کاربرد داده‌کاوی در تحلیل عوامل مؤثر بر طبقه‌بندی کارایی فنی گندم‌کاران: مطالعه‌ای در شهرستان اهر

نوع مقاله : مقالات پژوهشی به زبان انگلیسی

نویسندگان

جبرئیل واحدی ¹

محمد قهرمان زاده ¹

قادر دشتی ¹

پریسا پاکروح ²

¹ گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

² محقق فلوشیپ ماری کوری، دانشگاه میلان، میلان، ایتالیا

https://doi.org/10.22067/jead.2025.93203.1349

چکیده

شهرستان اهر به‌عنوان یکی از مناطق اصلی تولید محصولات کشاورزی، بخش قابل­توجهی از گندم دیم استان آذربایجان شرقی را تولید می­کند. بهبود کارایی فنی در این منطقه می‌تواند تأثیر قابل­توجهی بر بهره‌وری و پایداری اقتصادی کشاورزان داشته باشد. بنابراین مطالعه حاضر با هدف کاربرد داده­کاوی در تحلیل کارایی کشاورزان گندم دیم در شهرستان اهر انجام شد. بدین منظور کارایی فنی کشاورزان با استفاده از روش تحلیل پوششی داده‌ها محاسبه گردید و کشاورزانی که کارایی بالاتر از میانگین منطقه (یعنی 59/0) داشتند، به‌عنوان گروه کشاورزان با کارایی بالاتر از میانگین و بقیه به‌عنوان گروه کشاورزان با کارایی پایین‌تر از میانگین طبقه‌بندی شدند. سپس، با استفاده از آزمون­های تی و خی­دو، متغیرهایی که احتمال می­رفت بر کارایی اثرگذار باشند، شناسایی شدند و برای طبقه­بندی و تحلیل کارایی فنی از الگوریتم‌های یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان،k  نزدیک‌ترین همسایه و جنگل تصادفی استفاده گردید. نتایج نشان داد که رگرسیون لجستیک عملکرد بهتری نسبت به سایر الگوریتم‌ها دارد. خروجی این الگوریتم حاکی از آن بود که عواملی مانند علف­کش، کنترل علف­های هرز، کود حیوانی، ارزش اجاره­ای زمین­ها، کود نیتراته، تعداد قطعه زمین­ها، آفت­کش، سن کشاورز، روش برداشت ترکیبی، تجربه، اعضای خانوار با تحصیلات دانشگاهی، تأمین بذر از جهاد کشاورزی و سکونت در روستا دارای تأثیر مثبت بر کارایی فنی می­باشند. عواملی مانند، مالکیت زمین­ها به‌صورت شخصی-اجاره­ای، تأمین بذر از منابع شخصی و درآمد غیرکشاورزی نیز تأثیر منفی بر کارایی دارند. بر اساس نتایج، توصیه می‌شود کشاورزان آموزش‌های لازم در خصوص مدیریت بهینه مصرف نهاده‌های کشاورزی اثرگذار شامل علف­کش، کود حیوانی، کود نیتراته و آفت­کش را دریافت کنند. همچنین، سیاست‌گذاران با ارائه مشوق‌های مالی و خدمات مشاوره‌ای، انگیزه بهبود کارایی را در کشاورزانی که روی زمین‌های اجاره‌ای فعالیت می‌کنند، افزایش دهند. توسعه برنامه‌های حمایتی برای تأمین بذر و نهاده‌های کشاورزی با کیفیت از طریق جهاد کشاورزی نیز پیشنهاد می‌شود.

کلیدواژه‌ها

داده‌کاوی

کارایی فنی

گندم

یادگیری ماشین

موضوعات

• اقتصاد کشاورزی

---

عنوان مقاله English

The Application of Data Mining in Analyzing Factors Affecting the Classification of Technical Efficiency of Wheat Farmers: A Study in Ahar County

نویسندگان English

J. Vahedi ¹

M. Ghahremanzadeh ¹

Gh. Dashti ¹

P. Pakrooh ²

¹ Department of Agricultural Economics, Faculty of Agriculture, University of Tabriz, Tabriz, Iran

² Marie Sklodowska-Curie Research Fellow at University of Milano-Bicocca, Milan, Italy

