Polno besedilo - Univerza v Mariboru

Transcription

UNIVERZA V MARIBORU
FAKULTETA ZA KMETIJSTVO IN BIOSISTEMSKE VEDE
Jožef VINČEC
UPORABA METOD MATEMATIČNEGA
PROGRAMIRANJA ZA DOLOČITEV OPTIMALNE
STRUKTURE KOLOBARJA
MAGISTRSKO DELO
Maribor, 2012
UNIVERZA V MARIBORU
FAKULTETA ZA KMETIJSTVO IN BIOSISTEMSKE VEDE
AGRARNA EKONOMIKA
Jožef VINČEC
UPORABA METOD MATEMATIČNEGA
PROGRAMIRANJA ZA DOLOČITEV OPTIMALNE
STRUKTURE KOLOBARJA
MAGISTRSKO DELO
APPLICATION OF MATHEMATICAL PROGRAMMING
METHODS TO DETERMINE AN OPTIMAL CROPPING
PLAN
MASTER THESIS
Maribor, 2012
POPRAVKI:
Vinčec J. Uporaba metod matematičnega programiranja za določitev optimalne strukture kolobarja.
Mag. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2012
Magistrsko delo je bilo opravljeno v okviru podiplomskega študija Agrarna ekonomika na
Fakulteti za kmetijstvo in biosistemske vede Univerze v Mariboru.
Komisija za študijske zadeve Fakultete za kmetijstvo in biosistemske vede je na svoji seji
dne 13. 6. 2012 za mentorja magistrskega dela imenovala izr. prof. dr. Karmen Pažek.
Komisijo za zagovor in oceno diplomskega dela sestavljajo:
Predsednik: red. prof. dr. Jernej TURK
Mentor: izr. prof. dr. Karmen PAŽEK
Član: izr. prof. dr. Črtomir ROZMAN
Lektorica: Mija Jandrlić, univ. dipl. spl. jez.
Magistrsko delo je rezultat lastnega raziskovalnega dela.
Datum zagovora: 9. 7. 2012
Jožef VINČEC
III
Uporaba metod matematičnega programiranja za določitev optimalne strukture
kolobarja
UDK: 519.85:004.414.23:631.582(043)=863
Glavni cilj magistrskega dela je določitev optimalne strukture kolobarja pod določenimi pogoji za modelno
zelenjadarsko kmetijo. V ta namen so bila razvita 3 glavna podporna orodja, ki obsegajo naslednje delovne
faze: 1. faza obsega razvoj tehnološko-ekonomsko simulacijskega modela 'Pr.KALK', s katerim se tehnološki
podatki o posamezni pridelavi prenesejo v numerološko obliko, ki definira upravičenost pridelave. Izbrani
podatki posamezne pridelave so nato preneseni v 2. fazo, za katero je zgrajen model 'Pr.OPTI'. Ta je
namenjen določitvi optimalne strukture kolobarja. Sestava kolobarja se nato prenese v 3. fazo, kjer s pomočjo
orodja 'Pr.GANTT' na pregleden način upravljamo s planiranjem proizvodnje na kmetiji. V raziskavi sta
predpostavljena 2 scenarija, po katerih se določa omejitev stroškov ročnega in strojnega dela ter strošek
gnojenja. V prvem scenariju se omejitve postavijo 'ročno'. V drugem scenariju pa so omejitve določene s
pomočjo metode linearnega programiranja, kjer so stroški predmet minimiranja in nato preneseni v model
tehtanega ciljnega programiranja, nadgrajenega s kazensko funkcijo kot omejitvijo. Primerjava obeh
postopkov nam kaže, da dobljeni rezultati s pomočjo metodologije po 2. scenariju v treh primerih od štirih
generiranih v primerjavi s 1. scenarijem dosegajo višji finančni rezultat, kateri je opredeljen kot glavni cilj v
modelnem orodju. Gantogramska tehnika je vpeljana v metodologijo načrtovanja kolobarja, kjer na pregleden
način prikažemo tako celotni kolobar, kakor tudi časovne dogodke.
Ključne besede: simulacijski modeli / matematično programiranje / ciljno programiranje /
gantogram / kolobar
OP: XII, 80 s., 75 pregl., 6 slik, 51 ref.
IV
Application of mathematical programming methods to determine an optimal
cropping plan
The main goal of the master's thesis is to determine an optimal cropping plan for a model vegetable farm. For
this purpose, three main support tools were developed including the following operations: the first stage is
the development of a technological and economic simulation model 'Pr.KALK' with which individual pieces
of technological data relating to the individual production are transferred into the numerological form, thus
justifying the production. The selected pieces of data of each production are then transferred to the second
phase for which the model 'Pr.OPTI' was developed with a view to determining an optimal cropping plan.
The structure of the cropping plan is transferred to the third phase of the thesis where, with the assistance of
the 'Pr.GANTT' model, we transparently manage the planning of the production on the farm. The research
presents two possible scenarios to limit the costs of manual and mechanical labor and fertilizer costs. In the
first scenario, the limit is set 'by hand'. In the second scenario, however, the limits are determined by the
method of linear programming, where the costs are subject to minimization, and then transferred to the
weighted goal programming model with penalty function as a restriction. The comparison of the two
procedures shows that the results obtained using the methodology from the second scenario in three out of
four generated cases compared to the first scenario achieve a higher financial result, which has been defined
as the main goal. Gantogramic technique is introduced into the methodology of the designing process of the
cropping plan where the whole cropping plans as well as temporal events are shown in a transparent way.
NO: XII, 80 P., 75 Tab., 6 Pic., 51 Ref.
Keywords: simulation models / mathematical programming / goal programming / Gantt
chart / crop rotation
V
VI
KAZALO
IZVLEČEK………………………………………………………………………….
IV
ABSTRACT…………………………………………………………………………
V
KAZALO VSEBINE………………………………………………………………..
VII
KAZALO PREGLEDNIC…………………………………………………………..
X
KAZALO SLIK……………………………………………………………………..
XII
Kazalo vsebine
1
UVOD ........................................................................................................................ 1
1.1
Opredelitev problema ........................................................................................... 1
1.2
Namen in cilji ........................................................................................................ 2
1.3
Delovne hipoteze ................................................................................................... 2
2
PREGLED OBJAV ................................................................................................. 3
2.1
Kolobar .................................................................................................................. 3
2.2
Dosedanje raziskave iz operacijskih raziskav in aplikacija v kmetijstvu ........ 3
2.3
Linearno programiranje ...................................................................................... 7
2.4
Ciljno programiranje ........................................................................................... 8
2.4.1
Zgodovina ciljnega programiranja................................................................... 8
2.4.2
Značilnosti ciljnega programiranja .................................................................. 9
2.5
Izpeljanke ciljnega programiranja ...................................................................... 9
2.5.1
2.6
3
Nekatere druge oblike ciljnega programiranja .............................................. 10
Gantogram ........................................................................................................... 10
MATERIALI IN METODE DELA ..................................................................... 12
3.1.1
Tehtano ciljno programiranje (WGP) ............................................................ 13
3.1.2
Prioritetno ciljno programiranje (LGP) ......................................................... 14
3.1.3
Čebiševo ciljno programiranje (CGP) ........................................................... 15
3.2
Razvoj modelnega orodja ................................................................................... 16
3.2.1
Razvoj modelnega orodja 'Pr.KALK' ............................................................ 17
3.2.2
Razvoj modelnega orodja 'Pr.OPTI' .............................................................. 18
3.2.3
Razvoj modelnega orodja 'Pr.GANTT'.......................................................... 21
3.3
Matematični zapis modelov................................................................................ 22
3.3.1
Modelno orodje 'Pr.KALK' ........................................................................... 22
VII
3.3.2
Modelno orodje 'Pr.OPTI'.............................................................................. 26
3.3.3
Modelno orodje 'Pr.GANTT' ......................................................................... 29
3.4
4
Material in vir podatkov za primer analize ...................................................... 29
REZULTATI Z RAZPRAVO .............................................................................. 31
4.1
Rezultati modelnega orodja 'Pr.KALK' ........................................................... 31
4.1.1
Pšenica ........................................................................................................... 32
4.1.2
Ječmen ........................................................................................................... 33
4.1.3
Koruza za zrnje .............................................................................................. 34
4.1.4
Oljna ogrščica ................................................................................................ 35
4.1.5
Cvetača .......................................................................................................... 36
4.1.6
Rano zelje ...................................................................................................... 37
4.1.7
Pozno zelje..................................................................................................... 38
4.1.8
Brokoli ........................................................................................................... 39
4.1.9
Glavnati ohrovt .............................................................................................. 40
4.1.10
Koleraba......................................................................................................... 41
4.1.11
Korenje .......................................................................................................... 42
4.1.12
Listni peteršilj ................................................................................................ 43
4.1.13
Peteršilj koren ................................................................................................ 44
4.1.14
Listna zelena .................................................................................................. 45
4.1.15
Oljne buče ...................................................................................................... 46
4.1.16
Melone ........................................................................................................... 47
4.1.17
Lubenice ........................................................................................................ 48
4.1.18
Bučke ............................................................................................................. 49
4.1.19
Kitajsko zelje ................................................................................................. 50
4.1.20
Zgodnji krompir............................................................................................. 51
VIII
4.1.21
Paprika ........................................................................................................... 52
4.1.22
Jajčevec.......................................................................................................... 53
4.1.23
Feferoni.......................................................................................................... 54
4.1.24
Nizki fižol ...................................................................................................... 55
4.1.25
Endivija.......................................................................................................... 56
4.1.26
Radič .............................................................................................................. 57
4.1.27
Solata ............................................................................................................. 58
4.1.28
Čebula ............................................................................................................ 59
4.1.29
Česen ............................................................................................................. 60
4.1.30
Por.................................................................................................................. 61
4.2
Rezultati modelnega orodja 'Pr.OPTI' ............................................................. 62
4.2.1
Scenarij 1 ....................................................................................................... 62
4.2.2
Scenarij 2 ....................................................................................................... 66
4.3
Rezultati modelnega orodja 'Pr.GANTT' ........................................................ 69
4.4
Nadaljnji razvoj orodja ...................................................................................... 72
5
SKLEPI ................................................................................................................... 73
