دوره 1، شماره 1 - ( پاییز و زمستان 1404 )
جلد 1 شماره 1 صفحات 90-80 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Taslimi M. (2026). Factors Affecting the Acceptance of Agricultural Products Insurance in Sari City. Economy and Food Security. 1(1), 80-90. doi:10.61882/efs.2025.46
URL: http://efs.sanru.ac.ir/article-1-46-fa.html
URL: http://efs.sanru.ac.ir/article-1-46-fa.html
تسلیمی مهسا.(1404). عوامل مؤثر بر پذیرش بیمه محصولات کشاورزی شهرستان ساری اقتصاد و امنیت غذایی 1 (1) :90-80 10.61882/efs.2025.46
گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (1024 مشاهده)
چکیده مبسوط
مقدمه و هدف: بخش کشاورزی یکی از ارکان اساسی اقتصاد کشور به شمار میرود و نقشی تعیینکننده در تأمین امنیت غذایی، اشتغالزایی و پایداری معیشت روستایی ایفا میکند. در بسیاری از کشورهای در حال توسعه از جمله ایران، بیش از 80 درصد نیازهای غذایی جامعه از طریق فعالیتهای کشاورزی تأمین میشود که این امر ضرورت توجه ویژه به بهبود عملکرد، بهرهوری و پایداری این بخش را در سطوح محلی و ملی برجسته میسازد. با وجود این اهمیت راهبردی، فعالیتهای کشاورزی ذاتاً با طیف گستردهای از مخاطرات و عدم اطمینانها مواجه هستند. این مخاطرات شامل ریسکهای تولیدی ناشی از نوسانات اقلیمی، آفات و بیماریهای گیاهی، ریسکهای بازاری و قیمتی ناشی از تغییرات قیمت نهادهها و محصولات، ریسکهای مالی مرتبط با محدودیتهای اعتباری و نقدینگی، ریسکهای نهادی ناشی از بیثباتی یا ابهام در سیاستهای حمایتی دولت و در نهایت ریسکهای انسانی مرتبط با سلامت، مهارت و توان مدیریتی کشاورزان هستند. کشاورزان بهمنظور کاهش آثار این مخاطرات، از راهبردهای متنوعی نظیر تنوعبخشی به الگوی کشت، تولید محصولات دارای قیمت تضمینی، کشت توأم محصولات مکمل، انعطافپذیری در تأمین نهادهها و نگهداری ذخایر مالی برای شرایط بحرانی استفاده میکنند. در این میان، بیمه محصولات کشاورزی بهعنوان یکی از مهمترین ابزارهای رسمی مدیریت ریسک، نقش مؤثری در جبران خسارات، کاهش نوسانات درآمدی و افزایش تابآوری کشاورزان در برابر شوکهای نامطلوب ایفا میکند. با این حال، میزان پذیرش بیمه و سطح رضایت کشاورزان از خدمات بیمهای در مناطق مختلف یکسان نیست و تحت تأثیر ویژگیهای فردی، ساختار بهرهبرداری، شرایط مکانی و زمانی و کارایی نظام بیمهای قرار دارد. از این رو، شناسایی عوامل مؤثر بر رضایت و پذیرش بیمه محصولات کشاورزی میتواند نقش مهمی در بهبود طراحی و اجرای سیاستهای بیمهای داشته باشد. هدف اصلی این پژوهش، شناسایی و تحلیل عوامل مؤثر بر رضایت کشاورزان از خدمات بیمه محصولات کشاورزی با استفاده از رویکرد مدلسازی شبکه عصبی مصنوعی است.