چکیده English

Ahar County, as one of the main agricultural production areas, produces a considerable share of rainfed wheat in East Azerbaijan Province. Improving technical efficiency (TE) in this region can have a significant impact on farmers' productivity and economic sustainability. Therefore, the present study was conducted with the aim of applying data mining to analyze the efficiency of rainfed wheat farmers in Ahar County. To this end, farmers' TE was calculated using Data Envelopment Analysis (DEA), and those with efficiency scores above the regional average (0.59) were classified as the high-efficiency group, while the rest were categorized as the low-efficiency group. Subsequently, t-tests and chi-square tests were employed to identify variables likely to influence TE. Machine learning algorithms, including logistic regression, support vector machines (SVM), k-nearest neighbors (k-NN), and random forest (RF), were then applied for classification and analysis of TE. The results indicated that logistic regression outperformed the other algorithms. The output of this algorithm revealed that factors such as herbicides, weed control, manure, land rental value, nitrate fertilizers, number of farm plots, pesticides, farmer's age, combined harvesting method, experience, household members with university education, seed procurement from the Agricultural Organization, and residence in rural areas have a positive effect on TE. Conversely, factors including mixed landownership (personal-rental), seed procurement from personal sources, and non-agricultural income exerted a negative influence on efficiency. Based on the findings, it is recommended that farmers receive necessary training on the optimal management of influential agricultural inputs, including herbicides, manure, nitrate fertilizers, and pesticides. Furthermore, policymakers are advised to enhance the motivation of farmers operating on rented lands by providing financial incentives and advisory services. The development of supportive programs for the supply of quality seeds and agricultural inputs through the Agricultural Jihad Organization is also proposed.

کلیدواژه‌ها English

Data mining

Machine learning

Technical efficiency

Wheat

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0).

مراجع

1. Aryan, S., Gulab, G., Hashemi, T., Habibi, S., Kakar, K., Habibi, N., & Zerak, A. (2024). Pre-spike emergence nitrogen fertilizer application as a strategy to improve floret fertility and production efficiency in wheat. Field Crops Research, 319, 109623.‏ https://doi.org/10.1016/j.fcr.2024.109623
2. Bahiraie, A., Hamedi, R., Alinia, H., & Sanayei, Y. (2020). Modeling the efficiency of banks by cover data method and Genetic programming. Islamic Economics and Banking, 9(31), 69-98. (In Persian). http://mieaoi.ir/article-1-960-en.html
3. Bermudez, R.S., Manalang, J.O., Gerardo, B.D., & Tanguilig, B.T. (2011). Predicting faculty performance using regression model in data mining. In 2011 Ninth International Conference on Software Engineering Research, Management and Applications: 68-72. IEEE.‏ https://doi.org/10.1109/SERA.2011.29
4. Cooper, W.W., Seiford, L.M., & Tone, K. (2007). Data envelopment analysis: a comprehensive text with models, applications, references and DEA-solver software, 2, 489. New York: springer.‏ https://doi.org/10.1007/978-0-387-45283-8
5. Davoudniya, Z., Hashemibonab, S., & Molaei, M. (2023). Investigating environmental and technical efficiency in grape production in Bijar County with input-oriented approach. Agricultural Science and Sustainable Production, 33(3), 289-302. (In Persian).‏ https://doi.org/22034/saps.2022.50319.2826
6. East Azerbaijan Agricultural Jihad Organization. (2022). Agricultural statistics yearbook 2021. https://www.eaj.ir/
7. Ghasemi, E., Dashti, G., & Vahedi, J. (2023). Technical efficiency, environmental efficiency and economic losses of rainfed wheat production in Ahar County. Agricultural Economics, 17(1), 1-20. (In Persian).‏ https://doi.org/22034/IAES.2022.1971035.1954  
8. Girma, M., Mehare, A., & Ketema, M. (2024). Wheat crop producers’ technical efficiency and its determinants in Oromia region of Ethiopia: evidence from West Shewa zone. Cogent Social Sciences, 10(1), 2329791.‏ https://doi.org/10.1080/23311886.2024.2329791
9. Gullo, F. (2015). From patterns in data to knowledge discovery: What data mining can do. Physics Procedia, 62, 18-22. https://doi.org/10.1016/j.phpro.2015.02.005
10. Hackeling, G. (2017). Mastering Machine Learning with Scikit-learn. Packt Publishing, Birmingham.‏
11. Hordri, N.F., Yuhaniz, S.S., Azmi, N.F.M., & Shamsuddin, S.M. (2018). Handling class imbalance in credit card fraud using resampling methods. International Journal Advanced. Computer Science Apply, 9(11), 390-396.‏ https://doi.org/10.14569/IJACSA.2018.091155
12. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical earning; Springer Texts in Statistics; Springer New York: New York, NY; Vol. 103. https://doi.org/1007/978-1-4614-7138-7
13. Khan, B., Naseem, R., Muhammad, F., Abbas, G., & Kim, S. (2020). An empirical evaluation of machine learning techniques for chronic kidney disease prophecy. IEEE Access, 8, 55012-55022.‏‏ https://doi.org/1109/ACCESS.2020.2981689
14. Khodaverdizadeh, M., Mohammadi, M., & Miri, D. (2019). Estimation of technical efficiency of wheat production with emphasis on sustainable agriculture in Urmia county. Journal of Agricultural Science and Sustainable Development, 29(4), 233-245. (In Persian)
15. McClendon, L., & Meghanathan, N. (2015). Using machine learning algorithms to analyze crime data. Machine Learning and Applications: An International Journal (MLAIJ),2(1), 1-12.‏ https://doi.org/5121/mlaij.2015.2101
16. Ngai, E.W., Xiu, L., & Chau, D.C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36(2), 2592-2602.‏ https://doi.org/10.1016/j.eswa.2008.02.021
17. Naruei, H., Ahmadpour Borazjani, M., Salarpour, M., Keikha, A., & Esfanjari Kenari, R. (2024). Impact of adopting strategies to cope with climate change on the technical efficiency of wheat farmers in Sistan Region-Iran. Journal of Agricultural Economics and Development, 38(2), 195-208. (In Persian). https://doi.org/10.22067/jead.2024.87331.1259
18. Otunaiya, K.A., & Muhammad, G. (2019). Performance of datamining techniques in the prediction of chronic kidney disease. Computer Science and Information Technology, 7(2), 48-53.‏ https://doi.org/13189/csit.2019.070203
19. Ranjan, G.S.K., Verma, A.K., & Radhika, S. (2019). K-nearest neighbors and grid search cv based real time fault monitoring system for industries. 5th international conference for convergence in technology (I2CT)(pp. 1-5). IEEE.‏ .‏ https://doi.org/1109/I2CT45611.2019.9033691
20. Samson, G.L., Haruna, U., & Idi, S. (2024). Analysis of wheat production efficiencies in Hadejia and Ringim local government areas of Jigawa state, Nigeria. Nigerian Journal of Agriculture and Agricultural Technology, 4(2), 203-213.‏ https://doi.org/59331/njaat.v4i2.705
21. Sen, P.C., Hajra, M., & Ghosh, M. (2020). Supervised classification algorithms in machine learning: A survey and review. Emerging Technology in Modelling and Graphics: Proceedings of IEM Graph, 99-111. Springer Singapore.‏ https://doi.org/1007/978-981-13-7403-6-11
22. Shetty, S.H., Shetty, S., Singh, C., & Rao, A. (2022). Supervised machine learning: algorithms and applications. Fundamentals and methods of machine and deep learning: algorithms, tools and applications, 1-16.‏ https://doi.org/1002/9781119821908.ch1
23. Shu, X., & Ye, Y. (2023). Knowledge discovery: Methods from data mining and machine learning. Social Science Research, 110, ‏ https://doi.org/10.1016/j.ssresearch.2022.102817
24. Sujatha, P., & Mahalakshmi, K. (2020). Performance evaluation of supervised machine learning algorithms in prediction of heart disease. International conference for innovation in technology (INOCON)IEEE, 1-7. https://doi.org/1109/INOCON50539.2020.9298354
25. Tanursaz, A., Bakhshoodeh, M., & Azarm, H. (2021). The effects of conservation tillage on technical efficiency of wheat growers in Dezful county. Journal of Agricultural Science and Sustainable Production, 31(1), 331-348. (In Persian).‏ https://doi.org/22034/saps.2021.12819
26. Vahedi, J., Niazifar, M., Ghahremanzadeh, M., Taghizadeh, A., Abachi, S., Palangi, V., & Lackner, M. (2024). Predicting livestock farmers’ attitudes towards improved sheep breeds in Ahar city through data mining methods. World, 5(4), 848-864.‏ https://doi.org/10.3390/world5040044
27. Warrens, M.J. (2008). On the equivalence of Cohen’s kappa and the Hubert-Arabie adjusted Rand index. Journal of Classification, 25, 177-183.‏‏ https://doi.org/10.1007/s00357-008-9023-7
28. Xu, Q., & Yin, J. (2021). Application of random forest algorithm in physical education. Scientific Programming, 2021(1), 1996904.‏ https://doi.org/10.1155/2021/1996904
29. Yuvalı, M., Yaman, B., & Tosun, Ö. (2022). Classification comparison of machine learning algorithms using two independent CAD datasets. Mathematics, 10(3), 311.‏ https://doi.org/10.3390/math10030311