6
VIRI ........................................................................................................................ 75
ZAHVALA .................................................................................................................
IX
Kazalo preglednic
Preglednica 1: Stroški strojnega in ročnega dela ter gnojenja za pšenico (v €/ha) ............. 32
Preglednica 2: Rezultati ekonomskih kazalnikov za pšenico .............................................. 32
Preglednica 3: Stroški strojnega in ročnega dela ter gnojenja za ječmen (v €/ha) .............. 33
Preglednica 4: Rezultati ekonomskih kazalnikov za ječmen............................................... 33
Preglednica 5: Stroški strojnega in ročnega dela ter gnojenja za koruzo (v €/ha)............... 34
Preglednica 6: Rezultati ekonomskih kazalnikov za koruzo ............................................... 34
Preglednica 7: Stroški strojnega in ročnega dela ter gnojenja za oljno ogrščico (v €/ha) ... 35
Preglednica 8: Rezultati ekonomskih kazalnikov za oljno ogrščico ................................... 35
Preglednica 9: Stroški strojnega in ročnega dela ter gnojenja za cvetačo (v €/ha) ............. 36
Preglednica 10: Rezultati ekonomskih kazalnikov za cvetačo ............................................ 36
Preglednica 11: Stroški strojnega in ročnega dela ter gnojenja za rano zelje (v €/ha) ........ 37
Preglednica 12: Rezultati ekonomskih kazalnikov za rano zelje ........................................ 37
Preglednica 13: Stroški strojnega in ročnega dela ter gnojenja za pozno zelje (v €/ha) ..... 38
Preglednica 14: Rezultati ekonomskih kazalnikov za pozno zelje ...................................... 38
Preglednica 15: Stroški strojnega in ročnega dela ter gnojenja za brokoli (v €/ha) ............ 39
Preglednica 16: Rezultati ekonomskih kazalnikov za brokoli ............................................ 39
Preglednica 17: Stroški strojnega in ročnega dela ter strošek za glavnati ohrovt (v €/ha) .. 40
Preglednica 18: Rezultati ekonomskih kazalnikov za glavnati ohrovt ................................ 40
Preglednica 19: Stroški strojnega in ročnega dela ter gnojenja za kolerabo (v €/ha) .......... 41
Preglednica 20: Rezultati ekonomskih kazalnikov za kolerabo .......................................... 41
Preglednica 21: Stroški strojnega in ročnega dela ter gnojenja za korenje (v €/ha) ............ 42
Preglednica 22: Rezultati ekonomskih kazalnikov za korenje ............................................ 42
Preglednica 23: Stroški strojnega in ročnega dela ter gnojenja za listni peteršilj (v €/ha) .. 43
Preglednica 24: Rezultati ekonomskih kazalnikov za listni peteršilj .................................. 43
Preglednica 25: Stroški strojnega in ročnega dela ter gnojenja za korenasti peteršilj
(v €/ha)....................................................................................................... 44
Preglednica 26: Rezultati ekonomskih kazalnikov za korenasti peteršilj ........................... 44
Preglednica 27: Stroški strojnega in ročnega dela ter gnojenja za listno zeleno (v €/ha) ... 45
Preglednica 28: Rezultati ekonomskih kazalnikov za listno zeleno .................................... 45
X
Preglednica 29: Stroški strojnega in ročnega dela ter gnojenja za oljne buče (v €/ha) ....... 46
Preglednica 30: Rezultati ekonomskih kazalnikov za oljne buče ....................................... 46
Preglednica 31: Stroški strojnega in ročnega dela ter gnojenja za melone (v €/ha) ............ 47
Preglednica 32: Rezultati ekonomskih kazalnikov za melone ............................................ 47
Preglednica 33: Stroški strojnega in ročnega dela ter gnojenja za lubenice (v €/ha) .......... 48
Preglednica 34: Rezultati ekonomskih kazalnikov za lubenice .......................................... 48
Preglednica 35: Stroški strojnega in ročnega dela ter gnojenja za bučke (v €/ha) .............. 49
Preglednica 36: Rezultati ekonomskih kazalnikov za bučke .............................................. 49
Preglednica 37: Stroški strojnega in ročnega dela ter gnojenja za kitajsko zelje (v €/ha) .. 50
Preglednica 38: Rezultati ekonomskih kazalnikov za kitajsko zelje ................................... 50
Preglednica 39: Stroški strojnega in ročnega dela ter gnojenja za zgodnji krompir
(v €/ha)....................................................................................................... 51
Preglednica 40: Rezultati ekonomskih kazalnikov za zgodnji krompir .............................. 51
Preglednica 41: Stroški strojnega in ročnega dela ter gnojenja za papriko (v €/ha) ........... 52
Preglednica 42: Rezultati ekonomskih kazalnikov za papriko ............................................ 52
Preglednica 43: Stroški strojnega in ročnega dela ter gnojenja za jajčevec (v €/ha)........... 53
Preglednica 44: Rezultati ekonomskih kazalnikov za jajčevec ........................................... 53
Preglednica 45: Stroški strojnega in ročnega dela ter gnojenja za feferone (v €/ha) .......... 54
Preglednica 46: Rezultati ekonomskih kazalnikov za feferone ........................................... 54
Preglednica 47: Stroški strojnega in ročnega dela ter gnojenja za nizki fižol (v €/ha) ....... 55
Preglednica 48: Rezultati ekonomskih kazalnikov za nizki fižol ........................................ 55
Preglednica 49: Stroški strojnega in ročnega dela ter gnojenja za endivijo (v €/ha)........... 56
Preglednica 50: Rezultati ekonomskih kazalnikov za endivijo ........................................... 56
Preglednica 51: Stroški strojnega in ročnega dela ter gnojenja za radič (v €/ha) ................ 57
Preglednica 52: Rezultati ekonomskih kazalnikov za radič ................................................ 57
Preglednica 53: Stroški strojnega in ročnega dela ter gnojenja za solato (v €/ha) .............. 58
Preglednica 54: Rezultati ekonomskih kazalnikov za solato .............................................. 58
Preglednica 55: Stroški strojnega in ročnega dela ter gnojenja za čebulo (v €/ha) ............. 59
Preglednica 56: Rezultati ekonomskih kazalnikov za čebulo ............................................. 59
Preglednica 57: Stroški strojnega in ročnega dela ter gnojenja za česen (v €/ha) ............... 60
Preglednica 58: Rezultati ekonomskih kazalnikov za česen ............................................... 60
XI
Preglednica 59: Stroški strojnega in ročnega dela ter gnojenja za por (v €/ha) .................. 61
Preglednica 60: Rezultati ekonomskih kazalnikov za por ................................................... 61
Preglednica 61: Omejitve kolobarja v modelu WGP+PF.................................................... 62
Preglednica 62: Sestava kolobarnih členov po družinah ..................................................... 63
Preglednica 63: Vrednosti 1. in 2. intervala odstopanja ter uteži (wi) pri 1. scenariju ....... 63
Preglednica 64: Primer 1 – sestava kolobarja po 1. scenariju ............................................. 64
Preglednica 68: Omejitve kolobarja v modelu 'WGP+PF' po scenariju 2 ........................... 66
Preglednica 69: Sestava kolobarnih členov po družinah po scenariju 2.............................. 66
Preglednica 70: Vrednosti 1. in 2. intervala odstopanja ter uteži (wi) pri 1. scenariju ....... 67
Preglednica 75: Vhodni podatki Gantogram ....................................................................... 70
Kazalo slik
Slika 1: Shematski prikaz trifaznega modelnega orodja (Lasten vir) .................................. 17
Slika 2: Izsek iz modela kalkulacije kmetijske pridelave (Lasten vir) ................................ 18
Slika 3: Izsek iz modela, namenjenega optimiziranju kmetijske pridelave (Lasten vir) ..... 19
Slika 4: Shematični prikaz konstantne in večstopenjske kazenske funkcije (Romero in
Rehman, 2003) ...................................................................................................... 20
Slika 5: Izsek iz modelnega orodja 'Pr.GANTT' (Lasten vir) ............................................. 21
Slika 6: Sestava 5-letnega kolobarja in aktivnosti posamezne kulture, zgrajena z orodjem
'Pr.GANTT' (Lasten vir) ........................................................................................ 71
XII
1 UVOD
1.1 Opredelitev problema
Kmetje morajo v skladu s kmetijsko-okoljskim programom upoštevati temeljno načelo
dobre kmetijske prakse – kolobar, ki je kot navaja Bavec (2003) sistem razvrščanja
poljščin, krmnih rastlin, aromatskih rastlin, zelenjadnic, ki ga uporabljamo na njivah,
vrtovih ali pokritih prostorih. Z njim ustvarjamo kar največjo racionalnost in optimalnost
bioloških, organizacijskih in prostorskih vplivov na tla in rastlino. S pravilnim kolobarjem
želimo ob primerni tehniki pridelave kar najbolje nadomestiti biološko ravnotežje
spontanih fitocenoz. Kolobar ni ''recept'', ampak način, kako v danih razmerah najti
najboljšo kompromisno rešitev.
Odločitve o načrtu kolobarjenja predstavljajo ključni dejavnik višine količine pridelka in
dohodka na kmetijskem gospodarstvu, tako na 1-letni kakor večletni ravni. Primeren
kolobar pa mora zadovoljiti več različnih ter nasprotujočih si ciljev, hkrati pa upoštevati
večje število dejavnikov in njihovih vplivov (Nevo in Amir 1991).
V kmetijstvu se iz leta v leto dogajajo spremembe cen inputov in outputov, kar pomembno
vpliva na samo ekonomiko kmetijske pridelave in posledično na eksistenco kmeta kot tudi
kmetijstva kot panoge ter kulturne krajine kot globalnega 'produkta' kmetovega delovanja v
njej. Kmetje, ki se ukvarjajo predvsem s tržnim poljedelstvom, se iz leta v leto ukvarjajo z
vprašanjem, s čim v danih razmerah na njivski površini doseči najvišji finančni rezultat.
Tako smo formulirali problem optimalne razporeditve gojenih kultur, kakor še
pomembneje optimalne sestave kolobarja.
Zaradi dejstva, da so odločitve o proizvodnji skoraj vedno narejene v pogojih negotovosti
(trg, vreme …) in ker je v zelenjadarstvu možna setev skozi celotno leto, v več obdobjih
predstavlja načrtovanje kolobarjenja proces, ki zahteva skrbni nadzor nad delovnimi
opravili, stroški in prihodki kot dejavnika finančnega rezultata.
1
1.2 Namen in cilji
Namen magistrskega dela je s pomočjo metod matematičnega programiranja določiti
optimalno sestavo in razporeditev kultur znotraj kolobarja. Za dosego tega namena pa je
potrebno slediti zastavljenim ciljem:
-
Kot prvi cilj magistrskega dela je razvoj tehnološko-ekonomsko simulacijskega
modela 'Pr.KALK', v katerem bomo zbrali in ocenili podatke o pridelavi 34
različnih kultur, ki se pridelujejo na območju Prekmurja.
-
V drugem cilju podatke iz zgornje alineje uporabimo z namenom, da v zgrajenem
modelu 'Pr.OPTI' testiramo metodo, ki bo temeljila na principu matematičnega
programiranja. Njen namen znotraj cilja pa bo določitev optimalne sestave
kolobarja.
-
Za uresničitev tretjega cilja pa bomo uporabili gantogram, ki se v managementu
pojavlja kot orodje za vodenje in planiranje projektov, in sicer kot izhodišče za
upravljanje možnosti terminskega planiranja setve, presajanja in pobiranja
pridelkov. V ta namen smo zgradili model 'Pr.GANTT', ki omogoča preglednejše
upravljanje s planiranjem proizvodnje na kmetiji.
1.3 Delovne hipoteze
V raziskavi so predpostavljene naslednje delovne hipoteze:
[H 1.]
Ciljno programiranje je metoda, ki jo lahko uspešno uporabljamo za
določitev strukture kolobarja na modelni kmetiji. Ob tem pa se izpostavlja
tudi uporabnost ocenjenih rezultatov.
[H 2.]
Omejitve stroškov ročnega in strojnega dela ter stroškov gnojenja v ciljnem
programiranju pomembno vplivajo na rezultate.
2
2 PREGLED OBJAV
2.1 Kolobar
Kolobar (vrstenje, sledenje, kolobarjenje, menjavanje) je sistem razvrščanja poljščin,
krmnih rastlin, aromatskih rastlin in zelenjadnic, ki ga uporabljamo na njivah, vrtovih ali v
rastlinjakih. Z njim ustvarjamo kar največjo racionalnost in optimalnost bioloških,
organizacijskih in prostorskih vplivov na tla in rastlino (Bavec F. 2001).
Costa s sod. (2011) navaja, da lahko v kmetijstvu pojem kolobarjenja definiramo kot
zaporedje kultur, ki se vrstijo ena za drugo na dani površini skozi določeno časovno
obdobje.
Prednosti kolobarjenja je raziskovalo že več raziskovalcev (Ekpete 1976; Baker 1978;
Remison 1978; Udozen et al. 1986), ki navajajo prednosti, ki zajemajo višji pridelek,
doseganje visokih pridelkov v zaporedju več let, boljše širjenje proizvodnje v rastni dobi,
izboljšano kvaliteto proizvodnje, manj negativnih vplivov, povzročenih od pesticidov,
boljšo zaščito tal pred erozijo in zmanjšano negotovost proti celotnemu propadu pridelka.
Pri načrtovanju kolobarja upoštevamo zahteve rastlin, razpoložljiva zemljišča in zahteve
trga, na katerem prodajamo naše pridelke. Tudi velikost posestva, način gnojenja in način
pridelave odločajo o tem, za kakšen način kolobarjenja se odloči posamezen pridelovalec
(Bavec F. 2001).
2.2 Dosedanje raziskave iz operacijskih raziskav in aplikacija v kmetijstvu
