تعیین تاب‌آوری و پایداری واحدهای صنعتی گاوشیری شهرستان مشهد و حومه

اقتصاد و توسعه کشاورزی

مقاله 7، دوره 32، شماره 3 - شماره پیاپی 41، مهر 1397، صفحه 269-285   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v32i3.73994

نویسندگان

لیلا حسنی¹؛ محمود دانشور کاخکی^{* 1}؛ محمود صبوحی²

¹دانشگاه فردوسی مشهد

²اقتصاد کشاورزی. دانشکده کشاورزی. دانشگاه فردوسی مشهد

چکیده

استفاده بیش از حد از منابع طبیعی، تأثیرات نامطلوب فرآیند تولید بر محیط‌زیست و افزایش نگرانی در این زمینه، دلیل اصلی توجه به پایداری است. بنابراین، اقدام به ایجاد پایداری در فرآیند تولید برای اطمینان از تاب‌آوری و پایداری، امری ضروری است. هدف از این مقاله، دستیابی به یک استراتژی مناسب برای تولید بهینه با حداکثر تاب‌آوری و پایداری در واحدهای صنعتی پرورش گاو شیری است. از این‌رو، در این پژوهش، شاخص تاب‌آوری و پایداری از طریق ادغام شاخص‌های زیست‌محیطی، اقتصادی، اجتماعی، تکنولوژیکی و سیاستی، و با استفاده از برنامه‌ریزی ریاضی غیرخطی، طراحی و مدل‌سازی گردید. شاخص پیشنهادی در واحدهای صنعتی پرورش گاوشیری استان خراسان رضوی (شهرستان مشهد و حومه) در سال 1395 مورد مطالعه و ارزیابی قرار گرفت. نتایج حاصل از الگوریتم ژنتیک هوشمند نشان داد که مدل پیشنهاد شده می‌تواند تاب‌آوری و پایداری تولید در واحدهای پرورش گاو شیری را بهبود و سبب کاهش روند تخریب محیط‌زیست ناشی از تولید گردد. هم‌چنین، شاخص تاب‌آوری و پایداری به میزان 5/0 درصد و شاخص سودآوری حدود 23/0 درصد، افزایش، و انتشار گازهای گلخانه‌ای و شدت انرژی به‌ترتیب 09/0 درصد و 02/0 درصد، کاهش یافتند. مدل ارائه شده می‌تواند در زمینه‌های مختلف به‌منظور بهبود قابلیت تاب‌آوری و پایداری واحدهای صنعتی پرورش گاو شیری و سایر سیستم‌های تولید استفاده شود. هم‌چنین، پیشنهاد می‌شود فاکتورهایی چون میزان تولید شیر و هزینه تمام شده یک لیتر شیر، به مدل پیشنهادی اضافه، تا امکان مدیریت همزمان عوامل اثرگذار بر تاب‌آوری و پایداری واحد تولیدی برای مدیر واحد (دامدار) فراهم گردد. 

کلیدواژه‌ها

الگوریتم ژنتیک؛ الگوهای برنامه‌ریزی ریاضی؛ شاخص‌ تاب‌آوری و پایداری؛ واحدهای صنعتی پرورش گاوشیری

مراجع

1- Al-Sharrah G., Elkamel A., and Almanssoor A. 2010. Sustainability indicators for decision-making and optimisation in the process industry: The case of the petrochemical industry. Chemical Engineering Science, 65(4): 1452-1461.

2- Aryanezhad M.B., and Hemati M. 2008. A new genetic algorithm for solving nonconvex nonlinear programming problems. Applied Mathematics and Computation, 199(1): 186-194.

3- Astigarraga L., and Ingrand S. 2011. Production flexibility in extensive beef farming systems. Ecology and Society, 16(1).

4- Beck A. 2014. Introduction to Nonlinear Optimization: Theory, Algorithms, and Applications with MATLAB (Vol. 19): Siam.

5- Beliakov G., Sola H.B., and Sanchez T.C. 2016. A practical guide to averaging functions (Vol. 329): Springer.

6- Bene C. 2013. Towards a quantifiable measure of resilience. IDS Working Papers, 434: 1-27.

7- Carr J. 2014. An introduction to genetic algorithms. Senior Project, 1: 40.

8- Commission, United Nations Brundtland. 1987. World Commission on Environment and Development (WCED): Our Common Future: Oxford: Oxford University Press.

9- Darnhofer I. 2014. Resilience and why it matters for farm management. European Review of Agricultural Economics, 41(3): 461-484.

10- De Freitas Pinto R.L.U., and Ferreira R.P.M. 2014. An exact penalty function based on the projection matrix. Applied Mathematics and Computation, 245: 66-73.

11- Erjavec E., Volk T., Rac I., Kožar M., Pintar M., and Rednak M. 2017. Agricultural support in selected Eastern European and Eurasian countries. Post-Communist Economies, 29(2): 216-231.

