ارائه مدل تصمیم‌یار جهت بررسی پیشران‌های مؤثر بر تولید بسنده محصولات کشاورزی (مورد مطالعه :جنوب استان سیستان و بلوچستان)

نوع مقاله : مقاله های برگرفته از پایان نامه

نویسندگان

• فهیمه ریگی ¹
• مصطفی احمدوند ²
• آیت اله کرمی ³

¹ دانش آموخته دکترای توسعه کشاورزی، گروه مدیریت توسعه روستایی، دانشکده کشاورزی، دانشگاه یاسوج، یاسوج، ایران.

² دانشگاه یاسوج

³ دانشیار گروه مدیریت توسعه روستایی، دانشکده کشاورزی، دانشگاه یاسوج، یاسوج، ایران.

10.30495/jzpm.2021.27854.3882

چکیده

برنامه‌ریزی زراعی و به تبع آن تولیدات کشاورزی، متأثر از سازه‌های اجتماعی، اقتصادی، محیطی مختلفی است؛ سازه‌هایی‌که همواره به صورت پویا با یکدیگر در کنش و تعامل‌اند. عموماً ذینفعان بخش کشاورزی (مدیران و بهره‌برداران) به دلیل گستردگی موضوعات مرتبط با فضای «برنامه‌ریزی»، «تولید» و حتی «بازار مصرف» این تعاملات را درک نمی‌کنند. عدم درک تعاملات میان سازه‌های اجتماعی، اقتصادی، محیطی منجر به چالش‌های فراوان در بسندگی تولید محصولات می‌شود. چالش‌هایی که موجب نوسان قیمت محصولات زراعی در طول یک دوره مشخص، کاهش ناگهانی سطح زیر کشت محصولات و افول سطح معیشتی کشاورزان در دراز مدت شده است. این پژوهش برای رفع چالش ذکر شده، مدلی پویا در خصوص کمک به تصمیمات ذینفعان بخش کشاورزی در فرآیند برنامه‌ریزی زراعی ارائه می‌نماید. مدل ذکر شده در این پژوهش که از آن به عنوان «مدل تصمیم‌یار» یاد می‌شود، به دنبال درک پیچیدگی فضای برنامه‌ریزی زراعی در منطقه جنوب سیستان و بلوچستان است. این مدل شامل مجموعه‌ای از عوامل وابسته و پیشران در برنامه زراعی منطقه می‌باشد که به دنبال درک بازخورد‌های تصمیمات ذینفعان بخش کشاورزی و مدل‌سازی و در نهایت شبیه‎سازی رفتار آن‌ها بدست آمده است. برای بررسی بازخورد تصمیمات در یک مدل تصمیم‌یار از چارچوب DPSIR و سپس نرم‌افزار VENSIM استفاده شده‌ است. به طوری که در ابتدا به کمک چارچوب DPSIR پیشران‌های مؤثر بر برنامه زراعی منطقه دسته‌بندی و سپس به کمک نرم‌افزار VENSIM مدل‌سازی و سناریوهای مختلف تولید شبیه‌سازی شده است. نتایج این پژوهش نشان داد، سیاست‌گذاران می‌توانند با تمرکز بر مؤلفه‌های ایجاد کننده فشار (مستخرج از چارچوب DPSIR) که عمدتاً از نوع مولفه‌های معیشتی هستند، شرایط ایجاد تولید بسنده در منطقه مورد مطالعه را فراهم نمایند. به عبارت دیگر، می‌توان از طریق کنترل عوامل کلیدی همچون کاهش آسیب‌پذیری معیشت کشاورز در برابر نوسان قیمت به بهبود و تداوم تولید محصولات (پیاز و گوجه‌فرنگی) در منطقه کمک نمود. روند طی شده جهت انتخاب یک برنامه‌ریزی در این منطقه را می‌توان به عنوان چارچوبی برای ایجاد یک برنامه زراعی در سایر مناطق کشور نیز مورد استفاده قرار داد.

کلیدواژه‌ها

• Crop planning
• Decision drive
• System dynamics
• Southern Balochistan

---

عنوان مقاله [English]

Developing a decision-making support model to investigate the drivers affecting the optimization of agricultural crop production (The Case of South of Sistan and Baluchestan province)

نویسندگان [English]

• fahime Rigi ¹
• Ayatollah Karami ³

¹ PhD Graduate in Agricultural Development, Faculty of Agriculture, Yasouj University, Yasouj, Iran.

³ Associate Prof., Faculty of Agriculture, Yasouj University, Yasouj, Iran.

چکیده [English]

Stakeholders in the agricultural sector (managers and farm operators) do not understand the products of these interactions due to the wide range of issues related to the "planning", "production" and even "consumer market". Lack of understanding the interactions between social, economic and environmental parameters leads to manifold challenges in the field of cropping production. Price fluctuation is a multifaceted problem attributed by various factors which, when combined, culminate in dangerous consequences for the most farmers .Challenges that have caused crop prices to fluctuate over a period of time, a sharp decline in area under crop, and a long-term decline in farmers' livelihoods. To obviate' this challenge, this study provided a dynamic model for assisting agricultural stakeholders' decisions in the agricultural planning process. The model mentioned in this study, referred to as the "decision-making model", seeks to understand the complexity of the agricultural planning space in the southern region of Sistan and Baluchestan. This model includes a set of dependent factors and drivers in the agricultural plan of the region that aims to understand the feedback of stakeholders' decisions in the agricultural sector and modeling and ultimately simulating their behavior. The DPSIR framework and then VENSIM software were used to evaluate the decision feedback in a decision model. So that first with the help of DPSIR framework the drives affecting on crop program planning of the region are classified and then with the help of VENSIM software modeling and various scenarios are simulated. The results of this study showed that policy makers can provide the conditions for creating good agriculture in the study area by focusing on the components of stress (derived from the DPSIR framework), which are mainly subsistence components. The results of this study in the study area show that many of the components used in crop planning will not lead to improvement or serious damage to the production stability of the study area (onions and tomatoes). In other words, it is possible to help improve and stabilize production in the region by controlling key factors such as reducing the vulnerability of farmers' livelihoods to price fluctuations.

