miau.my-x.hu · Web viewA tanácsadói oktatás színvonala pedig attól függ, hogy az mennyire...
Transcript of miau.my-x.hu · Web viewA tanácsadói oktatás színvonala pedig attól függ, hogy az mennyire...
Szent István EgyetemGazdaság- és Társadalomtudományi Kar
Tudományos Diákköri Konferencia2013. november 20.
Hozam-előrejelzés a gabonatermesztésben
Yield forecast for grain cultivation
Készítette: Flier Tamás, SZIE GTK BSc. GVAM II. évf. levelező tagozat Korényi István, SZIE GTK BSc. GVAM II. évf. levelező tagozatSzilágyi Levente, SZIE GTK BSc.GVAM II. évf. levelező tagozat
Konzulens: Dr. Pitlik László, egyetemi docens,SZIE GTK MY-X Kutatócsoport
OTDK Szekció, melynek formai előírásai alapján készült a pályamunka: Agrártudományi Szekció
Gödöllő, 2013.
TARTALOMJEGYZÉK
1. BEVEZETÉS………………………………………………………………………........... 2
2. SZAKIRODALMI ÁTTEKINTÉS…………………………………………………….. 5
2.1 Additivitás és multiplikativitás............................................................................. 5
2.2 Termelési függvények kialakításához alkalmazott módszertanok................... 6
2.2.1 Ökonometria............................................................................................ 6
2.2.2 Hasonlóságelemzés.................................................................................. 6
2.2.3 Döntési fa................................................................................................. 6
2.3 Standard Excel Solver........................................................................................... 7
2.4 COCO..................................................................................................................... 7
2.4.1 Irány......................................................................................................... 8
2.4.2 Attribútum fogalma................................................................................ 8
2.4.3 A módszer folyamata.............................................................................. 8
2.5 Területi egyenlőtlenségek a magyar mezőgazdaságban
- az FADN adatbázis alternatív felhasználása.................................................. 10
2.6 Mezőgazdasági szaktanácsadás........................................................................... 11
2.7 Szakértői rendszerek............................................................................................ 12
2.8 Mesterséges intelligencia...................................................................................... 14
2.8.1 Mesterséges intelligencia jelentősége az agrárinformatikában......... 15
2.9 Regressziós modell................................................................................................ 16
2.9.1 A regressziós Excel-parancsfájl működésének bemutatása.............. 17
2.10 Idősoros elemzés................................................................................................. 18
2.11 Korreláció........................................................................................................... 18
3. ANYAG ÉS MÓDSZER.................................................................................................... 19
3.1 ADATOK.............................................................................................................. 19
3.2 MEGVALÓSÍTÁS............................................................................................... 22
4. EREDMÉNYEK................................................................................................................ 26
5. ÖSSZEFOGLALÁS........................................................................................................... 28
6. IRODALOMJEGYZÉK.................................................................................................... 28
7. MELLÉKLETEK.............................................................................................................. 29
2
1. BEVEZETÉS
A XXI. század természeti és gazdasági történései, eseményei - mint a globális felmelegedés és
éghajlatváltozás, gazdasági válság - jelentős feladatokat ró a növénytermesztőkre is. Az újkori
technológiai elemek megnövekedett szerepe és azok együttes alkalmazása, elemzése a
hagyományos elemekkel hozhat optimális eredményt a növénytermesztésben. A feledésbe
merült technológiai elemek, mint a termésbecslés, terméselemzés, vetésidő életre hívása és
alkalmazása egyenértékű az olyan újkori technológiai elemek használatával, mint a
talajművelés, tápanyagellátás és vetés stb.
A termelők gyakran esnek abba a hibába, hogy csak a végső termésre helyezik a figyelmet és
a hangsúlyt. A növénytermesztés jelenlegi tudományos ismeretei azonban már lehetővé
teszik, sőt megkövetelik a folyamatelemzést: gondot kell fordítani a termésfolyamatot
befolyásoló tényezőkre, technológiai elemekre, melyek meghatározzák a termés alakulását, és
az egyes évjáratokban a nagyfokú ingadozást okozzák. A termesztő pontos képet kap a
termést befolyásoló tényezőkről, ha a tenyészidő folyamán pontos megfigyeléseket végez és
elemzi a kapott adatokat. Ezáltal nyomon követhető a növények növekedése, fejlődése,
várható terméshozam.
A megfigyelés és elemzés alapvető feltétele a megfelelő számú és véletlenszerű mintavétel. A
mintavételezést érdemes ősszel, tavasszal és a betakarítást megelőzően ugyanarról a helyről
vételezni, ebben a GPS koordináták pontos meghatározása a segítségünkre lehet.
A végső produkciót, a termést ezen kívül olyan tényezők is jelentősen befolyásolják, mint a
vetésidő, a vetőmag származása, illetve a vetőmag szántóföldi körülmények közötti fejlődése.
Ezen utóbbi feltételek kevésbé kerültek a figyelem középpontjába, hangsúlyosabbak a
termőhelyi adottságok, az agrotechnikai eljárások és a vetőmag laboratóriumi mutatói. Az
viszont tény, hogy a szántóföldi kelésnek döntő hatása van a terméstömeg alakulására, mely
csak az adott helyen és évben értelmezhető egy konkrétan megválasztott agrotechnikai eljárás
mellett. A tenyészidő alatt vizsgálni és elemezni kell azokat a mutatókat, melyek döntően
befolyásolják a terméstömeg alakulását: ilyen a kelés-kezdeti fejlődés intenzitása, bokrosodás
mértéke, egyes fenofázisok megjelenése, az időjárás viszonyai.
A szántóföldi kelés a gyakorlatban nagymértékben eltér a laboratóriumi csírázás százalékától.
Az őszi vetést követő tőszám csökkenést a bokrosodás sem tudja majd kompenzálni, amit a
gyakorlat sokszor tévesen szerepeltet, mint korrekciós tényezőt. A bokrosodás érdemben nem
tud hozzátenni a hiányos keléshez, ami a terméstömeg alakulásában is megmutatkozik majd.
3
A bokrosodás a sűrű állományban is erőteljes tud lenni, ugyanakkor a ritka állományban el is
maradhat. A bokrosodás mértéke több, egymással összefüggő tényezőtől függ, ez okozhatja,
hogy a ritkább állomány nem párosul erőteljesebb bokrosodással.
Az egyes terméselemek drasztikus csökkentését a többi terméselem csak korlátozottan vagy
egyáltalán nem képes kompenzálni. Az optimális termés feltétele, hogy az egyes
terméselemeket harmonikusan alkalmazzuk. A termesztő lehetőségeihez mérten a külső
tényezőket kedvező irányba tudja terelni: megfelelően kiválasztott vetésidő, kivetett mag
mennyisége, egységnyi területre jutó növényszám, a jól megválasztott agrotechnikai eljárás,
tápanyag ellátás, a kór- és károkozók visszaszorítása. Ha ezen tényezők összhangban vannak,
akkor a termesztő plusz költség nélkül olyan irányba terelheti a technológiát, mely a
legnagyobb termést eredményezi a legkisebb költség mellett, de ekkor sem szabad
elhanyagolni az egész évi nyomon követést, ellenőrzést és elemzést sem.
Magyarországon a mezőgazdasági termelésben döntő szerepe van a gabonatermesztésnek,
melynek összetett és kiterjedt a technológiai háttere, s ezek sokaságának sorába lépve, a
különböző gabonafajták –búza, őszi árpa, napraforgó és szemeskukorica - terméseredmény
előrejelzési módszereinek kutatásával foglalkozunk jelen tanulmányunk során, az ezt
megelőző 25 év kutatási módszereinek, agrárelemző modelljeinek (lásd: CRAM, DRAM,
SASM, KVL, KVAM) eredményességére, tapasztalatára alapozva.
(Forrás: http://szie.hu//file/tti/archivum/Bunkoczi_Laszlo_ertekezes.pdf)
A dolgozatunk célja a tesztüzemi adatok alapján történt elemzések eredményes felhasználása,
a mezőgazdasági termelők számára elősegíteni a tervezési és döntési folyamatokat.
Azaz egy rövid és egy hosszabb távú előrejelzés kidolgozása, melyek több oldaláról is
szemléltetik, hogy mi az elvégzett modellezések eredménye, valamint a már meglevő
adatokra alapozva egy azonnali becslés kidolgozása. Az adathalmaz sokszínűsége,
többrétegűsége, nehezen vagy egyáltalán nem elérhetősége (még a mai napig is) egy
„gyorsteszt” elvégzéséhez vezet, melyet a meglevő tesztüzemi adatok alapján hatékonyan
tudunk értékelni.
Ezen elemzések több síkon futnak egymással párhuzamosan.
4
Elsőként a kiválasztott növények (őszi búza, árpa, napraforgó, kukorica) 10 éves időtartamban
rendelkezésre álló terméshozamait használtuk fel a legkésőbbi növény, a kukorica várható
termésének éven belüli előrejelzésére.
Egy másik szálon éven túli előrejelzések készültek a tanulási minták megfelelő eltolásával. A
tanulási mintákba a komplex ökológiai helyzeteket regionálisan reflektáló terméseredmények
kerültek bevonásra, a további adathalmazokkal való kiegészítése a jövőben pedig még
élesebb, pontosabb képet nyújthat az elemzést végző számára.
Ezen robot-szakértő készítése a rendelkezésre álló számadatok alapján azon lehetséges
stratégiai lépések meghozatalához mutathat irányt, amelyek egy mezőgazdasági vállalkozás
eredményességét jelentős mértékben növelhetik a várható hozamok ismeretében, illetve az
előre jelezhetőség mértékének tudatában. Az eltérő modellek rámutatnak az adathiány és az
előrejelzési intervallum gazdasági hatásaira, egymást erősítő vagy gyengítő (inkonzisztens)
jellegükre.
A modellek célcsoportjai tehát a gazdálkodók, a tanácsadók, kamarák és egyéb érdekvédelmi
szervek, a kormányzat, illetve a kereskedelem, feldolgozó ipar, vagyis az árképzés minden
egyéb szereplője.
A tisztább jövőképek racionálisabb döntések alapjai, melyek gazdasági előnyként a
hatékonyabb erőforrás-felhasználást alapozzák meg.
2. SZAKIRODALMI ÁTTEKINTÉS
2.1 Additivitás és multiplikativitás
„Az additivitás lényege: a különböző színes fények egymással összeadva újabb színeket
adnak, vagyis az alapszínek összeadásával állítjuk elő őket.”
„A multiplikativitás lényege: ha nincs víz, hiába süt a nap és termékeny a föld, nem lehet
termésre számítani. Tehát, ha valamely KO-kritérium nulla, akkor ott az Y is nulla kell, hogy
legyen. „(Miau Wiki (http://miau.gau.hu/mediawiki)
A hasonlóságelemzés során felmerülő fogalmak tisztázása elengedhetetlen a dolgozat
értelmezése szempontjából.
5
2.2 Termelési függvények kialakításához alkalmazott módszertanok
2.2.1. Ökonometria
Az ökonometria a közgazdaságtan – azon belül is a matematikai közgazdaságtan – önálló
tudománnyá fejlődött részterülete, amelynek célja a gazdasági jelenségek matematikai jellegű
elemzése, továbbá a közgazdasági elméletek és modellek tapasztalati adatok alapján történő
igazolása, illetve megcáfolása. Eszközeit elsősorban a matematika, azon belül is főként a
valószínűség-számítás, továbbá a statisztika eszköztárából meríti. Előnye, hogy látszólag
egyszerűen magyarázható, hátránya viszont, hogy a ceteris paribus formák életidegenek. A
következtető (matematikai) statisztika egyes részterületei, így a regressziószámítás és az
idősorelemzés képezik az ökonometria tulajdonképpeni alapjait.
(Forrás: Ökonometria [http://hu.wikipedia.org/wiki/%C3%96konometria])
2.2.2. Hasonlóságelemzés
A hasonlóságelemzés lényege a lépcsős függvény, mely az összehasonlítandó objektumok
összehasonlítást lehetővé tévő attribútumainak attribútumonkénti rangsorszámait
optimalizálás keretében olyan csereértékekkel tölti fel, mely csereértékek aggregációja a
lépcsős függvény által kialakított modell célját a lehető legjobban közelíti a megadott
hibadefiníció keretében.
(Forrás: http://hu.wikipedia.org/wiki/Hasonl%C3%B3s%C3%A1gelemz%C3%A9s)
Előnye, hogy nem engedi a tetszőlegesen szélsőséges hatásmechanizmusok egyidejű
leképezését, kevés adatsorral is tud dolgozni, tetszőlegesen sok beavatkozási pont. Hátránya
azonban a túltanulás jelensége, és hogy a ceteris paribus alakzat nem tetszőleges.
(Forrás: miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx)
2.2.3. Döntési fa
Előnyös olyan helyzetekben alkalmazni, mint pl. különböző talajtípusok esetében, ugyanis
különböző talajtípusokon a tápanyag optimuma más-és más lehet. Hátránya viszont, hogy
kevés adatsorral nem tud dolgozni, túltanulásra hajlamos, a becslési értékek csak manuálisan
állíthatók elő, és kevés beavatkozási pont.
(Forrás: miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx)
6
2.2 Standard Excel Solver
„A Standard Solver egy az Excel-ben található optimalizációs függvény. Külön beépülő
modulként lehet telepíteni a programhoz. Ez az „alap” Solver sajnos elég korlátolt ahhoz,
hogy nagyobb adatvagyonnal tudjon dolgozni. Elvileg 256 oszloppal és 65,536 sorral tud
dolgozni maximum, azonban a tábla növekedésével exponenciálisan növekszik a futási
időtartam, és már az én példám esetében is többszöri futtatásra van szükség, hogy megbízható
eredményt adjon.”(Forrás: http://solver.com/xlsplatform.htm)
A Solver a "mi lenne, ha" elemzőeszközöknek is nevezett parancskészlet része. A Solver
segítségével egy adott cellában – az ún. célcellában – levő képlet optimális értékét kereshetjük
meg a munkalapon. A Solver ehhez a cellák olyan csoportját használja fel, amelyek
közvetlenül vagy közvetve a célcellában található képletre hivatkoznak. A Solver úgy
módosítja a megadott változó cellák – az ún. módosuló cellák – értékét, hogy a célcellában
meghatározott érték legyen a végeredmény. Korlátozó feltelek segítségével azt is
behatárolhatjuk, hogy a Solver mekkora értékeket használjon a modellben. A korlátozó
feltételek olyan cellákra is vonatkozhatnak, amelyek a célcellában levő képletet befolyásolják.
A Solver segítségével meghatározhatjuk, hogy mekkora lehet egy cellában a maximális vagy
minimális érték más cellák módosításakor – például megfigyelhetjük, hogy a tervezett
reklámköltség módosítása milyen hatással van a tervezett profitra.
(Forrás: http://office.microsoft.com/hu-hu/excel-help/a-solver-attekintes-HP005198368.aspx)
2.3 COCO
A COCO módszer lényege, az objektumok (pl. változatok) jellemzőinek objektív alapon
történő összehasonlításában rejlik. A tanulási minták alapján a COCO módszerrel lehet előre
jelezni, benchmarking feladatokat elvégezni, termelési függvényeket készíteni. Az
ár/teljesítmény-elemzés (benchmarking) esetében az alkalmazás célja tehát a szubjektív
tényezők (pl. súlyok, pontok, bontások) kizárása, ill. minél csekélyebb mértékű bevonása az
elemzésekbe.” (Pitlik L. 2008)
Természetesen a szubjektivitás teljes kizárása nem lehetséges, hiszen az elemző dönt a
felhasználni kívánt adatokról (tanulási minta), és az outputként felhasznált
eredménytényezőről.
7
Olyan lépcsőket keres, amelyek egy része vagy monoton, vagy optimum jellegű, illetve ki
tudja szűrni az esetleges zavaró változókat (zajokat).
Az előrejelzés (általános célú modellezés) esetén a COCO ugyanúgy értelmezendő, mint a
döntési fák, neurális hálók, szakértői rendszerek, regressziós modellek, hiszen a COCO maga
is ezek mindegyike egyben.
