مقایسه به‌کارگیری تئوری عدم حتمیت و تئوری احتمال در محاسبه سنجه‌های عدم حتمیت درآمد محصولات زراعی عمده منطقه گهرباران ساری

اقتصاد و توسعه کشاورزی

مقاله 4، دوره 34، شماره 1 - شماره پیاپی 47، فروردین 1399، صفحه 47-61   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.vi0.82584

نویسندگان

فاطمه کشیری کلایی؛ سید علی حسینی یکانی^* ؛ سید مجتبی مجاوریان

دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

با وجود اینکه فعالیت در بخش کشاورزی توأم با عدم حتمیت می­باشد، مدل­سازی مناسبی برای سنجش عدم­حتمیت­های این بخش صورت نگرفته است. سنجش عدم حتمیت در درجه اول مستلزم استخراج درجه باور بوده و در درجه دوم، استفاده از تئوری عدم حتمیت در مدل­سازی آن ضروری به­نظر می­رسد. در مطالعه حاضر به­منظور شناسایی لزوم به­کارگیری تئوری عدم حتمیت به جای تئوری احتمال در کمی­سازی درجه باور، محاسبه سنجه­های عدم حتمیت همچون واریانس و ارزش در معرض خطر دنباله­دار برای درآمد غیرحتمی محصولات زراعی عمده، در منطقه گهرباران ساری مدنظر قرار داده شد. درآمد غیرحتمی نیز از حاصلضرب دو متغیر غیرحتمی قیمت و عملکرد محاسبه شد. نتایج حاکی از آن بود که علی­رغم اختلاف ناچیز ارزش در معرض خطر دنباله­دار محاسبه شده در تئوری احتمال و تئوری عدم حتمیت، میزان واریانس بیش از 30 درصد در تئوری احتمال نسبت به تئوری عدم حتمیت، کمتر سنجیده شده است. این نتیجه لزوم ترویج تئوری عدم حتمیت را در مدل­سازی درجه باور نمایان می­سازد.

کلیدواژه‌ها

عدم حتمیت؛ قیمت؛ بارندگی؛ عملکرد؛ درجه باور

مراجع

1- Abdolahi Ezzatabadi M., and Bakhshoodeh M. 2007. Investigation of the possibility of using area yield agricultural insurance in Iran: A case study of pistachio. Scientific Journal of Agriculture 30(1): 37-50. (In Persian with English abstract)

2- Agricultural Jihad Service Center of Goharbaran, 2017. (In Persian with English abstract)

3- Alvanchi M., Mahmoud Sabouhi Sabouni M., and Rastegaripour F. 2011. Determination of agricultural programming in Fars Province using utility-efficient programming approach. Agricultural Economics 5(4): 89-106.

4- Artzner Ph., Delbaen F., Eber J.M., and Heath D. 1997. Thinking coherently. Risk 10: 68–71.

5- Chen L. Peng J. Zhang B. and Rosyida I. 2016. Diversified models for portfolio selection based on uncertain semivariance. International Journal of Systems Science 48(3): 1-11.

6- Chirima J., and Matete C. 2018. On uncertain programming and the farm planning problem. Scholars Journal of Physics, Mathematics and Statistics 5(2): 124-129.

7- Cochran C.B. 1977. Sampling techniques. John Wiley, New York.

8- Dalman H. 2016. Uncertain programming model for multi-item solid transportation problem. International Journal of Machine Learning and Cybernetics 1-9.

9- Hazell P.B.R. 1990. The proper functioning of agricultural insurance in developing countries In: Agricultural insurance in Asia (APO), Mohsen, H. Translation. Agricultural Economic, Planning and Research Development center 47-67.

10- Hesamian G., Peng Z., and Chen X. 2011. Goodness of fit test: A hypothesis test in uncertain statistics. Proceedings of the Twelfth Asia Pacific Industrial Engineering and Management Systems Conference, Beijing, China, October 14-16, 978-982.

11- Holly S., and Hughes Hallett A. 1991. Optimal control, expectation and uncertainty. The Economic Journal 101(407): 976-978.

12- Huang X., and Zhao T. 2014. Mean-chance model for portfolio selection based on uncertain measure. Insurance, Mathematics and Economics 59: 243–250.

13- Huang X. 2011. Mean-risk model for uncertain portfolio selection. Fuzzy Optimization and Decision Making 10: 71–89.

14- Kahneman D., and Tversky A. 1979. Prospect theory: An analysis of decision under risk. Econometrica 47: 263–292.

15- Kay R.D. 2012. Farm Management, translated by Arslanbad, M. R., Urmia University Press. (In Persian with English abstract)

16- Liu B. 2007. Uncertainty Theory. 2nd edn, Springer-Verlag, Berlin.

17- Liu B. 2009. Some research problems in uncertainty theory. Journal of Uncertain Systems 3(1): 3-10.

18- Liu B. 2015. Uncertainty theory. 5th Edition, Springer-Verlag Berlin.

19- Liu J., Li Y.P., Huang G.H., Zhuang X.W., and Fu H.Y. 2017. Assessment of uncertainty effects on crop planning and irrigation water supply using a Monte Carlo simulation based dual-interval stochastic programming method. Journal of Cleaner Production 149: 945-967

20- Moschini G., and Hennessy D.A. 2001. Uncertainty, risk aversion, and risk management for agricultural producers. In Gardner, B.L. and Rausser, G.C., Eds., Handbook of Agricultural Economics, 1, Elsevier 88-153.

21- Peng J. 2013. Risk metrics of loss function for uncertain system. Fuzzy Optimization and Decision Making 12(1): 53-64.

22- Shaik S., Coble K.H., Knight T.O., Baquet A.E., and Patrick G.F. 2008. Crop revenue and yield insurance demand: A subjective probability approach. Journal of Agricultural and Applied Economics 40(3): 757–766.

23- Torkamani J. 2006. Measuring and incorporating farmers’ personal beliefs and preferences about uncertain events in decision analysis: A stochastic programming experiment. Indian Journal of Agricultural Economics 61(2): 185-199.

24- Yao K. 2015. A formula to calculate the variance of uncertain variable. Soft Computing 19(10): 2947–2953.

25- Zarakani F., Chizari A., and Kamali G. 2014. The effect of climate change on the economy of rain fed wheat (a case study in Northern Khorasan). Journal of Agroecology 6(2): 301-310. (In Persian with English abstract)