Prve začetke linearnega programiranja za določitev shem kolobarjenja je naredil Jolayemi
(1990; Jolayemi et al. 1995). V svojem modelu je izrazil v denarnih enotah tisto, kar
odraža sistem rastlin, ki so zasajene skupaj v kolobarju. Model obravnava vse možne
rešitve v sestavi kolobarja iz nabora rastlin ob upoštevanju posameznih problemov LP.
3
Jolayemi (1992) je razvoj nadaljeval z namenom, da bi zmanjšal skupno količino računskih
postopkov, vključenih v prvi model. Tako je nastal drug model, ki namesto formuliranja in
reševanja vseh problemov LP v svojem modelu vsebuje le nekaj pod-skupin in jih tako le
nekaj tudi obravnava.
Dogliotti in sod. (2002) so v svojem članku raziskovali primer uporabe metodologije za
raziskovanje rabe zemlje, s ciljem pomanjkanja trajnosti majhnih kmetij v južnem
Urugvaju. Raziskovalna študija o rabi zemljišč ima cilj, da dajo vpogled v prihodnje
možnosti za načrtovanje razvoja kmetijstva. Kolobarjenje ima osrednjo vlogo v kmetijstvu
in predstavlja logično izhodišče v procesu načrtovanja gospodarjenja na kmetiji.
Kombinacija in zaporedje gojenih rastlinskih vrst ima pomemben vpliv na višino pridelka,
erozijo tal, prenašanja bolezni, škodljivcev in plevelov, kakor tudi dinamiko rabe dušika in
delovne sile. Tekom svoje raziskave so razvili orodje, imenovano ROTAT, ki je izdelano
za generiranje različnih scenarijev kolobarja in temelji na agronomskih kriterijih na
pregleden način. Program združuje že pripravljene scenarije različnih proizvodnih
možnosti za generiranje vseh možnih rotacij rastlinskih vrst v kolobarju. Število možnih
kombinacij v programu omejuje uporabnik z vgrajenimi filtri. Ti filtri v kolobarju
preprečujejo vključevanje rastlinskih vrst, ki zaradi različnih razlogov ne ustrezajo
pridelavi na določenem območju. Orodje ROTAT so testirali na primeru ekološke kmetije
Flevoland na Nizozemskem, kjer so generirali 840 rotacij, ki temeljijo na kriterijih
omenjene kmetije.
Debasis s sod. (2003) navaja, da je riž prevladujoča poljščina v zahodni Bengaliji. Pravilna
založenost tal z dušikom, fosforjem in kalijem pa je nujna za povečanje pridelave ter za
izboljšanje ekonomskega položaja kmetov. V članku predstavljajo metodo ciljnega
programiranja za upravljanje s hranili, da bi določili optimalno kombinacijo gnojil za
pridelavo riža v zahodni Bengaliji. Analiza občutljivosti je bila izvedena glede na
kombinacije stroškov gnojenja in proizvodnje riža. Teorija iger je bila aplicirana, da
definira delež hranil.
4
Biswas in Baran (2004) sta raziskovala, kako bi lahko učinkovito uporabljali mehko ciljno
programiranje za razrešitev problemov pri načrtovanju planiranja proizvodnje, tako da bi
bile sezonske kulture optimalno razporejene v planiranem letu. V modelu so bile
formulirane in mehko opisane naslednje spremenljivke: izkoriščenost vseh obdelovalnih
zemljišč, dobava proizvodnih virov, aspiracijske ravni proizvodnje različnih kultur, kakor
tudi celotnega pričakovanega dobička od kmetije. V procesu odločanja je minimiranje
negativnih odklonov spremenljivke definirano kot skupni cilj prioritet aspiracijskih ravni
mehkih ciljev. Primer, na katerem je bil model zgrajen, predstavlja regija District Nadia v
zahodni Bengaliji v Indiji. Le-tega so prav tako testirali na podobnem primeru Tiwari et al.
(1987).
Vivekanandan s sod. (2009) navaja, da sta načrtovanje in planiranje namakanja ključni
sestavini upravljanja z vodo v namakanju poljščin. V ta namen je ključna optimalna raba
tal in vode za optimiziranje kolobarja pod različnimi omejitvami. Članek predstavlja 3
različne načrte kolobarjenja s ciljnim programiranjem, in sicer maksimiranje čistega
donosa beljakovin in kalorične vrednosti z minimalno uporabo površine in vode na
območju Barna. Rezultati kažejo, da je bil ob upoštevanju visokega čistega donosa
beljakovin in kalorij najboljši 1. scenarij.
Nordin in Said (2011) opisujeta problem, s katerim se soočajo kmetje, in sicer: kaj, koliko
in kdaj pridelovati. Zato sta v članku izdelala študijo linearnega programiranja kolobarja za
načrtovanje proizvodnje. Problem so aplicirali na zelenjadnicah, ki jih pobiramo 1-krat v
sezoni, za razrešitev problema pa je bil uporabljen računalniški paket LINDO. Rezultati
kažejo obetajoče napovedi, tudi pri relativno kratkem planiranju 1 leta.
Rawabdehs sod. (2010) opisuje, da je doseganje ravnotežja med potrebami rastlin in
ponudbo vode nujno za trajnostno kmetijstvo v semi-aridnih območjih. Mnogo kmetijskih
in socialno-ekonomskih ukrepov se lahko uporabi za zmanjševanje potreb rastlin po vodi
brez vpliva na uspešnost pridelave. Ta članek raziskuje nekaj specifičnih možnosti
upravljanja za izboljšanje delovanja namakalnih kmetijskih sistemov v severni in južni
dolini Jordana pod normalnimi in suhimi letnimi pogoji. Ekonomski model je bil razvit,
5
testiran in apliciran da ocenjuje kmetov prihodek, uravnava potrebe/ponudbo vode pod
različnimi scenariji upravljanja. Rezultati kažejo, da je produktivnost kot posledica
namakanja nižja v južnem kot severnem delu doline in da je izboljšanje rezultatov
pridelave možno doseči s spremembo kolobarja (pridelava paradižnika namesto banan na
jugu) in uvedba reguliranja namakanja (agrumi na severu in ječmen na jugu).
Xieting s sod. (2010) navaja, da kolobarjenje igra pomembno vlogo v kmetijstvu in
njegovem upravljanju z vodo. V času med načrtovanjem zaradi dvoumnih ali nenatančnih
informacij, ki jih povzroči subjektivna odločitev odločevalca ali negotovost objektivnih
informacij, se tradicionalno večkriterijsko linearno programiranje (MOLP) ne prilega
odločevalcu v tako mehkem okolju. V svoji študiji so uporabili mehko večkriterijsko
linearno programiranje (FMOLP) s trikotnimi mehkimi števili. Model je bil apliciran za
načrtovanje kolobarjenja v kitajski regiji Liang Zhou. S pomočjo modela so bili pridobljeni
različni optimalni scenariji kolobarjenja, ki temeljijo na različni rabi vode omenjenih
poljščin ter same razpoložljivosti vodnih virov v posameznem okolju. V primerjavi z
modelom MOLP je FMOLP izražal sam po sebi mehko informacijo učinkoviteje, prav tako
so v FMOLP modelu predstavljene boljše alternativne možnosti za tistega, ki sprejema
odločitev o načinu kmetovanja.
Žgajnar (2010) je v svoji raziskavi apliciral metodo tehtanega ciljnega programiranja z
vgrajeno kazensko funkcijo. S pomočjo razvitega orodja so iskali najcenejši dnevni obrok,
ki je upošteval sodobne zahteve pri dnevni mlečnosti 25 kg mleka. Rezultati so pokazali,
da je z razvitim orodjem mogoče sočasno zasledovati ekonomske (učinkovitost) in
prehranske (prilagodljivost na razpoložljivo krmo in prehranske zahteve živali) vidike v
praktični prireji mleka.
Žgajnar (2011) si je v svoji doktorski disertaciji zastavil glavni cilj povezati razmeroma
enostavne matematične metode v celovito programsko orodje za razreševanje
izpostavljenih problemov razporejanja resursov. V okviru disertacije je razvil modelno
orodje za načrtovanje proizvodnje na ravni kmetijskega gospodarstva, ki temelji na
modularnem pristopu in povezovanju posameznih modulov med seboj. Moduli temeljijo na
6
izvirnih rešitvah uveljavljenih metod matematičnega programiranja s področja operacijskih
raziskav.
2.3 Linearno programiranje
Linearno programiranje je matematična metoda, pri kateri omejitve izrazimo s sistemom
linearnih enačb in neenačb in iščemo tako rešitev sistema, ki nam da maksimalno (ali
minimalno) vrednost ciljne funkcije (Rozman s sod. 2009).
Naziv linearno programiranje (LP) se prvič pojavi neposredno pred začetkom druge
svetovne vojne in se zaradi formulacij nekih teoremov pripisuje madžarskemu matematiku
J. Egervaŕyju. Osnovni pristop k LP-ju je obdelal Leonid Kantorovich leta 1939 v
znamenitem članku ''Matematične metode v organizaciji in načrtovanju proizvodnje''. V
kasnejših delih je isti avtor podal mnoge druge formulacije različnih problemov, ki so
imele velik vpliv na zelo hitri razvoj in uporabo metod LP-ja. Vseeno se največje zasluge
za končno oblikovanje LP-ja kot znanstvene metode pripisuje Georgu Dantzigu, ki je leta
1947 formuliral osnovni model LP-ja in obdelal simpleks metodo (Nemačič 2009).
Linearno programiranje je uporabna metoda za različne tipe raziskav in je uporabna v
poslovnih procesih kot tudi za inženirske probleme. V industriji se uporablja za razrešitev
transportnih
problemov,
energijo,
telekomunikacije
in
proizvodnjo.
Linearno
programiranje pa je močno prisotno v mikroekonomiji in pri upravljanju podjetij, kjer
kljub vedno novim izzivom ostaja za večino podjetij glavni cilj maksimiranje dobička ali
minimiranje stroškov z upoštevanjem omejenih virov.
(http://en.wikipedia.org/wiki/Linear_programming, 3. 6. 2012).
Odločitve v upravljanju s kmetijskim gospodarstvom so kompleksne, zato je bilo razvitih
več matematičnih modelov in rešitev. V kmetijstvu je metodo vpeljal Američan Heady
(1954), in sicer z uporabo na primeru optimalne razporeditve kultur v kolobarju. Haith in
Atkinson (1977) sta razvila model linearnega programiranja, da bi določila optimalno
7
sestavo kolobarja, nanašanje gnojil in velikost črede. V svoji raziskavi sta pokazala
uporabo modela za določitev vplivov na odločitve pri pridelavi mleka na prihodek kmetije.
Kutcher in Norton (1982) sta v svoji raziskavi prišla do zaključka, da sta linearno
programiranje (LP) in dinamično (DP) ustrezne metode za modeliranje, reševanje in
generiranje optimalni strategiji za probleme, ki se pojavljajo v kmetijstvu. Zhang et al.
(1990) so pregledali dotedanjo uporabo metod iz operacijskih raziskav v kmetijstvu ter
razvili mehki optimizacijski model za iskanje optimalnega načrta pridelave. Duffy et al.
(1994) so razvili dinamični model za dolgoročno načrtovanje pridelave na kmetiji v skladu
z vladnimi načrti razvoja kmetijstva in kažejo tudi učinkovitost modela. Bhattacharya
(2000) je razvila model optimiziranja z več cilji, da bi našla optimalno razporeditev
razpoložljivih virov za različna delovna opravila, tako da minimira skupne stroške za
pridelavo riža. Vitoriano et al. (2003) so razvili 2 optimizacijska modela za določitev
optimalne strukture kolobarja, tako da minimirajo skupne stroške glede na omejene
razpoložljive vire ter z ozirom na različne scenarije glede vremenskih pogojev.
2.4 Ciljno programiranje
2.4.1 Zgodovina ciljnega programiranja
Prvi ciljni program so predstavili Charnes et al. (1955) v povezavi z izvrševanjem
menjave. V tej točki še ni bil uporabljen izraz 'ciljno programiranje', sam model pa je bil
videti kot nadgradnja linearnega programiranja. Temelji ciljnega programiranja so bili
postavljeni s strani Charnes in Cooper (1961). Nadaljnji razvoj so prevzeli Ijiri (1965) ter
Lee (1972) in Ignizio (1976), ki sta metodo vpeljala kot prepoznavno orodje operacijskih
raziskav. Ciljno programiranje je po velikem razmahu v 70-ih letih prejšnjega stoletja
doživelo v 80-ih letih vrsto kritik, ki pa jih je povzročilo pomanjkanje dobre prakse
večkriterijskega odločanja. To debato je leta 1991 v knjigi zaključil Romero, v kateri je
definiral dobro prakso ciljnega programiranja.
8
2.4.2 Značilnosti ciljnega programiranja
Tamiz in sod. (1998) izpostavljajo zlasti problem Pareto neučinkovitih rešitev, ki so v
večini primerov posledica preveč pesimistično nastavljenih ciljnih vrednosti. Ta problem je
povezan z aksiomom, ki predpostavlja, da odločevalec pozna ciljne vrednosti in jih lahko
vnaprej določi, kar botruje eni ključnih pomanjkljivosti ciljnega programiranja (Caballero
in sod. 2006).
Naslednjo pomanjkljivost ciljnega programiranja, v primerjavi z ostalimi večkriterijskimi
metodami, pa Steuer in Na (2003) vidita predvsem v potrebi predhodnega definiranja
prioritet posameznih ciljev, kar nedvomno predstavlja značilnost, ki pomembno vpliva na
rešitev.
Nekateri drugi avtorji (Caballero in sod. 2006; Romero in Rehman 2003; Romero 2004)
opozarjajo na pomen pravilne izbire namenske funkcije, saj napačna izbira le-te lahko
ponudi rešitev, ki za odločevalca ne bo sprejemljiva.
2.5 Izpeljanke ciljnega programiranja
Ciljno programiranje združuje več različnih metod, katerih skupna predpostavka je
minimiranje razlik med želenimi in doseženimi ciljnimi vrednostmi. Kljub dejstvu, da je
metoda svoj razmah doživela šele v drugi polovici sedemdesetih let prejšnjega stoletja, se v
literaturi pojavljajo najrazličnejše variacije. Na začetku je bilo ciljno programiranje zgolj
omejeno na linearne večkriterijske probleme (Ignizio in Romero 2003; Taniz s sod. 1998),
pozneje pa je bila metoda razširjena tudi na nelinearne in celoštevilske probleme.
Bistvena razlika med njimi je predvsem v obliki namenske funkcije, s tem pa v
predpostavljeni filozofiji upravljavca – kmetijskega gospodarstva (Romero 2004).
9
2.5.1 Nekatere druge oblike ciljnega programiranja
Obstaja bistvena razlika med tehtanim ciljnim programiranjem, prioritetnim ciljnim
programiranjem ter Čebiševim ciljnim programiranjem in nekaterimi drugimi oblikami, ki
jih bomo predstavili v tem poglavju. Pri zgoraj omenjenih različicah je dejavnik, ki se