مواد و روشها: این پژوهش بر پایه دادههای میدانی انجام شده است. دادهها از طریق تکمیل پرسشنامه در شهریورماه 1400 جمعآوری گردیدند. جامعه آماری شامل زارعان و باغداران شهرستان ساری بود که از میان آنها 200 نفر بهصورت تصادفی برای تکمیل پرسشنامه انتخاب شدند. پرسشنامه پژوهش بهگونهای طراحی شد که اطلاعات مربوط به ویژگیهای فردی و حرفهای کشاورزان، سابقه فعالیت کشاورزی، وضعیت استفاده از بیمه محصولات کشاورزی و نگرش آنان نسبت به خدمات بیمهای را پوشش دهد. برای سنجش پایایی ابزار پژوهش، از ضریب آلفای کرونباخ استفاده شد که مقدار آن برابر با 0/82 بهدست آمد و نشاندهنده پایایی مناسب پرسشنامه بود. گویههای پرسشنامه بر اساس طیف لیکرت نهدرجهای (از یک بهعنوان کمترین تا نه بهعنوان بیشترین مقدار) اندازهگیری شدند. بهمنظور تحلیل دادهها و شناسایی روابط میان متغیرها، از مدلسازی شبکه عصبی مصنوعی استفاده گردید. شبکههای عصبی مصنوعی بهدلیل توانایی بالا در مدلسازی روابط پیچیده و غیرخطی، پردازش موازی و قابلیت یادگیری و انطباق با شرایط جدید، ابزار مناسبی برای تحلیل رفتار تصمیمگیری کشاورزان در شرایط عدماطمینان محسوب میشوند. در این پژوهش، رضایت کشاورزان از خدمات بیمه محصولات کشاورزی بهعنوان متغیر وابسته در نظر گرفته شد و متغیرهای مستقل شامل اندازه مزرعه، تجربه فعالیت کشاورزی، وضعیت استفاده از بیمه محصولات کشاورزی در سه سال گذشته و تصمیم کشاورزان به استفاده از بیمه در سال آینده بودند. مدل شبکه عصبی آموزش داده شد و قدرت پیشبینی و اهمیت نسبی متغیرهای توضیحی مورد ارزیابی قرار گرفت.
یافتهها: نتایج توصیفی نشان دادند که میانگین تجربه فعالیت کشاورزان مورد بررسی حدود 23 سال بود که بیانگر برخورداری نمونه مورد مطالعه از تجربه نسبتاً بالای فعالیت کشاورزی است. بررسی وضعیت استفاده از بیمه محصولات کشاورزی در 3 سال گذشته نشان داد که 57 درصد از کشاورزان محصولات خود را تحت پوشش بیمه قرار دادند، در حالی که 43 درصد از آنها از بیمه استفاده نکردند. همچنین، نتایج مربوط به تصمیم کشاورزان برای استفاده از بیمه در سال آینده حاکی از آن بودند که 58 درصد از پاسخدهندگان قصد داشتند در سال آینده از بیمه محصولات کشاورزی استفاده کنند، در حالیکه 42 درصد تمایلی به این امر نداشتند. نتایج حاصل از مدلسازی شبکه عصبی مصنوعی نشان دادند که تمام متغیرهای مستقل مورد بررسی تأثیر معناداری بر رضایت کشاورزان از خدمات بیمه محصولات کشاورزی داشتند. بر اساس ضرایب اهمیت بهدستآمده، وضعیت استفاده از بیمه محصولات کشاورزی در 3 سال گذشته بیشترین تأثیر را بر رضایت کشاورزان داشت. این نتیجه نشان میدهد که تجربه قبلی کشاورزان از بیمه، نقش کلیدی را در شکلگیری نگرش و ارزیابی آنان از خدمات بیمهای ایفا میکند. پس از آن، اندازه مزرعه بهعنوان دومین عامل مؤثر شناسایی شد که بیانگر اهمیت مقیاس بهرهبرداری در ادراک مزایا و کارایی بیمه است. تجربه فعالیت کشاورزی در رتبه سوم قرار گرفت که میتواند ناشی از آگاهی بیشتر کشاورزان باتجربه نسبت به ابزارهای مدیریت ریسک باشد. در نهایت، تصمیم به استفاده از بیمه در سال آینده کمترین میزان تأثیر را بر رضایت کشاورزان نشان داد. همچنین، ضرایب اهمیت نرمالشده نشان دادند که وضعیت بیمه محصولات کشاورزی در 3 سال گذشته با 100 درصد بیشترین قدرت پیشبینی و تصمیم به استفاده از بیمه در سال آینده با 9/73 درصد کمترین قدرت پیشبینی رضایت کشاورزان از خدمات بیمه محصولات کشاورزی را دارا بودند.
