-kühen mit hohem Milchleistungspotenzial führt zu größeren Tieren (Mason et al. 1957), welche eine geringere Nutzungsdauer aufwei-sen und schwerer sind (Hansen et al. 1999). Diese haben einen höheren Erhaltungsbedarf (GfE 2001). Eine 850 kg schwere Kuh muss 8.100 kg Milch pro Jahr produzieren, um die gleiche Futter-Effizienz wie eine 550 kg schwere Kuh mit 5.900 kg Milch zu erreichen (Steinwidder 2009). Nach Gruber et al. (2004) erhöht sich die Gesamtfutteraufnahme pro kg Milchleistung jedoch nur um 0,22 kg. Da-her ist eine höhere Energiekonzentration für die Deckung des zusätzlichen Nährstoffbedar-fes nötig. Dafür benötigt eine 550 kg schwere Kuh einen Kraftfutteranteil von 18 %, eine Kuh mit 850 kg jedoch einen Anteil von 27 % (Steinwidder 2009). Gruber (2013) errechnet auf Basis der Nährstoffbedarfsempfehlungen der GfE (2001), dass Kühe im Durchschnitt um 832 kg ECM (energiekorrigierte Milch-menge) mehr leisten müssen, wenn ihre Le-bendmasse um 100 kg ansteigt, um die gleiche Nährstoff-Effizienz zu erreichen (4,75 MJ NEL pro kg ECM). Ohne diese Er-höhung der Energiekonzentration erreichen schwere Kühe entweder die notwendige Milchleistung nicht und verlieren daher an Ef-fizienz, oder sie müssen verstärkt Körperreser-ven mobilisieren. Die Einbeziehung der Le-bendmasse in der Milchviehzucht ist für eine zukünftig effiziente Ressourcennutzung nötig (Steinwidder 2009). Dieser Artikel beleuchtet Fütterung und Effizi-enz sowie die Datenerhebung in diesen Berei-chen auf den Projektbetrieben im Rahmen von Efficient Cow.

2. Fütterung und Datenerhebung auf Praxisbetrieben Die Ermittlung von möglichst tierindividueller Fütterungsinformation unter Berücksichtigung unterschiedlicher Fütterungssysteme und Rati-onsgestaltungen war eine der größten Heraus-forderungen bei der Erhebung auf den Betrie-ben. Rationen und deren einzelne Rations-komponenten müssen so strukturierbar sein, dass sie sich auch für die Futteraufnahme-schätzung (Gruber et al. 2004) eignen. Das Schätzmodell berücksichtigt unter anderem den Einfluss der Grundfutterqualität (NELGF) und die tierindividuelle Kraftfuttermenge in der Ration. Somit musste zuerst ein Codie-rungssystem für die Eingabe von Rationen und Rationskomponenten entwickelt werden, das einerseits das Fütterungssystem korrekt wider-spiegelt und andererseits die Möglichkeit der Futteraufnahmeschätzung gewährleistet. Die Schätzung selbst soll das Fütterungssystem ebenfalls beachten. Folgende (spezielle) Fütterungssituationen tra-ten auf und wurden berücksichtigt:

• individuell und separat gefütterte Kraft-futtermenge (kg/Kuh und Tag)

• Kraftfuttermenge, die über Mischratio-nen (AGR, TMR) aufgenommen wird. Sie ist abhängig von der Gesamtfut-teraufnahme und somit von den indivi-duellen Parametern Rasse, Laktations-zahl, Laktationsstadium, Lebendmasse, Milchleistung und gesamter Kraftfut-termenge.

• Lockfütterung mit Grundfutter: separa-te von der restlichen Ration verfütterte Grundfutterkomponente. Darf nicht di-rekt in die restliche Ration für die NELGF-Berechnung einfließen (kg/Kuh und Tag).

• Grundfutterkomponenten, deren Menge oder Mischungsverhältnis nicht be-kannt ist (z.B. Weide).


11

Insgesamt ergeben sich aus den gültigen Kom-binationen der daraus entwickelten Kompo-nententypen 16 Rationsarten, die unterschied-licher Berechnungsmodule für die Futterauf-nahmeschätzung bedürfen. Die Sichtung und Erfassung der Fütterungsin-formationen war mit sehr hohem Aufwand verbunden. Die Aufarbeitung betroffener For-mulare erfolgte betriebsweise, formular- und terminübergreifend. Unplausible Angaben wurden durch Rückfragen bei Landwirten und Kontrollassistenten direkt geklärt und Hinwei-se für die weitere Datenerhebung im Fütte-rungsbereich gegeben. Wichtige Daten waren Rationsart, Rationskomponenten(-typ) sowie Menge, Grundfutter (Konservierung und bota-nische Zusammensetzung) und Kraftfuttermit-tel. Die Anzahl der eingegebenen Rationen liegt bei 1.960, die für die Futteraufnahme potenzi-ell relevanten bei 1.932. Hinsichtlich Daten-qualität wurden 1.890 tatsächlich für die Schätzung weiterverwendet. Die Nährstoff-gehalte der 570 nicht analysierten Grundfutter-komponenten basieren auf den 1.260 Grund-futteranalysen. Insgesamt wurden ca. 2.280 un-terschiedliche Futtermittel verwendet, davon 1.830 Grundfutter- und 438 Kraftfutter-komponenten. 3. Futtermittelanalysen und Berechnung von Parametern Die Analyse der Grundfuttermittel erfolgte im Futtermittelabor Rosenau der Landwirtschafts-kammer Niederösterreich nach den Richtlinien des VDLUFA (1976). Die Nährstoffe für Ein-zelkraftfuttermittel wurden überwiegend den Futtermitteltabellen für Wiederkäuer (DLG 1997) und ergänzend den Tabellen der LfL Grub (2015) entnommen. Die Energie- und Proteinbewertung der Fut-termittel erfolgte auf Basis der Gleichungen der GfE (2001). Die Berechnung des Energie-bedarfes berücksichtigte den Bedarf für Erhal-tung, Milchleistung, Trächtigkeit und Euteran-satz.Die Schätzung der individuellen täglichen Trockenmasseaufnahme (DMI, dry matter intake) erfolgte in Kooperation mit der Höhe-ren Bundeslehr- und Forschungsanstalt Raum-

berg-Gumpenstein mit dem Schätzmodell Nr. 1 für separate Kraftfutterfütterung (Gruber et al. 2004). Das empirische Modell berücksichtigt die fi-xen Effekte von Rasse und Land, Laktations-zahl, und Laktationsstadium (dargestellt als Laktationstag) sowie die Energiekonzentration des Grundfutters. Die Regressionskoeffizien-ten für Lebendmasse, Milchleistung und Kraft-futtermenge sind abhängig vom Laktationstag. Somit wird der Veränderung des physiologi-schen Stadiums von der Früh- zur Spätlaktati-on Rechnung getragen (Korver 1982). Die Berechnung der Effizienzparameter orien-tiert sich an Berry und Pryce (2014). Für die Berechnung der Residualfutteraufnahme (RFI) sind die dazu benötigten beobachteten Fut-teraufnahmedaten auf Praxisbetrieben nicht er-hebbar. Die in diesem Projekt verwendeten Ef-fizienzparameter stellen Output und Input ge-genüber. Die Lebendmasse-Effizienz be-schreibt, wie viel ECM, Milch oder ein ande-res Produkt pro kg Lebendmasse produziert wird. Die Futter-Effizienz charakterisiert, wie viel Milch per kg TM-Aufnahme gegeben wird. Sie sagt aber nichts über die dafür benö-tigte Futterqualität aus. Diese berücksichtigen allerdings Energieeffizienz-Parameter, welche z.B. die Energie, die durch die Kuh in der Milch abgegeben wird, der aufgenommenen Energie gegenüberstellen. Daher wird die Effi-zienz auf Nährstoffebene betrachtet (Nähr-stoff-Effizienz). 4. Wie füttern die EC-Betriebe? Abbildung 1 (unten) zeigt den Anteil der ein-zelnen Grundfuttermittel an der Grundfutter-ration innerhalb der vier Hauptrationsarten GFM (Grundfuttermischung), GET (separate Kraftfutterfütterung), AGR und TMR. Die Angaben beziehen sich auf die Trockenmasse (TM). Die reine Grundfuttermischung zeichnet sich durch einen sehr hohen Weide-/Grünfutteranteil von 37 % aus. Der steigende Anteil an Gras- und Maissilage in Richtung typischer Stallrationen (AGR/TMR) ersetzt den schwindenden Heu- und Grünfutteranteil. Die Rationstypen GET, AGR und TMR beste-


12

hen aus über 50 % Grassilage. Reine Grundfut-termischungen machen 2,4 % aller Datensätze aus, 42,3% betreffen AGR und 12,0 % TMR. Mit 44,3 % haben Rationen mit reiner Abruf-fütterung (GET) die gleiche Bedeutung wie die AGR.

Abb. 1: Grundfutterzusammensetzung nach Grundfuttertyp und Rationsart Abbildung 1 (oben) zeigt die verwendeten Grundfuttertypen. Die Grünfutter-/Weidetypen (GR, GRHE, GRGSHE) zeichnen sich durch mindestens 43 % Grünfutter und einer dement-sprechend unterschiedlichen Ergänzung von konserviertem Futter aus. Die Grassilagetypen (GS, GSHE, GSMS, GSMSHE) zeichnen sich durch mindestens 57 % Grassilage aus. Maissi-lagebetonte Rationen weisen einen verhältnis-mäßig geringen Grassilageanteil auf. Der Typ MS besteht aus ca. 50 % Maissilage. Die Klee-typen (KLGSMSHE, KLMS) und die Luzerne-typen (LUGSHEMS, LUMS) zeigen, dass Le-

guminosen regional betrachtet Grassilage z.T. völlig ersetzen. Anzahlmäßig haben legumino-senbetonte Rationen jedoch kaum Bedeutung. Heubetonte Rationen bestehen aus durch-schnittlich 56 % Heu. Der Anteil der Grundfuttertypen an den Da-tensätzen zeigt die Bedeutung der einzelnen Grundfuttertypen für die Fütterungspraxis in den Projektbetrieben. 5,7 % gehören den grün-futterbetonten Rationen, 40,0 % gehören allei-ne dem Typ GS an. Der Typ MS betrifft 26,6 % aller Datensätze. Der dritthäufigste Typ HE macht nur 8,1 % aus. Klee- und luzernebe-tonte Rationen sind mit 8,4 und 2,6 % vertre-ten. Der durchschnittliche KF-Anteil liegt in der Laktation bei 30 %. 5. Datenmaterial in der Laktation Die Auswertungen betreffen 161 Betriebe, 6.480 Tiere (Laktationszahl 1 – 13), 1.253 Ra-tionen und insgesamt 40.449 Datensätze. Im statistischen Modell wurden Genotyp, Laktationszahl, Laktationsstadium, deren Wechselwirkungen sowie der Grundfuttertyp berücksichtigt. FV (Fleckvieh), HF (Holstein) und BS (Brown Swiss) stellen Klassen mit 100 % der angegebenen Rasse dar. FV_RH6.25 beinhaltet FV-Tiere mit ≤ 10 % RH-Anteil, FV_RH12.5 mit > 10,0 bis ≤ 15,6 %, FV_RH25 mit > 15,6 bis ≤ 44,5 % und FV_RH5075 > 44,5 %. 6. Produktion und Effizienz Dieser Teil geht auf die für die Effizienz be-deutendsten Parameter Gesamtfutter(GES)-Aufnahme, Kraftfutteranteil (KF), Milchleis-tung (ECM), Lebendmasse (LM), Körperkon-dition (BCS) und auf die Energie-Effizienz im Laktationsverlauf ein (Abbildung 2). Wegen der besseren Übersichtlichkeit und der Ähn-lichkeit zu FV zeigen die Grafiken die Grup-pen FV_RH6.25 und FVRH12.5 nicht. Die Kurven der GES-Aufnahme der einzelnen Rassen entwickeln sich parallel zum KF-Anteil. Dies ergibt sich nicht nur aus der


13

Schätzung der Futteraufnahme u. a. abhängig von den bedeutendsten Einflussfaktoren Milchleistung und Kraftfuttermenge nach Gru-ber et al. (2004). Auch in den Studien von Le-dinek und Gruber (2014) und Gruber et al. (1995) sinkt die Futteraufnahme mit zurückge-hender Milchleistung oder bei geringerem KF-Anteil (Berry et al. 2006, Kennedy et al. 2003). Wie erwartet hängt das Verhalten der Parame-ter im Laktationsverlauf von der Höhe der Milchbetonung ab. Während der KF-Anteil der meisten Gruppen ab dem 71. Tag wieder abnimmt, verbleibt er bei HF noch länger auf einem hohen Niveau und sinkt gegen Laktationsende auch nicht so stark ab wie bei den anderen Rassen. Die Milchleistung von HF nähert sich gegen Lakta-tionsende den anderen Gruppen hingegen an. Ähnlich verhält sich auch die milchbetonte FV-Gruppe FV_RH5075. In der Studie von Yan et al. (2006) gaben HF-Kühe unabhängig vom KF-Niveau mehr Milch bei gleichzeitig höherer Energieaufnahme als norwegische Kühe. Mit steigendem KF-Anteil erhöhte sich jedoch bei HF auch der Anteil, der von der zu-sätzlich aufgenommenen Energie in Richtung Milchproduktion floss und nicht für die Bil-dung von Körpergewebe herangezogen wurde. Diese Überlegenheit der milchbetonten Rassen geht zu Laktationsende zurück. Die Erkennt-nisse von Yan et al. (2006) gehen konform mit dem Rückgang von Wachstumshormon und freien Fettsäuren (NEFA) sowie einem Anstieg von Glucose im Blut von höherleistenden Tie-ren zwischen Laktation und Trockenstehzeit (Hart et al. 1979). Auch die Energie-Effizienz der zwei milchbetontesten Gruppen HF und FV_RH5075 unterscheidet sich daher im letz-ten Laktationsdrittel nicht mehr von den restli-chen FV-Gruppen und BS. Die Energie-Effizienz sinkt gleich der Milchleistung im Laktationsverlauf ab. Die höchste Energie-Effizienz fällt in der Frühlaktation auch mit den größten Verlusten von Lebendmasse und BCS zusammen. Bis zum 43. Laktationstag verlieren die Tiere an Lebendmasse, wobei die FV-Gruppen FV bis FV_RH25 weniger als die beiden am meisten milchgebenden Gruppen FV_RH5075 und HF abnehmen. BS bewegt sich auf dem Niveau von HF, unterliegt aber geringeren Verände-

rungen. Laut Buckley et al. (2000) verloren die Kühe mit hohem Milchleistungspotenzial mehr BCS in der Laktation, füllten aber ihre Reser-ven besonders ausgeprägt in der Trockensteh-zeit auf. In der aktuellen Untersuchung verliert HF mit 0,27 Pkt. am meisten an Körperkondi-tion und erreicht aber bis zum Laktationsende wieder das Ausgangsniveau. Dies geht mit dem stärkeren Rückgang der Milchleistung von HF einher. Allerdings stagniert der BCS im Gegensatz zu den weniger milchbetonten Gruppen länger auf niedrigem Niveau. Der ge-ringste BCS wird durchschnittlich am 71. Laktationstag erreicht. Laut Dillon et al. (2003) und Buckley et al. (2000) neigen milchbetonte Tiere ebenfalls zu einem höheren Abbau von Körpersubstanz und zu einer gerin-geren Lebendmasse und Körperkondition, was sich auch in der höheren Effizienz nieder-schlägt (Yan et al. 2006, Gruber und Stegfell-ner 2015). Die hohen Effizienzwerte zu Lakta-tionsbeginn liegen vor allem an der relativ zur Milchleistung geringen Futteraufnahme und Lebendmasse. Die hohe Milchleistung wird über die Mobilisation von Körperreserven ge-stützt, weil die Futteraufnahme durch die hor-monelle Umstellung von Trockenstehzeit und Trächtigkeit auf Milchproduktion gedämpft ist (Ingvartsen und Andersen 2000). Die unterschiedlichen Laktationsverläufe von Lebendmasse und BCS zeigen, dass die Le-bendmasse stärker durch die Futteraufnahme (Andrew et al. 1994) geprägt ist, als vom tat-sächlichen Verlust an Körpersubstanz. Betrachtet man die durchschnittlichen Werte für die Genotypen, so lässt sich der typische Anstieg von Futteraufnahme, Kraftfutteranteil, Milchleistung und Effizienz mit höherer Milchbetonung noch besser erkennen (Tab. 1). Die 305-Tageleistung entspricht bei FV 8.022, bei HF 9.028 und bei BS 7.991 kg und liegt weit über dem Durchschnitt der österreichi-schen Kontrollkühe (FV 7.176 kg, BS 7.185 kg, HF 8.592 kg) im Jahr 2015 (Zucht-Data 2016). HF gibt in der aktuellen Studie nur um 13 % mehr Milch als FV. Der entspre-chende Wert liegt österreichweit mit 20 % (ZuchtData 2016) deutlich höher. Dies liegt sowohl an der überdurchschnittlichen Leistung aller Rassen als auch am besonders überdurch-


14

schnittlichen Produktionsniveau von FV und BS in den EC-Betrieben. Die Milchbetonung beeinflusst den BCS stär-ker als die Lebendmasse. Der BCS sinkt konti-nuierlich von FV (3,41 Pkt.) zu HF (2,63 Pkt.) mit steigender Milchbetonung immer stärker ab. Die Lebendmasse hingegen geht erst ab ei-nem RH-Anteil von ca. 68 % (FV_RH5075) zurück. BS und HF sind gleich schwer, aber BS weist allerdings eine deutlich höhere Kör-perkondition auf. In vergleichbarer Literatur reichen Angaben zur Lebendmasse von 646 bis 761 kg für FV, von 589 bis 688 kg für HF und von 636 bis 698 kg für BS (Haiger und Knaus 2010, Gru-ber et al. 1995, Ledinek und Gruber 2015, Gruber und Stegfellner 2015). Die Lebensleis-tungslinie für HF wog 597 kg im Versuch von Haiger und Knaus (2010). Auch beim weide-basierten Versuch von Dillon et al. (2003) wa-ren die milchbetonten HF leichter als die we-niger milchbetonten Rassen. Die Unterschiede im BCS waren ebenfalls deutlicher ersichtlich. Das gleiche gilt für die Untersuchung von Buckley et al. (2000) zwischen HF-Kühen mit mittlerem und hohem genetischen Milchleis-tungspotenzial. Damit fügen sich die Ergebnis-se der aktuellen Studie zu jenen in der Litera-tur, dass milchbetonte Rassen weniger wiegen und einen geringeren BCS aufweisen. Wie wirken sich diese unterschiedlichen Ty-pen bezüglich Doppelnutzung und Milchbeto-nung auf die Effizienz selbst aus? Abbildung 3 zeigt die Ergebnisse der unterschiedlichen Ge-notypen, die FV-Gruppen wieder nach anstei-gendem RH-Anteil geordnet. Die geringe Investition der milchbetonten Tie-re in ihre Körpersubstanz findet sich in deren hoher Effizienz wieder. So spiegelt die Le-bendmasse-Effizienz beinahe die Reihung der Rassen bezüglich Körperkondition. Die mittle-re Effizienz von BS liegt an der ähnlichen Milchleistung wie FV, aber an der geringen Lebendmasse wie HF. HF gibt pro kg Futter auch die meiste Milch (1,395 kg). Anders als bei der Lebendmasse-Effizienz unterscheiden sich FV und BS nicht voneinander. Dies resul-tiert aus der ähnlichen Futteraufnahme und Milchleistung. Ähnliches sagt auch die Ener-gie-Effizienz aus. Allerdings gehen die Unter-schiede zwischen den FV-Gruppen von FV bis

FV_RH25 weiter zurück. Dies zeigt, dass die-se drei Effizienzparameter nicht dieselbe Aus-sage besitzen. Wieder wird die Überlegenheit der milchbe-tonten Rassen in den Ergebnissen deutlich. HF produziert in der aktuellen Studie um 19 % mehr ECM/kg LMx (LMx = metabolische Le-bendmasse) als FV. Im Projekt „Weidekuh-Genetik“ (Piccand et al. 2013) lag der entspre-chende Wert bei nur 13 %. Allerdings ist der höhere RH-Anteil im Schweizer FV zu be-rücksichtigen. Mit einer Futter-Effizienz von über 1,3 kg ECM/kg TM überschreiten die Tiere auch den von Thomet et al. (2002) be-schriebenen Grenzwert für effiziente Kühe von 1,2 kg ECM/kg TM bezogen auf einen durch-schnittlichen Energiegehalt von 6,3 MJ NEL/kg TM. 7. Fazit Die Erhebung der Fütterung ist unter hohem Zeitaufwand möglich. Zusätzlich gibt es für die Futteraufnahmeschätzung mathematisch exakte Lösungen für die unterschiedlichen Füt-terungssituationen in der Praxis. Die Betriebe konservieren das Futter haupt-sächlich als Silage. Grassilage- und mais- und grassilagebetonte Rationen haben die größte Bedeutung. Besonders wird auf eine individu-elle und separate Kraftfutterergänzung geach-tet (Transponder, AGR und GET). Die Fütterung spiegelt die große Bedeutung von Dauergrünland sowie die unterschiedli-chen Produktionsbedingungen in Österreich, aber auch das überdurchschnittliche Produkti-onsniveau der Projektbetriebe wider. Mit steigender Milchbetonung sinkt der BCS und die Lebendmasse, die Effizienz steigt hin-gegen. Allerdings haben milchbetonte Typen nicht nur eine höhere Milchleistung und Fut-teraufnahme, sondern sie leiten auch einen größeren Anteil von Nährstoffen aus der Fut-teraufnahme und aus dem Körpergewebe in die Milchproduktion. Diese stärkere Einschmel-zung von Fettreserven zeigt HF besonders deutlich. Daher sind neben der Nährstoff-Effizienz auch Gesundheit, Fruchtbarkeit, BCS oder andere Merkmale zu berücksichtigen.


15

Der BCS beschreibt den Ernährungszustand der Kühe besser als die Lebendmasse. Die Energie-Effizienz als Nährstoff-Effizienz-

Parameter berücksichtigt auch Qualität von Milch und Futter (Kraftfutteranteil).

Tabelle 1: Effizienz- und Produktionsdaten (gleicher Buchstabe nicht signifikant verschieden)

Parameter Einheit Rasse (R) RMSE P-Wert 1 2 3 4 5 6 7 R R × Z

Datensatz N = 40449 9942 5969 2156 2365 2180 6172 9286

Lebendmasse und Körperkondition

LM kg 727 c 729 c 728 c 729 c 703 b 657 a 655 a 59 < 0,0001 0,034

BCS Pkt. 3,41 f 3,37 ef 3,34 e 3,26 d 3,03 c 2,63 a 2,94 b 0,47 < 0,0001 < 0,0001

Milchleistung, Futteraufnahme und Kraftfutteranteil

ECM kg/d 26,6 a 26,7 a 27,0 a 27,7 b 29,0 c 29,5 c 26,7 a 5,6 < 0,0001 < 0,0001

DMI kg TM/d 19,74 a 19,79 ab 19,92 b 20,27 c 20,79 d 20,81 d 19,83 ab 1,60 < 0,0001 < 0,0001

KF-Anteil % der TM 27,2 a 26,9 a 26,9 a 27,5 a 28,4 b 29,4 c 27,7 ab 7,1 < 0,0001 < 0,0001

Effizienzparameter

ECM_LMx kg ECM/kg LM0,75 0,191 a 0,192 a 0,194 a 0,198 b 0,214 d 0,228 e 0,206 c 0,042 < 0,0001 < 0,0001

ECM_DMI kg ECM/kg DMI 1,325 a 1,328 a 1,332 ab 1,347 b 1,374 d 1,395 d 1,325 a 0,208 < 0,0001 < 0,0001

LE_INEL MJ LE/MJ INEL 0,652 a 0,654 ab 0,655 ab 0,662 b 0,673 c 0,681 c 0,651 a 0,103 < 0,0001 < 0,0001

BCS Body Condition Score; LM Lebendmasse; ECM energiekorr. Milchmenge; LMx metabolische Lebendmasse

LE Energiemenge in Milch; INEL Energieaufnahme; DMI Futteraufnahme; RMSE Root Mean Square Error

Rasse: 1 FV; 2 FV_RH6.25; 3 FV_RH12.5; 4 FV_RH25; 5 FV_RH5075; 6 HF; 7 BS

FV Fleckvieh, RH Red Holstein(anteil), HF Holstein Friesian, BS Brown Swiss

Abb. 2: Produktionsdaten, Lebendmasse und BCS der Rassen im Laufe der Laktation


16

Abb. 3: Einfluss der Rasse auf Lebendmasse-, Futter- und Energie-Effizienz 8. Literatur Andrew S.M., Waldo D.R. und Erdman R.A., 1994. Di-

rect analysis of body composition of dairy cows at three physiological stages. J. Dairy Sci. 77, 3022–3033.

Berry D.P. und Pryce J.E., 2014. Feed efficiency in growing and mature animals. Proceedings of 10th Word Congress of Genetics Applied to Livestock Production, Vancouver 2014.

Berry D.P., Veerkamp R.F. und Dillon P., 2006. Pheno-typic profiles for body weight, body condition score, energy intake, and energy balance across different parities and concentrate feeding levels. Livest. Prod. Sci. 104, 1–12.

Buckley F., Dillon P., Crosse S., Flynn F. und Rath M., 2000. The performance of Holstein Friesian dairy cows of high and medium genetic merit for milk production on grass-based feeding systems. Livest. Prod. Sci. 64, 107–119.

Dillon P., Buckley F., Connor P.O., Hegarty D. und Rath M., 2003. A comparison of different dairy cow breeds on a seasonal grass-based system of milk production. 1. Milk production, body weight, body condition score and DM intake. Livest. Prod. Sci. 83, 21–33.

DLG (Deutsche Landwirtschafts-Gesellschaft), 1997. DLG-Futterwerttabellen Wiederkäuer, 7. Auflage, DLG-Verlag, Frankfurt am Main, 212 S.

GfE (Gesellschaft für Ernährungsphysiologie – Aus-schuss für Bedarfsnormen), 2001. Energie- und Nährstoffbedarf landwirtschaftlicher Nutztiere, Nr. 8: Empfehlungen zur Energie- und Nährstoffversor-

gung der Milchkühe und Aufzuchtrinder. DLG-Verlag, Frankfurt am Main, 135 S.

Gruber L., 2013. Grundfutterqualität, Kraftfutterniveau und genetisches Potenzial als Schlüsselfaktoren für die Höhe der Milchleistung. Tagungsband ZAR-Seminar, 21.03.2013, Salzburg, 21–40.

Gruber L., Schwarz F.J., Erdin D., Fischer B., Spiekers H., Steingass H., Meyer U., Chassot A., Jilg T., Obermaier A. und Guggenberger T., 2004. Vorher-sage der Futteraufnahme von Milchkühen – Daten-basis von 10 Forschungs- und Universitätsinstituten Deutschlands, Österreichs und der Schweiz. 116. VDLUFA-Kongress, Rostock, 13.-17. September 2004, VDLUFA-Schriftenreihe 60, 484–504.

Gruber L. und Stegfellner M., 2015. Effizienz bei Milchkühen – Einfluss von Rasse, Laktationszahl und Laktationsstadium. 42. Viehwirtschaftliche Fachtagung 2015, Bericht LFZ Raumberg-Gumpenstein, 23–40.

Gruber L., Steinwender R. und Baumgartner W., 1995. Einfluß von Grundfutterqualität und Kraftfutterni-veau auf Leistung, Stoffwechsel und Wirtschaftlich-keit von Kühen der Rasse Fleckvieh und Holstein Friesian. In: 22. Tierzuchttagung 1995, Bericht BAL Gumpenstein, 1–49.

Haiger A. und Knaus W., 2010. Vergleich von Fleck-vieh und Holstein Friesian in der Milch- und Fleisch-leistung. 1. Mitteilung: Milchleistungsvergleich ohne Kraftfutter. Züchtungskunde 82, 131–143.

Hansen L.B., Cole J.B., Marx G.D. und Seykora A.J., 1999. Productive life and reasons for disposal of Holstein cows selected for large versus small body size. J. Dairy Sci. 82, 795–801.


17

Hart I.C., Bines J.A. und Morant S.V., 1979. Endocrine control of energy metabolism in the cow: Correla-tions of hormones and metabolites in high and low yielding cows for stages of lactation. J. Dairy Sci. 62, 270–277.

Ingvartsen K.L. und Andersen J.B., 2000. Symposium: Dry Matter intake of lactating dairy cattle. Integra-tion of metabolism and intake regulation: A review focusing on periparturient animals. J. Dairy Sci. 83, 1573–1597.

Kennedy J., Dillon P., Delaby L., Faverdin P., Stakelum G. und Rath M., 2003. Effect of genetic merit and concentrate supplementation on grass intake and milk production with Holstein Friesian dairy cows. J. Dairy Sci. 86, 610–621.

Korver S., 1982. Feed intake and production in dairy breeds dependent on the ration. Doctoral thesis. Landbouwhogeschool te Wageningen, 139 S.

Krogmeier D., 2009. Zusammenhänge zwischen Nut-zungsdauer und Körpergröße unter besonderer Be-rücksichtigung des Stallsystemes bei Braunvieh und Fleckvieh. Züchtungskunde 81, 328–340.

Ledinek M. und Gruber L., 2014. Erhebungen von Kör-permaßen und BCS im Laktationsverlauf und ihre Beziehungen zu Lebendmasse und Energiebilanz. In: 41. Viehwirtschaftliche Fachtagung 2014, Bericht LFZ Raumberg-Gumpenstein, 31–44.

Ledinek M. und Gruber L., 2015. Körpermaße und BCS im Laufe der Laktation und ihre Beziehungen zu Le-bendmasse und Energiebilanz. Züchtungskunde 87,181–200.

LfL Grub, 2015. Gruber Tabelle zur Fütterung der Milchkühe, Zuchtrinder, Schafe und Ziegen. 39.

Auflage, Bayerische Landesanstalt für Landwirt-schaft, Freising Weihenstephan, 98 S.

Mason I.L., Robertson A. und Gjelstad B., 1957. The genetic connexion between body size, milk produc-tion and efficiency in dairy cattle. J. Dairy Res. 24, 136–143.

Piccand V., Cutullic E., Meier S., Schori F., Kunz R.L., Roche J.R. und Thomet P., 2013. Production and re-production of Fleckvieh, Brown Swiss, and 2 strains of Holstein-Friesian cows in a pasture-based, sea-sonal-calving dairy system. J. Dairy Sci. 96, 5352–5363.

Steinwidder A., 2009. Modellrechnungen zum Einfluss der Lebendmasse von Milchkühen auf Futtereffizi-enz und Kraftfutterbedarf. Band 2 – Tierhaltung, Ag-rarpolitik und Betriebswirtschaft, Märkte und Le-bensmittel. 10. Wissenschaftstagung Ökolog. Land-bau, 11.-13. Febr. 2009, Eidgenössische Technische Hochschule Zürich, 30–33.

Thomet P., Rätzer H. und Durgiai B., 2002. Effizienz als Schlüssel für die wirtschaftliche Milchprodukti-on. Agrarforschung 9, 404–409.

VDLUFA (Verband deutscher landwirtschaftlicher Un-tersuchungs- und Forschungsanstalten), 1976 inkl. Ergänzungsblätter 1983, 1988, 1993, 1997, 2004, 2006, 2007, 2012. Methodenbuch BAND III – Die chemische Untersuchung von Futtermitteln. VDLUFA-Verlag, Darmstadt.

Yan T., Mayne C.S., Keady T.W.J. und Agnew R.E. 2006. Effects of dairy cow genotype with two planes of nutrition on energy partitioning between milk and body tissue. J. Dairy Sci. 89, 1031–1041.

ZuchtData, 2016: Jahresbericht 2015. ZuchData- EDV-Dienstleistungen GmbH, Wien, 80 S.

