ISSN在线(2319 - 8753)打印(2347 - 6710)
Sanjib Kumar Hota 讲师,马合作学院管理布巴内斯瓦尔,印度奥里萨邦 |
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术
分析方法论的差异的影响估计生产函数的各种农业技术效率的农场来自不同的农业气候区odisha是这项研究的主要目的。数据包络分析(DEA)和人工神经网络(ANN),即多层感知器(MLP)和径向基函数(RBF)网络研究中使用。统计软件像Banixia前沿Analyst-7 (DEA), MATLAB-ANN工具箱(MLP)和神经的解决方案- 6.0已经通过这些模型用于评估技术效率。灵敏度分析基于网络的最优结果由RBF也被测试。本文说明了优化问题通过考虑水稻(水稻)作物产量数据作为输出(Y)和布洛克的总成本/机labor-per英亩(X1)、人类劳动成本每英亩(X2)、种子成本每英亩(X3),肥料成本每英亩(X4)锋面灌水成本(X5),农药(X6)和信贷成本每英亩(X7)和总耕地面积下大米(×8)作为输入。已经观察到神经网络估计技术效率可能导致重大科研成果;与径向基函数网络(RBFN)超过其他评估技术研究考虑。希望,在未来,研究人员将开始应用这些先进的ANN模型优化问题相关的农业生产力。
关键字 |
数据包络分析、人工神经网络、技术效率 |
介绍 |
效率水平的一个农夫在他的生产过程是难以评估,除非是确定他的通行条件。例如,一个农民可能不是他的资源分配优化由于资源约束或流行的不确定性对价格/收益或者由于缺乏对资源的访问。在这种情况下,他不能称为低效仅仅因为他不经营的利润最大化;利润最大化可能不是他的最终目标。另一方面,农民可以使用所有必需的输入量,但可能没有意识到潜在产出管理不当所致。在这种情况下,比较使用的输出与输入的水平揭示了真实情况的效率。这被称为“技术效率”这是最大可能的产量与给定水平的输入可以实现使用(Jayaram et al ., 1992)。技术效率也可以被定义为农场的能力从给定的一组资源获得最大的输出(法雷尔,1957)。换句话说一个农场的技术效率可以被定义为农场的能力和意愿来获得最大可能的输出与指定养老的输入(由一个前沿生产函数),考虑到技术和农场周围的环境条件(Mythili g . et al ., 2000)。所指出的小et al(1987)的比较指标的技术效率的个人企业提供信息的相对和绝对的全要素生产率水平。 For this reason measurement as well as interpretation of the technical efficiency of the individual farms in the area under study is an important exercise to do (Banik Arindam, 1994). |
二世。相关工作(文献调查) |
大量的实证研究已开展测量技术效率的帮助下利用横截面数据参数和非参数方法。在这方面的确定性和随机前沿方法使用非常普遍(法雷尔,1957),(Aigner和楚,1986),(1971年Timmer), (Aigner等,1977),(Meeuen Broeck, 1977)。的全面工作也已经被考虑在这种情况下进行面板数据的方法和测量技术效率的使用成本函数(Forsund等,1980),(1990年Bauer), (Battese, 1992)(格林,1993),(Kaliranjan笔挺,1994)和(Kumbhakar等,1997)。然而,只有很少的研究(特和Krishnamoorthy Kaliranjan, 1981年,1997年,Kaliranjan笔挺,1994;Mythil Shanmugam, 2000)进行了测量技术效率的水稻生产在印度使用横截面数据。本研究使用非参数的数据包络分析(DEA)技术测量的技术效率三个不同村庄的农场种植水稻不同的农业条件的奥里萨邦Bargarh区农业2007年- 08年。 |