نتیجهگیری: یافتههای این پژوهش نشان میدهد که رضایت کشاورزان از خدمات بیمه محصولات کشاورزی تحت تأثیر معنادار متغیرهای اندازه مزرعه، تجربه فعالیت کشاورزی، سابقه استفاده از بیمه در سالهای گذشته و تصمیم به استفاده از بیمه در آینده قرار دارد. نقش پررنگ سابقه بیمهای بیانگر آن است که بهبود کیفیت ارائه خدمات بیمهای، شفافیت در فرایند ارزیابی و پرداخت خسارت و افزایش اعتماد کشاورزان میتواند تأثیر قابل توجهی بر تداوم و گسترش پوشش بیمهای داشته باشد. بر این اساس، پیشنهاد میشود ساختار تعرفههای بیمه محصولات کشاورزی بهصورت منعطفتر و متناسب با ویژگیهای بهرهبرداری طراحی شود. بهویژه، در نظر گرفتن تخفیفها، بخشودگیها و تسهیلات پرداخت حق بیمه برای مزارع با اندازه بزرگتر میتواند به افزایش پذیرش بیمه کمک کند. همچنین، لحاظ کردن سابقه بیمهای کشاورزان در تعیین حق بیمه میتواند موجب افزایش عدالت و مقبولیت نظام بیمهای گردد. در نهایت، توسعه و بهکارگیری انواع نوین بیمه نظیر بیمه عملکرد و بیمه درآمدی میتواند نقش مؤثری در افزایش رضایت کشاورزان و تقویت جایگاه بیمه محصولات کشاورزی بهعنوان ابزاری کارآمد در مدیریت ریسک بخش کشاورزی ایفا نماید.
مقدمه و هدف: بخش کشاورزی یکی از ارکان اساسی اقتصاد کشور به شمار میرود و نقشی تعیینکننده در تأمین امنیت غذایی، اشتغالزایی و پایداری معیشت روستایی ایفا میکند. در بسیاری از کشورهای در حال توسعه از جمله ایران، بیش از 80 درصد نیازهای غذایی جامعه از طریق فعالیتهای کشاورزی تأمین میشود که این امر ضرورت توجه ویژه به بهبود عملکرد، بهرهوری و پایداری این بخش را در سطوح محلی و ملی برجسته میسازد. با وجود این اهمیت راهبردی، فعالیتهای کشاورزی ذاتاً با طیف گستردهای از مخاطرات و عدم اطمینانها مواجه هستند. این مخاطرات شامل ریسکهای تولیدی ناشی از نوسانات اقلیمی، آفات و بیماریهای گیاهی، ریسکهای بازاری و قیمتی ناشی از تغییرات قیمت نهادهها و محصولات، ریسکهای مالی مرتبط با محدودیتهای اعتباری و نقدینگی، ریسکهای نهادی ناشی از بیثباتی یا ابهام در سیاستهای حمایتی دولت و در نهایت ریسکهای انسانی مرتبط با سلامت، مهارت و توان مدیریتی کشاورزان هستند. کشاورزان بهمنظور کاهش آثار این مخاطرات، از راهبردهای متنوعی نظیر تنوعبخشی به الگوی کشت، تولید محصولات دارای قیمت تضمینی، کشت توأم محصولات مکمل، انعطافپذیری در تأمین نهادهها و نگهداری ذخایر مالی برای شرایط بحرانی استفاده میکنند. در این میان، بیمه محصولات کشاورزی بهعنوان یکی از مهمترین ابزارهای رسمی مدیریت ریسک، نقش مؤثری در جبران خسارات، کاهش نوسانات درآمدی و افزایش تابآوری کشاورزان در برابر شوکهای نامطلوب ایفا میکند. با این حال، میزان پذیرش بیمه و سطح رضایت کشاورزان از خدمات بیمهای در مناطق مختلف یکسان نیست و تحت تأثیر ویژگیهای فردی، ساختار بهرهبرداری، شرایط مکانی و زمانی و کارایی نظام بیمهای قرار دارد. از این رو، شناسایی عوامل مؤثر بر رضایت و پذیرش بیمه محصولات کشاورزی میتواند نقش مهمی در بهبود طراحی و اجرای سیاستهای بیمهای داشته باشد. هدف اصلی این پژوهش، شناسایی و تحلیل عوامل مؤثر بر رضایت کشاورزان از خدمات بیمه محصولات کشاورزی با استفاده از رویکرد مدلسازی شبکه عصبی مصنوعی است.
