تعیین الگوی بهینه کشت با تأکید بر تعامل ریسک و سودآوری: اراضی کشاورزی دشت دهگلان

نوع مقاله : مقالات پژوهشی به زبان انگلیسی

نویسندگان

مهسا قصابی ¹

محمود حاجی رحیمی ¹

حامد قادرزاده ¹

راضیه شنکایی ²

¹ گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران

² گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران

https://doi.org/10.22067/jead.2024.90686.1312

چکیده

ریسک یکی از عوامل مهم در فعالیت‌های کشاورزی است و نادیده گرفتن آن می‌تواند به تخصیص ناکارآمد منابع در این بخش منجر شود. نظریه‌ها و مدل‌های مختلف برنامه‌ریزی ریاضی برای کمک به تصمیم‌گیری در مدیریت الگوی کشت در شرایط ریسکی توسعه یافته‌اند. هدف این مطالعه تعیین الگوی بهینه کشت در دشت دهگلان با استفاده از داده‌های دوره زمانی 1393 تا 1402 بود. در این راستا، از مدل برنامه‌ریزی خطی برای حداکثرسازی درآمد ناخالص کشاورزان استفاده شد و نتایج آن با مدل برنامه‌ریزی درجه دوم و مدل حداقل‌سازی انحراف مطلق کل (MOTAD) که هر دو به کاهش ریسک توجه دارند، مقایسه گردید. یافته‌ها نشان داد که عامل ریسک می‌تواند به‌طور معناداری الگوی کشت را تغییر دهد؛ در بالاترین سطح ریسک، الگوی کشتِ مبتنی بر حداکثرسازی سود با استفاده ار برنامه­ریزی خطی ساده تنها شامل خیار، یونجه و کلزا بود که بیانگر ترجیح محصولات با درآمد ناخالص بالاتر، علی‌رغم نیاز بیشتر به منابع آبی، است. در شرایط در نظر گرفتن ریسک در مدل­های برنامه­ریزی ریسکی، سطح زیر کشت گندم و جو نسبت به حالت بدون در نظر گرفتن ریسک افزایش یافت که نشان‌دهنده گرایش به سوی محصولات با نیاز آبی کمتر باوجود کاهش درآمد ناخالص است. این نتایج بر ضرورت برقراری توازن میان حداکثرسازی درآمد و مدیریت ریسک به‌منظور دستیابی به الگوی کشت پایدارتر تأکید دارد.

کلیدواژه‌ها

الگوی کشت

مدل ریسک

مدل برنامه‌ریزی خطی

مدل برنامه‌ریزی درجه دوم

مدل MOTAD

موضوعات

• مدیریت کشاورزی

---

عنوان مقاله English

Determining the Optimal Cropping Pattern with Emphasis on the Interaction between Risk and Profitability: Farmlands of Dehgolan Plain

نویسندگان English

M. Ghasabi ¹

M. Haji-Rahimi ¹

H. Ghaderzadeh ¹

R. Shankayi ²

¹ Department of Agricultural Economics, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran

² Department of Agricultural Economics, Faculty of Agriculture, University of Tehran, Tehran, Iran

چکیده English

Abstract
Risk is an undeniable factor in agricultural activities, and its neglect can lead to inefficient resource allocation in the sector. Various theories and mathematical programming models have been developed to assist decision-making in cropping pattern management under risk conditions. This study aimed to determine the optimal cropping pattern for Dehgolan Plain, Iran, using data from 2014 to 2023. A linear programming model was employed to maximize farmers' gross income, and the results were compared with those from a Quadratic Programming Model and the Minimization of Total Absolute Deviation (MOTAD) model, both incorporating risk minimization. The findings revealed that risk factors can significantly influence cropping patterns. Under the highest level of risk, the profit-maximizing cropping pattern included only cucumber, alfalfa, and canola, indicating a preference for higher gross-income crops despite their greater water requirements. However, when risk was incorporated into the model, the cultivated area of wheat and barley increased compared to the risk-neutral scenario. This shift reflects a tendency toward lower water-requirement crops, even at the cost of reduced gross income. These results highlight the necessity of balancing income maximization and risk management for more sustainable cropping pattern.

کلیدواژه‌ها English

Cropping pattern

Linear programming model

MOTAD model

Quadratic programming model

Risk model

©2024 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0).

