عنوان پایان‌نامه
اندازه گیری کارایی انرژی و تعیین شاخص های اقتصادی واحدهای تولیدی مرغداری گوشتی استان یزد به کمک تکنیک های تحلیل پوششی داده و شبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیزاسیون کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 4565;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50584
- تاریخ دفاع
- ۲۶ شهریور ۱۳۹۰
- دانشجو
- محمد داوود حیدری
- استاد راهنما
- محمود امید
- چکیده
- هدف از این مطالعه استفاده از یک روش ناپارامتری برای بررسی کارایی کشاورزان، تفکیک کشاورزان کارا از ناکارا و تعیین مقدار انرژی تلف شده برای بهینه سازی مصرف انرژی در تولید مرغ گوشتی در استان یزد می-باشد. بدین منظور اطلاعات مورد نیاز از 44 واحد پرورش مرغ گوشتی از طریق پرسش¬نامه شفاهی در اسفند ماه و فروردین ماه 89-1388 جمع¬آوری شد. در این تحقیق کارایی فنی، کارایی فنی خالص و کارایی مقیاس برای مزارع پرورش مرغ گوشتی با استفاده از تکنیک تحلیل پوششی داده¬ها محاسبه شد. دو مدل اساسی تحلیل پوششی داده¬ها، مدل بازگشت به مقیاس ثابت(CCR) و بازگشت به مقیاس متغیر(BCC) بر اساس شش نهاده انرژی بر شامل انرژی جوجه، انرژی سوخت، انرژی دان مصرفی، انرژی الکتریسیته، انرژی تجهیزات و انرژی نیروی کارگری و انرژی خروجی به عنوان خروجی، برای محاسبه کارایی فنی به کار برده شدند. براساس دو مدل CCR و BCC، 12 و 21 واحد کارا می¬باشند. متوسط کارایی فنی، کارایی فنی خالص و کارایی مقیاس به ترتیب 933/0، 991/0 و 941/0 محاسبه شد. نتایج نشان داد که با رعایت توصیه¬های تحلیل پوششی داده¬ها می-توان تا 10% از کل انرژی¬های ورودی را ذخیره کرد. برای تحلیل اقتصادی، شاخص¬های سود خالص، برگشت ناخالص، نسبت سود به هزینه محاسبه ¬شد. در این مطالعه مدل¬های مختلف شبکه عصبی مصنوعی و همچنین تابع اقتصادسنجی کاب-داگلاس برای تخمین نسبت سود به هزینه (BCR) واحدهای پرورش مرغ گوشتی برازش داده شدند. شبکه عصبی برازش داده¬ شده، یک شبکه پیش¬خور چندلایه با پنج نرون (هزینه جوجه، هزینه کارگر، هزینه خوراک، هزینه سوخت و هزینه الکتریسیته) در لایه ورودی و یک نرون در لایه خروجی (نسبت سود به هزینه) می¬باشد. براساس نتایج شبکه یک شبکه MLFN (1-20-5) با پنج نرون در لایه ورودی و بیست نرون در لایه مخفی به عنوان مناسب¬ترین شبکه برای تعیین شاخص BCR انتخاب شد. برای مدل بهینه شبکه، مقادیر خروجی¬های شبکه با ضریب تشخیص(R2) مناسب 978/0 با خروجی¬های واقعی مرتبط بود. مقادیر شاخص¬های MSE، MAE و MAPE برای بهترین ساختار شبکه به ترتیب 002/0، 037/0 و 695/2 محاسبه شدند. تحلیل حساسیت ورودی¬های شبکه نشان داد که هزینه دان مصرفی مهمترین پارامتر در مدلسازی شاخص BCR برای واحدهای پرورش مرغ گوشتی می¬باشد.
- Abstract
- This study applied a non-parametric method to analyze the efficiency of farmers, discriminate efficient farmers from inefficient ones and to identify wasteful uses of energy in order to optimize the energy inputs for broiler production in Yazd province of Iran. For this purpose data were collected from 44 poultry production farms using a face-to-face questionnaire in February and March 2010. We determined TE (Technical Efficiency), PTE (Pure Technical Efficiency) and SE (Scale Efficiency) of energy use in broiler farms using Data Envelopment Analysis (DEA). Two basic DEA models (CCR and BCC) were used to measure the TEs of the farmers based on six energy inputs (chick energy, fuel energy, feed energy, electricity energy, equipment energy and labor energy) and output energy. The CCR and BCC models indicated 12 and 21 farmers were efficient, respectively. The average values of TE, PTE and SE of farmers were found to be 0.933, 0.991 and 0.941, respectively. The results also revealed that about 10% of the total input resources could be saved if the farmers follow the input package recommended by the DEA. For the economic analyses, net profit, gross return, net return, benefit to cost ratio (BCR), productivity, etc. have to be computed. In this study, various artificial neural networks (ANNs) were developed to estimate the BCR of broiler farms also the econometric model was developed using Cobb-Douglas type function. The developed ANN was a multilayer feedforward network (MLFN) with five neurons (chick cost, labor cost, feed cost, fuel cost and electricity) in the input layer, one and two hidden layer(s) of various number of neurons and one neuron (BCR) in the output layer. Based on performance measures, (5-20-1)-MLFN, namely, a network having five neurons in its input layer and twenty neurons in the hidden layer resulted in the best-suited model estimating the BCR. For the optimal model, the values of the model’s outputs correlated well with actual outputs, with coefficient of determination (R2) of 0.978. For this configuration, MSE, MAE and MAPE values were 0.002, 0.037 and 2.695, respectively. Sensitivity analysis revealed that feed cost is the most significant parameter in modeling the BCR to input costs in the broiler production.