مواد و روشها: این پژوهش بر پایه دادههای میدانی انجام شده است. دادهها از طریق تکمیل پرسشنامه در شهریورماه 1400 جمعآوری گردیدند. جامعه آماری شامل زارعان و باغداران شهرستان ساری بود که از میان آنها 200 نفر بهصورت تصادفی برای تکمیل پرسشنامه انتخاب شدند. پرسشنامه پژوهش بهگونهای طراحی شد که اطلاعات مربوط به ویژگیهای فردی و حرفهای کشاورزان، سابقه فعالیت کشاورزی، وضعیت استفاده از بیمه محصولات کشاورزی و نگرش آنان نسبت به خدمات بیمهای را پوشش دهد. برای سنجش پایایی ابزار پژوهش، از ضریب آلفای کرونباخ استفاده شد که مقدار آن برابر با 0/82 بهدست آمد و نشاندهنده پایایی مناسب پرسشنامه بود. گویههای پرسشنامه بر اساس طیف لیکرت نهدرجهای (از یک بهعنوان کمترین تا نه بهعنوان بیشترین مقدار) اندازهگیری شدند. بهمنظور تحلیل دادهها و شناسایی روابط میان متغیرها، از مدلسازی شبکه عصبی مصنوعی استفاده گردید. شبکههای عصبی مصنوعی بهدلیل توانایی بالا در مدلسازی روابط پیچیده و غیرخطی، پردازش موازی و قابلیت یادگیری و انطباق با شرایط جدید، ابزار مناسبی برای تحلیل رفتار تصمیمگیری کشاورزان در شرایط عدماطمینان محسوب میشوند. در این پژوهش، رضایت کشاورزان از خدمات بیمه محصولات کشاورزی بهعنوان متغیر وابسته در نظر گرفته شد و متغیرهای مستقل شامل اندازه مزرعه، تجربه فعالیت کشاورزی، وضعیت استفاده از بیمه محصولات کشاورزی در سه سال گذشته و تصمیم کشاورزان به استفاده از بیمه در سال آینده بودند. مدل شبکه عصبی آموزش داده شد و قدرت پیشبینی و اهمیت نسبی متغیرهای توضیحی مورد ارزیابی قرار گرفت.