مراجع

1. Adnan, K.M., Ying, L., Sarker, S.A., Hafeez, M., Razzaq, A., & Raza, M.H. (2018). Adoption of contract farming and precautionary savings to manage the catastrophic risk of maize farming: Evidence from Bangladesh. Sustainability, 11(1). https://doi.org/10.3390/su11010029
2. Ahmad, D., Afzal, M., & Rauf, A. (2020). Environmental risks among rice farmers and factors influencing their risk perceptions and attitudes in Punjab, Pakistan. Environmental Science and Pollution Research, 27, 21953-21964. https://doi.org/10.1007/s11356-020-08771-8
3. Bahadori, M., & Hosseini, S.T. (2018). Optimization of cropping pattern due to risk in Neka County. 11th Biennial Conference on Iranian Agricultural Economy, Karaj. Iranian Agricultural Economics Society, College of Agriculture and Natural Resources, University of Tehran. (In Persian with English abstract). https://doi.org/10.21859/isv.5.1.10
4. Bahadori, M., Joolaie, R., Eshraghi, F., & Rezaee, A. (2019). Optimization of cropping pattern regarding risk in Rey County of Iran. Agricultural Economics and Development, 27(3), 131-161. (In Persian).
5. Deylami, A., & Joolaie, R. (2023). Role of environmental degradation and energy consumption in agricultural economic growth: empirical evidence from Iran. Agricultural Economics, 17(2), 57-80. (In Persian with English abstract).
6. Gebbers, R., & Adamchuk, V.I. (2010). Precision agriculture and food security. Science, 327(5967), 828-831. https://doi.org/1126/science.1183899
7. Ghasabi, M., Asaadi, M.A., Ghaderzadeh, H., & Hajirahimi, M. (2024). The effect of financial incentive policies on the pattern of water consumption and the pattern of crop cultivation (case study: Dehgolan plain in Kurdistan province). Iranian Journal of Irrigation & Drainage, 18(2), 271-280. (In Persian with English abstract)
8. Hazell, P.B. (1971). A linear alternative to quadratic and semivariance programming for farm planning under uncertainty. American Journal of Agricultural Economics, 53(1), 53-62.  https://doi.org/10.2307/3180297
9. Komarek, A.M., De Pinto, A., & Smith, V.H. (2020). A review of types of risks in agriculture: What we know and what we need to know. Agricultural Systems, 178, 102738. https://doi.org/10.1016/j.agsy.2019.102738
10. Pyman, D.H. (2021). The risk-return trade-off to diversified agriculture in Malawi: A quadratic programming approach. Doctoral dissertation, Stellenbosch: Stellenbosch University.
11. Norton, R.D., & Hazell, P.B. (1986). Mathematical programming for economic analysis in agriculture. New York, NY, USA: Macmillan.
12. Lu, W., Ye, X., Huang, J., & Horlu, G.S.A. (2020). Effect of climate change induced agricultural risk on land use in Chinese small farms: Implications for adaptation strategy. Ecological Indicators, 115, 106414. https://doi.org/10.1016/j.ecolind.2020.106414
13. Magreta, R., Henderson, N.O.O., Mangisoni, J., Machila, K., & Gbegbelegbe, S. (2021). Smallholder farmers resource allocation decisions in a maize-farming system under climate risks in Malawi. Agrofor, 6(1). https://doi.org/7251/AGRENG2101086M
14. Mousavi, S.H., & Esmaeili, A. (2011). Analysis of increasing rice import tariff on welfare and poverty of the Iranian rural and urban regions. Agricultural Economics, 5(3), 143-167. (In Persian)
15. Negm, M., & Abdullah, H. (2021). Estimation of risk in Egyptian agriculture in the light of the current variables: An analytical study using MOTAD model approach. IOSR Journal of Economics and Finance (IOSR-JEF), 12(4), 17-27.
16. Ozerova, M.G., & Sharopatova, A.V. (2021). Financial risks and their impact on the economic security of agricultural enterprises. In IOP Conference Series: Earth and Environmental Science, 839(2), 022090. IOP Publishing. https://doi.org/10.1088/1755-1315/839/2/022090
17. Singh, D.K., Jaiswal, C.S., Reddy, K.S., Singh, R.M., & Bhandarkar, D.M. (2001). Optimal cropping pattern in a canal command area. Agricultural Water Management, 50(1), 1-8. https://doi.org/10.1016/S0378-3774(01)00104-4
18. Tahami Pour Zarandi, M., Arabmazar, A., & Hamedinasab, M. (2019). Modeling the fluctuations in prices for agricultural products in Iran: A case study of cucumber, tomato, potato and onion. Agricultural Economics and Development, 27(2), 209-259. (In Persian).
19. Theuvsen, L. (2013). Risks and risk management in agriculture. Zeszyty Naukowe SGGW w Warszawie-Problemy Rolnictwa Światowego, 13(4), 162-174. https://doi.org/10.22630/PRS.2013.13.4.73
20. Wang, H., Liu, H., & Wang, D. (2022). Agricultural insurance, climate change, and food security: evidence from Chinese farmers. Sustainability, 14(15), 9493. https://doi.org/10.3390/su14159493
21. Yu, Y., Wang, L., Lin, J., & Li, Z. (2022). Optimizing agricultural input and production for different types of at-risk peasant households: An empirical study of typical counties in the Yimeng Mountain area of Northern China. International Journal of Environmental Research and Public Health, 19(21), 13938.  https://doi.org/10.3390/ijerph192113938
22. Zhou, Z., Liu, W., Wang, H., & Yang, J. (2022). The impact of environmental regulation on agricultural productivity: From the perspective of digital transformation. International Journal of Environmental Research and Public Health, 19(17), 10794. https://doi.org/10.3390/ijerph191710794