کاربرد تابع تصادفی غیر نرمال پلاتو در تعیین سطح بهینه اقتصادی مصرف نهاده کودهای شیمیایی در تولید غلات آبی (محصولات گندم و جو آبی)

اقتصاد و توسعه کشاورزی

مقاله 6، دوره 35، شماره 1 - شماره پیاپی 51، خرداد 1400، صفحه 79-92   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead.2021.67444.1001

نویسندگان

حمید بلالی^{* 1}؛ حبیب شهبازی²؛ زهرا صید محمدی³؛ مصطفی بنی اسدی⁴

¹گروه ترویج و آموزش کشاورزی، دانشگاه بوعلی سینا، همدان

²گروه اقتصاد کشاورزی، دانشگاه سید جمال الدین اسدابادی

³دانشگاه بوعلی سینا- گروه اقتصاد کشاورزی

⁴دانشگاه بوعلی سینا- اقتصاد کشاورزی

چکیده

در سال‌های گذشته، مصرف بیش از اندازه کودهای شیمیایی، اثرات و پیامدهای زیست‌محیطی نامطلوبی مانند آلودگی آب و خاک و بروز مشکلاتی در مورد وضعیت سلامت انسان‌ها، به همراه داشته است. به دلیل اینکه استفاده نابهینه کودهای شیمیایی می‌تواند خطرات جدی برای محیط و سلامت جامعه ایجاد کند، در این مطالعه سطح بهینه اقتصادی مصرف کودهای شیمیایی ازته، فسفاته و پتاسه در تولید گندم و جو آبی ایران، با استفاده از تابع تصادفی غیر نرمال پلاتو و رویکرد بیزین، طی سال‌های زراعی 86-1385 تا 96-1395 برآورد شد. داده‌های مورد نیاز نیز از آمارنامه‌های کشاورزی و بانک هزینه تولید محصولات زراعی وزارت جهاد کشاورزی جمع‌آوری شد. پس از بررسی و تجزیه و تحلیل داده‌ها با استفاده از نرم‌افزار SAS، نتایج نشان داد که میانگین مصرف بهینه کودهای شیمیایی ازته، فسفاته و پتاسه در تولید گندم آبی به‌ترتیب 05/117، 71/97 و 68/39 کیلوگرم در هکتار و در مورد جو آبی به‌ترتیب 00/29، 17/75 و 81/81 کیلوگرم در هکتار است. براساس نتایج، کشاورزان در تولید گندم آبی، کودهای شیمیایی (ازته، فسفاته و پتاسه) را بیش‌تر از مقدار بهینه استفاده می‌کنند، به طوری‌که میانگین مصرف بهینه کودهای شیمیایی ازته، فسفاته و پتاسه در تولید گندم آبی، به‌ترتیب به میزان56/46 ، 34/25 و 95/10 کیلوگرم در هکتار، کم‌تر از مقدار فعلی مصرف کودهای شیمیایی در کشور است. همچنین نتایج نشان می‌دهند که میزان مصرف فعلی کودهای ازته و فسفاته در تولید جو آبی کشور نیز یشتر از سطح بهینه محاسبه شده می‌باشد. لذا به منظور تخصیص بهینه عوامل تولید و نیز جلوگیری از اثرات زیست‌محیطی نامطلوب مصرف بی‌رویه این نهاده مهم توصیه می‌شود.