(Forrás: miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx)
A COCO (Component-Based Object Comparison for Objectivity) módszert Dr. Pitlik László
fejlesztette ki, amelynek a lényege, mint az a módszer nevében is megmutatkozik, az
objektumok jellemzőinek objektív alapon történő összehasonlítása, vizsgálata.
A módszer fő célja a szubjektivitás részleges kizárása, vagy nagyon minimális mértékűre
történő csökkentése.
A szubjektivitás természetes teljes mértékben nem megszűntethető, ugyanis az embernek kell
döntenie arról, hogy a folyamat során milyen attribútumokat használ fel és, valamint arról is ő
dönt, hogy az egyes attribútumokhoz milyen irányt határoz meg.
2.4.1 Irány
Az irány megmutatja, hogy az egyes attribútumokhoz tartozó érték, akkor jobb vagy rosszabb
az ugyanazon attribútum másik értékéhez képest, ha az kisebb vagy nagyobb.
2.4.2 Attribútum fogalma
"Az attribútum információ, amely különböző dolgokhoz, adatokhoz kapcsolódik. Az
attribútum szó minőséget, tulajdonságot jelent, mely valamely dolognak sajátja."
(Forrás: http://miau.gau.hu/mediawiki/index.php/Attribútum)
2.4.3 A módszer folyamata
1. A felmerülő kérdést, problémát, amivel részletesebben szeretnénk foglalkozni, illetve
megoldást találni rá, meg kell fogalmazni, definiálni kell.
2. A probléma definiálása után létre kell hozni egy adatmátrixot, amely objektumokból és
attribútumokból tevődik össze. Az objektum a mátrix azon eleme, melynek a
8
tulajdonságait vizsgáljuk, hasonlítjuk össze a mátrixban szereplő összes többi
objektumhoz tartozó tulajdonsággal. Az attribútum, mint ahogyan a definícióban is
olvasható, tehát nem más, min az objektumokra jellemző tulajdonságok, amik alapján a
vizsgálat történik. Az attribútumokat úgy kell kiválasztani, hogy minden egyes
kiválasztott tulajdonság befolyásoló tényező legyen a vizsgálat során. Azokat az
attribútumokat, amelyek nem járulnak hozzá a vizsgálat kimeneteléhez kihagyhatóak. A
folyamat ezen lépése szakértői feladat.
3. Az objektumokból és attribútumokból felépülő adatmátrix kialakítása után minden egyes
tulajdonságnak meg kell szabni az irányát. Ez a részfolyamat szintén szakértői feladat,
vagyis el kell dönteni, hogy milyen esetben jobb egy adott attribútum értéke. Akkor jobb,
ha ez az érték minél nagyobb, vagy akkor, ha minél kisebb. Az irány a 0 illetve az 1
értéket kaphatja. Ha 0, akkor a nagyobb, ha 1, akkor a kisebb a jobb.
Az irányok meghatározása készíti elő a rangsortábla kialakításának a menetét.
4. Rangsorolás és lépcsőbe sorolás. A lépcsők bevezetése a nagyobb adatmennyiség
feldolgozása miatt lényeges. A lépcsők száma megegyezik az objektumok számával. A
folyamat ezen szakaszában kapnak szerepet az előzőleg már meghatározott irányok. Az
irányok alapján az egyes objektumokhoz tartozó attribútumok rangsorolásra kerülnek.
Ezzel megtudjuk, hogy melyik hányadik helyet kapja. Ehhez a lépéshez a Microsoft
Office Excel (Excel) program SORSZÁM() függvényét hívjuk meg.
5. Lépcsőmátrix kialakítása. Ennek a műveletnek a végrehajtásához az Excel Solver elemző
bővítményét használjuk. Itt történik az egyes attribútumok lépcsőfokaihoz tartozó értékek
feltűntetése, illetve ezeknek az adatoknak az összegzése.
6. A COCO folyamatának utolsó lépéseként történik a vizsgált attribútumok hatásainak a
kiértékelése. Ebben a részben határozhatjuk meg, hogy az adott tulajdonságnak, milyen az
érzékenysége, mennyire fontos az eredmény szempontjából, esetlegesen felesleges, vagyis
nem befolyásoló tényező (pl.: minden egyes objektumhoz ugyanakkora értéke tartozik),
vagy egyes attribútumok zajnak tekinthetőek. Lehetséges az attribútum törlés, amellyel
csökken az adatmátrix mérete és így határozottabbá válnak a valóban meghatározó
tényezők hatásai.
Véleményünk szerint, a Dr. Pitlik László által kifejlesztett COCO módszer minden egyéb
hasonló eljáráshoz mérten objektívebbnek mondható, hiszen kevés emberi beavatkozást
igényel. Másrészről a hasonlóságelemzés képes köznyelvi megközelítésben eldönteni, hogy az
9
"olcsó húsnak valóban híg-e a leve", vagy a kiíró szempontjából dömping ár közeli árról, azaz
kiemelkedő ár-teljesítmény viszonyról van-e szó.
Az említett módszerek összevetésével, ezalatt értve a "best practice"-ben használt
módszereket illetve a döntés támogató rendszereket, azt a következtetést vontuk le, hogy a
dolgozat céljának elérése érdekében a COCO módszer alkalmazása tud segítséget nyújtani,
Továbbá, mivel a döntés támogató modellek, ezen belül is a COCO módszer előrelépést
nyújtana a problémára, ezért a dolgozatunk további részében ezt a vonalat követve fogunk
haladni.
(Forrás: http://miau.gau.hu/myx-free/files/tdk2010/)
2.5 Területi egyenlőtlenségek a magyar mezőgazdaságban - az FADN adatbázis
alternatív felhasználása
Nem újdonság, hogy a mezőgazdasági üzemek között jelentős regionális eltérések vannak,
de ez idáig az agrárgazdasági kutatásokban a területi különbségek értékelése csak kis szerepet
játszott. A hazai kutatók számára rendelkezésre áll a 2000-ben Magyarországon lefolytatott
Általános Mezőgazdasági Összeírás is, mely az adatokat regionális-kistérségi bontásban is
tartalmazza. Mi ezt a módszertani eszköztárat kívántuk egy újabb adatbázissal kibővíteni,
méghozzá az FADN-ből (Mezőgazdasági Számviteli Információs Hálózat) nyerhető
adatokkal.
Az adatbázis sajátossága abban rejlik, hogy üzemek egyedi adatait tartalmazza, így a
regionális makro adatok helyett direkt következtetéseket lehet levonni arról, hogy
Magyarországon hogyan alakul regionálisan az üzemszerkezet, vannak-e különbségek
üzemszám, üzemméret, földhasználat, munkaerő és hatékonyság tekintetében.
A regionális eltéréseket nem szabad figyelmen kívül hagyni az agrárpolitika és a regionális
politika kialakításánál, mivel az egységes országos szabályozási rendszerek különböző hatást
gyakorolhatnak egyes régiók mezőgazdaságára.
A vizsgálatokból – melyet reményeink szerint egy hosszabb tanulmány-sorozat első
lépéseként végeztünk - kiderült, hogy a mezőgazdasági üzemek között jelentős regionális
eltérések vannak. A bemutatandó módszer segíthet abban, hogy feltárjuk a mezőgazdasági
vállalkozások közötti területi különbségeket, mely hozzájárulhat ahhoz, hogy az egységes
támogatási struktúra regionálisan differenciáltabbá, és ezáltal hatékonyabbá váljon.
10
Magyarországon a csatlakozási folyamat előrehaladásával egyre fontosabb szerepet
játszanak a regionális kutatások, hiszen a csatlakozást követően az uniós források egyharmada
a regionális fejlesztésekre irányul majd. Ezért mindenképp fontos, hogy megfelelő minőségű
és mennyiségű adatok álljanak majd rendelkezésünkre. Az FADN adatbázis a mezőgazdasági
üzemek szintjén szolgálhat ilyen új információkkal. Az információ-ellátottságra irányuló
kutatások pedig ahhoz is hozzájárulhatnak, hogy a regionális politikák eszközrendszerei –
mint például a SAPARD program vagy „utód” programjai – jobban igazodjanak az egyes
régiók mezőgazdasági sajátosságaihoz.
2.6 Mezőgazdasági szaktanácsadás
„A mezőgazdasági szaktanácsadással kapcsolatos alapirodalom áttanulmányozása során a
szaktanácsadás definíciójának számos változatával találkozhatunk. Ezekből kiderül, hogy
nagyon nehéz, illetve nem is lehet egy rövid, de ugyanakkor mindenre kiterjedő
megfogalmazással jellemezni ezt a tevékenységet. Valamennyi szerző csak többszörösen
bővített mondattal képes körülírni e fogalmat. A szerzők által megadott definíciók -
elsősorban országaik sajátosságaiból kiindulva - a fogalomkör különböző területeire teszik a
hangsúlyt.
A tanácsadás rendszerét meghatározó négy legfontosabb elem megfogalmazása és
alkalmazása teszi egyénivé az adott országban követett szaktanácsadói gyakorlatot. A négy
elem a következő:
- a szaktanácsadás általános célja,
- a szaktanácsadás során alkalmazott módszerek,
- a támogatott ügyfelek köre és
- a szaktanácsadás finanszírozási rendszere.
Mivel ezek az elemek országonként eltérnek egymástól, ezért érthető, hogy a szaktanácsadás
fogalma is eltérő értelmezésű. A leggyakrabban idézett, általánosan elfogadott
megfogalmazás szerint a mezőgazdasági szaktanácsadás olyan szolgáltatás, amely oktatási
módszerekkel támogatja a gazdálkodókat a termelési folyamatok fejlesztésében, elősegítve
ezzel a gazdálkodók életszínvonalának növelését, valamint a vidéki élet társadalmi
megítélésének javulását.
E tág definícióban a legfontosabb elem az életszínvonal növelése, amit oktatással és a
hatékony gazdálkodási módszerek átadásával kívánnak elérni.
11
Swanson megfogalmazása szerint minden tanácsadói munka célja az, hogy megtanítsa az
embereket arra, hogyan éljenek vidéken, hogyan emeljék életszínvonalukat elsősorban
önerőből, minimális állami támogatást igénybe véve.
Ez a megfogalmazás tartalmában átfogóbb, mint az előző, mivel az csak a gazdálkodót, ez
utóbbi pedig az egész vidéki közösséget tekinti a szaktanácsadás célcsoportjának. Ebben az
esetben a szaktanácsadó ismereteit arra használja fel, hogy a gazdálkodó életvitelét
tökéletesítse.
Mindamellett, hogy a második megfogalmazás is általános érvényű, különösen igaz az a
fejlődő országok tekintetében. Az ott folyó szaktanácsadás nem szorítkozik csak a
mezőgazdaságra, hanem jelentős arányban szociális elemeket is tartalmaz. Ezt a kiterjedt
tevékenységet már inkább vidékfejlesztésnek nevezhetjük.
A megfogalmazás, mely szerint a szaktanácsadás az új ismeretek átadása révén segíti az
embereket saját problémáik megoldásában, ma már általánosan elfogadott. Amennyiben ez
igaz, akkor a tanácsadás oktatási tevékenységként fogható fel. A tanácsadói oktatás
színvonala pedig attól függ, hogy az mennyire képes a vidéki embereket befolyásolni, és
mennyire tudja bennük a hatékonyabb termelés iránti igényt felkelteni.” (Dr. Kozári József,
2009) (Forrás: miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx)
2.7 Szakértői rendszerek
„Más néven tudásalapú rendszerek olyan programok, melyekbe be van építve bizonyos
feladat-specifikustudás és azok az analitikus képességek, melyekkel általában a szakértő
emberek is rendelkeznek.” (Wikipedia).
„A szakértői rendszer olyan eljárás, amely lehetővé teszi tetszőleges tényezők kapcsolataihoz
(állapot-kombinációkhoz) tartozó következmények összefüggés-rendszerének számítógépes
formában történő kezelését.” (Pitlik)
„A szakértői rendszer olyan eljárás, amely lehetővé teszi tetszőleges tényezők kapcsolataihoz
(állapot-kombinációkhoz) tartozó következmények összefüggés-rendszerének számítógépes
formában történő kezelését. „ (Pitlik)
A szakértői rendszer egy olyan számítógépes program, amely az ember problémamegoldó
képességét modellezi. E problémamegoldó képesség jelenleg korlátozott. A szakértői rendszer
12
technikai megvalósításának határt szab a problémakör mérete, és csak jól körülhatárolt,
viszonylag szűk körben képes problémamegoldásra. A problémakör általában egy szűk
szakterület, és a probléma megoldása az emberi szakértőhöz hasonlóan szakvélemény, tanács
vagy esetleg egy konkrét értékelés.(Alan Turing)
A dolgozat szempontjából elengedhetetlen, hogy a szakértői rendszerekről ne essen pár szó,
mivel lényegében döntéstámogató szakértői rendszerekről van szó.
„A szakértői rendszer két legfontosabb eleme a tudásbázis, valamint a ’következtető’ gép
(inference engine). A tudásbázis tény- és heurisztikus tudáselemeket is tartalmazhat
egyszerre. Miközben a tényadatok a feladat tárgykörének azon részei, amelyek széles körben
ismertek és elfogadják azok, akik az adott témában szakértőnek számítanak, addig a
heurisztikus tudás kevésbé precíz, inkább tapasztalati alapú, és meglehetősen
individualisztikus. A tudásreprezentáció formalizálja és szervezi a tudást. Az egyik gyakran
alkalmazott tudásreprezentáció a ’produkciós’ szabályok alkalmazása HA, illetve AKKOR
részekből állnak. A HA rész feltételek halmaza valamilyen logikus kombinációban.
A problémamegoldó modell, vagy paradigma szervezi és kontrollálja a probléma-megoldó
lépéseket. Az egyik gyakori, de hatékony paradigma magában foglalja a HA-AKKOR
szabályok összeláncolását, így alkotva következtetési sorozatot. Ha az összeláncolás a
feltételek halmazánál kezdődik, és valamilyen konklúzió felé halad tovább, akkor előreláncolt
szakértői rendszerről beszélhetünk. Ha a konklúzió ismert, (például egy elérendő cél esetében)
az oda vezető utak azonban nem, akkor hátraláncolt módszerrel van dolgunk. Ezen
problémamegoldó módszerek ezután bekerülnek a következető gépbe, amely a tudásbázist
használva és manipulálva eljut a következtetések sorozatához. A tudás majdnem minden
esetben hiányos, vagy bizonytalan. A bizonytalan tudás kezelésére a szabályokhoz
megbízhatósági faktorok, vagy súlyok kapcsolhatók. Azért, mert a szakértői rendszerek
bizonytalan, illetve heurisztikus tudást alkalmaznak, hitelességük gyakran megkérdőjelezhető.
Ha egy problémára adott válasz megkérdőjelezhető, akkor többnyire tudni akarjuk az
okfejtést. Ez a helyzet a szakértői rendszerek esetében is. A legtöbb szakértői rendszer képes
arra, hogy megválaszoljon olyan kérdéseket, mint például „Miért X a válasz?”. Válaszokat
lehet generálni a következtető gép által használt következtetési útvonal nyomon követésével.”
(ENGELMORE, FEIGENBAUM,1993)
13
2.8 Mesterséges intelligencia
„Mesterséges intelligenciának (MI vagy AI – az angol Artificial Intelligence-ből) egy gép,
program vagy mesterségesen létrehozott tudat által megnyilvánuló intelligenciát nevezzük. A
fogalmat legtöbbször a számítógépekkel társítjuk. A köznyelvben több külön jelentésben
használják:
1). A mesterségesen létrehozott tárgy állandó emberi beavatkozás nélkül képes legyen
válaszolni környezeti behatásokra (automatizáltság);
2). A mesterségesen létrehozott tárgy képes legyen hasonlóan viselkedni, mint egy
természetes intelligenciával rendelkező élőlény, még ha az azonos viselkedés mögött eltérő
mechanizmus is húzódik meg (TI szimuláltság - ilyen értelemben beszélhetünk pl. a
számítógépes játékok gép irányította karaktereinek „intelligenciájáról”)
3). Végül, a mesterségesen létrehozott tárgy képes legyen viselkedését célszerűen és
megismételhető módon változtatni (tanulás) - ez utóbbi jelentés az, ami a modern MI-
kutatásban előtérbe került, és jelenleg az MI fogalmával legjobban azonosítható.”
