سطح‌بندی توسعۀ کشاورزی در شهرستان‌‌های استان فارس با ترکیب شبکۀ عصبی مصنوعی و GIS

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار اقتصاد کشاورزی، گروه مدیریت توسعۀ روستایی، دانشگاه یاسوج

2 دانشجوی دکتری توسعۀ کشاورزی، دانشگاه یاسوج

چکیده

دراین پژوهش با هدف ارزیابی و درجه‌بندی توسعه کشاورزی شهرستان‌های استان فارس و با استفاده از آمار کشاورزی سالنامه آماری سال 1393 استان، فهرستی از 98 شاخص توسعه کشاورزی در قالب پنج گروه عمده (بهره‌برداری کشاورزی، عملکرد، مکانیزاسیون کشاورزی، دامپروری و خدمات زیربنایی و سایر خدمات کشاورزی) استخراج و پس از وزن‌دهی شاخص‌ها، با روش شبکه عصبی مصنوعی توسعه کشاورزی شهرستان‌ها مورد بررسی قرار گرفت. محاسبات پژوهش با استفاده از نرم افزارهای Excel و MATLABR2015a انجام شد. نتایج حاصل از سنجش سطح توسعه کشاورزی شهرستان-ها نشان داد که، شهرستان‌ شیراز (518/1) و مرودشت (473/1) رتبه اول و دوم را به خود اختصاص داده اند که حاکی از آن است که خرد نشدن مزارع و باغ‌ها، تاثیر شگرفی بر بالا بودن سرانه‌ی سطح زیرکشت زراعی و باغی به ازای هر بهره بردار داشته است. این موضـوع از یک طرف باعث توسعه‌ی بهتر سامانه‌های آبیاری تحت فشار شده است (با توجه به بالا بودن جایگاه آبیاری تحت فشار در این شهرستان‌ها) و از طرف دیگر زمینه‌ی اسـتفاده از فـن آوری‌هـای دیگر را نیز فراهم می‌کند. شهرستان‌ زرین دشت (590/0) و لامرد (495/0) رتبه 28 و 29 را بدست آوردند. مساحت کم زمین کشاورزی و قطعه قطعه شدن اراضی در شهرستان‌های زرین دشت و لامرد از علل کاهش عملکرد تولید و سرمایه‌گذاری در بخش کشاورزی است. همچنین، در خصوص خوشه 1 شاخص‌ خدمات زیربنایی و سایر خدمات کشاورزی با وزن 2027/0 و در خوشه 2 شاخص عملکرد با وزن 2016/0 بالاترین اهمیت را به خود اختصاص داده‌اند. جا دارد که دولت در راستای سیاست‌های عدالت محوری خود و رفع محرومیت‌زدایی به مناطق کمتر توسعه یافته رسیدگی بیشتری داشته باشد و با کشف استعدادهای ذاتی و نهفته هر منطقه به گسترش تخصص‌گرایی در تولید فراورده‌های مختلف کشاورزی اعم از زراعی، دامی و غیره بپردازد.

کلیدواژه‌ها


عنوان مقاله [English]

Ranking of agricultural development in Fars province with combine of ANN and GIS

نویسندگان [English]

  • ayat karami 1
  • madeineh khosrowjerdi 2
  • hamid rastegari 2
چکیده [English]

Problems in the agricultural sector are different depending on each region. Special attention needs to be paid to regional and local planning, so that the priorities of each region can be precisely determined. In this study, using Agricultural Statistics for 2014, the list of 98 indicators of agricultural development in five major groups (agricultural utilization, yield, agricultural mechanization, livestock and infrastructure services and other agricultural services) was extracted and after weighting the indexes were evaluated using artificial neural network method of agricultural development in the cities. The results of the assessment of the agricultural development level of the counties showed that the city of Shiraz (1.518) and Marvdasht (1.473) ranked first and second and Zarrin Dasht (0.590) and Lamerd (0.495) rank 28 and 29. In the case of cluster 1 indicators of infrastructure services and other agricultural services with a weight of 0.2727 and in cluster 2, the index of performance with the weight of 0.2016 is the most important. According to the results, it is suggested that the government, in line with its core justice policies and the elimination of deprivation in less developed regions, is more concerned with the discovery of the inherent and hidden talents of each region to expand its specialization in production of products Different types of agriculture, including crops, livestock, etc. Also, when allocating credit and distribution of facilities, they should pay more attention to these areas in order to find all the regions in a homogeneous and balanced situation in the agricultural sector.

کلیدواژه‌ها [English]

  • Agricultural Development
  • Multilayer Perceptron
  • Fars Province

-      افراخته، حسن؛ محمد حجی‌پور؛ مریم گرزین؛ بهناز نجاتی (1392). جایگاه توسعۀ پایدار کشاورزی در برنامه‌‌های توسعۀ ایران (مورد: برنامه‌‌های پنج سالۀ پس از انقلاب)، سیاست‌‌های راهبردی و کلان. سال 1. شمارۀ 1.

-      بدری‌‌فر، منصور (1382). جغرافیای اقتصادی عمومی (کشاورزی و دامداری)، تهران. پیام نور.

-      پالوج، مجتبی؛ محمد حاصلی (1396). توان‌سنجی توسعة کشاورزی در حوضة آبخیز دشت الشتر با استفاده از سامانة اطلاعات (GIS)، روستا و توسعه، سال 20. شمارۀ 1.

-      حاجیان، محمدهادی؛ صادق خلیلیان؛ احمد سام دلیری  (1386). بررسی تأثیر سیاست‌‌های پولی و مالی بر متغیّرهای عمدۀ بخش کشاورزی ایران، پژوهش‌‌‌‌‌های اقتصاد. دورۀ 7. شمارۀ 4.

-      زمانی‌‌پور، اسداله (1373). ترویج کشاورزی در فرایند توسعه، مشهد. دانشگاه فردوسی مشهد.

-      شاهی‌‌مریدی، راضیه؛ حسین کاظمی؛ بهنام کامکار؛  (1396). ارزیابی وضعیت توسعۀ کشاورزی پایدار در استان گلستان، دانش کشاورزی و تولید پایدار. جلد 27. شمارۀ 1.

-      صامتی، مجید؛ علیرضا کرمی (1383). بررسی تأثیر هزینه‌‌های دولت در بخش کشاورزی بر کاهش فقر روستایی در کشور، تحقیقات اقتصادی. شمارۀ 67.

-      کاظمی‌راد، زهرا؛  عبدالحمید پاپ‌‌زن (1390). پیش‌‌بینی میزان موفقیت کارآفرینان روستایی شهرستان کرمانشاه با استفاده از تحلیل شبکۀ عصبی مصنوعی، برنامه‌‌ریزی منطقه‌‌ای. سال اول. شمارۀ 1.

 

 

 

-      کرمی، آیت‌‌اله؛ مرتضی نوری؛  نعمت‌الله موسوی (1395). ارزیابی و رتبه‌‌بندی توسعۀ کشاورزی شهرستان‌‌های استان کهگیلویه و بویراحمد، اقتصاد کشاورزی. سال 10. شمارۀ 4.

-      مرادی، ژیلا؛ علی‌اصغر میرک‌‌زاده؛ فرحناز رستمی؛ فرزاد کریمی (1394). سنجش سطوح توسعۀ کشاورزی روستاهای دهستان قراتوره با استفاده از تکنیک تاپسیس، پژوهش و برنامه‌‌ریزی روستایی. سال 4. شمارۀ  (2 و 10).

-      مظهری، محمد؛ مریم رسول‌زاده؛ جواد براتی (1394).تعیین سطح توسعه‌‌یافتگی بخش کشاورزی شهرستان‌‌های استان خراسان رضوی طی سال‌‌های 1389-1380 بر اساس تاکسونومی عددی با وزن‌‌دهی،تحقیقات اقتصادکشاورزی.جلد7. شمارۀ 3.