کلیدواژه‌ها

تابع تصادفی پلاتو؛ روش بیزین؛ کود شیمیایی؛ گندم؛ مصرف بهینه

مراجع

1. Abdi Rokni K., Hussain Yekani S.A., Kashiri F., and Abedi S. 2019. Effect of optimizing chemical fertilizer use on cropping pattern in positive mathematical planning (Case study: Sari Gherbaran). Journal of Agricultural Economics Research 11(2): 263-276. (In Persian with English abstract)
2. Astolfi A. 2006. Optimization an introduction. Imperial College London. Available at: http://www3.imperial. ac.uk/pls/portallive/docs/1/7288263. PDF. (Visited: December 2015)
3. Behnood H.R., Zamani S., and Naderan A. 2020. Impact assessment of the construction of extremist bus lines on the frequency of the accident on urban highways (Case study: Resalat Tehran highway). Journal of Transportation Engineering 10(3): 603-615. (In Persian with English abstract)
4. Chandini K.R., Kumar R., and Prakash O. 2019. The Book Research Trends in Environmental Sciences. The Impact of Chemical Fertilizers on Our Environment and Ecosystem. Edition: 2^nd. AkiNik Publications. pp: 69-86.
5. Djordjevic S.S. 2019. Some unconstrained optimization methods. DOI: http://dx.doi.org/10.5772/intechopen.83679.
6. Ehsani M.A., Keshavarz H., and Keshavarz M. 2018. The impact of monetary and financial policies on employment fluctuations with an emphasis on private sector employment. Journal of Economic Growth and Development Research 7(26): 125-144. (In Persian with English abstract)
7. Falahi E., Khalilian S., and Ahmadian M. 2014. Determining the optimal economic value of water consumption and environmental pollutants in water wheat production (Case study: Seyedan Farouk plain, Marvdasht county. Journal of Agricultural Economics and Development 22(87): 139-162. (In Persian with English abstract)
8. Gelman A. 2006. Prior distributions for variance parameters in hierarchical models. Bayesian Analysis 1(3): 515-533.
9. Glickman M.E., and van Dyk D.A. 2003. Basic bayesian methods. Methods in Molecular Biology 404: 319-338.
10. Goni M., Mohammed S., and Baba B.A. 2007. Analysis of resource-use efficiency in rice production in the lake Chand area of borno state, Nigeria. Journal of Sustainable Development in Agriculture and Environment 3(7): 31-37.
11. Grzenda W. 2015. The advantages of bayesian methods over classical methods in the context of credible intervals. Information Systems in Management 4(1): 53-63.
12. Hezhaber Kiani K. 2000. Assess and determine the optimal economic use of inputs in the cultivation of wheat. Agricultural Economics and Development 28: 77-108. (In Persian with English abstract)
13. Jahan M., and Amiri M.B. 2018. Optimizing application rate of nitrogen, phosphorus and cattle manure in wheat production: an approach to determine optimum scenario using response-surface methodology. Journal of Soil Science and Plant Nutrition 18(1): 13-26.
14. Makian S.N., Rostami M., and Ramazani H. 2019. Analyzing the relationship between robbery and income inequality with the Bayesian approach (Case study: Iran). Journal of Economic Research (Sustainable Development and Growth) 23(76): 137-158. (In Persian with English abstract)
15. Makian S.N., Rostami M., Farhadi D., and Zabul M.A. 2019. Impact of unemployment on crime in Iran (hierarchical approach of the bayesian panel - poisson). Iranian Journal of Economic Research 23(76): 137-158. (In Persian with English abstract)
16. Mirzaie S.h., Zakerinia M., Sharifan H., and Shahabifar M. 2015. Determination of optimum cropping Pattern by the Minimum Maximum Method (MMAS) of Ant System (Case Study: Golestan Dam Irrigation and drainage network). Iranian Journal of Irrigation and Drainage 9(1): 66-74. (In Persian with English abstract)
17. Moazen V., Mojtahedi M., and Dashti G. 2015. Economics of input consumption in onion production in Tabriz plain. International conference on “Management Economics and Agricultural Sciences”. Bandar Anzali Free Zone, International Center for Academic Communication, Academic Entrepreneurship Development, 22 July 2015. (In Persian with English abstract)