(Wikipedia)
A mesterséges intelligencia fogalma a fenti cikkből is látszódik, hogy nem tisztázott.
Különböző tudósok, országok, egyetemek és korszakok más- más megközelítést használnak a
mesterséges intelligencia megfogalmazására. Néhány példa ezekből:
“Az MI a mentális képességek tanulmányozása számítógépes modellek segítségével.
(Charmiak 1985)”
“Az MI az érzékelést, gondolkodást és cselekvést lehetővé tevő számítások tanulmányozása.
(Winston 1992)”
“Az MI olyan funkciók megvalósítására alkalmas gépek megalkotásának tudománya, mely
funkciókhoz intelligenciára van szükség, amennyiben azokat emberek valósítják meg.
(Kurzweil 1990)”
“Az MI a számítástudomány azon ága, mely az intelligens viselkedés automatizálásával
foglalkozik. (Luger 1993)”
14
A fogalmi megfogalmazás függ attól, hogy milyen területen próbálják felhasználni. Az MI
egy univerzális tudományterület.
(Forrás: http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf)
2.8.1 Mesterséges intelligencia jelentősége az agrárinformatikában.
“Először is az ismert problémák hatékonyabb megoldásához járul hozzá. Másrészt a régi
problémák új perspektíváit nyitja meg, ill. ezeknek megoldásait megkönnyíti vagy lehetővé
teszi. Végül egy új paradigma teljesen új gondolkodási folyamatokat indíthat el.” (Pitlik)
Ahogy az idézetben is elhangzik, a mesterséges intelligencia az agrárium számára is tartogat
újdonságokat és lehetőségeket. Turing által említett csoportosításból több szegmens is
felhasználható az agráriumban a termelékenység, hatékonyság növelése és a hosszú távú
költségek csökkentése érdekében.
(Forrás: http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf )
„A mesterséges intelligencia főbb célkitűzései:
Olyan hasznos számítógépprogramok készítése, amelyek emberi intelligenciát
valósítanak meg, például a döntéshozatalban, az információkezelésben, vagy
természetes nyelvi interfészekkel ellátott számítógépek alkalmazásában.
Másrészt az emberi intelligencia jobb megértése révén olyan intelligens rendszerek
készítése, amelyek az emberi probléma megoldási folyamatot utánozni képesek.”
(Turing)
„Ma a mesterséges intelligencia kutatások célja nem az elektromos agy létrehozása. Sokkal
inkább reális problémákra koncentrálnak, olyanokra, melyek gyakorlati hasznosítására igény
mutatkozik.
A legfontosabb fejlesztési területek jelenleg a következők:
természetes nyelvű rendszerek; természetes nyelv megértése és fordítása, természetes
nyelvű felület, pl. adatbázisokhoz, dokumentumok megértése és kritikája,
beszédmegértés, beszédgenerálás stb.
robotika és érzékelő rendszerek; ipari robotok, helyváltoztató robotok, robotokat
oktató rendszerek, gépi látás, tapintás, érzékelés technikái stb.
15
automatikus programozás, intelligens programozási eszközök; ismeretbázis építés
verbális közlések és egyéb források információinak szintézisével, szintézisen alapuló
problémaredukció stb.
ismeretalapú rendszerek, szakértői rendszerek; ismeretreprezentáció,
ismerettechnológia stb. • intelligens mérnöki tervezőrendszerek;
intelligens visszakereső rendszerek;
bizonytalanságkezelés;
genetikus algoritmusok;
neurális hálózatok;
logikai programozás;
gépi tanulás;
multi-ágens rendszerek.”
(Turing:http://www.alanturing.net/turing_archive/pages/Reference%20Articles/What%20is
%20AI.html).
(Lásd: Mellékletek Ábra 34.)
2.9 Regressziós modell
A valós méretű statisztikai modellek, ezen belül a többváltozós regressziós feladatok
megoldása kézi számításokkal általában nem, vagy csak nehezen végezhető el. A
számítógépes feldolgozás lehetősége azonban új utakat nyitott meg a statisztika
tudományában is. Napjainkban a számolási igény – a személyi számítógépek megjelenése és
elterjedése miatt – már nem jelent különösebb akadályt, a számítások megkönnyítésére
matematikai-statisztikai és ökonometriai szoftverek léteznek.
A jelenleg legnépszerűbb irodai programcsomag, a Microsoft Office változata 1990-ben jelent
meg. A Microsoft Office (Baczoni [2007], Bártfai [2002]) és ezen belül az MS Excel
(továbbiakban Excel) világviszonylatban és Magyarországon is széleskörűen alkalmazott
szoftver. E program sok statisztikai műveletet képes elvégezni, és az alapfunkciókon túl,
függvények segítségével felépíthetők a bonyolultabb statisztikai és ökonometriai módszerek
is.
További előny, hogy a módszerek, a felhasznált képletek alakíthatók, az adott feladat
megoldásához testre szabhatók, láthatóvá és követhetővé válnak a részeredmények és a
mellékszámítások. Az Excel - aspeciális statisztikai szoftverekhez hasonlóan, de messze nem
olyan részletességgel - a statisztika módszertanának nagy részét felöleli beépített modulja
(Analysis ToolPak) segítségével, de több apróbb hiba (például rossz vagy félreérthető
16
magyarra fordítás) és hiányosság is a sajátja. Az említett félrefordításoknál nagyobb hibák is
megfigyelhetők, melyek a program korábbi verzióiban csakúgy megtalálhatók, mint a
legújabbakban: a következtetéses statisztikában oly fontos eloszlások esetén némely speciális
esetben hibás, félrevezető értékeket szolgáltat.
Megemlítjük továbbá azt a fontos tényt, hogy a statisztika oktatásában Magyarországon az
egyetemeken és főiskolákon az Excel, mint táblázatkezelő szoftver elterjedt, főként könnyű
elérhetősége okán (lásd e témában Rappai [2001]. Ismereteink szerint csak az Excel
alapszolgáltatásainak használata terjedt el az oktatásban és az üzleti életben Magyarországon
(Balázsné Mócsai–Csetényi [2003], Jánosa [2005]), pedig a program ennél többre képes,
lehet batch file-okat, kötegelt parancsállományokat (a továbbiakban parancsfájlokat, illetve
programokat) készíteni.
2.9.1 A regressziós Excel-parancsfájl működésének bemutatása
A regressziós modell készítésének (Hajdu et al. [1994–1995] 110–111. old.) első lépése a
specifikáció, ami alatt a jelenséget leíró, modellben szereplő eredmény- és
magyarázóváltozók kiválasztását, valamint a függvény konkrét formájának meghatározását
értjük. Fontos szerepet játszik a specifikáció szakaszában az adatbázis, amelynek minősége,
szerkezete nagymértékben befolyásolja a folyamat eredményességét.
A gyakorlati munkában idősoros és keresztmetszeti adatokkal dolgozhatunk, ennek a modell
feltételrendszerének ellenőrzésekor lesz jelentősége. Panel adatbázisokkal jelen anyagunkban
nem foglalkozunk.
A specifikáció munkafázisának lezárása után a számításokat a regresszio.xls parancsfájllal
lehet elvégezni. Ennek fontosabb lépései a következők:
1. A regressziós paraméterek becslése a klasszikus legkisebb négyzetek módszerével,
melynek feltételei:
a) a magyarázóváltozók nem sztochasztikusak, tehát mérési hibát nem tartalmaznak és
lineárisan függetlenek (multikollinearitás hiánya),
b) a hibatényezők (hibatagok, reziduumok) várható értéke 0, varianciájuk konstans, normális
eloszlásúak és nem autokorreláltak.
2. A modell feltételrendszerének ellenőrzése. Ez a munkafázis viszszahat mind a
specifikációra, mind a paraméterbecslésre. Ebben a munkaszakaszban a modellező
megállapítja, hogy adott szignifikanciaszint mellett mennyire fogadható el a modell. A
fontosabb hipotézisellenőrzések: a regressziós modell paramétereinek globális és parciális
17
tesztelése (a paraméterbecslés pontosságának vizsgálata, a paraméterek standard hibája,
konfidencia intervalluma stb.), valamint a reziduumok vizsgálata: az autokorreláció és a
homoszkedaszticitás tesztje, a magyarázóváltozók közötti kapcsolat szorossága, a
multikollinearitás ellenőrzése.