یافتهها: نتایج توصیفی نشان دادند که میانگین تجربه فعالیت کشاورزان مورد بررسی حدود 23 سال بود که بیانگر برخورداری نمونه مورد مطالعه از تجربه نسبتاً بالای فعالیت کشاورزی است. بررسی وضعیت استفاده از بیمه محصولات کشاورزی در 3 سال گذشته نشان داد که 57 درصد از کشاورزان محصولات خود را تحت پوشش بیمه قرار دادند، در حالی که 43 درصد از آنها از بیمه استفاده نکردند. همچنین، نتایج مربوط به تصمیم کشاورزان برای استفاده از بیمه در سال آینده حاکی از آن بودند که 58 درصد از پاسخدهندگان قصد داشتند در سال آینده از بیمه محصولات کشاورزی استفاده کنند، در حالیکه 42 درصد تمایلی به این امر نداشتند. نتایج حاصل از مدلسازی شبکه عصبی مصنوعی نشان دادند که تمام متغیرهای مستقل مورد بررسی تأثیر معناداری بر رضایت کشاورزان از خدمات بیمه محصولات کشاورزی داشتند. بر اساس ضرایب اهمیت بهدستآمده، وضعیت استفاده از بیمه محصولات کشاورزی در 3 سال گذشته بیشترین تأثیر را بر رضایت کشاورزان داشت. این نتیجه نشان میدهد که تجربه قبلی کشاورزان از بیمه، نقش کلیدی را در شکلگیری نگرش و ارزیابی آنان از خدمات بیمهای ایفا میکند. پس از آن، اندازه مزرعه بهعنوان دومین عامل مؤثر شناسایی شد که بیانگر اهمیت مقیاس بهرهبرداری در ادراک مزایا و کارایی بیمه است. تجربه فعالیت کشاورزی در رتبه سوم قرار گرفت که میتواند ناشی از آگاهی بیشتر کشاورزان باتجربه نسبت به ابزارهای مدیریت ریسک باشد. در نهایت، تصمیم به استفاده از بیمه در سال آینده کمترین میزان تأثیر را بر رضایت کشاورزان نشان داد. همچنین، ضرایب اهمیت نرمالشده نشان دادند که وضعیت بیمه محصولات کشاورزی در 3 سال گذشته با 100 درصد بیشترین قدرت پیشبینی و تصمیم به استفاده از بیمه در سال آینده با 9/73 درصد کمترین قدرت پیشبینی رضایت کشاورزان از خدمات بیمه محصولات کشاورزی را دارا بودند.
نتیجهگیری: یافتههای این پژوهش نشان میدهد که رضایت کشاورزان از خدمات بیمه محصولات کشاورزی تحت تأثیر معنادار متغیرهای اندازه مزرعه، تجربه فعالیت کشاورزی، سابقه استفاده از بیمه در سالهای گذشته و تصمیم به استفاده از بیمه در آینده قرار دارد. نقش پررنگ سابقه بیمهای بیانگر آن است که بهبود کیفیت ارائه خدمات بیمهای، شفافیت در فرایند ارزیابی و پرداخت خسارت و افزایش اعتماد کشاورزان میتواند تأثیر قابل توجهی بر تداوم و گسترش پوشش بیمهای داشته باشد. بر این اساس، پیشنهاد میشود ساختار تعرفههای بیمه محصولات کشاورزی بهصورت منعطفتر و متناسب با ویژگیهای بهرهبرداری طراحی شود. بهویژه، در نظر گرفتن تخفیفها، بخشودگیها و تسهیلات پرداخت حق بیمه برای مزارع با اندازه بزرگتر میتواند به افزایش پذیرش بیمه کمک کند. همچنین، لحاظ کردن سابقه بیمهای کشاورزان در تعیین حق بیمه میتواند موجب افزایش عدالت و مقبولیت نظام بیمهای گردد. در نهایت، توسعه و بهکارگیری انواع نوین بیمه نظیر بیمه عملکرد و بیمه درآمدی میتواند نقش مؤثری در افزایش رضایت کشاورزان و تقویت جایگاه بیمه محصولات کشاورزی بهعنوان ابزاری کارآمد در مدیریت ریسک بخش کشاورزی ایفا نماید.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مدیریت ریسک بازار و تولید محصولات کشاورزی و منابع طبیعی
دریافت: 1405/5/21 | پذیرش: 1404/8/24
دریافت: 1405/5/21 | پذیرش: 1404/8/24
فهرست منابع
1. Ahsan, S. M., Ali, A. A. G., & Kurian, N. J. (1982). Toward a theory of agricultural insurance. American Journal of Agricultural Economics, 64(3), 510-529. [DOI:10.2307/1240644]
2. Amrikochomi, S., Choobchian, S., & Sadighi, H. (2017). Analysis of factors affecting the development of horticulture products insurance in the south Kerman province. Rural Development Strategies, 4(4), 515-534 doi:10.22048/rdsj.2018.63147.1587 [In Persian]
3. Anderson, J. R., & Dillon, J. L. (1992). Risk analysis in dryland farming systems. Food & Agriculture Org.
4. Anwar, K., & Deshmukh, S. (2018). Assessment and mapping of solar energy potential using artificial neural network and GIS technology in the southern part of India. International Journal of Renewable Energy Research (IJRER), 8(2), 974-985.