18. Moein-Al-dini A. 2016. Investigation of economic factors of wheat production in Fars province. 3rd International conference on “Modern Research in Management, Economics and Humanities”. Georgia Batum, Karin Institute of Excellence Conference, 5 June. 2016. (In Persian with English abstract)
19. Mojtahedi M., and Dashti G. 2015. Economics of input consumption in water wheat production in Grammy County. 4th national congress on “Organic and Conventional Agriculture”. Ardabil, Mohaghegh Ardebili University, 19-20 August 2015. (In Persian)
20. Naal Bandi Aghdam L., Dashti Gh., and Ajly J. 2013. Comparative evaluation of consumption factors of blue wheat production factors in the small and large farms of Ahar city. Journal of Agricultural Science and Sustainable Production 23(2): 85-97. (In Persian with English abstract)
21. NazamFar H. 2017. Forecasts of urban development using the geographic information system integration method and the bayesian probabilistic model (Case study: Ardebil city). Journal of Human Geography Research 49(2): 357-370. (In Persian with English abstract)
22. Ouedraogo F.B., and Brorsen B.W. 2014. Bayesian estimation of pptimal nitrogen rates with a non-normally distributed stochastic plateau function. Southern Agricultural Economics Association (SAEA), Annual Meeting, Dallas, Texas, 1-4 February 2014.
23. RaheliNamin B., Mortazavi S., and Salmanmahiny A. 2016. Optimizing cultivation of agricultural products using socio-economic and environmental scenarios. Environmental Monitoring and Assessment 188(11): 627-644.
24. Rahman K.M., and Zhang D. 2018. Effects of fertilizer broadcasting on the excessive use of inorganic fertilizers and environmental sustainability. Sustainability 10(3): 2-15.
25. Salahshor H., Shaabani E., and Kazemian J. 2018. Earthquake risk assessment and calculation “parameters using the Bayesian approach at several selected stations in Iran. International conference on “Contemporary Iranian Civil, Architecture and Urban Development”. Tehran, Shahid Beheshti University, August 25. (In Persian with English abstract)
26. Schoot R., Van D., Kaplan D., Denissen J., Asendorpf J.B., Neyer F.J., and van Aken M.A.G. 2014. A gentle introduction to bayesian analysis: applications to developmental research. The Journal Child Development 85(3): 842-860.
27. Semerci A. 2013. Determining the resource use effciency in wheat (Triticum aestivum L.) production: A case study of Edirne Province-Turkey. Bulgarian Journal of Agricultural Science 19: 314-324.
28. Seyedan S.M. 2003. Productivity analysis and determination of optimum use of potato production factors in Hamadan city. Iranian Journal of Agricultural Science 34(4): 1003-1010. (In Persian with English abstract)
29. Shams A., and Moghaddam Fard Z.H. 2017. Factors affecting wheat farmers' attitudes toward organic farming. Polish Journal of Environmental Studies 26(5): 2207-2214.
30. Stonecka I., Lukasik K., and Fornalski K.W. 2019. Simplified bayesian method: application in cytogenetic biological dosimetry of mixed n + γ radiation fields. Radiation and Environmental Biophysics 58(1): 49-57.
31. Sun W., and Yuan Y.X. 2006. Optimization Theory and Methods, Nonlinear Programming. Springer, Switzerland.
32. Arora R.K. 2015. Optimization Algorithms and Applications. Taylor and Francis Group, New York, pp: 466.
33. Tembo G., Brorsen B.W., Epplin F.M., and Tostao E. 2008. Crop input response functions with stochastic plateaus. American Journal of Agricultural Economics 90(2): 424-434.
34. Tiffin R., and Balcombe K. 2010. The determinants of technology adoption by UK farmers using bayesian model averaging, the cases of organic production and computer usage. Australian Journal of Agricultural and Resource Economics 55(4): 579-598.
35. Tumusiime E., Brorsen B.W., Mosali J., Johnson J., Locke J., and Biermacher J.T. 2011. Determining optimal level of nitrogen fertilizer using random parameter models. Journal of Agricultural and Applied Economics 43(4): 541-552.
36. Upadhyaya A. 2017. Application of optimization technique for crop planning to improve farm productivity of ICAR-RCER, Patna, India. Journal of Agrisearch 4(1): 68-70.