Wykorzystanie sieci bayesowskich do prognozowania przyszłościowego modelu gospodarstwa rolnego

Katarzyna Grotkiewicz

Abstrakt


Poszukując zależności między poziomem intensywności produkcji a wydajnością pracy i ziemi oraz czynnikami je kształtującymi, przeprowadzono analizy porównawcze w skali krajowej na tle 300 gospodarstw indywidualnych z województwa małopolskiego i świętokrzyskiego. Analiza dotyczyła zastosowania algorytmów modelowania bayesowskiego do przewidywania rozwoju róż- nych wskaźników ekonomiczno-rolniczych decydujących o intensywności i konkurencyjności rolnictwa. Praca stanowi drugi etap badań, który poprzedzony był wcześniejszym przygotowaniem danych do modelowania wykorzystując do tego eksploracyjny przegląd dostępnych danych, oraz technikę TwoStep Cluster Analysis (Grotkiewicz i in., 2016). W oparciu o przeprowadzone analizy zbudowano sieci obrazujące związki pomiędzy analizowanymi zmiennymi oraz sprawdzono prawdopodobień- stwa warunkowe.

Słowa kluczowe


sieci bayesowskie; prognozowanie; wskaźniki ekonomiczno-rolnicze; gospodarstwo rolne

Pełny tekst:

HTML (English)

Bibliografia


Aczel, A.D. (2005). Statystyka w zarządzaniu. Wydawnictwo Naukowe PWN. ISBN 83-01-14548-X.

ARiMR. (2016) (on-line). Dostępny w internecie: http://www.arimr.gov.pl/dla-beneficjenta/srednia-powierzchnia-gospodarstwa.html

Bartnik, G., Kusz, A. (2005). Sieci probalistyczne jako system reprezentacji wiedzy diagnostycznej. Inżynieria Systemów Bioagrotechnicznych, Politechnika Warszawska. Zeszyt 5(14), 5-12.

Bartnik, G., Kusz, A., Marciniak, A. W. (2006). Modelowanie procesu eksploatacji obiektów technicznych za pomocą dynamicznych sieci bayesowskich. Inżynieria Rolnicza, 12(87), 9-16.

Gębka M., Filipiak T. (2006). Podstawy ekonomii i organizacji gospodarstw rolnych. SGGW, Warszawa, ISBN 83-7244-756-X.

Grotkiewicz, K., Kuboń, M., Michałek, R., Peszek, A. (2013). Postęp naukowo-techniczny w procesie modernizacji polskiego rolnictwa i obszarów wiejskich. Inżynieria Rolnicza, ISBN 978-83-935020-5-9.

Grotkiewicz, K., Peszek, A., Kowalczyk, Z. (2016). Verification of economic and agricultural indicators with the use of statistical methods on example of individual farms. Agricultural Engineering, 3(159), 149-156.

Grzegorek, J. (2012). Miejsce Polski w Europie i Świecie według wybranych danych statystycznych. Polska Akademia Nauk, Tom III, 286-297.

Jongsawat, N., Tungkasthan, A., Premchaiswadi, W. (2010). Dynamic Data Feed to Bayesian Network Model and SMILE Web Application. Bayesian Network, ISBN 978-953-307-124-4.

Kusz, A., Marciniak, A., Skwarcz, J.(2015). Implementation of computation process in a bayesian network on the example of unit operating costs determination. Eksploatacja i Niezawodność – Maintenance and Reliability, 17(2), 266-272.

Michałek R., Grotkiewicz K., Kuboń M., Sporysz M. (2010). Metodyczne aspekty określania postępu naukowo-technicznego w badaniach makro- i mikroekonomicznych. Inżynieria Rolnicza, 5(123), 197-205.

Morzy, T. (2007). Eksploracja danych. Nauka 3, 83-104.

Oniśko, A., Druzdzel, M.J., Wasyluk, H. (2001). Learning Bayesian network parameters from small data sets: application of Noisy-OR gates. Interniatonal Journal of Approximate Reasoning, 27, 165-182.

Sujak, A., Kusz, A., Rymarz, M., Kitowski, I. (2016). Environmental Bioindication Studies by Bayesian Network with Use of Grey Heron as Model Species. Environmental Modeling & Assessment, Open Access. DOI 10.1007/s10666-016-9524-4

Tabor, S. (2006). Postęp techniczny a efektywność substytucji pracy żywej pracą uprzedmiotowioną w rolnictwie. Inżynieria Rolnicza, 10(85). ISSN 1429-7264.




##submission.license.cc.by-nc-nd4.footer##