Analysis of economic and agricultural indicators under sustainable agriculture conditions with the use of Bayesian modelling
Katarzyna Grotkiewicz
Abstract
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.
Keywords:
sustainable agriculture, mineral fertilization, stocking density, agri-economic indicators, Bayesian networks, modelReferences
ACZEL A.D. 2005. Statystyka w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa. Google Scholar
APOLLO M., MISZEWSKA-URBAŃSKA E. 2014. Decision making under uncertainty using Bayesian Networks – case study. Logistics, 6: 1496–1504. Google Scholar
BARTNIK G., KUSZ A. 2005. Sieci probalistyczne jako system reprezentacji wiedzy diagnostycznej. Inżynieria Systemów Bioagrotechnicznych, Politechnika Warszawska, 5(14): 5–12. Google Scholar
BAUM R. 2006. Zrównoważony rozwój w organizacji i zarządzaniu gospodarstwem rolnym. Roczn. Nauk. SERiA, Poznań, VIII(1): 14–18. Google Scholar
BUJAK K., FRANT M. 2009. Wpływ uproszczeń w uprawie roli i poziomu nawożenia mineralnego na zachwaszczenie potencjalne gleby. Acta Agrophysica, 13(2): 311–320. Google Scholar
CAMPOS L.M. de, CASTELLANO J.G. 2007. Bayesian network learning algorithms using structural restrictions. International Journal of Approximate Reasoning, 45(2): 233–254. Google Scholar
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. Google Scholar
GROTKIEWICZ K., MICHAŁEK R. 2009. Postęp naukowo-techniczny a wydajność ziemi i pracy w rolnictwie. Inżynieria Rolnicza, 6(115): 109–116. Google Scholar
GROTKIEWICZ K., PESZEK A., KOWALCZYK Z. 2016. Weryfikacja wskaźników ekonomiczno-rolniczych z wykorzystaniem metod statystycznych na przykładzie gospodarstw indywidualnych. Inżynieria Rolnicza, 3(159). Google Scholar
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. Google Scholar
KOPIŃSKI J., TUJAKA A. 2009. Bilans azotu i fosforu w rolnictwie polskim. Woda – Środowisko – Obszary Wiejskie. IMUZ Falenty, 9, 4(28): 103–116. Google Scholar
KRASOWICZ S. 2005. Cechy zrównoważonego rolnictwa. In: Koncepcja badań nad rolnictwem społecznie zrównoważonym. Raporty IERGŻ-PIB, 11: 23–39. Google Scholar
KUSZ A., MARCINIAK A. W. 2006. Dynamiczne sieci probabilistyczne jako system reprezentacji wiedzy. Inżynieria Rolnicza, 12(87): 285–294. Google Scholar
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. Google Scholar
MAKSYM P. 2011. Podstawowe zasady modelowania procesu produkcji rolniczej. Inżynieria Rolnicza, 1(126): 161–165. Google Scholar
MICHAŁEK R., GROTKIEWICZ K. 2010. Miejsce i rola postępu naukowego w warunkach rolnictwa zrównoważonego. Problemy Inżynierii Rolniczej, 1: 1–8. Google Scholar
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. Google Scholar
MORZY T. 2007. Eksploracja danych. Nauka, 3: 83–104. Google Scholar
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. Google Scholar
OLBRYŚ J. 2007. Sieć bayesowska jako narzędzie pozyskiwania wiedzy z ekonomicznej bazy danych. Zeszyty Naukowe Politechniki Białostockiej, 2. Google Scholar
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. Google Scholar
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. Google Scholar
Rocznik Statystyczny. 2013. GUS. Warszawa. Google Scholar
Rocznik Statystyki Międzynarodowej. 2015. GUS, Warszawa. Google Scholar
SAGRADOA J. del, SÁNCHEZA J.A., RODRÍGUEZA F., BERENGUELA M. 2016. Bayesian networks for greenhouse temperature control. Journal of Applied Logic, 17: 25–35. Google Scholar
SUCHETA N., PRAKASH P. 2004. A causal mapping approach to constructing Bayesian networks. Journal Decision Support Systems, 38(2): 259–281. Google Scholar
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. Google Scholar
TILMAN D., CASSMAN K.G., MATSON P.A., NAYLOR R., POLASKY S. 2002. Agricultural sustainability and intensive production practices. Nature, 418: 671–677. Google Scholar
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. Google Scholar