5. Asadi, H. (2014). Citrus marketing in Mazandaran province. 163.
6. Badde, D. S., Gupta, A. K., & Patki, V. K. (2013). Cascade and feed forward back propagation artificial neural network models for prediction of compressive strength of ready mix concrete. IOSR Journal of Mechanical and Civil Engineering, 3(1), 1-6.
7. Bielza, M., Garrido, A., & Sumpsi, J. M. (2004). Revenue insurance as an income stabilization policy: An application to the Spanish olive oil sector. Cahiers d'Economie et de Sociologie Rurales, 70, 5-27. [DOI:10.3406/reae.2004.932]
8. Budhathoki, N. K., Lassa, J. A., Pun, S., & Zander, K. K. (2019). Farmers' interest and willingness-to-pay for index-based crop insurance in the lowlands of Nepal. Land Use Policy, 85, 1-10. [DOI:10.1016/j.landusepol.2019.03.029]
9. Chiu, M., & Lin, G. (2004). Collaborative supply chain planning using the artificial neural network approach. Journal of Manufacturing Technology Management, 15(8), 787-796. [DOI:10.1108/17410380410565375]
10. Dehghani, A. A., Piri, M., Hesam, M., & Dehghani, N. (2010). Estimation of daily pan evaporation by using MLP, RBf and recuurent neural networks. Water and Soil Conservation Research (Agricultural Sciences and Natural Resources), 17(2), 49-67. [In Persian]
11. Ainullahi Ahmadabadi, M. (2008). Effective factors on wheat producers insurance acceptance in Zanjan province (Case study: Khodabandeh). Journal of Agricultural Economics and Development,16(3), 51-70. doi:10.30490/AEAD.2008.58863. [In Persian]
12. Farzin, M., Torkamani, J., & Mousavi, S. N. (2012). The role of income insurance on Darab cotton tiller's risk management. Agricultural Economics Research, 4(15), 143-167. [In Persian]
13. GolMohammadi, A., & Jahandideh, B. (2010). Prioritizing service quality dimensions: A neural network approach. World Academy of Science, Engineering and Technology, International Journal of Social, Behavioral, Educational, Economic, Business and Industrial Engineering, 4, 1479-1483.
14. Hardaker, J. B., Lien, G., Anderson, J. R., & Huirne, R. B. (2015). Coping with Risk in Agriculture: Applied Decision Analysis: Cabi. [DOI:10.1079/9781780645742.0000]
15. Harwood, J. L. (1999). Managing risk in farming: Concepts, Research, and Analysis: US Department of Agriculture, ERS.
16. Hazell, P. B. R. (1990). The proper functioning of agricultural insurance in developing countries. Agricultural Insurance in Asia (APO), Mohsen, H. translation. Agricultural Economic, Planning and Research Development Center, 47-67.
17. Jani, D. B., Mishra, M., & Sahoo, P. K. (2017). Application of artificial neural network for predicting performance of solid desiccant cooling systems-A review. Renewable and Sustainable Energy Reviews, 80, 352-366. [DOI:10.1016/j.rser.2017.05.169]
18. Kalogirou, S. A. (2001). Artificial neural networks in renewable energy systems applications: A review. Renewable and Sustainable Energy Reviews, 5(4), 373-401. [DOI:10.1016/S1364-0321(01)00006-5]
19. KianiRad, A., & Yazdani, S. (2003). Risk management and insurance of agricultural products: Experiences and subjects. Paper presented at the the 4th Iranian Agricultural Economics Conference, Karaj.
20. Meuwissen, M. P. (2000). Insurance as a Risk Management Tool for European Agriculture. Wageningen University and Research.
