بررسی اثر مکانیزاسیون کشاورزی بر تولید کلزا در استان فارس

محورهای موضوعی :

سیامک پیش‎بین ¹ (استادیار دانشگاه آزاد اسلامی واحد جهرم، جهرم ، ایران.)

تاریخ دریافت : 1389/11/15 تاریخ پذیرش : 1390/09/14 تاریخ انتشار : 1390/11/01

کلید واژه: استان فارس, کلزا, تابع تولید, مکانیزاسیون کشاورزی,

چکیده مقاله :

این مطالعه با هدف بررسی اثر مکانیزاسیون برمیزان تولید بهره برداران کلزا صورت گرفت. اطلاعات مورد نیاز از طریق تکمیل پرسشنامه از میان بهره برداران منتخب کلزا در مناطق اقلید و جهرم (استان فارس) به دست آمد. در تحلیل اثر مکانیزاسیون از سه روش پیشنهادی مطالعات صورت گرفته استفاده شد. در روش اول بهره برداران با استفاده از رهیافت تحلیل خوشه ای به دو گروه دارای سطح مکانیزاسیون متفاوت تقسیم شدند. در روش دوم شاخصی بصورت ارزش نهاده های ساخته شده در بخش صنعت شامل کودشیمیایی ، انواع آفت کش ها، تجهیزات آبیاری و ماشین آلات و ادوات و در روش سوم نسبت هزینه ماشین آلات به مجموع هزینه ماشین آلات و نیروی کار به عنوان شاخص مکانیزاسیون تعریف و از آنها در تحلیل اثر مکانیزاسیون در تابع تولید (کاب- داگلاس) بهره برداران استفاده شد. نتایج تحلیل همبستگی نشان دادکه در میان گروه دارای سطح مکانیزاسیون پایین، رابطه میان عملکرد به جز در مورد نیروی کار و بذر با سایر متغیرها مثبت و معنی دار می باشد. نتایج تابع تولید نشان داد که به دنبال 10 درصد افزایش در میزان استفاده از نهاده های آب، آفت کش و کود شیمیایی (نیروی کار) میزان محصول تولید شده به ترتیب حدود 3/4، 2/2 و 2/6 (7/8) درصد افزایش یا کاهش خواهد یافت. متغیر موهومی منطقه نیز حاکی از آن بود که شرایط تولید در منطقه اقلید مطلوب تر از منطقه جهرم است. در گروه بهره‌برداران دارای سطح مکانیزاسیون بالا، بر اساس ضرایب همبستگی مشخص گردید که رابطه میان عملکرد با نهاده ها به جز در مورد بذر (8/42+) یا برخلاف انتظار است و یا این که فاقد اهمیت آماری است. هم‎چنین نتایج تابع تولید بهره برداران دارای سطح مکانیزاسیون بالا نشان داد که نهاده‌های آب مصرفی، نیروی کار و ماشین‌آلات بر تولید اثر منفی دارند. هم‎چنین نهاده بذر اثر مثبت و معنی داری بر تولید کلزا نشان داد. نتایج ارزیابی اثر مکانیزاسیون بر اساس شاخص ارزش مجموع نهاده های ساخته شده در بخش صنعت نیز نشان داد که به دنبال 10 درصد افزایش در شاخص مکانیزاسیون، حدود 3/1 درصد به عملکرد محصول اضافه می‎شود. هم‎چنین یافته های الگوی دیگر که با استفاده از شاخص مکانیزاسیون به‎صورت نسبت هزینه ماشین آلات به مجموع هزینه ماشین آلات و نیروی کار برآورد گردید نشان داد که با افزایش شاخص یاد شده به میزان 10 درصد، میزان تولید در واحد سطح کلزا حدود 9/6 درصد افزایش می‎یابد.

چکیده انگلیسی:

  Effect of mechanization on canola production of growers was studied. Data were collected by distributing questionnaires among selected farmers in Eqlid and Jahrom districts in Fars province. Three methods were applied based on literature. In the first method by the use of cluster analysis, producers were classified into two groups. In the second method, an index was defined as a value of manufactured inputs included chemical fertilizers, pesticides, irrigation equipments, and machineries. In the third method, a mechanization index as ratio of machinery costs to machinery and labor costs was considered. These criteria were used as explanatory variable in Cobb-Douglas production function. Findings of correlation analysis revealed that throughout low-mechanized group the relation of yield with inputs is positive and statistically significant, except in case of seed and labor. The results of production function showed that 10% increase in water, pesticides and chemical fertilizer (labor) applications will rise or decrease the outputs by 4.3, 2.2, 6.2 and 8.7%, respectively. Dummy variable of location indicated proper condition of canola production in Eqlid than in Jahrom. In case of highly mechanized farmers, based on correlation coefficients, the relation among yield with inputs were found unexpected or statistically non- significant, except for seed (+0.42). The results of production function of highly mechanized producers showed that water, labor and machinery related negatively to the production. Seed also was revealed a significant positive effect on canola production. Based on the mechanization criteria concerning total value of manufactured inputs, 10% increase of this criterium will rise yield by 1.3%. The results of another mechanization criterium, the ratio of machinery costs to machinery and labor costs showed that 10% increase in this criterium will rise canola production by 6.9%.

منابع و مأخذ:

Carter CA, Zhang B (1998) The weather factor and variability in Chinas grain supply. Journal of Comparative Economics 26: 529-543.

Carter CA, Chen J, Chu B (1999) Agricultural productivity growth in China: farm level versus national measurement. California Agricultural Experiment Station 35: 212-227.

Deng X, Luo Y, Dong S, Yang X (2005) Impact of resources and technology on farm production in northwestern China. Agricultural System 84: 155-169.

Gerdin A (2002) Productivity and economic growth in Kenyan agriculture in 1964-1996. Agricultural Economics 27: 7-13.

Kiresur V (1995) Technological change in sorghum production, an econometric study of Harvard farms in Karnataka. Indian Journal of Agricultural Economics 50 (2): 91-185.

Kuroda Y (1987) The production structure and demand for labor in postwar Japanese agriculture in 1952-1982. American Journal of Agricultural Economics 62(2): 328-336.

Lilyan E, Fulginiti R, Perrin K (1998) Agricultural productivity in developing countries. Agricultural Economics 19: 45-51.

Lin JY (1992) Rural reforms and agricultural growth in China. The American Economic Review 82 (1): 34-51.

Mead RW (2000) A revisionist view of Chinese agricultural productivity. The 2000 Western Economic Association Meetings, Vancouver, BC.

Randir D, Krishnanoorthys S (1995) Productivity variation and use in farms of Madratakan tank feed area of chengalpattu district, Tamilnuda. Indian Journal of Agricultural Economics 45: 56-60.

Sharma KR, Leung P, Zaleski HM (1997) Productive efficiency of the swine industry in Hawaii: stochastic frontier vs. data environment analysis. Journal of Productivity Analysis 8 (4): 447-459.

Singh G (2006) Estimation of a mechanization index and its impact on production and economic factors-a case study in India. Biosystems Engineering 93 (1): 99–106.

SPSS Inc. (2002) SPSS 11.0 Guide to data analysis, Prentice Hall, NJ., USA.

Tiongco MX, Dawe D (2002) Long term evolution of productivity in a sample of Philippines rice farms: Implication for sustainability future research. World  Development 30(5): 891-898.