spreminja, osnovna metrična razdalja. Različice, ki bodo opisane v tem poglavju, pa imajo
dejavnik spreminjanja predvsem v matematični naravi ciljev oziroma odločitveni
spremenljivki (Jones in Tamiz 2010).
-
Mehko ciljno programiranje (ang. Fuzzy goal programming – FGP), katerega
osnovne pristope programiranja v mehki logiki sta zasnovala Bellamn in Zadeh
(1970).
-
Celoštevilsko ciljno programiranje (ang. Integer goal programming – IGP),
katerega uporabljamo v primerih, ko določene cilje oziroma omejitve lahko
uporabljamo le kot celoštevilske ali celo kot binarne (Žgajnar 2011).
-
Ulomljeno ciljno programiranje (ang. Fractional goal programming – FGP),
katerega je v prvi polovici sedemdesetih let prejšnjega stoletja vpeljal Kornbluth.
Gre za posebno obliko nelinearnega programa, pri katerem dosežene vrednosti
ciljne funkcije dobimo z deljenjem linearne funkcije z nelinearno funkcijo (Tamiz s
sod. 1998).
2.6 Gantogram
Sam začetek razvoja organizacije dela sega v pradavnino, v čas, ko je bilo skupno delo
nekega plemena ljudi še relativno preprosto organizirati in nadzorovati. Kasneje se skozi
zgodovino pojavljajo različni tipi oblasti in oblike družbenega združevanja za dosego
ciljev. Značilno za to obdobje pred 19. stoletjem je, da ni bilo sistematičnega zbiranja
podatkov in metod, ampak je bolj ali manj vsak »dvorni« ali kakšen drugi organizator
določal pravila sam in po svojem občutku. Proti koncu 19. in v začetku 20. stoletja je v
10
ZDA deloval eden od najpomembnejših mož iz zgodovine organizacije dela – Frederick
Winston Taylor. Bil je prvi, ki je preizkusil znanstveni pristop k študiju dela. Delo je
razdelil na elemente in proučeval vsakega posebej. Henry Ford (1863–1947) je bil
Taylorjev sodobnik. Kot lastnik tovarn in poslovnež je hitro spoznal pomen racionalnega,
če ne kar znanstvenega pristopa k poenostavljanju dela na poti do večjih učinkov in
dobičkov. Njegov izum je delo na tekočem traku, kjer je delo razčlenil in razdelil tako, da
je posamezen delavec opravljal le en gib. Med njegove uspehe sodi tudi zavestno
normiranje dela in tipiziranje orodja, standardizacija surovin, kar vseh proizvodov,
temeljita priprava proizvodnje, podroben nadzor proizvodnje in uvajanje mehanizacije in
avtomatizacije. Še v času Taylorjevega življenja so mnogi znanstveniki sledili njegovim
zamislim, jih izboljševali in izpopolnili. Takšen je bi tudi Henry Gantt, ki se je leta 1887
pridružil Taylorju pri nekaterih njegovih študijah. Za razliko od Taylorja je Gantt pokazal
več občutka in zanimanja za delavce. Razvil je poseben način nagrajevanja, pri katerem je
delavec dobil poseben bonus, če je dosegel predvideni dnevni učinek, če pa tega ni mogel
storiti, ni bil kaznovan, temveč je dobil zagotovljeno plačo. Z uvedbo tega sistema je
storilnost porasla, zato je bil Gantt prepričan o vrednosti svojih moralnih načel. Razvil je
tudi poseben grafični način spremljanja dnevnih učinkov, ki je postal znan kot gantogram
in je omogočal učinkovit in preprost nadzor nad proizvodnjo. Posledice teh dognanj so
izzvale revolucionaren odziv na trgu izdelkov. Npr. leta 1903 je obstajalo 3000 podjetij, ki
so se ukvarjala s proizvodnjo avtomobilov. Leta 1930 jih je bilo le še okoli 30.
Racionalizacija proizvodnje je pomenila več proizvedenih avtomobilov na časovno enoto.
Ponudba na trgu se je drastično povečala in le najboljši proizvajalci so na koncu lahko
prodajali po najnižjih cenah. Pri tem pa so jim pomagala sredstva, vložena v organizacijo
dela (http://sl.wikipedia.org/wiki/Gantogram, 6. 4. 2012).
11
12
3 MATERIALI IN METODE DELA
3.1 Ciljno programiranje
Steuer in Na (2003) vidita bistveno prednost ciljnega programiranja, ker omogoča
reševanje večkriterijskega problema s konvencionalnimi optimizacijskimi reševalci.
Min∑
1 (aqnq+βqpq)
(1)
tako da je
fq(x) + nq
pq = bq;
1, …,
xϵF
nq ≤ 0 , pq ≥ 0
Enačba (1) prikazuje, da je namenska funkcija splošnega ciljnega programa predmet
minimiranja. Cilje oblikujemo tako, da želene omejitve pretvorimo v cilje. Želene
vrednosti posameznih ciljev so izražene v koeficientih bi. To pomeni, da toge – fiksne
omejitve pretvorimo v bolj fleksibilne. Z matematičnega vidika, razen morebitne
spremembe matematičnega zapisa iz neenakosti (<, >) v enakost ( ), ni bistvenih razlik
med omejitvami (F) in cilji (bq). Odstopanje od ciljev omogočimo z dodatnimi
spremenljivkami, ki jih opredelimo za vsak cilj posebej, bodisi v pozitivno (pq) ali
negativno (nq) smer in tako predstavljajo pozitivno ali negativno odstopanje od
zastavljenega cilja. Dovoljena odstopanja prek dodatnih deviacijskih spremenljivk (pq, nq)
naredijo model fleksibilnejši in s tem razširijo polje možnih rešitev. V kolikor je
odstopanje določenega cilja kaznovano, imajo koeficienti aq
βq vrednosti različne od nič,
s tem da so odstopanja lahko dovoljena v obe oziroma samo eno ali drugo stran. Dobljen
rezultat predstavlja kompromisno rešitev med navadno nasprotujočimi si cilji. Teoretično
lahko postavljenim ciljem popolnoma zadostimo, včasih le deloma, v ekstremnih primerih
pa srečamo tudi take, ki se jim ne moremo približati (Žgajnar 2011).
13
3.1.1 Tehtano ciljno programiranje (WGP)
Tehtano ciljno programiranje (ang. Weighted goal programming – WGP) je zasnovano na
principu Arhimedove ciljne funkcije, ki minimira vsoto tehtanih odstopanj od posameznih
ciljev (Enačba (2)). Konsenz je tako dosežen z minimiranjem tehtane vsote nesoglasij
(Gonzales-Pachon in Romero 1999).
Min a = ∑
u n
1(( k
v p
k
)
(2)
tako da je
fq (x) + nq – pq = bq
1, … ,
xϵF
nq , pq ≥ 0
Pravzaprav gre za to, da se večkriterijski problem z utežno funkcijo (katera izraža
pomembnost posameznih ciljev) preslika v enokriterijski problem. Ključna značilnost
WGP je v tehtanju pomena (uq/kq oziroma vq/kq) posameznih ciljev (bq). Kakovost
dobljenih rezultatov je tako precej odvisna od izbire 'uteži pomembnosti'. Z njimi
definiramo pomene posameznih ciljev na isti prioritetni ravni in tako 'kaznujemo' neželeno
odstopanje od ciljnih vrednosti. Prva komponenta uteži predstavlja normalizacijo cilja (kq),
ki zagotavlja primerljivost med cilji. Posledično uteži pri WGP pogosto imenujejo tudi
razmernostna konstanta. Druga pomembna komponenta pa je valorizacijska komponenta
(uq oziroma vq), ki predstavlja preferenčno strukturo posameznega cilja v primerjavi z
ostalimi cilji. Vrednostne uteži lahko definiramo na različne načine, ključno pa je, da z
njimi kar najbolje ponazorimo prioritete odločevalca (Žgajnar 2011).
14
3.1.2 Prioritetno ciljno programiranje (LGP)
Prioritetno ciljno programiranje (ang. Lexicographic – LGP) je metoda, ki je bila v
preteklosti najpogosteje uporabljena. Njena bistvena lastnost je, da pri reševanju uporablja
filozofijo prioritetnih ravni. Neželena odstopanja so za vse cilje razporejena po prioritetnih
ravneh (hL) in so predmet minimiranja. Kljub temu, da so prioritetne ravni ključna
značilnost LGP, pa se v določenih primerih lahko izkažejo kot pomanjkljive (Ignizio in
Romero 2003; Jones in Tamiz 2010). To je odvisno od večkriterijskega problema, ki ga
želimo obravnavati. Filozofija, na kateri temelji LGP, je najbolj primerna za modele z
nezveznimi preferencami (Tamiz s sod. 1998).
Matematično lahko prioritetni ciljni program zapišemo z Enačbo (3)
Lex Min a = [h1 (n,p), h2 (n,p), h3 (n,p), …, hL(n,p) ]
(3)
tako da je
fq(x) + nq – pq = bq
xϵF
1, … ,
nq , pq ≥ 0
Bistvena razlika v primerjavi s tehtanim ciljnim programom iz Enačbe (2) je v prioritetnih
ravneh (h) in njihovem številu (L). Pri tej obliki večkriterijskega optimiziranja je ključno,
kako postavimo prioritetne ravni posameznih ciljev oziroma vrstni red. Osnovna filozofija
reševanja večkriterijskih problemov s pomočjo LGP je namreč v postopnem
zadovoljevanju ciljev po prioritetnih ravneh. To pa pomeni, da so cilji na prvih ravneh
neskončno bolj pomembni kot cilji na nižjih ravneh (Jones in Tamiz 2010). Omejitev
ciljnega programiranja pa je, kot navajajo različni avtorji, tudi število prioritetnih ravni, ki
jih lahko vključimo v model. Jones in Tamiz (2010) govorita o največ petih, Ignizio in
Romero (2003) pa o največ treh prioritetnih ravneh.
15
Druga pomembna značilnost LGP izhaja iz dejstva, da če so cilji na prvih prioritetnih
ravneh nastavljeni preveč optimistično, potem cilji na nižjih ravneh ne morejo biti doseženi
kot navajata Ignizo in Romero (2003). Zaradi postopnega 'zadovoljevanja' po prioritetnih
ravneh ciljne vrednosti ne smejo biti nastavljene preveč optimistično oziroma idealno
(Žgajnar 2011).
3.1.3 Čebiševo ciljno programiranje (CGP)
Tretjo glavno različico ciljnega programiranja je predstavil Flavel (1967). Znana je kot
Čebiševo ciljno programiranje (ang. Chebyshev goal programming – CGP). Osnovna
različica CGP ne vključuje prioritetnih ravni, ki neposredno favorizirajo določene cilje v
primerjavi z drugimi (LGP), niti ne temelji na iskanju rešitve z najmanjšo skupno kaznijo
(WGP), pač pa poizkuša doseči dobro ravnovesje med vsemi cilji. Ključna filozofija je v
minimiranju največjega odstopanja (ɑ) od ciljnih vrednosti posameznih ciljev in s tem
iskanja kompromisa pri nedoseganju med cilji. Od tod izvira tudi ime, saj pri iskanju
rešitve uporablja filozofijo Čebiševe razdalje (L∞) (Jones in Tamiz 2010). V literaturi pa ga
pogosto zasledimo pod imenom MINMAX ciljni program – MGP (Romero 2004).
Min a = ɑ
tako da je
fq(x) + nq
u n
k
v p
+
k
pq = bq
≤ɑ
1, … ,
(4)
xϵF
nq , pq ≥ 0
Kot prikazuje Enačba (4) gre v primeru CGP za enokriterijski optimizacijski problem, ki
minimira eno spremenljivko, in sicer največje odstopanje med vsemi cilji - ɑ. CGP ima
podoben element tehtanega odstopanja kot WGP, le da ni predmet minimiranja vsota, pač
pa definira le odstopanje po posameznem cilju v pozitivno (pq) oziroma negativno (nq)
smer (Žgajnar 2011).
Romero in Rehman (2003) ugotavljata, da gre za zelo podobno metodo kompromisnemu
programiranju (CP). Dejstvo pa je, da ima CGP oziroma MGP največji potencial v
primerih, ko iščemo ravnovesje med cilji in iz takšnega ali drugačnega razloga ne moremo
določiti prioritetne lestvice posameznih ciljev (Jones in Tamiz 2010).
3.2 Razvoj modelnega orodja
Modelno orodje, namenjeno podpori pri odločanju na analiziranem kmetijskem
gospodarstvu, je bilo zasnovano kot trifazni sistem, ki vključuje dodatne podsisteme za
podporo odločanju. Tri glavne faze razvoja so opredeljene kot:
-
1. faza, ki zajema vzpostavitev modelnega sistema za izračun ekonomske
upravičenosti posamezne pridelave 'Pr.KALK'.
-
2. faza, ki predstavlja izgradnjo sistema, namenjenega določanju optimalne sestave
kolobarja 'Pr.OPTI' in uporablja podatke, pridobljene v modelnem sistemu 1. faze.
-
V 3. fazi podatke o optimalni sestavi kolobarja, ki so pridobljeni v 2. fazi,
uporabimo za vizualni prikaz poteka kolobarja, v ta namen smo razvili
'Pr.GANTT'.
16
1 Faza
Proizvodni načrt pridelave
Sgnojenja
Rdelo
Sdelo
2 Faza
FR
Pr.KALK
LP
Pr.OPTI
WGP
3 Faza
Rešitev površin
Pr.GANTT
Vizualizacija
poteka kolobarja
Slika XX: Struktura simulacijskega sistema
z opravili
Slika 1: Shematski prikaz trifaznega modelnega orodja (Lasten vir)
3.2.1 Razvoj modelnega orodja 'Pr.KALK'
Modelno orodje za izračun ekonomske upravičenosti pridelave smo zasnovali v
računalniškem okolju programa Microsoft Excel 2007. V razvitem orodju s pomočjo
matematičnih formul, ki ponazarjajo razmerja med inputi in outputi, določamo ekonomsko
upravičenost posamezne pridelave. Zgrajen model omogoča dva tipa kalkulacij, in sicer
17
planske ter obračunske. Modelno orodje, katerega izsek je prikazan na Sliki 2, pa se od
svojih predhodnikov loči po tem, da ima ta različica bazo podatkov o zaščitnih sredstvih,
strojnih in ročnih urah povezano s samim modelom preko spustnih seznamov, kar
omogoča hitrejše in kvalitetnejše delo.
Slika 2: Izsek iz modela kalkulacije kmetijske pridelave (Lasten vir)
3.2.2 Razvoj modelnega orodja 'Pr.OPTI'
Model za določanje optimalne sestave kolobarja je bil zasnovan v programskem paketu
Microsoft Excel 2007, za njegovo rešitev pa je uporabljeno orodje Reševalec. Model
sestavljata dva pod-modela, in sicer se razlikujeta v različni rabi metod matematičnega
programiranja. Prvi pod-model (Slika 3) za razrešitev uporablja klasično linearno
programiranje, s pomočjo katerega iščemo maksimalni finančni rezultat izbranega
kolobarja, katerega rezultat rabimo v drugem pod-modelu, saj ga tam opredelimo kot enega
18
izmed ciljev. Prednost tega pristopa se kaže v tem, da lahko pridemo do zanesljive ocene
cilja in na ta način omogočimo, da drugi pod-model, ki temelji na tehtanem ciljnem
programiranju, pripelje do rešitve, ki je sprejemljiva iz ekonomskega vidika.
Slika 3: Izsek iz modela, namenjenega optimiziranju kmetijske pridelave (Lasten vir)
Drugi pod-model uporablja metodo tehtanega ciljnega programiranja, nadgrajeno s
kazensko funkcijo. Metoda nam omogoča sočasno optimiziranje več ciljev, katere
oblikujemo tako, da omejitve pretvorimo v cilje. Postavljenim ciljem lahko teoretično
popolnoma zadostimo, včasih le deloma, v ekstremnih primerih pa srečamo tudi take, ki se
jim ne moremo približati. Odstopanje od ciljev omogočimo s spremenljivkami, ki jih