کلیدواژه‌ها [English]

• برنامه‌ریزی زراعی
• پیشرانه‌های تصمیم‌گیری
• پویایی سیستم
• جنوب بلوچستان

مراجع

1. Aisyah, I., Hamdan, D., Tuty, A., Abdul, K., & Adzhar, K. (2021). Potential data collections methods for system dynamics modeling: A brief overview. International Journal of Advanced Computer Science and Applications (IJACSA). 12(3), 256-268.
2. Alizadeh M., & Keikha Z. (2010). The effect of land integration on the yield of agricultural products in Lootak rural district of Zabol. Journal of Zagros Geographical Vision, 2(3), 139 -152. (In Persian)
3. Azizalahi, M., Amiri, Z., Kakalvand, A., & Khalili Arjomandi, M. (2007). Increasing the productivity of production resources through land consolidation and using new irrigation methods (Case study of Selseleh County), 9th national seminar on irrigation and evaporation reduction, Kerman. (In Persian)
4. Barzel, B., Liu, Y., & Barabási, A. (2015). Constructing minimal models for complex system dynamics. National Communication, 6(1), 7186-801.
5. Dabirian, S., Abbaspour, S., Khanzadi, M., & Ahmadi, M. (2019). Dynamic modeling of human resource allocation in construction projects. International Journal of Construction Management, 35(2), 69-79. (In Persian).
6. Hoomani Farahani, M., Shahbazi, K., & Faalju, H. (2018). The effects of financial development on value added of agriculture in d8 countries. Journal of agricultural economics research, 10(2 (38), 135-154.
7. Kalantari, K., Hosseini, S. M., & Abdollahzadeh, G. H. (2005). Organizing and integrating agricultural lands using the experiences of Eastern European countries. Journal of Village and Development. 8 (3), 67-104. (In Persian)
8. Khatibi, A., Daneh Kar, A., & Poorabrahim, Sh., Vahid, M. (2017). Introduction of DPSIR model and its applicability in environmental decision making. Journal of Human and Environment Quarterly, 13(4), 65-79. (In Persian)
9. Liani, Q., Bakhshodeh, M., & Zibaii, M. (2019). Application of dynamic system method in evaluating the effects of water demand management policies in Khairabad river basin. Iranian Journal of Agricultural Economics and Development Research (Iranian Journal of Agricultural Sciences). 51(2), 216-195. (In Persian).
10. Mirkarimi, Sh., Joolaie, R., Eshraghi, F., & Shirani Bid Abad, F. (2016). Cropping pattern management of crops with emphasis on environmental, considerations (case study: Amol Township). Journal of Environmental Science and Technology. 18(3), 253-263. (In Persian).
11. Nathan, N. (2020). An assessment of stakeholders’ participation in land use planning process of Luapula Province Planning Authority. Journal of Land Use Policy, 97, 10-35.
12. Norozi , H., Hoseini, S., & Ansari, V. (2019). Investigating the effects of macroeconomic variables and support policy on the growth of the agricultural sector in Iran. Iranian Journal of Agricultural Economics and Development. 49(4), 587-60. (In Persian)
13. Pruyt, E. (2013). Small System Dynamics Models for Big Issues: Triple Jump towards Real-World Dynamic Complexity. TU Delft Library, Delft, the Netherlands Version 1.0.
14. Richardson, G.P. (2011). Reflections on the foundations of system dynamics. Journal of System Dynamic Reviw.27 (3), 219–243.
15. Rigi, F., & Ahmadvand, M. (2021). Analyzing the mental schemas of agricultural actors in choosing the types of crops: Applying grey relational approach. Journal of Agricultural Extension and Education Sciences. 16(1), 23-40. (In Persian).
16. Sassenrath, F., Hanson, J. D., Hendrickson, J. R., Archer, D. W., Halloran, J. M., & Steiner, J. J. (2009). Principles of dynamic integrated agricultural systems: lessons learned from an examination of southeast production systems. Taylor and Francis/CRC Press. Chapter: 15 (pp.259-269).
17. Sharifi, M., Sardar Shahraki, A., Dadashi, M., & Asgari, M. (2019). Review the integration process of agricultural lands and its economic impact, case study: rice farmers in Guilan province. Journal of agricultural economics research, 11(1 (41)), 217-236. (In Persian).
18. Shuhao, T., Nico H., & Futian, Q. (2006). Land fragmentation and its driving forces in China. Journal of Land Use Policy, 23 (3), 272-285.
19. Spicar, R. (2013). System Dynamics Archetypes in Capacity Planning. 24th DAAAM International Symposium on Intelligent Manufacturing and Automation, 2013.
20. Sterman, J. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill/Irwin.
21. Walters, J. P., & Javernick-Will, A. N. (2015). Long-term functionality of rural water services in developing countries: a system dynamics approach to understanding the dynamic interaction of factors. Journal of Environmental Science Technology, 49 (8), 5035–5043.
22. Zaheri, M., Karimzadeh, H., & Alipour, KH. (2019). Participatory planning of rural development with emphasis on border markets (Case study: Sardasht city). Journal of Quarterly Scientific, 9(35), 105-120. (In Persian).