Analysis of economic and agricultural indicators under sustainable agriculture conditions with the use of Bayesian modelling

• Autorzy: Grotkiewicz K.
• Języki publikacji: EN

Abstrakty

EN

Searching for relations between the level of production intensity, land efficiency and work performance, comparative analyses were carried out on international scale taking into consideration 45 countries from around the world with the use of the Statistical Yearbook (2013) and International Statistics Yearbook (2015). The research covered basic qualification criteria of sustainable agriculture, i.e. the level of mineral fertilization and stocking density as well as productivity rates, i.e. land efficiency and work performance and factors which shape them. The main aim of the research is the use of Bayesian modelling in order to predict the development of various economical and agricultural indicators and also show relationships between events basing on the theory of probability.

Słowa kluczowe

EN

sustainable agriculture; mineral fertilization; stocking density; agri-economic indicators; Bayesian networks; model

• Wydawca: Wydawnictwo Uniwersytetu Warmińsko-Mazurskiego w Olsztynie
• Czasopismo: Technical Sciences / University of Warmia and Mazury in Olsztyn
• Rocznik: 2017
• Tom: nr 20(3)
• Strony: 209--225
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Grotkiewicz K.

• Faculty of Production and Power Engineering, University of Agriculture in Kraków, ul. Balicka 116B, 30-149 Kraków, Poland

Bibliografia

• ACZEL A.D. 2005. Statystyka w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa.
• APOLLO M., MISZEWSKA-URBAŃSKA E. 2014. Decision making under uncertainty using Bayesian Networks – case study. Logistics, 6: 1496–1504.
• BARTNIK G., KUSZ A. 2005. Sieci probalistyczne jako system reprezentacji wiedzy diagnostycznej. Inżynieria Systemów Bioagrotechnicznych, Politechnika Warszawska, 5(14): 5–12.
• BAUM R. 2006. Zrównoważony rozwój w organizacji i zarządzaniu gospodarstwem rolnym. Roczn. Nauk. SERiA, Poznań, VIII(1): 14–18.
• BUJAK K., FRANT M. 2009. Wpływ uproszczeń w uprawie roli i poziomu nawożenia mineralnego na zachwaszczenie potencjalne gleby. Acta Agrophysica, 13(2): 311–320.
• CAMPOS L.M. de, CASTELLANO J.G. 2007. Bayesian network learning algorithms using structural restrictions. International Journal of Approximate Reasoning, 45(2): 233–254.
• GROTKIEWICZ K., KOWALCZYK Z. 2015. Methodological notes concerning determination of the scientific and technical progress rate and its efficiency. Agricultural Engineering, 4(156): 149–156.
• GROTKIEWICZ K., MICHAŁEK R. 2009. Postęp naukowo-techniczny a wydajność ziemi i pracy w rolnictwie. Inżynieria Rolnicza, 6(115): 109–116.
• GROTKIEWICZ K., PESZEK A., KOWALCZYK Z. 2016. Weryfikacja wskaźników ekonomiczno-rolniczych z wykorzystaniem metod statystycznych na przykładzie gospodarstw indywidualnych. Inżynieria Rolnicza, 3(159).
• JONGSAWAT N., TUNGKASTHAN A., PREMCHAISWADI W. 2010. Dynamic Data Feed to Bayesian Network Model and SMILE Web Application. In: Bayesian Network. Ed. A. Rebai. Sciyo, DOI: 10.5772/56654.
• KOPIŃSKI J., TUJAKA A. 2009. Bilans azotu i fosforu w rolnictwie polskim. Woda – Środowisko – Obszary Wiejskie. IMUZ Falenty, 9, 4(28): 103–116.
• KRASOWICZ S. 2005. Cechy zrównoważonego rolnictwa. In: Koncepcja badań nad rolnictwem społecznie zrównoważonym. Raporty IERGŻ-PIB, 11: 23–39.
• KUSZ A., MARCINIAK A. W. 2006. Dynamiczne sieci probabilistyczne jako system reprezentacji wiedzy. Inżynieria Rolnicza, 12(87): 285–294.
• 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, 17(2): 266–272.
• MAKSYM P. 2011. Podstawowe zasady modelowania procesu produkcji rolniczej. Inżynieria Rolnicza, 1(126): 161–165.
• MICHAŁEK R., GROTKIEWICZ K. 2010. Miejsce i rola postępu naukowego w warunkach rolnictwa zrównoważonego. Problemy Inżynierii Rolniczej, 1: 1–8.
• MICHAŁEK R., KUBOŃ M., GROTKIEWICZ K., PESZEK A. 2013. Postęp naukowo-techniczny w procesie modernizacji polskiego rolnictwa i obszarów wiejskich. Polskie Towarzystwo Inżynierii Rolniczej, Kraków.
• MORZY T. 2007. Eksploracja danych. Nauka, 3: 83–104.
• OIJEN M. VAN, ROUGIER J., SMITH R. 2005. Bayesian calibration of process-based forest models: bridging the gap between models and data. Tree Physiology, 25(7): 915–927.
• OLBRYŚ J. 2007. Sieć bayesowska jako narzędzie pozyskiwania wiedzy z ekonomicznej bazy danych. Zeszyty Naukowe Politechniki Białostockiej, 2.
• PARK H.S., BAIK D.K. 2006. A study for control of client value using cluster analysis. Journal of Network and Computer Applications, 29(4): 262–276.
• RAFTERY A.E. 1999. Bayes factors and BIC – Comment on “A critique of the Bayesian information criterion for model selection”. Sociological Methods and Research, 27: 411–427.
• Rocznik Statystyczny. 2013. GUS. Warszawa.
• Rocznik Statystyki Międzynarodowej. 2015. GUS, Warszawa.
• SAGRADOA J. del, SÁNCHEZA J.A., RODRÍGUEZA F., BERENGUELA M. 2016. Bayesian networks for greenhouse temperature control. Journal of Applied Logic, 17: 25–35.
• SUCHETA N., PRAKASH P. 2004. A causal mapping approach to constructing Bayesian networks. Journal Decision Support Systems, 38(2): 259–281.
• SVENSSON M., JANSSON P.E., GUSTAFSSON D., KLEJA D.B., LANGVALL O., LINDROTH A. 2008. Bayesian calibration of a model describing carbon, water and heat fluxes for a Swedish boreal forest stand. Ecological Model Ling, 213: 331–344.
• TILMAN D., CASSMAN K.G., MATSON P.A., NAYLOR R., POLASKY S. 2002. Agricultural sustainability and intensive production practices. Nature, 418: 671–677.
• WANG Q.J., ROBERTSON D.E., HAINES C.L. 2009. A Bayesian network approach to knowledge integration and representation of farm irrigation. 1. Model development. Water Resources Research, 45(2), doi:10.1029/2006WR005419.

Uwagi

Opracowanie w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).