opredelimo za vsak cilj posebej, bodisi v pozitivno ali negativno smer in pomenijo
pozitivno ali negativno odstopanje od zastavljenega cilja. Tako zapisan model ima eno
samo namensko funkcijo, ki išče najmanjšo vsoto odstopanj od zastavljenih ciljev (Žgajnar
in Kavčič 2010).
19
20
Prednostne uteži določajo kakovost rezultata, z utežmi pa 'kaznujemo' neželeno odstopanje
od ciljnih vrednosti, s tem pa posredno postavimo prioritetno lestvico ciljev. V našem
primeru smo vključili v model 5 ciljev (finančni rezultat, strošek strojnega dela, strošek
ročnega dela, strošek gnojenja in površina), ki so izraženi v različnih enotah. V ta namen
odstopanja 'normaliziramo' tako, da želeno vrednost odštejemo od dejanske in rezultat
delimo z želeno vrednostjo in jih na ta način pretvorimo v primerljive.
Kazenska funkcija, s katero je nadgrajena metoda tehtanega ciljnega programiranja
(Slika 4), nam omogoča natančno nastavitev pozitivnih in negativnih odstopanj za vsak cilj
posebej, kar pomeni, da odstopanja ostanejo znotraj tolerančnih meja ter omogočajo
razlikovanje v ovrednotenju različnih intenzivnih odstopanj. Odvisno od značilnosti
posameznega cilja in njegove pomembnosti, da ga dosežemo v 100 %, prilagajamo
intervale, tako da so lahko različni drug od drugega. Vsako odstopanje je obravnavano na
podlagi predhodno določene večstranske kazenske funkcije, ki v nobenem primeru ne sme
preseči zunanjih meja postavljenih intervalov. Ker je kazenska funkcija povezana s
tehtanim ciljnim programom preko namenske funkcije, predstavlja pomemben dejavnik pri
minimiranju vsote vseh odstopanj (Žgajnar in Kavčič 2010).
Skupna
kazen
∞
Skupna
kazen
wi
s2wi
s1wi
di/gi
100%
pi2 min pi1 min
100%
pi1 max
pi2 max
Slika 4: Shematični prikaz konstantne in večstopenjske kazenske funkcije (Romero in
Rehman 2003)
3.2.3 Razvoj modelnega orodja 'Pr.GANTT'
Osnovna ideja izdelave terminskih planov s pomočjo gantogramske tehnike terminskega
planiranja je naslednja: uporabiti moramo koordinatni sistem tako, da nam horizontalna os
predstavlja čas, vertikalna os pa aktivnosti. Rezultat tega so gantogrami, imenovani tudi
Ganttovi diagrami, blokovni diagrami, linijski plani, paralelni ali koledarski plani (Pšunder
2008).
Orodje za terminsko spremljanje in načrtovanje smo zasnovali v programskem paketu
Microsoft Excel 2007. Orodje (Slika 5) je zasnovano tako, da se izbrane kulture v 2. fazi,
ko določamo optimalno sestavo kolobarja, prenesejo v modelno orodje. Preko baze
podatkov o posamezni kulturi modelno orodje prikaže podatke o potrebnih delovnih
opravilih posamezne kulture. Le-ta opravila vnašamo v dnevih na vertikalno os.
Slika 5: Izsek iz modelnega orodja 'Pr.GANTT' (Lasten vir)
21
22
3.3 Matematični zapis modelov
3.3.1 Modelno orodje 'Pr.KALK'
Posebej v ta namen in v predhodno razvitem tehnološko-ekonomskem simulacijskem
modelu poskušamo s pomočjo različnih matematičnih formul ugotoviti ekonomsko
upravičenost posamezne pridelave. Tako v ta namen uporabljamo več različnih
indikatorjev, ki prikazujejo upravičenost pridelave:
Razviti simulacijski model za izračun kalkulacij skupnih stroškov nam omogoča, da
predpostavimo štiri različne scenarije:
-
-
rezultati po predvidevanjih:
-
upoštevana neposredna plačila
-
brez upoštevanih neposrednih plačil
dejanski rezultati:
-
upoštevana neposredna plačila
-
brez upoštevanih neposrednih plačil
Simulacijski model omogoča še spremljanje med načrtovano in realizirano pridelavo na
nivojih po naslednjih obrazcih:
Dosežen pridelek na površino
-
pridelek = Predviden pridelek na površino
-
prihodek = Predviden prihodek na površino
-
prihodek z upoštevanimi neposrednimi plačili
Dosežen prihodek na površino
Dosežen prihodek na površino z upoštevanim neposrednim plačilom
Predviden prihodek na površino z upoštevanim neposrednim plačilom
(5)
(6)
(7)
23
Vendar pa se bomo posluževali le osnovnih izračunov in formul:
FR = VP – SS
(8)
kjer je:
FR
=
finančni rezultat (€ ali €/enoto)
VP
=
vrednost pridelave (€ ali €/enoto)
SS
=
skupni stroški pridelave (€ ali €/enoto)
Finančni rezultat predstavlja razliko med skupnim prihodkom proizvodnje in skupnimi
stroški proizvodnje.
VP PR × Y × Cy + Y1×Cy1
(9)
kjer je:
VP
=
vrednost pridelave (€ ali €/enoto)
PR
=
površina v ha
Y
=
skupna količina pridelka (kg, l, kom)
Y1
=
skupna količina stranskega pridelka (kg, l, kom)
Cy
=
cena enote proizvoda (€/kg, l, kom)
Cy1
=
cena enote proizvoda (€/kg, l, kom)
Vrednost pridelave predstavlja zmnožek količine pridelka in njegove cene, pomnoženega s
površino pridelave, k temu pa prištejemo še količino stranskega pridelka, pomnoženega s
ceno stranskega pridelka.
LC =
SS
(10)
Y
kjer je:
LC
=
lastna cena (€/enoto)
SS
=
skupni stroški (€ ali €/enoto)
Y
=
količina proizvoda (kg)
24
Lastna cena nam pove višino stroškov, potrebnih za proizvodnjo enote proizvoda.
Izračunana je kot kvocient med skupnimi stroški in količino pridelka. Lastna cena je
ekvivalent prelomni ceni proizvoda.
SP
(11)
Ke = SS
kjer je:
Ke
=
koeficient ekonomičnosti
SS
=
skupni stroški (€ ali €/enoto)
Y
=
količina proizvoda (kg)
Koeficient ekonomičnosti predstavlja razmerje med skupnimi prihodki in skupnimi stroški.
Z njim ugotavljamo gospodarnost poslovanja. Če je koeficient višji od ena, pomeni da je
poslovanje ekonomično in obratno.
S(sm)
s × Cs
(12)
kjer je:
S(sm)
=
strošek semenskega materiala oziroma sadik €/(kg
oziroma kom)
S(sg)
Qs
=
količina semenskega materiala v kg
Cs
=
cena za kg semenskega materiala v €/kg
g × Cg
(13)
kjer je:
S(sg)
=
strošek mineralnih gnojil v €
Qg
=
količina gnojil v kg
Cg
=
cena za kg mineralnega gnojila v €/kg
S(szs) = ( zs × Qx ) × Czs
25
(14)
kjer je:
S(szs)
=
strošek zaščitnih sredstev v €
Qzs
=
količina zaščitnih sredstev v lit oziroma kg
Qx
=
število obhodov s posameznim sredstvom v letu
Czs
=
cena za enoto (lit oz. kg) zaščitnega sredstva v €
S(ssd) ( up × Ce ) × dha
(15)
kjer je:
S(srd)
S(ssd)
=
strošek strojnega dela v €
Qup
=
količina strojnih ur/ha za opravilo
Ce
=
strošek strojnega dela v €/uro
Qdha
=
količina posameznega opravila na hektar
rd × Crd
(16)
kjer je:
S(nsd)
S(srd)
=
strošek ročnega dela €/uro
Qrd
=
količina ročnega dela ur/ha
Crd
=
cena ročnega dela v €/uro
sd × Csd
(17)
kjer je:
S(nsd)
=
strošek najetega strojnega dela v €
Qsd
=
količina najetega strojnega dela (ha oziroma strojnih
26
ur)
Csd
S(zav)
=
cena za enoto najetega strojnega dela v €
je strošek zavarovanja posevka na površino.
S(oma)
oma × Coma
(18)
kjer je:
S(oma)
=
strošek ostalega materiala v €
Qoma
=
količina ostalega materiala v enoti (kom, kg)
Coma
=
cena ostalega materiala na enoto v €
3.3.2 Modelno orodje 'Pr.OPTI'
Prvi pod-sistem v modelnem orodju za določanje optimalne sestave kolobarja 'Pr.OPTI'
smo zasnovali na podlagi metode linearnega programiranja, katerega formulacija je
prikazana v Enačbah (19–21) (teoretična podlaga povzeta po Žgajnar s sod. 2010). S
pomočjo prvega pod-sistema iščemo maksimalni finančni rezultat izbrane sestave
kolobarja. Namenska funkcija prvega pod-sistema ima obliko:
max C = ∑nj 1 cj * xj
(19)
tako da je
∑
xj ≥ 0
x j ≤ bi
za vse i = 1 do m
(20)
za vse j
(21)
27
2. pod-sistem tehtanega ciljnega programiranja s kazensko funkcijo ima naslednjo
namensko funkcijo:
min Z = s1 ∑ki 1
+ s2 ∑ki 1
(22)
tako da je
∑
xj +
∑
+
xj +
+
-
-
-
-
= gi
= gi
za vse i = 1 do r in gi≠0
(23)
za vse i = 1 do r in gi≠0
(24)
∑
xj = gi
za vse i = 1 do r in gi=0
(25a)
∑
x j ≤ bi
za vse i = 1 do m
(25b)
za vse i = 1 do r
(26a)
za vse i = 1 do r
(26b)
za vse i = 1 do r
(27a)
za vse i = 1 do r
(27b)
≤ gi - pmin
gi
i1
≤ gi - pmin
gi
i2
+
≤ pmax
gi - gi
i1
-
≤ pmax
gi - gi
i2
,
,
,
, xj ≥ 0
za vse j
Pomen oznak 1. in 2. pod-sistema:
Z in C
= namenska funkcija
= tehnični koeficienti i-te omejitve v j-ti aktivnosti
(28)
= obseg j-te aktivnosti odločitvene spremenljivke
xj
= vrednost j-te aktivnosti
= obseg i-tih razpoložljivih virov – desna stran enačbe (RHS)
bi
(FR, Sdelo, Rdelo, Sgnojenja, površina)
gi
= cilj i (FR, Sdelo, Rdelo, Sgnojenja, površina)
wi
= uteži, ki izražajo pomen za dosego posameznega cilja (FR,
Sdelo, Rdelo, Sgnojenja, površina)
s1 in s2
,
= kazenska koeficienta za prvi in drugi interval odstopanja
,
,
= pozitivna in negativna odstopanja v dveh stopnjah od
zastavljenih ciljev
pmin
< 1 , pmax
>1
i1
i1
=
parametri kazenske funkcije, ki definirajo prvi interval
odstopanja i-tega cilja
pmin
< 1 , pmax
>1
i2
i2
= parametri kazenske funkcije, ki definirajo drugi interval
odstopanja i-tega cilja
Drugi pod-sistem, ki temelji na tehtanem ciljnem programiranju s kazensko funkcijo je
zasnovan na podlagi Enačb (22–28). Namensko funkcijo (Enačba (22)), katera je predmet
minimiranja, smo definirali kot tehtano vsoto spremenljivk nezaželenih odstopanj od
želenih ciljev, pomnoženih s pripadajočima kazenskima koeficientoma (s1 in s2).
Pomembnost posameznega cilja je opredeljena s pripadajočimi utežmi (w), in sicer v
povezavi s pozitivnim in negativnim odstopanjem. Kontroliranje odstopanj za vsak cilj
poteka preko kazenskih intervalov (26a, 26b, 27a, 27b). Tekom postopka normalizacije
lahko edino cilji, ki imajo ne-negativne vrednosti (25b), odstopajo v pozitivno oz.
negativno smer. V primeru, ko je cilj enak nič (25a), pa cilje spremenimo v fiksne omejitve
in morajo biti v celoti izpolnjeni. V nasprotnem primeru, če tem zahtevam ne bi ugodili, bi
se srečali z deljenjem ničle (Žgajnar s sod. 2010).
Oba pod-sistema pa smo direktno povezali, tako ima ciljna celica v prvem pod-sistemu, ko
s pomočjo linearnega programa izračunamo maksimalni finančni rezultat izbranega
kolobarja nalogo, da kot rezultat iz prvega pod-sistema vstopi v drugi pod-sistem tehtanega
28
29
ciljnega programiranja s kazensko funkcijo kot ena izmed omejitev, katero poizkušamo
zadovoljiti v najvišji možni meri.
3.3.3 Modelno orodje 'Pr.GANTT'
Orodje, razvito v programskem paketu Microsoft Excel 2007, je v primerjavi s podobnimi
programi, ki se ukvarjajo z načrtovanjem in obvladovanjem proizvodnega procesa
(Microsoft Project), dokaj enostavno zastavljeno. Načrtovanje proizvodnega procesa smo
zasnovali tako, da iz baze podatkov na podlagi izbrane kulture v vnosno polje vstavimo
podatke o začetku in koncu trajanja posamezne aktivnosti.
V vnosno polje najprej vstavimo začetni datum, preko katerega formula (29) izračunava
obdobje posamezne aktivnosti, kakor tudi celotno obdobje vseh aktivnosti znotraj glavnega
proizvodnega procesa.
=IF(AND(A>=B;A<=C);1;"")
(29)
A – prejšnji dan dogodka (oz. začetni datum aktivnosti)
B – planiran začetek dogodka
C – planiran konec dogodka
3.4 Material in vir podatkov za primer analize
Za potrebe natančnih študij kmetijskega pridelovalnega sistema so nujni zanesljivi in
verodostojni vhodni podatki, kar predstavlja osnovo za nadaljnjo delo pri razvoju in
aplikaciji simulacijskih modelov (Vindiš 2010).
Zato smo podatke, namenjene iskanju optimalne sestave kolobarja, pridobili pri
kooperantih specializirane vrtnarske zadruge Vrtovi Panonski z. o. o., katere dejavnost je
prodaja pridelkov drugim kupcem na debelo. Baza podatkov, ki smo jo tekom naloge
vzpostavili, zajema 5 modelnih kalkulacij pridelave poljščin in 25 kalkulacij zelenjadnic,
ki v celoti upošteva načela integrirane pridelave.
Podatki o potrošnem materialu, stroških ročnih in strojnih delovnih ur ter drugi stroški se
nanašajo na leto 2011 in temeljijo na kombiniranju plansko-obračunskega pristopa v
izdelavi kalkulacij. Planski pristop smo uporabili z namenom poenotenja izhodišč pri
različnih kulturah:
-
Stroški gnojenja, kjer smo stopnjo založenosti s P2O5 in K2O opredelili kot
optimalno (C), kakor tudi pH tal, kateri je nevtralen. Gnojilne norme za omenjene
kulture smo povzeli po Tehnoloških navodilih za integrirano pridelavo, katerega
izdajatelj je Ministrstvo za kmetijstvo, gozdarstvo in prehrano.
-
Stroški fitofarmacevtskih sredstev, kjer smo za vsako kulturo pripravili splošni
načrt škropljenja, ki zajema vse najpomembnejše varstvo rastlin proti
najpomembnejšim boleznim, škodljivcem in plevelom.
Obračunski pristop pa smo uporabili v naslednjih primerih:
-
višina pridelka in prodajna cena za kg
-
stroški strojnih in ročnih ur
-
stroški semenskega materiala
V modelnem orodju 'Pr.GANTT' smo za časovno načrtovanje posameznih glavnih
postopkov (setev, presajanje, pobiranje) uporabili podatke, kjer so opredeljeni posamezni
časovni termini posameznih kultur (Černe 1998).
30
4 REZULTATI Z RAZPRAVO
Magistrsko delo je bilo zasnovano v treh sklopih, katerih rezultate prikazujemo v tem
poglavju. V prvem delu smo razvili modelno orodje za analizo ekonomske upravičenosti
posamezne pridelave. Podatke iz posameznih sklopov smo nato prenesli v drugi sklop, v
katerem s pomočjo modelnega orodja, ki temelji na matematičnem programiranju, iščemo
optimalno sestavo izbranih kultur. V tretji sklop pa nato izbrani kolobar prenesemo v
orodje, ki temelji na gantogramski tehniki in omogoča spremljanje in načrtovanje
posameznih aktivnosti v pridelavi tako posamezne kulture kot celotnega kolobarja.
4.1 Rezultati modelnega orodja 'Pr.KALK'
V tem poglavju navajamo rezultate 30-ih izračunanih modelnih kalkulacij, ki temeljijo na
podatkih tehnoloških kart za posamezno vrsto pridelave in sovpadajo v obračunsko leto
2011.
31
4.1.1 Pšenica
Pridelek pšenice znaša 6.000 kg/ha, kar ob ceni 0,18 €/kg pomeni 1.080,00 € prihodka ter
1.412,00 € z vštetim neposrednim plačilom. Stroške ročnega in strojnega dela ter stroške
gnojenja, katerih podatki so potrebni v modelnem orodju 'Pr.OPTI', navajamo v
Preglednici 1.
Preglednica 1: Stroški strojnega in ročnega dela ter gnojenja za pšenico (v €/ha)
Strojno delo (€)
Ročno delo (€) Strošek gnojenja (€)
264,34
50,00
567,86
Skupni stroški znašajo 1.267,38 €. Rezultati ekonomskih kazalnikov z vštetimi
neposrednimi plačili o uspešnosti pridelave v Preglednici 2 kažejo, da je pridelava, ozirajoč
se na koeficient ekonomičnosti, ekonomsko upravičena (Ke = 1,15).
Preglednica 2: Rezultati ekonomskih kazalnikov za pšenico
Lastna cena
Vrednost proizvodnje
Finančni rezultat
Koeficient ekonomičnosti
Prelomna točka proizvodnje
0,16
€/kg
1.080,00
€/ha
144,62
€/ha
1,15
5.196,54
kg/ha
32
4.1.2 Ječmen
Pridelek ječmena znaša 6.000 kg/ha, kar ob ceni 0,155 €/kg pomeni 1.550,00 € prihodka
ter 1.882,00 € z vštetim neposrednim plačilom. Stroške ročnega in strojnega dela ter
stroške gnojenja, katerih podatki so potrebni v modelnem orodju 'Pr.OPTI', navajamo v
Preglednici 3.
Preglednica 3: Stroški strojnega in ročnega dela ter gnojenja za ječmen (v €/ha)
Strojno delo (€)
264,34
50,00
540,87
se na koeficient ekonomičnosti, ekonomsko upravičena (Ke
1,07).
Preglednica 4: Rezultati ekonomskih kazalnikov za ječmen
0,15
€/kg
960,00
€/ha
Finančni rezultat
62,87
€/ha
1,07
Lastna cena
5.607,08
kg/ha
33
4.1.3 Koruza za zrnje
Pridelek zrnja koruze znaša 10.000 kg/ha, kar ob ceni 0,155 €/kg pomeni 1.550,00 €
prihodka ter 1.882,00 € z vštetim neposrednim plačilom. Stroške ročnega in strojnega dela
ter stroške gnojenja, katerih podatki so potrebni v modelnem orodju 'Pr.OPTI', navajamo v
Preglednici 5.
Preglednica 5: Stroški strojnega in ročnega dela ter gnojenja za koruzo (v €/ha)
Strojno delo (€)
389,63
74,00
617,04
1,31).
Preglednica 6: Rezultati ekonomskih kazalnikov za koruzo
Lastna cena
Finančni rezultat
0,12
€/kg
1.550,00
€/ha
368,99
€/ha
1,31
7.619,41
kg/ha
34
4.1.4 Oljna ogrščica
Pridelek oljne ogrščice znaša 3.200 kg/ha, kar ob ceni 0,307 €/kg pomeni 982,40 €
Preglednici 7.
Preglednica 7: Stroški strojnega in ročnega dela ter gnojenja za oljno ogrščico (v €/ha)
Strojno delo (€)
257,61
50,00
617,04
1,03).
Preglednica 8: Rezultati ekonomskih kazalnikov za oljno ogrščico
0,30
€/kg
982,40
€/ha
Finančni rezultat
30,22
€/ha
1,03
Lastna cena
3.101,57
kg/ha
35
4.1.5 Cvetača
Pridelek cvetače znaša 18.000 kg/ha, kar ob ceni 0,45 €/kg pomeni 8.100,00 € prihodka ter
Preglednici 9.
Preglednica 9: Stroški strojnega in ročnega dela ter gnojenja za cvetačo (v €/ha)
Strojno delo (€)
819,41
2.132,50
1.156,45
neposrednimi plačili o uspešnosti pridelave v Preglednici 10 kažejo, da je pridelava,
ozirajoč se na koeficient ekonomičnosti, ekonomsko upravičena (Ke
1,42).
Preglednica 10: Rezultati ekonomskih kazalnikov za cvetačo
0,32
€/kg
8.100,00
€/ha
Finančni rezultat
2.406,44
€/ha
Lastna cena
1,42
12.652,35
kg/ha
36
4.1.6 Rano zelje
Pridelek ranega zelja znaša 35.000 kg/ha, kar ob ceni 0,30 €/kg pomeni 10.500,00 €
prihodka ter 11.017,00 € z vštetim neposrednim plačilom. Stroške ročnega in strojnega
dela ter stroške gnojenja, katerih podatki so potrebni v modelnem orodju 'Pr.OPTI',
navajamo v Preglednici 11.
Preglednica 11: Stroški strojnega in ročnega dela ter gnojenja za rano zelje (v €/ha)
Strojno delo (€)
724,19
2.750,00
1.274,36
1,21).
Preglednica 12: Rezultati ekonomskih kazalnikov za rano zelje
0,25
€/kg
10.500,00
€/ha
Finančni rezultat
1.813,40
€/ha
Lastna cena
1,21
28.955,32
kg/ha
37
4.1.7 Pozno zelje
Pridelek poznega zelja znaša 55.000 kg/ha, kar ob ceni 0,18 €/kg pomeni 9.900,00 €
Preglednica 13: Stroški strojnega in ročnega dela ter gnojenja za pozno zelje (v €/ha)
Strojno delo (€)
826,28
2.632,50
1.274,36
1,34).
Preglednica 14: Rezultati ekonomskih kazalnikov za pozno zelje
0,13
€/kg
9.900,00
€/ha
Finančni rezultat
2.525,64
€/ha
Lastna cena
1,34
40.968,65
kg/ha
38
4.1.8 Brokoli
Pridelek brokolija znaša 20.000 kg/ha, kar ob ceni 0,60 €/kg pomeni 12.000,00 € prihodka
Preglednici 15.
Preglednica 15: Stroški strojnega in ročnega dela ter gnojenja za brokoli (v €/ha)
Strojno delo (€)
826,28
2.632,50
978,88
ozirajoč se na koeficient ekonomičnosti, ekonomsko upravičena (Ke = 1,63).
Preglednica 16: Rezultati ekonomskih kazalnikov za brokoli
0,37
€/kg
12.000,00
€/ha
Finančni rezultat
4.628,12
€/ha
Lastna cena
1,63
12.286,47
kg/ha
39
4.1.9 Glavnati ohrovt
Pridelek glavnatega ohrovta znaša 40.000 kg/ha, kar ob ceni 0,30 €/kg pomeni 12.000,00 €
Preglednica 17: Stroški strojnega in ročnega dela ter strošek za glavnati ohrovt (v €/ha)
Strojno delo (€)
1.200,38
2.632,50
1.762,94
1,30).
Preglednica 18: Rezultati ekonomskih kazalnikov za glavnati ohrovt
0,23
€/kg
12.000,00
€/ha
Finančni rezultat
2.794,96
€/ha
Lastna cena
1,30
30.683,47
kg/ha
40
4.1.10 Koleraba
Pridelek kolerabe znaša 30.000 kg/ha, kar ob ceni 0,60 €/kg pomeni 18.000,00 € prihodka
Preglednici 19.
Preglednica 19: Stroški strojnega in ročnega dela ter gnojenja za kolerabo (v €/ha)
Strojno delo (€)
1.200,38
2.632,50
1.762,94
1,65).
Preglednica 20: Rezultati ekonomskih kazalnikov za kolerabo
0,36
€/kg
18.000,00
€/ha
Finančni rezultat
7.122,96
€/ha
Lastna cena
1,65
18.128,40
kg/ha
41
4.1.11 Korenje
Pridelek korenja znaša 50.000 kg/ha, kar ob ceni 0,14 €/kg pomeni 7.000,00 € prihodka ter
Preglednici 21.
Preglednica 21: Stroški strojnega in ročnega dela ter gnojenja za korenje (v €/ha)
Strojno delo (€)
558,09
2.622,50
1.417,62
1,14).
Preglednica 22: Rezultati ekonomskih kazalnikov za korenje
Lastna cena
Finančni rezultat
0,12
€/kg
7.000,00
€/ha
859,08
€/ha
1,14
43.863,73
kg/ha
42
4.1.12 Listni peteršilj
Pridelek listnega peteršilja znaša 30.000 kg/ha, kar ob ceni 0,80 €/kg pomeni 24.000,00 €
Preglednica 23: Stroški strojnega in ročnega dela ter gnojenja za listni peteršilj (v €/ha)
Strojno delo (€)
631,77
2.382,50
850,48
2,33).
Preglednica 24: Rezultati ekonomskih kazalnikov za listni peteršilj
0,34
€/kg
24.000,00
€/ha
Finančni rezultat
13.712,50
€/ha
Lastna cena
2,33
12.859,38
kg/ha
43
4.1.13 Peteršilj koren
Pridelek korenastega peteršilja znaša 25.000 kg/ha, kar ob ceni 0,50 €/kg pomeni
12.500,00 € prihodka ter 13.017,00 € z vštetim neposrednim plačilom. Stroške ročnega in
strojnega dela ter stroške gnojenja, katerih podatki so potrebni v modelnem orodju
'Pr.OPTI', navajamo v Preglednici 25.
Preglednica 25: Stroški strojnega in ročnega dela ter gnojenja za korenasti peteršilj (v €/ha)
Strojno delo (€)
631,77
2.559,00
729,32
2,25).
Preglednica 26: Rezultati ekonomskih kazalnikov za korenasti peteršilj
0,22
€/kg
12.500,00
€/ha
Finančni rezultat
6.947,01
€/ha
Lastna cena
2,25
11.105,98
kg/ha
44
4.1.14 Listna zelena
Pridelek listne zelene znaša 40.000 kg/ha, kar ob ceni 0,90 €/kg pomeni 36.000,00 €
Preglednica 27: Stroški strojnega in ročnega dela ter gnojenja za listno zeleno (v €/ha)
Strojno delo (€)
5.657,42
2.059,00
1.432,99
2,33).
Preglednica 28: Rezultati ekonomskih kazalnikov za listno zeleno
0,39
€/kg
36.000,00
€/ha
Finančni rezultat
20.558,18
€/ha
Lastna cena
2,33
17.157,57
kg/ha
45
4.1.15 Oljne buče
Pridelek semen oljnih buč znaša 700 kg/ha, kar ob ceni 3,50 €/kg pomeni 2.450,00 €
Preglednici 29.
Preglednica 29: Stroški strojnega in ročnega dela ter gnojenja za oljne buče (v €/ha)
Strojno delo (€)
273,63
65,00
393,66
1,91).
Preglednica 30: Rezultati ekonomskih kazalnikov za oljne buče
1,83
€/kg
2.450,00
€/ha
Finančni rezultat
1.170,32
€/ha
Lastna cena
1,91
365,62
kg/ha
46
4.1.16 Melone
Pridelek melon znaša 60.000 kg/ha, kar ob ceni 0,40 €/kg pomeni 24.000,00 € prihodka ter
Preglednici 31.
Preglednica 31: Stroški strojnega in ročnega dela ter gnojenja za melone (v €/ha)
Strojno delo (€)
522,56
2.360,00
622,54
2,58).
Preglednica 32: Rezultati ekonomskih kazalnikov za melone
0,15
€/kg
24.000,00
€/ha
Finančni rezultat
14.712,63
€/ha
Lastna cena
2,58
23.218,42
kg/ha
47
4.1.17 Lubenice
Pridelek lubenic znaša 80.000 kg/ha, kar ob ceni 0,15 €/kg pomeni 12.000,00 € prihodka
Preglednici 33.
Preglednica 33: Stroški strojnega in ročnega dela ter gnojenja za lubenice (v €/ha)
Strojno delo (€)
498,00
1.860,00
622,54
1,49).
Preglednica 34: Rezultati ekonomskih kazalnikov za lubenice
0,10
€/kg
12.000,00
€/ha
Finančni rezultat
3.937,19
€/ha
Lastna cena
1,49
53.752,07
kg/ha
48
4.1.18 Bučke
Pridelek bučk znaša 80.000 kg/ha, kar ob ceni 0,35 €/kg pomeni 28.000,00 € prihodka ter
Preglednici 35.
Preglednica 35: Stroški strojnega in ročnega dela ter gnojenja za bučke (v €/ha)
Strojno delo (€)
544,92
4.860
923,77
1,54).
Preglednica 36: Rezultati ekonomskih kazalnikov za bučke
0,23
€/kg
28.000,00
€/ha
Finančni rezultat
9.836,04
€/ha
Lastna cena
1,54
51.897,03
kg/ha
49
4.1.19 Kitajsko zelje
Pridelek kitajskega zelja znaša 50.000 kg/ha, kar ob ceni 0,50 €/kg pomeni 25.000,00 €
Preglednica 37: Stroški strojnega in ročnega dela ter gnojenja za kitajsko zelje (v €/ha)
Strojno delo (€)
826,28
2.632,50
1.762,94
1,70).
Preglednica 38: Rezultati ekonomskih kazalnikov za kitajsko zelje
0,29
€/kg
25.000,00
€/ha
Finančni rezultat
10.316,24
€/ha
Lastna cena
1,70
29.367,51
kg/ha
50
4.1.20 Zgodnji krompir
Pridelek zgodnjega krompirja znaša 30.000 kg/ha, kar ob ceni 0,30 €/kg pomeni 9.300,00 €
Preglednici 39.
Preglednica 39: Stroški strojnega in ročnega dela ter gnojenja za zgodnji krompir (v €/ha)
Strojno delo (€)
712,78
2.421,50
640,29
1,37).
Preglednica 40: Rezultati ekonomskih kazalnikov za zgodnji krompir
0,23
€/kg
9.300,00
€/ha
Finančni rezultat
2.530,38
€/ha
Lastna cena
1,37
22.565,40
kg/ha
51
4.1.21 Paprika
Pridelek paprike znaša 40.000 kg/ha, kar ob ceni 0,45 €/kg pomeni 18.000,00 € prihodka
Preglednici 41.
Preglednica 41: Stroški strojnega in ročnega dela ter gnojenja za papriko (v €/ha)
Strojno delo (€)
469,94
7.360,00
1.072,24
1,18).
Preglednica 42: Rezultati ekonomskih kazalnikov za papriko
0,38
€/kg
18.000,00
€/ha
Finančni rezultat
2.731,04
€/ha
Lastna cena
1,18
33.931,03
kg/ha
52
4.1.22 Jajčevec
Pridelek jajčevca znaša 15.000 kg/ha, kar ob ceni 0,60 €/kg pomeni 9.000,00 € prihodka
Preglednici 43.
Preglednica 43: Stroški strojnega in ročnega dela ter gnojenja za jajčevec (v €/ha)
Strojno delo (€)
469,94
485,00
923,77
1,23).
Preglednica 44: Rezultati ekonomskih kazalnikov za jajčevec
0,49
€/kg
9.000,00
€/ha
Finančni rezultat
1.674,50
€/ha
Lastna cena
1,23
12.209,16
kg/ha
53
4.1.23 Feferoni
Pridelek feferonov znaša 30.000 kg/ha, kar ob ceni 0,60 €/kg pomeni 18.000,00 € prihodka
Preglednici 45.
Preglednica 45: Stroški strojnega in ročnega dela ter gnojenja za feferone (v €/ha)
Strojno delo (€)
770,23
7.360,00
1.072,24
1,16).
Preglednica 46: Rezultati ekonomskih kazalnikov za feferone
0,52
€/kg
18.000,00
€/ha
Finančni rezultat
2.430,74
€/ha
Lastna cena
1,16
25.948,76
kg/ha
54
4.1.24 Nizki fižol
Pridelek nizkega fižola znaša 12.500 kg/ha, kar ob ceni 0,80 €/kg pomeni 10.000,00 €
Preglednica 47: Stroški strojnega in ročnega dela ter gnojenja za nizki fižol (v €/ha)
Strojno delo (€)
823,23
657,50
734,52
3,04).
Preglednica 48: Rezultati ekonomskih kazalnikov za nizki fižol
0,26
€/kg
10.000,00
€/ha
Finančni rezultat
6.706,40
€/ha
Lastna cena
3,04
4.117,00
kg/ha
55
4.1.25 Endivija
Pridelek endivije znaša 30.000 kg/ha, kar ob ceni 0,50 €/kg pomeni 15.000,00 € prihodka
Preglednici 49.
Preglednica 49: Stroški strojnega in ročnega dela ter gnojenja za endivijo (v €/ha)
Strojno delo (€)
689,34
1.861,50
609,52
1,55).
Preglednica 50: Rezultati ekonomskih kazalnikov za endivijo
0,32
€/kg
15.000,00
€/ha
Finančni rezultat
5.350,50
€/ha
Lastna cena
1,55
19.299,00
kg/ha
56
4.1.26 Radič
Pridelek radiča znaša 20.000 kg/ha, kar ob ceni 0,70 €/kg pomeni 14.000,00 € prihodka ter
Preglednici 51.
Preglednica 51: Stroški strojnega in ročnega dela ter gnojenja za radič (v €/ha)
Strojno delo (€)
681,96
1.861,50
647,19
1,33).
Preglednica 52: Rezultati ekonomskih kazalnikov za radič
0,53
€/kg
14.000,00
€/ha
Finančni rezultat
3.489,20
€/ha
Lastna cena
1,33
15.015,43
kg/ha
57
4.1.27 Solata
Pridelek solate znaša 30.000 kg/ha, kar ob ceni 0,45 €/kg pomeni 13.500,00 € prihodka ter
Preglednici 53.
Preglednica 53: Stroški strojnega in ročnega dela ter gnojenja za solato (v €/ha)
Strojno delo (€)
689,34
1.861,50
596,73
1,40).
Preglednica 54: Rezultati ekonomskih kazalnikov za solato
0,32
€/kg
13.500,00
€/ha
Finančni rezultat
3.863,28
€/ha
Lastna cena
1,40
21.414,93
kg/ha
58
4.1.28 Čebula
Pridelek čebule znaša 40.000 kg/ha, kar ob ceni 0,18 €/kg pomeni 7.200,00 € prihodka ter
Preglednici 55.
Preglednica 55: Stroški strojnega in ročnega dela ter gnojenja za čebulo (v €/ha)
Strojno delo (€)
866,69
2.616,50
699,26
1,40).
Preglednica 56: Rezultati ekonomskih kazalnikov za čebulo
0,13
€/kg
7.200,00
€/ha
Finančni rezultat
2.040,11
€/ha
Lastna cena
1,40
28.666,06
kg/ha
59
4.1.29 Česen
Pridelek česna znaša 7.000 kg/ha, kar ob ceni 1,5 €/kg pomeni 7.200,00 € prihodka ter
