ارزیابی کارآیی واحدهای برداشت نیشکر با استفاده از یک رویکرد ترکیبی از تحلیل پوششی داده‌ها و داده‌کاوی

نوع مقاله : مقاله پژوهشی لاتین

نویسنده

• نسیم منجزی

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

10.22067/jam.2020.58695.0

چکیده

هر سازمانی به‌منظور آگاهی از میزان عملکرد و مطلوبیت فعالیت واحدهای خود به یک نظام ارزشیابی جهت سنجش این مطلوبیت نیاز دارد و این موضوع برای موسسات کشاورزی از جمله کشت و صنعت‌ها اهمیت بیشتری دارد. در تحقیق حاضر، 20 واحد برداشت نیشکر انتخاب گردید. پس از مدل‌سازی بر مبنای مدل‌های CCR و BCC ورودی محور، مقادیر کارایی برای واحدهای برداشت نیشکر محاسبه گردید و با استفاده از درخت تصمیم CART به استخراج قوانین برای پیش‌بینی کارایی این واحدها پرداخته شد. نتایج مطالعه 20 واحد برداشت نیشکر در مدل CCR نشان داد که 6 واحد دارای امتیاز کارآمد و 14 واحد دارای امتیاز ناکارآمد بودند و امتیاز کارایی فنی آن‌ها در محدوده 73/0 تا 95/0 بود. نتایج مطالعه مدل BCC همچنین نشان داد که از مجموع 20 واحد برداشت نیشکر، 8 واحد دارای امتیاز کارآمد بودند. همان‌طور که مشاهده می‌شود، در مدل BCC، واحدهای بیشتری به‌عنوان واحدهای کارآمد معرفی می‌شوند و پراکندگی کمتری بین واحدهای ناکارآمد وجود دارد. همچنین، توزیع واحدهای کارآمد در مدل BCC کمتر از مدل CCR است. میانگین کارایی فنی، کارایی فنی خالص و کارایی مقیاس به‌ترتیب برابر 93، 88 و 93 درصد به‌دست آمد. همچنین دقت مدل درخت تصمیم تولید شده برای کارایی فنی و کارایی فنی خالص نیز به‌ترتیب برابر 86 و 93 درصد به‌دست آمد.

کلیدواژه‌ها

• CART
• برداشت
• تحلیل پوششی داده‌ها
• نیشکر

مراجع

1. Banker, R. D., A., Charnes, and W. W. Cooper. 1984. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science 30 (9): 1078-1092.
2. Charnes, A., W. W., Cooper, and E. Rhodes. 1978. Measuring the efficiency of decision making units. European Journal of Operational Research 2: 429-44.
3. Chiang, T. C., P. Y., Cheng, and F. Y. Leu. 2017. Prediction of technical efficiency and financial crisis of Taiwan’s information and communication technology industry with decision tree and DEA. Soft Computing 21 (18): 5341-5353.
4. Elhami, B., Akram, and M. Khanali. 2016. Optimization of energy consumption and environmental impacts of chickpea production using data envelopment analysis (DEA) and multi objective genetic algorithm (MOGA) approaches. Information Processing in Agriculture 3: 190-205.
5. Everinghama, Y. L., C. W., Smyth and N, G. Inman-Bamber. 2009. Ensemble data mining approaches to forecast regional sugarcane crop production. Agricultural and Forest Meteorology 149: 689-696.
6. Ferraro, D. O., D. E. Rivero and C. M. Ghersa. 2009. An analysis of the factors that influence sugarcane yield in Northern Argentina using classification and regression trees. Field Crops Research 112: 149-157.
7. Jenhani, I., N. B. Amor, and Z. Elouedi. 2008. Decision Trees as Possibilistic Classifiers. International Journal of Approximate Reasoning 48 (3): 784-807.
8. Jeysenthil, K. M. S., T. Manikandan and E. Murali. 2014. Third Generation Agricultural Support System Development Using Data Mining. International Journal of Innovative Research in Science, Engineering and Technology 3 (3): 9923-9930.
9. Kaab, , M. Sharifi, H. Mobli, A. Nabavi-Pelesaraei, and K. Chau. 2019. Use of optimization techniques for energy use efficiency and environmental life cycle assessment modification in sugarcane production. Energy 181: 1298-1320.
10. Khai, H., and Yabe. 2011. Technical efficiency analysis of rice production in Vietnam. Journal of the International Society for Southeast Asian Agricultural Sciences 17: 135-146.
11. Li, N., Y. Jiang, H. Mu, and Z. Yu. 2018. Efficiency evaluation and improvement potential for the Chinese agricultural sector at the provincial level based on data envelopment analysis (DEA), Energy 164: 1145-1160.
12. Liu, X., P. Guo, and S. Guo. 2019. Assessing the eco-efficiency of a circular economy system in China’s coal mining areas: emergy and data envelopment analysis, Journal of Cleaner Production 206: 1101-1109.
13. Medar, R. A., and S., Rajpurohit. 2014. A survey on Data Mining Techniques for Crop Yield Prediction. International Journal of Advance Research in Computer Science and Management Studies 2 (9): 59-64.
14. Rahman, M. T., R., Nielsen, M. A., Khan, and M., Asmild. 2019. Efficiency and production environmental heterogeneity in aquaculture: A meta-frontier DEA approach. Aquaculture 509: 140-148.
15. Ramesh, D., and B. Vishnu Vardhan. 2013. Data Mining Techniques and Applications to Agricultural Yield Data. International Journal of Advanced Research in Computer and Communication Engineering 2 (9): 3477-3480.
16. Raorane, A. A., and R. V. Kulkarni. 2012. Data Mining: An effective tool for yield estimation in the agricultural sector. International Journal of Emerging Trends and Technology in Computer Science 1 (2): 75-79.
17. Toloo, M., B. Sohrabi, and S. Nalchigar. 2009. A New Method for Ranking Discovered Rules from Data Mining by DEA. Journal of Expert Systems with Applications 36 (4): 8503-8508.
18. Torgo, L. 2011. Data Mining with R: Learning with Case Studies. CRC Press, Boca Raton.
19. Ullah, , T. Silalertruksa, P. Pongpat, and S. H. Gheewala. 2019. Efficiency analysis of sugarcane production systems in Thailand using data envelopment analysis. Journal of Cleaner Production 238: 1-11.
20. Wanke, P., and C. P., Barros. 2016. Efficiency drivers in Brazilian insurance: A two-stage DEA meta-frontier-data mining approach. Economic Modelling 53: 8-22.
21. Yoneyama, Y., , Suzuki, R., Sawa, K., Yoneyama, G. G. Power, and Araki, T. 2002. Increased plasma adenosine concentrations and the severity of preeclampsia. Obstetrics & Gynecology 100 (6): 1266-1270.
22. Wu, D. 2009. Supplier selection: A hybrid model using DEA, decision tree and neural network. Expert Systems with Applications 36: 9105-9112.