-      مولایی‌هشجبین، نصرالله؛ سیاوش مولایی‌پارده (1393). تحلیل مکانی توسعۀ کشاورزی در شهرستان‌‌های استان خوزستان، اقتصاد فضا و توسعۀ روستایی. سال سوم. شمارۀ 2.

-      نوری‌‌زمان‌‌آبادی، سیدهدایت‌‌اله؛ عباس امینی فسخودی (1386). سهم توسعۀ کشاورزی در توسعۀ روستایی (مطالعۀ موردی: مناطق روستایی استان اصفهان)، علوم کشاورزی ایران. شمارۀ 2.

- Ajagekar, B. B., Masal, N. S. (2011). Regional disparities in the levels of agricultural development in Kolhapur District of South Maharashtra. Indian Streams Research Journal, 1(1), 139-144.

- Boznar, M., M. Lesjak and P. Mlakar, A neural network-based method for short-term predictions of ambient SO2 concentrations in highly polluted industrial areas of complex terrain,Atmospheric Environment, No. (2), PP.221-230, 1993.

 

- Burja, V (2011). Regional disparities of Agricultural performance in Romania. Annales    Universitatis Apulensis Series Oeconomica, 13(1), 115-121.

- Chong, A. Y. (2013). Predicting m-commerce adoption determinants: A neural network approach. Expert Systems with Applications, 40(2), 523-530.

- Durand,G. (2003). Multifunctional Agriculture: A New paradigm for European Agriculture. UK, Aldershol: Ashgate publishing

- Fan, X., Wang, L and  Li, S. (2016). Predicting chaotic coal prices using a multi-layer perceptron network model. Resources Policy, 50: 86-92.

- Fekrmandi, H., Unal, M., Rojas Neva, S., Nur Tansel, I and McDaniel, D (2016). A novel approach for classification of loads on plate structures using artificial neural networks. Measurement, 82: 37-45.

- Grover, R. and Srinivasan, V. (1989). "An approach for tracking within segment shifts in market shares", Journal of Marketing Research, 26(2): 230-236.

- ivkovic, Z., Mihajlovi, I and Nikoli, D. (2009). Artificial neural network method applied on the nonlinear multivariate problems. Serbian Journal of Management .4 (2), 143 - 155.

- Jena, D (2014). Agricultural Development Disparities in Odisha. A Statistical Study. American Review of Mathematics and Statistics, 2(1), 45-53.

- Jha, N. K and Chockalingam, C. T (2009). Prediction of quality performance using artificial neural networks Evidence from Indian construction projects. Journal of Advances in Management Research, l(1), 70-86.

 

- Patil, B. D (2013). Regional Disparities in Levels of Agricultural Development in Dhule and Nandurbar Districts, India. Research Journal of Agriculture and Forestry Sciences, 1(5). 9-12.

- Razi, M. A. and K. Athappilly, A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models, Expert Systems with Applications, No. 1, PP.65-74, 2005.

- Sharma D and Shardendu S (2011). Assessing farm-level agricultural sustainability over a 60-year period in rural eastern India. Environmentalist, 31: 325-337.

- Soofastaei, A., Aminossadati, S., Arefi, M and Kizil, M. (2016). Development of a multi-layer perceptron artificial neural network model to determine haul trucks energy consumption. International Journal of Mining Science and Technology, 26(2): 285- 293.

- Swanson, N.R. and H. White, Forecasting economic time series using flexible versus fixed specification and linear versus nonlinear econometric models, International Journal of Forecasting, No.4, PP.439-461, 1997.

- West, P., P. L. Brocket and L. Golden, A comparative analysis of neural networks and statistical methods for predicting consumer choice, Marketing Science, No.4,PP.370-391, 1997.

-  Xu X, Hou L, Lin H and Liu W (2006). Zoning of sustainable agricultural development in China. Agricultural Systems, 87: 38-62.