Economy and Food Security

fa اندازه ‌گیری کارآیی‌ ها‌ی فنی، تخصیصی و اقتصادی‌ استان‌ های تولید کننده گندم آبی به ‎روش ناپارامتری Measuring the Technical, Allocative, and Economic Efficiency of Irrigated Wheat-Producing Provinces by a Non-Parametric Method مدیریت ریسک بازار و تولید محصولات کشاورزی و منابع طبیعی پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: کارایی عامل بسیار مهمی در رشد بهره‌وری عوامل تولید کشورها به&lrm; خصوص برای کشورهای در حال توسعه به &lrm;شمار می‌رود. این کشورها از یک&lrm; طرف با کمبود منابع و فرصت&lrm; های محدود جهت توسعه و پذیرش تکنولوژی بهتر مواجه هستند و از طرف دیگر از تکنولوژی&rlm; های موجود هم به &lrm;طور کارا استفاده نمی‌کنند. با توجه به شناخت امکانات و محدودیت&lrm; های موجود در بخش کشاورزی اقتصاد ایران، شاید بتوان گفت که مناسب‌ترین راه&lrm; حل و راهکار برای افزایش تولید و درآمد کشاورزان، به&lrm; کارگیری درست و مطلوب عوامل تولید موجود، بهبود کارایی فنی، یا به &lrm;دست &lrm;آوردن حداکثر تولید از مجموعه ثابتی از عوامل تولید است. بنابراین، کارآمدترین و موثرترین روش دستیابی به رشد و شکوفایی اقتصادی در بخش کشاورزی، افزایش کارایی واحدهای کشاورزی است که پیش &lrm;نیاز آن بررسی کارآیی این واحدها است. این مطالعه با هدف اندازه &lrm;گیری کارایی&rlm; های فنی، تخصیصی و اقتصادی تولیدکنندگان گندم آبی در استان &lrm;های منتخب کشور انجام شد. مواد و روش&lrm;ها: برای ارزیابی عملکرد و اندازه &lrm;گیری کارایی واحدهای تصمیم &lrm;گیری روش &lrm;های مختلفی وجود دارند که به دو گروه روش پارامتری مانند روش تحلیل تصادفی مرزی (SFA) و غیرپارامتری مانند روش تحلیل پوششی داده‌ها (DEA) تقسیم می &lrm;شوند. در این مطالعه، کارایی&lrm; های اقتصادی، تخصیصی و فنی استان &lrm;های تولیدکننده گندم آبی با استفاده از روش تحلیل پوششی داده مورد محاسبه قرار گرفت. اطلاعات مورد نیاز این پژوهش در زمینه‌ی میزان مصرف و قیمت نهاده‌های کود شیمیایی، سم، بذر، نیروی‌کار، ماشین‌آلات و سطح زیر کشت و مقدار تولید گندم آبی، به&lrm; صورت کتابخانه &lrm;ای و از بانک هزینه تولید و بانک اطلاعات زراعت وزارت جهاد کشاورزی در سال 2019 به &lrm;دست &lrm;آمد. برای اندازه&rlm; گیری کارایی از روش تحلیل پوششی داده &lrm;ها با رویکرد نهاده &lrm;گرا استفاده شد. روش تحلیل پوششی داده‌ها (DEA) یک روش برنامه‌ریزی خطی است که برای اندازه‌گیری کارایی نسبی واحدهای تصمیم‌گیرنده (DMU) با وجود چندین ورودی و خروجی به &lrm;کار می‌رود. این روش به &lrm;طور گسترده برای ارزیابی کارایی در بخش‌های مختلف اقتصادی از جمله کشاورزی استفاده می‌شود. در این مطالعه، هر استان به&lrm; عنوان یک واحد تصمیم‌گیرنده در نظر گرفته شد. ورودی‌های مدل شامل سطح زیر کشت (هکتار)، مقدار کود شیمیایی (کیلوگرم)، مقدار سم (لیتر)، مقدار بذر (کیلوگرم)، ساعات استفاده از ماشین‌آلات (ساعت)، تعداد نیروی کار (نفر-روز) و خروجی مدل مقدار تولید گندم آبی (کیلوگرم) هستند. مدل DEA با فرض بازده ثابت نسبت به مقیاس (CRS) و بازده متغیر نسبت به مقیاس (VRS) اجرا شد. مدل CRS فرض می‌کند که افزایش در ورودی‌ها منجر به افزایش متناسب در خروجی‌ها می‌شود، در حالی&lrm; که مدل VRS این فرض را ندارد و اجازه می‌دهد که بازده نسبت به مقیاس متغیر باشد. یافته &rlm;ها: از بین ۳۰ استان کشور، کمترین کارایی فنی با 72/5 درصد به استان خراسان رضوی و بیشترین میزان کارایی فنی با 100 درصد به استان‌های خوزستان، گلستان، کرمانشاه، آذربایجان شرقی، همدان، ایلام، تهران، کردستان، مازندران، کهگیلویه و بویراحمد، خراسان جنوبی، هرمزگان، بوشهر، البرز، یزد و قم تعلق داشتند. هم‌چنین، میانگین کارایی فنی استان‌های تولیدکننده گندم آبی در حالت بازده متغیر نسبت به مقیاس برابر 94/3 درصد بود. علاوه &lrm;بر این، از بین ۳۰ استان کشور، کمترین کارایی تخصیصی با 54/5 درصد به استان سیستان و بلوچستان و بیشترین میزان کارایی تخصیصی با 100 درصد به استان‌های خوزستان، گلستان، تهران و قم تعلق داشتند. میانگین کارایی تخصیصی استان‌های تولیدکننده گندم آبی در حالت بازده متغیر نسبت به مقیاس برابر با 81/8 درصد بود. کمترین کارایی اقتصادی با 47/7 درصد به استان سیستان و بلوچستان و بیشترین میزان کارایی اقتصادی با 100 درصد به استان‌های خوزستان، گلستان،‌ تهران و قم تعلق داشتند. میانگین کارایی اقتصادی استان‌های تولیدکننده گندم آبی در حالت بازده متغیر نسبت به مقیاس برابر با 77/3 درصد بود. ملاحظه می‌شود که در مصرف نهاده‌ی ماشین‌آلات و نیروی‌کار به &lrm;ترتیب بالاترین میزان ناکارایی با 22/23 و 14 درصد وجود دارد و کمترین ناکارآیی به &lrm;ترتیب مربوط به زمین، بذر، کود شیمیایی و سم به &lrm;ترتیب با مقادیر 0/59، 1/59، 2/63، 2/88 درصد است. نتیجه&lrm; گیری: از بین 30 استان تولیدکننده گندم آبی، استان‌های خوزستان، گلستان، تهران و قم به‌طور همزمان دارای بیشترین میزان کارایی فنی، تخصیصی و اقتصادی به&lrm; میزان 100 درصد و کمترین کارایی فنی مربوط به استان خراسان رضوی به &lrm;میزان 72/5 درصد و کمترین کارایی تخصیصی و اقتصادی مربوط به استان سیستان و بلوچستان به &lrm;میزان 54/5 و 47/7 درصد هستند. با توجه به اختلاف میان بهترین و بدترین تولیدکننده &lrm;ها، توصیه می‌شود که زمینه‌ای برای ارتباط استان‌های موفق برای انتقال تجربیات و روش‌های مورد استفاده‌ی آن‌ها به سایرین فراهم شود. بررسی‌ها حاکی از آن هستند که به &lrm;منظور تولید گندم آبی در شرایط VRS، کمترین مقادیر میانگین مصرف مطلوب نهاده‌های زمین، ماشین&lrm;آلات، بذر، کود، سم و نیروی‌کار به&lrm;ترتیب با 6637 هکتار به استان قم، با 03/0 ساعت به استان تهران، با 194/31 کیلوگرم به استان گلستان، با 327/99 کیلوگرم به استان گلستان، با 1/47 لیتر به استان خوزستان و با 5/22 نفر ساعت به استان گلستان تعلق دارند. با توجه به نتایج به&lrm; دست &lrm;آمده، پیشنهاد می‌شود که مراکز ترویج و خدمات کشاورزی به برگزاری کلاس &lrm;های آموزشی و ترویجی جهت آموزش در مصرف بهینه‌ی نهاده‌ها به &lrm;ویژه کود شیمیایی و سموم دفع آفات اقدام نمایند. برنامه‌های یکپارچه سازی اراضی برای هر منطقه به &lrm;صورت جدی پیگیری شود تا ضمن صرفه &lrm;جویی در مصرف نهاده‌هایی مانند نیروی کار و ماشین آلات و نیز کاهش هزینه‌ها، بتوان از تکنولوژی نوین در سطح اراضی وسیع استفاده نمود. پیشنهاد می&lrm; شود که از تحقیقات کاربردی در زمینه‌ی بهبود مدیریت مصرف نهاده‌ها در تولید گندم آبی با توجه به شرایط اقلیمی و اجتماعی-اقتصادی هر منطقه حمایت شود. این امر می‌تواند از طریق تخصیص بودجه‌های پژوهشی و ایجاد انگیزه برای محققان صورت گیرد. </div> <div style="text-align: justify;">Extended Abstract Background: Efficiency is a crucial factor in enhancing the productivity of production factors, particularly for developing countries. These countries face challenges of limited resources and opportunities for development and the adoption of better technology. Generally, considering the recognition of capabilities and limitations in the agricultural sector of Iran's economy, it can be argued that the most suitable solution for increasing production and income of farmers is the proper utilization of existing production factors, improving technical efficiency, or achieving maximum output from a fixed set of production factors. Therefore, the most essential prerequisite for achieving economic growth and prosperity in the agricultural sector is the assessment of the efficiency of agricultural units. This study aims to measure the technical, allocative, and economic efficiencies of wheat producers in selected provinces of the country. Methods: Various methods are available for evaluating performance and measuring the efficiency of decision-making units, which are generally classified into two groups: parametric approaches, such as Stochastic Frontier Analysis (SFA), and non-parametric approaches, such as Data Envelopment Analysis (DEA). In this study, the economic, allocative, and technical efficiencies of irrigated wheat-producing provinces are estimated using the DEA method. The required data for this research, including the consumption level and prices of chemical fertilizers, pesticides, seeds, labor, machinery, cultivated area, and wheat production, were obtained from the Ministry of Agriculture Jihad's agricultural cost bank and the agricultural information bank for the year 2019. Data envelopment analysis (DEA) with an input-oriented approach was used to measure efficiency. DEA is a linear programming method used to measure the relative efficiency of decision-making units (DMUs) with multiple inputs and outputs. This method is widely used to evaluate efficiency in various economic sectors, including agriculture. In this study, each province is considered a DMU. The inputs of the model include the cultivated area (hectares), the amount of chemical fertilizers (kg), the amount of poison (liters), the amount of seeds (kg), the hours of using machinery (hours), the number of workers (man-day), and