经验生产函数分析我们的先验知识的技术,涉及多次输入和输出是相当薄弱。考虑到这一事实,测量效率的两种常见的方法,线性规划方法与数据包络分析(DEA)和计量经济学技术特别是多元回归和随机前沿分析(SFA),假设只有少数限制时估计生产领域。传统的DEA模型的假设是可行集的凸性输入/输出组合,变量返回规模和强大的通用性的输入和输出。另一方面,国家林业局通过柯布-道格拉斯模型规范,甚至通过更灵活的超越对数(translog)形式,包括非线性效应线性参数模型。 |
进化神经生物的见解,人工神经网络(ann)是一个相对年轻的研究领域,在理论和应用程序快速扩张。神经网络显示在过去十年中是特别有用的映射下噪声和不确定性问题,当足够的可用数据的例子,特别是当输入和输出相关以非线性方式不能轻易提前线性方程描述。 |
多元线性回归模型被广泛用于估计响应变量和预测之间的线性关系。它的局限性是它假设底层反应和预测变量之间的关系是“线性”。在现实情况下,这一假设并不满意。同样,如果有几个预测,很可能有一个想法的非线性功能反应和预测变量之间的关系。处理这种情况下,“人工神经网络(ann)使用。程和Titterington(1994)回顾了ANN方法从统计的角度来看,华纳和Misra(1996)强调安作为一个统计工具的理解。ann的特点使他们有价值的和有吸引力的统计任务,而不是传统的基于模型的方法,人工神经网络是数据驱动的自适应方法,有一些先验假设的模型问题正在研究。该建模方法能够从经验中学习是非常有用的在许多实际问题,因为它通常是更容易比有很好的理论猜测数据底层规律的系统数据生成。张(2007)讨论了ANN建模工作中的各种陷阱,必须避免。最广泛使用的安多层前馈人工神经网络(MLFANN)。 |
Guermat和Hadri(1999)进行了蒙特卡洛实验与分析的目的的影响函数形式misspecifications和神经网络的性能与translog模型为近似不同理论像柯布-道格拉斯生产函数,translog, CES函数和广义里昂惕夫模型。他们得出的结论是,神经网络规范是一个好的选择最常用的translog模型测量效率。 |
丹尼尔·s·冈萨雷斯和A.V.卡斯特罗(2001)进行的一项研究与客观测试生产函数的非线性影响技术效率的估计得到的普通和修正最小二乘(OLS、关口),数据包络分析与收益成比例常数和变量(DEAcrs DEAvrs),随机前沿分析(SFA)和多层感知器(MLP)和反向传播神经网络,通过他们的研究结果简要建议是一个灵活的工具,以适应生产函数和一个可能的替代传统技术在非线性的上下文。 |
D。Pokrajac, J。Milutinovic和z Obradovic(2005)进行的一项研究的目标最大化利润函数使用neural-based决策支持系统和评估方法的适用性上模拟精准农业数据。实验结果的基础上,他们建议基于神经的利润最大化的技术可能会导致一个重要的利润增加;与径向基函数(RBF)网络优于多层感知器(MLP)。 |
Jianhua Chen(2005)作出了尝试的实证应用神经网络方法模型农业经济问题和发现,神经网络方法优于传统的计量经济学模型包括多元回归。 |
上面辛格和Prajneshu(2008)进行的一项研究的应用程序特定类型的安viz.多层前馈人工神经网络(MLFANN)由两种类型的学习训练算法,即梯度下降算法(GDA)和共轭梯度下降算法(CGDA)农业领域的(i。e建模和预测的玉米作物产量),还发现MLFANN的优越性在高钙处理他们的研究的目标。 |
E.T.马纳尔和P。Thangaraj(2008)进行了研究,应用自组织映射和基于多层感知器神经网络的数据挖掘领域的农业和发现所需的解决方案的分析(例如,集群和预测所需的输出对输入)。 |
侯赛因Hakimpoor, Khairil Anuar本艾尔沙德,出版社。(2011)回顾了所选的一些作品完成的人工神经网络在管理科学中的应用,认为人工神经网络(ann)的一个工具,已经成为商业智能的一个关键组成部分。 |
Chusnul Arif,学者沟口健二出版社。(2012)试图应用人工神经网络(ANN)模型来估算土壤水分在两者之间的不同天气条件下稻田水稻种植期和可靠地发现,ANN模型估算土壤水分有限的气象数据。 |
三世。目标 |
在目前的研究中一直尝试衡量各种农场的技术效率在不同农业气候情况和解决有关大米的种植资源使用优化问题(水稻)Bargarh西部地区在印度奥里萨邦的截面主要数据(字段级别数据2009年- 10年)。的DEA模型估算技术和资源利用效率的模型比较安如延时和RBF到达最好的结果在现象的研究。 |
