Hozam-előrejelzés a gabonatermesztésben

Az előadások a következő témára: "Hozam-előrejelzés a gabonatermesztésben"— Előadás másolata:

1 Hozam-előrejelzés a gabonatermesztésben
Flier Tamás, Korényi István, Szilágyi Levente SZIE, GVAM, Bsc. II. Gödöllő, ETDK

2 Tartalom Gazdasági aspektusok Modellek felépítése Eredmények
Célok Célcsoportok Hasznosság Modellek felépítése Eredmények Következtetések Eredmények magyarázata Pontosság és problémák Végeredmény, Összegzés

3 Gazdasági aspektusok Cél: Célcsoport: Hasznosság:
Rövid (éven belüli) és hosszabb távú előrejelzés kidolgozása A már meglévő adatokra alapozva hozambecslések kidolgozása Célcsoport: Gazdálkodók, tanácsadók, kamarák és egyéb érdekvédelmi szervezetek Kormányzat, ill. kereskedelem, feldolgozó ipar, vagyis az árképzés minden egyéb szereplője Hasznosság: A gazdasági szaktanácsadás automatizálásának segítségével A tanácsadási folyamat olcsóbbá és gyorsabbá válhat

4 Modellek Éven belüli előrejelző modellek (csak kukorica esetén)
Regressziós modellek Idősoros elemzések Többváltozós elemzések Hibrid modell Hasonlóságelemzések Éven túli előrejelző modellek (több növényre) Additív hasonlóságelemzések Multiplikatív hasonlóságelemzések

5 A modellek felépítése Éven belüli regressziós modellek felépítése
Kukorica idősoros modell: Időszaki átlagok (mindig megelőző évek azonos időszakai) Mozgó átlagos (3-as) és exponenciális (30-70%) Előrejelzés függvény alkalmazása (dolgozatban Excel - Help) Többnövényes modell (a búza és az árpa eredményeiből következtet a kukoricára) Hibridizációs modell átlagolás

6 A modellek felépítése Éven belüli becslések hasonlóságelemzéssel
Objektumok: Régiók és évek (10 év, 7 régió) Attribútumok X, azaz befolyásoló tényezők: az azonos év árpa, búza, napraforgó termésátlagai Y, azaz következményváltozó: a kukorica terméseredménye Tanulási lépések (termelési függvény generálás): Sorszámozás (standardizálás) Additív modellépítés (MY-X Free) Direkt futtatás Inverz futtatás Korreláció számítás, Hitelességi arányszámítás, Iránytartás Tér - Idő alábontások

7 A modellek felépítése Éven túli additív hasonlóságelemzések
Objektumok: Régiók és évek (9 év, 7 régió) Attribútumok: X, az előző év árpa, búza, napraforgó és kukorica termésátlagai Y, a következő év kukorica terméseredménye Tanulási lépések: Sorszámozás (standardizálás) Additív modellépítés (MY-X Free) Direkt futtatás Inverz futtatás Korreláció számítás, Hitelességi arányszámítás, Iránytartás Tér - Idő alábontások

8 A modellek felépítése Éven túli multiplikatív hasonlóságelemzések
Objektumok: Régiók és évek (9 év, 7 régió) Attribútumok: X, az előző év árpa, búza, napraforgó és kukorica termésátlagai Y, a következő év kukorica terméseredménye Tanulási lépések: Sorszámozás (63 helyett 13 szintre skálázva) Multiplikatív modellépítés (Excel Solver) Direkt futtatás Inverz futtatás Korreláció számítás, Hitelességi arányszámítás, Iránytartás Tér - Idő alábontások

9 Hibrid modell eredményei

10 Éven belüli, hasonlóság alapú, additív modell eredményei

11 Éven túli multiplikatív hasonlóságelemzés eredményei

12 Eredmények magyarázata
Korreláció Korreláció négyzet ( R2) Hitelesség Iránytartás

13 Eredmények I. Éven belüli előrejelzések

14 Eredmények II. Éven túli előrejelzések

15 Következtetések Pontosság és más problémák
Hibrid modell problémája Külső tényezők hatása Alapadat Hiányosság Pontosság Kezelési nehézség

16 Következtetések Végeredmény, Összegzés
Éven belüli Éven túli Éven belüli modellek használhatósága Éven túli modellek használhatósága Vizsgált modellek használhatósága Regressziós modellek Hasonlóságelemzések

17 Kitekintés Kombinatorikai lehetőségek
Éven belül: még legalább a napraforgó modellek multiplikatív modellek Éven túli modellek: minden növény előrejelzése Hozam VÁLTOZÁS előrejelzése Hibrid megközelítések: Éven belüli és túli inputok összevonása Multiplikatív és additív modellek összevonása… KONZISZTENCIA VIZSGÁLATOK

18 Köszönjük szépen a figyelmet!