A próbákkal nyert információk alapján döntést lehet hozni a modell esetleges
megváltoztatásáról vagy a becslési módszer módosításáról.
Ezek a döntések természetesen visszahatnak a specifikációra és indokolt esetben az egész
eljárás (specifikáció, becslés, hipotézisellenőrzés) megismétlését igényelhetik.
3. A regressziós modell felhasználása elemzésre és előrejelzésre.
4. A verifikálás, aminek során a modellt szembesítjük a valósággal.
(Forrás:http://www.ksh.hu/statszemle_archive/2010/2010_07-08/2010_07-08_833.pdf )
2.10 Idősoros elemzés
Általában véve valamely jelenség fejlődését, időbeli alakulását vizsgáló kutatás, amely
irányulhat tartósan érvényesülő tendenciák (trendek), vagy különféle jellemzőkkel körülírható
szezonalítás sajátosságainak kutatására. Az idősoros elemzés a longitudinális kutatások
(különféle panel-vizsgálatok) megközelítési módja.
http://www.sfact.com/fogalomtar/idosoros-elemzes
2.11 Korreláció
A matematikában (a statisztikában) a korreláció jelzi két tetszőleges érték közötti lineáris
kapcsolat nagyságát és irányát (avagy ezek egymáshoz való viszonyát). Az általános
statisztikai használat során a korreláció jelzi azt, hogy két tetszőleges érték nem független
egymástól. Az ilyen széles körű használat során számos együttható, érték jellemzi a
korrelációt, alkalmazkodva az adatok fajtájához.
A korreláció csak a lineáris kapcsolatot jelzi. Például egy valószínűségi változó és négyzete
korrelációja lehet nulla. Ha két véletlen mennyiség korrelációja nulla, akkor korrelálatlanok;
ilyenkor a kapcsolatot, ha van, másként kell jellemezni, például feltételes valószínűségekkel.
A normális eloszlású valószínűségi változókra jellemző, hogy ha korrelálatlanok, akkor
függetlenek is. Így a korreláció jól alkalmazható normális eloszlásúnak tekinthető mérhető
mennyiségek közötti kapcsolat erősségének mérésére.
(Forrás: http://hu.wikipedia.org/wiki/Korrel%C3%A1ci%C3%B3 )
18
3. ANYAG ÉS MÓDSZER
3.1 ADATOK
Az elemzéseinkhez felhasznált adatokat a MY-X FADN OLAP tesztüzemi adatbázisból
nyertük ki. A adatbázis tartalmazza – a többi adatbázisokkal ellentétben – számunkra a
legkézenfekvőbb módon és teljességben rendszerezve a modellek felépítéséhez szükséges
számadatokat.
(Lásd: Melléklet Ábra 1.)
A búza terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal kerestük a
tesztüzemi adatbázisból:
Jelenség: Búza *összesen*na.*na.
Terület: 7 régió - Dél-Alföld, Dél-Dunántúl, Észak-Alföld, Észak-
Magyarország, Közép-Dunántúl, Közép-Magyarország, Nyugat-Dunántúl
Év: 2000-2009
Mértékegység: t/ha
Típus: Árunövénytermesztés
SFH: Összes
Mg. terület: Összes
Kvartilis: Összes
Forma: Egyéni
Adatszűrés: Alap-Mind
Oszlopfej: Alap
Sorfej: Alap
Függvény: Darab
(Lásd: Melléklet Ábra 2.)
A szemeskukorica terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal
kerestük a tesztüzemi adatbázisból:
Jelenség: Szemeskukorica *összesen*na.*na.
Terület: 7 régió - Dél-Alföld, Dél-Dunántúl, Észak-Alföld, Észak-
Magyarország, Közép-Dunántúl, Közép-Magyarország, Nyugat-Dunántúl
Év: 2000-2009
Mértékegység: t/ha
19
Típus: Árunövénytermesztés
SFH: Összes
Mg. terület: Összes
Kvartilis: Összes
Forma: Egyéni
Adatszűrés: Alap-Mind
Oszlopfej: Alap
Sorfej: Alap
Függvény: Darab
(Lásd: Melléklet Ábra 3.)
A napraforgó terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal kerestük a
tesztüzemi adatbázisból:
Jelenség: Napraforgó *összesen*na.*na.
Terület: 7 régió - Dél-Alföld, Dél-Dunántúl, Észak-Alföld, Észak-
Magyarország, Közép-Dunántúl, Közép-Magyarország, Nyugat-Dunántúl
Év: 2000-2009
Mértékegység: t/ha
Típus: Árunövénytermesztés
SFH: Összes
Mg. terület: Összes
Kvartilis: Összes
Forma: egyéni
Adatszűrés: Alap-Mind
Oszlopfej: Alap
Sorfej: Alap
Függvény: Darab
(Lásd: Melléklet Ábra 4.)
Az őszi árpa terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal kerestük a
tesztüzemi adatbázisból:
Jelenség: ôszi árpa *összesen*na.*na.
Terület: 7 régió - Dél-Alföld, Dél-Dunántúl, Észak-Alföld, Észak-
Magyarország, Közép-Dunántúl, Közép-Magyarország, Nyugat-Dunántúl
20
Év: 2000-2009
Mértékegység: t/ha
Típus: Árunövénytermesztés
SFH: Összes
Mg. terület: Összes
Kvartilis: Összes
Forma: egyéni
Adatszűrés: Alap-Mind
Oszlopfej: Alap
Sorfej: Alap
Függvény: Darab
(Lásd: Melléklet Ábra 5.)
Majd az előző oldalakon vizsgált növényekről legyűjtött adatokat egy táblázatba másoltuk, a
könnyebb kezelhetőség érdekében.
Rendezés és Szűrők segítségével a „Minden növény” lap adatait átláthatóbbá szerkesztettük,
így a t/ha adatokat jobban tudtuk kezelni.
A számunkra fontos t/ha adatokat az alábbiak szerint szűrtük ki: Régiók (7 db), Vizsgált évek
(10 db), a vizsgált növények ( 4 db)
(Lásd: Melléklet Ábra 6.)
A dél-alföldi régió 2000-2009 t/ha adatairól - Őszi árpa (I oszlop) és Szemeskukorica (J
oszlop) -egy próba diagramot készítettünk, hogy lássuk van-e összefüggés, együttmozgás a
két növény éven belüli eredményeinek.
(Lásd: Melléklet Ábra 7.)
Ez egy visszaellenőrzés, hogy minden vizsgált növény esetében a cellákban van-e adat és
hogy megvan-e a 70 db adat.
Az utolsó sorban (81. sor - Végösszeg) összeadtuk a vizsgált növények celláiban szereplő
adatok darabszámát. A visszaellenőrzés eredménye minden oszlopban 70, így a táblázat
adatai megfelelőek.
3.2 MEGVALÓSÍTÁS
21
Modell 1:
Az első modell felépítésénél a szemes kukorica terméshozamát vizsgáljuk az ez évi őszi
árpa hozamát figyelembe vételével.
Elsőként az alapadatok egy részét új munkalapra másoltuk, ez esetben egy régió 10 évi
hozamát mind a négy növényünkre nézve, táblázat formájában.
Majd vettük az őszi árpa függőleges oszlopait és az egymás melletti éveknek vettük az átlagát
és vízszintesen a elhelyeztük őket. Ezután vettünk az átlagok mozgó átlagát és az átlagok
alatti sorba tettük a mozgó átlagot. Majd a mozgó átlag alatti sorba végeztünk egy
exponenciális simítást, amit az előrejelzés függvénnyel kalkulált becslés követett a következő
alsó sorba. Majd a kukorica eredmények következtek szintén egy alsóbb sorba, így a tény és a
becslés adatok egymás mellé kerültek, ezt korreláció számítás követte.
Modell 2:
A második modell elkészítése során már nem már nem csak az árpa, hanem a búza és a
napraforgó adatait is figyelembe vesszük.
Itt a növények a sorokba kerülnek az évek az oszlopokba. Majd beírjuk az első évhez az előző
modellünk becsült értékét és a második évtől az előrejelző modell segítségével kiszámítjuk a
becsléseket majd alá írjuk a tény adatokat. Ha mindez megtörtént akkor korrelációt
számítunk.
Modell 3:
A harmadik modell egy hibrid, ami az első két modellből hoztunk létre.
Egy képlet segítségével összeadtuk az első két modell becslésének eredményét majd
elosztottuk kettővel. És az így kapott hibrid becslés eredmények tükrében számoltunk újra
korrelációs együtthatót.
Modell 4:
Negyedik modellünk felépítésekor az éven belüli szemeskukorica t/ha eredményeket
vizsgáltuk a másik három növény t/ha eredményeinek tükrében régiókra, évekre és
növényekre bontva, t/ha mértékegységben a terméseredmények.
22
(Lásd Melléklet Ábra 8.)
Sorszám függvény segítségével a búza, a napraforgó és az őszi árpa t/ha adatokat rangsoroltuk
növényenként, az utolsó oszlopban a szemeskukorica t/ha adatokat pedig 100-zal
felszoroztuk, a tanulási mintát így állítva elő a COCO STD robot számára.
(Lásd Melléklet Ábra 9.)
A fent említett tanulási minta inverzét is előállítottuk - visszaellenőrzés céljából -, amit
szintén lefutattunk a COCO STD roboton.
(Lásd Melléklet Ábra 10.)
A kapott eredmények hitelességét a direkt és az inverz COCO STD táblázat delta értékei
szorzatának segítségével ellenőriztük.
(Lásd: Melléklet Ábra 11.)
Majd a Darabteli függvény segítségével kiszámoltuk a Hiteles válaszok darabszámát.
Régiónként, az évenkénti változás eredménye, mind a becslés, mind a tények alapján, az
utolsó oszlopban azt vizsgáltuk, hogy a becslés és a tények mennyire mozogtak együtt.
(Lásd: Melléklet Ábra 12.)
A Korrelációs együttható értéke a Becslések és a Tények oszlopok alapján számoltuk ki.
(Lásd: Melléklet Ábra 13.)
Modell 5:
Az ötödik modellünk felépítésekor a következő évi szemeskukorica eredményeit (t/ha)
vizsgáltuk az előző éves búza, napraforgó, őszi árpa, és szemeskukorica eredményeinek
(t/ha) tükrében, régiókra, évekre és növényekre bontva, az utolsó oszlopban pedig a
következő évi szemeskukorica terméseredmények (t/ha) vannak.
(Lásd: Melléklet Ábra 14.)
Sorszám függvény segítségével a búza, a napraforgó, az őszi árpa és a szemeskukorica
termésadatokat (t/ha) rangsoroltuk növényenként, az utolsó oszlopban a következő évi
szemeskukorica adatokat (t/ha) pedig 1000-rel felszoroztuk és így a tanulási mintát
előállítottuk a COCO STD robot számára.
23
(Lásd: Melléklet Ábra 15.)
A fent említett tanulási minta inverzét is elállítottuk, amit szintén lefutattunk a COCO STD
roboton, visszaellenőrzés céljából.
(Lásd: Melléklet Ábra 16.)
A hitelességét ellenőriztük a kapott eredményeknek - A direkt és az inverz COCO STD
táblázat delta értékei szorzatának segítségével – 0= Hiteltelen; 1=Hiteles.
Ebben az esetben is megvizsgáltuk a Korrelációs együttható értékét a Becslések és a Tények
oszlopok alapján.
(Lásd: Melléklet Ábra 17.)
Régiónként, az évenkénti változás eredménye, mind a becslés, mind a tények alapján, az
utolsó oszlopban azt vizsgáltuk, hogy a becslés és a tények mennyire mozogtak együtt.
(Lásd: Melléklet Ábra 18)
Modell 6:
Hatodik modellünk esetében a következő évi őszi árpa eredményeket (t/ha) vizsgáltuk az
előző éves búza, napraforgó, őszi árpa, kukorica eredményeinek (t/ha) tükrében
régiókra, évekre és növényekre bontva az eredményeket (t/ha), az utolsó oszlopban
pedig a következő évi kukorica terméseredményei (t/ha) vannak.
(Lásd: Melléklet Ábra 19.)
Ebben az esetben is sorszám függvény segítségével a búza, a napraforgó, az őszi árpa és a
szemeskukorica adatokat (t/ha) rangsoroltuk növényenként, az utolsó oszlopban a következő
évi őszi árpa adatokat (t/ha) pedig 1000-rel felszoroztuk – a tanulási mintát így előállítottuk a
COCO STD robot számára.
(Lásd: Melléklet Ábra 20.)
Ez esetben is a fent említett tanulási minta inverzét előállítottuk, amit szintén lefutattunk a
COCO STD roboton, ellenőrzésképp.
(Lásd: Melléklet Ábra 21.)
24
A hitelességét ellenőriztük itt is a kapott eredményeknek - A direkt és az inverz COCO STD
táblázat delta értékei szorzatának segítségével – 0= Hiteltelen; 1=Hiteles.
Megvizsgáltuk a Korrelációs együttható értékét a Becslések és a Tények oszlopok alapján.
(Lásd: Melléklet Ábra 22.)
A Becslés és Tény értékek együttmozgását az Ábra 23. szemlélteti.
(Lásd: Mellékletek Ábra 23.)
Régiónként, az évenkénti változás eredménye, mind a becslés, mind a tények alapján, az
utolsó oszlopban azt vizsgáltuk, hogy a becslés és a tények mennyire mozogtak együtt.
(Lásd: Melléklet Ábra 24.)
Modell 7:
A hetedik modellünk felépítésénél a következő évi őszi árpa eredményeket (t/ha)
vizsgáltuk az előző éves búza, napraforgó, őszi árpa, szemeskukorica eredményeinek
(t/ha) tükrében – Excel Solver bővítmény segítségével.
A búza, napraforgó, őszi árpa és szemeskukorica hozamadatokat (t/ha) Sorszám függvény
segítségével rangsoroltuk és a 13 Lépcső megfelelő kategóriájába csoportosítottuk, az utolsó
oszlopban a következő évi őszi árpa t/ha adatokat pedig 1000-rel felszoroztuk – a tanulási
mintát így előállítottuk a Solver bővítmény számára.
(Lásd: Melléklet Ábra 25.)
A Solver által kikalkulált Lépcsők értékeit az Ábra 26 szemlélteti.
(Lásd Mellékletek Ábra 26.)
4. EREDMÉNYEK
25
Az elkészített modellek eredményeinek ismertetésére táblázatot készítettünk. A táblázat oszlopaiban
az elkészített, vizsgálni kívánt modellek találhatók, a táblázat soraiban az előrejelző modellek
vizsgált értékmérői találhatók. Továbbá a táblázat tartalmazza a modellek további fontos
tulajdonságait is. A legfelső sorban a modell által vizsgált növény megnevezése látható.
Az Modell 1: Egy éven belüli regressziós additív egyváltozós modell, melyben a lépcsők száma ’0’
azaz nulla. A korrelációs együtthatója igen alacsony, tehát ebben a formában ez a vizsgált modell
nem vezet értékelhető eredményre. Ebben az esetben csupán az őszi árpa terméseredményeit
használjuk alapadatként, ami kevésnek bizonyul a rendkívül sok egyéb a kukorica termésre ható
tényezőkkel szemben. Mivel az őszi árpa tenyészideje más időszakban van, mint a kukoricáé ezért
az időjárási tényezők hatása nagymértékben különbözik a két vizsgált növényre nézve. Ezen modell
esetében nem vizsgálható a hitelesége. Az iránytartását pedig nem vizsgáltuk.
Modell 2: Szintén éven belüli, regressziós, additív modellt vizsgáltunk, de az előzővel szemben itt
két változót vezettünk be. Ennél a modellnél a lépcsők száma szintén ’0’ azaz nulla. Itt már nem
csak az árpa adatait használjuk hanem a kukorica elmúlt évi adatait is. De amint a korrelációs
együttható mutatja ez a modell se képes megfelelő előrejelzést adni ezen adatok használatával. Itt se
számolható hitelesség, iránytartást pedig nem vizsgáltunk.
Modell 3: Az előző két modell segítségével készítettünk egy hibrid modellt, mely tulajdonságait
tekintve éven belüli regressziós additív kétváltozós és lépcsői száma nulla. A számított korrelációs
együttható meglepő eredményt hozott, ami alapján ez egy megbízható függvénynek gondolhatnánk.
viszont átgondolva arra a következtetésre jutottunk, hogy a két felhasznált modell valószínűleg más
26
többször ellenkező irányba tértek el kioltva egymás eltéréseit. tehát a modell pontossága
megkérdőjelezhető.
Modell 4: A táblázatban szereplő modell alapötletünk fő modellje, egy 70 lépcsős három változós
additív éven belüli hasonlóság elemzéssel készült modell. Az ez évi őszi árpa terméseredményeire,
a búza terméseredményire és a napraforgó terméseredményeire alapozva vizsgáljuk a szemes
kukorica várható eredményeit. Látható, hogy a korreláció alapján a vizsgálat pontossága
megfelelőnek mondható. Viszont a hitelessége csak 47% -os eredményt hozott. Iránytartása pedig
89%-ban helyes. Tehát ez a modell használható eredményeket hozott.
Modell 5: Egy éven túli additív négyváltozós 63 lépcsős hasonlóság elemzéssel készült modell,
melyben az előző évi 4 növény terméséből következtetünk az idei év kukorica hozamára. Az éven
túliság következményeképpen a korreláció igen alacsonynak bizonyul és a hitelesség valamint az
iránytarása se megfelelő egy helytálló hozam-előrejelzéshez képest.
Modell 6: Ebben az elemzésben az árpa terméshozamát vizsgáltuk az előző évi négy növény
hozamához viszonyítva, de a korrelációs együttható és az iránytartás kiszámítása után
megállapítható ,hogy a modell nem helytálló. Szintén egy additív 63 lépcsős modell
hasonlóságelemzéssel készítve.
Modell 7: Excel Solver segítségével készített multiplikatív modell négy változóval és 63 lépcsővel.
Ezen modell értékei se mutatkoztak helytállónak, amit azt eredmény táblázatunk is mutatja. Ebben
az esetben is éven túli elemzésről beszélünk, ami fontos hangoztatni ugyanis másik gazdálkodási
évre esik. Mely több befolyásoló tényezővel rendelkezik, így a modell se tud ezekkel az adatokkal
pontosabb becsléseket végezni.
Végeredményképpen elmondhatjuk, hogy a Modell 4. elemzésünk lett a legpontosabb a hét modell
közül. A többi modellt amennyiben ennyi adat áll rendelkezésre nem érdemes használni, mert nem
adnak helytálló eredményt.
6. ÖSSZEFOGLALÁS
A kapott eredmények alapján kijelenthetjük, hogy a COCO módszerrel, az őszi árpa, a búza és a
napraforgó terméshozamából számított szemes kukorica terméshozam becslések olyan pontosságot
értek el, ami megfelel a felállított céljainknak. Tehát a napraforgó betakarítása után hozam
27
eredményekkel, vagy a betakarítás alatt hozam részeredmények segítségével megállapíthatunk
kukorica terméshozam előrejelzést a számítások eredményeképpen kapott pontossággal. Ezzel
segítve az előrejelzés által megcélzott rétegeket, gazdasági szereplőket.
7. IRODALOMJEGYZÉK
1. http://napok.georgikon.hu/cikkadatbazis-2012/doc_view/58-pap-narcisz-pap-janos-a-
termesbecsles-es-termeselemzes-jelentosege-a-precizios-novenytermesztesben
2. http://szie.hu//file/tti/archivum/Bunkoczi_Laszlo_ertekezes.pdf
3. http://miau.gau.hu/mediawiki
4. http://hu.wikipedia.org/wiki/%C3%96konometria
5. http://hu.wikipedia.org/wiki/Hasonl%C3%B3s%C3%A1gelemz%C3%A9s
6. http://miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx
7. http://solver.com/xlsplatform.htm
8. http://miau.gau.hu/mediawiki/index.php/Attribútum
9. http://miau.gau.hu/myx-free/files/tdk2010/
10. http://miau.gau.hu/oktatas/2009osz/iszam_vegzos/v3_ba.docx
11. http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf
12. http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf
13. http://www.alanturing.net/turing_archive/pages/
Reference%20Articles/What%20is%20AI.html).
14. http://www.ksh.hu/statszemle_archive/2010/2010_07-08/2010_07-08_833.pdf
15. http://www.sfact.com/fogalomtar/idosoros-elemzes
16. http://hu.wikipedia.org/wiki/Korrel%C3%A1ci%C3%B3
8. MELLÉKLET
Ábra 1 MY-X FADN OLAP Tesztüzemi Adatbázis
28
Ábra 2. Búza terméshozama régió, év, mennyiség tekintetben
Ábra 3. Szemeskukorica terméshozama régió, év, mennyiség tekintetben
Ábra 4. Napraforgó terméshozama régió, év, mennyiség tekintetben
29
Ábra 5. Őszi árpa terméshozama régió, év, mennyiség tekintetben
Ábra 6. Vizsgált növények terméshozama régió, év, mennyiség tekintetben
Ábra 7. Szemeskukorica és őszi árpa terméshozamának összehasonlítása
30
1 2 3 4 5 6 7 8 9 100123456789
Szemeskukorica és őszi árpa terméshozam összehasonlítása
Őszi árpaSzemeskukorica
Év
Hoz
am t/
ha
Ábra 8. A búza, napraforgó, őszi árpa terméseredményei
Ábra 9. A rangsorolás eredménye
Ábra 10. A rangsorolás eredményének inverze
31
Ábra 11. A COCO eredmények hitelességének ellenőrzése
Ábra 12. Becslés és Tények értékeinek az iránytartása
Iránytartás - 1 – igen; 0 – nem
Ábra 13. A korrelációs együttható értéke
32
Ábra 14. Éven túli terméseredmények vizsgálata
Ábra 15. Termésadatok rangsorolása éven túli terméseredmények tükrében
Ábra 16. Éven túli termésadatok rangsorának inverze
Ábra 17. Éven túli korrelációs együttható értéke
Ábra 18. A tények és becslések együttmozgásának vizsgálata
33
Iránytartás - 1 – igen; 0 - nem
Ábra 19. Éven túli őszi árpa terméseredményének vizsgálata
Ábra 20. A vizsgált növények terméshozamának rangsorolása az éven túli őszi árpa eredmények tükrében
Ábra 21. A terméshozamok rangsorának inverze
34
Ábra 22. A korrelációs együttható értéke
Ábra 23. Az éven túli terméseredmények becslés és tény viszonya
1 2 3 4 5 6 7 8 9 10 110
1000
2000
3000
4000
5000
6000
A becslés és tény viszonyítása
BecslésTény
Év
t/ha×100
Ábra 24. A becslés és tények együttmozgásának vizsgálata
Ábra 25. Éven túli terméseredmények rangsorolása az őszi árpa hozamának tükrében
35
Ábra 26. A Excel-Solver bővítmény lépcsők eredményei
Ábra 27. Az Excel-Solver bővítménye által kikalkulált lépcsők közötti ugrások értékei
Ábra 28. Az tény és becslés közti különbség
36
Ábra 29. A korrelációs együttható értéke
Ábra 30. Diagram a becslés és tény viszonyáról az utolsó 10 érték alapján
1 2 3 4 5 6 7 8 9 10 110
1000
2000
3000
4000
5000
6000
A becslés és tény viszonya az utolsó 10 érték alapján
BecslésTény
Év
t/ha×100
0
Ábra 31. Az Excel-Solver bővítménye által kikalkulált lépcsők eredményei
37
Ábra 32. Az Excel-Solver bővítménye által kikalkulált lépcsők közötti ugrások értékei
Ábra 33. Diagram a becslés és tény viszonyáról az utolsó 10 érték alapján
Ábra 34. A MI család. Információtechnológiák az Információtechnológiák az agrárgazdaságban - Herdon Miklós (2004)
38
39