ZAR-Seminar 2017 Gruber – Einfluss der Lebendmasse auf die Effizienz von Milchkühen

18

Einfluss der Lebendmasse auf die Effizienz von Milchkühen

Leonhard Gruber und Maria Ledinek

Einleitung Die Milchleistung der Kühe erfährt global eine kontinuierliche Steigerung, sowohl durch züchterische Maßnahmen (Selektion und Kreuzung) als auch durch Verbesserung der Fütterung (Kraftfutterniveau und Grundfutter-qualität) sowie durch tiergerechtere Haltungs-bedingungen (Laufstall, Stallklima, Kuhkom-fort etc.). Durch die genomische Selektion wird das Leistungsniveau noch stärker und ra-scher erhöht werden (HAYES et al. 2009, BENNEWITZ 2016). Die Notwendigkeit der Milchleistungssteigerung wird vor allem öko-nomisch begründet, weil der Nährstoffaufwand pro kg Milch mit steigender Milchleistung ab-nimmt (Aufteilung des „unproduktiven“ Erhal-tungsbedarfs auf eine größere Produktmenge). Die Wirtschaftlichkeit wird durch höhere Leis-tungen umso stärker verbessert, je höher der Milchpreis und je niedriger die Kraftfutterkos-ten sind (BMLFUW 2008). Auch bezüglich Umweltwirkung der tierischen Produktion ist auf ähnliche Weise zu argumentieren, weil bei höheren Leistungen die Umweltbelastung pro Produkteinheit (z.B. Methan, Carbon footprint) geringer wird (FLACHOWSKY 2000). In Abbildung 1 ist die Höhe und Entwicklung der Milchleistung verschiedener Länder im in-ternationalen Vergleich in den Jahren 2001 bis 2016 sowie einige Daten zur Struktur der Milcherzeugung in diesen Ländern angeführt (nach ICAR). Das Leistungsniveau der Milch-produktion unterscheidet sich global gesehen sehr stark. So weisen die ausgesprochenen Milchexportländer Neuseeland (NZ) und Aust-ralien (AUS) ein relativ niedriges Leistungsni-veau von 5.580 bzw. 6.550 kg ECM (Stan-dardlaktation der Kontrollkühe aus LS-Means 2001–2016) auf, weil die Fütterung vorwie-gend auf Grundfutter (Weide) beruht und die sog. Holsteinisierung (d.h. Holstein-Typen aus nordamerikanischer Zuchtrichtung; HARRIS und KOLVER 2001) noch nicht so weit fort-

geschritten ist. Auch in Mitteleuropa (z.B. Ös-terreich (Ö) und Schweiz (CH)) ist das Leis-tungsniveau im globalen Maßstab nicht allzu hoch, was vor allem auf den hohen Anteil kombinierter Zweinutzungsrinder und die rela-tiv hohen Kraftfutterkosten zurückzuführen ist (6.890 bzw. 7.030 kg ECM). Dagegen werden in Nord- und Westeuropa wesentlich höhere Milchleistungen erzielt. Als Beispiel werden Schweden (S), England (E), Deutschland (D) und Holland (NL) angeführt, in denen die Milchleistung der Kontrollkühe im Durch-schnitt der Jahre 2001–2016 7.800, 7.830, 7.880 sowie 9.040 kg ECM (Standardlaktation 305 d) beträgt. Dies ist auf einen hohen Anteil von Holstein und weiteren milchbetonten Ras-sen sowie auf einen hohen Kraftfutteraufwand zurückzuführen. Bekanntermaßen ist – im in-ternationalen Vergleich – die Milchleistung der Kühe in Kanada (CAN), in den Vereinig-ten Staaten (USA) und ganz besonders in Isra-el (ISR) am höchsten (9.280, 9.550 und 10.440 kg ECM Standardlaktation der Kontrollkühe). Aus Abbildung 1 geht weiters klar hervor, dass die Milchleistung pro Kuh in den angeführten Jahren 2001–2016 (frühere Jahre sind bei I-CAR nicht verfügbar) kontinuierlich ansteigt, und zwar im Mittel aller dargestellten 11 Län-der um 77,3 kg ECM pro Standardlaktation der Kontrollkühe. Allerdings bestehen zwischen den Ländern beträchtliche Unterschiede. Je höher das Leistungsniveau in einem Land, des-to höher ist auch der jährliche Anstieg der Milchleistung (Ausnahme Kanada mit nur 57 kg ECM Anstieg). So erhöht sich die Milchleistung in den USA und Israel jährlich um 101 bzw. 120 kg ECM, in NZ und AUS nur um 36 bzw. 61 kg ECM. In vielen europäi-schen Ländern liegt die jährliche Steigerung der Milchleistung zwischen diesen Werten (81, 75, 53, 59 und 87 kg ECM in Ö, CH, S, E und D), nur Holland liegt mit der Steigerung von 121 kg ECM gleich den Hochleistungsländern USA und Israel (wie bei der Milchleistung


19

selbst). Das bedeutet, dass sich die ohnehin hohen Leistungen dieser Länder noch weiter nach oben entwickeln und sich die Unterschie-de zwischen den Ländern verdeutlichen wer-den. Es bedeutet allerdings auch, dass sich die Problematik der nicht ausreichenden Energie-versorgung in der Frühlaktation gerade in die-sen Fällen noch weiter verschärfen wird. Auch die betriebliche Struktur der Betriebe und deren Veränderung im Zeitverlauf sind zwischen den angeführten Ländern sehr unter-schiedlich. Neuseeland und Australien weisen mit 355 bzw. 229 die höchsten Kuhzahlen pro Betrieb auf, auch in England, USA und Israel finden sich Milchviehbetriebe mit hoher Tier-anzahl (156, 166, 145). In Schweden, Deutsch-land, NL und Kanada liegt die Betriebsgröße zwischen knapp 50 und 80 Kühen. Die kleins-ten Milchviehbetriebe finden sich in Österreich und der Schweiz (14 und 25 Kühe). Analog der Entwicklung der Milchleistung wachsen auch hinsichtlich der Bestandesgröße die Be-triebe in jenen Ländern am stärksten, welche die größten Betriebe aufweisen. Daraus ist der Schluss zu ziehen, dass sich in Zukunft sowohl die Milchleistung als auch die Betriebsgröße stärker entwickeln werden, es also zu einer (noch) intensiveren Milchproduktion kommt, wobei in solchen Systemen auf Grund der Größe und dem produktionstechnischen Level (v.a. Ausbildung der Betriebsführer) neues Know-how rascher in die Praxis umgesetzt werden wird. Die alleinige Betrachtung der Milchleistung zur Beurteilung der Wirtschaftlichkeit und Umweltwirkung ist allerdings nicht ausrei-chend und zielführend, da zusätzlich zum Out-put auch der dazu erforderliche Input in Rech-nung zu stellen ist (THOMET et al. 2002). Aus diesem Grund gewinnt die sog. Effizienz im-mer mehr an Interesse und Bedeutung. Darun-ter ist die Relation von Output zu Input (Effi-zienz = Output/Input) zu verstehen (BERRY und PRYCE 2014). Dies ist besonders im Zusammenhang mit der Leistungssteigerung in der tierischen Produkti-on (auch der Milcherzeugung) zu beachten, weil der Aufwand für höhere Leistung nicht linear sondern progressiv ansteigt (z.B. durch die höheren Kosten der Nährstoffeinheit im Kraftfutter, durch intensivere Tierbetreuung,

steigende Tierarztkosten etc.). In den USA fin-den sich Untersuchungen zu diesem Thema schon seit den 1970er Jahren (HOOVEN et al. 1968, MILLER und HOOVEN 1969, DI-CKINSON et al. 1969, BLAKE et al. 1986). In den letzten Jahren wurden zu dieser Thematik umfangreiche Untersuchungen auch in Neu-seeland (ROCHE et al. 2006, MACDONALD et al. 2008) Irland (BUCKLEY et al. 2000, DILLON et al. 2003, KENNEDY et al. 2003, COLEMAN et al. 2010) und in der Schweiz durchgeführt (PICCAND et al. 2013). Ein wei-terer kritischer Aspekt steigender Milchleis-tungen liegt darin begründet, dass zwischen Milchleistung und anderen relevanten Parame-tern (Lebendmasse, Zuwachs, Fitnessmerkma-le etc.) vielfältige und zum Teil auch uner-wünschte genetische Wechselbeziehungen be-stehen, welche den positiven Auswirkungen steigender Milchleistung auf Wirtschaftlichkeit und Umweltwirkung entgegenwirken. Beson-ders auf die intensive Stoffwechselbelastung der Kühe durch hohe Milchleistungen ist hier hinzuweisen (HANSEN 2000, LUCY 2001, HERINGSTAD et al. 2007, OLTENACU und BROOM 2010). Nach MARTENS (2012) erhöhte die intensive Zucht auf hohe Milchleistung die negative Energiebilanz im 1. Laktationsdrittel um das 3- bis 4-fache, verglichen mit den 5–6 l Milch für den Bedarf des Kalbes. Die hohen Krankheits-risiken sind demnach eine Folge der Stoff-wechselbelastung durch die Milcherzeugung, was die positiven Korrelationen zu Mastitis, Ketose und Klauenerkrankungen (FLEI-SCHER et al. 2001) sowie die negative Korre-lation zur Futteraufnahme erklärt. Jene Tiere, welche im Optimum der Effizienz liegen, wei-sen meistens auch die geringste, wenn auch ge-rade noch positive Energiebilanz auf, beson-ders die hochleistenden HF-Kühe (MARTENS 2015). Bei nordamerikanischen HF dauert die-se sogenannte Entkopplung der somatotropen Achse länger als bei neuseeländischen HF. Die nordamerikanischen HF geben mehr Milch, verlieren auch mehr BCS, selbst bei verbesser-tem Futterangebot (LUCY et al. 2009). Trotz vieler Diskussionen bzw. Meinungsver-schiedenheiten (BELLO et al. 2012) über die Auswirkungen hoher Milchleistungen auf die unzureichende Energieversorgung und damit


20

in Zusammenhang stehende Phänomene wie Immunstatus, Reproduktionsleistung, Stoff-wechselsituation und Fitness im weiteren Sinn zeigt sich ein eindeutiger Rückgang der Nut-zungsdauer der Milchkühe in vielen Ländern in den vergangenen Jahrzehnten (KNAUS 2009). Dies kann als starker Hinweis auf die negativen Beziehungen zwischen Milchleis-tung und Fitness angesehen werden. (Näheres zur Thematik in der AVA-Tagung 2016 “Wir wollen alle nur Eines: Gesunde Kühe“). In der vorliegenden Arbeit soll auf die Bezie-hung zwischen Milchleistung und Lebendmas-se näher eingegangen werden. Obwohl auch die positive genetische Korrelation zwischen Milchleistung und Lebendmasse in Fachkrei-sen nicht eindeutig gesichert erscheint, zeigen schon frühe englische sowie amerikanische Arbeiten einen positiven genetischen Zusam-menhang (z.B. MASON et al. 1957, HOOVEN et al. 1968); ebenso eine umfangreiche Review von VEERKAMP (1998). Dieser Autor führt auch Gründe an, warum sich zum Teil negative Beziehungen ergeben, nämlich vor allem der Gewichtsverlust durch Mobilisation und die meistens geringe Häufigkeit der Lebendmasse-Feststellung. Aus physiologischer Sicht ist al-lerdings zu erwarten, dass schwerere und grö-ßere Tiere zu einer höheren Milchleistung fä-hig sind (größerer Verdauungsraum und dadurch höhere Futteraufnahme-Kapazität, größere Organe incl. Euter, höheres Blutvolu-men, höhere Kapazität des Herz-Kreislaufsystems). Und nicht zuletzt zeigen aktuelle Lebendmassedaten von im Durch-schnitt >700–750 kg LM (GRUBER und STEGFELLNER 2015, LEDINEK et al. 2017), dass die Kühe um 100–150 kg schwerer sind, als noch vor einigen Jahrzehnten in den gängi-gen Lehr- und Fachbüchern angegeben worden ist (NEHRING 1963, KIRCHGESSNER 1970; BECKER 1971, SPIEKERS und POTTHAST 2003). In einer umfangreichen Analyse (6 Ver-suchsherden in USA und CAN mit insgesamt 1.344 Laktationen) von CLARK und TOUCHBERRY (1962) stieg die Milchleis-tung um 400 kg pro 100 kg Lebendmasse an. Die entscheidende Frage ist nun, in welchem Ausmaß sich die Lebendmasse mit der Milchleistung erhöht, weil damit auch eine entsprechende Zunahme des Erhaltungsbedar-

fes verbunden ist. GRUBER (2013) kalkulierte auf Basis der Nährstoffbedarfsempfehlungen der GfE (2001), dass Kühe im Durchschnitt um 832 kg ECM mehr leisten müssen, wenn ihre Lebendmasse um 100 kg ansteigt, um die gleiche Nährstoff-Effizienz zu erreichen (4,75 MJ NEL pro kg ECM). Nach Modell-rechnungen von STEINWIDDER (2009) mit Abschätzung der Futteraufnahme und Einbe-ziehung der Trockenstehzeit muss eine 850 kg schwere Kuh 8.100 kg Milch pro Jahr produ-zieren, um die gleiche Futter-Effizienz wie ei-ne 550 kg schwere Kuh mit 5.900 kg Milch zu erreichen, wobei zusätzlich der Kraftfutteran-teil von 18 auf 27 % ansteigen muss, um zu ei-ner gleichen Energieversorgung zu kommen. Dies würde eine erforderliche Mehrleistung von 733 kg Milch pro 100 kg Lebendmasse bedeuten. In der vorliegenden Arbeit werden daher die Zusammenhänge zwischen Lebendmasse und den Produktionsdaten (Futteraufnahme und Milchleistung) einerseits sowie zwischen Le-bendmasse und Effizienz (Lebendmasse-, Fut-ter- und Energie-Effizienz) andererseits analy-siert, um zu objektiven Aussagen über die op-timale Lebendmasse bezüglich Nährstoff-Effizienz und damit auch hinsichtlich Wirt-schaftlichkeit und Umweltwirkung zu kom-men. Material und Methoden Für die vorliegenden Untersuchungen wurden Daten aus zwei umfangreichen Projekten her-angezogen, nämlich Datenmaterial aus dem Projekt “Efficient Cow“ (LEDINEK et al. 2017) sowie aus dem Projekt zur Ableitung der “Futteraufnahme-Schätzformel“ (GRUBER et al. 2004). Beide Datenquellen zeichnen sich durch eine große Streubreite hinsichtlich wich-tiger tier- und futterspezifischer Parameter aus (Tabelle 1 und 2). Die Daten von LEDINEK et al. (2017) entstammen einer Felduntersuchung mit geschätzter Futteraufnahme (Futterauf-nahmemodell von GRUBER et al. 2004) und davon abgeleiteter Parameter.

Abb. 1: Milchleistung und Betriebsstruktur in Ländern verschiedener Produktionsintensität von 2001–2016 sowie deren jährliche Veränderung (nach ICAR)


22

Tabelle 1: Kriterien der Versuchstiere (Daten aus “Efficient Cow“; LEDINEK et al. 2017)

Parameter Einheit Brown Swiss

Fleck-vieh

FV_RH

25 1)

FV_RH

5075 2)

Hol-stein

Mittel ± s Min Max

Anzahl Datensätze n 10.238 11.040 2.569 2.388 6.789 33.024 - - -

Anzahl Tiere n 1.444 1.577 404 349 1.037 4.811 - - -

Lebendmasse

Lebendmasse kg 660 741 741 714 670 700 92,4 431 975

BCS Punkte 3,10 3,34 3,27 3,08 2,90 3,15 0,61 1,00 5,00

Futteraufnahme und Rationskriterien

Futteraufnahme kg TM/d 19,0 19,3 20,4 20,7 21,0 19,8 3,7 8,3 35,4

Kraftfutteranteil % der TM 25,0 26,4 30,4 29,5 29,8 27,2 14,5 0,0 61,5

NEL-Gehalt MJ/kg TM 6,49 6,49 6,56 6,59 6,63 6,53 0,36 4,09 7,41

NEL-Bilanz MJ/d 3,6 1,1 1,0 1,2 3,3 2,3 17,0 -140,8 71,4

Milchleistung

Milchleistung kg 26,1 26,9 29,2 30,6 32,6 28,3 9,1 2,0 76,8

Milchleistung (ECM) kg 26,8 27,2 29,7 31,1 32,2 28,6 8,7 1,9 86,5

Fett % 4,22 4,17 4,20 4,26 4,08 4,18 0,74 1,54 8,86

Protein % 3,56 3,52 3,51 3,45 3,35 3,49 0,38 1,90 5,96

Laktose % 4,75 4,74 4,76 4,75 4,77 4,75 0,20 2,56 5,47

Effizienz

Lebendm.-E. kg ECM/kg LM0,75 0,209 0,194 0,212 0,229 0,248 0,214 0,065 0,012 0,647

Futter-Effizienz kg ECM/kg DMI 1,34 1,34 1,39 1,43 1,45 1,37 0,29 0,12 3,24

Energie-Effizienz kg ECM/MJ NEL 0,205 0,204 0,211 0,215 0,217 0,208 0,043 0,016 0,486

Energie-Effizienz MJ LE/MJ NEL 0,66 0,65 0,67 0,69 0,69 0,67 0,14 0,05 1,56

1) FV_RH25 = Fleckvieh × Red Holstein (25 %), 2) FV_RH5075 = Fleckvieh × Red Holstein (68 %)

Tabelle 2: Kriterien der Versuchstiere (Daten aus “Futteraufnahme-Schätzformel“; GRUBER et al. 2004)

Parameter Einheit Fleckvieh Holstein Mittel ± s Min Max

Anzahl Datensätze n 3.636 15.001 18.637 - - -

Anzahl Tiere n 337 1.263 1.600 - - -

Lebendmasse

Lebendmasse kg 657 628 634 60 525 775

∆ Lebendmasse g/d 136 236 216 471 -1.497 1.500

Futteraufnahme und Rationskriterien

Futteraufnahme kg TM/d 16,3 19,2 18,7 3,3 8,8 30,6

Kraftfutteranteil % der TM 23,4 36,3 33,8 14,9 0,0 80,3

NEL-Gehalt MJ/kg TM 6,17 6,65 6,56 0,55 4,11 7,69

NEL-Bilanz MJ/d -1,8 2,7 1,8 15,9 -50,0 49,9

Milchleistung

Milchleistung kg 19,4 26,3 25,0 7,8 2,5 53,6

Milchleistung (ECM) kg 19,7 26,8 25,4 7,7 2,8 56,1

Fett % 4,18 4,27 4,25 0,65 2,50 6,50

Protein % 3,39 3,38 3,38 0,36 1,39 4,87

Laktose % 4,81 4,79 4,79 0,18 3,52 5,47

Effizienz

Lebendmasse-Effizienz kg ECM/kg LM0,75 0,151 0,215 0,203 0,062 0,023 0,467

Futter-Effizienz kg ECM/kg DMI 1,19 1,39 1,35 0,30 0,19 2,58

Energie-Effizienz kg ECM/MJ NEL 0,192 0,209 0,205 0,039 0,037 0,408

Energie-Effizienz MJ LE/MJ NEL 0,61 0,67 0,66 0,13 0,12 1,31


23

Die Daten von GRUBER et al. (2004) kom-men aus Versuchsergebnissen von 8 For-schungs- und Universitätsinstituten Deutsch-lands und Österreichs mit exakter täglicher Er-fassung der Futteraufnahme und Milchleistung sowie entsprechender durchgehender Analysen von Futter und Milch. Das in dieser Arbeit dargestellte Datenmaterial “Efficient Cow“ be-steht aus 33.024 Datensätzen (4.811 Tiere) und das Datenmaterial “Futteraufnahme-Schätzformel“ aus 18.637 Datensätzen (1.600 Tiere). Die Fleckvieh-Daten von “Efficient Cow“ wurden in reines Fleckvieh (100 %, FV) und Kreuzungen mit unterschiedlichem Red Hol-stein-Anteil untergliedert. Mit steigendem RH-Anteil gehen Lebendmasse und BCS zurück und steigen (geschätzte) Futteraufnahme, Milchleistung sowie Effizienz an. Brown Swiss ist in der Lebendmasse den Holstein ähnlich, in der Milchleistung sowie Effizienz allerdings deutlich niedriger und vergleichbar dem reinen Fleckvieh. Allerdings war mit stei-gendem Holstein-Anteil auch der Kraftfutter-anteil der Ration höher, was in der statisti-schen Auswertung als Kovariable berücksich-tigt wurde. Die ursprünglich in den Daten von GRUBER et al. (2004) enthaltenen Werte für Brown Swiss reichten nicht für eine verlässliche Ab-schätzung der Effizienz in Abhängigkeit von der Lebendmasse aus. Im Gegensatz zu “Effi-cient Cow“ ist der Anteil von Holstein im Da-tenmaterial der “Futteraufnahme-Schätz-formel“ auf Grund der Herkunft der Daten auch aus Deutschland wesentlich höher. Auch diese Daten spiegeln die typischen Rassenun-terschiede zwischen Fleckvieh und Holstein wider. Fleckvieh weist eine höhere Lebend-masse auf, zeigt andererseits eine geringere Futteraufnahme, Milchleistung und auch Effi-zienz; allerdings bei deutlich niedrigerem Kraftfutteranteil. Das gegenüber “Efficient Cow“ niedrigere Milchleistungsniveau beruht zum einem auf dem geringeren Kraftfutterni-veau und zum anderen auf der Tatsache, dass diese Daten älter sind, wie auch aus der gerin-geren Lebendmasse hervorgeht. Das hohe Leistungsniveau von “Efficient Cow“ zeigt al-lerdings auch, dass die Kühe dieses Projektes

deutlich über dem Populationsschnitt liegen (ZAR 2015). Die verschiedenen Effizienz-Kriterien wurden nach BERRY und PRYCE (2014) berechnet (siehe Tabelle 1 und 2). Es handelt sich um einfache Output/Input-Beziehungen, wobei der Input im Nenner den Namen bestimmt (Le-bendmasse, Futteraufnahme, Energieaufnah-me). Als Output dient die Milchleistung bzw. davon abgeleitete Parameter (ECM, Menge an Milchinhaltsstoffen, Milchenergie etc.). Die Lebendmasseveränderung (∆ LM) bzw. unter-schiedliche Energiebilanz wurde in dieser Ar-beit nicht berücksichtigt (siehe Diskussion in GRUBER und LEDINEK 2017).

• Lebendmasse-Effizienz = ECM (kg)/LM0,75 (kg) • Futter-Effizienz = ECM (kg)/DMI (kg) • Energie-Effizienz = ECM (kg)/NEL (MJ) bzw. LE (MJ)/NEL (MJ)

Für die statistische Auswertung wurden Le-bendmasse-Klassen im 50-kg-Abstand gebildet (siehe Abbildungen 2 und 3). Im statistischen Modell wurden Rasse, Lebendmasse-Klasse, Laktationszahl, Laktationsmonat als fixe Ef-fekte sowie signifikante Wechselwirkungen berücksichtigt, außerdem der Betrieb (“Effi-cient Cow“) bzw. das Tier innerhalb Rasse als zufälliger Effekt (“Futteraufnahme-Schätzformel“) sowie die Kovariablen Kraft-futteranteil und NEL-Gehalt im Grundfutter. Die Daten wurden mit dem Programm SAS 9.4 (SAS-Institute Inc., Cary, NC, USA) unter Verwendung von Procedure Mixed ausgewer-tet. Ergebnisse Die Ergebnisse zeigen eindeutige Trends so-wohl hinsichtlich der Unterschiede zwischen den Rassen (Fleckvieh, Brown Swiss und Hol-stein) als auch bezüglich des Einflusses der Lebendmasse (Abbildung 2 und 3). Auf der linken Seite der Grafiken sind mit der Fut-teraufnahme und Milchleistung jene Parameter dargestellt, aus welchen die Effizienz abgelei-tet wird. Auf der rechten Seite sind drei Effizi-enz-Parameter angeführt, nämlich die Effizi-enz hinsichtlich Lebendmasse (LM0,75), Fut-


24

teraufnahme (kg TM) und Energieaufnahme (MJ NEL). Bei allen Rassen bzw. Genotypen steigt die Futteraufnahme mit zunehmender Lebendmas-se in beiden Datenquellen an, allerdings in de-gressiver Form. Dieser Rückgang ist bei den milchbetonten Tieren stärker ausgeprägt. Wird die Futteraufnahme auf die metabolische Le-bendmasse bezogen („relative Futter-aufnahme“), ergibt sich ein unterschiedliches Bild. In den Daten “Efficient Cow“ geht die relative Futteraufnahme mit steigender Le-bendmasse kontinuierlich zurück, dagegen zeigt sich in den Daten “Futteraufnahme-Schätzformel“ bis 650 kg LM noch ein leichter Anstieg der relativen Futteraufnahme, um im höheren Bereich der Lebendmasse ebenfalls signifikant zurückzugehen, und zwar wieder deutlicher ausgeprägt bei den milchbetonten Genotypen. D.h. die absolute Futteraufnahme steigt zwar mit zunehmender Lebendmasse an, aber relativ zur Lebendmasse geht sie zurück. Eine noch deutlichere Beziehung zur Lebend-masse tritt bei der Milchleistung auf, wobei – im Vergleich zur Futteraufnahme – die Unter-schiede zwischen den Rassen bzw. Genotypen sowohl in der absoluten Differenz als auch im Verlauf stärker ausgeprägt sind. Wie bei der Futteraufnahme ist auch die Milchleistung bei den milchbetonten Genotypen in stärkerem Maße von der Lebendmasse beeinflusst, d.h. sie nimmt im oberen Drittel des Lebendmasse-Bereiches sogar deutlich ab. In den Daten “Efficient Cow“ geht die Milchleistung von Fleckvieh (100 %) im oberen Bereich der Le-bendmasse ebenfalls – jedoch in schwächerer Form – zurück, während sie in den Daten “Fut-teraufnahme-Schätzformel“ nicht abnimmt, sondern gleich bleibt. Somit zeigt die Milchleistung in Abhängigkeit von der Le-bendmasse einen typisch kurvilinearen Ver-lauf, der gekennzeichnet ist durch einen signi-fikanten Anstieg im unteren Bereich der Le-bendmasse einer Population und einen Rück-gang im oberen Bereich der Lebendmasse, wobei dieser Rückgang bei den milchbetonten Tieren stärker ausfällt als bei den eher kombi-nierten Typen. Aus der Gegenüberstellung dieser nun disku-tierten Produktionsdaten (Lebendmasse, Fut-

teraufnahme, Milchleistung) ergeben sich die Effizienz-Parameter (rechte Seite der Abbil-dungen 2 und 3). Beide Datenquellen zeigen, dass die Effizienz hinsichtlich Milchleistung – wie zu erwarten – zunimmt, je milchbetonter die Genotypen sind. Es ist darauf hinzuweisen, dass für eine objektive Betrachtung die Mast-leistung der Nachkommen sowie der Altkuh-Erlös ebenfalls in Rechnung zu stellen sind. Es fällt auf, dass die Unterschiede in der Effizienz zwischen den Genotypen mit steigender Le-bendmasse abnehmen, und zwar in beiden Da-tenquellen. Da die Ergebnisse hinsichtlich Effizienz zwi-schen den Datenquellen doch gewisse Unter-schiede aufweisen und auch der untersuchte Lebendmasse-Bereich nicht ganz vergleichbar ist, werden die Ergebnisse gesondert diskutiert. Die Datenquelle “Efficient Cow“ deckt einen wesentlich größeren Bereich an Lebendmasse ab (450–950 kg LM) als “Futteraufnahme-Schätzformel“ (525–775 kg LM). Dies ist bei der Interpretation der Ergebnisse zu beachten und beeinflusst den optischen Eindruck der Kurven besonders im Bereich hoher Lebend-masse. Lebendmasse-Effizienz Im Datenmaterial “Efficient Cow“ ändert sich die Lebendmasse-Effizienz – mit gewissen Unterschieden zwischen den Genotypen – in-nerhalb der Rassen von 450 bis 600 kg Le-bendmasse nur relativ wenig und geht bis 900 bzw. 950 kg LM in zunehmendem Maße zu-rück. Im Datenmaterial “Futteraufnahme-Schätzformel“ steigt die Lebendmasse-Effizienz bis 625 kg LM demgegenüber leicht an. Während Holstein im höheren Lebendmas-se-Bereich (> 650 bis 775 kg LM) in der Le-bendmasse-Effizienz deutlich abnimmt, geht diese bei Fleckvieh nur leicht zurück. Aller-dings deuten die Ergebnisse aus dem Datenma-terial “Efficient Cow“ darauf hin, dass bei al-len Rassen bzw. Genotypen ab 750 kg LM mit einem starken Rückgang der Lebendmasse-Effizienz zu rechnen ist.


25

Abb. 2: Futteraufnahme, Milchleistung und Effizienz von Milchkühen der Rassen Fleckvieh, Brown Swiss und Holstein bei unterschiedlicher Lebendmasse (Datenmaterial “Efficient Cow“, LEDINEK et al. 2017)


26

Abb. 3: Futteraufnahme, Milchleistung und Effizienz von Milchkühen der Rassen Fleckvieh und Holstein bei unterschiedlicher Lebendmasse (Datenmaterial “Futteraufnahme-Schätzformel“, GRUBER et al. 2004)


27

Futter- und Energie-Effizienz Im Gegensatz dazu steigt die Futter- und Ener-gie-Effizienz im Datenmaterial “Efficient Cow“ bis 600–650 kg LM bei allen Genotypen an und fällt in gleicher Weise wie die Le-bendmasse-Effizienz bis 900 bzw. 950 kg LM in zunehmendem Maße ab. Im Datenmaterial “Futteraufnahme-Schätzformel“ erhöht sich die Futter- und Energie -Effizienz bis 625 kg LM und sinkt danach zunehmend bis 775 kg ab, und zwar Holstein in stärkerem Ausmaß als Fleckvieh. Die Optima unterscheiden sich zwischen Fleckvieh und Holstein nur unwe-sentlich (HF etwa 25–50 kg niedriger als FV). Auch Futter- und Energie-Effizienz gehen bei allen Rassen bzw. Genotypen ab 750 kg LM stark zurück, was in der Züchtung beachtet werden sollte. Diskussion Die Unterschiede zwischen kombinierten und milchbetonten Zweinutzungsrindern in der Le-bendmasse, Milchleistung sowie Futterauf-nahme und damit auch in der Lebendmasse- und Futter-Effizienz sind in vielen Versuchen der vergangenen Jahre unter verschiedensten Produktionsbedingungen dargestellt worden, besonders wenn der Bezug zur Lebendmasse hergestellt wird (siehe Übersicht bei GRUBER und STEGFELLNER 2015). Beispielhaft seien die Arbeiten von KÜNZI (1969), ZAUGG (1976), KORVER (1982), OLDENBROEK (1984a und b, 1986, 1988), HAIGER et al. (1987), HAIGER und SÖLKNER (1995), HAIGER und KNAUS (2010), DILLON et al. (2003) und YAN et al. (2006) angeführt. Bezüglich des Einflusses der Lebendmasse auf die Energie-Effizienz innerhalb einer Rasse wurden an der Versuchsherde von Beltsville (ML, USA) schon vor 5 Jahrzehnten durch HOOVEN et al. (1968), MILLER et al. (1969) und DICKINSON et al. (1969) Untersuchun-gen angestellt. Auch sie kamen zum Ergebnis, dass die Energie-Effizienz von Milchkühen im Bereich mittlerer Lebendmasse einer Populati-on am höchsten ist. In einer zusammen-fassenden Auswertung von Fütterungsversu-chen mehrerer Universitäten der USA und Ka-nada mit Holstein und Jersey erreichten die

Kühe mit einem Lebendmasse-Bereich von 279–891 kg die höchste Milchleistung und damit Lebendmasse-Effizienz ebenfalls nicht bei höchster Lebendmasse, sondern bei 613 kg LM (BROWN et al. 1977). MORRIS und WILTON (1976) werteten in einer Literaturre-view 10 relevante Experimente aus und fanden im Durchschnitt eine positive phänotypische (+0,33) und genetische (+0,14) Korrelation zwischen Milchleistung und Lebendmasse, während die Korrelation zwischen Energie-Effizienz und Lebendmasse negativ war (-0,18 bzw. -0,37). VALLIMONT et al. (2011) fan-den in 11 Milchviehherden (970 HF-Kühe) in Pennsylvania (USA) hohe, negative genetische Korrelationen (–0,64 bis –0,66) zwischen Le-bendmasse mehreren Effizienz-Merkmalen (Trockenmasse-, NEL- und Protein-Effizienz) und schlossen daraus, dass große und fette Kü-he weniger effizient sind als kleine und dünne Kühe. Die Effizienz dieser Kühe war negativ mit ihrer Fruchtbarkeit (days open) und positiv mit ihrer produktiven Lebenszeit korreliert. Dies zeigt, dass bei einer Züchtung auf hohe Effizienz die Fruchtbarkeitssituation einzube-ziehen ist (VALLIMONT et al. 2013). GRU-BER und STEGFELLNER (2015) stellten in einer Erhebung an 18 landwirtschaftlichen Fachschulen in Österreich eine partielle phäno-typische Korrelation zwischen Milchleistung (ECM) und Lebendmasse vom +0,153 und zwischen Lebendmasse-Effizienz und Le-bendmasse von -0,260 fest. Auf die Nachteile zu hoher Lebendmasse von Milchkühen (Krankheitshäufigkeit, Ausfallsrate, Effizienz etc.) haben u.a. auch MASON et al. (1957), MAHONEY et al. (1986), HANSEN et al. (1999) und BECKER et al. (2012) hingewie-sen. Nach KROGMEIER (2009) sind die Kühe sind in den letzten Jahrzehnten größer gewor-den und ihre Nutzungsdauer hat abgenommen. Aus dem Vergleich von älteren mit aktuellen Milchviehversuchen (HAIGER et al. 1987 vs. GRUBER und STEGFELLNER 2015 bzw. LEDINEK et al. 2017) kann abgeleitet werden, dass sich im angesprochenen Zeitraum von 30 Jahren die Milchleistung, jedoch zu einem ge-wissen Grad auch die Lebendmasse, erhöht haben. Wird die Steigerung der Milchleistung 100 gesetzt, so erhöhte sich die Lebendmasse um 48 % und die Lebendmasse-Effizienz dem-


28

entsprechend nur um 62 % (GRUBER und STEGFELLNER 2015). Beim Vergleich von HAIGER et al. (1987) mit den Ergebnissen von Efficient Cow (LEDINEK et al. 2017) macht die Steigerung der Lebendmasse 35 % bzw. die Steigerung der Lebendmasse-Effizienz 71 % gegenüber der Milchleistung (=100) aus. Es ist also davon auszugehen, dass 30–40 % der Milchleistungssteigerung um den Preis einer höheren Lebendmasse erzielt wur-den (im Falle von Brown Swiss und Holstein). Fazit

• Die internationale Milchproduktion wird sich weiter konzentrieren und intensivie-ren

• Die damit einhergehende Steigerung der individuellen Milchleistung verstärkt das Problem der hohen Stoffwechselbelastung mit negativen Auswirkungen auf die Ge-sundheit sowie Fitness der Kühe und da-mit ihrer Nutzungsdauer

• Die Zucht auf hohe Milchleistungen hat auch die durchschnittliche Lebendmasse der Kuhpopulationen erhöht, mit negati-ven Auswirkungen auf die Lebendmasse- und Futter-Effizienz

• Die Lebendmasse sollte in der Rinder-zucht daher berücksichtigt werden

• Lebendmasse- und Futtereffizienz sind nicht identisch und haben ein unterschied-liches Optimum

• Die höchste Effizienz einer Population wird bei mittlerer Lebendmasse erreicht

• Milchbetonte Kühe sind effizienter in der Milcherzeugung, Nachteile in der Mast-leistung sind in Rechnung zu stellen.

• Die Effizienz von Fleckvieh ist in geringe-rem Maß von der Lebendmasse beein-flusst als von jene Holstein

Literatur BECKER, M., 1971: Grundzüge der Fütterungslehre.

15. Auflage, Verlag Paul Parey, 324 S. BECKER, J.C., B.J. HEINS und L.B. HANSEN, 2012:

Costs for health care of Holstein cows selected for large versus small body size. J. Dairy Sci. 95, 5384–5392.

BELLO, N.M., J.S. STEVENSON und R.J. TEMPEL-MAN, 2012: Invited review: Milk production and reproductive performance – Modern interdiscipli-nary insights into an enduring axiom. J. Dairy Sci. 95, 5461–5475.

BENNEWITZ, J., 2016: Potentiale und Herausforde-rungen der genomischen Selektion in der Tierzucht. 26. Hülsenberger Gespräche 2016 “Die postgenomi-sche Ära: Die Renaissance des Phänotyps“, 10–14.

BERRY, D.P. und J.E. PRYCE J.E., 2014: Feed effi-ciency in growing and mature animals. Proceedings of 10th Word Congress of Genetics Applied to Live-stock Production, Vancouver 2014.

BMLFUW (Bundesministerium für Land- und Forst-wirtschaft, Umwelt und Wasserwirtschaft), 2008: Deckungsbeiträge und Daten für die Betriebsplanung 2008. Herausgeber BMLFUW und LFI, 449 S.

BLAKE, R.W., A.A. CUSTODIO und W.H. HOW-ARD, 1986: Comparative feed efficiency of Holstein and Jersey cows. J. Dairy Sci. 69, 1302–1308.

BROWN, C.A., P.T. CHANDLER und B. HOLTER, 1977: Development of predictive equations for milk yield and dry matter intake in lactating cows. J. Dairy Sci. 60, 1739–1754.

BUCKLEY, F., P. DILLON, S. CROSSE, F. FLYNN und M. RATH, 2000: The performance of Holstein Friesian dairy cows of high and medium genetic mer-it for milk production on grass-based feeding sys-tems. Livest. Prod. Sci. 64, 107–119.

CLARK, R.D. und R.W. TOUCHBERRY, 1962: Effect of body weight and age at calving on milk yield pro-duction in Holstein cattle. J. Dairy Sci. 45, 1500–1510.

COLEMAN, J., D.P. BERRY, K.M. PIERCE, A. BRENNAN und B. HORAN, 2010: Dry matter in-take and feed efficiency profiles of 3 genotypes of Holstein-Friesian within pasture-based systems of milk production. J. Dairy Sci. 93, 4318–4331.

DICKINSON, F.N., B.T. McDANIEL und R.E. McDOWELL, 1969: Comparative efficiency of feed utilization during first lactation of Ayrshire, Brown Swiss and Holstein cows. J. Dairy Sci. 52, 489–497.

DILLON, P., S. SNIJDERS, F. BUCKLEY, B. HAR-RIS, P.O. CONNOR und J.F. MEE, 2003: A com-parison of different dairy cow breeds on a seasonal grass-based system of milk production. 1. Milk pro-duction, live weight, body condition score and DM intake. Livest. Prod. Sci. 83, 21–33.

FLACHOWSKY, G., 2000: Nährstoffökonomische und ökologische Aspekte bei der Erzeugung von essba-rem Eiweiß tierischer Herkunft bei unterschiedli-chem Leistungsniveau der Nutztiere. Land-bauforschung Völkenrode 50, 38–49.


29

FLEISCHER, P., M. METZNER, M. BEYERBACH, M. HOEDEMAKER und W. KLEE, 2001: The rela-tionship between milk yield and the incidence of some diseases in dairy cows. J. Dairy Sci. 84, 2025–2035.

GfE (Gesellschaft für Ernährungsphysiologie – Aus-schuss für Bedarfsnormen), 2001: Energie- und Nährstoffbedarf landwirtschaftlicher Nutztiere, Nr. 8: Empfehlungen zur Energie- und Nährstoffversor-gung der Milchkühe und Aufzuchtrinder. DLG-Verlag, Frankfurt am Main, 135 S.

GRUBER, L., F.J. SCHWARZ, D. ERDIN, B. FI-SCHER, H. SPIEKERS, H. STEINGASS, U. MEY-ER, A. CHASSOT, T. JILG, A. OBERMAIER und T. GUGGENBERGER, 2004: Vorhersage der Fut-teraufnahme von Milchkühen – Datenbasis von 10 Forschungs- und Universitätsinstituten Deutschlands, Österreichs und der Schweiz. 116. VDLUFA-Kongress, Rostock, 13.-17. September 2004, Kon-gressband 2004, 484–504.

GRUBER, L., 2013: Grundfutterqualität, Kraftfutterni-veau und genetisches Potenzial als Schlüsselfaktoren für die Höhe der Milchleistung. Tagungsband ZAR-Seminar, 21.03.2013, Salzburg, 21–40.

GRUBER, L. und M. STEGFELLNER, 2015: Effizienz bei Milchkühen – Einfluss von Rasse, Laktationszahl und Laktationsstadium. 42. Viehwirtschaftliche Fachtagung, 25.-26. März 2015, Bericht HBLFA Raumberg-Gumpenstein 2015, 23–40.

GRUBER, L. und M. LEDINEK, 2017: Effizienz der Milcherzeugung in Abhängigkeit von Genotyp und Lebendmasse. 44. Viehwirtschaftliche Fachtagung, 05.-06. April 2017, Bericht HBLFA Raumberg-Gumpenstein 2017.

HAIGER, A., R. STEINWENDER, J. SÖLKNER und H. GREIMEL, 1987: Vergleichsversuch von Braun-vieh mit Brown Swiss- und Holstein Friesian-Kreuzungen, 7. Mitteilung: Milchleistungsvergleich. Die Bodenkultur 38, 273–280.

HAIGER, A. und J. SÖLKNER, 1995: Der Einfluss ver-schiedener Futterniveaus auf die Lebensleistung kombinierter und milchbetonter Kühe: 2. bis 8. Laktation. Züchtungskde. 67, 263–273.

HAIGER, A. und W. KNAUS, 2010: Vergleich von Fleckvieh und Holstein Friesian in der Milch- und Fleischleistung. 1. Mitteilung: Milchleistungsver-gleich ohne Kraftfutter. Züchtungskde. 82, 131–143.

HANSEN, L.B., J.B. COLE, G.D MARX und A.J. SEYKORA, 1999: Productive life and reasons for disposal of Holstein cows selected for large versus small body size. J. Dairy Sci. 82, 795–801.

HANSEN, L.B., 2000: Consequences of selection for milk yield from a geneticist’s viewpoint. J. Dairy Sci. 83, 1145–1150.

HARRIS, B.L. und E.S. KOLVER, 2001: Review of Holsteinization on intensive pastoral dairy farming in New Zealand. J. Dairy Sci. 84 (E. Suppl.), E56–E61.

HAYES, B.J., P.J. BOWMAN, A.J. CHAMBERLAIN und M.E. GODDARD, 2009: Invited review: Ge-nomic selection in dairy cattle: Progress and chal-lenges. J. Dairy Sci. 92, 433–443.

HERINGSTAD, B., G. KLEMETSDAL und T. STEINE, 2007: Selection responses for disease re-sistance in two selection experiments with Norwe-gian Red cows. J. Dairy Sci. 90, 2419–2426.

HOOVEN, N.W., R.H. MILLER und R.D. PLOW-MAN, 1968: Genetic and environmental relation-ships among efficiency, yield, consumption and weight of Holstein cows. J. Dairy Sci. 51, 1409–1419.

ICAR (International Committee for Animal Recording): http://www.icar.org/survey/pages/tables.php

KENNEDY, J., P. DILLON, L. DELABY, P. FAVER-DIN, G. STAKELUM und M. RATH, 2003: Effect of genetic merit and concentrate supplementation on grass intake and milk production with Holstein Frie-sian dairy cows. J. Dairy Sci. 86, 610–621.

KIRCHGESSNER, M., 1970: Tierernährung – Leitfa-den für Praxis, Beratung und Studium. 1. Auflage, DLG Verlag, Frankfurt/Main, 408 S.

KNAUS, W., 2009: Dairy cows trapped between per-formance demands and adaptability. J. Sci. Food Agric. 89, 1107–1114.

KORVER, S., 1982: Feed intake and production in dairy breeds dependent on the ration. Diss. Wageningen, 139 S.

KROGMEIER, D., 2009: Zusammenhänge zwischen Nutzungsdauer und Körpergröße unter besonderer Berücksichtigung des Stallsystemes bei Braunvieh und Fleckvieh. Züchtungskde. 81, 328–340.

KÜNZI, N., 1969: Beziehungen zwischen Futterverzehr und Milchleistung bei Fleckvieh-, Braunvieh- und Ayrshirekühen. Diss. 4342, ETH Zürich, 122 S.

LEDINEK, M., L. GRUBER, F. STEININGER, B. FÜRST-WALTL, K. ZOTTL, M. ROYER, K. KRIMBERGER, M. MAYERHOFER und C. EG-GER-DANNER, 2017: Futter- und Nährstoffeffizi-enz – was steckt dahinter? Tagungsband ZAR-Seminar ”Der effizienten Kuh auf der Spur”, 09.03.2017, Salzburg.

LUCY, M.C., 2001: Reproductive loss in high-producing dairy cattle: Where will it end? J. Dairy Sci. 84, 1277–1293.

LUCY, M.C., G.A. VERKERK, B.E. WHYTE, K.A. McDONALD, L. BURTON, R.T. CURSONS, J.R. ROCHE und C.W. HOLMES, 2009: Somatotropic axis and nutrient partitioning in genetically diverse dairy cows managed under different feed allowances in a pasture system. J. Dairy Sci. 92, 526–539.

MAHONEY, C.B., L.B. HANSEN, C.W. YOUNG, G.D. MARX und J.K. RENEAU, 1986: Health care of Holsteins selected for large or small body size. J. Dairy Sci. 69, 3131–3139.

MARTENS, H., 2012: Die Milchkuh – Wenn die Leis-tung zur Last wird! 39. Viehwirtschaftliche Fachta-gung, 25.-26. April 2012, Bericht LFZ Raumberg-Gumpenstein, A-8952 Irdning, 35–42.

MARTENS, H., 2015: Stoffwechselbelastung und Ge-sundheitsrisiken der Milchkühe in der frühen Lakta-tion. Tierärztl. Umschau 70, 496–504.


30

MASON, I.L., A. ROBERTSON und B. GJELSTAD, 1957: The genetic connexion between body size, milk production and efficiency in dairy cattle. J. Dairy Res. 24, 135–143.

MACDONALD, K.A., G.A. VERKERK, B.S. THOR-ROLD, J.E. PRYCE, J.W. PENNO, L.R. McNAUGHTON, L.J. BURTON, J.A.S. LANCAS-TER, J.H. WILLIAMSON und C.W. HOLMES, 2008: A comparison of three strains of Holstein-Friesian grazed on pasture and managed under dif-ferent feed allowances. J. Dairy Sci. 91, 1693–1707.

MILLER, R.H. und N.W. HOOVEN, 1969: Variation in part-lactation and whole-lactation feed efficiency of Holstein cows. J. Dairy Sci. 52, 1025–1036.

MORRIS, C.A. und J.W. WILSON, 1976: Influence of body size on the biological efficiency of cows: A re-view. Can. J. Anim. Sci. 56, 613–647.

NEHRING, K., 1963: Lehrbuch der Tierernährung und Futtermittelkunde. 8. Auflage, Neumann Verlag. Radebeul. Berlin, 522 S.

OLDENBROEK, J.K., 1984a: Holstein Friesians, Dutch Friesians and Dutch Red and Whites on two com-plete diets with a different amount of roughage: Per-formance in first lactation. Livest. Prod. Sci. 11, 401–415.

OLDENBROEK, J.K., 1984b: Holstein Friesians, Dutch Friesians and Dutch Red and Whites on two com-plete diets with a different amount of roughage: Dif-ferences in performance between first and second lactation. Livest. Prod. Sci. 11, 417–428.

OLDENBROEK, J.K., 1986: The performance of Jersey heifers and heifers of larger dairy breeds on two complete diets with different roughage contents. Livest. Prod. Sci. 14, 1–14.

OLDENBROEK, J.K., 1988: The performance of Jersey cows and cows of larger dairy breeds on two com-plete diets with different roughage contents. Livest. Prod. Sci. 18, 1–17.

OLTENACU, P.A. und D.M. BROOM, 2010: The im-pact of genetic selection for increased milk yield on the welfare of dairy cows. Animal welfare 19, 39-49.

PICCAND, V., E. CUTTULIC, S. MEIER, F. SCHORI, R.L. KUNZ, J.R. ROCHE und P. THOMET, 2013. Production and reproduction of Fleckvieh, Brown Swiss, and 2 strains of Holstein-Friesian cows in a pasture-based, seasonal-calving dairy system. J. Dairy Sci. 96, 5352–5363.

ROCHE, J.R., D.P. BERRY und E.S. KOLVER, 2006: Holstein-Friesian strain and feed effects on milk production, body weight, and body condition score profiles in grazing dairy cows. J. Dairy Sci. 89, 3532–3543.

SPIEKERS, H. und V. POTTHAST, 2003: Erfolgreiche Milchviehfütterung. 1. Auflage, DLG Verlag Frank-furt/Main, 448 S.

STEINWIDDER, A., 2009: Modellrechnungen zum Einfluss der Lebendmasse von Milchkühen auf Fut-tereffizienz und Kraftfutterbedarf. Band 2 – Tierhal-tung, Agrarpolitik und Betriebswirtschaft, Märkte und Lebensmittel. 10. Wissenschaftstagung Ökolog. Landbau, 11.–13. Februar 2009, Eidgenössische Technische Hochschule Zürich, 30–33.

THOMET, P., H. RÄTZER und B. DURGIAI, 2002: Effizienz als Schlüssel für die wirtschaftliche Milch-produktion. Agrarforschung 9, 404–409.

VALLIMONT, J.E., C.D. DECHOW, J.M. DAUBERT, M.W. DEKLEVA, J.W. BLUM, C.M. BARLIEB, W. LIU, G.A. VARGA, A.J. HEINRICHS und C.R. BAUMRUCKER, 2011: Short communication: Her-itability of gross feed efficiency and associations with yield, intake, residual intake, body weight, and body condition score in 11 commercial Pennsylvania tie stalls. J. Dairy Sci. 94, 2108–2113.

VALLIMONT, J.E., C.D. DECHOW, J.M. DAUBERT, M.W. DEKLEVA, J.W. BLUM, W. LIU, G.A. VARGA, A.J. HEINRICHS und C.R. BAUM-RUCKER, 2013: Short communication: Feed utiliza-tion and its associations with fertility and productive life in 11 commercial Pennsylvania tie-stall herds. J. Dairy Sci. 96, 1251–1254.

VEERKAMP, R.F., 1998: Selection for economic effi-ciency of dairy cattle using information on live weight and feed intake: A review. J. Dairy Sci. 81, 1109–1119.

YAN, T., C.S. MAYNE, T.W.J. KEADY und R.E. AGNEW, 2006: Effects of dairy cow genotype with two planes of nutrition on energy partitioning be-tween milk and body tissue. J. Dairy Sci. 89, 1031–1041.

ZAR (Zentrale Arbeitsgemeinschaft österreichischer Rinderzüchter), 2015: Die österreichische Rinder-zucht 2015 (Jahresbericht 2015), 155 S.

ZAR-Seminar 2017 Kofler – Auswirkungen von Lahmheit auf die Fruchtbarkeit und Milchleistung

31

Auswirkungen von Lahmheit auf die Fruchtbarkeit und Milchleistung von Milchkühen

Johann Kofler, Birgit Fürst-Waltl, Johann Burgstaller, Franz Steininger,

Stefan Guggenbichler, Matthias Dourakas und Christa Egger-Danner Einleitung Lahmheiten bei Milchrindern stellen nach wie vor aufgrund ihrer schmerzbedingten Ursachen ein ernstes tierschutzrelevantes Problem dar (Hultgren et al. 2004; Wiedenhöft 2005; EFSA, 2009; Bruijnis et al., 2012; Huxley, 2012; Whay et al., 2012; Chapinal et al. 2013). Klauen- und Gliedmaßenerkrankungen liegen nach Fruchtbarkeitsstörungen und Euterer-krankungen an der dritten Stelle der krank-heitsbedingten Abgangsursachen bei Milchkü-hen (Feldmann et al. 2014; Zuchtdata 2016). Sie verursachen große wirtschaftliche Verluste in den Betrieben infolge von verminderter Milchleistung, verschlechterten Fruchtbar-keitskennzahlen, erhöhter Anfälligkeit für Stoffwechselstörungen, vermindertem BCS, erhöhter Remontierungsrate und Kosten für erhöhtem Arbeitsaufwand und Behandlung (Sprecher et al. 1997; Green et al., 2002; 2014; Willshire & Bell 2009; Bruijnis et al. 2010, Cha et al. 2010; Alawneh et al. 2011). In einer englischen Studie wurden die durch Lahmheit verursachten Gesamtkosten für eine typische britische Milchviehherde mit 112 Holstein-Kühen mit ca. 9.450 € pro Jahr be-rechnet (Willshire & Bell 2009). Ähnliche Er-gebnisse wurden aus den Niederlanden berich-tet, wo durch Lahmheit bedingte durchschnitt-liche Gesamtkosten für eine „Standard-Farm“ mit 65 Holstein-Kühen von ca. 4900 € pro Jahr kalkuliert wurden (Bruijnis et al. 2010). In beiden Studien wurden als wichtigste Kosten-faktoren eine verringerte Fruchtbarkeits- und Milchleistung sowie vorzeitige Abgänge iden-tifiziert (Willshire & Bell 2009; Bruijnis et al. 2010). Auch die mittleren Kosten für ausge-wählte und häufige Klauenerkrankungen wur-den einzeln berechnet, und beliefen sich für ei-nen Fall mit Sohlengeschwür auf 210 €, für ei-nen Mortellaro-Fall auf 130 € und für einen Fall von Zwischenklauennekrose auf 120 € (Cha et al. 2010).

Die Lahmheitshäufigkeit ist in zu vielen Milchviehherden sehr hoch: jährliche Inziden-zen von bis zu 70% (Green et al. 2002; Leach et al. 2010) und mittlere Prävalenzen von 15% – 36% wurden in Österreich, Deutschland und der Schweiz (Dippel et al. 2009a,b; Rouha-Mülleder et al. 2009; Kofler et al. 2013; Be-cker et al. 2014a,b) berichtet. Selbst bei Mut-terkühen wurden mittlere Lahmheitshäufigkei-ten von 15,6% in Österreich festgestellt (Keplinger et al., 2013). Die genauen Mechanismen wie schmerzbe-dingte Lahmheit die Fruchtbarkeit von Kühen beeinflusst, sind sehr komplex, Schmerzzu-stände und Energiemangel spielen dabei eine wesentliche Rolle (Barkema et al. 1994; Mor-ris et al. 2011). Kühe, die unter Schmerzen an den Gliedmaßen leiden, zeigen ein abge-schwächtes Brunstverhalten (Walker et al. 2010; Morris et al. 2011), zudem kommt es bei ihnen einer reduzierten Futteraufnahme, was im Speziellen bei Kühen mit Lahmheit wäh-rend der Frühlaktation ein deutliches Energie-defizit zur Folge hat. Diese Umstände haben direkte negative Auswirkungen auf die Ova-raktivität (González et al. 2008). Diese Zu-sammenhänge wurden auch damit untermau-ert, dass Kühe mit hohen Körperkonditionsver-lusten (BCS) nach der Abkalbung signifikant anfälliger für die Entstehung von Ovarialzys-ten waren verglichen mit Kühen mit nur gerin-gen Körperkonditionsverlusten (Gossen et al. 2006). Lahme und nicht lahme Kühe zeigten eine deutlich unterschiedliche Ovaraktivität, das Risiko für ein verspätetes Einsetzen des Zyklus bei lahmen Kühen war 3,5-mal höher als bei nicht lahmen Kühen (Garbarino et al. 2004). Bei lahmen Kühen wurden zudem sig-nifikant häufiger Ovarialzysten als bei nicht lahmen Kühen festgestellt, was wiederum die Fruchtbarkeitsleistung negativ beeinflusst (Melendez et al. 2003). Lucey et al. (1986) wiesen nach, dass durch Sohlengeschwüre und Weiße-Linie-Defekte


32

verursachte Lahmheiten bei Kühen, die inner-halb der ersten 36 - 70 Tage nach Abkalbung auftraten, eine signifikante Verlängerung der Rast- und Güstzeiten zur Folge hatten. Ähnli-che Ergebnisse berichteten Bicalho et al. (2007): Kühe mit einem Lahmheitsgrad ≥ 3 während der ersten 70 Tage nach Abkalbung zeigten eine deutlich verlängerte Güstzeit (Zwischentragezeit, 149 Tage vs. 119 Tage) und eine um 15% bis 24% verminderte Wahr-scheinlichkeit trächtig zu werden im Vergleich zu nicht lahmen Kühen. Der große Einfluss von schmerzbedingten Lahmheiten, die wäh-rend der Güst- und Verzögerungszeit auftreten auf die Fruchtbarkeit, wurde auch in einer Stu-die aus Irland bestätigt: Kühe mit einem Lahmheitsgrad ≥ 3 im Zeitraum ab der Abkal-bung bis zur 1. Besamung bzw. Kühe mit ei-nem Lahmheitsgrad ≥ 3 im Zeitraum zwischen der 1. Besamung und der letzten zur Trächtig-keit geführten Besamung bzw. Kühe mit einem

Lahmheitsgrad ≥ 3 im Zeitraum ab der Abkal-bung bis zur letzten zur Trächtigkeit geführten Besamung wiesen eine um 12%, 35% bzw. um 38% erhöhtes Risiko auf, nicht trächtig zu werden im Vergleich zu nicht lahmen Kühen (Somers et al. 2010). Vergleichbare Resultate wurden in einer methodisch gleich aufgebau-ten Studie an 11061 Kühen in Argentinien be-richtet: Kühe, die während der Wartezeit, Ver-zögerungszeit bzw. Güstzeit lahm waren, wie-sen ein um 35%, 59% bzw. 48% erhöhtes Ri-siko auf nicht trächtig zu werden im Vergleich zu nicht lahmen Kühen (Chiozza-Logrono et al. 2015). Langzeitstudien an großen Kuhzah-len zeigten, dass die Häufigkeit von Lahmhei-ten im 2. bis 5. Laktationsmonat am höchsten ist (Green et al. 2002), was wiederum deren bedeutenden Einfluss auf das Fruchtbarkeits-geschehen unterstreicht (Abb. 1, 2).

Abb. 1: Auftreten von Lahmheit bei den Kühen in den einzelnen Laktationsmonaten: Ergebnis aus einer 18 Monate dauernden Studie an 900 Kühen aus 5 Herden (Green et al. 2002). Am häufigsten wurden Lahmheiten zwischen dem 30. bis zum 150. Laktationstag registriert. Das bedeutet, dass der Zeitraum der höchsten Milchpro-duktion mit dem höchsten Risiko für das Auftreten von Lahmheit einhergeht. Um dieses Risiko zu vermindern, lautet die klare Empfehlung: Fachgerechte Klauenpflege der Kühe beim Trockenstellen und wiederum ca. 60 Ta-ge nach der Geburt.

Abb. 2: Die Laktationskurve zeigt einen ähnlichen Verlauf wie die Verteilung der Lahmheitshäufigkeit in den einzelnen Laktationsmonaten (Abb. 1). Legt man beide Kurven übereinander und berücksichtigt die Periode, in welcher die Besamungen erfolgen, dann ist klar ersichtlich, dass der Zeitraum, in dem die Kühe wieder trächtig werden sollen, gleichzeitig die Periode mit dem höchsten Risiko für Lahmheit ist. Daher muss in einem gut geführten Betrieb alles un-ternommen werden, um Lahmheiten bei Trocken-stehern und Kühen in den ersten 100 Laktationstagen zu vermeiden; ZKZ: Zwischenkalbezeit.

In vielen Ländern wurden Studien durchge-führt, welche den Einfluss von Lahmheit auf die Milchleistung untersuchten, und alle Stu-dien zeigten, dass sich v.a. mittel- und hoch-gradige Lahmheiten negativ auf die Milchleis-tung auswirken (Barkema et al. 1994; Rajala-Schultz et al. 1999; Green et al. 2002; Juarez et al. 2003; Amory et al. 2008; Bicalho et al.

2008; Green et al. 2010; Archer et al. 2011; Pavlenko et al. 2011; Reader et al. 2011). Stu-dien, welche die Gesamtlaktationsleistungen analysierten, zeigten, dass lahmheitsbedingte Verluste im Mittel zwischen 270 und 857 kg Milch pro Laktationsperiode betrugen (Coulon et al. 1996; Warnick et al. 2001; Green et al. 2002; Amory et al. 2008; Bicalho et al. 2008;


33

Archer et al. 2011). Ein interessantes Ergebnis zeigte sich bei jenen Studien, bei denen eine tägliche Milchmengenmessung erfolgte: hier-bei konnte beobachtet werden, dass Milchleis-tungsverluste bereits 3 – 4 Wochen vor dem Erkennen der klinischen Lahmheit nachweis-bar waren, und dass sie auch noch viele Wo-chen nach der Lahmheitsepisode bzw. der durchgeführten Behandlung andauerten (Green et al. 2002; Amory et al. 2008; Reader et al. 2011). Einige Studien bewerteten neben dem Milchleistungsverlust infolge von Lahmheit auch die Verluste bei Milchfett und Milchei-weiß (Pavlenko et al. 2011; Olechnowicz & Jaskowski 2012; Pérez-Cabal & Alenda 2014). In den letzten Jahren wurde zudem berichtet, dass Lahmheiten bei Milchkühen in Verbin-dung mit hohen Leistungen stehen (Sogstad et al. 2007; Amory et al. 2008; Bicalho et al. 2008; Archer et al. 2011). In einer englischen Studie wurde ein unerwartetes Ergebnis publi-ziert, nämlich dass chronisch lahme Kühe, die z.B. an Sohlengeschwüren und Weiße-Linie-Defekten litten, im Mittel um 342 kg mehr Milch (305 Tage-Laktation) produzierten als niemals lahme Kühe (Green et al. 2002). Zu-sammenfassend zeigten diese Studien, dass der Milchleistungsverlust abhängig von diversen Faktoren ist: dem Schweregrad der Lahmheit bzw. der Klauenläsion, dem Zeitpunkt (erste 100 Tage in Milch) sowie der Zeitdauer der Lahmheitsepisode. Frühzeitige und fachge-rechte Behandlungen können somit die Verlus-te deutlich reduzieren (Groenevelt et al. 2014). Das Projekt „Efficient Cow“ Zielsetzung des Projekts war die Suche nach der effizienten Milchkuh in österreichischen Milchviehherden und damit die Grundlage für eine zukünftige Zuchtwertschätzung im Be-reich Effizienz, Stoffwechsel und Klauen-gesundheit zu schaffen (ZAR 2014; Steininger 2015). Nach diesen Vorgaben ist die „ideale Kuh“ jene Kuh, die nachhaltig und ohne krank zu werden unter den betrieblichen Rahmenbe-dingungen möglichst viel Milch gibt und re-gelmäßig vitale Kälber zur Welt bringt. Das Projekt startete im Dezember 2012 unter Lei-tung der ZAR und hatte eine Laufzeit von 3,5 Jahren. In diesem Zeitraum wurde eine um-

fangreiche Datenerhebung in ausgewählten Milchviehbetrieben in verschiedenen Regionen Österreichs durchgeführt. Aus den umfangrei-chen Daten wurden viele verschiedene Frage-stellungen von mehreren Institutionen bearbei-tet. So wurde u.a. der Einfluss von Lahmheit auf die Fruchtbarkeit und auf Milchleistungs-parameter untersucht (Guggenbichler 2016; Dourakas 2016). In der vorliegenden Zusammenstellung werden die im Rahmen des Projektes „Efficient Cow“ ausgewerteten Daten und Resultate bezüglich der Auswirkung von Lahmheit und Klauenlä-sionen auf Fruchtbarkeitskennzahlen sowie auf Milchleistungsparameter im Detail ausgeführt. Auswirkungen von Lahmheit auf Fruchtbarkeit Insgesamt konnten für diese Auswertung die Daten von insgesamt 5392 Braunvieh- (BV), Fleckvieh- (FV) und Holsteinkühen (HF) aus 166 Betrieben herangezogen werden. Zur Ana-lyse des Einflusses der Lahmheit bzw. der Klauenläsionen auf die Fruchtbarkeit wurden die Kühe in 5 Lahmheitsgruppen (0 - 4; geord-net nach Anzahl der Lahmheitsepisoden mit definierten Lahmheits-Scores während des Be-obachtungszeitraumes) und in 4 Klauendefekt-gruppen (schmerzhafte Defekte wie Sohlenge-schwüre bzw. wie Weiße-Linie-Erkrankung, infektiöse Klauenhauterkrankungen, patholo-gische Klauenformen) eingeteilt sowie ausge-wählte Fruchtbarkeitskennzahlen (Güstzeit, Verzögerungszeit, Zwischenkalbezeit (ZKZ), Non-Return-Rate, Erstbesamungserfolg) für Kühe der genannten Rassen berechnet. Kühe, deren ZKZ nicht zwischen 300-750 Ta-gen lagen, wurden nicht für die Auswertung berücksichtigt. Als statisches Testverfahren wurde für die Güstzeit, Verzögerungszeit und ZKZ der U-Test nach Mann & Whitney ver-wendet. Die Häufigkeitsverteilung für die Pa-rameter Erstbesamungserfolg (EBE) und Non-Return-Rate 56 (NR 56) wurde mittels Chi-Quadrat-Test untersucht. Für den paarweisen Vergleich von EBE und NR 56 wurde der Bonferroni-Holm-Test verwendet. Das Signi-fikanzniveau wurde mit p=0,05 festgelegt. Die Lahmheitshäufigkeit im Beobachtungs-zeitraum betrug insgesamt im Mittel 50,2%,


34

davon waren 19,0% jedoch kaum lahm, und 19,2% gering-, 4,1% mittel- und 7,9% hoch-gradig lahm. 49,8% der Kühe waren während des Beobachtungszeitraumes nie lahm. Aufge-schlüsselt nach Rassen betrug die Lahmheits-häufigkeit 47% bei BV-, 48% bei FV- und 61% bei HF-Kühen. Bezogen auf die ersten 100 Tage in Milch (DIM) zeigten 27% der BV-, 31% der FV- und 40% der HF-Kühe eine bzw. mehrere Lahmheitsepisoden während dieser kritischen Periode. Die Ergebnisse zeigten eindeutig, dass lahme Kühe im Vergleich zu nicht lahmen Kühen ei-ne signifikant schlechtere Fruchtbarkeitsleis-tung hatten. So lag die mittlere Güstzeit von FV-Kühen, die während des Projektjahres nie lahm waren bei 97,5 Tagen (T), verglichen mit 113 T bei hochgradig lahmen Kühen. Bei der Verzögerungszeit konnte zwischen nie lahmen Tieren (48,8 T) und gering- (86,8 T) bzw. hochgradig lahmen Tieren (73,9 T) ein signifi-kanter Unterschied nachgewiesen werden. Bei der Verzögerungszeit lagen zwischen nie lah-men (33,4 T) und gering- (39,0 T), mittel- (55,1 T) und hochgradig lahmen (43,7 T) FV-Kühen signifikante Unterschiede vor. Aber auch kaum und geringgradig lahme Tiere hat-ten im Vergleich zu hochgradig lahmen Tieren eine signifikant kürzere Verzögerungszeit. Im Gegensatz dazu konnten bei HF-Kühen keine signifikanten Unterschiede in der Verzöge-rungszeit zwischen den Lahmheitsgruppen festgestellt werden, es zeigte sich jedoch eine tendenzielle Verlängerung der Verzögerungs-zeit mit zunehmendem Lahmheitsgrad (Abb. 3). Die durchschnittliche ZKZ betrug 378 Tage bei niemals lahmen Tieren und 412 Tage bei mittelgradig lahmen FV-Kühen. Signifikante Unterschiede zwischen den Lahmheitsgruppen lagen bei dieser Kennzahl auch bei BV- und HF- Kühen vor (Abb. 4). Ebenso war die mitt-lere Güstzeit, mittlere Verzögerungszeit und mittlere ZKZ von FV- und HF-Kühen, die in den ersten 100 Laktationstagen nicht lahm wa-ren signifikant kürzer im Vergleich zu Kühen, die in diesem Zeitraum lahmten (Abb. 5). Die Non-Return Rate (56) aller Kühe aller Rassen ohne Lahmheit lag bei 61,1 %, jener der gering- und mittelgradig lahmen Kühe war mit jeweils 55,2% signifikant geringer (Abb.

6). Ein weiteres interessantes Ergebnis ergab die Analyse des Erstbesamungserfolges: nie-mals lahme Kühe zeigten einen EBE von 50%, während mittel- bis hochgradig lahme Kühe signifikant niedrigere Werte von nur 35,4% bzw. 41.3% erreichten (Abb. 7). Die mittlere ZKZ klauengesunder Kühe war im Vergleich zu klauenkranken Kühen z.T. signifikant kürzer, z.B. bei klauengesunden BV- und FV-Kühen 397,2 bzw. 374,4 Tage und bei der jeweiligen Defektgruppe 1 mit Sohlengeschwüren 406,2 bzw. 384,6 Tage. Die Auswirkungen einzelner Klauenerkrankungen auf die Fruchtbarkeitsparameter konnten nicht so klar dargestellt werden, wie dies mit dem Parameter Lahmheitsgrad möglich war. Die Erklärung dafür ist mit großer Wahrschein-lichkeit in der Qualität der erhoben Diagnosen begründet, und diesbezüglich war die Daten-qualität der alle 40 Tage durch LKV-Mitarbeiter erhobenen Lahmheitsgrade deut-lich valider einzustufen. Zusammenfassend lässt sich schlussfolgern, dass lahme und klauenkranke Milchkühe eine z.T. signifikant schlechtere Fruchtbarkeitsleis-tung aufwiesen, als entscheidender Risikofak-tor dafür erwiesen sich Lahmheitsepisoden während der ersten 100 Tage in Milch (DIM). Die verlängerten Fruchtbarkeitskennzahlen lahmer Kühe sind vor allem auf die geringere Bewegungsaktivität, geringere Futteraufnah-me, längere Liegezeiten, stille Brünste sowie embryonale Mortalität (Garbarino et al. 2004; Schönwälder 2013) zurückzuführen.

Auswirkungen von Lahmheit auf Milchleistung Für diese Auswertung konnten die Leistungs-daten von insgesamt 4170 Kühen der Rassen Fleckvieh (FV), Holstein (HF) und Braunvieh (BV) aus 156 Betrieben aus ganz Österreich herangezogen werden. Aus der sehr umfang-reichen Datensammlung des Projektes wurden die 305-Tage-Leistung für die Milchmenge, die Fett- und Eiweißmenge, Betriebsnummer, Anzahl der Laktationen, Kalbedatum, Lahm-heitsbeurteilungen, Klauenbefunde und die je-weilige Rasse verwendet. Die Kühe waren in 5 verschiedene Lahmheitsgruppen (siehe oben) eingeteilt worden.


35

Abb. 3: Ergebnisse der mittleren Verzögerungszeit (Tage) eingeteilt nach Lahmheitsgruppen; *: signifikante bzw. ns: nicht signifikante Unterschiede zur Gruppe der nie lahmen Kühe, aber tendenziell verlängert.

Abb. 4: Ergebnisse der mittleren Zwischenkalbezeit (Tage) eingeteilt nach Lahmheitsgruppen; *: signifikante bzw. ns: nicht signifikante Unterschiede zur Gruppe der nie lahmen Kühe.

Abb. 5: Ergebnisse der mittleren Zwischenkalbezeit für Kühe, die in den ersten 100 Tagen in Milch (DIM) nicht lahm bzw. lahm waren; *: signifikante bzw. ns: nicht signifikante Unterschiede zur Gruppe der nie lahmen Kühe.

Abb. 6: Ergebnisse der Non-Return-Rate 56 aller Kühe eingeteilt nach Lahmheitsgruppen; Gruppen mit unterschiedlichen Buchstaben unterscheiden sich signifikant in Bezug auf die NR 56.

Abb. 7: Ergebnisse des Erstbesamungserfolges aller Kühe eingeteilt nach Lahmheitsgruppen; Gruppen mit unter-schiedlichen Buchstaben in % unterscheiden sich signifi-kant in Bezug auf den Erstbesamungserfolg.

Abb. 8: Darstellung der mittleren Milchleistung in kg (305-Tage Laktation) bezogen auf die Lahmheits-gruppen 0 (nie lahm) bis 4 (hgr. lahm) der Rassen FV, HF und BV. Es bestanden keine signifikanten Unter-schiede zwischen den Lahmheitsgruppen, jedoch ein eindeutiger Trend im Vergleich der Lahmheitsgruppe 0 und 1 zur Gruppe 4; hier betrug die Differenz im Mittel -234 kg Milch (min. 125 – max. 470 kg).

Abb. 9: Darstellung der mittleren Eiweißleistung in kg (305-Tage Laktation) bezogen auf die Lahmheitsgruppen 0 (nie lahm) bis 4 (hgr. lahm) der Rassen FV, HF und BV. Signifi-kante Unterschiede zeigten sich bei FV-Kühen zwischen der Lahmheitsgruppe 0 und 4 (-10 kg), und hochsignifikante Un-terschiede bei HF-Kühen zwischen den Lahmheitsgruppen 0, 1, 2 und der Gruppe 4 (-23 kg). BV-Kühe zeigten keine signi-fikanten Unterschiede, Kühe mit LSC ≥2 produzierten jedoch weniger Eiweiß (- 8 kg).


36

Die Auswertung der Daten erfolgte mit der Prozedur GLM der SAS Software. Zusätzlich wurden mit den Klasseneffekten dieser Kova-rianzanalysen paarweise Mittelwertvergleiche mittels des in der Prozedur GLM implemen-tierten Tukey-Kramer-Testverfahren durchge-führt. Mittels dreier statistischer Modelle (un-ter Berücksichtigung von Rasse, Betrieb, Laktationsnummer, Tagen in Milch, Effekt des Abkalbedatums, fixer Effekt der Lahmheits-grupppe 0–4 und Regressionskoeffizient) konnten den Kühen in den einzelnen Lahm-heitsgruppen ihre berechnete Milch-, Eiweiß- und Fettleistung zugeordnet werden. Diese Kalkulationen wurden sowohl gemeinsam für alle Rassen unter Berücksichtigung des Ras-seneffekts als auch für jede einzelne Rasse (FV, HF, BV) separat durchgeführt.

Es ergaben sich hochsignifikante Unterschiede (p<0,001) im Gesamtmodell für die Milch- und Eiweißleistung zwischen allen 3 Rassen, zwischen einzelnen Betrieben, zwischen den Laktationsnummern und nach Anzahl Melkta-gen. Bezogen auf alle 3 Rassen zusammen lie-ßen sich zudem signifikante Unterschiede (p<0,05) bei der Milchleistung (305-Tage Laktation) zwischen den Lahmheitsgruppen 1 (kaum lahm) und 4 (hochgradig lahm) nach-weisen, Kühe in der Gruppe 4 produzierten im Mittel 234 kg Milch weniger (min. 124 kg; max. 470 kg). Auch die Kühe in den Lahm-heitsgruppen 0, 2 und 3 (nie lahm, gering- bzw. mittelgradig lahm) wiesen tendenziell ei-ne höhere Milchleistung auf im Vergleich zu hochgradig lahmen Kühen, allerdings ohne sta-tistische Signifikanz. Bei Analyse innerhalb der einzelnen Rassen waren jedoch nur Trends in Richtung einer verminderten Milchleistung bei mittel- und hochgradig lahmen Kühen fest-stellbar ohne statistische Signifikanz (Abb. 8). Bei der Eiweißleistung (305-Tage Laktation) bezogen auf alle Rassen zusammen, ergaben sich signifikante Unterschiede zwischen den Kühen der Lahmheitsgruppen 0 bis 3 und je-nen der Gruppe 4, hochgradig lahme Kühe produzierten signifikant weniger Eiweiß (bis -13 kg). Bei FV-Kühen zeigten sich signifikan-te Unterschiede in der Eiweißleistung zwi-schen Kühen der Lahmheitsgruppe 0 und jenen der Gruppe 4 (-10 kg) (289 kg vs. 279 kg Ge-samtleistung pro 305-Tage Laktation). Die

Milcheiweißleistung war bei HF-Kühen in der Lahmheitsgruppe 4 (193 kg Gesamtleistung pro 305-Tage Laktation) signifikant reduziert verglichen mit jener der Kühe in den Lahm-heitsgruppen 0 (-23 kg), 1 (-25 kg) und 2 (-22 kg) (Abb. 9). In der Fettleistung (305-Tage Laktation) lagen zwar hoch signifikante Unterschiede (p<0.001) zwischen den Rassen vor mit der höchsten Leistung bei HF-Kühen gefolgt von FV- und BV-Kühen. Bezogen auf die Lahmheitsgrup-pen konnten jedoch innerhalb der jeweiligen Rasse keine signifikanten Unterschiede (p<0.05) festgestellt werden. Tendenziell war jedoch die Fettleistung bei nicht bzw. gering lahmen Kühen höher als bei mittel- und hoch-gradig lahmen Kühen mit Unterschieden von 3 – 18 kg Fett. Die Auswertung der Ergebnisse der Milch-, Eiweiß- und Fettleistung (305-Tage Laktation) in Bezug auf die Klauendiag-nosegruppen 1 bis 4 zeigte keine signifikanten Unterschiede bzw. Trends auf.

Die Ergebnisse dieser Studie zeigen, dass v.a. hochgradige und länger dauernde Lahmheiten (Lahmheitsgruppe 4) einen signifikant negati-ven Einfluss auf die Milchleistung hatten. Ebenso wurde nachgewiesen, dass eine hoch-gradige Lahmheit mit einer signifikanten Ab-senkung des Milcheiweißgehaltes einhergeht. Die Auswertung zeigte aber auch widersprüch-liche Ergebnisse wie z.B. dass mittelgradig lahme FV-Kühe (Lahmheitsgruppe 3) deutlich höhere Milch- bzw. auch Eiweißleistungen (Abb. 8, 9) erzielten als nicht lahme Kühe. Da-für gibt es mehrere Erklärungen, eine liegt vermutlich darin begründet, dass die Anzahl der FV-Kühe in der Lahmheitsgruppe 3 sehr viel kleiner war als in den anderen 4 Lahm-heitsgruppen, wodurch sich eine statistische Unschärfe ergeben kann. Andererseits ließe sich auch schlussfolgern, dass hoch- und höchstleistende Tiere anfälliger für Klauener-krankungen sind. Ähnlich unerwartete Resulta-te wurden auch in anderen Studien berichtet (Lucey et al. 1986; Barkema et al. 1994; Green et al. 2002): lahme Kühe produzierten im Mit-tel um bis zu 342 kg (305-Tage Gesamtlaktati-on) mehr Milch verglichen mit niemals lahmen Kühen (Green et al. 2002). Diese Autoren ka-men zum Schluss, dass Kühe mit sehr hohen Milchleistungen ein erhöhtes Risiko für Keto-


37

se, Pansenazidose und somit eben auch für Lahmheiten zeigen (Nocek 1997; Rajala-Schlutz et al. 1999; Kofler & Gasteiner 2002). Auf jeden Fall muss man aus diesen Beobach-tungen ableiten, dass hochlaktierende Kühe beste Bedingungen bezüglich Kuhkomfort, Fütterung, Hygiene und effiziente Betreuung benötigen (Cook & Nordlund 2009; Von Key-serlingk et al. 2012), um gesund zu bleiben. Schlussbetrachtungen Im Rahmen des Projektes „Efficient Cow“ konnten die Betriebs- und Gesundheitsdaten von bis zu 166 Betrieben aus ganz Österreich ausgewertet werden. Dies ist zum Einem ein großer Vorteil, da sich dadurch große Tierzah-len und große Datenmengen pro Parameter er-geben. Zum anderen können sich Daten aus bis zu 166 verschiedenen Betreiben, die zudem noch von vielen verschiedenen Personen erho-ben wurden, jedoch auch nachteilig in der Da-tenanalyse auswirken, da es nur mit Ein-schränkungen möglich ist mit Hilfe statisti-scher Methoden die enorme Heterogenität be-triebsspezifischer Faktoren von 166 Betrieben zu berücksichtigen (Crawley 2015). Diese Ausgangslage (retrospektive Analyse vieler verschiedener Daten durch viele Einzelperso-nen aus bis zu 166 Betreiben) muss bei der In-terpretation der Resultate zu den Auswirkun-gen von Lahmheit auf Fruchtbarkeit und Milchleistung berücksichtigt werden. Trotzdem konnte die Auswertung der Daten aus dem Projekt „Efficient Cow“ deutlich zei-gen, dass die Klauengesundheit einen großen Einfluss auf die Entwicklung und Produktivität der Milchkühe hat (Guggenbichler 2016, Dourakas 2016). Die Analysen geben klare Hinweise, dass beim Thema Klauengesundheit in österreichischen Milchviehbetrieben z.T. noch großer Verbesserungsbedarf und noch großes Potential zur Effizienzsteigerung gege-ben ist. Dies zeigte sich vor allem bei den viel zu hohen Lahmheitshäufigkeiten in vielen Be-trieben mit einer mittleren Häufigkeitsquote von 50% sowie einer mittleren Häufigkeit hochgradig lahmer Kühe von 7,9% in den Herden, was ja bedeutet, dass in einzelnen Herden diese Werte noch deutlich höher wa-

ren. Bezogen auf den Zeitraum der ersten 100 Tage in Milch (DIM), welcher bezüglich Milchleistung und Fruchtbarkeit entscheidend für den Produktionserfolg ist (Whay et al. 1997; Wiedenhöft 2005; Bicalho et al. 2007; Chiozza-Logrono et al. 2015; Somers et al. 2015), zeigten 27% der BV-, 31% der FV- und 40% der HF-Kühe eine oder mehrere Lahm-heitsepisoden während dieser kritischen Perio-de. In gut geführten Betrieben gilt eine Lahm-heitshäufigkeit von < 10% pro Jahr als Norm, und es sollte keine Kühe mit hochgradiger Lahmheit geben (EFSA 2009). Die Verbesserung der Klauengesundheit kann v.a. kurz- und mittelfristig durch optimierte Haltung (hoher Komfort der Liege- und Lauf-flächen, Hygieneverbesserung, Stressredukti-on, optimierte Fütterung), durch wöchentliche Lahmheitskontrolle seitens des darin geschul-ten Landwirtes, durch sofortige Untersuchung und fachgerechte Behandlung auch geringgra-dig lahmer Tiere durch ausgebildete Personen, durch 2 – 3 mal jährliche Herden-Klauenpflege (vorbeugend) sowie durch regelmäßige elekt-ronische Dokumentation der Klauendaten bei jeder Klauenpflege erreicht werden (Manske et al. 2002; Cook & Nordlund 2009; Cramer et al. 2009; Von Keyserlingk et al. 2012; Kofler et al. 2013; Groenevelt et al. 2014; Ito et al. 2014; De Vries et al. 2015; Kofler & Pesen-hofer 2015; Thomas et al. 2015). Daneben muss die Verwertung elektronisch dokumen-tierter Klauendaten für nationale Zuchtorgani-sationen ein anzustrebendes Ziel sein (Köck et al. 2010; Hayes et al. 2013; Pérez-Cabal & Charfeddine 2015), um die Klauengesundheit der Kühe längerfristig auch züchterisch ver-bessern zu können.


38

Literatur Alawneh JI, Laven RA, Stevenson MA. 2011. The effect

of lameness on the fertility of dairy cattle in a sea-sonally breeding pasture-based system. J Dairy Sci 94(11):5487-5493.

Amory J, Barker Z, Wright J, Mason S, Blowey R, Green L. 2008. Associations between sole ulcer, white line disease and digital dermatitis and the milk yield of 1824 dairy cows on 30 dairy cow farms in England and Wales from February 2003-November 2004. Prev Vet Med 83(3-4):381–391.

Archer S, Green M, Huxley J. 2011. Association be-tween milk yield and serial locomotion score as-sessments in UK dairy cows. J Dairy Sci 93(9):4045–4053.

Barkema H, Westrik J, Van Keulen K, Schukken Y, Brand A. 1994. The effects of lameness on reproduc-tive performance, milk production and culling in Dutch dairy farms. Prev Vet Med 20(4):249–259.

Becker J, Steiner A, Kohler S, Koller-Bähler A, Wüth-rich M, Reist M. 2014a. Lameness and foot lesions in Swiss dairy cows: I. Prevalence. Schweiz Archiv Tierheilk 156(2):71-78.

Becker J, Steiner A, Kohler S, Koller-Bähler A, Wüth-rich M, Reist M. 2014b. Lameness and foot lesions in Swiss dairy cows: II. Risk factors. Schweiz Archiv Tierheilk 156(2):79-89.

Bicalho RC, Vokey F, Erb HN, Guard C. 2007. Visual locomotion scoring in the first seventy days in milk: Impact on pregnancy and survival. J Dairy Sci 90(10):4586-4591.

Bicalho R, Warnick L, Guard C. 2008. Strategies to ana-lyze milk losses caused by diseases with potential in-cidence throughout the lactation: a lameness exam-ple. J Dairy Sci 91(7):2653–2661.

Bruijnis M, Hogeveen H, Stassen E. 2010. Assessing economic consequences of foot disorders in dairy cattle using a dynamic stochastic simulation model. J Dairy Sci 93(6):2419–2432.

Bruijnis, M.R.N., Beerda, B., Hogeveen, H., Stassen, E.N. 2012. Assessing the welfare impact of foot dis-orders in dairy cattle by a modeling approach. Ani-mal 6:962–970.

Cha E, Hertl JA, Bar D, Grohn YT. 2010. The cost of different types of lameness in dairy cows calculated by dynamic programming. Prev Vet Med 97(1):1-8.

Chapinal N, Von Keyserlingk MAG, Cerri RLA, Ito K, LeBlanc SJ, Weary DM. 2013. Short communica-tion: Herd-level reproductive performance and its re-lationship with lameness and leg injuries in freestall dairy herds in the northeastern United States. J Dairy Sci 96(11):7066-7072.

Chiozza Logroño J, Corva SG, Rearte R, Dominguez GA, Madoz LV, Giuliodori MJ, De la Sota RL. 2015. Impact of lameness on reproductive perfor-mance of grazing dairy cows. Proceedings 18th In-ternational Symposium & 10th Conference on Lameness in Ruminants, Chile, p. 166.

Cook N, Nordlund K. 2009. The influence of the envi-ronment on dairy cow behavior, claw health and herd lameness dynamics. Vet J 179:360–369.

Coulon J, Lescourret F, Fonty A. 1996. Effect of foot lesions on milk production by dairy cows. J Dairy Sci 79(1):44–49.

Cramer G, Lissemore K, Guard C, Leslie K, Kelton D. 2009. Herd-level risk factors for seven different foot lesions in Ontario Holstein cattle housed in tie stalls or free stalls. J Dairy Sci 92(4):1404-1411.

Crawley MJ. 2015. Statistics – An introduction using R. 2nd ed.,Wiley, Chichester, UK.

De Vries M, Bokkers E, van Reenen C, Engel B, van Schaik G, Dijkstra T, de Boer I. 2015. Housing and management factors associated with indicators of dairy cattle welfare. Prev Vet Med 118(1):80-92.

Dippel S, Dolezal C, Brenninkmeyer C, Brinkmann J, March S, Knierim U, Winckler C. 2009a. Risk fac-tors for lameness in freestall-housed dairy cows across two breeds, farming systems, and countries. J Dairy Sci 92(11):5476–5486.

Dippel S, Dolezal M, Brenninkmeyer C, Brinkmann J, March S, Knierim U, Winckler C. 2009b. Risk fac-tors for lameness in cubicle housed Austrian Sim-mental dairy cows. Prev Vet Med 90(1-2):102-112.

Dourakas ME. 2016. Auswirkung von Lahmheit und Klauenläsion auf die Milchleistung von Milchrindern in Österreich. Diplomarbeit Veterinärmedizin, Vet-meduni Wien.

EFSA 2009. Scientific opinion on welfare of dairy cows in relation to leg and locomotion problems based on a risk assessment with special reference to the impact of housing, feeding, management and genetic selec-tion. The EFSA Journal 2009: 1142, 1-57. http://www.efsa.europa.eu/en/efsajournal/doc/1142.pdf; Zugriff 14.02.2017.

Feldmann M, Mansfeld R, Hoedemaker M, De Kruif A. 2014. Gliedmaßengesundheit. In: De Kruif A, Mans-feld R, Hoedemaker M, Hrsg. Tierärztliche Be-standsbetreuung beim Milchrind. 3. Aufl. Stuttgart, Enke, 198-221.

Garbarino EJ, Hernandez JA, Shearer JK, Risco CA, Thatcher WW. 2004. Effect of lameness on ovarian activity in postpartum Holstein cows. J Dairy Sci 87(12):4123-4131.

González L, Tolkamp B, Coffey M, Ferret A, Kyriazakis I. 2008. Changes in feeding behavior as possible in-dicators for the automatic monitoring of health dis-orders in dairy cows. J Dairy Sci 91(3):1017–1028.

Gossen N, Fietze S, Mösenfechtel S, Hoedemaker M. 2006. Relationship between body condition (back fat thickness and body condition scoring) and fertility in dairy cows. Deutsch Tierärztl Wschr 113(5):171-177.

Green L, Hedges V, Schukken Y, Blowey R, Packington A. 2002. The impact of clinical lameness on the milk yield of dairy cows. J Dairy Sci 85(9):2250–2256.


39

Green L, Borkert J, Monti G, Tadich N. 2010. Associa-tions between lesions-specific lameness and the milk yield of 1635 dairy cows from seven herds in the Xth region of Chile and implications for management of lame dairy cows worldwide. Animal Welfare 19:419–427.

Groenevelt M, Main DCJ, Tisdall D, Knowles TG, Bell NJ. 2014. Measuring the response to therapeutic foot trimming in dairy cows with fortnightly lameness scoring. Vet J 201:283-288.

Guggenbichler S. 2016. Auswirkung von Lahmheit und Klauenläsion auf die Fruchtbarkeit von Milchrindern in Österreich. Diplomarbeit Veterinärmedizin, Vet-meduni Wien.

Hayes B, Lewin H, Goddard M. 2013. The future of livestock breeding: genomic selection for efficiency, reduced emissions intensity, and adaptation. Trends in Genetics 29(4):206-214.

Hultgren J, Manske T, Bergsten C. 2004. Associations of sole ulcer at claw trimming with reproductive per-formance, udder health, milk yield, and culling in Swedish dairy cattle. Prev Vet Med 62(4):233-251.

Huxley J. 2012. Lameness in cattle: An ongoing con-cern. Vet J 193(3):610–611.

Ito K, Chapinal N, Weary D, von Keyserlingk M. 2014. Associations between herd-level factors and lying behavior of freestall-housed dairy cows. J Dairy Sci 97(4):2081-2089.

Juarez S, Robinson P, DePeters E, Price E. 2003. Im-pact of lameness on behavior and productivity of lac-tating Holstein cows. Applied Animal Behav Sci 83(1):1–14.

Keplinger J, Rinner D, Kofler J. 2013. Evaluierung der Klauengesundheit von Mutterkühen in Österreich mit Hilfe eines digitalen Dokumentationsprogrammes. Wien Tierärztl Mschr 100:115-126.

Köck A, Egger-Danner C, Fürst C, Obritzhauser W, Fürst-Waltl B. 2010. Genetic analysis of reproduc-tive disorders and their relationship to fertility & milk yield in Austrian Fleckvieh dual-purpose cows. J Dairy Sci 93:2185–94.

Kofler J, Gasteiner J. 2002. Klauenrehe – Die wichtigste Klauenerkrankung unserer Milchrinder. Der fort-schrittliche Landwirt 8:27-37.

Kofler J, Pesenhofer R, Landl G, Sommerfeld-Stur I, Peham C. 2013. Langzeitkontrolle der Klauen-gesundheit von Milchkühen in 15 Herden mithilfe des Klauenmanagers und digitaler Kennzahlen. Tier-ärztl Prax 41:31–44.

Kofler J, Pesenhofer R. 2015. Monitoring der Klauen-gesundheit in Milchviehherden mittels kontinuierli-cher elektronischer Dokumentation von Klauenbe-funden bei jeder Herdenpflege. Tierärztl Umsch 70:199–207.

Leach KA, Whay HR, Maggs CM, Barker ZE, Paul ES, Bell AK, Main DCJ. 2010. Working towards a re-duction in cattle lameness: 1. Understanding barriers to lameness control in dairy farms. Res Vet Sci 89:311-317.

Lucey S, Rowlands GJ, Russell AM. 1986. The associa-tion between lameness and fertility in dairy cows. Vet Rec 118(23):628-631.

Manske T, Hultgren J, Bergsten C. 2002. The effect of claw trimming on the hoof health of Swedish dairy cattle. Prev Vet Med 54(2):113-129.

Melendez P, Bartolome J, Archbald LF, Donovan A. 2003. The association between lameness, ovarian cysts and fertility in lactating dairy cows. Theri-ogenology 59:927-937.

Morris M, Kaneko K, Walker S, Jones D, et al. 2011. Influence of lameness on follicular growth, ovula-tion, reproductive hormone concentrations and estrus behavior in dairy cows. Theriogenology 76:658–668.

Nocek JE. 1997. Bovine acidosis: implications on lami-nitis. J Dairy Sci 80(5):1005-1028.

Olechnowicz J, Jaskowski J. 2012. Relationship be-tween clinical lameness and somatic cell counts, and fat and protein contents in the milk of dairy cows. Medycyna Weterynaryjna 68(12):740–743.

Pavlenko A, Bergsten C, Ekesbo I, Kaart T, Aland A, Lidfors L. 2011. Influence of digital dermatitis and sole ulcer on dairy cow behaviour and milk produc-tion. Animal 5(8):1259–1269.

Pérez-Cabal MA, Alenda R. 2014. Clinical lameness and risk factors in a Spanish Holstein population. Livestock Sci 164:168–174.

Pérez-Cabal MA, Charfeddine N. 2015. Models for ge-netic evaluations of claw health traits in Spanish dairy cattle. J Dairy Sci 98:8186–8194.

Rajala-Schultz P, Gröhn Y, McCulloch C. 1999. Effects of milk fever, ketosis, and lameness on milk yield in dairy cows. J Dairy Sci 82(2):288–294.

Reader J, Green M, Kaler J, Mason S, Green L. 2011. Effect of mobility score on milk yield and activity in dairy cattle. J Dairy Sci 94(10):5045–5052.

Rouha-Mülleder C, Iben C, Wagner E, Laaha G, Troxler J, Waiblinger S. 2009. Relative importance of fac-tors influencing the prevalence of lameness in Aus-trian cubicle loose-housed dairy cows. Prev Vet Med 92:123–133.

Schönwälder KS. 2013. Untersuchungen zum Trächtig-keitsverlust zwischen zwei Terminen der Trächtig-keitsuntersuchung bei Milchkühen. Dissertation Ve-terinärmedizin, Fachbereich Veterinärmedizin der Justus-Liebig-Universität Gießen.

Sogstad Å, Østerås O, Fjeldaas T, Refsdal A. 2007. Bo-vine claw and limb disorders at claw trimming relat-ed to milk yield. J Dairy Sci 90:87–95.

Somers JR, Huxley J, Lorenz I, Doherty ML, O’Grady L. 2015. The effect of lameness before and during the breeding season on fertility in 10 pasture-based Irish dairy herds. Irish Vet J 68(1):14. DOI 10.1186/s13620-015-0043-4 (Zugriff: 10.02.2017).

Sprecher D, Hostetler D, Kaneene J. 1997. A lameness scoring system that uses posture and gait to predict dairy cattle reproductive performance. Theriogeno-logy 47(6):1179–1187.


40

Steininger F. 2015. Der effizienten Kuh auf der Spur. In: Projektvorstellung “Efficient-Cow". Abstracts Win-tertagung des ökosozialen Forums. Aigen im Enn-stal, 16-18.

Thomas HJ, Miguel-Pacheco GG, Bollard NJ, Archer SC, Bell NJ, Mason C, Maxwell OJR, Remnant JG, Sleeman P, Whay HR, Huxley JN. 2015. Evaluation of treatments for claw horn lesions in dairy cows in a randomized controlled trial. J Dairy Sci 98:4477–4486.

Von Keyserlingk, M.A.G., Barrientos, A., Ito, K., Galo, E., Weary, D.M., 2012. Benchmarking cow comfort on North American freestall dairies: Lameness, leg injuries, lying time, facility design, and management for high-producing Holstein dairy cows. J Dairy Sci 95:7399-7408.

Walker SL, Smith RF, Jones DN, Routly JE, Morris MJ, Dobson H. 2010. The effect of a chronic stressor, lameness, on detailed sexual behavior and hormonal profiles in milk and plasma of dairy cattle. Repro-duction Domestic Animals 45(1):109-117.

Warnick L, Janssen D, Guard C, Gröhn Y. 2001. The effect of lameness on milk production in dairy cows. J Dairy Sci 84(9):1988–1997.

Whay HR, Waterman AE, Webster AJF 1997. Associa-tions between locomotion, claw lesions and nocicep-tive threshold in dairy heifers during the peri-partum period. Vet J 154:155-161.

Whay HR, Barker ZE, Leach KA, Main DCJ. 2012. Promoting farmer engagement and activity in the control of dairy cattle lameness. Vet J 193:617–621.

Wiedenhöft D. 2005. Einfluss von Lahmheiten auf die Fruchtbarkeitsleistung von Milchkühen. Dissertation Veterinärmedizin, Tierärztliche Hochschule Hanno-ver.

Willshire JA, Bell NJ. 2009. An economic review of cattle lameness. Cattle Pract 17(2):136-141.

ZAR 2014. Efficient Cow - Analyse und Optimierung der Produktionseffizienz und der Umweltwirkung in der österreichischen Rinderwirtschaft. https://www.zar.at/Projekte/Efficient-Cow.html (Zugriff: 14.02.2017).

Zuchtdata Jahresbericht 2016. https://www.zar.at/ Zahlen-Fakten/Jahresberichte/ZuchtData_ Jahresberichte.html. (Zugriff: 14.02.2017).

ZAR-Seminar 2017 Tiefenthaller – Stoffwechselstörungen frühzeitig erkennen und vermeiden

41

Stoffwechselstörungen frühzeitig erkennen und vermeiden

Franz Tiefenthaller

In der Fütterung von Milchkühen spielt das Vorhandensein von Stoffwechselstörungen ei-ne nicht unwesentliche Rolle für den Milch-viehhalter. Ursache verschiedener Stoffwech-selprobleme sind oftmals Fehler in der Fütte-rung. Diese führen in weiterer Folge auch zu Abgängen aus der Herde. 2015 waren 3% aller Abgänge auf Probleme im Stoffwechsel zu-rückzuführen (Jahresbericht ZuchtData 2015). Am wenigsten betroffen war die Rasse Grau-vieh mit 0,4%, die meisten Abgänge waren bei Holstein-Kühen mit 4,8% zu verzeichnen. Der Zusammenhang mit der Höhe der Milchleis-tung gilt als gesichert. Stoffwechselstörungen umfassen eine Vielzahl von Krankheitsbildern. Folgende Einteilung wird in der Literatur getroffen (ULBRICH und Ma., 2004): • Stoffwechselstörungen durch Dysfunktio-

nen des Pansens: o Metabolische Azidose (Laktatazidose) o Metabolische Alkalose o Cerebrocorticalnekrose (CCN)

• Stoffwechselstörungen durch Fütterungs-regimes mit abweichender Bedarfsdeckung o Ketose (Azetonämie) o Fettlebersyndrom (Lipomobilisations-

syndrom) o Milchfettmangelsyndrom

• Spezielle Stoffwechselstörungen durch Mangel an Mineralstoffen und Vitaminen o Hypomagnesämie o Festliegen im geburtsnahen Zeitraum o Osteopathien o Oxidativer Stress

Im Folgenden soll auf den Themenkomplex Ketose und Fettlebersyndrom genauer einge-gangen werden. Ketose tritt bei Wiederkäuern auf, wenn der Energiebedarf des Tieres – speziell nach dem Abkalben – nicht durch die Energieaufnahme gedeckt werden kann. Zur Abdeckung des ho-

hen Energiebedarfes werden Körperreserven mobilisiert. Zuerst werden die Kohlenhydratre-serven verbraucht, in weiterer Folge wird Kör-perfett und auch Muskelmasse abgebaut und für die Bereitstellung der notwendigen Energie verwendet. Zur Verbrennung dieser Abbau-produkte ist Glukose im richtigen Verhältnis notwendig, damit sie an der Bildung von Ace-tyl-CoA und dessen Funktion im Zitronensäu-rezyklus verwendet werden können. Wenn Glucose aber in diesem Stadium nicht ausrei-chend vorhanden ist –was in der Phase nach der Geburt häufig der Fall ist – werden im Stoffwechsel unter Einfluss von Glukagon Ke-tonkörper angehäuft. Propionsäure aus dem Pansen bildet die Basis für etwa 50% der ge-bildeten Glukose im Wege der Glukoneogene-se. Kennzeichen einer Ketose Ketose äußerst sich in mehreren Anzeichen und ist so in der akuten Form leicht, in ihrer subakuten Form aber oft eher schwer zu er-kennen. • Anstieg der Ketonkörper (Azetessigsäure,

β-Hydroxybuttersäure, Azeton) im Blut • Ausscheidung der Ketonkörper mit Harn,

Milch und Atemluft • Anstieg der unveresterten freien Fettsäuren

im Blut (NEFA) um das 3- bis 5fache • Veränderung des Blutglucosegehaltes • Senkung des Glykogengehaltes in der Le-

ber • Erhöhung des Fettgehaltes in der Leber • Erhöhte Bilirubingehalte im Blutserum • Senkung des Blut-pH-Wertes Bei Milchkühen sind besonders Tiere bis zur vierten Laktation in den ersten vier Wochen nach dem Abkalben betroffen. Bei Kühen, die mit Zwillingen trächtig sind, kann bereits etwa


42

sechs Wochen vor dem Kalbetermin Ketose auftreten. Ketose wird oftmals nicht erkannt, man spricht in diesem Zusammenhang von subklinischer Ketose. Die Tiere nehmen weni-ger Futter auf, dadurch ist die Milchleistung niedriger als genetisch möglich, der Milchfett-gehalt ist erhöht, der Milcheiweißgehalt jedoch gesenkt. Klinische Ketose äußert sich mit Schwer-atmigkeit, zentralnervösen Störungen, auch Festliegen und abruptem Abfall der Milchleis-tung. Hält dieser Zustand über längere Zeit an, magern die Tiere stark ab. Die im Stoffwechsel gebildeten Ketonkörper sind in Blut, Harn und Milch nachweisbar. Die Atemluft ketotischer Tiere riecht durch Azeton, obstartig oder leicht nach Essig. Teilweise sind die Tiere sehr ner-vös, erregt, haben Muskelzittern und zeigen taumelnden Gang. Ursachen der Ketose a) Fehler beim Rationstyp und bei der

Futtermittelstruktur

Enthalten Futtermittel erhöhte Gehalte an But-tersäure, so wird diese über die Pansen-schleimhaut resorbiert und in Ketonkörper überführt. Ab etwa ein Kilogramm Trocken-substanz pro 100 kg Körpergewicht ist davon auszugehen, dass Mengen an Buttersäure auf-genommen werden, die Ketose bedingen oder verstärken. Besonders in Österreich enthalten die Grassilagen sehr hohe Gehalte an Butter-säure. Im LK-Silageprojekt 2003/2005/2007/2009 enthielten Grassilagen aus ganz Österreich durchschnittlich 11,3 Gramm je kg Trockenmasse. Der Gehalt sollte jedoch unter 3 g/kg TM liegen. Auch im aktu-ellen LK-Silageprojekt 2016 lagen wiederum 69% aller Silagen über diesem Grenzwert. b) Gestörte Energiebilanz

Eine gestörte Energiebilanz kann mehrere Ur-sachen haben. Zum einen kann der Energiebe-darf durch schlechte Futterqualitäten oder Fut-termangel nicht gedeckt werden. Futtermangel ist in der Praxis kaum mehr anzutreffen jedoch stellen unzureichende Futterqualitäten immer wieder ein Problem dar. Von Grundfutter

schlechterer Qualität wird nachweislich weni-ger gefressen. Damit kann der Energiebedarf des Tieres in Phasen höheren Energiebedarfes nicht mehr ausreichend gedeckt werden. Die fehlende Energie wird durch Mobilisation von Körperfett ergänzt. Es kommt zu einer soge-nannten spontanen, primären oder „Hungerke-tose“. Zum anderen kann besonders in der Phase ho-hen Energiebedarfes dieser durch die begrenzte Futteraufnahme nicht gedeckt werden. Auch hier wird Körperfett mobilisiert, erhöhte Ge-halte an freien Fettsäuren und Ketonkörpern sind im Blut und in der Leber feststellbar. Die-se üben zusätzlich eine hemmende Wirkung auf die Futteraufnahme aus. Hochleistende Kühe verlieren dann an Körpergewicht (50 bis 80 kg). Die freien Fettsäuren werden zum Teil direkt zur Synthese von Milchfett genutzt, der Milchfettgehalt steigt über 5% an. Gleichzeitig sinkt der Milcheiweißgehalt unter die kritische Marke von 3,2% ab. Im weiteren Laktations-verlauf wird mit fallender Milchleistung die Energiebilanz wieder positiv und Energiere-serven können angelegt werden. Es ist jedoch danach zu trachten, dass keine über die Maßen hohe Einlagerung von Körperfett durch ein Überangebot an Energie eintritt. Dadurch ver-lieren die Tiere die Fähigkeit zur Glukoseauf-nahme in die Muskelzellen (Glukoseintole-ranz). Der Blutinsulinspiegel ist dauerhaft hoch (Hyperinsulinämie), die Leber verliert die Empfindlichkeit gegenüber Insulin (Insulinre-sistenz). Solche Stoffwechselentgleisungen wurden auch bei Kalbinnen nachgewiesen. Sie bilden die Basis für eine Ketose des Typs II, die aufgrund zu hoher Energieversorgung zum Laktationsende bzw. bei Kalbinnen im letzten halben Jahr vor der ersten Abkalbung verur-sacht wird. Zirka vier Wochen vor dem Geburtstermin wechselt hormonell gesteuert die Stoffwech-selsituation in eine katabole Lage. Die eingela-gerten Körperreserven werden vermehrt für das Wachstum des Kalbes und den Euterauf-bau verwendet. Die Futteraufnahme geht lau-fend zurück, langsam beginnt die Mobilisation von Fettgewebe. Schon vor dem Kalben kann in den letzten Trächtigkeitswochen Ketose auf-treten.


43

c) Fettlebersyndrom Durch eine Überkonditionierung im letzten Laktationsdrittel bzw. bereits als Jungtier, werden Reservestoffe als Fettdepots auch in der Leber angelegt (primäre Fettleber). Durch eine gestörte Energiebilanz unter Stress kann sich eine sekundäre Fettleber entwickeln (Lip-omobilisationssyndrom). Hierbei werden vor-wiegend Triglyceride in der Leber und in der Skelettmuskulatur eingelagert. Zur Bestim-mung des Verfettungsgrades kann die Rücken-fettdicke verwendet werden. Einen verlässli-chen Blutparameter zur Bestimmung der Le-berverfettung gibt es leider nicht. Vorbeuge gegen Ketose und Fett-lebersyndrom Kernpunkt der Bemühungen um eine Vorbeu-ge gegen Ketose ist die bedarfsgerechte Ener-gie- und Nährstoffversorgung der Milchkühe in den jeweiligen Leistungsphasen. Besonderes Augenmerk ist auf die Transitphase, drei Wo-chen vor bis etwa fünf Wochen nach der Ge-burt, zu legen. Hierbei ist auf eine korrekte Vorbereitungsfütterung (drei Wochen vor bis zum Kalben) zu achten. Nach dem Abkalben muss die Futteraufnahme möglichst rasch ge-steigert werden, dazu sind Futtermittel mit gu-ten Verzehreigenschaften bereit zu stellen. Al-le Maßnahmen, die die Steigerung der Fut-teraufnahme unterstützen und damit den Ab-bau von Körperfett minimieren, sind zu ergrei-fen. Der Herstellung energiereicher, schmack-hafter, verschmutzungsfreier Grundfutter bzw. Grundfutterkonserven (Heu, Silage) kommt eine Schlüsselrolle zu, bei der Grassilageberei-tung ist auf möglichst niedrige Buttersäuregeh-alte zu achten. In den letzten Jahren hat sich auch der Einsatz von sogenannten glukoplasti-schen Substanzen in der Praxis stark verbreitet. Diese erhöhen den Glukosegehalt im Blut und vermindern somit die Wirkung von Ketonkör-pern. Auch die Gabe von Zusatzstoffen, die den Stoffwechsel der Tiere unterstützen z.B. pansengeschütztes Fett, ist in den ersten Wo-chen nach dem Abkalben hilfreich. Auf eine ausreichende Versorgung mit Vitaminen und Spurenelementen ist ebenfalls zu achten. Dar-über hinaus kann Bewegung die Körperkondi-tion und auch den Abbau von Ketonkörpern positiv beeinflussen.