the output of the model are the amount of irrigated wheat production (kg). The DEA model was implemented with the assumption of constant return to scale (CRS) and variable return to scale (VRS). The CRS model assumes that an increase in inputs leads to a proportional increase in outputs, while the VRS model does not and allows returns to scale to vary. Results: Among 30 provinces of the country, the lowest technical efficiency (72.5%) was in Khorasan Razavi Province, while the highest technical efficiency (100%) was recorded in provinces such as Khuzestan, Golestan, Kermanshah, East Azerbaijan, Hamadan, Ilam, Tehran, Kurdistan, Mazandaran, Kohgiluyeh and Boyer-Ahmad, South Khorasan, Hormozgan, Bushehr, Alborz, Yazd, and Qom. Moreover, the average technical efficiency of wheat-producing provinces was 94.3% in variable VRS conditions. Among 30 provinces, the lowest allocative efficiency was 54.5% in Sistan and Baluchestan Province, while the highest allocative efficiency (100%) was observed in provinces such as Khuzestan, Golestan, Tehran, and Qom. The average allocative efficiency of wheat-producing provinces was 81.8% in VRS conditions. The lowest economic efficiency (47.7%) was in Sistan and Baluchestan Province, while the highest economic efficiency (100%) was found in provinces such as Khuzestan, Golestan, Tehran, and Qom. The average economic efficiency of wheat-producing provinces was 77.3% in variable returns to scale (VRS) conditions. The highest levels of inefficiency were associated with the use of machinery and labor inputs, amounting to 23.22% and 14%, respectively. In contrast, the lowest inefficiencies belonged to land, seed, chemical fertilizer, and pesticide inputs, with values of 0.59%, 1.59%, 2.63%, and 2.88%, respectively. Conclusion: Among 30 wheat-producing provinces, Khuzestan, Golestan, Tehran, and Qom simultaneously had the highest technical, allocative, and economic efficiencies (100%), while Khorasan Razavi Province had the lowest technical efficiency (72.5%), and Sistan and Baluchestan Province had the lowest allocative and economic efficiencies (54.5% and 47.7%, respectively). Considering the difference between the best and worst producers, it is recommended to provide a platform for successful provinces to share their experiences and methods with others. The results suggest that extension and agricultural service centers should organize educational and promotional classes to optimize the use of inputs, especially chemical fertilizers and pesticides. Land consolidation programs should be seriously pursued in each region to not only save on inputs, such as labor and machinery, but also reduce costs and utilize modern technology over large land areas. It is suggested to support applied research in the field of improving the management of input consumption in the production of irrigated wheat according to the climatic and socioeconomic conditions of each region. This can be done by allocating research funds and motivating researchers.  </div> ایران, تحلیل پوششی داده‌ها, گندم آبی, مصرف بهینه نهاده‌ها Data Envelopment Analysis (DEA), Irrigated wheat, Iran, Optimum use of inputs 118 128 http://efs.sanru.ac.ir/browse.php?a_code=A-10-30-1&slc_lang=fa&sid=1 Shahrbanoo Sadat Mirdeilami شهربانو سادات میردیلمی m.deilam@yahoo.com 10031947532846001004 10031947532846001004 No Department of Agricultural Economics, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران Ramtin Joolaie رامتین جولایی joolaie@gau.ac.ir 10031947532846001005 10031947532846001005 Yes Department of Agricultural Economics, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران Afshin Soltani افشین سلطانی afshin.soltani@gau.ac.ir 10031947532846001006 10031947532846001006 No Department of Agronomy, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran گروه زراعت، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران Azam Rezaee اعظم رضایی arezaee@gau.ac.ir 10031947532846001007 10031947532846001007 No Department of Agricultural Economics, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران