بررسی کارایی تولید محصولات زیربخش‌های زراعت و باغبانی در استان خراسان رضوی: کاربرد روش‌های ترکیبی شبکه عصبی مصنوعی و الگوریتم خوشه بندی فازی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه فردوسی مشهد

چکیده

بررسی اجمالی وضعیت منابع طبیعی در استان خراسان نشان می‌دهد که این بخش با مشکلاتی از قبیل بیلان منفی آب، شوری خاک و فرسایش در دشت‌های استان روبروست. این مطالعه در نظر دارد، ضمن توجه به ملاحظات مربوط به استفاده پایدار از منابع آب به محاسبه کارایی فنی شهرستان‌های استان در زیر بخش‌های زراعت و باغبانی بپردازد. داده­های این مطالعه مربوط به سالهای 76، 81 تا 83 و 85 می­باشد که از آمارنامه جهاد کشاورزی  و سازمان آب منطقه­ای خراسان رضوی جمع­آوری شده است. روش استفاده شده برای محاسبه کارایی فنی الگوریتم ترکیبی شبکه عصبی و خوشه‌بندی فازی می‌باشد. میانگین کارایی فنی در شرایط عدم توجه به ملاحظات مربوط به استفاده پایدار از منابع آب 74 درصد و  در شرایط توجه به ملاحظات مربوط به استفاده پایدار از منابع آب 77 درصد است. علاوه بر این ضریب همبستگی رتبه­بندی کارایی شهرستان­ها در دو حالت فوق نشان می­دهد که توجه به ملاحظات مربوط به استفاده پایدار از منابع آب می‌تواند ارزیابی کارایی فنی شهرستان‌های استان خراسان رضوی را دگرگون سازد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigation on Technical Efficiency of Agronomy and Horticulture Sub Sectors Products in Khorasan Razavi Province: Application of Integrated Neural Network and Fuzzy Clustering Approach

نویسندگان [English]

  • H Taherpoor
  • N Shahnoushi
  • M Danshvar
  • M Mohebi
چکیده [English]

A survey of the natural resources situation in the Khorasan Razavi province reveals that this sector is faced with problems such as negative balance of water in the plains, soil salinity, and soil erosion. This study tries to estimate the technical efficiency of the states of the Khorasan Razavi province in agronomy and horticulture subsectors with attention to restriction of water resources. Required data is collected from yearbooks of Jihad Keshavarzi and Regional Water Organization of Khorasan Razavi province for years 1997, 2002 to 2004 and 2006. This study uses an integrated neural network and fuzzy clustering algorithm. Mean of technical efficiency in the case of considering water resource limitation is 77 percent while as in the case of not considering water recourse limitation is about 74 percent. Results indicate that considering water recourse limitation in agricultural production in each region can affect results of technical efficiency assessment for each state. 

کلیدواژه‌ها [English]

  • Agronomy and horticulture products
  • Artificial Neural Networks
  • Fuzzy clustering algorithm
  • Khorasan razavi province
  • Technical Efficiency

مراجع

منهاج م. 1379. مبانی شبکه­های عصبی. نشر دانشگاه صنعتی امیر کبیر.
نجفی ب و طرازکار م­ح، 1385. پیش‌بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی. فصل‌نامه پژوهش‌های اقتصادی شماره 39،  صفحه­های 191 -214.
Athanassopoulos AD and Curram SP, 1996. A comparison of data envelopment analysis and artificial neural networks as tool for assessing the efficiency of decision making units. Journal of the Operational Research Society 47: 1000–1016.
Azadeh A, Ghaderi SF, Anvari M Saberi M, and Izadbakhsh H, 2007. An integrated artificial neural network and fuzzy clustering algorithm for performance assessment of decision making units. Applied Mathematics and Computation 187: 584–599.
Bezdek JC, 1981. Pattern recognition with fuzzy objective function algoritms. Plenum Press, New York.
Dunn JC, 1973. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. Journal of Cybernetics 3: 32-57
Fried HO, Lovell CAK and Schmidt SS, 2008. The measurement of productive efficiency and productive growth. OxfordUniversityPress, US.
Food and Agriculture Organization of the United Nations. 1986. The FAO agricultural production index. Statistics Division, Food and Agriculture Organization of the United Nations.
Hampshire JB and Waibel AH, 1990. A novel objective function for improved phoneme recognition using time-delay neural networks, IEEE Trans Neural Netw 2:216-228.
Kloezen WH and Garces RC, 1998. Assessing irrigation performance with comparative indicators: the case of the Alto Rio Lerma irrigation district, Mexico. International Water Management Institute (IWMI). Research Report No. 22. Colombo, Sri Lanka.
Santin D, Delgado FJ and Valino A, 2004. The measurement of technical efficiency: a neural network approach. Applied Economics 36: 627–635.
Wang S, 2003. Adaptive non-parametric efficiency frontier analysis: a neural-network-based model. Computers & Operations Research 30: 279-295.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار