تعیین الگوی بهینه ی کشت : کاربرد روش برنامه ریزی امکان

محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

مهرداد باقری ¹ (عضو هیئت علمی دانشگاه آزاد اسلامی واحد یاسوج)
فاطمه معززی ² (عضو هیئت علمی دانشگاه پیام نور منجیل.)

تاریخ دریافت : 1394/09/29 تاریخ پذیرش : 1394/09/29 تاریخ انتشار : 1389/01/01

کلید واژه: الگوی کشت, برنامه ریزی فازی, برنامه ریزی امکان, برنامه ریزی قطعی, چند هدفی, استان کهکیلویه و بویر احمد,

چکیده مقاله :

از ویژگی های شاخص داده های فعالیت های کشاورزی، دقیق نبودن آن هاست، بنابراین استفاده از روش های مبتنی بر منطق فازی در برنامه ریزی تولید می تواند مناسب باشد. در این مطالعه روش برنامه ریزی امکان به عنوان یکی از روش های مبتنی بر منطق فازی مورد استفاده قرار گرفت. افزون بر این برنامه ریزی فازی و قطعی نیز در قالب برنامه ریزی ریاضی چندهدفی مورد استفاده قرار گرفت. داده های استفاده شده نیز از میان 100 بهره بردار منتخب منطقه ی کهگیلویه و بویراحمد در سال 1378 گرد آوری شد. افزایش بازده ی ناخالص و کاهش ریسک به عنوان هدف در نظر گرفته شد. بمنظور انتخاب از میان الگوهای گوناگون نیز از منطق فازی استفاده شد. بر اساس نتایج مشخص شد که ریسک بازده ی ناخالص در تدوین الگوی بهینه از وزنی بالا برخوردار است. همچنین یافته های مطالعه نشان داد که در تأمین توأم هدف های یاد شده، روش برنامه ریزی امکان در مقایسه با روش های دیگر از توانی بالاتر برخوردار است و پیشنهاد می شود در شرایطی که بهره برداران با شرایط نا بهینه مواجه اند، از این روش استفاده شود. محصولات پیشنهادی الگوهای بهینه نیز شامل گندم، هندوانه، خربزه، و برنج بود.  

چکیده انگلیسی:

Imprecise or fuzziness is a main characteristic of agriculture activities data, thus fuzzy logic based methods may be useful in production planning. Possiblistic programming as one of fuzzy logic based methods was applied in this study. In addition, in the framework of multi objective programming, fuzzy and deterministic programming was also considered. Applied data set was obtained from 100 randomly selected farmers of Kohgilooye and Boyerahmad province in 1378. Gross margin increment and reduction of risk were considered as objectives in developing optimal cropping pattern. Fuzzy logic was also used to choose from the different cropping patterns. Based on the results it was found that risk had high weight in developing optimal solution. Findings of the study showed that Possiblistic programming was more capable in reaching various goals simultaneously as compared to the other methods especially when farmers faced with undesirable conditions. It was also found that wheat, watermelon, melon and rice were more appropriate crops for production.  

منابع و مأخذ:

1 احسان، ع . ر. تهرانی، ر. و غ . ر. اسلامی بیگدلی 1387 . بررسی ضریب ریسک گریزی و واریانس تولید در

مدیریت ریسک مطالعه موردی گوجهفرنگیکاران دزفول. . فـصلنامة اقتـصاد کـشاورزی و توسـعه، : 35 - 61

17.

 -2 استانداری استان کهکیلویه و بویر احمد. (1388). پایگاه اینترنتی -http://www.ostan-kb.ir/state

fa.html

 -3 ترکمانی، ج . 1375 . استفاده از برنامه ریزی توأم با ریسک در تعیین کارآیی بهره بردا ران کشاورزی، مجله

علوم کشاورزی ایران، شماره . 27

 -4 چیذری، ا. و خ ع. . قاسمی . 1384 . برنامهریزی تولید محصولات کشاورزی در شرایط نبود قطعیت

(رویکرد فازی: نظریه امکان). فصلنامه اقتصاد کشاورزی و توسعه، ویژهنامه بهرهوری و کارایی. ص 131 -155.

 -5 درویشی سلوکلایی، د. عامری، ر. تیموری یانسری، ا. یزدانی پرایی، ا و ا، اکبری . 1385 . کاربرد بهینه-

سازی فازی در تنظیم جیره خوراکی گاوهای شیری. مجموعه مقالات ششمین کنفراس سیستمهای فازی

ایران، دانشگاه آزاد اسلامی-واحد شیراز.

 -6 فرجزاده، ز. ترکمانی، ج و ع. نجاتی 1388 . مطالعه ی تبادل میان هدف های بهره برداران و سیاست

گذاران در مصرف آب: مطالعه ی موردی منطقه ی فسا. مجله ی اقتصاد و کشاورزی. شماره 2)3 ی ): 184-

.159

http://www.maj.ir اطلاعاتی پایگاه .جهادکشاورزی وزارت 7-

 -8 یاقوتی، م و م. بخشوده 1387 . تعیین ترکیب بهینه ی جیره ی غذایی گاوهای شیری با روش برنامه

ریزی فازی: مطالعه ی موردی. مجله ی اقتصاد و کشاورزی. شماره 1)2 ی ): 103-118.

 -9 یزدانی، س . و ی . فیضآبادی 1384 . تعیین درجه ی ریسک گریزی مرغداران و مطالعه ی عوامل مؤثر بر

: آن مطالعه ی موردی شهرستان سبزوار. علوم کشاورزی. 15. 24- :( ) 2 11

10- Basarir, A. and Gillespie, J. M. (2006). Multidimensional goals of beef and

dairy producers: an inter-industry comparison. Agricultural Economics, 35:

103–114.

11- Berenger, V. and Verdier-Chouchane, A.(2007). Multidimensional measures

of well-being: Standard of living quality of life across countries, World

Development, Article in Press.

12- Cerioli, A. and Zani, S. (1990). A fuzzy approach to the measurement of

poverty. In C. Dagum, & M. Zenga (Eds.), Income and wealth distribution,

inequality and poverty, 272–284, Berlin: Springer-Verlag.

13- Chiappero Martinetti, E. (1996). Standard of living evaluation based on

Sen’s Approach: Some methodological suggestions. Notizie di Politeia, 12: 37–

53.

14- Cohon, J.L. (1978), Multi objective Programming and Planning. Academic

Press, New York.

15- Dillon, J. L. and Hrdaker, J. B. (1993), Farm management research for small

farmer development, FAO, Rome.

16- Doppler, W., Salman, A.Z., Al-Karablieh, E.K. and Wolf, H.P. (2002). The

impact of water price strategies on the allocation of irrigation water: the case of

the Jordan Valley. Agricultural Water Management. (55): 171-182.

17- Food and Agriculture Organization 2007. Statistical Database,

http://www.fao.org.

18- Francisco, S. R and Mubarik, A. (2006). Resource allocation tradeoffs in

Manila's peri-urban vegetable production systems: An application of multiple

objective programming. Agric. Sys. 87, 147–168.

19- Goodwin, B. K. and Smith, V. H. (1995), The economics of crop insurance

and disaster aid, The AEI Press, Washington, D. C.

20- Gupta, A. P., Harboe, R. and Tabucanon, M. T. (2000). Fuzzy multi-criteria

decision making for crop area planning in Narmada river basin. Agricultural

System, 63: 1-18.

21- Inuiguchif, M and J. Ramik (2000). Possibilistic linear programming: A

brief review of fuzzy mathematic programming and a comparison with

stochastic programming in portfolio selection problem. Fuzzy Sets and Systems,

111:3-28.

22- Kumar, M., Vrat, P and R. Shankar (2006). A fuzzy programming approach

for vendor selection problem in a supplt chain. Int. J. of Producction

Economics, 101:273-285.

23- Lai, Y. and Hwang, C. (1992). A new approach to some possibilistic linear

programming problems, Fuzzy Sets and Systems 49: 121–133. 

24- Li, X.Q., Zhang, B. and Li, H. (2006). Computing efficient solutions to

fuzzy multiple objective linear programming problems. Fuzzy Sets and

Systems, 157: 1328–1332.

25- Ozgen, D., Onut, S., Gulsun, B., Tuzkaya, U. R. and Tuzkaya, G. (2008). A

two-phase possibilistic linear programming methodology for multi-objective

supplier evaluation and order allocation problems. Information Sciences, 178:

485–500.

26- Suresh, K. R. and Mujumdar, P. P. (2004). A fuzzy risk approach for

performance evaluation of an irrigation reservoir system. Agricultural Water

Management, 69: 159-177.

27- Torkamani, J. and Hardaker, J.B. (1996). A study of economic efficiency of

Iranian farmers: An application of stochastic programming. Agric. Econ. 14:

73-83.

28- Wang, R. C. and Liang, T. F. (2005). Applying possibilistic programming to

aggregate production planning, International Journal of Production Function,

98: 328-341.

29- Zadeh, L. A (1965). Fuzzy sets. Information and Control 8: 338-353.

30- Zimmerman, H. J. (1978). Fuzzy programming and linear programming

with several objective functions. Fuzzy Sets and Systems, 1: 45-56.

31- Zimmermann, H. J. ( 1976). Description and optimization of fuzzy systems.

International Journal of General Systems 2, 209–215.