21. Naderi, K., Yaghoubi Farani, A., Saadi, H., & Zoleikhaei Sayar, L. (2014). Factors affecting the development of wheat farming insurance in Hamedan County. Iranian Journal of Agricultural Economics and Development Research, 45(3), 425-437 doi:10.22059/ijaedr.2014.53161. [In Persian]
22. Norušis, M. (2009). Neural networks in SPSS. Kian University Press.
23. Nurmet, M., Lemsalu, K., & Põder, A. (2016). Agricultural insurance in estonia-current situation and farmers' willingness to use crop insurance. Science and Studies of Accounting and Finance: Problems and Perspectives, 10(1), 122-128. doi:10.15544/ssaf.2016.12. [DOI:10.15544/ssaf.2016.12]
24. Oguz, C., & Diyanah, S. M. (2021). The analysis of factors affecting farmers to take out agricultural insurance: A case study of Altinekin district, Konya Province of Turkey. European Countryside, 13(4), 806-818. [DOI:10.2478/euco-2021-0043]
25. Payandeh, A. T. (2020). Designing a cooperative model of agricultural micro-insurance for rural areas of Iran; Case study: Livestock micro-insurance. Co-Operation and Agriculture, 9(34), 63-91. [In Persian]
26. Prastiwi, W. D., Dalmiyatun, T., & Roessali, W. (2023). Farmers' Preference of Agricultural Insurance Product's Attributes in Pati Regency. doi.org/10.1063/5.0106702 [DOI:10.1063/5.0106702]
27. Rao, C. P., & Ali, J. (2002). Neural network model for database marketing in the new global economy. Marketing Intelligence & Planning, 20(1), 35-43. [DOI:10.1108/02634500210414756]
28. Şahin, M. (2019). Determining optimum tilt angles of photovoltaic panels by using artificial neural networks in turkey. Tehnički vjesnik, 26(3), 596-602. [DOI:10.17559/TV-20160702220418]
29. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117. [DOI:10.1016/j.neunet.2014.09.003]
30. Shahnoushi, N., Fakari, B., & Kojouri, M. (2012). Analysing corn price fluctuations and cycles using GARCH model and harmonic pattern. Agricultural Economics, 6(2), 63-81.
31. Shajari, S. (2012). Investigating Shahani date marketing and export issues: A case study of Fars province. Quarterly Journal of Agricultural Economics and Development, 39(10), 141-167. [In Persian]
32. Shokati, H., & Kaffash Charandabi, N. (2021). Evaluation and comparison of FFB, CFB, and MLP artificial neural networks for the identification of potential sites for the construction of photovoltaic solar power plants in east Azarbaijan province. Geography and Environmental Planning, 31(4), 71-94 doi:10.22108/gep.2021.125007.1356. [In Persian]
33. Sinaei, H. A., & Teymouriasel, M. (2005). Prediction of Tehran Stock Exchange Index Using Neural Networks. Accounting and Auditing Reviews, (41), 59-84. [In Persian]
34. Skees, J. R., Black, J. R., & Barnett, B. J. (1997). Designing and rating an area yield crop insurance contract. American Journal of Agricultural Economics, 79(2), 430-438. [DOI:10.2307/1244141]
35. Torabi, S., Dourandish, A., Daneshvar Kakhki, M., KianiRad, A., & Mohammadi, H. (2018). The computation of weather-based index insurance premium and indemnity function for apple in damavand county: The application of different types of elliptical and archimedean copulas. Iranian Journal of Agricultural Economics and Development Research, 49(1), 41-23. doi:10.22059/ijaedr.2018.235412.668447. [In Persian]
36. Torkamani, J. (2006). Measuring and incorporating farmers' personal beliefs and preferences about uncertain events in decision analysis: A stochastic programming experiment. Indian Journal of Agricultural Economics, 61(2), 1-15.
37. Torkamani, J., & Jamali Moghadam, E. (2006). Effects of government expenditure on poverty reduction in rural areas of Iran. Iranian Journal of Economic Research, 7(25), 153-174. [In Persian]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
