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.


6

http://hu.wikipedia.org/wiki/Hasonl%C3%B3s%C3%A1gelemz%C3%A9s

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

http://office.microsoft.com/hu-hu/excel-help/a-solver-attekintes-HP005198368.aspx

http://solver.com/xlsplatform.htm

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.


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

http://miau.gau.hu/myx-free/files/tdk2010/

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

http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf

http://miau.gau.hu/myx-free/files/studies/expert_gl_full_hu.pdf

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

http://www.alanturing.net/turing_archive/pages/Reference%20Articles/What%20is%20AI.html

http://www.alanturing.net/turing_archive/pages/Reference%20Articles/What%20is%20AI.html

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

http://hu.wikipedia.org/wiki/Korrel%C3%A1ci%C3%B3

http://www.sfact.com/fogalomtar/idosoros-elemzes

http://www.ksh.hu/statszemle_archive/2010/2010_07-08/2010_07-08_833.pdf

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


A szemeskukorica terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal

kerestük a tesztüzemi adatbázisból:

Jelenség: Szemeskukorica *összesen*na.*na.



Év: 2000-2009


19


SFH: Összes


Kvartilis: Összes

Forma: Egyéni


Oszlopfej: Alap

Sorfej: Alap

Függvény: Darab


A napraforgó terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal kerestük a


Jelenség: Napraforgó *összesen*na.*na.



Év: 2000-2009



SFH: Összes


Kvartilis: Összes

Forma: egyéni


Oszlopfej: Alap

Sorfej: Alap

Függvény: Darab


Az őszi árpa terméshozamára vonatkozó adatokat az alábbi lekérési beállításokkal kerestük a


Jelenség: ôszi árpa *összesen*na.*na.



20

Év: 2000-2009



SFH: Összes


Kvartilis: Összes

Forma: egyéni


Oszlopfej: Alap

Sorfej: Alap

Függvény: Darab


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)


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.


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.


A fent említett tanulási minta inverzét is előállítottuk - visszaellenőrzés céljából -, amit

szintén lefutattunk a COCO STD roboton.


A kapott eredmények hitelességét a direkt és az inverz COCO STD táblázat delta értékei

szorzatának segítségével ellenőriztük.


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.


A Korrelációs együttható értéke a Becslések és a Tények oszlopok alapján számoltuk ki.


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.


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


A fent említett tanulási minta inverzét is elállítottuk, amit szintén lefutattunk a COCO STD

roboton, visszaellenőrzés céljából.


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 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.


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.


Ez esetben is a fent említett tanulási minta inverzét előállítottuk, amit szintén lefutattunk a

COCO STD roboton, ellenőrzésképp.


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.


A Becslés és Tény értékek együttmozgását az Ábra 23. szemlélteti.

(Lásd: Mellékletek Ábra 23.)




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.


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 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 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

miau.my-x.hu · Web viewA tanácsadói oktatás színvonala pedig attól függ, hogy az mennyire...

Documents

Transcript of miau.my-x.hu · Web viewA tanácsadói oktatás színvonala pedig attól függ, hogy az mennyire...