Bestandsüberwachung Ketose tritt in der subklinischen Form oft un-erkannt auf. Besonders in diesem Stadium könnten negative Folgen und ein Verschlim-mern des Energiedefizites verhindert werden, vorausgesetzt, die subklinische Form wird er-kannt. Folgende Möglichkeiten zur Erkennung von subklinischer und klinischer Ketose stehen zur Verfügung. Zu Laktationsbeginn tritt Appetit-verlust ein, der zuerst das Kraftfutter, in weite-rer Folge aber auch das Grundfutter betrifft. Dadurch bedingt kommt es zu einem starken Rückgang der Milchleistung und zum Verlust an Körpergewicht. Der Kot wird fester und dunkler. Die Atemfrequenz ist erhöht, die Atemluft riecht nach Azeton. Der Laktosege-halt der Milch bleibt nahezu konstant bei etwa 4,8%, der Milchfettgehalt steigt an, der Milch-eiweißgehalt hingegen fällt ab, sodass ein er-höhter Milchfett-Eiweißquotient zu verzeich-nen ist. Der Glukosewert im Blutserum fällt stark ab, der Gehalt an Ketonkörpern ist er-höht. Mit Schnelltests und Analysewerten der Milchleistungskontrolle kann Ketose relativ einfach und kostengünstig nachgewiesen wer-den. 1) Milch: MLP-Daten des LKV

• Milchfettgehalt: über 5,0% • Milcheiweißgehalt: unter 3,2% • Fett-Eiweiß-Quotient: größer 1,5 • Nahinfrarot-Spektrometrie: Bestim-

mung von Azeton und kurzkettigen Fettsäuren (KetoMIR)

• Schnelltest: Nachweis von Azetazetat mittels Teststreifen (Ketolac®, Pink®-Keton-Test)

2) Harn: • Schnelltest: Nachweis von Azetazetat

mittels Teststreifen (Ketostix®) 3) Blut:

• β-Hydroxybuttersäure (BHB) • Azetessigsäure • Azeton • Glukose: auch mittels Schnelltestgerä-

ten (z.T. aus der Humanmedizin) • Leberenzyme: AST, TBIL, GGS


44

Die Nutzung der Milchinhaltsstoffe aus der Milchleistungskontrolle stellt ein praktikables Werkzeug zur Erkennung von klinischer bzw. subklinischer Ketose dar. Leider wird aber durch die Länge des Kontrollintervalls von 33 bis 44 Tagen nur knapp die Hälfte der potenzi-ell an Ketose erkrankten Kühe durch eine MLP erfasst. Darüber hinaus zeigte eine Auswertung der Daten des Projektes „Efficient Cow“, dass der gebräuchliche Fett-Eiweiß-Quotient von über 1,5 zur Erkennung einer Ketose bei Fleckvieh besser mit 1,33 verwendet werden sollte (Rasseneinfluss). Mit diesem Wert wür-den 61% der mit Ketose diagnostizierten Tiere erkannt. Ein neuer Wert zur Identifizierung von Ketose könnte der Fett-Laktose-Quotient sein. Als Orientierungswert könnten 67% der Tiere mit Ketose erkannt werden, wenn dieser Wert über 0,9 liegt. In der Bestandsüberwachung sollten besonders auf Tiere geachtet werden, die ein höheres Ri-siko haben, an Ketose zu erkranken. Die Aus-wertung der Daten aus dem Projekt „Efficient Cow“ ergab, dass Holstein-Friesian und Braunviehkühe ein höheres Risiko für Ketose haben als Fleckviehkühe (TÜCHLER, T., 2015). Das Risiko steigt mit steigender Lakta-tionszahl an. Der Kalbeverlauf hat jedoch kei-nen Einfluss auf die Häufigkeit von Ketosen. Kalbetermine im vierten Quartal senken die Wahrscheinlichkeit an Ketose zu erkranken, ein höheres Erstkalbealter seigert tendenziell die Wahrscheinlichkeit für Ketose. Schwere Tier mit hohen BCS-Werten erkranken signifi-kant öfter an Ketose. Fütterung Eine zentrale Rolle im Krankheitsgeschehen Ketose nimmt die Fütterung ein. Neben den geschilderten Einflüssen wie Rasse, Laktati-onszahl, Alter, Lebendgewicht und Kalbeter-min ist sie ein wesentlicher Schlüssel zu Er-folg. Das Ziel in der Milchviehfütterung ist daher nach wie vor eine dem Leistungsstadium angepasste, wiederkäuergerechte Fütterung (DIRKSEN und Ma., 2006). Basis dafür ist die Kenntnis der Milchleistung und Milchinhalts-stoffe (Mitgliedschaft beim LKV) sowie der Nährstoffgehalte der eingesetzten Grundfut-termittel und Kraftfuttersorten (Futteranalyse).

Diese ermöglichen eine Berechnung der not-wendigen Mengen an Kraft- und Mineralfutter für jedes Einzeltier. Nur durch diese gezielte Vorgangsweise kann eine Fütterung „entlang der Laktationskurve“ erledigt werden, die eine unerwünschte Ab- oder Zunahme an Lebend-masse in den einzelnen Laktationsstadien ver-hindert. Ein modernes Werkzeug dafür steht allen österreichischen Landwirten seit mehre-ren Jahren in Form einer „Online Rationsbe-rechnung“ auf Basis der Daten der Milchleis-tungskontrolle zur Verfügung. Dieses Pro-gramm errechnet tierindividuell die richtigen Mengen an Grund- und Kraftfutter, basierend auf den Futteraufnahmeschätzformeln von Univ.-Doz. Dr. Leonhard Gruber, HBLFA Raumberg-Gumpenstein, die in einer kürzlich veröffentlichten Evaluierungsstudie sich als die besten derzeit verfügbaren Gleichungen, die die tatsächliche Futteraufnahme am besten geschätzt haben, bestätigt wurden. Mit diesen Hilfsmitteln und konsequenter Beobachtung der Körperkondition der Tiere, kann am effek-tivsten Ketose und allen ihren negativen Be-gleiterscheinungen vorgebeugt werden. Literatur DIRKSEN, G., H. GRÜNDER und M. STÖBER, 2006:

Innere Medizin und Chirurgie des Rindes. 5. Aufla-ge, Parey in MVS Medizinverlag, Stuttgart, 649-664.

EGGER-DANNER, C., C. FÜRST, M. MAYERHOF-ER, C. RAIN und C. REHLING, 2015: ZuchtData Jahresbericht 2015, ZuchtData EDV-Dienstleistungen GmbH, Wien, 25.

GASTEINER, J. 2000: Ketose, die bedeutendste Stoff-wechselerkrankung der Milchkuh. Tagungsband 27. Viehwirtschaftliche Fachtagung, Irdning, 11-18.

MANZENREITER, H., B. FÜRST-WALTL, W. ZOL-LITSCH und C. EGGER-DANNER, 2013: Zur Eig-nung des Gehaltes an Milchinhaltsstoffen als Ketos-eindikator. Tagungsband 40. Viehwirtschaftliche Fachtagung, Irdning, 9-19.

RESCH, R., 2010: Abschlussbericht Silageprojekt, Lehr- und Forschungszentrum für Landwirtschaft Raumberg-Gumpenstein, Irdning.

RESCH, R., 2017: Zwischenbericht Silageprojekt 2016 bei Wintertagung 2017, Lehr- und Forschungszent-rum für Landwirtschaft Raumberg-Gumpenstein, Ir-dning.

TÜCHLER, T., 2015: Analyse der Häufigkeiten von Stoffwechselstörungen und Mastitis bei Milchkühen. Masterarbeit, Universität für Bodenkultur, Wien.

ULBRICH, M., M. HOFFMANN und W. DROCHNER, 2004: Fütterung und Tiergesundheit, Verlag Eugen Ulmer Stuttgart.

ZAR-Seminar 2017 Steininger – Effizienz-Check – wirtschaftliche Milchproduktion mit gesunden Kühen

45

Effizienz-Check – wirtschaftliche Milchproduktion mit gesunden Kühen

Franz Steininger

Einleitung Auch wenn der Begriff Effizienz heutzutage häufig verwendet wird, so versteht man darun-ter – abhängig vom Interessensgebiet – oftmals doch etwas Unterschiedliches. Generell wird mit Effizienz das Verhältnis zwischen In- und Output bzw. Aufwand und Ertrag beschrieben. Im Forschungsprojekt Efficient Cow lag das Augenmerk speziell auf dem Bereich Stoff-wechsel-Effizienz: Wie viel Futter braucht die Kuh um einen Liter Milch zu produzieren und trotz hohem Leistungsniveau gesund zu blei-ben? Bäuerinnen und Bauern verfolgen in der Praxis aber oftmals andere Interessen als nur mög-lichst viel Milch je aufgenommenen MJ NEL zu produzieren. Sie haben den gesamten Bau-ernhof im Blick und versuchen mit den ihnen zur Verfügung stehenden Ressourcen mög-lichst gut zu wirtschaften. Die Ziele sind meist sehr individuell und unterscheiden sich stark aufgrund von Betriebsausstattung und persön-lichem Interesse. Während ein Betrieb ver-sucht, möglichst viel Milch aus den hofeigenen Futtermitteln zu gewinnen, widmet sich ein anderer voll und ganz der Milchviehzucht und lukriert wertvolles Einkommen aus dem Ver-kauf von Zuchtvieh. Andere wiederum setzen zusätzlich auf die Direktvermarktung von Fleisch oder wollen, da sie Nebenerwerbs-landwirt sind, mit möglichst wenig Zeiteinsatz den Hof bewirtschaften. All diese sehr unterschiedlichen Zielsetzungen verfolgen trotzdem das Ziel, effizient zu sein. Deshalb gibt es auch nicht den einen, für alle Betriebe gültigen, Effizienzparameter, sondern je nach Fragestellung unterschiedliche Merk-male, woran man die Effizienz messen soll.

Umfangreiche Auswertungen für Efficient Cow – Betriebe Im Rahmen des Projekts Efficient Cow wurden den 167 teilnehmenden Betrieben möglichst umfangreiche Auswertungen über die erhobe-nen Daten bereitgestellt. Während dem Jahr der Datenerfassung (2014) war dies nur be-dingt möglich, da für viele Analysen zumin-dest Daten für ein ganzes Kalenderjahr bzw. eine ganze Laktation vorliegen müssen, um Fehlinterpretationen zu vermeiden. Es wurde aber trotzdem versucht, auch bereits 2014 zu-mindest einfache Analysen und die erhobenen Rohdaten zur Verfügung zu stellen. Viele Bäuerinnen und Bauern nutzten die zu-sätzlichen Informationen über ihre Tiere und schafften noch während des Projekts, den Ge-sundheitsstatus zu verbessern. Speziell das bei jeder Milchleistungskontrolle durch LKV-Mitarbeiter durchgeführte Lahmheits-Scoring stellte sich als praktikables Werkzeug heraus, um frühzeitig möglichen Klauenproblemen entgegenzuwirken (siehe Abbildung 1). Ende Mai 2015 wurde für die teilnehmenden Betriebe ein Zwischenbericht über das Jahr der Datenerhebung erstellt und schließlich im No-vember 2015 ein umfangreicher, betriebsindi-vidueller Abschlussbericht überreicht. In die-sem Bericht fand jeder Projektteilnehmer Auswertungen, um einerseits die Milchkühe seines Betriebes anhand ausgewählter Effi-zienzparameter zu bewerten (Beispielgrafiken siehe Abbildung 2 und 3) und andererseits sei-ne Betriebskennzahlen mit anderen ähnlichen Betrieben (z. B.: alle Bio-Betriebe oder ähnli-che Futtergrundlagen) zu vergleichen. Die zahlreichen Grafiken und tabellarischen Auswertungen wurden während des Projektes gemeinsam mit LKV-Mitarbeiterinnen und Mitarbeiter, die auch in der Datenerfassung auf den Betrieben tätig waren, entwickelt. In den


46

intensiven Gesprächen kristallisierte sich schnell heraus, dass für die Bäuerinnen und Bauern speziell auch Auswertungen zur Wirt-schaftlichkeit ihrer Milchkühe und des gesam-ten Betriebes von Interesse wären. Deshalb

wurde eine Arbeitsgruppe gegründet, die nun im Rahmen des EIP-Projektes Effizienz-Check eine neue WEB-Anwendung entwickelt, die sich speziell der Wirtschaftlichkeit in der Milchproduktion widmet.

Abb. 1: Entwicklung der Verteilung des Lahmheits-Scores eines Beispielbetriebes im Projekt-verlauf.

Abb. 2: Vergleich der Tiere eines Beispielbetriebes (orange Quadrate) mit dem Österreichschnitt aller Projektbetriebe (orange Linie). Tiere innerhalb des Bereichs mit der gleichen Hintergrund-farbe weisen eine ähnliche Lebendmasse-Effizienz auf.


47

Abb. 3: Vergleich der Tiere eines Beispielbetriebes (Kreise bzw. Dreiecke) mit dem Österreich-schnitt aller Projektbetriebe (blaue bzw. rote Linie) im Hinblick auf deren Stoffwechsel-Effizienz. Effizienz-Check – Herdenma-nagementtool zur Optimierung der Effizienz und Tiergesundheit im Milchviehbetrieb Bis Ende 2018 wird für das RDV-Portal eine neue WEB-Anwendung programmiert, die Er-kenntnisse aus dem Projekt Efficient Cow nutzt und zukünftig Bäuerinnen und Bauern bei der Beurteilung ihrer Milchkühe und der Weiterentwicklung ihres Betriebes unterstützt. Bei der Entwicklung des Effizienz-Checks wird besonders darauf geachtet, unnötige Dop-pelerfassung gleicher Parameter durch die Vernetzung bereits bestehender Datenquellen zu vermeiden. Durch die sinnvolle Verknüp-fung bereits bestehender Datenquellen wird versucht, möglichst allen LKV-Betrieben zu-sätzliche Auswertungen anzubieten, deren Aussagekraft allerdings durch die Eingabe weiterer Informationen (z. B.: Lahmheits-Scoring, BCS-Noten, verfütterte Rationen) er-höht wird.

Bei der Berechnung von Wirtschaftlichkeits-Kennzahlen orientiert sich der Effizienz-Check an den bereits etablierten Methoden aus der Arbeitskreisberatung Milch. Eine wichtige Kennzahl zum Vergleich von Betrieben und Tieren stellt die direktkostenfreie Leistung dar. Sie stellt den direkten Leistungen aus der Milchproduktion die direkt zuordenbaren Kos-ten gegenüber (siehe Tabelle 1). Die WEB-Anwendung Effizienz-Check sollte keinesfalls als Ersatz oder Konkurrenz zur Ar-beitskreisberatung gesehen werden, da keine zusätzlichen betriebswirtschaftlichen Auf-zeichnungen zu führen sind, sondern großteils bereits bestehende Daten genutzt werden, um Kennzahlen für Einzeltier- und Betriebsver-gleich zu schätzen. Vielmehr geht es um die gegenseitige Ergänzung und darum, Erfahrun-gen und Erkenntnisse aus den Arbeitskreisen zu nutzen.


48

Tabelle 1: Schema zu Berechnung der direkt-kostenfreien Leistung im Rahmen der Arbeits-kreisberatung Milch

Direktleistungen

Verkaufserlöse

Innerbetriebliche Leistungen

Direktzahlungen unmittelbar zuordenbar

Naturalentnahmen

Bestandesveränderung

Wirtschaftsdüngerwert

Sonstige Direktleistungen (Versicherung ...)

minus Direktkosten

Bestandesergänzung

Futtermilch, Milchaustauscher

Kraftfutter

Grundfutter

Tiergesundheit

Besamung

Einstreu

Embryotransfer

Sonstige Direktkosten

= Direktkostenfreie Leistung

Quelle: PALLER et al., 2011

Ergebnisse aus der Arbeitskreis-beratung Milch Die Landwirtschaftskammern bieten bereits seit vielen Jahren die Arbeitskreisberatung für die verschiedensten Produktionszweige an und konnten im Bereich der betriebswirtschaftli-chen Analyse von Bauernhöfen wertvolle Er-fahrungen sammeln. Wenngleich die Ergebnis-se der Betriebsauswertung Milch nicht als re-präsentativ für die gesamte österreichische Milchproduktion angesehen werden können, da im Durchschnitt eher große und leistungs-starke Betrieb an diesem Programm teilneh-men, so stellen sie trotzdem wichtige Erkennt-nisse für unseren Agrarsektor dar. Im Auswertungsjahr 2014/15 wiesen die 985 teilnehmenden Betriebe durchschnittliche Di-rektleistungen von 3.361 EUR je Kuh und Jahr auf. Der Durchschnitt der besten 25% der Be-triebe unterschied sich von den 25% schwächs-ten Betrieben um 998 EUR je Kuh und Jahr, wobei 911 EUR rein aus dem Milcherlös je Kuh stammten. Dies zeigt, dass die Direktleis-tungen aus der Milchproduktion großteils vom Produktionsumfang (Milchleistung), der Milchqualität und der Vermarktungsform (er-zielbarer Milchpreis) abhängt (vgl. FA-SCHING et al., 2016).

Abb. 4: Zusammensetzung der durchschnittlichen Direktkosten der Milchproduktion 2014/15 der Arbeitskreisbetriebe (FASCHING et al. 2016).


49

Abbildung 4 zeigt, dass Bestandergänzung und Kraftfutterkosten jeweils etwa ein Drittel der Direktkosten ausmachen und die Futterkosten in Summe zirka die Hälfte. Die restlichen Kos-tenbereiche bilden eher einen geringen Anteil. Speziell die oft subjektiv sehr stark im Blick-feld liegenden Kosten für Tiergesundheit und Besamung stellen objektiv gesehen eher einen kleinen Anteil dar. Hier ist allerdings nicht be-rücksichtigt, dass Probleme im Bereich Tier-gesundheit und Fruchtbarkeit oft hohe Folge-kosten (z. B.: Leistungsrückgang) und einen zusätzlichen Arbeitsaufwand verursachen. Die durchschnittlichen Direktkosten je produzier-tem kg Milch liegen im besten Viertel der AKM-Betriebe bei 20,4 Cent und im schwächsten Viertel bei 25,0 Cent. Berechnet man die Differenz aus Direktleis-tung und Direktkosten erhält man die soge-nannte direktkostenfreie Leistung der Milch-produktion. Im Durchschnitt des besten Vier-tels der Betriebe liegt diese bei 2.241 EUR je Kuh und Jahr und im schwächsten Viertel bei 1.211 EUR. Die Unterschiede ergeben sich hauptsächlich aufgrund höherer Erlöse für die verkaufte Milch (höhere Milchleistung und/oder besserer Milchpreis aufgrund von Markenprogrammen wie Bio- oder Heumilch) bei annähernd gleichen Kosten je Tier. Einen wichtigen Parameter für die Wirtschaft-lichkeit der Milchproduktion wird in der Le-bensleistung der abgegangenen Schlacht- und Verlustkühe gesehen, da sie einerseits die er-brachte Milchleistung und andererseits die Remontierungsrate am Betrieb widerspiegelt. Als Ziele werden eine Mindest-Lebensleistung von 30.000 kg und eine Grundfutterleistung von mindestens 5.000 kg angesehen. Das beste Viertel der AKM-Betrieb erreichte 2014/15 ei-ne durchschnittliche Lebensleistung von 34.327 kg und das schwächste Viertel 27.691 kg.

Lebensleistung und Stoffwech-sel-Effizienz Um die Auswirkung der Stoffwechsel-Effizienz auf die Lebensleistung zu überprü-fen, wurden die Efficient Cow – Betriebe ebenfalls jeweils in Viertel aller Betriebe mit durchschnittlich besonders effizienten oder weniger effizienten Kühen (Effizienz-Quartile) gruppiert und die durchschnittliche Lebensleis-tung ihrer in den Jahren 2011-2015 abgegan-genen Schlacht- und Verlustkühe berechnet. Abbildung 5 zeigt, dass die Betriebe mit den effizienteren Kühen tendenziell auch höhere Lebensleistungen erreichen. Da die Lebensleis-tung ein Produkt aus Milchleistung und Nut-zungsdauer ist, wurde weiters die durchschnitt-liche Laktationszahl dieser abgegangenen Kü-he berechnet. Für die Rassen Fleckvieh und Braunvieh zeigte sich kein eindeutiger Trend in Bezug auf die Laktationszahl der abgegan-genen Tiere. Die Rasse Holstein wies eine et-was rückläufige Laktationszahl und somit auch Nutzungsdauer der in den Jahren 2011-2015 abgegangenen Kühe auf den Betrieben mit überdurchschnittlich stoffwechseleffizienten Tieren auf (siehe Abbildung 6). Rationszusammensetzung und Effizienz Die Ergebnisse der Arbeitskreis-Auswertungen zeigen, dass etwa die Hälfte der Direktkosten für Futter aufgewendet wird, wobei sich Kraft-futter- zu Grundfutterkosten im Verhältnis 2:1 aufteilen (siehe Abbildung 4). Daher sollte ei-ne möglichst hohe Grundfutterleistung ange-strebt werden. Abbildung 7 zeigt, dass Betrie-be mit effizienteren Tieren speziell eine höhere Grundfutterleistung erzielen und somit mit ge-ringeren Kosten produzieren können.


50

Abb. 5: Durchschnittliche Lebensleistung der in den Jahren 2011-2015 abgegangen Kühen auf den Effi-cient Cow – Betrieben nach deren Einteilung in Betriebe mit Tieren mit hoher bzw. geringer Stoffwech-sel-Effizienz.

Abb. 6: Durchschnittliche Laktationszahl der in den Jahren 2011-2015 abgegangen Kühen auf den Effi-cient Cow – Betrieben nach deren Einteilung in Betriebe mit Tieren mit hoher bzw. geringer Stoffwech-sel-Effizienz.

Abb. 7: Durchschnittliche Milchleistung aus Grund- bzw. Kraftfutter von Betrieben mit Tieren mit hoher bzw. geringer Stoffwechsel-Effizienz.


51

Strategien zur Verbesserung der Wirtschaftlichkeit Aus den Ergebnissen der Arbeitskreisberatung und aus Efficient Cow lassen sich einige Mög-lichkeiten zur Verbesserung der Wirtschaft-lichkeit in der Milchproduktion ableiten. Spe-ziell die Zusammensetzung der Direktkosten zeigt, dass das größte Potential für eine Kos-tenreduktion im Bereich Fütterung und Be-standesergänzung liegt. Kühe mit einer besseren Stoffwechsel-Effizienz (speziell aufgrund geringerem Ge-wicht bei gleicher oder höherer Milchleistung) holen unabhängig von der Rasse mehr Milch aus dem angebotenen Grundfutter. Außerdem lässt sich durch häufigeres Anpassen der Kraft-futtermengen speziell in der zweiten Lakta-tionshälfte der Kraftfuttereinsatz reduzieren. Dies spart nicht nur Futterkosten, sondern kann auch Stoffwechselproblemen vorbeugen. Etwa ein Drittel der Direktkosten entfällt auf die Bestandesergänzung. Zucht auf Fitness und optimales Betriebsmanagement können lang-fristig die Nutzungsdauer in der Herde verbes-sern und so die notwendige Remontierungsrate senken. Auf der Einnahmenseite lässt sich das Be-triebsergebnis speziell durch Anhebung der verkauften Milchmenge verbessern. Dies ist einerseits natürlich durch Steigerung der Milchleistung möglich, aber auch der Anteil an die Molkerei abgelieferter Milch und das Zell-zahl-Niveau bietet auf manchen Betrieben Verbesserungspotential.

Abb. 8: Rückgang der Milchleistung aufgrund er-höhter Zellzahl nach RIVARD et al. (1986)

RIVARD et al. (1986) zeigten bereits den öko-nomischen Schaden erhöhter Zellzahl aufgrund des Rückgangs der Milchleistung auf. Investi-tionen in die Eutergesundheit machen sich deshalb doppelt bezahlt. Potential Nutzen Speziell in Zeiten von niedrigen Milchpreisen ist es wichtig, seinen Betrieb gut zu analysie-ren und verborgenes Potential zu nutzen. Den LKV-Mitgliedern werden mit den umfangrei-chen Auswertungen und Analysetools im RDV4M zahlreiche Hilfestellungen hierbei angeboten. Wertvolle zusätzliche Erkenntnisse im Bereich der Betriebswirtschaft können Be-triebe im Rahmen der Arbeitskreisberatung durch die Landwirtschaftskammern gewinnen. Mit der in Entwicklung befindlichen WEB-Anwendung Effizienz-Check steht den öster-reichischen Milchviehbetrieben in naher Zu-kunft ein weiterer Werkzeugkoffer zur Verfü-gung, um die eigene Herde besser kennenzu-lernen und die Auswirkung von Management-Entscheidung abschätzen zu können. Literatur FASCHING C., FISCHER-COLBRIE A., FREUDEN-

BERGER G., GAPPMAYER F., HORN M., KAL-TENBERGER F., KOPF S., LENZ V., MESSNER K., NEUBACHER F., PALLER F., PFUNER S., PÖCHLAUER-KOZEL P., SEEBACHER M., WÖCKINGER M. (2016): Milchproduktion 2015. Ergebnisse und Konsequenzen der Betriebszwei-gauswertung aus den Arbeitskreisen in Ö: BMLFUW

PALLER F., SAUBART G., SCHWEIFER R. (2011): Betriebszweigabrechnung Milchproduktion – Fibel für die Teilkostenrechnung in der Arbeitskreisbera-tung zur Berechnung der direktkostenfreien Leis-tung. 2. überarbeitete Auflage. Wien: BMLFUW

RIVARD G., BENOIT M., MARCOUX R. (1986): Les pertes économiques dues à la mammite : une méthode d'appréciation. Méd. Vét. Que. 1986; 16: 93-95.

ZAR-Seminar 2017 Köck – Zucht auf Effizienzmerkmale und deren Zusammenhang mit Gesundheit

52

Zucht auf Effizienzmerkmale und deren Zusammenhang mit Gesundheit

Astrid Köck, Maria Ledinek, Leonhard Gruber, Franz Steininger,

Birgit Fürst-Waltl und Christa Egger-Danner 1. Einleitung Die Milchwirtschaft steht unter dem anhalten-den Druck, die Produktionseffizienz weiter zu verbessern, unter anderem um die Wirtschaft-lichkeit bei voraussichtlich steigenden Futter-kosten sicherzustellen. Weltweit wird auch ein stärkerer Schwerpunkt auf die Verringerung der negativen Auswirkungen der Milchproduk-tion auf die Umwelt gelegt. Emissionen von Treibhausgasen und Nährstoffverluste in die Umwelt sollen gesenkt werden (Connor et al., 2012). Die Verbesserung der Futtereffizienz bietet einen Weg, diese beiden Herausforde-rungen zu bewältigen. Im Vordergrund steht dabei wie viel Milch aus einer Futtereinheit zu erzielen ist und nicht wie bisher die Leistung pro Tier (VandeHaar, 2014). Von wesentlicher Bedeutung ist in diesem Zu-sammenhang die Beziehung zwischen Effizi-enz und Fruchtbarkeits- und Gesundheits-merkmalen. Bei der Verbesserung der Effizi-enz ist wichtig, dass nicht jene Tiere selektiert werden, die viel Output (Milch) pro Input (Fut-ter) herausholen, diese Effizienz aber durch verstärkte Mobilisierung von Körperreserven in Verbindung mit verminderter Fruchtbarkeit und höheren Erkrankungsraten erzielen. Stu-dien, die die Beziehung zwischen Effizienz und Fruchtbarkeit und Gesundheit beschreiben sind rar. Vallimont et al. (2013) zeigten, dass Kühe, die eine höhere Futtereffizienz haben, eine längere Serviceperiode aufweisen, aber trotzdem länger in der Herde verbleiben. Im Folgenden werden genetische Parameter für Effizienzmerkmale, die im Rahmen des „Effi-cient Cow“ Projektes erhoben wurden, be-schrieben. Da die Zusammenhänge zwischen Effizienz und Fruchtbarkeit und Gesundheit von besonderem Interesse sind, wurden in die-sem Bereich ausführliche Auswertungen durchgeführt. Alle nachfolgenden Analysen wurden für die Rasse Fleckvieh durchgeführt.

2. Genetische Parameter für Effizienzmerkmale Um die Eignung der Effizienzmerkmale für die Zuchtwertschätzung zu beurteilen, wurden in einer ersten Untersuchung für alle Merkmale Erblichkeiten und genetische Korrelationen zueinander geschätzt. Es wurden neben ener-giekorrigierter Milch (ECM), Lebendmasse (LM), Trockenmasseaufnahme (TM-Auf.) und Gesamtenergieaufnahme (NEL-Auf.), die Effi-zienzparameter ECM/LM0,75, ECM/TM-Auf. und ECM/NEL-Auf. berücksichtigt. Nach den Dateneinschränkungen (nur Fleckvieh-Tiere mit max. 25% Fremdgenanteil und nur Da-tensätze zwischen 5 und 365 Tage in Milch) standen 20.945 Datensätze von 3.312 Fleck-vieh-Kühen zur Verfügung. Für die Schätzung der genetischen Parameter wurden die fixen Effekte Betrieb, Kalbe-jahr*Kalbesaison, Kalbealtersklassen inner-halb Laktation, Laktationsmonat innerhalb Laktation und Trächtigkeitsmonat innerhalb Laktation und die zufälligen Effekte Tier (ge-netischer Effekt), permanente Umwelt und Herdentesttag im Modell berücksichtigt. In Tabelle 1 sind die Erblichkeiten und geneti-schen Korrelationen der Merkmale enthalten. Die Erblichkeiten der Effizienzmerkmale lagen zwischen 0,11 für ECM/ NEL-Auf. und 0,44 für die Lebendmasse. Die Trockenmasseauf-nahme und Gesamtenergieaufnahme stellen mit einer genetischen Korrelation von nahezu 1 mehr oder weniger dasselbe Merkmal dar. Die drei Effizienzmerkmale ECM/LM0,75, ECM/TM-Auf. und ECM/ NEL-Auf. waren ebenfalls stark miteinander korreliert mit Schätzwerten über 0,95. Eine schwach negati-ve genetische Korrelation von -0,23 wurde zwischen der Milchleistung und der Lebend-masse geschätzt. Mittlere genetische Korrela-tionen wurden zwischen der Trockenmasse-aufnahme und Milchleistung bzw. Lebendmas-


53

se gefunden. Obwohl die Trockenmasseauf-nahme nach der Formel von Gruber et al. (2004) geschätzt wurde, wurden ähnliche Er-gebnisse wie bei Stationsdaten gefunden (de Jong et al., 2016). Die drei Effizienzmerkmale ECM/LM0,75, ECM/TM-Auf. und ECM/ NEL-Auf. waren stark positiv korreliert mit der Milchleistung, negativ korreliert mit dem Le-bendgewicht und positiv korreliert mit der

Trockenmasseaufnahme und Gesamtenergie-aufnahme, d.h. effizientere Kühe haben eine höhere Milchleistung, ein niedriges Gewicht und eine etwas höhere Trockenmasseaufnah-me. Vallimont et al. (2011) kamen zu ähnli-chen Ergebnissen. Die Selektion auf Milchleis-tung und geringeres Körpergewicht erhöht die Futtereffizienz.

Tabelle 1. Erblichkeiten (auf der Diagonale) und genetische Korrelationen (oberhalb der Diago-nale) für die Effizienzmerkmale beim Fleckvieh

ECM LM TM-Auf. NEL-Auf. ECM/LM0,75 ECM/TM-

Auf. ECM/NEL

-Auf. ECM 0,12 -0,23 0,65 0,70 0,88 0,89 0,89 LM 0,44 0,50 0,41 -0,67 -0,57 -0,55 TM-Auf. 0,18 0,996 0,25 0,23 0,22 NEL-Auf. 0,13 0,35 0,30 0,29 ECM/LM0,75 0,17 0,97 0,96 ECM/TM-Auf. 0,18 0,999 ECM/NEL-Auf. 0,11 3. Body Condition Score (BCS) Die Körperkondition und deren Veränderung gilt als Indikator für das Ausmaß und die Dau-er der negativen Energiebilanz und ist daher mit der Fruchtbarkeit und Gesundheit der Tiere verbunden. Im Rahmen des „Efficient Cow“ Projektes wurde bei allen Kühen bei jeder Milchleistungsprüfung der BCS bestimmt, wobei die Skala folgendermaßen definiert war: 1=hochgradig abgemagert, 2=Knochenvorsprünge sichtbar, 3=Knochenvorsprünge gut abgedeckt, 4=Knochenvorsprünge angedeutet, 5=hochgradig verfettet. 3.1 Zusammenhang BCS und Frucht-barkeit und Gesundheit Der Zusammenhang zwischen BCS während der Laktation (5 bis 365 Tage in Milch) und Fruchtbarkeit und Gesundheit wurde genauer analysiert. Es wurden Zuchtwerte für BCS ge-schätzt, wobei das gleiche Modell wie für die Effizienzmerkmale verwendet wurde mit der zusätzlichen Berücksichtigung des fixen Effek-tes des Beurteilers. Die Kühe wurden aufgrund des BCS-Zuchtwertes den folgenden Gruppen zugeteilt:

- Niedriger Zuchtwert für BCS (10% der Kühe)

- Mittlerer Zuchtwert für BCS - Hoher Zuchtwert für BCS (10% der Kühe)

Ein niedriger BCS während der Laktation war mit einer längeren Zwischenkalbezeit und hö-heren Krankheitsfrequenzen verbunden (Ab-bildung 1, 2 und 3). Tiere mit einem niedrigen aber auch hohen BCS weisen höhere Abgangs-raten auf (Abbildung 4).

Abb. 1: Zusammenhang zwischen BCS-Zuchtwert und Zwischenkalbezeit beim Fleckvieh


54

Abb. 2: Zusammenhang zwischen BCS-Zuchtwert und Gesundheit beim Fleckvieh

Abb. 3: Zusammenhang zwischen BCS-Zuchtwert und Klauenerkrankungen beim Fleckvieh

Abb. 4: Zusammenhang zwischen BCS-Zuchtwert und Abgangsrate beim Fleckvieh 3.2 Zusammenhang BCS und Effizienz

In weiterer Folge wurden genetische Korrelati-onen zwischen BCS und den Effizienzmerk-malen geschätzt. Es wurden durchwegs negati-ve genetische Zusammenhänge zwischen BCS und Milchleistung, ECM/LM0,75, ECM/TM-Auf. und ECM/NEL-Auf. gefunden (Tabelle 2), d.h. effizientere Kühe haben eine niedrigere Körperkondition während der Laktation. Va-llimont et al. (2011) gaben zu bedenken, dass bei Nichtberücksichtigung des BCS jene Kühe selektiert würden, die am Beginn der Laktation sehr stark BCS verlieren.

Tabelle 2: Genetische Korrelationen zwischen BCS und Effizienzmerkmalen beim Fleckvieh

Effizienzmerkmal Genetische Korrelation

zu BCS ECM -0,45 LM 0,45 TM-Auf. -0,04 NEL-Auf. -0,10 ECM/LM0,75 -0,60 ECM/TM-Auf. -0,56 ECM/NEL-Auf. -0,54


55

Diese Selektion würde die Effizienz nicht verbessen, da im Gegenzug die Krankheits-probleme gesteigert würden. Wenn auf BCS korrigiert wurde, so waren jene Kühe am effi-zientesten, die eine hohe Milchleistung mit ei-nem langsamen Anstieg des BCS am Ende der Laktation aufwiesen. 4. Effizientere Kühe in der Herde Um einen Gesamtüberblick über die Auswir-kungen der Selektion von effizienteren Kühen auf Leistung, Fruchtbarkeit und Gesundheit zu bekommen, wurden Zuchtwerte für das Effizi-enzmerkmal ECM/NEL-Auf. geschätzt. Die Kühe wurden aufgrund ihres Effizienz-Zuchtwertes den folgenden Gruppen zugeteilt:

- Niedriger Zuchtwert für Effizienz (10% der Kühe)

- Mittlerer Zuchtwert für Effizienz - Hoher Zuchtwert für Effizienz (10% der

Kühe) Effizientere Kühe hatten eine höhere Milchleistung, ein niedriges Gewicht, eine et-was höhere Trockenmasseaufnahme und einen niedrigen BCS (Abbildung 5, 6, 7 und 8), was

die vorherigen Ergebnisse in Tabelle 1 und 2 bestätigt. Eine höhere Effizienz ist mit deutlich längeren Zwischenkalbezeiten und einem vermehrten Auftreten von Zysten und Stillbrunst verbun-den (Abbildung 9 und 10). Bei effizienteren Tieren wurde jedoch eine bessere Klauen-gesundheit festgestellt (Abbildung 11). Der Hauptgrund dafür dürfte im niedrigeren Ge-wicht dieser Tiere liegen, das sich besonders auf ein vermindertes Auftreten von Wandde-fekten auswirkt (Abbildung 12). Auch bei Holstein Kühen hatten Tiere mit ei-nem niedrigeren Gewicht weniger Wanddefek-te, es kommt aber zu einem vermehrten Auf-treten von Mortellaro (Abbildung 13). Gewicht und BCS sind positiv miteinander korreliert (bei Holstein wurde eine genetische Korrelati-on von 0,51 gefunden), d.h. bei der Selektion auf ein niedriges Gewicht verringert sich auch der BCS der Tiere. Da Holstein Kühe allge-mein einen niedrigen BCS aufweisen, führt ei-ne Selektion auf ein niedriges Gewicht zu ei-ner weiteren unerwünschten Abnahme des BCS (Abbildung 14). Daher wird bei der Se-lektion auf ein niedrigeres Gewicht als Zusatz-information BCS benötigt, da ansonsten neben kleineren Tieren mit normaler Körperkonditi-on auch vermehrt große Tiere mit niedrigem BCS selektiert werden.

Abb. 5: Zusammenhang zwischen Effizienz-Zuchtwert und Milchleistung beim Fleckvieh

Abb. 6: Zusammenhang zwischen Effizienz-Zuchtwert und Gewicht beim Fleckvieh


56

Abb. 7: Zusammenhang zwischen Effizienz-Zuchtwert und Trockenmasseaufnahme beim Fleckvieh

Abb. 8: Zusammenhang zwischen Effizienz-Zuchtwert und BCS beim Fleckvieh

Abb. 9: Zusammenhang zwischen Effizienz-Zuchtwert und Zwischenkalbezeit beim Fleckvieh

Abb. 10: Zusammenhang zwischen Effizienz-Zuchtwert und Gesundheit beim Fleckvieh

Abb. 11: Zusammenhang zwischen Effizienz-Zuchtwert und Klauenerkrankungen beim Fleckvieh

Abb. 12: Zusammenhang zwischen Gewicht-Zuchtwert und Klauenerkrankungen beim Fleckvieh


57

Abb. 13: Zusammenhang zwischen Gewicht-Zuchtwert und Klauenerkrankungen bei Holstein

Abb. 14: Zusammenhang zwischen Gewicht-Zuchtwert und BCS bei Holstein

Abb. 15: Zusammenhang zwischen Effizienz-Zuchtwert und Abgangsrate beim Fleckvieh Effizientere Tiere hatten die niedrigsten Ab-gangsraten (Abbildung 15). Bei Tieren mit niedriger Effizienz ist nahezu die Hälfte der Abgänge auf geringe Leistung, hohes Alter oder Verkauf zurückzuführen, Abgangsgründe die bei effizienteren Tieren nur in wenigen Fällen auftreten. Obwohl effizientere Tiere ei-ne schlechtere Fruchtbarkeit aufweisen, waren Abgänge wegen Unfruchtbarkeit nicht häufi-ger, was auf eine Sonderbehandlung dieser Tiere hinweist. 5. Schlussfolgerungen und Zusammenfassung Die Ergebnisse aus den bisher durchgeführten Untersuchungen zeigen ausreichende geneti-sche Variation der Effizienzmerkmale auf Ba-sis von Felddaten. Effizientere Tiere haben wie erwartet eine höhere Milchleistung. Da

der zusätzlich benötige Energiebedarf nicht vollständig über die erhöhte Futteraufnahme gedeckt werden kann, müssen effizientere Tie-re vermehrt Körperreserven mobilisieren und es kommt zu unerwünschten Auswirkungen auf die Fruchtbarkeit. Aufgrund des niedrige-ren Körpergewichtes haben effizientere Tiere jedoch eine etwas bessere Klauengesundheit, vor allem Wanddefekte treten seltener auf. Das Risiko aus der Herde abzugehen ist bei den effizienteren Tieren am niedrigsten. Insge-samt sind Kühe mit mittlerer Effizienz im Vorteil, da sie eine hohe Milchleistung mit gu-ter Fruchtbarkeit und Gesundheit kombinieren. Bei der Selektion auf ein niedrigeres Gewicht ist zu beachten, dass als Zusatzinformation BCS benötigt wird, da ansonsten keine Unter-scheidung zwischen großen Tieren mit niedri-gem BCS und kleineren Tieren mit normalem BCS möglich ist.


58

6. Literatur Connor E.E., 2014. Invited review: Improving feed effi-

ciency in dairy production: challenges and possibili-ties. Animal 9:3, 395-408.

de Jong, G., van der Linde, R., de Haas, Y., Schopen, G.C.B., Veerkamp, R.F., 2016. Genetic evaluation for feed intake in the Netherlands and Flanders, im-pact on efficiency and responses. Interbull Bulletin No. 50, 1-4

Gruber, L., Schwarz, F.J., Erdin, D., Fischer, B., Spie-kers, H., Steingaß, H., Meyer, U. et al., 2004. Vor-hersage der Futteraufnahme von Milchkühen - Da-tenbasis von 10 Forschungs- und Universitätsinstitu-ten Deutschlands, Österreichs und der Schweiz. In: Qualitätssicherung in landwirtschaftlichen Produkti-onssystemen. 116. VDLUFA-Kongress, Rostock, 13.-17. September 2004, Kongressband 2004, 484-504.

Vallimont, J. E., Dechow, C. D., Daubert, J. M., Dekle-va, M. W., Blum, J. W., Barlieb, C. M., Liu, W., Varga, G. A., Heinrichs, A. J., Baumrucker, C. R., 2011. Short communication: Heritability of gross feed efficiency and associations with yield, intake, residual intake, body weight, and body condition score in 11 commercial Pennsylvania tie stalls. Jour-nal of Dairy Science 94, 2108-2113.

Vallimont, J. E., Dechow, C. D., Daubert, J. M., Dekleva, M. W., Blum, J. W., Liu, W., Varga, G. A., Heinrichs, A. J., Baumrucker, C. R., 2013. Short communication: Feed utilization and its associations with fertility and productive life in 11 commercial Pennsylvania tie-stall herds. Journal of Dairy Sci-ence 96, 1251-1254.

VandeHaar, M.J., 2014. Feeding and breeding for a more efficient cow. Dairy Technology 26, 17-30.

ZAR-Seminar 2017 Fürst-Waltl – Stoffwechselstabilität und Klauengesundheit – züchterisch verbessern?

59

Stoffwechselstabilität und Klauengesundheit –züchterisch verbessern?

Birgit Fürst-Waltl und Christa Egger-Danner

1. Einleitung Im Jahr 2006 wurde das Projekt Gesundheits-monitoring Rind (GMON) gestartet (Egger-Danner et al., 2012), das, gemeinsam mit nach-folgenden Projekten in Bayern und Baden-Württemberg, die Grundlage für die Routine-zuchtwertschätzungen für Gesundheitsmerk-male lieferte. Seit dem Jahr 2010 werden Zuchtwerte für Mastitis, Frühe Fruchtbarkeits-störungen, Zysten und Milchfieber für Fleck-vieh veröffentlicht (Fuerst et al., 2011). Zuchtwerte für Braunvieh sowie die Berück-sichtigung im Gesamtzuchtwert folgten 3 Jahre später (Fuerst und Egger-Danner, 2014). Der Stoffwechsel wird derzeit also nur über das Merkmal Milchfieber abgedeckt, für das so-wohl tierärztliche Diagnosen als auch geburts-nahe Meldungen berücksichtigt werden (Koeck et al., 2015). Für Klauenerkrankungen wurden bislang nur Zuchtwertschätz-Testläufe durchgeführt; Routinezuchtwerte liegen für Merkmale aus der linearen Beschreibung vor (Egger-Danner, 2015). Stoffwechselstabilität und Klauengesundheit rangierten in einer Um-frage bei Züchterinnen und Züchtern im Rah-men des Projektes OptiGene jedoch ganz oben auf der ‚Wunschliste‘ der Merkmale, für die es zukünftig eine Zuchtwertschätzung geben soll-te (www.zar.at, Projekt OptiGene). Daher lag einer der Schwerpunkte im Projekt Efficient Cow auch auf der genetischen Analyse von Stoffwechsel- bzw. Klauenerkrankungen bzw. möglichen Hilfsmerkmalen. 2. Stoffwechsel 2.1 Allgemeines Milchfieber und Ketose zählen zu den häufigs-ten Stoffwechselerkrankungen bei Milchkü-hen. In der Regel äußern sich Stoffwechseler-krankungen dann, wenn metabolische Prozesse

gestört sind (Ingvartsen and Friggens, 2005). Milchfieber (Gebärparese), die Hauptursache für das Festliegen von Kühen, tritt rund um die Geburt auf und ist durch eine Störung des Mi-neralstoffhaushalts, insbesondere des Kalzi-ums, gekennzeichnet. Kalziummangel wird durch die Kombination aus hoher Ausschei-dung von Kalzium über die Milch und der feh-lenden Fähigkeit der nötigen Resorption von Kalzium aus dem Darm bzw. dessen Mobili-sierung aus Knochen verursacht (z.B. Peinhopf und Prunner, 2016). Ketose entsteht bei unzu-reichender Energieversorgung und damit wäh-rend der Phase der negativen Energiebilanz um die Leistungsspitze. In dieser Mangelsituation werden Körperfettreserven mobilisiert, dies führt zu einem Anstieg der Fettsäuren im Blut und auch zur Bildung von Ketonkörpern. Ke-tonkörper werden zur Energieversorgung ge-nutzt, überschüssige Ketonkörper werden über Harn, Milch, Atem oder Schweiß ausgeschie-den (Kirchgessner et al., 2008). Typische Symptome sind verringerte Futteraufnahme und Rückgang der Milchleistung, auch Aus-wirkungen auf das Zentralnervensystem sind möglich (Gasteiner, 2000). Treten klinische Ketosen relativ selten auf (<5% in Österreich), so wird in der Literatur von subklinischen Ke-tosen im Ausmaß von 15-20% oder auch höher gesprochen. 2.2 Daten und Analyse In die Untersuchung gingen Merkmale aus dem Stoffwechselbereich von Fleckvieh- und Braunviehkühen aus dem Projekt Efficient Cow ein. Für tierärztliche Diagnosen wurde nicht nur das Jahr 2014 sondern auch zusätz-lich die Jahre 2012 und 2013 berücksichtigt. Folgende Merkmale wurden untersucht: Milchfieber: Der Beobachtungszeitraum für

Milchfieberdiagnosen liegt zwischen -10 Tagen vor und +10 Tagen nach der Abkal-bung. Die Datengrundlage sind tierärztli-


60

che Diagnosen (Egger-Danner et al., 2012), aber auch geburtsnahe Beobachtun-gen (Festliegen), die im Zuge der Milchleistungskontrolle von den Landes-kontrollverbänden erhoben werden (Koeck et al., 2015).

Ketose: Die Ketose wurde über tierärztliche Diagnosen erfasst, der Beobachtungszeit-raum lag im Zeitraum von der Kalbung bis 100 Tage nach der Abkalbung.

Pansenacidose: Bei der Pansenübersäuerung handelt es sich um eine Fermentationsstö-rung im Pansen, die durch Absinken des pH-Wertes auf unter 6,0 hervorgerufen wird (De Kruif et al., 2007).

Labmagenverlagerung: Die Labmagenverlage-rung kann nach links- und nach rechts er-folgen. Aufgrund der niedrigen Frequen-zen (z.B. Kennzahlenbericht Tiergesund-heit, 2016), wurden die Merkmale Lab-magenverlagerung und Pansenacidose nicht als eigene Merkmale analysiert.

Stoffwechselerkrankungen: Unter Stoffwech-selerkrankungen wurden Acidose, Ketose, Milchfieber und Labmagenverlagerung zu-sammengefasst. Obwohl die Erkrankungen Acidose und Labmagenverlagerung in die Kategorie Erkrankung des Verdauungs-traktes fallen, werden sie hier mit den Er-krankungen Milchfieber und Ketose als Stoffwechselerkrankungen in den ersten 100 Tagen zusammengefasst. Alle bisher genannten Merkmale wurden als binäre Merkmale mit 0 = gesund und 1 = krank definiert.

Ketotest (subklinische Ketose): Im Projekt Efficient Cow wurde um den 7. und um den 14. Tag nach der Abkalbung ein Milchketotest durchgeführt (Elanco, 2015). Ab einem Grenzwert von 100 µmol/l werden Kühe als Ketose verdächtig ausgewiesen. Wird der Grenzwert 100 µmol/l herangezogen, so erscheinen ca. 44% der Kühe Ketose verdächtig, bei ei-nem Grenzwert von mind. 200 µmol/l sind es ca. 14 % der Tiere. In der Auswertung wurde differenziert in 0 (nicht verdächtig), 1 (100 µmol/l - <200 µmol/l) und 2 (>=200 µmol/l).

Fett-Eiweiß-Quotient (FEQ): Der Fett-Eiweiß-Quotient aus dem ersten Probegemelk nach der Abkalbung wurde herangezogen.

Body-Condition-Score (BCS): Der BCS am ersten Testtag (BCS1) und die Verände-rung des BCS vom ersten zum zweiten Testtag (BCS1DIFF) wurden als Merkma-le definiert.

Die Heritabilitäten und genetischen Korrelati-onen wurden mit dem Softwarepaket VCE6 (Groeneveld et al., 2008), basierend auf einem linearen Tiermodel uni- und multivariat ge-schätzt. Berücksichtigt wurden die fixen Effek-te Laktation*Kalbealtersklasse, Kalbe-jahr*Saison, und die zufälligen Effekte Her-de*Jahr, permanente Umwelt und genetischer Tiereffekt. Je nach Merkmal wurden zusätzlich noch die Erfassungsart (tierärztliche Diagno-sen, fix), Tage in Milch am Testtag (BCS, BCS1DIFF, FEQ, Kovariable, linear), Abstand von erstem zu zweitem BCS in Tagen (BCS1DIFF, Kovariable, linear) und Tag des ersten Ketotests sowie Anzahl Ketotests (Keto-test, Kovariable, linear) berücksichtigt. 2.3 Ergebnisse Tabelle 1 gibt eine Übersicht über die für die Parameterschätzung verwendeten Daten der Fleckvieh- und Braunviehkühe in Efficient Cow Betrieben sowie die Heritabilitäten für alle eingangs angeführten Merkmale. Der An-teil an Krankheitsfällen im Stoffwechselbe-reich und der durchschnittliche FEQ am ersten Testtag liegen in einem ähnlichen Bereich wie in einer früheren Untersuchung an einem grö-ßeren Datensatz beim Fleckvieh (Ederer et al., 2014). Die Heritabilitäten für Milchfieber, Ke-tose und FEQ liegen ebenfalls in einem ähnli-chen Bereich wie in der zuvor genannten Ar-beit, weisen jedoch auf Grund des kleineren Stichprobenumfangs höhere Standardfehler auf. Für den Ketotest wurden erstmalig Herita-bilitäten von 0,05 beim Fleckvieh bzw. 0,10 beim Braunvieh geschätzt. Ergebnisse beim kanadischen Holstein, ebenfalls mit Milchpro-ben am ersten Testtag aber mit Hilfe von Mid-Infrared Analysen, liegen mit h2 = 0,12 in ei-nem ähnlichen Bereich (Koeck et al., 2014). In Übereinstimmung mit der kanadischen Unter-


61

suchung lässt sich aus diesen Ergebnissen schließen, dass der Ketotest auf Basis von Milch ein gut geeignetes Hilfsmerkmal für den Stoffwechselbereich darstellt. Sowohl bei den Stoffwechselerkrankungen als auch bei den möglichen Hilfsmerkmalen bestehen zum Teil Unterschiede zwischen den Rassen Fleckvieh und Braunvieh. Abgesehen von möglichen Rassenunterschieden kann dies auch auf den kleineren Datenumfang beim Braunvieh zu-rückzuführen sein. Die genetischen Korrelationen (ra) zwischen den einzelnen Diagnosemerkmalen sind hoch (Tabelle 2). Durch die niedrigen Häufigkeiten von Ketose, Acidose und Labmagenverlage-rung wird das Merkmal Stoffwechsel überwie-gend durch das Milchfieber bestimmt. Auffal-lend sind die hohen Standardfehler der ra bzw. Werte nahe 1 bzw. -1 für das Merkmal Ketose auf Grund der niedrigen Frequenz des Merk-mals, des sehr kleinen Stichprobenumfangs

und tw. Konvergenzproblemen. Diese Ergeb-nisse sind somit mit Vorsicht zu interpretieren. In der Folge wird daher überwiegend auf das Merkmal Stoffwechseldiagnosen (SW) einge-gangen. Die auf Grund des deutlich kleineren Datensatzes noch unsicherer geschätzten Kor-relationen für das Braunvieh werden nicht dar-gestellt. Die genetischen Zusammenhänge zwischen Ketotest und Erkrankungen sind po-sitiv, allerdings nur für das Merkmal Stoff-wechseldiagnose (SW) signifikant von 0 ver-schieden. Die genetischen Zusammenhänge zwischen BCS und Stoffwechseldiagnosen wa-ren bei Fleckvieh und Braunvieh gegenläufig, jedoch in beiden Fällen mit sehr hohen Stan-dardfehlern, sodass eine eindeutige Aussage nicht möglich ist. Koeck et al. (2014) schätzten beim kanadischen Holstein wie beim Fleck-vieh eine negative genetische Korrelation zwi-schen BCS und Ketose (ra = -0,29).

Tabelle 1: Übersicht über die für die Parameterschätzung verwendeten Daten für Fleckvieh und Braunvieh (N = Anzahl Laktationen) und Heritabilitäten (h2, Standardfehler tiefgestellt)

Fleckvieh Braunvieh Merkmal N Durchschnitt

(von-bis) h2 N Durchschnitt

(von-bis) h2

SW 5670 0,048 (0-1) 0,0220,029 3451 0,041 (0-1) 0,0210,011 KET 5670 0,007 (0-1) 0,0070,006 3451 0,011 (0-1) 0,0190,013 MIFI 5670 0,041 (0-1) 0,0200,027 3451 0,028 (0-1) 0,0090,015 Ketotest 1805 0,557 (0-2) 0,0530,029 803 0,757 (0-2) 0,1010,040 BCS1 2492 3,31 (1,25-5) 0,1660,039 1087 3,14 (1,00-5) 0,3340,065 BCSDIFF 2169 -0,15 (-3-1,5) 0,0440,027 922 -0,15 (-2-1,25) 0,0270,015 FEQ 7187 1,28 (0,49-2,99) 0,1370,026 3207 1,28 (0,55-2,97) 0,0830,018

SW = Stoffwechselerkrankung in den ersten 100 Tagen, KET = Ketose in den ersten 100 Tagen, MIFI = Milchfieber in den ers-ten 100 Tagen, Ketotest = 0 (nicht verdächtig), 1 (100 µmol/l - <200 µmol/l) und 2 (>=200 µmol/l), BCS1 = Body Condition Score am ersten Testtag, BCSDIFF = Differenz zwischen Body Condition Score am zweiten bzw. ersten Testtag, FEQ = Fett-Eiweißquotient am ersten Testtag

Tabelle 2: Genetische Korrelationen (Standardfehler tiefgestellt) für Stoffwechselmerkmale bei der Rasse Fleckvieh

KET MIFI KETO-TEST BCS1 BCSDIFF FEQ SW 0,91 0,31 0,99 0,01 0,59 0,26 -0,56 0,36 0,57 0,55 0,27 0,25 KET 0,79 0,32 0,89 0,62 -0,99 0,17 1,00 0,00 -0,33 0,41 MIFI 0,51 0,31 -0,61 0,36 0,66 0,47 0,43 0,26 KETOTEST -0,45 0,22 -0,24 0,43 0,16 0,26 BCS1 -0,61 0,33 -0,26 0,16 BCSDIFF -0,19 0,28 FEQ

SW = Stoffwechselerkrankung in den ersten 100 Tagen, KET = Ketose in den ersten 100 Tagen, MIFI = Milchfieber in den ers-ten 100 Tagen, Ketotest = 0 (nicht verdächtig), 1 (100 µmol/l - <200 µmol/l) und 2 (>=200 µmol/l), BCS1 = Body Condition Score am ersten Testtag, BCSDIFF = Differenz zwischen Body Condition Score am zweiten bzw. ersten Testtag, FEQ = Fett-Eiweißquotient am ersten Testtag


62

Die genetische Korrelation zwischen Stoff-wechseldiagnosen und FEQ liegen bei Fleck-vieh (Tabelle 2) in dem Bereich, der von Ede-rer et al. (2014) an einem großen Datensatz für den Zusammenhang von Milchfieber bzw. Ke-tose und FEQ geschätzt wurde (ra = 0,18 bzw. 0,38). Auch beim kanadischen Holstein (Koeck et al., 2014) war die Korrelation posi-tiv und relativ hoch (ra = 0,56). Die geschätzte Korrelation zwischen Ketose und FEQ hat in dieser Untersuchung ein negatives Vorzeichen; wie schon oben erwähnt, ist dieses Ergebnis aber mit Vorsicht zu bewerten. Bei BCS ist er-sichtlich, dass die Erblichkeit von BCS1 deut-lich höher ist als die von BCSDIFF. Grund-sätzlich ist zu erwarten, dass ein BCS-Verlust zu Beginn der Laktation mit mehr Erkrankun-gen verbunden ist. Dieses Bild zeigt sich phä-notypisch auch in den Analysen von Tüchler (2015). Der Trend wird auch von den Ergeb-nissen der genetischen Analyse bestätigt, aller-dings unsicher geschätzt. Die genetischen Kor-relationen zwischen Stoffwechseldiagnosen und Ketotest, bzw. Ketose und Ketotest sind wie zu erwarten hoch. Auch der Zusammen-hang zwischen Ketotest und BCS1 liegt im zu erwartenden Bereich. Kühe mit Verdacht auf subklinische Ketose haben einen niedrigeren BCS zu Beginn der Laktation. Ähnliche Er-gebnisse wurden auch bei kanadischen Hol-stein berichtet (Koeck et al., 2014), die geneti-schen Korrelationen zwischen Ketose bzw. Ketotest und BCS am ersten Testtag lagen bei -0,29 und -0,35. Auch beim kanadischen Hol-stein wiesen jedoch die Korrelationen von Ke-tose zu den anderen Merkmalen sehr hohe Standardfehler auf. 3. Klauengesundheit 3.1 Allgemeines

Die Häufigkeit von Klauenerkrankungen und daraus resultierende Abgänge nehmen welt-weit zu. Die Zucht auf gesunde Klauen hat das Potential, hier langfristig und nachhaltig eine Trendwende zu erreichen und die Klauen-gesundheit genetisch zu verbessern. Grundlage für eine züchterische Verbesserung der Klauengesundheit ist das Vorhandensein einer

entsprechenden Datengrundlage. Das können direkte Merkmale wie Daten aus der Klauen-pflege oder tierärztliche Diagnosen sein, aber auch Hilfsmerkmale wie Lahmheiten, Exteri-eurmerkmale oder neuerdings auch Daten aus elektronisch gesteuerten Herdenmanagement-werkzeugen (Egger-Danner, 2015). 3.2 Daten und Analyse

In dieser Studie wurden Klauenpflegedaten, tierärztliche Diagnosen, Abgang und Daten aus dem Lahmheitsscoring von Fleckvieh- und Braunviehkühen in Efficient Cow Betrieben verwendet. Für tierärztliche Diagnosen wurde nicht nur das Jahr 2014 sondern auch zusätz-lich die Jahre 2012 und 2013 berücksichtigt. Folgende Merkmale wurden untersucht: Klauenpflegedaten: Die Klauenpflege wurde

im Projektzeitraum anhand eines einheitli-chen Klauenpflegeprotokolls durchgeführt. Bei der Datenvalidierung wurden nur Da-ten von Betrieben herangezogen, wo im Kontrolljahr von mindestens 70 Prozent der Tiere eine Information zur Klauenpfle-ge zur Verfügung stand. Diese Vorgangs-weise wurde in Anlehnung an Erfahrungen bei der Validierung von anderen Ländern gewählt (Charfeddine et al., 2016).

Klauendiagnosen: Seit der Etablierung der Er-fassung von tierärztlichen Diagnosen im Rahmen des Projektes „Gesundheitsmoni-toring Rind“ werden in Österreich routi-nemäßig auch Diagnosen aus dem Bereich der Klauen- und Gliedmaßenerkrankungen erfasst (Egger-Danner et al., 2012). Als Diagnosen wurden die Diagnosen Panari-tium, Mortellaro, Klauengeschwür und Klauenrehe zusammengefasst.

Abgang: Abgang aufgrund von Klauen- und Gliedmaßenerkrankungen. Alle bisher ge-nannten Merkmale wurden als binäre Merkmale mit 0 = gesund und 1 = krank innerhalb von 305 Tagen definiert.

Lahmheiten: Im Projekt „Efficient Cow“ wur-de die Lahmheitsbeurteilung nach ZIN-PRO mit einer 5-stufigen Skala verwendet (http://www.zinpro.com/lameness/dairy/locomotion-scoring, 1 = nicht lahm und 5 = hochgradig lahm). Die Beurteilung erfolg-te von geschulten Mitarbeitern der Lan-deskontrollverbände bei jeder Milchleis-


63

tungskontrolle. Aus den einzelnen Lahm-heitsnoten wurde ein sogenannter Laktati-onswert (LSC) berechnet und eine Zutei-lung zu 1 bis 5 vergeben, wenn mindestens 4 Beobachtungen vorlagen. Die Einteilung erfolgte nach dem Vorschlag von Prof. Kofler und Dr. Burgstaller (beide Vetme-duni, Wien): 0 = immer 1, 1 = bei 4-6 Be-obachtungen max. ein Mal 2 sonst immer 1 oder bei mind. 7 LSC Werten maximal zwei Mal 2 sonst immer 1, 2 = bei 4-6 Be-obachtungen mindestens zwei Mal 2 oder ab 7 Beobachtungen mind. drei Mal 2 sonst immer 1 oder ein Mal 3 und sonst immer 1, 3 = mind. zwei Mal 3, 4 = mind. ein Mal 4 oder 5.

Die Heritabilitäten und genetischen Korrelati-onen wurden mit dem Softwarepaket VCE6 (Groeneveld et al., 2008), basierend auf einem linearen Tiermodel uni- und multivariat ge-schätzt. Berücksichtigt wurden die fixen Effek-te Laktation*Kalbealtersklasse, Kalbe-jahr*Saison, und die zufälligen Effekte Her-de*Jahr, permanente Umwelt und genetischer Tiereffekt. Je nach Merkmal wurde zusätzlich noch auf die Erfassungsart (tierärztliche Diag-nosen, fix) und den Beurteiler (Lahmheit und Klauenpflege, fix) korrigiert. 3.3 Ergebnisse

Die Häufigkeiten der Klauenerkrankungen lie-gen im Datensatz von Fleckvieh bei 4,6%, bei Braunvieh bei 6,2%. Bei tierärztlichen Diag-

nosen werden nur die schweren Fälle erfasst, während leichtere Fälle bereits im Zuge der Klauenpflege behandelt werden. Die Häufig-keiten zeigen, dass bei Braunvieh 43,5% und bei Fleckvieh 51% der Tiere mindestens einen positiven Klauenbefund aufwiesen (Tabelle 3). Die Heritabilitäten für Klauendiagnosen liegen im Bereich von 2% (Tabellen 4 und 5) und entsprechen daher früheren Arbeiten, in denen in größeren Datensätzen genetische Parameter geschätzt wurden (Fuerst-Waltl et al. 2012; Egger-Danner, 2015). Die Ergebnisse zeigen, dass der LSC-Wert bei beiden Rassen die höchste Heritabilität von rund 0,10 aufweist. Die Heritabilität der Klauenpflegedaten liegt bei Fleckvieh bei 4,2% und bei Braunvieh bei 7,5%. Die genetischen Zusammenhänge zwi-schen den Merkmalen sind durchwegs sehr po-sitiv. Die Beziehung zwischen LSC-Wert und Klauenpflege ist bei Braunvieh hoch positiv, bei Fleckvieh nahe 0 und aufgrund des hohen Standardfehlers nicht aussagekräftig. Ein Ver-gleich mit Ergebnissen aus anderen Studien zeigt, dass die Ergebnisse im erwarteten Be-reich liegen. Dass die Erblichkeiten für die Klauenpflegedaten nicht höher liegen, könnte auch damit zusammenhängen, dass die Klauenpflegedaten sehr inhomogen waren. Es wäre zu erwarten, dass bei elektronischer Be-reitstellung dieser Daten durch die Klauen-pfleger höhere Heritabilitäten erzielt werden könnten.

Tabelle 3: Übersicht über die für die Parameterschätzung verwendeten Daten für Fleckvieh und Braunvieh

Fleckvieh Braunvieh Merkmal N Durchschnitt (von-bis) N Durchschnitt (von-bis) Klauendiagnosen 6427 0,046 (0-1) 2449 0,062 (0-1) LSC-Wert 2963 0,994 (0-4) 1410 0,889 (0-4) Klauenpflege 2451 0,510 (0-1) 1047 0,435 (0-1) Abgang 9666 0,005 (0-1) 4407 0,006 (0-1)

Tabelle 4: Heritabilitäten und genetische Korrelationen (Standardfehler tiefgestellt) für Merkma-le zur Klauengesundheit bei der Rasse Fleckvieh

Klauendiagnose LSC-Wert Klauenpflege Abgang Klauendiagnose 0,025 0,009 0,57 0,09 0,83 0,14 0,99 0,02 LSC-Wert 0,095 0,025 0,01 0,29 0,64 0,18 Klauenpflege 0,042 0,020 0,77 0,21 Abgang 0,011 0,005


64

Tabelle 5: Heritabilitäten und genetische Korrelationen (Standardfehler tiefgestellt) für Merkma-le zur Klauengesundheit bei der Rasse Braunvieh

Klauendiagnose LSC-Wert Klauenpflege Abgang Klauendiagnose 0,013 0,009 0,64 0,29 0,33 0,41 0,97 0,05 LSC-Wert 0,111 0,03 0,93 0,08 0,45 0,28 Klauenpflege 0,075 0,026 0,11 0,39 Abgang 0,011 0,005

4. Schlussfolgerungen Ein wesentliches Kriterium für eine effiziente und robuste Kuh ist, dass die kritische Phase zu Beginn der Laktation mit möglichst wenig Verlust an Körperreserven geschafft wird. Zum überwiegenden Teil gilt es, das Manage-ment und im speziellen die Fütterung zu opti-mieren und auf eine ideale Körperkondition vor dem Trockenstellen zu achten. Es gibt je-doch auch genetische Unterschiede in der An-fälligkeit von Tieren für Stoffwechselerkran-kungen. Aktuell gibt es nur eine Zuchtwert-schätzung für das Merkmal Milchfieber. Im Zuge der Forschungsarbeiten im Projekt Effi-cient Cow wurde analysiert, welche direkten und indirekten Merkmale für die züchterische Verbesserung der Stoffwechselstabilität am besten genutzt werden können. Hier zeigte sich, dass es möglich und wertvoll ist, ver-schiedene vorhandene Datenquellen (Diagno-sen, Ketotest-Ergebnisse, BCS, Fett-Eiweiß-Quotient) zur Beschreibung von Stoffwechsel-störungen züchterisch zu nutzen. Während über die Diagnosen ausschließlich klinische Fälle berücksichtigt werden können, bieten Hilfsmerkmale wie der Ketotest oder der Fett-Eiweißquotient auch die Möglichkeit, subkli-nische Erkrankungen abzubilden, die ebenfalls mit wirtschaftlichen Verlusten verbunden sind (z.B. Peinhopf und Prunner, 2016). Mit Heri-tabilitäten, die deutlich über jenen der Diagno-sen liegen, erwies sich der Milch-Ketotest als gut nutzbar. Auf Basis von MIR (Mid-Infrared-Spektren)-Daten aus Milch (Koeck et al., 2014) wurden ähnlich Heritabilitäten ge-schätzt. Nach Iwersen et al. (2009) wären mit Hilfe des Blut-Ketotests genauere Werte und damit eventuell höhere Heritabilitäten zu er-warten. Diese eignen sich jedoch nicht für die routinemäßige Nutzung (Koeck et al., 2014).

Hinsichtlich der Klauengesundheit wäre ein erster Schritt, basierend auf den tierärztlichen Diagnosen Zuchtwerte für Klauengesundheit routinemäßig bereitzustellen. Die tierärztlichen Diagnosen für die Klauenerkrankungen decken jedoch nur jene schwereren Fälle ab, bei denen tierärztliche Intervention notwendig war. Da-her sind die Frequenzen relativ niedrig (ca. 5% in Österreich). Der Vorteil dieser Daten ist je-doch, dass sie durch das Gesundheitsmonito-ring Rind bereits in der Breite erfasst werden und im Rinderdatenverbund für die Zuchtwert-schätzung nutzbar sind. Ein Testlauf für die Zuchtwertschätzung zur Klauengesundheit zeigt, dass z.B. bei Fleckvieh alleine aus Öster-reich ca. 680.000 Datensätze zur Klauen-gesundheit zur Verfügung stehen (Egger-Danner, 2015). Ein weiterer wichtiger Schritt wäre aber - ähn-lich wie in anderen Ländern - die Zusammen-arbeit mit den relevanten Partnern zu suchen und eine strukturierte Erfassung von Klauen-pflegedaten und deren Nutzung für Herdenma-nagement und Zucht aufzubauen. Für die Da-tenqualität ist wichtig, dass diese standardi-siert, von ausgebildeten Klauenpflegern do-kumentiert und nach Möglichkeit direkt elekt-ronisch in die zentrale Rinderdatenbank (RDV) übermittelt werden. Die aus dem Effi-cient Cow geschätzte Erblichkeit von ca. 4 bzw. 7% für Klauenpflegedaten bietet Potenti-al für Verbesserungen. Zudem wäre es wert-voll, Landwirte durch die Bereitstellung von mobilen Erfassungsmöglichkeiten zur Beurtei-lung der Lahmheit (z.B. Lahmheitsscoring nach Sprecher et al., 1997) zu unterstützen. Diese primär für das Management wertvollen Daten könnten auch für die Zuchtwertschät-zung herangezogen werden. In der Zukunft könnten sich auch aus Aktivitätsdaten neue Möglichkeiten ergeben (Egger-Danner et al., 2014). Analysen zur Vorhersage von Lahmhei-


65

ten aus MIR-Daten werden derzeit basierend auf Efficient Cow-Daten ebenfalls durchge-führt. Ähnlich wie bei den Stoffwechselmerkmalen sollten die verschiedenen Informationsquellen, Diagnosen, Klauenpflegeergebnisse, Lahm-heitsbeobachtungen aber auch Merkmale der linearen Beschreibung in einem Klauenindex kombiniert werden. Um diese neuen Merkmale auch in die geno-mische Selektion einbeziehen zu können, ist zu empfehlen, Informationen zu klinischen und subklinischen Stoffwechselerkrankungen aber auch zur Klauengesundheit auch bei der Kuhkalibrierung zu berücksichtigen. Die Er-gebnisse zeigen, dass für den Stoffwechsel- und den Klauenkomplex verschiedene aussa-gekräftige Informationsquellen nutzbar sind. Es empfiehlt sich, diese Informationen in einen Stoffwechselindex bzw. Klauenindex zu kom-binieren und diese Indices im Gesamtzucht-wert zu berücksichtigen. 5. Literatur Charfeddine N., Alsaaod M., Burgstaller J., Christen A.-

M., de Jong, G., Egger-Danner C., Fiedler A., He-ringstad B, Holzhauer M., Kofler J., Malchiodi F., Miglior F., Mueller K. E., Nielsen P., Ruottu H., Sogstad Å. M., Steiner A., Stock F. K., Thomas G., 2016. Guidelines for the validation and use of claw health data. 40th ICAR Biennial Session, Puerto Va-ras, Chile, 24.-28.10.2016.

De Kruif, Mansfeld R., Hoedemaker M., 2007. Tierärzt-liche Bestandsbetreuung beim Milchrind.2., voll-ständig überarbeitete und erweiterte Aufl., Stuttgart: Enke Verlag.

Egger-Danner C., Fuerst-Waltl B., Obritzhauser W., Fuerst C., Schwarzenbacher H., Grassauer B., Ma-yerhofer M., Koeck A., 2012. Recording of direct health traits in Austria-experience report with em-phasis on aspects of availability for breeding purpos-es. J Dairy Sci. 95,2765–2777.

Egger-Danner C., 2015. Züchterische Verbesserung der Klauengesundheit – Internationale Entwicklungen und Situation in Österreich. Seminar des Ausschus-ses für Genetik der ZAR, Gesunde Klauen und gute Fundamente, 35-45.

Elanco (Hrsg.) 2012. Keto-Test. Healthy Start. (Pro-duktbroschüre)

Ederer S., Egger-Danner C., Zollitsch W., Fuerst-Waltl B., 2014. Metabolic disorders and their relationships to milk production traits in Austrian Fleckvieh. IC-AR 39th Biennial Session, Berlin, 19.-23. Mai 2014.

Fuerst C., Egger-Danner C., 2014. Inclusion of direct health traits in the total merit index of Fleckvieh and Brown Swiss cattle in Austria and Germany. ICAR 39th Biennial Session, Berlin, 19.-23. Mai 2014.

Fuerst C., Koeck A., Egger-Danner C., Fuerst-Waltl B., 2011. Routine genetic evaluation for direct health traits in Austria and Germany. Interbull Bulletin 44, 210-215.

Fuerst-Waltl B., Fuerst C., Egger-Danner C., 2012. Claw health data in the routine health monitoring of Austrian Fleckvieh cattle. 63rd Annual Meeting of the European Federation of Animal Science, Brati-slava, AUG 27-31, 2012.

Gasteiner J., 2000. Ketose, die bedeutendste Stoffwech-selerkrankung der Milchkuh. 27. Viehwirtsch. Fach-tagung, Bundesanstalt für alpenländische Landwirt-schaft Gumpenstein, Irdning.

Groeneveld E., Kovac M., Mielenz N., 2008. VCE 6.0.2, Co-variance components estimation package. Institute of Farm Animals Genetics, Mariensee, Germany.

Ingvartsen K.L., Friggens N.C., 2005. To what extent do variabilities in hormones,metabolites and energy in-take explain variability in milk yield? Domest. Anim. Endocrinol. 29,294-304.

Iwersen M., Falkenberg U., Voigtsberger R., Forderung D., Heuwieser W., 2009. Evaluation of an electronic cowside test to detect subclinical ketosis in dairy cows. J. of Dairy Science, Volume 92 (6), 2618–2624.

Kirchgessner M., Roth E., Schwarz E., Stangl G.I., 2008. Tierernährung. 12. Aufl., DLG Verlag, Frank-furt am Main.

Koeck A., Jamrozik J., Schenkel F.S., Moore R.K., Lef-ebvre D.M., Kelton D.F., Miglior F., 2014. Genetic analysis of milk β-hydroxybutyrate and its associa-tion with fat-to-protein ratio, body condition score, clinical ketosis, and displaced abomasum in early first lactation of Canadian Holsteins. Journal of Dairy Science 97, 7286–7292.

Koeck A., Fuerst F., Egger-Danner C., 2015. Farmer-observed health data around calving — Genetic pa-rameters and association with veterinarian diagnoses in Austrian Fleckvieh cows. J. Dairy Science, Vol. 98 (4), 2753-2758.

Peinhof W., Prunner I., 2016. Diätetische Prophylaxe von Milchfieber und Ketose bei Milchkühen. Tier-ärztl. Umschau 71, 147 – 156.

Sprecher D.J., Hostetler D.E., Kaneene J.B., 1997. A lameness scoring system that uses posture and gait to predict dairy cattle reproductive performance. Theri-ogenology 47, 1178-1187.

Tüchler T., 2015. Analyse der Häufigkeiten von Stoff-wechselstörungen und Mastitis bei Milchkühen. Masterarbeit, Univ. für Bodenkultur Wien.

ZAR-Seminar 2017 Fürst – Zuchtwerte für Lebendgewicht

66

Zuchtwerte für Lebendgewicht zur züchterischen Verbesserung der Effizienz?

Christian Fürst, Birgit Fürst-Waltl, Christina Pfeiffer und Christa Egger-Danner

1. Einleitung Das Lebendgewicht (bzw. physikalisch korrekt Lebendmasse) der Kühe spielt für die Nähr-stoff- oder Futter-Effizienz eine große Rolle. Gruber und Ledinek (2017) empfehlen daher eine züchterische Berücksichtigung des Le-bendgewichts, auch wenn sich die österreichi-schen Rinderrassen (noch) im Optimalbereich befinden. Eine wichtige Fragestellung im Pro-jekt Efficient Cow war daher, ob mit den erho-benen Daten für das Lebendgewicht aus dem Projekt in Kombination mit vorliegenden Ma-ßen aus der routinemäßigen linearen Exteri-eurbeschreibung eine Routine-Zuchtwert-schätzung (ZWS) entwickelt werden kann. Da-zu wurden die genetischen Parameter für die zur Verfügung stehenden Maße geschätzt und erste ZWS-Testläufe durchgeführt.

2. Genetische Parameter Für die Schätzung der Heritabilitäten (Erblich-keiten) und genetischen Korrelationen zwi-schen allen Merkmalen standen von 3.329 Fleckvieh-, 1.428 Braunvieh- und 1.160 Hol-stein-Kühen im Rahmen des Projekts erhobene Körpermaße zur Verfügung. Durch wiederhol-te Messungen konnten 20.905, 9.071 bzw. 6.826 Lebendgewichte für die drei Rassen verwendet werden. Zusätzlich zu den im Pro-jekt erhobenen Daten wurden auch Daten aus der routinemäßigen linearen Exterieur-Beschreibung berücksichtigt. Die genetischen Parameter wurden für jede Rasse mit allen 14 (Fleckvieh) bzw. 13 (Braunvieh und Holstein) Merkmalen multivariat mit dem Programm VCE6 (Groeneveld et al., 2008) geschätzt. Folgendes Modell wurde gewählt:

• Fixe Effekte: Region-Jahr-Saison, Laktation-Kalbealtersklasse, Laktation-Abstand von Kalbung, Betrieb-Jahr, Beurteiler-Jahr

• Zufällige Effekte: permanenter Um-welteffekt, genetischer Effekt der Kuh

Die Ergebnisse sind in den Tabellen 1 bis 3 zu finden. Die Heritabilitäten für das Lebendge-wicht liegen zwischen 34 und 43%. Die höchs-ten genetischen Korrelationen zum Lebendge-wicht zeigen die Merkmale Brustumfang und Bauchumfang, aber auch die weiteren Kör-permaße zeigen deutliche genetische Zusam-menhänge. Bei der Rasse Holstein weist das Merkmal Milchcharakter, bei dem die Schärfe im Widerrist bewertet wird, erwartungsgemäß einen negativen Zusammenhang auf. Das Merkmal Stärke, das als Breite in der Vorhand definiert ist, zeigt ebenfalls einen starken gene-tischen Zusammenhang zum Lebendgewicht.

3. Zuchtwertschätz-Testläufe Die Zuchtwertschätz-Testläufe wurden basie-rend auf einem multivariaten BLUP-Tiermodell mit dem Programm MiX99 (Li-dauer et al., 2015) für die Rassen Fleckvieh und Braunvieh durchgeführt, die Sicherheiten wurden mit dem Programm ApaX (Stranden et al., 2015) berechnet. Das statistische Modell entsprach dem Modell der Parameterschät-zung. Zusätzlich zu den Efficient Cow-Daten wurden auch die Maße aus der linearen Beschreibung von österreichischen Kühen ab dem Jahr 2000 mitberücksichtigt, sodass der Datenumfang wesentlich größer war als bei der Parameter-schätzung. Beim Fleckvieh gingen Daten von 170.091 Kühen in die ZWS ein, beim Braun-vieh 62.560. Detaillierte Statistiken zu den verwendeten Daten sind in den Tabellen 4 (Fleckvieh) und 5 (Braunvieh) zu finden. Aus den Ergebnissen der Testläufe für einen ZW Lebendgewicht lässt sich die genetische Entwicklung des Lebendgewichts der Kühe in den letzten Jahren ableiten (Abb. 1). Zu beach-ten ist allerdings, dass Gewichtsdaten aus-


67

schließlich aus dem Efficient Cow-Projekt verwendet wurden, also nur aus dem Jahr 2014. Der weiter in der Vergangenheit liegen-de errechnete genetische Trend ist daher mit etwas mehr Unsicherheit behaftet, weil sich dieser ausschließlich aus den korrelierten Merkmalen ergibt. Trotzdem kann festgestellt werden, dass in den letzten Jahren ein stabiler genetischer Trend zu beobachten ist. Bei De-tailanalysen auch aus der Routine-ZWS zeigt sich, dass zwar die Kreuzhöhe der Tiere ge-stiegen ist, allerdings bei einem gleichzeitigen Rückgang der Bemuskelung. Daraus resultiert eine weitgehend stabile Gewichtsentwicklung.

Ein wichtiges Ergebnis der ZWS-Testläufe sind auch die ZW-Sicherheiten für die Stiere. Durch die relativ hohen Heritabilitäten und die hohen genetischen Korrelationen der Körper-maße zum Lebendgewicht sind überwiegend hohe Sicherheiten zu erzielen. Dies trifft auch auf ältere Stiere, von denen keine Wiegungen der Töchter vorliegen, zu. In Abbildung 2 ist zu sehen, dass die durchschnittlichen Sicher-heiten der Fleckvieh-KB-Stiere überwiegend zwischen 60 und 70% liegen, beim Braunvieh etwa zwischen 50 und 60%.

Tabelle 1: Heritabilitäten (Diagonale) und genetische Korrelationen (oberhalb Diagonale) für Lebendgewicht und verschiedene Körpermaße bei der Rasse Fleckvieh.

LG BaU BU Bem BCS KH HB MHL RT BL BBv BBh KBh Ra

LG 0,42 0,83 0,89 0,43 0,50 0,59 0,70 0,76 0,78 0,80 0,72 0,62 0,68 0,74 BaU

0,34 0,77 0,36 0,49 0,35 0,49 0,49 0,84 0,57 0,55 0,33 0,50 0,52

BU

0,43 0,40 0,51 0,54 0,64 0,54 0,77 0,78 0,62 0,45 0,56 0,67 Bem

0,19 0,75 -0,14 0,07 0,00 0,07 0,14 0,20 0,30 0,58 -0,02

BCS

0,22 -0,03 0,16 0,12 0,30 0,31 0,28 0,22 0,29 0,07 KH

0,59 0,58 0,73 0,61 0,69 0,51 0,56 0,27 0,97

HB

0,22 0,60 0,42 0,53 0,94 0,63 0,52 0,71 MHL

0,24 0,65 0,66 0,52 0,53 0,42 0,80

RT

0,29 0,69 0,42 0,33 0,32 0,71 BL

0,29 0,53 0,48 0,48 0,76

BBv

0,31 0,60 0,61 0,66 BBh

0,13 0,60 0,63

KBh

0,15 0,43 Ra

0,56

LG=Lebendgewicht, Bau=Bauchumfang, BU=Brustumfang, Bem=Bemuskelung, KH=Kreuzhöhe, HB=Hüftbreite, MHL=Mittelhandlänge, RT=Rumpftiefe, BBv/BBh=Beckenbreite vorne/hinten, KBh=Körperbreite hinten, Ra=Rahmen

Tabelle 2: Heritabilitäten (Diagonale) und genetische Korrelationen (oberhalb Diagonale) für Lebendgewicht und verschiedene Körpermaße bei der Rasse Braunvieh.

LG BaU BU Bem KH RT BL BrB BB BBv BBh KBh Ra LG 0,43 0,89 0,81 0,56 0,56 0,66 0,74 0,49 0,71 0,75 0,63 0,76 0,67 BaU 0,29 0,77 0,43 0,42 0,75 0,55 0,44 0,64 0,67 0,52 0,63 0,72 BU 0,49 0,38 0,53 0,76 0,65 0,62 0,59 0,59 0,46 0,58 0,83 Bem 0,27 0,02 0,00 0,19 0,50 0,42 0,38 0,37 0,76 0,18 KH 0,57 0,61 0,72 0,31 0,55 0,44 0,38 0,37 0,75 RT 0,33 0,50 0,47 0,53 0,28 0,43 0,32 0,86 BL 0,36 0,36 0,46 0,53 0,40 0,46 0,54 BrB 0,16 0,73 0,28 0,64 0,34 0,65 BB 0,36 0,72 0,94 0,60 0,75 BBv 0,49 0,63 0,62 0,52 BBh 0,36 0,60 0,57 KBh 0,23 0,48 Ra 0,22

LG=Lebendgewicht, Bau=Bauchumfang, BU=Brustumfang, Bem=Bemuskelung, KH=Kreuzhöhe, RT=Rumpftiefe, BL=Beckenlänge, BrB=Brustbreite, BB=Beckenbreite, BBv/BBh=Beckenbreite vorne/hinten, KBh=Körperbreite hinten, Ra=Rahmen


68

Tabelle 3: Heritabilitäten (Diagonale) und genetische Korrelationen (oberhalb Diagonale) für Lebendgewicht und verschiedene Körpermaße bei der Rasse Holstein.

LG BaU BU Bem KH RT MCha Stä Kö BB BBv BBh KBh LG 0,34 0,82 0,72 0,62 0,30 0,49 -0,35 0,73 0,19 0,35 0,57 0,62 0,69 BaU 0,31 0,67 0,50 0,17 0,67 -0,22 0,62 0,18 0,33 0,53 0,53 0,54 BU 0,40 0,35 0,30 0,42 -0,36 0,64 0,40 0,09 0,42 0,40 0,40 Bem 0,33 -0,20 0,07 -0,60 0,40 -0,12 0,07 0,30 0,38 0,55 KH 0,22 0,38 0,35 0,15 0,25 0,28 0,36 0,17 0,59 RT 0,30 0,08 0,56 0,37 0,32 0,41 0,30 0,31 MCha 0,35 -0,30 0,33 0,09 -0,07 0,07 -0,29 Stä 0,15 0,47 0,03 0,24 0,37 0,30 Kö 0,18 -0,03 0,49 0,40 -0,08 BB 0,24 0,36 0,74 0,40 BBv 0,31 0,56 0,54 BBh 0,43 0,45 KBh 0,12

LG=Lebendgewicht, Bau=Bauchumfang, BU=Brustumfang, Bem=Bemuskelung, KH=Kreuzhöhe, RT=Rumpftiefe, MCha=Milchcharakter, Stä=Stärke, Kö=Körper, BB=Beckenbreite, BBv/BBh=Beckenbreite vorne/hinten, KBh=Körperbreite hinten

Tabelle 4: Statistiken zum Zuchtwertschätz-Datensatz bei der Rasse Fleckvieh

Merkmal N Mittel Stdabw Lebendgewicht 20.899 731,4 85,5 Bauchumfang 20.701 257,9 13,6 Brustumfang 20.715 212,1 10,0 Bemuskelung 158.950 81,1 3,6 BCS 133.831 3,0 0,6 Kreuzhöhe 143.074 143,3 3,7 Hüftbreite 137.889 54,0 2,7 Mittelhandlänge 142.691 86,1 3,8 Rumpftiefe 142.655 79,6 3,7 Beckenlänge 142.777 53,8 2,4 Beckenbreite vo. 6.018 56,6 3,3 Beckenbreite hi. 6.018 40,6 5,2 Körperbreite hi. 6.018 53,6 6,3 Rahmen 67.431 80,2 3,8

Tabelle 5: Statistiken zum Zuchtwertschätz-Datensatz bei der Rasse Braunvieh

Merkmal N Mittel Stdabw Lebendgewicht 9.071 650,6 75,5 Bauchumfang 8.790 248,9 12,8 Brustumfang 8.946 203,7 9,5 Bemuskelung 58.784 80,5 4,0 Kreuzhöhe 52.152 147,1 3,7 Rumpftiefe 64.428 80,3 3,4 Beckenlänge 64.338 54,5 2,6 Brustbreite 49.927 5,4 1,3 Beckenbreite 61.860 34,3 2,6 Beckenbreite vo. 2.458 56,0 3,5 Beckenbreite hi. 2.458 35,5 3,0 Körperbreite hi. 2.458 53,6 4,3 Rahmen 49.927 79,6 4,8

Abb. 1: Genetische Trends für Lebendgewicht bei Fleckvieh und Braunvieh (Stiere)

Abb. 2: Entwicklung der durchschnittlichen Sicher-heiten für Lebendgewicht der KB-Stiere der Rassen Fleckvieh und Braunvieh


69

In Tabelle 6 ist die relativ große Anzahl an Stieren über 30, 50, 70 bzw. 90% Sicherheit zu finden. Da bei der Einführung einer Routine-ZWS für Lebendgewicht auch Daten aus Deutschland, Tschechien und Italien verwen-det werden könnten, kann man davon ausge-hen, dass die Sicherheiten noch deutlich stei-gen würden. Dadurch wäre es durchaus mög-lich, eine genomische ZWS für Lebendgewicht zu implementieren, um auch bei Jungstieren bereits Zuchtwerte zur Verfügung stellen zu können. Tabelle 6: Anzahl KB-Stiere über 30, 50, 70 bzw. 90% Sicherheit für den ZW Lebendgewicht

Sicherheit ≥ Fleckvieh Braunvieh 30% 7.470 2.919 50% 3.331 1.108 70% 2.503 481 90% 391 82

Abb. 3: Durchschnittliche phänotypische Unter-schiede in Abhängigkeit vom ZW Lebendgewicht bei Fleckvieh und Braunvieh In Abbildung 3 ist der Zusammenhang zwi-schen den Zuchtwerten für Lebendgewicht und dem durchschnittlichen Gewicht der Kühe dargestellt. Beim Fleckvieh reicht die Band-breite von den Stieren mit den niedrigsten zu

den mit den höchsten Lebendgewicht-Zuchtwerten von durchschnittlich 700 bis 770 kg, beim Braunvieh von ca. 600 bis 700 kg.

Zur groben Abschätzung wie wichtig direkte Gewichtsdaten der Kühe sind, um zuverlässige Lebendgewicht-Zuchtwerte zu schätzen, wur-den mehrere Testläufe mit unterschiedlichen Daten durchgeführt. Diese Testläufe basierten ausschließlich auf Kühen mit Efficient Cow-Daten. Zusätzlich zur vollständigen Variante (alle 14 bzw. 13 verfügbaren Merkmale) wur-den Testläufe ausschließlich mit den Körper-maßen (Fleckvieh: Kreuzhöhe, Hüftbreite, Mittelhandlänge, Rumpftiefe, Beckenlänge; Braunvieh: Kreuzhöhe, Rumpftiefe, Becken-länge, Brustbreite, Beckenbreite), ein weiterer Testlauf mit zusätzlicher Verwendung der Bemuskelungsnote und schließlich mit zusätz-licher Berücksichtigung des Brustumfangs durchgeführt.

In Tabelle 7 sind die Sicherheiten bzw. Sicher-heitsunterschiede und ZW-Korrelationen die-ser Testläufe angeführt. Bei ausschließlicher Verwendung der Körpermaße (‚Maße‘) ist die durchschnittliche Sicherheit der KB-Stiere um ca. 11 (Fleckvieh) bzw. 15% (Braunvieh) nied-riger als mit dem vollständigen Datensatz in-klusive der Lebendgewichte. Wenn man die Bemuskelung dazu nimmt, ist der Sicherheits-verlust nur mehr etwa 8%, bei zusätzlicher Verwendung des Brustumfangs nur mehr ma-ximal 4 Prozentpunkte. Die ZW-Korrelationen zeigen, dass man mit den routinemäßig vorlie-genden Maßen aus der linearen Beschreibung und der Bemuskelung zumindest mit einer Korrelation deutlich über 0,80 rechnen kann. Würde man zusätzlich auch den Brustumfang erheben, könnte man die Korrelation noch einmal deutlich steigern.

Tabelle 7: Sicherheits-Differenzen und ZW-Korrelationen von Testläufen mit unterschiedlichen Daten

Fleckvieh (n=513) Braunvieh (n=174) Sicherheit(-Diff.) Korrelation Sicherheit(-Diff.) Korrelation Lebendgewicht 44,7 1,00 44,9 1,00 Maße -10,8 0,78 -14,6 0,78 Maße+Bemusk. -7,9 0,82 -7,9 0,86 Maße+Bemusk.+BU -3,9 0,88 -0,4 0,98


70

4. Lebendgewicht und Gesamt-zuchtwert

4.1 Korrelationen

Zur Abschätzung der Zusammenhänge des Le-bendgewichts zu den anderen ZW-Merkmalen wurden die ZW-Korrelationen bei Fleckvieh und Braunvieh berechnet. Als Vorbereitung auf eine mögliche Einbeziehung des Lebend-gewichts in den Gesamtzuchtwert (GZW) wurden die genetischen Korrelationen zu den Merkmalen im GZW beim Fleckvieh ge-schätzt. Die genetischen Korrelationen wurden anhand von de-regressierten Zuchtwerten ent-sprechend der im Projekt OptiGene (Egger-Danner et al., 2015, Pfeiffer, 2015) untersuch-ten ‚Methode Ducrocq‘ geschätzt. Die Ergeb-nisse der ZW-Korrelationen und der geneti-schen Korrelationen sind in Tabelle 8 darge-stellt.

Die ZW-Korrelationen zeigen, dass das Le-bendgewicht zum GZW praktisch unkorreliert ist. Das bedeutet, dass bei Selektion nach dem aktuellen GZW keine nennenswerten Verände-rungen der Lebendgewichte zu erwarten sind. Der Zusammenhang zu den Milchmerkmalen ist nahe Null mit negativer Tendenz zu den Mengenmerkmalen beim Fleckvieh. Erwar-tungsgemäß merklich positiv ist der Zusam-menhang zu Nettozunahme und Handelsklasse. Zur Fitness besteht tendenziell ein negativer Zusammenhang, speziell zur Nutzungsdauer, zum paternalen Kalbeverlauf, aber auch zu Persistenz und Vitalität. Die Korrelationen zu den Gesundheitsmerkmalen sind sehr unsicher geschätzt und daher schwierig einzuschätzen. Der deutliche Zusammenhang zu Rahmen und Bemuskelung ist naheliegend, zur Beckennote beim Braunvieh, in der die Beckenbreite ent-halten ist, relativ hoch. Die dargestellten Zusammenhänge in Form von Korrelationen sind grundsätzlich linear de-finiert. Da man beim Lebendgewicht aber von einem Optimumbereich ausgehen kann (siehe Gruber und Ledinek, 2017), wurden die durch-schnittlichen Zuchtwerte für verschiedene ZW-Klassen berechnet. In Tabelle 9 sind die durch-schnittlichen Zuchtwerte eingeteilt in Klassen

von unter 85 bis über 115 für den ZW Lebend-gewicht beim Fleckvieh dargestellt. Aus dieser Darstellung lassen sich keine nennenswerten nicht-linearen Zusammenhänge ablesen. Tabelle 8: ZW-Korrelationen des Lebendge-wichts zu weiteren Merkmalen und genetische Korrelationen zu GZW-Merkmalen beim Fleckvieh.

ZW-Korrelationen Genet. Korr.

Fleckvieh Braunvieh Fleckvieh

GZW -0,04 0,01

MW -0,08 0,08

FW 0,13 0,21

FIT -0,04 -0,14

Mkg -0,06 0,03

F% -0,06 0,06

Fkg -0,13 0,08 -0,15 E% 0,10 0,09

Ekg -0,01 0,08 -0,10 NTZ 0,34 0,23 0,13 AUS -0,06 0,04 0,00 HKL 0,15 0,17 0,13 ND -0,10 -0,20 -0,01 Pers -0,05 -0,21 0,01 FRW 0,02 0,02 0,00 KVLp -0,16 -0,13

KVLm 0,05 0,06 -0,03 VIW -0,17 -0,04 -0,18 EGW 0,05 -0,10 0,08 ZZ 0,03 -0,14

Mbk -0,11 -0,05 -0,11 Mas 0,08 -0,26

fFRU -0,03 -0,03

Zyst 0,00 -0,01

Mifi 0,18 -0,03

Ra 0,54 0,49

Be 0,68 0,58

Fu -0,15 0,10

Eu 0,03 0,03

GZW=Gesamtzuchtwert, MW=Milchwert, FW=Fleischwert, FIT=Fitnesswert, Mkg=Milch-kg, F%=Fettprozent, Fkg=Fett-kg, E%=Eiweißprozent, Ekg=Eiweiß-kg, NTZ=Nettozunahme, AUS=Ausschlachtung, HKL=Handelsklasse, ND=Nutzungsdauer, Pers=Persistenz, FRW=Fruchtbarkeitswert, KVLp/m=Kalbeverlauf pa-ternal/maternal, VIW=Vitalitätswert, EGW=Eutergesundheitswert, ZZ=Zellzahl, Mbk=Melkbarkeit, Mas=Mastitis, fFRU=frühe Frucht-barkeitsstörungen, Zyst=Zysten, Mifi=Milchfieber, Ra=Rahmen, Be=Bemuskelung (Fleckvieh) bzw. Be-cken (Braunvieh), Fu=Fundament, Eu=Euter


71

Tabelle 9: Durchschnittliche Zuchtwerte in Abhängigkeit des Zuchtwertes für Lebendge-wicht beim Fleckvieh.

ZW Lebendgewicht ≤85 86-95 96-105 106-115 ≥116

GZW 105,8 104,7 104,6 103,6 103,5 MW 103,8 102,4 101,8 101,0 100,9 FW 99,3 100,2 101,8 101,7 105,4 FIT 103,2 103,2 103,0 102,7 101,0 Mkg 142 132 86 69 19 F% 0,02 -0,01 -0,02 -0,03 -0,01 Fkg 6,7 3,9 1,7 0,1 -0,4 E% 0,00 -0,02 0,01 0,01 0,03 Ekg 4,5 3,2 3,4 2,7 2,8 NTZ 95,1 98,9 102,0 104,1 109,2 AUS 102,8 101,1 101,3 99,3 101,0 HKL 98,7 100,0 101,1 101,6 104,5 ND 104,1 103,4 103,0 102,1 99,3 Pers 101,9 99,6 100,9 100,2 97,0 FRW 101,2 103,1 102,3 102,6 104,1 KVLp 102,6 102,3 99,9 98,4 98,2 KVLm 101,5 101,3 101,5 102,1 102,0 VIW 104,6 101,9 100,1 100,1 96,4 EGW 99,8 101,0 101,9 101,8 101,9 ZZ 99,9 100,9 101,6 101,2 101,2 Mbk 105,8 102,0 101,5 101,1 100,3 Mas 99,8 100,9 101,8 102,5 101,4 fFRU 101,1 101,7 100,8 100,5 102,2 Zyst 100,2 101,0 100,9 100,7 101,6 Mifi 96,3 99,7 100,5 102,0 103,4 Ra 92,2 98,0 101,7 106,7 111,5 Bem 89,2 97,0 103,3 108,3 114,7 Fu 104,0 102,4 101,1 100,5 99,9 Eu 102,1 102,4 102,5 103,3 102,2 4.2 Wirtschaftliche Gewichte

Für die Rassen Fleckvieh und Braunvieh wur-den im Rahmen des Projektes Efficient Cow wirtschaftliche Gewichte für das Lebendge-wicht abgeleitet. Dazu wurde dasselbe Refe-renzszenario, das im Rahmen des Projektes Optigene modelliert wurde, verwendet. Eine detaillierte Beschreibung des verwendeten Modells geben Miesenberger (1997) und Lind (2007), die aktuellen Inputparameter sind in Fuerst-Waltl et al. (2016) zu finden. Bei beiden Rassen wurde ein positives wirt-schaftliches Gewicht für das Lebendgewicht abgeleitet, für Braunvieh ist das wirtschaftliche Gewicht höher als für Fleckvieh. Ein wesentli-cher Grund dafür dürfte im niedrigeren Niveau des Lebendgewichts von Braunvieh im Refe-renzszenario sowie möglicherweise in unter-

schiedlichen Laktationskurven und maximaler Grundfutteraufnahme, die in unterschiedlichen Rationen resultieren, liegen. Im Gesamtzucht-wert würde das relative wirtschaftliche Ge-wicht etwa 5 bis 6% betragen. In der Literatur sind überwiegend negative Grenznutzen bzw. wirtschaftliche Gewichte für das Lebendgewicht von Kühen zu finden (Koenen et al., 2000, Hietala et al., 2014). Vergleiche mit Zweinutzungsrassen fehlen je-doch in der Literatur, die oben genannten Stu-dien befassten sich fast ausschließlich mit Hol-stein, eine Arbeit (Hietala et al., 2014) mit Finnischen Ayrshire. Die Verkaufswerte von Kälbern, Schlachtkalbinnen und Schlachtkü-hen sind dementsprechend niedriger und könn-ten ein Grund für die doch großen Unterschie-de sein. Weiters sind die unterstellten Kosten für Futtermittel entscheidend. Hietala et al. (2014) argumentierten, dass bei steigenden Lebendgewichten der Anteil von Kraftfutter in der Ration steigt und dies der Hauptgrund für das negative Gewicht des Lebendgewichts dar-stellt. Im vorliegenden Modell wird für jede Kuh und jeden Tag aus den zur Verfügung ste-henden Futtermitteln die billigste Ration ge-sucht. Ein höheres Lebendgewicht resultiert modelltechnisch außerdem nicht nur in erhöh-tem Erhaltungsbedarf sondern auch in einer höheren Futteraufnahmekapazität. Auch dies könnte ein Grund für die Unterschiede zu den oben genannten Arbeiten sein. 5. ZWS für Energie-Effizienz Wie aus Gruber und Ledinek (2017) hervor-geht, handelt es sich beim Merkmal Energie-Effizienz (LE_INEL=mit der Milch abgegebe-ne Energie MJ LE/ gesamte Energieaufnahme MJ INEL) um ein geeignetes Merkmal für die Futter- bzw. Nährstoff-Effizienz. Dieses Merkmal wurde im Rahmen dieses Projektes mit großem Aufwand erhoben, was in der Rou-tine in größerem Umfang allerdings ohne elektronisch vorliegende detaillierte Einzel-tierbezogene Fütterungsinformationen nicht realistisch ist. Zur Abschätzung wie gut man Zuchtwerte für LE_INEL nur mit den Hilfs-merkmalen ECM und Lebendgewicht schätzen kann, wurden ZWS-Testläufe mit den Efficient


72

Cow-Daten durchgeführt. Als Referenz wurde ein multivariater Testlauf mit LE_INEL, ECM und Lebendgewicht durchgeführt. In zwei wei-teren Testläufen wurden nur ECM bzw. ECM und Lebendgewicht verwendet. Damit sollte abgeschätzt werden, wie gut man LE_INEL nur mit ECM bzw. mit zusätzlicher Erfassung des Lebendgewichts in der Routine schätzen könnte.

Die Ergebnisse (Tabelle 10) zeigen, dass die ZW-Sicherheiten für LE_INEL bei ausschließ-

licher Verwendung von ECM je nach Rasse um 11 bis 19% niedriger liegen. Auch die Kor-relationen liegen mit 0,75 bis 0,80 deutlich un-ter 1. Bei zusätzlicher Verwendung der Le-bendgewichte liegt die Sicherheit nur mehr 3 bis 5% unter dem Testlauf mit LE_INEL-Daten und auch die Korrelationen liegen über 0,90. Aus diesen Ergebnissen lässt sich ablei-ten, dass man mit ECM und direktem Lebend-gewicht die Futter-Effizienz in der Praxis mit relativ hoher Genauigkeit schätzen könnte.

Tabelle 10: Zuchtwert-Korrelationen und Sicherheitsdifferenzen von LE_INEL aus Hilfsmerk-malen (nur ECM bzw. ECM+Lebendgewicht) im Vergleich zur Verwendung direkter Daten (ECM+Lebendgewicht+LE_INEL).

Anzahl ZW-Korrelation Sicherheitsdifferenz Rassen Stiere nur ECM ECM+LG nur ECM ECM+LG Fleckvieh 274 0,79 0,95 -13,2 -2,7 Braunvieh 127 0,75 0,94 -19,0 -5,4 Holstein 126 0,80 0,91 -10,8 -4,8 6. Resümee Die Ergebnisse zeigen, dass mit Daten aus der linearen Beschreibung (Körpermaße und Bemuskelung bzw. Körperkondition) und aus Gewichten von Versteigerungen Zuchtwerte für das Lebendgewicht mit relativ hohen Si-cherheiten geschätzt werden können. Soll das Lebendgewicht für die Nutzung im Manage-ment oder genauere Analysen zur Effizienz von Einzeltieren auf Betriebsebene zur Verfü-gung stehen, so ist zu empfehlen, dass auch der Brust-/Bauchumfang erhoben wird. Da aus Si-cherheitsgründen kontaktfreie Erhebungen zu bevorzugen sind, sind Wiegungen Alternati-ven. Die Einführung von Wiegungen zu züch-terischen Zwecken wird derzeit in der Praxis allerdings als nicht notwendig erachtet. Wenn Wiegedaten vorhanden sind, sollten diese al-lerdings für die Zuchtwertschätzung genutzt werden. Das betrifft ganz speziell Wiegungen von Versteigerungen, die ohnehin routinemä-ßig erhoben werden und Wiegungen aus AMS-Systemen. Ausgehend von den aktuell vorliegenden Er-gebnissen, dass das Lebendgewicht derzeit nicht ansteigt und sich die Rassen noch im Op-timalbereich befinden, erscheint für die Rasse Fleckvieh aktuell ein Monitoring über die Be-

reitstellung von Zuchtwerten für das Lebend-gewicht ausreichend. Die Gesamteffizienz oder auch Produktionsef-fizienz wird züchterisch durch den Gesamt-zuchtwert dargestellt. Da außerdem bei Selek-tion nach dem aktuellen Gesamtzuchtwert kei-ne Steigerung des Lebendgewichts zu erwarten ist, scheint eine Einbeziehung des Lebend-gewichts in den Gesamtzuchtwert derzeit nicht notwendig. Über die negative geneti-sche Korrelation sind die Rahmenmerkmale Rumpftiefe und Hüftbreite (Fleckvieh) bzw. Brustbreite (Braunvieh) bereits jetzt in der Nutzungsdauer und damit im GZW enthalten. In der Zuchtzielumfrage im Rahmen des Pro-jekts OptiGene (Steininger, 2013) wurden als wichtige neue Merkmale Stoffwechsel, Klauengesundheit und Futter-Effizienz ge-nannt. In den Gesamtzuchtwert könnten der Stoffwechsel- und der Klauenindex direkt ein-gehen, da diese Merkmale im GZW bisher noch nicht berücksichtigt sind (Fürst-Waltl und Egger-Danner, 2017). Es wird die Einführung eines Effizienzindexes empfohlen, der aber nicht im GZW berück-sichtigt werden soll, da ein Großteil der Merkmale bereits im GZW vertreten ist. Das gebräuchliche Merkmal für die Abbildung der Futtereffizienz ist die Residualfutteraufnahme


73

(RFI), die jedoch nur aus Stationsdaten erfass-bar ist. Solange keine einfachen Methoden zur Erfassung vorliegen, muss auf Hilfsmerkmale zurückgegriffen werden. Das Tier, das bei gleichem Input einen höheren Output produziert, ist effizienter. Der Output wird aber meist auch durch Mobilisierung von Körperreserven erreicht. Ein starker Abbau von Körperfett zu Beginn der Laktation belas-tet den Stoffwechsel stärker und geht oftmals mit Erkrankungen einher. Daher sind Kühe, die weniger stark mobilisieren von Interesse. Wie die Ergebnisse aus Efficient Cow zeigen, sind für die Zucht auf „effiziente“ Kühe Merkmale wie Milchleistung, Inhaltsstoffe, Körpergewicht, Trockenmasse- und Energie-aufnahme, aber auch Informationen zur Mobi-lisierung von Interesse. Da für die wirtschaftli-che Effizienz auch Aufzuchtkosten eine Rolle spielen, sind auch Nutzungsdauer und Auf-zuchtverluste zu berücksichtigen. Daher wird als Effizienzindex bei der derzeitigen Daten-grundlage ein Index aus den Merkmalen Milchleistung inkl. Inhaltsstoffe, Körperge-wicht, Nutzungsdauer, Persistenz, Stoffwech-selstabilität, eventuell Erstkalbealter und Fruchtbarkeit und wenn vorhanden Informati-onen zur Trockenmasse- und Energieaufnahme empfohlen. Als weitere Zusatzinformationen könnten Merkmale aus MIR-Spektren oder in Zukunft Informationen aus Sensordaten zur Energiebilanz berücksichtigt werden. Wenn seitens der Zuchtverantwortlichen Interesse an einem solchen Index besteht, so wäre dieser konkret auszuarbeiten. In Australien gibt es in diesem Zusammenhang beispielsweise seit 2016 den Index „Feed saved“ (Pryce et al., 2015), in den Niederlanden den „Better Life Efficiency Index“ (DeJong et al., 2016). 7. Literatur De Jong, G., van der Linde, R., de Haas, Y., Veerkamp,

R. F., 2016. Genetic evaluation for feed intake in the Netherlands and Flanders, impact on efficiency and responses. Interbull Meeting, Puerto Varas, Chile. http://www.interbull.org/static/web/DMI_EBVInterbull2016_Gerben.pdf

Egger-Danner, C., Fürst, C., Fürst-Waltl, C., Pfeiffer, C., Schwarzenbacher, H., Steininger, F., Willam, A., 2015. Endbericht zum Projekt Optimierung der lang-fristigen züchterischen Entwicklung der österreichi-schen Rinderrassen unter besonderer Berücksichti-gung der Gesundheit und der genomischen Selekti-on. https://www.dafne.at/dafne_plus_homepage/ download.php?t=ProjectReportAttachment&k=3703

Fuerst-Waltl, B., Fuerst, C., Obritzhauser, W., Egger-Danner, C., 2016. Sustainable breeding objectives and possible selection response: Finding the balance between economics and breeders' preferences. Jour-nal of Dairy Science 99, 9796-9809.

Fürst-Waltl, B. und C. Egger-Danner, 2017. Stoffwech-selstabilität und Klauengesundheit –züchterisch ver-bessern? Tagungsband ZAR-Seminar ”Der effizien-ten Kuh auf der Spur”, 09.03.2017, Salzburg.

Groeneveld, E., Kovač, M., Mielenz, N., 2008. VCE Users’s Guide and Reference Manual. Version 6.0. Institute of Farm Animal Genetics, Neustadt, Ger-many.

Gruber, L. und M. Ledinek, 2017. Einfluss der Lebend-masse auf die Effizienz von Milchkühen. Tagungs-band ZAR-Seminar ”Der effizienten Kuh auf der Spur”, 09.03.2017, Salzburg.

Hietala, P., Wolfová, M., Wolf, J., Kantanen, J., Juga, J., 2014. Economic values of production and func-tional traits, including residual feed intake, in Finn-ish milk production. Journal of Dairy Science 97, 1092–1106.

Koenen, E. P. C., Berentsen, P. B. M., Groen, A. F., 2000. Economic values of body weight and feed-intake capacity of dairy cattle under Dutch produc-tion circumstances. Livest. Prod. Sci. 66:235–250.

Lidauer, M., Matilainen, K., Mäntysaari, E., Stranden, I., 2015. MiX99 – Manual.

Lind, B., 2007. Ableitung der Wirtschaftlichkeitskoeffi-zienten und optimalen Indexgewichte des Gesamt-zuchtwertes für die deutschen Milch- und Zweinut-zungsrassen unter Berücksichtigung aktueller und erwarteter zukünftiger Rahmenbedingungen. Diss., Georg-August-Universität Göttingen, Deutschland.

Miesenberger, J., 1997. Zuchtzieldefinition und Indexse-lektion für die österreichische Rinderzucht. Diss., Universität für Bodenkultur, Wien, Österreich.

Pfeiffer, C., 2015. Optimization of the total merit index of Austrian dairy cattle – Validation and adaptation of an approximate multitrait two-step procedure. Dissertation, Universität für Bodenkultur Wien (BOKU), Österreich.

Pryce, JE., Gonzalez-Recio O., Nieuwhof G, Wales WJ., Coffey MP., Hayes BJ, Goddard ME., 2015. Hot topic: Definition and implementation of a breed-ing value for feed efficiency in dairy cows. J Dairy Sci. 2015 98(10):7340-50.

Stranden, I., Lidauer, M., Mäntysaari, E.A., Pösö, J., 2001. Calculation of Interbull weighting factors for the Finnish test day model. Interbull Bull. 26, 78-79.

ZAR-Seminar 2017 Zollitsch – Umweltwirkungen und Verbesserungspotentiale der österr. Milchwirtschaft

74

Umweltwirkungen und Verbesserungspotentiale der österreichischen Milchwirtschaft

Stefan J. Hörtenhuber, Franz Steiniger und Werner Zollitsch

1. Einleitung Die Bewertung von Umweltfolgen oder, dar-über hinausgehend, der Nachhaltigkeit der landwirtschaftlichen Tierhaltung steht gegen-wärtig im Mittelpunkt von Diskussionen so-wohl von WissenschafterInnen als auch ande-ren interessierten gesellschaftlichen Gruppen. Zumeist werden vier Motive für die Notwen-digkeit, Methoden zur Bewertung von Um-weltfolgen zu entwickeln, genannt (z.B. Blonk et al., 2011; Flachowsky et al., 2011; Hörten-huber et al., 2011; de Vries & de Boer, 2010):

• Kommunikation von Leistungen, aber auch Umweltfolgen der tierischen Pro-duktion gegenüber interessierten Grup-pen in der Gesellschaft;

• Stärken-Schwächen-Analyse tierischer Produktionssysteme und, darauf auf-bauend, Entwicklung von Optimie-rungsmöglichkeiten bzw.

• Vergleich alternativer Produktionssys-teme;

• KonsumentInnen-Wunsch, durch Le-bensmittel-Wahl zu einem nachhaltigen persönlichen Lebensstil beizutragen.

Die Notwendigkeit valide Methoden zur Be-wertung einzelner Aspekte der Nachhaltigkeit und deren Integration in eine umfassendere Nachhaltigkeitsbewertung zu entwickeln, wird allgemein betont (z.B. Flachowsky et al., 2011; de Vries & de Boer, 2010; Zamagni et al., 2009). In einer solchen umfassenden Nachhal-tigkeitsbewertung (FAO, 2013) stellen die Umweltwirkungen ein zentrales Element dar, das durch die Betrachtung von Aspekten der ökonomischen und sozialen Nachhaltigkeit zu ergänzen ist. Mit der global zunehmenden Nachfrage nach Lebensmitteln tierischer Herkunft und wegen der relativ zu anderen Lebensmitteln hohen Belastung tierischer Produkte vor allem mit Treibhausgas-Emissionen wird die Bedeutung dieser Thematik in näherer Zukunft noch zu-

nehmen (Hermansen & Kristensen, 2011). Auf nationaler Ebene wird die Aufmerksamkeit durch Lebensmittelketten, die die von ihnen vertriebenen Produkte mit entsprechenden Nachhaltigkeitskriterien auszeichnen und dadurch Veränderungen auf der Produktions-stufe initiieren, verstärkt (Blonk et al., 2011). Milchrinder gehören in Hinblick auf ihre wirt-schaftliche Leistung, ihren Beitrag zur Ernäh-rungssicherung, allerdings auch zu den Um-weltwirkungen der Lebensmittelerzeugung zu den wichtigsten Nutztierarten. Eine Steigerung der Produktionseffizienz sowie eine Optimie-rung der Produktionssysteme mittels züchteri-scher Maßnahmen oder Anpassung der Fütte-rungs-, Haltungs- und Wirtschaftsdüngersys-teme können diesbezüglich wichtige Effekte ausüben. Bewertungen zur Nachhaltigkeit und im Speziellen von Ökobilanzen für tierische Produkte sind zur Identifikation von Optimie-rungspotenzial wesentlich. Im vorliegenden Beitrag werden ausgewählte Ergebnisse für Umweltwirkungsindikatoren einer Ökobilanz (Life Cycle Assessment, LCA) von Milchpro-duktionssystemen vorgestellt und die Vorteile effizienter gegenüber durchschnittlichen Kü-hen ermittelt. 2. Material und Methoden Betriebe, Tiere und Untersuchungsrahmen: Die Daten für den vorliegenden Beitrag stam-men von 113 Betrieben in wichtigen österrei-chischen Milchproduktionsgebieten mit 3.690 Kühen der Rasse Fleckvieh und über 28.200 Einzeltierkontrollen aus dem Projekt „Efficient Cow“ (EC). Die Betriebe wurden dabei nach ihrem Standort in Ungunst-, Hügel- und Gunstlagen (nach Kleinproduktionsgebiet, Hö-henlage, verfügbaren Futtermitteln und Leis-tungsniveau), eingeteilt. Wirtschaftsweise und Grundfutterbasis stellten weitere Differenzie-rungskriterien dar, aus deren Kombination letztlich 9 Produktionssysteme, in denen


75

Fleckvieh gehalten wurde, resultierten (im Pro-jektbericht zu Efficient Cow sind die Ergeb-nisse für weitere 9 Produktionssysteme, in de-nen Braunvieh bzw. Holstein gehalten wurden, enthalten; ZAR, 2016). Neben den routinemäßig durch die Leistungs-kontrollverbände erfassten Daten zu Milch-mengen und -inhaltsstoffen wurden auch spe-zifische Informationen zur Rationszusammen-setzung erhoben (Ledinek & Gruber, 2016) und daraus die Futteraufnahme geschätzt. Die Abschätzung der Futteraufnahme erfolgte für den 100. Laktationstag in der Annahme, dass zu diesem Zeitpunkt die Phase der Mobilisie-rung von Körperfett schon abgeschlossen ist und noch kein Ansatz von Körpersubstanz er-folgt. Zusätzlich wurde ein Treibhauspotenzial für die österreichische Durchschnittsmilch auf Basis statistischer Daten nach Anderl et al. (2014a) berechnet. Die Ergebnisse für die 20 % effizientesten Kü-he (bezogen auf kg ECM je MJ NEL am 100. Laktationstag) wurden dem jeweiligen Her-dendurchschnitt gegenübergestellt. Die Ergeb-nisse beziehen sich je nach Wirkungsindikator auf einen Hektar beanspruchte landwirtschaft-liche Nutzfläche bzw. 1 kg ECM und sind um Koppelprodukte (Fleisch von der Altkuh und nicht für die Remonte benötigte Kälber) berei-nigt, wofür eine indirekte Systemerweiterung (alternative Fleischerzeugung mit Kalbinnen statt deren Aufzucht für die Milchproduktion; siehe auch Hörtenhuber et al., 2010) verwendet wurde. Ökobilanzmethoden, Umweltwirkungsindika-toren und Systemgrenzen: Bei einer LCA wird der Lebenszyklus eines Produkts innerhalb de-finierter Systemgrenzen betrachtet. Die Sys-temgrenzen beinhalten hier alle Vorleistungen exklusive Infrastruktur-Errichtung und enden am Hoftor. Die Ergebnisse werden mit Wir-kungsabschätzungen auf Basis von Inventaren und Modellen ermittelt. Die Analyse erfolgte mit einer international etablierten Ökobilanz-Software. Bewertet wurden insbesondere der nicht erneuerbare Primärenergieverbrauch (PEV-fossil, in MJ je kg ECM), das Treib-hauspotenzial (THP, in kg CO2-Äquivalenten je kg ECM) und das Eutrophierungspotenzial, (EP, in kg PO4

-- je ha). Das EP berücksichtigt potenzielle Verluste an Phosphat (PO4) und

Stickstoffverbindungen (NO3, NH3, NOX) und deren potenzielle Effekte auf Ökosysteme. Re-levante Emissionen stammen v.a. von Weide-flächen und dem Futterbau (primär NO3) und von NH3 und NOX aus Stall und Güllelager. Wichtige Emissionsquellen im System sind die Bereitstellung von Produktionsmitteln (Mine-raldünger, Pflanzenschutzmittel) für die Fut-tererzeugung, Treibstoffbedarf für Transporte und für Aktivitäten sowie der Stromverbrauch am Betrieb. Das THP berücksichtigt zusätzlich zur Futterbereitstellung die errechneten Treib-hausgas-Emissionen aus der enterogenen Fer-mentation (Verdauungstrakt) sowie der Wirt-schaftsdüngerkette, und aus Landnutzungsän-derungen für importierte Futtermittel (v.a. für Sojaextraktionsschrot und in geringerem Um-fang für Rapskuchen; Hörtenhuber et al., 2011). Das Merkmal Ackerflächenbedarf für Kon-zentratfutter (KAFB, in m2 je kg ECM) wurde aus dem EC-Datensatz für typische nationale Milchvieh-Konzentratfuttergemenge (siehe auch Hörtenhuber et al., 2010) abgeschätzt und beschreibt eine tendenziell kritische Beanspru-chung von Ackerflächen zur Konzentratfutter-Erzeugung. 3. Ergebnisse und Diskussion THP je kg ECM: Die Herdendurchschnitte zeigen mit Ausnahme der Heumilchbetriebe unabhängig von ihrer Lage sehr homogene Er-gebnisse für das THP (1,00 – 1,15 kg CO2-Äquivalente; Heumilch: 1,33). Über alle neun PS sind die effizienteren „top 20%“ der Kühe beim THP um durchschnittlich 6% besser als die jeweiligen Herdenmittel (siehe Abb. 1). Die Ergebnisse lassen sich sehr gut zu denen aus anderen Untersuchungen (siehe Hörtenhu-ber et al. 2010, 2013) einordnen. Die Nachteile des Heumilch-PS beruhen auf einer Kombina-tion ungünstiger Faktoren, v.a. der geringeren Leistungen der Kühe und der rohfaserreiche-ren, energieärmeren Ration. Das THP der „top 20%“-Heumilchkühe liegt jedoch unter jenem der nationalen Durchschnittsmilch. Das güns-tige Abschneiden des analysierten Bio-PS in der Ungunstlage gründet auf sehr hohen Le-benstagsleistungen sowie u.a. vergleichsweise


76

geringen Emissionen der Futterbereitstellung (siehe Abb. 1). PEV-fossil je kg ECM: Hier besteht ebenso ein deutlicher Vorteil für die drei Bio-PS (-27% gegenüber dem Durchschnitt), der v.a. im Ver-zicht auf Mineraldünger und Pflanzenschutz-mittel in der Futtererzeugung sowie in grund-sätzlich etwas anders gestalteten Rationen (ge-ringerer Anteil an Mais und Konzentratfutter-mitteln) begründet ist. Der PEV-fossil der „top 20%“-Kühe liegt über alle PS um 9% günsti-ger als der Herdendurchschnitt. EP je ha: Im Gegensatz zum Bezug je kg ECM weisen die „top 20%“-Kühe beim EP je ha um 6% höhere Emissionen auf, da bei Steigerung der Produktionseffizienz der Futterbedarf und damit der Flächenbedarf zurückgeht, wodurch die Emissionen von N und P je Flächeneinheit

etwas ansteigen. Bio- und Heumilchbetriebe liegen beim EP deutlich günstiger als konven-tionelle Betriebe; hier kommt einerseits wiede-rum der geringere Düngemitteleinsatz und an-dererseits die im Dauergrünland gegenüber Ackerland verminderte Nähstoffauswaschung zum Tragen. KAFB je kg ECM: Das Heumilch-PS weist mit Abstand den geringsten Bedarf an Acker-flächen für Konzentratfuttermittel auf. Bei den „top 20%“-Kühen (mit durchschnittlich 18% geringerem KAFB) reduzieren besonders die Bio-PS ihren KAFB enorm und kommen an-nähernd an die Ergebnisse der Heumilchbe-triebe heran. Neben effizienzbeeinflussenden Faktoren üben auch die Faktoren Rationsge-staltung, Grundfutterqualität und das Leis-tungsniveau eine deutliche Wirkung aus.

Abb. 1: THP (kg CO2-eq je kg ECM) am Hoftor für neun PS: Herdendurchschnitt versus 20% effizienteste Kühe. Beeinflussende Parameter: Der Futterbedarf je kg ECM, wie er hier geschätzt wurde, stellt sich als beeinflussende Größe für die meisten betrachteten Indikatoren dar. Eine größere be-nötigte Futtermenge verursacht höheren PEV, höhere Emissionen aus enterogener Fermenta-tion oder auch von N- und C-Verbindungen im Wirtschaftsdünger. Beispielsweise steigt das THP je % höherem Anteil an Maisfuttermitteln oder Konzentratfutter in der Ration um knapp 6 g CO2-Äquivalente je kg ECM an und sinkt gleichzeitig je 100 kg höherer ECM-Laktationsleistung um rund 7 g. Wenn bei gleicher Haltungsumwelt und ähn-lich nährstoffdichten Rationen viele Stell-

schrauben schon in Richtung effizienter Kühe optimiert sind, kann nur am gesamten Erhal-tungsbedarf je Produktmenge (Milch und Fleisch) und Lebenstag noch gedreht werden. Dies kann einerseits durch hohe Laktations-leistungen und Lebensleistungen erreicht wer-den. Andererseits wirkt sich auch ein verhält-nismäßig geringer Nährstoffbedarf für die Aufzucht (bei geringerem Erstkalbealter) und zugleich nicht zu geringer Lebensleistung günstig aus. Des Weiteren führt eine hohe Le-bendmasse der Tiere zu höherem Erhaltungs-bedarf, weshalb leichtere Kühe tendenziell günstigere Umweltwirkungen aufweisen.


77

4. Ausblick Für die meisten der untersuchten Merkmale liegen die im Rahmen von Efficient Cow abge-leiteten Ergebnisse in einem mit anderen Stu-dien vergleichbaren Bereich (siehe bspw. Haas et al., 2001; Cederberg und Flysjö, 2004; Alig et al., 2011; Hörtenhuber et al., 2010, 2013). Leip et al. (2010) zeigten eine im EU-Vergleich geringe THG-Emission der österrei-chischen Milcherzeugung. Der Grund dafür liegt in hohen Anteilen der Futter-Eigenproduktion und hohen Rationsanteilen vom hofeigenen Grünland; dies bedingt zwar vergleichsweise hohe Emissionen aus der enterogenen Fermentation, aber sehr geringe THG-Emissionen der Futterbeschaffung (in-klusive des Aspekts Landnutzungsänderun-gen). Zehetmeier et al. (2014) weisen darauf hin, dass bei der Beurteilung der Treibhaus-gasemissionen aus der Milcherzeugung das Rindfleisch als Koppelprodukt in die Bewer-tung miteinbezogen werden muss, um zu einer zutreffenden Gesamtbewertung zu kommen; Zweinutzungsrassen besitzen diesbezüglich Vorteile gegenüber spezialisierten Milchras-sen. Die Minderung der hier beschriebenen pro-duktbezogenen Umweltwirkungen der Milcherzeugung durch den Einsatz effiziente-rer Kühe liegt zumeist im Bereich zwischen 5 und 10 %; eine Ausnahme bildet die Ackerflä-chenbeanspruchung für Konzentratfuttermittel, bei der höhere Vorteile für die effizienteren Kühe auftreten. Werden die Umweltwirkungen auf die für die Milcherzeugung beanspruchte Fläche umgelegt, kann der Einsatz der effizi-enteren Kühe zu höheren Werten je Flächen-einheit führen. Im Vergleich zu den hier beschriebenen Effek-ten ist für österreichische Bedingungen davon auszugehen, dass eine 10 %ige Erhöhung des Strohanteils im Haltungssystem zu einer Ver-minderung der Treibhausgas-Emissionen von 1 %, eine Erhöhung der Grundfutterqualität um 0,5 MJ/kg T um 1,5 % und eine 10 %ige Er-höhung der auf der Weide verbrachten Zeit um 2 % führt. Der Ersatz kritischer Futtermittel wie Sojaextraktionsschrot durch inländische Konzentratfuttermittel kann je nach Ausgangs-situation ebenfalls zu deutlichen Emissions-

minderungen führen (Hörtenhuber et al., 2011). Die höchsten Einsparungen an Treib-hausgasemissionen (von mindestens 16 %) ist durch die Verbringung des Wirtschaftsdüngers in Biogasanlagen zu erzielen (Hörtenhuber & Zollitsch, 2009). Somit kann eine züchterische Verbesserung der Produktionseffizienz von Milchkühen als eine Maßnahme zur Minde-rung von Umweltwirkungen angesehen wer-den, die durchaus relevante Effekte erwarten lässt. Grundsätzlich ist festzuhalten, dass die hier angesprochenen Merkmale zur Charakterisie-rung der Umweltwirkungen wichtige Indikato-ren der Nachhaltigkeit darstellen. Allerdings sind weitere wichtige Kenngrößen aus dem Bereich der Ökologie, aber auch der Ökono-mik und des Sozialen für eine gesamtheitliche Beurteilung der Zukunftsfähigkeit der Milcherzeugung von Relevanz. Auf der "Out-put-Seite" ist die Multifunktionalität der Milchviehhaltung durch geeignete Analysever-fahren in die Bewertung aufzunehmen. Jüngere Arbeiten aus Österreich weisen außerdem die herausragende Bedeutung der Milcherzeugung innerhalb der tierischen Produktion im Kon-text der (globalen) Ernährungssicherung nach (Ertl, 2015, 2016ab). 5. Zusammenfassung Abgesehen vom (flächenbezogenen) Eutro-phierunspotenzial zeigen effizientere Kühe (kg Milch je MJ NEL) geringere produktbezogene Umweltwirkungen als der Herdendurchschnitt. Wird der Einfluss des Futterbedarfs auf Um-weltwirkungen von unvermeidlichen bzw. re-lativ konstanten Hintergrundemissionen über-lagert, fallen Vorteile für effiziente Kühe bei Indikatoren wie dem Treibhausgaspotenzial geringer aus als für den Primärenergiever-brauch oder den Ackerflächenbedarf für Kon-zentratfutter. Bio-Produktionssysteme weisen – mit Ausnahme des Heumilch-Produktionssystems beim Treibhauspotenzial – insgesamt sehr günstige Umweltwirkungen auf. Eine züchterische Verbesserung der Produkti-onseffizienz von Milchkühen kann als eine wirksame Maßnahme zur Minderung von Umweltwirkungen angesehen werden. Die Ef-


78

fekte liegen in der Größenordnung von Maß-nahmen im Bereich der Modifizierung der Hal-tungsumwelt, des Fütterungsregimes oder der Wirtschaftsdüngerkette. Auf die Notwendig-keit einer umfassenderen Betrachtung von Nachhaltigkeitsaspekten im Zusammenhang mit der Zukunftsfähigkeit der österreichischen Milcherzeugung ist explizit hinzuweisen. 6. Literatur Alig, M., Mieleitner, J. & Baumgartner, D. 2011. Um-

weltwirkungen der Milchproduktion. In: Hersener et al., 2011. Zentrale Auswertung von Ökobilanzen landwirtschaftlicher Betriebe (ZA-ÖB). Forschungs-anstalt Agroscope Reckenholz-Tänikon ART, Zü-rich/Ettenhausen.

Anderl, M., Freudenschuß, A. & Haider, S. 2014a. Aus-tria ́s National Inventory Report 2014. Submission under the United Nations Framework Convention on Climate Change and under the Kyoto Protocol. Wien. ISBN: 978-3-99004-280-9 , 840 S.

Anderl, M., Haider, S. & Jobstmann, H. 2014b. Aus-tria ́s Informative Inventory Report (IIR) 2014. Submission under the UNECE Convention on Long-range Transboundary Air Pollution. Wien. ISBN: 978-3-99004-279-3 , 367 S.

Blonk, H., T. Ponsioen, A. Kool und M. Marinussen (2011): The Agri-Footprint method. Methodological LCA framework, assumptions and applied data. Ver-sion 1.0. Blonk Milieu Advies BV, Gouda, The Netherlands.

Cederberg, C. & Flysjö, A. 2004. Life cycle Inventory of 23 Dairy Farms in South-Western Sweden. Report 728. SIK – the Swedish Institute for Food and Bio-technology, Gothenburg.

de Vries, M. & de Boer, I. J. M. 2010. Comparing envi-ronmental impacts for livestock products: A review of life cycle assessments. Livest. Science, 128, 1-11.

Ertl, P., Klocker, H., Hörtenhuber, S., Knaus, W. & Zollitsch, W. 2015. The net contribution of dairy production to human food supply: The case of Aus-trian dairy farms. Agricultural Systems, 137, 119-125.

Ertl, P., Knaus, W. & Zollitsch, W. 2016a. An approach to including protein quality when assessing the net contribution of livestock to human food supply. ani-mal, 1-7.

Ertl, P., Steinwidder, A., Schönauer, M., Krimberger, K., Knaus, W. & Zollitsch, W. 2016b. Net food pro-duction of different livestock: A national analysis for austria including relative occupation of different land categories. Die Bodenkultur: Journal of Land Man-agement, Food and Environment, 67.

FAO. 2013. SAFA - Sustainability Assessment of Food and Agriculture Systems; Indicators. Food and Agri-culture Organization of the United Nations, Rome.

Flachowsky, G., Brade, W., Feil, A., Kamphues, J., Meyer, U. & Zehetmeier, M. 2011. Carbon (CO2)-

footprints of producing food of animal origin – Data basis and reduction potentials (in German). Übers. Tierernährg. 2011, 39, 1–45.

Haas G., Wetterisch, F. & Köpke, U. 2001. Comparing intensive, extensified and organic grassland farming in southern Germany by process life cycle assess-ment. Agriculture, Ecosystems and Environment 83, 43-53.

Hermansen, J. E. & Kristensen, T. 2011. Management options to reduce the carbon footprint of livestock products. Animal Frontiers, 1, 33-39.

Hörtenhuber, S. & Zollitsch, W. 2009. Treibhaus-gasemissionen in der Milchviehhaltung – Zur Bedeu-tung der Systemgrenzen. Beitrag bei der 36. Vieh-wirtschaftlichen Fachtagung, Raumberg-Gumpenstein.

Hörtenhuber, S., Lindenthal, T., Amon, B., Markut, T., Kirner, L. & Zollitsch, W. 2010. Greenhouse gas emissions from selected Austrian dairy production systems – model calculations considering the effects of land use change. Renewable Agriculture and Food Systems, 25, 316-329.

Hörtenhuber, S. J., Lindenthal, T. & Zollitsch, W. 2011. Reduction of greenhouse gas emissions from feed supply chains by utilizing regionally produced pro-tein sources: the case of Austrian dairy production. J Sci Food Agric, 91, 1118-27.

Hörtenhuber, S., Kirner, L., Neumayr, C., Quendler, E., Strauss, A., Drapela, T. & Zollitsch, W. 2013: Integ-rative Bewertung von Merkmalen der ökologischen, ökonomischen und sozial-ethischen Nachhaltigkeit landwirtschaftlicher Produktionssysteme am Beispiel von Milchproduktionssystemen. Abschlussbericht zum Forschungsprojekt Nr. 100783, BMLFUW. https://www.dafne.at/prod/dafne_plus_common/attachment_download/81713ab42185809ab7dded240e0c4278/Endbericht_Nachhaltige_Milch_final.pdf

Ledinek, M. & Gruber, L. 2016. Beitrag zu ZAR, 2016, Effcient Cow.

Leip, A., Weiss, F., Wassenaar, T., Perez, I., Fellmann, T., Loudjani, P., Tubiello, F., Grandgirard, D., Mon-ni, S. & Biala, K. 2010. Evaluation of the livestock sector's contribution to the EU greenhouse gas emis-sions (GGELS) – final report. European Commis-sion, JRC. http://ec.europa.eu/agriculture/analysis/ external/livestockgas/full_text_en.pdf (2015-08-17)

Zamagni, A.; P. Buttol, R. Buonamici, P. Masoni, J.B. Guinee, G. Huppes, R. Heijungs, E. van der Voet, T. Ekvall, T. Rydberg (2009): Blue Paper on Life Cycle Sustainability Analysis; Deliverable 20 of the CAL-CAS project. http://www.estis.net/sites/calcas/ (abgerufen 19/9/2012).

ZAR. 2016. Efficient Cow – Abschlussbericht zum For-schungsprojekt Nr. 100861, BMLFUW-LE.1.3.2/0083-II/1/2012, Wien.

Zehetmeier, M., Hoffmann, H., Sauer, J., Hofmann, G., Dorfner, G. & O’Brien, D. 2014. A dominance anal-ysis of greenhouse gas emissions, beef output and land use of German dairy farms. Agricultural Sys-tems, 129, 55-67.

ZAR-Seminar 2017 Danksagung

79

Danksagung Besonderer Dank gilt den rund 170 Landwirten, die beim Projekt „Efficient Cow“ mitgemacht

haben. Durch das große Engagement der LandwirteInnen und der MitarbeiterInnen der Projekt-

partner ist es gelungen einen äußerst umfangreichen und wertvollen Datenpool für die Weiter-

entwicklung der Rinderzucht zu schaffen und zukunftweisende Fragestellungen zu bearbeiten.

Herzlichen Dank für die finanzielle Unterstützung dem Bundesministerium für Land- und Forst-

wirtschaft, Umwelt und Wasserwirtschaft und den Ämtern der Landesregierungen sowie der

ZAR. Mit Mitteln aus dem EU-Projekt „Gene2Farm“ konnten 3.000 Kühe mit umfangreichen

Phänotypen aus dem Projekt „Efficient Cow“ genotypisiert werden. Die Firma ELANCO stellte

die Milch-Ketotests zur Verfügung. Vielen Dank auch den Kollegen aus dem EU-Projekt „Ge-

ne2Farm“ und anderen internationalen Projekten und Arbeitsgruppen für Erfahrungs- und Wis-

sensaustausch. Herzlichen Dank auch den Kooperationspartnern aus den Projekten „ADDA-

ADvancement of Dairying in Austria“ und dem EIP-Projekt „Effizienz-Check“. Das Projekt

„ADDA“ wird im Rahmen von COMET – Competence Centers for Excellent Technologies

durch BMVIT, BMWFJ, das Land Niederösterreich und die Stadt Wien gefördert. Das Pro-

gramm COMET wird durch die FFG abgewickelt. Das Projekt „Effizienz-Check“ wird über die

Förderschiene Europäische Innovationspartnerschaft (EIP) unterstützt. All diesen Personen und

Institutionen sei an dieser Stelle ein aufrichtiger Dank ausgesprochen.

Veranstalter des ZAR-Seminars

Organisiert in Zusammenarbeit mit:

ZuchtData EDV-Dienstleistungen GmbH Dresdner Straße 89/19, A-1200 Wien

Institut für Nutztierwissenschaften Universität für Bodenkultur

Gregor Mendel Straße 33, A-1180 Wien

Gefördert aus Mitteln des BMLFUW:

.

Medieninhaber und Herausgeber: Zentrale Arbeitsgemeinschaft österreichischer Rinderzüchter (ZAR) Dresdner Straße 89/19, 1200 Wien

Für den Inhalt verantwortlich: Die jeweiligen AutorInnen

Layout Umschlag: DI Lukas Kalcher, ZAR

Redaktion: Dr. Christian Fürst, ZuchtData

Druck: www.digitaldruck.at

2017ZAR-SeminAR

RINDERZUCHT AUSTRIA

Seminar des Ausschusses für Genetik der ZAR am 9. März 2017 in Salzburg

ZAR – ZENTRAlE ARbEITSGEMEINSCHAfT öSTERREICHISCHER RINDERZüCHTER

Der effizienten Kuh auf der Spur

www.rinderzucht-austria.at

ZAR – ZentRAle ARbeitSgemeinSchAftöSteRReichiScheR RinDeRZüchteR

1200 Wien, Dresdner Straße 89/19Tel. + 43 1 33 17 21 0 fax + 43 1 33 17 13E-mail: [email protected]

Documents

ZAR-Semin AR 201786415faa-4b6a-4102-8441-75bb26fc0e08/ZAR... · ZAR-Semin AR RINDERZUCHT AUSTRIA Seminar des Ausschusses für Genetik der ZAR am 9. März 2017 in Salzburg ... größte