四、数据基础和方法论 |
目前的研究是基于收集的数据的主要来源的基础上预先设计问卷调查从474年农户三个不同的村庄位于三个不同的街区与不同灌溉状态下Bargarh奥里萨邦区在2009年农业- 10。 |
研究区基本上是由两个截然不同的农业气候区域,如运河灌溉(Hirakud坝下运河系统)和雨养区。此外,运河灌溉区域分为两部分,即前端和末端。有足够的水供应高端的运河,与相应的短缺在末尾。基于农业和社会经济特征区域的两个村庄从运河灌溉区域(一个来自头端(它们),另一个末端(v - 2)]和一个村庄(对3)雨养区(喜欢只有一个作物i.e.Kharif)已经选择了现在的研究。大米(水稻)种植面积的主要研究不是因为它是他们的主食但为生。 |
抽样,人口普查的基础上已经收集的数据(即整个农户)的三个村庄选择立意的更好的理解微分的行为模式下的村庄和农场规模研究。选中的农场规模大小分为三组的基础上,即操作区域,小(5.00亩),中等(5.01亩10亩),大(10.01英亩以上)。 |
有192(小- 84,Medium-52和Large-56), 139(小- 86,Medium-24和Large-29)和143年(小- 82,Medium-53和8)的农户数量考虑本研究从村庄与它们的目的,V - 2分别对3。总样本量是474的农户数量(所有v)。使用的分析工具中阐述了相关研究的一部分。 |
在目前的研究中,我们已经生产的大米每英亩(Y)作为输出,X1的混合体不同的输入如下。 |
X1 =布洛克/机劳动力使用每英亩(卢比) |
X2 =人类劳动使用每英亩(卢比) |
X3 =使用的种子数量每英亩(卢比) |
X4 =化肥使用每英亩(卢比) |
X5 =灌溉费用(来自所有来源,如运河和其他来源)每英亩(卢比) |
X6 =植物保护措施使用每英亩(卢比) |
X7 =农业信贷(正式和非正式的来源)每英亩(卢比) |
×8 =水稻面积(亩) |
诉的方法分析 |
农场的技术效率和资源利用潜力研究估计和分析在本研究中利用DEA和安(MLP & RBF)模型。最终保持视图模型的解释力与目前研究的目的比较DEA和RBFN已得出结论。 |
数据包络分析(DEA) |
DEA,最初由Charnes et al。[7],不需要任何潜在的假设。它使一个获得极值关系如生产函数和/或生产可能性的表面。而不是试图去适应一个回归平面,浮动块智慧-线性/柯布-道格拉斯(对数线性)表面休息观察[19]。谎言的一个农场的程度低于其生产前沿,这将限制设置为最大值的范围获得输出,可以被视为衡量技术效率低下。 |
让我们考虑一个J样本数量的农田也被称为研究(决策单元)让B表示J x M矩阵的观测输出和J x N矩阵的表示观察输入。单个元素的米,用yj M措施M j DMU产生的输出的数量,而N的单个元素,用xj N, N个输入j DMU衡量就业水平,在特定的时间内。生产技术改造可以构造输入向量x输出y从数据为: |
![]() |
展览规模收益不变和很强的通用性的输入和输出[10]。[1]后,CRS的假设可以放松和规模收益可能允许变量到把下列限制(1)[6]: |
![]() |
计算距离的功能:一个线性规划问题 |
![]() |
输出距离函数可以计算工具与技术的限制(2)在上面的LP问题。 |
在这项研究中,每个农场都被视为一个单独的DMU(决策单元)。研究k = 474的数量,研究区域的Bargarh奥里萨邦。输入的数量n = 8,输出m = 1的数量。影子价格即决策变量。Z1, Z2。Z474。膨胀系数θ在output-oriented模型。我们需要目标函数最大化做各自的约束下模型。模型给出了方程(4)单独运行每个DMU 474线性规划问题得到解决,因此获得效率估计的研究。 |
输入减少(IR) BCC模型 |
低效的DMU可以完全有效封套表面投影到一个点。在inputreducing模型中,重点是最大运动向边境通过减少输入成比例。产出增幅模型关注的最大运动的前沿通过比例增大输出。BCC[6]的线性规划问题,input-reducing模型为: |
![]() |
人工神经网络(ann): |
人工神经网络是一种大规模并行分布式处理系统组成的高度相互关联的神经计算元素的学习能力,从而获取知识并使其可用。安可以展览映射功能,即输入模式映射到他们的预期输出模式。 |
神经网络(NN),一般来说,是一个高度互联网络大量处理元素(PEs)称为神经元的架构。一个神经网络可以大规模并行,因此据说展览映射功能,也就是说,他们可以输入模式映射到相关的输出模式。神经网络学习的例子。他们因此可以训练与已知的例子问题获得的知识。一旦适当的训练,网络可以有效地使用在解决“未知”或“未经训练的”问题的实例。 |
神经网络采用不同的学习机制,使神经网络获取知识。监督学习和无监督学习方法已经被证明是非常受欢迎的。在监督学习网络的目标是最小化目标(预期)的输出之间的误差和计算输出来实现更好的性能。然而,在无监督学习,网络试图学习本身组织的输入实例的问题。 |
神经网络已成功地应用于模式识别领域的问题,图像处理,数据比较,预测和优化报价。 |
拟合函数: |
擅长神经网络拟合函数以及识别模式。事实上,证明一个简单的神经网络可以适合任何实用的功能。 |
例如,我们有来自农业农场的数据。本研究旨在设计一个网络,可以预测的价值生产的大米,8块农民的开支。我们有474农民的例子我们有8项与生产相关的数据和(Y)的价值。 |
多层感知器(MLP) |
如下所示的通用体系结构和三层神经元,该算法可扩展与大量的网络层,输入层神经元线性而隐层和输出层神经元具有s形信号功能。神经的解决方案使用反向传播训练MLP的错误。反向传播网络中包含使用梯度搜索和调整权重——这是网络是如何训练的。在我们的工作,我们已经考虑输入层有八个神经元,与两个神经元隐层和输出一个神经元。延时的训练学习的过程 |
![]() |
![]() |
径向基函数(RBF)网络 |
RBFN前馈神经网络,竞争在隐藏神经元激活的方式不同于我们所做的在前馈神经网络。而不是使用输入向量和权向量之间的内积,隐藏神经元激活RBFN完成使用一个指数之间的距离测量的输入向量和原型向量函数在一个隐藏的神经元信号的特点。RBFN的目的是介绍了插值的数据点在一个有限的数据集。一组给定的训练数据的输入,输出对ζ= {xk, dk}问k = 1, XkARn,分析r .解决精确插值包括搜索需要每个输入的映射函数,xk和地图完全进入期望的输出dk: |
![]() |
问题定义: |
定义一个合适的工具箱的问题,我们已安排一组问输入向量作为XLs表中的列。然后安排另一组问目标向量(正确的输出向量为每个输入向量在另一列相同的XLs表。 |
在神经Solution-6,建立神经网络我们使用神经建设者。神经建设者提出了一系列面板代表逻辑神经网络设计过程中的步骤。在这里,我们可以指定神经网络基于一个特定的神经模型。 |
创建模型的过程: |
一个¯·XLs表中的数据根据需要标记和转嫁 |
一个¯·神经的神经网络设计构建器通过选择不同的参数。 |
一个¯·RBF我们选择和设置 |
一个¯最大时期训练 |
一个¯终止标准停止训练 |
一个¯选择重量更新的频率。 |
神经Solution-6,用来训练MLFANN。我们处理输入和目标数据之前使用适当的扩展训练,使他们在一定的范围内。可用的观测被分成三个子集。 |
i)对训练数据集,用于评估gradiant和偏见和体重的定期升级网络。我们的数据集作为训练集总数的80%。 |
(二)第二组数据作为数据集总额的15%交叉验证集。作为交叉验证数据集。 |
安三世)测试,我们使用的测试数据集,数据集总数的5%。 |
除此之外,我们也采取了一些数据丢失的目标价值,生产数据集。 |
MLFANN被训练使用Gradiant下降算法(GDA)。许多可能性被观察到。我们已经考虑隐藏层与输入和输出层。采用RBF神经网络的建设。 |
![]() |
这个面板是用来指定无监督学习。 |
![]() |
它指定了学习速率即改变时代之间的权重。 |
监督学习控制: |
我。最大时代指定多少迭代(训练集)将踢上如果没有其他的标准。 |
二世。它将终止时最小MSE在训练集阈值是0。 |
三世。一旦网络训练,我们已经准备好运行我们的测试组通过网络,我们可以首先加载最佳体重(产生最低的错误)培训期间获得的。 |
四、批学习更新后的重量表示整个训练集。 |
交叉验证和测试集 |
一个¯§交叉验证(cv)是用来确定推广由训练集的水平。简历与培训网络的执行结果。 |
一个¯§测试集是用来测试网络的性能。一旦网络训练,然后冷冻权重,测试集送入网络和网络输出与期望的输出。中指定的测试是一样的简历。 |
性能分析 |
1)MSE(均方误差): |
MSE应该尽可能小(即接近为零)监督学习的MSE就是一个例子,学习速率是提供一组所需的网络行为的例子。 |
{P1, t1}, {P1, t1}………。{PQ, tQ} |
这里PQ输入到网络和tQ是相应的目标输出。每个输入应用于网络,网络输出与目标。计算误差为目标输出与网络输出之间的区别。我们的目标是最小化的平均金额错误。 |
![]() |
VI。方法结果和结论 |
技术效率估计在村庄和农场规模根据DEA研究和安(MLPFFN和RBFN)模型表示如下。然而,RBFN模型的详细分析和比较的结果与DEA。 |
技术效率 |
DEA的发现 |
BCC效率分数是评估的个体农场在研究农业2007年- 08年。每个农场的效率得分计算相对于其他农场和本身。换句话说,例如农场1的效率相对于效率的特点,比较其他年份473年的观察。 |
示例中的所有农场的得分效率因此获得用于找出平均效率分数在不同的农场规模和在不同的村庄坐落在不同的地区正在研究农业气候区。平均超过所有已经通过使用加权算术平均数计算。 |
平均技术效率分数大小不同的农场和村庄明显从图1和表1。平均效率得分变化从大型农场的81.01%到93.06%的小农场。同样,它不同与它们在v - 2 87.96%和91.69 86.07%对3。从表1观察,小农场在技术上更有效率比中型和大型农场的所有村庄暗示平均,实现输出可以增加了19%,15%和7%的大、中、小型农场。同样是与它们在12%左右,分别对3 v - 2 14%, 8%没有任何额外的资源。各种因素可能是负责观察效率的差异需要进一步分析。 |
![]() |
发现安(MLPFFN和RBFN) |
发现延时 |
模拟MLP与垫进行实验室版本7.5和序列不同的模拟结果进行了实验。模拟评估效率进行反向传播算法的多层感知器网络预测生产每英亩。 |
中长期规划培训和测试过程进行了约60%和20%的样本数据集分别在每一个案例研究。这些过程也一直在进行随机数据集。最好的性能结果(即MSE假设最优的价值目标是0)有关最好的安装网络结构与合成隐藏层(H1和H2在这种情况下)考虑研究。 |
从表1中观察到的,对应于最适合网络结构中农场的延时性能结果派生它们(例如MSE = 8.63408 e - 011)意味着更高的效率相比,分别为小型和大型农场。同样,性能结果(例如MSE = 3.07376 e - 011)发现媒介农场在v - 2显示了更高的效率比分别为大型和小型农场。性能结果(例如MSE = 387.598)发现大型农场对3显示了更高的效率比中小农场分别。性能结果(例如MSE = 33.3419)发现大型农场所有v显示更高的效率比中小农场分别从分析可以推断出来,一个农场规模和技术效率之间的直接关系分别是坚持对3 v - 2和所有v。然而发现vi技术更有效(例如MSE = 1.31294 e - 005)的v - 2相比,分别对3和所有v。平均延时模型发现,实际输出从网络输出的偏差,给定输入,发现的所有v(整个面积的研究)所反映的性能结果(例如MSE = 4202.55)。这推论显示技术效率研究下的面积虽然农场规模之间效率低下的程度不同,以及村庄正在研究。 |
发现RBFN |
RBFN的模拟进行了神经解决方案版本6.0和序列不同的模拟结果进行了实验。模拟评价的效率进行反向传播算法的RBF网络预测生产每英亩。 |
RBFN培训、交叉验证和测试过程进行了约55至65%,15 - 20%和10 - 15%的样本数据集分别在每一个案例研究。这些过程也一直在进行随机数据集。单个运行和多个运行也已在原始和随机样本数据集和最好的安装网络的结果(即性能结果基于NMSE的价值,假设最优目标是0)被认为是研究。 |
观察从表1,对应于最适合网络派生中农场的性能结果与它们(例如NMSE = 0.12953)意味着更高的效率比分别为小型和大型农场。同样,性能结果(即NMSE = 0.299566)发现小农场的v - 2显示了更高的效率比中型和大型农场。性能结果(例如NMSE = 0.37994157)发现小农场的V - 3显示了更高的效率比介质。在这种情况下的结果大农场不能解决由于数据不足NMSE发现整除的价值为零。性能结果(例如NMSE = 0.087354)发现在所有v中农场显示更高的效率比小型和大型农场分别可以从分析推断农场大小之间存在反比关系和技术效率在v - 2对3。但技术效率是发现支持介质的农场相比其他类别对3和所有v。然而发现v - 2技术更有效(例如NMSE = 0.3635707)相比,它们的v - 2。平均从RBF模型发现,实际输出从网络输出的偏差,考虑到输入,发现少相比,模型的所有v(整个面积的研究)所反映的性能结果RBF(例如NMSE = 0.1118)。这个推理也显示了技术效率研究下的面积虽然农场规模之间效率低下的程度不同,以及村庄正在研究。 |
敏感性分析的结果(基于RBFN模型) |
灵敏度的意思(s)即为网络输出。生产的大米每英亩(Y)已被证明对不同的输入结果的标准差如表所示。换句话说,输入的偏差(对应于他们的网络输出)的意思是各自系列已被证明结果的标准偏差来分析网络的灵敏度输出由于变异的程度在相应的一系列输入发现各种农场规模和村庄下学习。 |
标准偏差(σ)的更大价值的值表明,Xi(输入系列X1出数与网络输出)分布广泛远离各自系列的意思。这样一个小值的标准差将暗示的分布是均匀的和一个较大的值标准偏差会暗示它是异构的。从分析观察,平均网络输出更敏感的X5中小农场(σ=分别为133和78.8),但X3大农场(σ= 24-4)和×8(σ= 102.8)农场与它们相比其他输入序列见表3。同样,平均网络输出更敏感的X6中小农场(σ=分别为63.1和74.4),但X5大农场(σ= 87.53)和X4(σ= 76)农场在v - 2×8小农场(σ= 301),X1的中型和大型农场(σ= 44.1和1.9分别)和X5(σ= 100)对3的所有农场的相比于其他输入序列见表-。所有v,平均网络输出是敏感的混合体为小型和大型农场(σ=分别在269年和322年),X6介质农场(σ= 372.6)和X1农场(σ= 325.3)比其他输入序列见表- |
潜在的改进的输入 |
474年的潜在改进各种输入样本农场单独计算基于BCC (IR)模型(即输出的测量的潜在改进各种输入)。过度使用的每个输入的量子(即输入之间的差异在实际使用和前沿水平)已经为每个个体农场产出水平和结果比较村庄和农场规模的政策含义。 |
从这个分析可以推断,产生一个给定的产出水平,实际使用多少输入一个农场,这个农场有多少应该使用如果他经营在前沿水平。这提供了潜在的改进要做的方式输入使用达到最优的使用。 |
熟读的实际和边界输入生产大米的使用(表5)表示,所有的因素考虑使用水平高于所有大小组织的前沿水平。它还表明,过量的百分比输入用于水稻的生产农场规模增加而增加。进一步支持我们的研究结果是,小农户在技术上更有效率比中型和大型农场。因此,损耗的比例投入较少的小农场所有的村庄正在研究。但仍有潜在的改善空间输入使用所有大小组织的村庄。换句话说,如果农场技术有效平均可以保存不同的输入水平:即X1, X2, X3, X4, X5, X6, X7×8, 14.95, 16.87, 12.66, 24.08, 30.28, 34.23, 43.24和34.59%在它们(灌溉村)。16.92,18.12,16.68,24.50,49.33,35.86,40.97和36.09%的上述输入分别在v - 2(尾随灌溉村)和类似的38岁的9.73,17.95,27.15,38.17,26.09,68.21和65.87%对3的,30.74,14.93,18.60,32.63,46.04,33.16,60.49和64.27%的输入分别表示所有v(整个样本)来实现当前的产出水平。 |
七世。结论 |
因此,从上述分析很明显,研究水稻种植地区的资源利用也为改进提供了充足的空间尺寸组所有的村庄。此外,中型和大型农民可能建议有效地实现资源使用效率,提高技术效率实现更好的输出。通过更好的组织资源,大量的资源(即输入包括土地输入)可以保存在不影响当前的成就水平的水稻每英亩的产量。因此,生产力管理的重要性在水稻种植技术效率的提高农民的适当的管理和合理利用资源是主要关注的问题。因此,可以得出结论,人工神经网络方法是成功地描述给定的数据,可以作为一个可靠的资源使用优化问题的工具 |
![]() |
![]() |
4)表现评价的DEA模型的基础上平均技术效率分数(%)假设 优化的目标是100%的分数。 |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
引用 |
|