Preglednici 57.
Preglednica 57: Stroški strojnega in ročnega dela ter gnojenja za česen (v €/ha)
Strojno delo (€)
690,47
2.616,50
495,50
1,40).
Preglednica 58: Rezultati ekonomskih kazalnikov za česen
1,07
€/kg
10.500,00
€/ha
Finančni rezultat
3.020,10
€/ha
Lastna cena
1,40
4.986,60
kg/ha
60
4.1.30 Por
Pridelek pora znaša 35.000 kg/ha, kar ob ceni 0,70 €/kg pomeni 24.500,00 € prihodka ter
Preglednici 59.
Preglednica 59: Stroški strojnega in ročnega dela ter gnojenja za por (v €/ha)
Strojno delo (€)
607,05
4.006,50
885,14
1,58).
Preglednica 60: Rezultati ekonomskih kazalnikov za por
0,44
€/kg
24.500,00
€/ha
Finančni rezultat
8.963,87
€/ha
Lastna cena
1,58
22.194,47
kg/ha
61
4.2 Rezultati modelnega orodja 'Pr.OPTI'
Namen magistrskega dela je določiti optimalno sestavo kolobarja, kar v našem primeru
pomeni generiranje prevelikega števila scenarijev. Zaradi lažjega razumevanja samega
delovanja modela smo se odločili za predstavitev rezultatov v odvisnosti od omejitev in
postopkov vhodnih parametrov.
Tako bomo generirali štiri različne sestave kolobarja različnih kultur znotraj posameznih
družin v 5-letnem kolobarju.
4.2.1 Scenarij 1
V prvem scenariju rezultate generiramo s pomočjo omejitev, ki jih postavimo ročno, kot
neko splošno mejo, do katere želimo obdržati stroške gnojenja, ročnega in strojnega dela,
in sicer strojno delo na 10.000 €, ročno delo na 25.000 € ter strošek gnojenja na 10.000 €.
Omejitev cilja finančnega rezultata smo določili s pomočjo linearnega programiranja v
pod-modelu 'LPFR', kjer je finančni rezultat predmet maksimiranja, ter nato prenesen v
model 'WGP+PF' kot omejitev (gi). Da bo sestava kolobarja optimalna, smo v model
vpeljali najnižje in najvišje omejitve površine (ha) po posameznih poljinah, katere
vrednosti prikazujemo v Preglednici 61.
Preglednica 61: Omejitve kolobarja v modelu WGP+PF
ha
ha
1. poljina
0,10
<=
Rešitev
>=
3,00
2. poljina
0,10
<=
Rešitev
>=
2,00
3. poljina
0,10
<=
Rešitev
>=
2,00
4. poljina
0,10
<=
Rešitev
>=
3,00
5. poljina
0,10
<=
Rešitev
>=
2,00
62
V prvem scenariju prikazujemo štiri različne sestave kolobarja, od katerih vsaka poljina
petletnega kolobarja predstavlja eno družino. Nabor družin po posamezni poljini
prikazujemo v Preglednici 62.
Preglednica 62: Sestava kolobarnih členov po družinah
1. poljina
žitarica + križnica
2. poljina
kobulnica
3. poljina
bučnica
4. poljina
razhudnikovka
5. poljina
košarica
V modelu 'WGP+PF', s katerim določamo optimalni obseg sestave kolobarja, je poleg
vhodnih podatkov pomemben dejavnik, ki vpliva na dobljene rezultate, tudi nastavitev
parametrov kazenske funkcije, ki definirajo 1. in 2. interval odstopanja (Preglednica 63) od
posameznega cilja, ter posledično s svojo vrednostjo na namensko funkcijo, ki je predmet
minimiranja. V spodnji preglednici prikazujemo še uporabljene uteži, ki izražajo pomen za
dosego posameznega cilja. Prvi koeficient S1, vrednosti 1 in drugi koeficient S2, vrednosti
4, ki omogočata razlikovanje med odstopanji znotraj ciljev.
Preglednica 63: Vrednosti 1. in 2. intervala odstopanja ter uteži (wi) pri 1. scenariju
Intervali (%)
p1 Min
p1 Max
p2 Min
p2 Max
Uteži
(wi)
Cilj 1
FR
2,00 %
10,00 %
5,00 %
15,00 %
100,00
Cilj 2
Sdelo
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 3
Rdelo
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 4
Sgnojenja
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 5
površina
1,00 %
1,00 %
2,00 %
2,00 %
100,00
63
Nastavitve v prvem scenariju orodja 'Pr.OPTI', katerega smo razvili s pomočjo metod
matematičnega programiranja, so nam dale rezultate, ki jih prikazujemo v Preglednicah
64–67. V obeh scenarijih smo izbrali štiri različne možnosti kolobarja, vendar znotraj
posameznih družin, da bi izključili možnost, da bi posamezna kultura vplivala na skupni
rezultat iskanja optimalne sestave kolobarja.
Rezultati primera 1, ki so prikazani v Preglednici 64, kažejo, da v primeru, ko so nastavitve
omejitev glede na dane vhodne podatke postavljene dovolj 'visoko', le-te zadovoljijo
zastavljene cilje.
Preglednica 64: Primer 1 – sestava kolobarja po 1. scenariju
Površina
Cilji
Rešitev
ječmen+zelje
3,00
FR
25.338,11
>=
28.367,19
korenje
0,75
Sdelo
7.269,90
=
10.000,00
oljne buče
1,92
Rdelo
19.881,46
=
25.000,00
krompir zgodnji
3,00
Sgnojenja
10.000,00
=
10.000,00
endivija
1,32
površina
10,00
=
10,00
gi
Rezultati primera 2, ki so prikazani v preglednici 65, kažejo, da so omejitve, postavljene
ročno prenizke, kar pomeni, da rešitev površine ni dosežena v popolnosti.
Površina
Cilji
Rešitev
ječmen+zelje
2,99
FR
62.065,71
>=
74.610,27
listni peteršilj
2,00
Sdelo
6.882,71
=
10.000,00
melone
1,21
Rdelo
25.000,00
=
25.000,00
paprika zunaj
0,76
Sgnojenja
10.000,00
=
10.000,00
radič
2,00
površina
8,97
=
10,00
gi
64
Rezultati primera 3, ki je prikazan v Preglednici 66, kažejo primer, ko so izbrane kulture v
kolobarju stroškovno zelo zahtevne glede na gnojenje, kar potrjuje dejstvo, da je rešitev
stroška gnojenja enaka omejitvi – posledično pa ta rezultat onemogoča zadovoljevanje
omejitve skupne površine.
Površina
Cilji
Rešitev
ječmen+zelje
3,00
FR
38.451,65
>=
38.935,00
peteršilj koren
2,00
Sdelo
7.244,35
=
10.000,00
lubenice
2,00
Rdelo
20.953,51
=
25.000,00
jajčevec
0,71
Sgnojenja
10.000,00
=
10.000,00
solata
2,00
površina
9,71
=
10,00
gi
Rezultati 4. primera iz Preglednice 67 so podobni rezultatom iz 2. primera, prikazanega v
Preglednici 65, zaradi dejstva, da so omejitve ročnega dela in stroškov gnojenja postavljeni
prenizko, kar pomeni, da so omejitve postavljene prenizko in kar posledično pomeni, da
omejitev površin ni dosežena v popolnosti.
Površina
Cilji
Rešitev
ječmen+zelje
2,99
FR
56.591,73
>=
81.685,72
listna zelena
0,87
Sdelo
6.408,37
=
10.000,00
bučke
2,00
Rdelo
25.000,00
=
25.000,00
feferoni
0,24
Sgnojenja
10.000,00
=
10.000,00
endivija
2,00
Površina
8,10
=
10,00
gi
65
4.2.2 Scenarij 2
V drugem scenariju rezultate generiramo s pomočjo omejitev, ki jih generiramo s pomočjo
metode linearnega programiranja. Omejitev cilja finančnega rezultata, katerega tako kot v
prvem scenariju določimo s pomočjo linearnega programiranja v pod-modelu 'LPFR', kjer
je finančni rezultat predmet maksimiranja, je nato prenesena v model 'WGP+PF' kot
omejitev (gi). Drugi scenarij se od prvega loči predvsem v definiranju omejitev, ki jih v
tem primeru določimo s pomočjo linearnega programiranja. Omejitve so v pod-modelih
'LPSdelo', 'LPSgnojenje' in 'LPRdelo' in so predmet minimiranja skupnih stroškov ter
rešitve površine. Da bo sestava kolobarja optimalna, smo v model in pod-modele vpeljali
najnižje in najvišje omejitve površine (ha) po posameznih poljinah, katere vrednosti
prikazujemo v Preglednici 68.
Preglednica 68: Omejitve kolobarja v modelu 'WGP+PF' po scenariju 2
1. poljina
0,10
<=
Rešitev
>=
3,00
2. poljina
0,10
<=
Rešitev
>=
2,00
3. poljina
0,10
<=
Rešitev
>=
2,00
4. poljina
0,10
<=
Rešitev
>=
3,00
5. poljina
0,10
<=
Rešitev
>=
2,00
V scenariju 2 tako kot v prvem prikazujemo štiri različne sestave kolobarja, od katerih
vsaka poljina petletnega kolobarja predstavlja eno družino. Nabor družin po posameznih
poljinah prikazujemo v Preglednici 69.
Preglednica 69: Sestava kolobarnih členov po družinah po scenariju 2
1. poljina
žitarica + križnica
2. poljina
kobulnica
3. poljina
bučnica
4. poljina
razhudnikovka
5. poljina
košarica
66
V modelu 'WGP+PF', s katerim določamo optimalni obseg sestave kolobarja, je poleg
vhodnih podatkov pomemben dejavnik, ki vpliva na dobljene rezultate, tudi nastavitev
parametrov kazenske funkcije, ki definirajo 1. in 2. interval odstopanja (Preglednica 70) od
posameznega cilja, ter posledično s svojo vrednostjo na namensko funkcijo, ki je predmet
minimiranja. V spodnji preglednici prikazujemo še uporabljene uteži, ki izražajo pomen za
dosego posameznega cilja. Prvi koeficient S1, vrednosti 1, in drugi koeficient S2, vrednosti
4, ki omogočata razlikovanje med odstopanji znotraj ciljev.
Preglednica 70: Vrednosti 1. in 2. intervala odstopanja ter uteži (wi) pri 1. scenariju
Intervali (%)
p1 Min
p1 Max
p2 Min
p2 Max
Uteži
(wi)
Cilj 1
FR
2,00 %
10,00 %
5,00 %
15,00 %
100,00
Cilj 2
Sdelo
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 3
Rdelo
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 4
Sgnojenja
5,00 %
5,00 %
10,00 %
10,00 %
5,00
Cilj 5
površina
1,00 %
1,00 %
2,00 %
2,00 %
100,00
Nastavitve v drugem scenariju orodja 'Pr.OPTI', katerega smo razvili s pomočjo metod
matematičnega programiranja, so nam dale rezultate, ki jih prikazujemo v Preglednicah
71–74. V obeh scenarijih smo izbrali štiri različne možnosti kolobarja, vendar znotraj
posameznih družin, in sicer z namenom, da izključimo možnost, da bi posamezna kultura
vplivala na skupni rezultat iskanja optimalne sestave kolobarja.
Rezultati primera 1 v Preglednici 71 kažejo, da je modelno orodje glede na dane omejitve
deleža površin posamezne poljine, kot tudi omejitev vseh 5-ih ciljev, generiralo rezultate,
ki se skoraj v popolnosti prilegajo omejitvam.
67
Površina
Cilji
Rešitev
ječmen+zelje
3,00
FR
28.079,01
>=
28.367,19
korenje
1,00
Sdelo
7.619,45
=
7.620,59
oljne buče
1,00
Rdelo
21.722,50
=
21.722,50
krompir zgodnji
3,00
Sgnojenja
10.396,86
=
10.396,86
endivija
2,00
površina
10,00
=
10,00
gi
Primer 2, katerega rezultati so prikazani v Preglednici 72, se predvsem zaradi svojih
omejitev ročnega in strojnega dela, popolnoma prilegajo postavljeni omejitvi.
Površina
Cilji
Rešitev
ječmen+zelje
2,79
FR
73.920,52
>=
74.610,27
listni peteršilj
2,00
Sdelo
7.199,91
=
7.199,91
melone
2,00
Rdelo
29.238,01
=
29.238,01
paprika zunaj
1,19
Sgnojenja
10.508,36
=
11.429,82
radič
1,89
površina
9,87
=
10,00
gi
Rezultati primera 3, prikazanega v Preglednici 73, podobno kot v primeru 1 prikazujejo
optimalni scenarij pri načrtovanju kolobarja, tako da so omejitve glede razporeditve in
sestave površin dosežene, finančni rezultat pa se v najvišji možni meri prilega postavljeni
omejitvi.
68
Površina
Cilji
Rešitev
ječmen+zelje
1,49
FR
37.332,69
>=
38.935,00
peteršilj koren
2,00
Sdelo
6.441,58
=
7.190,11
lubenice
1,90
Rdelo
17.644,50
=
17.644,50
jajčevec
2,61
Sgnojenja
8.952,72
=
10.762,34
solata
2,00
površina
10,00
=
10,00
gi
Rezultati primera 4 v Preglednici 74 kažejo na kompromis znotraj rešitev med visoko
vrednostjo finančnega rezultata ter prileganja stroškov do omejitev ter na koncu rešitve
skupne površine, ki ne dosega v celoti zastavljene omejitve.
Površina
Cilji
Rešitev
ječmen+zelje
3,00
FR
81.172,49
>=
81.685,72
listna zelena
2,00
Sdelo
7.482,81
=
8.073,56
bučke
2,00
Rdelo
31.414,51
=
31.414,51
feferoni
0,79
Sgnojenja
12.224,09
=
12.238,20
endivija
2,00
površina
9,79
=
10,00
gi
4.3 Rezultati modelnega orodja 'Pr.GANTT'
Modelno orodje uporabljamo za načrtovanje proizvodnje in spremljanje njenih dejavnosti.
Tako smo kolobar (ječmen + zelje, korenje, oljne buče, krompir zgodnji, endivija) prenesli
v vizualno obliko znotraj modelnega orodja 'Pr.GANTT', kateri je prikazan kot izsek
(Slika 6). Modra črta nam prikazuje celotno trajanje posamezne kulture, medtem ko rdeče
črte prikazujejo posamezne aktivnosti. V Preglednici 75 so prikazani vhodni podatki za
izdelavo časovnih dogodkov na gantogramu.
69
70
Preglednica 75: Vhodni podatki Gantogram
Setev
1
Pozno zelje
Rast ječmena
Setev zelja v platoje
Presajanje
Rast zelja
Pobiranje zelja
2
Korenje
Setev korenja
Rast korenja
Pobiranje
3
Oljne buče
Setev
Rast
Pobiranje
4
Krompir zgodnji
Saditev
Rast
Pobiranje
5
Endivija
Setevv v platoje
Presajanje
Rast
Pobiranje
2. 4.–1. 5.
3. 3.–3. 4.
20. 4.–1. 5.
1. 3.–3. 3.
1. 6.–1. 7.
Presajanje
3. 5.–2. 6.
0
0
0
1. 7.–1. 8.
Pobiranje
Planiran
začetek
1. jan. 12
Planiran
konec
1. nov. 12
1. jan 12
3. maj. 12
2. jul 12
3. jul 12
1. okt 12
3. mar. 12
1. jul 12
4. maj 12
3. jul 12
1. okt 12
1. nov 12
15. okt. 12
3. mar. 12
4. mar. 12
1. okt. 12
19. apr. 12
4. mar. 12
1. okt. 12
15. okt. 12
21. sep. 12
19. apr. 12
21. apr. 12
20. sep. 12
1. mar. 12
20. apr. 12
20. sep. 12
21. sep. 12
10. jun. 12
1. mar. 12
2. mar. 12
20. maj. 12
1. jul. 12
2. mar. 12
20. maj. 12
10. jun. 12
15. sep. 12
1. jul. 12
1. avg. 12
2. avg. 12
1. sep. 12
2. jul. 12
2. avg. 12
1. sep. 12
15. sep. 12
1. 10.–2. 11.
3. 7.–1. 10.
20. 8.–20. 9.
1. 6.–1. 7.
1. 9.–1. 11.
Dnevi
8
131
1
2
65
24
8
1
152
11
8
1
110
1
8
1
56
16
8
2
2
21
10
Oljne buče
Krompir zgodnji
Endivija
11.11 11.18 11.25
Korenje
10.14 10.21 10.28
10.7
9.16
9.9
8.19
8.12
7.22
7.15
6.17
6.10
5.20
5.13
4.22
4.15
3.25
3.18
3.11
2.19
2.12
1.0
1.0
1.0
1.0
1
1.1
1.1
1
1.8
1 Mesec
1.15
1.22
1.29
2.5
2 Mesec
2.26
3.4
3 Mesec
4.1
4.8
4 Mesec
4.29
5.6
5 Mesec
5.27
6.3
6 Mesec
6.24
7.1
7.8
7 Mesec
7.29
8.5
8 Mesec
8.26
9.2
9 Mesec
9.23
9.30
10 mesec
11.4
11 Mesec
Ječmen + zelje
Slika 6: Sestava 5-letnega kolobarja in aktivnosti posamezne kulture, zgrajena z orodjem
'Pr.GANTT' (Lasten vir)
71
72
4.4 Nadaljnji razvoj orodja
Raziskave iz operacijskih raziskav v zadnjem času ne temeljijo zgolj na uporabi ene
metode, ampak je trend v kombiniranju različnih metod, ki dajejo kvalitetnejše rezultate
(Ozcan s sod. 2008).
Z razvojem modelnega orodja do oblike, katera je predstavljena znotraj magistrskega dela,
smo predstavili način, s katerim je možno na relativno preprost način določiti sestavo
kolobarja, ki dosega najvišji finančni rezultat. Kljub temu pa v orodju vidimo velik
potencial za nadaljnji razvoj, ki ga je možno peljati v dve smeri:
-
Ena izmed smeri, je primarna raven vsakega kmetijskega gospodarstva, kjer bi s
pomočjo dodatnih nivojev modelnega orodja zgradili paket, ki bi bil nepogrešljiv
pripomoček na vsaki kmetiji.
-
Druga smer pa je sekundarni nivo kmetijskega sektorja, kjer z dopolnitvijo in
razširitvijo
modelnega
orodja
le-tega
naredimo
uporabnega
za
skupine
proizvajalcev, ki združujejo posamezne majhne kmetije, ki so zaradi specifike
slovenskega kmetijskega prostora premajhne za samostojni nastop na trgu.
5 SKLEPI
V okviru magistrskega dela je bil glavni cilj določitev optimalnega kolobarja za
posamezno kmetijo, tako da bi dosegli postavljene cilje oz. se jim čim bolj približali glede
na dane omejitve. V ta namen smo razvili tri glavna orodja, katera smo razvrstili v 3 faze.
Prva faza obsega razvoj tehnološko-ekonomsko simulacijskega modela 'Pr.KALK', s
katerim tehnološke podatke o posamezni pridelavi prenesemo v numerološko obliko, ki
definira upravičenost pridelave. Izbrani podatki posamezne pridelave so nato preneseni v
2. fazo, za katero smo zgradili model 'Pr.OPTI', ki ga uporabljamo za določitev optimalne
sestave kolobarja. Sestava kolobarja se nato prenese v 3. fazo magistrskega dela, kjer s
pomočjo orodja 'Pr.GANTT' na pregleden način upravljamo s planiranjem proizvodnje na
kmetiji.
Za dosego osrednjega cilja smo izbrali metodo ciljnega programiranja, katerega smo
nadgradili s kazensko funkcijo, saj ta temelji na minimiranju neželenih odstopanj od ciljnih
vrednosti. Zasnovan je tako, da ob sočasnem upoštevanju vseh petih ciljev, zastavljenih v
modelu, išče kompromisno rešitev znotraj postavljenih okvirjev. Uspešno generiranje
rešitev, preglednost za uporabo in možnost enostavne modifikacije intervalov odstopanj ter
kazenskih koeficientov nam potrjuje Hipotezo 1, ki pravi:
[H 1.]
Ciljno programiranje je metoda, ki jo lahko uspešno uporabljamo za
določitev strukture kolobarja na modelni kmetiji. Ob tem pa se izpostavlja
tudi uporabnost ocenjenih rezultatov.
Med razvojem modela smo prišli do problema definiranja omejitev, ki kot kažejo rezultati
pomembno vplivajo na kvaliteto dobljenih rešitev. Znotraj baze podatkov, ki smo jo
zgradili za testiranje orodja, dosegajo različno visoke vrednosti FR oz. stroškov strojnega
in ročnega dela ter stroškov gnojenja. V magistrskem delu smo predpostavili dva scenarija,
po katerih določamo omejitev stroškov ročnega in strojnega dela ter strošek gnojenja. V
prvem scenariju smo omejitve postavili 'ročno', tako da smo vrednosti, ki predstavljajo
73
ročno delo, postavili na 25.000 €, stroške gnojenja in strojnega dela pa na 10.000 €, kar
sovpada na površino 10 ha, katera je enaka v obeh scenarijih. V drugem scenariju pa smo
omejitve določili s pomočjo metode linearnega programiranja, kjer so stroški predmet
minimiranja. Nato smo jih prenesli v model tehtanega ciljnega programiranja,
nadgrajenega s kazensko funkcijo kot omejitev. Primerjava obeh postopkov nam kaže, da
dobljeni rezultati s pomočjo metodologije po drugem scenariju v treh primerih od štirih
generiranih v primerjavi s prvim scenarijem dosegajo višji finančni rezultat, katerega smo
opredelili kot glavni cilj v modelnem orodju. Rezultati v prvem in drugem scenariju
potrjujejo Hipotezo 2, ki pravi:
[H 2.]
Omejitve stroškov ročnega in strojnega dela ter stroškov gnojenja v ciljnem
programiranju pomembno vplivajo na rezultate.
Gantogram se v projektnem managementu uporablja kot tehnika za spremljanje,
načrtovanje in vodenje projektov. V ta namen obstajajo različna orodja in tehnike, ki so
bolj ali manj uporabne oz. zahtevne za uporabo. V magistrskem delu pa smo gantogramsko
tehniko vpeljali v kmetijstvo in jo uporabili za planiranje kolobarja. V ta namen smo v
programskem paketu Microsoft Excel zgradili orodje 'Pr.GANTT', v katerem podatke iz
baze podatkov in rešitve modelnega orodja 'Pr.OPTI' kolobarja združimo v gantogram, kjer
na pregleden način prikažemo celotni kolobar in časovne dogodke. Uporabnost
gantogramske tehnike in njena enostavnost za uporabo znotraj razvitega orodja nam
omogoča vpeljavo metode v kmetijstvo, njen nadaljnji razvoj in aplikacijo na področju
načrtovanja kolobarja, kakor tudi širše v kmetijstvu.
74
6 VIRI
1. Baker E.F.I, 1978. Mixed-cropping in northern Nigeria: cereals and groundnuts.
Exp. Agric. 14. 293-298 str.
2. Bavec M. 2003. Tehnike pridelovanja zelenjadnic. Ministrstvo za kmetijstvo,
gozdarstvo in prehrano. Ljubljana. 58 str.
3. Bavec F. 2001. Pridelovanje nekaterih poljščin v ekološkem kolobarju. Ekološko
kmetijstvo. 158-231 str.
4. Bellman R.E. in Zadeh L.A. 1970. Decision-making in fuzzy environment.
Manage. Sci.17. 141-164 str.
5. Bhattcharya A. 2000. A multiple-criteria decision problem for optimal management
of farm resources under uncertainty. International Journal of System Science 31(6).
699-703 str.
6. Biswas A., in Pal B.B. 2004. Application of fuzzy goal programming technique to
land use planning in agricultural system. Omega 33. 391-398 str.
7. Caballero R., Ruiz F., Uria M.V.R., Romero C. 2006. Interactive meta-goal
programming. European Journal of Operational Research,175: 135-154 str.
8. Charnes A., Cooper W.W., Ferguson R. 1955. Optimal estimation of executive
compensation by linear programming. Management Science. 1. 138-151 str.
9. Charnes A. in Cooper W.W. 1961. Management Models and Industrial
Applications of Linear Programming. John Wiley & Sons. New York. 467 str.
75
10. Černe M. 1998 – Zelenjadarstvo 1 - učbenik Nacionalna in univerzitetna knjižnica
Ljubljana. 175 str.
11. Debasis Ghosh, Dinesh K. Sharma, Dorothy M.Mattison. 2005. Goal programming
formulation in nutrient management for rice production in West Bengal. Int. J.
Production Economics 95. 1-7 str.
12. Dogliotti S., W.A.H. Rossing, M.K.van Ittersum.
2003. (ROTAT, a tool for
systematically generating crop rotations. European J. Agronomy 19. 239-250 str.
13. Duffy P.A., Taylor C.R., Russell R.C. 1994. Using dynamic programming models
in farm management research Orlando. Procedings of 5th International Conference
of Computers in Agriculture. 495-500 str.
14. Ekpete D.M. 1976. Fertilizer response under mixed-cropping in Nsukka. East Afr.
Agric. For. J. 42. 18 – 27 str.
15. Flavell R.B. 1976. A new goal programming formulation. Omega 4. 731-732 str.
16. Gonzalez-Pachon J. in Romero C. 1999. Distance-based consensus methods: a goal
programming approach. Omega. 27,3. 341-347 str.
17. Haith D.A. in Atkinson D.W. 1977. Linear programming model for Dairy Farm
Nutrient Management. 9th Food, Fert and Agric Residues, Procedings of Cornell
Agric Waste Manage Conference. 319-337 str.
18. Heady E.O. 1954. Simplified and logical aspects of linear programming technique.
Journal of Farm Economics; 36: 1035-1048 str.
19. Ignizio J.P. 1976. Goal Programming and Extenstions. Lexington Books.
Lexington. M.A. 261 str.
76
20. Ignizio J.P. in Romero C. 2003. Goal programming. Encyclopedia of Information
Systems. Elsevier Science. 2. 489 – 500 str.
21. Ijiri Y. 1965. Management Goals and Accounting for Control. North Holland.
Amsterdam. 191 str.
22. Jolayemi, J.K. in Olaomi J.O. 1995. A mathematical programming procedure for
selecting crops for mono- and mixed-cropping. Ecological modelling. 79. 1-9 str.
23. Jones D. in Tamiz M. 2010. Practional goal programming. Springer New York.
170 str.
24. Kutcher G.P. in Norton R.D. 1982. Operations research methods in agricultural
policy analysis. European Journal of Operational Research 10(4). 333-345 str.
25. Lee. S.M. 1972. Goal Programming for Decision Analysis. Auerback. Philadelphia.
PA. 387 str.
26. Ministrstvo za kmetijstvo, gozdarstvo in prehrano. 2011. Tehnološka navodila za
integrirano pridelavo zelenjave. 115 str.
27. Nemačič J. 2009. Metode optimiranja proizvodnje – diplomsko delo. Fakulteta za
strojništvo, Univerza v Mariboru. 108 str.
28. Nevo A. in Amir I., 1991. CROPLOT – an expert system for determining the
suitability of crops to plots. Agric Syst 37(3). 225-241 str.
29. Nordin H. M. in Said F. 2011. A mathematical programming approach to crop mix
problem. African Journal of Agricultural Research Vol. 6(1). 191-197 str.
77
30. Ozcan E., Bilgin B. in Korkmaz, E. 2008. A comprehensive analysis of hyperheuristics, Intelligent Data Analysis 12. 3–23 str.
31. Pušenjak M. 2011. Vodnik po vrtu – Založba kmečki glas. 200 str.
32. Pšunder M., Klanšek U., Šuman N., 2008. Organizacija grajenja. Fakulteta za
gradbeništvo, Univerza v Mariboru. 151 str.
33. Rawabdeh H., Shatanawi M., Scardigno A. in Todorovic M. 2010. Optimization of
the cropping pattern in Northern and Southern part of the Jordan Valley under
drought conditions and limited water availability. Options Mediterraneennes A
no.95. 199-206 str.
34. Remison S.U. 1978. Neighbour effects between maize and cowpea at various levels
of N and P. Exp. Agric. 14. 205-212 str.
35. Romero C. in Rehman T. 2003, Multiple criteria Analysis for agricultural decisions
2ND ed. Elsevir Amsterdam. 186 str.
36. Romero C. 2004. A general structure of achievement function for a goal
programming model. European Journal of Operational Research. 153. 675-686 str.
37. Rozman Č., Turk J. in Pažek K. 2009. Menedžement v kmetijstvu – učbenik.
Kmetijska založba. 175 str.
38. Steuer R.E. in Na P. 2003 Multiple criteria decision making combined with
finance: A categorized bibliographic study. European Journal of Operational
Research. 150. 496-515 str.
78
39. Tamiz M., Jones D. in Romero C. 1998. Goal programming for decision making:
An overview of current state-of-the-art. European Journal of Operational Research,
111. 569-581 str.
40. Tiwari R.N., Dhahmar S. in Rao J.R. 1987. Fuzzy goal programming: An additive
model. Fuzzy Sets and Systems. 24. 27-34 str.
41. Udozen C. V. in Adesiyan S.O. 1986. Effects of mixed-cropping on flowering, pod
production and grain yield of six varieties of cowpea. Nigerian Agric. J. 21.
24-29 str.
42. Vindiš P. 2010. Večparametrski model ocenjevanja energetskih rastlin za pridelavo
v bioplin. Doktorska disertacija, Fakulteta za kmetijstvo in biosistemske vede.
Univerza v Mariboru. 139 str.
43. Vivekanandan N., Viswanathan K. in Sanjeev G. 2009. Optimization of cropping
pattern using goal programming approach. OPSEARCH 46(3) 259-274 str.
44. Vitorriano B., Ortuo M.T., Recio B., Rubio F. in Alonso-Ayuso A. 2003. Two
alternative models for farm management: Discrete versus continuos time horizon.
European Journal of Operational Research 144. 613-628 str.
45. Xieting Z., Shaozhong K., Fusheng L. in Zhang P.G. 2010. Fuzzy multi-objective
linear programming applying to crop area planning. Agricultural water
management 98. 134-142 str.
46. Zhang Z., Wang C., Zhao Q. 1990. Aplication of operations research in agriculture
decision making. Annals of Operations Research 24(1-4) 299-307 str.
79
47. Žgajnar J., Kavčič S. 2010. Ekonomsko utemeljeno načrtovanje gnojenja.
5. konferenca DAES – Sodobni izzivi menedžmenta v agroživilstvu, Hoče.
61-70 str.
48. Žgajnar J., Erjavec E. in Kavčič S. 2010. Multi-step beef optimisation:application
of linear and weighted goal programming with penalty function. Agricultural and
food science Vol 19. 193-206 str.
49. Žgajnar J. 2011. Večkriterijsko optimiranje odločitev na kmetijskih gospodarstvih v
razmerah tveganja. Ponatis doktorske disertacije – Društvo agrarnih ekonomistov
Slovenije (DAES). 194 str.
50. http://sl.wikipedia.org/wiki/Gantogram (6.4.2012).
51. http://en.wikipedia.org/wiki/Linear_programming (3.6.2012)
80
Vinčec J. Uporaba metod matematičnega programiranja za določitev optimalne sestave kolobarja.
ZAHVALA
Za vso pomoč, potrpežljivost in nasvete ob izdelavi magistrskega dela se zahvaljujem
mentorici izr. prof. dr. Karmen Pažek.
Posebna zahvala za strokovno pomoč in svetovanje gre tehniškemu sodelavcu na katedri za
agrarno ekonomiko in razvoj podeželja Jerneju Prišenk mag. agr. ekon.
Zahvaljujem se tudi predsedniku komisije za oceno in zagovor magistrske naloge red. prof.
dr. Jerneju Turk in članu, izr. Prof. dr. Črtomirju Rozman, za strokovne pripombe.
Zahvala gre tudi moji družini, ki mi je med študijem stala ob strani in me podpirala, ter
vsem prijateljem, ki ste mi kakorkoli pomagali na tej poti.
''Prihodnost pripada tistim, ki verjamejo v lepoto svojih sanj''
(Eleanor Roosevelt)

Polno besedilo - Univerza v Mariboru

Transcription

Similar documents

File

Čari ročnega pletenja,

LDN ŠOLA 2014-2015

Poslovno poročilo 2014 - Ekonomska gimnazija in srednja šola

Lombergarjevi dnevi

Strojno učenje in odkrivanje znanja v podatkovnih bazah (data

Pregled izvajanja socialne oskrbe na domu po evropskih

tukaj - Akademija za osebno odličnost: nevrolingvistično

YENIDER - NGK gnojila, Vender Aktiva doo

1 KRAJINSKA EKOLOGIJA – OPREDELITEV PODROČJA

DOBRA KMETIJSKA PRAKSA GNOJENJA V VINOGRADIH VSEBINA