Application of Bayesian networks for forecasting future model of farm

• Autorzy: Grotkiewicz K.

Identyfikatory

DOI

10.1515/agriceng-2017-0017

Warianty tytułu

PL

Wykorzystanie sieci bayesowskich do prognozowania przyszłościowego modelu gospodarstwa rolnego

• Języki publikacji: EN

Abstrakty

EN

Comparative analyses in the national scale were carried out in 300 individual farms from Małopolskie and Świętokrzyskie Voivodeship in order to search for relations between the production intensity level, work performance and land efficiency and factors which shape them. The analyses concerned the use of Bayesian modelling algorithms for forecasting development of various economic and agricultural indicators which decide on the intensity and competitiveness of agriculture. The paper constitutes the second stage of research, which was preceded with previous preparation of data for modelling with the use of an exploratory overview of available data and TwoStep Cluster Analysis (Grotkiewicz et al., 2016). Based on the analyses, which were carried out, networks were built which present the relations between the analyzed variables, and conditional similarities were verified.

PL

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 różnych 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 prawdopodobieństwa warunkowe.

Słowa kluczowe

EN

Bayesian networks; forecasting; economic indicators; agricultural indicators; farm

PL

sieci bayesowskie; prognozowanie; wskaźniki ekonomiczne; wskaźniki rolnicze; gospodarstwo rolne

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Agricultural Engineering
• Rocznik: 2017
• Tom: Vol. 21, No. 2
• Strony: 69--79
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Grotkiewicz K.

• Institute of Agricultural Engineering and Informatics, University of Agriculture in Krakow

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/sredniapowierzchnia-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.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).