12- Fiksel J. 2006. Sustainability and resilience: toward a systems approach. Sustainability: Science, Practice, and Policy, 2(2).

13- Frorip J., Kokin E., Praks J., Poikalainen V., Ruus A., Veermäe I., and Ahokas J. 2012. Energy consumption in animal production-case farm study. Agronomy research Biosystem engineering. Special, 1: 39-48.

14- Galal Noha M., and Moneim Ahmed F Abdul. 2015. A mathematical programming approach to the optimal sustainable product mix for the process industry. Sustainability, 7(10): 13085-13103.

15- Gezer I., Acaroǧlu M., and Haciseferoǧullari H. 2003. Use of energy and labour in apricot agriculture in Turkey. Biomass and Bioenergy, 24(3): 215-219.

16- Glover J. 2012. Rural resilience through continued learning and innovation. Local Economy, 27(4): 355-372.

17- Hammond B., Berardi G., and Green R. 2013. Resilience in Agriculture: Small- and Medium-Sized Farms in Northwest Washington State. Agroecology and Sustainable Food Systems, 37(3): 316-339.

18- Kitani O., and Jungbluth T. 1999. CIGR handbook of agricultural engineering. Energy and Biomass Engineering, 5, 330.

19- Krebs J. 2002. McCance and Widdowson’s the composition of foods: summary edition, 6th summary ed: The Royal Society of Chemistry/Food Standards Agency, Cambridge/London.

20- Kuhlman T., and Farrington J. 2010. What is sustainability? Sustainability, 2(11): 3436-3448.

21- Meul M., Nevens F., Reheul D., and Hofman G. 2007. Energy use efficiency of specialised dairy, arable and pig farms in Flanders. Agriculture, Ecosystems and Environment, 119(1): 135-144.

22- Mobtaker H., Keyhani A., Mohammadi A., Rafiee Sh., and Akram A. 2010. Sensitivity analysis of energy inputs for barley production in Hamedan Province of Iran. Agriculture, Ecosystems and Environment, 137(3): 367-372.

23- Mollenhorst H., Klootwijk C., van Middelaar C., van Zanten H., and de Boer I. 2014. A novel approach to assess efficiency of land use by livestock to produce human food. Paper presented at the Proceedings of the 9th International Life Cycle Assessment of Foods Conference (LCA Food 2014).

24- Morgan N.A., and Piercy Nigel F. 1998. Interactions between marketing and quality at the SBU level: influences and outcomes. Journal of the Academy of Marketing Science, 26(3): 190-208.

25- Naylor Rosamond L. 2009. Managing food production systems for resilience Principles of Ecosystem Stewardship (pp. 259-280): Springer.

26- Ozkan B., Akcaoz H., and Fert C. 2004. Energy input–output analysis in Turkish agriculture. Renewable Energy, 29(1): 39-51.

27- Park C.H., and Irwin Scott H. 2004. The profitability of technical analysis: A review.

28- Prendergast AC. 2008. IPCC–intergovernmental panel on climate change. Choice Curr. Rev. Acad. Libr, 45: 1570-1571.

29- Qobadi M., Mohammadzamani D., and Shahrami A. 2015. Evaluation of energy indi ces in Qazvin dairy farms using data envelopment analysis. Biomedical Engineering Journal, 4(4): 16.

30- Rafiee S., Khoshnevisan B., Mohammadi I., Aghbashlo M., and Clark S. 2016. Sustainability evaluation of pasteurized milk production with a life cycle assessment approach: An Iranian case study. Science of the Total Environment, 562: 614-627.

31- Saaty Thomas L. 2008. Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1): 83-98.

32- Samuel Vijayalakshmi B., Agamuthu P., and Hashim MA. 2013. Indicators for assessment of sustainable production: A case study of the petrochemical industry in Malaysia. Ecological Indicators, 24: 392-402.

33- Schlink AC., Nguyen ML., and Viljoen GJ. 2010. Water requirements for livestock production: a global perspective. Soil and Water Management & Crop Nutrition Subprogramme, 6.

34- Tang K., Yang J., Chen H., and Gao S. 2011. Improved genetic algorithm for nonlinear programming problems. Journal of Systems Engineering and Electronics, 22(3): 540-546.

35- van Apeldoorn D., Kok K., Sonneveld M., and Veldkamp T. 2011. Panarchy rules: rethinking resilience of agroecosystems, evidence from Dutch dairy-farming. Ecology and Society, 16(1).

36- Von Mises, Ludwig. 2008. Profit and loss: Ludwig von Mises Institute.

37- Wells C.M. 2001. Total Energy Indicators of Agricultural Sustainability: Dairy Farming Case. Study Final Report. Report to MAF Policy. Department of Physics, University of Otago.

38- www.fao.org.

39- Yokota T., Gen M., and Li Y.X. 1996. Genetic algorithm for non-linear mixed integer programming problems and its applications. Computers and Industrial Engineering, 30(4): 905-917.