مدل سازی و برآورد تابع تولید گندم با استفاده از رگرسیون ریج به عنوان یک رویکرد منظم سازی مطالعه موردی شهرستان گنبد کاووس

تامین پایدار گندم به عنوان مهمترین غله در سبد غذایی، ایران از اولویت های اصلی سیاست گذاری کشاورزی کشور محسوب می شود. با توجه به مصرف بالای نان و سایر فرآورده های گندم، محور ارتقای بهره وری تولید این محصول اهمیت ویژه ای دارد. شهرستان گنبد کاووس به دلیل شرایط اقلیمی مطلوب و خاک حاصل خیز سهم چشمگیری در تولید گندم کشور دارد. شناسایی عوامل موثر بر عملکرد گندم در این منطقه می تواند در بهینه سازی مصرف نهاده ها و افزایش بهره وری نقش تعیین کننده ای ایفا کند. این پژوهش با هدف برآورد تابع تولید گندم در شهرستان گنبد کاووس و تحلیل اثر هم خطی چندگانه میان نهاده های تولید، به مقایسه دو روش حداقل مربعات معمولی (OLS) و رگرسیون ریج (Ridge Regression) پرداخته است. داده ها از مزارع گندم و از طریق پرسشنامه های ساختارمند جمع آوری شدند. نهاده های مورد بررسی شامل نیروی انسانی، سوخت ماشین آلات، بذر، کود، علف کش، سیستم زراعی و زمین زیر کشت بودند. نتایج مدل کاب-داگلاس با روش OLS نشان داد که با وجود ضریب تعیین بالا (R۲=۰.۹۸۷)، بیشتر متغیرها از نظر آماری معنادار نبودند و شاخص تورم واریانس (VIF) بیانگر هم خطی شدید میان نهاده ها بود. برای رفع این مشکل از رگرسیون ریج به عنوان رویکردی مقاوم در برابر هم خطی استفاده شد و مقدار بهینه پارامتر آلفا از طریق اعتبارسنجی متقابل تعیین گردید. ارزیابی منحنی های یادگیری نشان داد که مدل تعادل مناسبی بین بایاس و واریانس برقرار کرده است. تحلیل ضرایب و شاخص حساسیت نشان داد زمین زیر کشت مهم ترین عامل موثر بر عملکرد بوده و افزایش یک درصدی آن به طور میانگین موجب رشد حدود ۰.۵ درصدی عملکرد می شود. نهاده هایی مانند سیستم کشت و بذر اثر مثبت ولی محدودتری داشتند در حالی که کود دامی اثر منفی نسبی نشان داد. تحلیل SHAP نیز این یافته ها را تایید کرد. به طور کلی نتایج نشان می دهد که در شرایط هم خطی شدید، استفاده از روش های منظم سازی مانند رگرسیون ریج علاوه بر بهبود دقت پیش بینی امکان شناسایی دقیق تر اهمیت نسبی نهاده ها را فراهم می کند و می تواند مبنای علمی مناسبی برای بهینه سازی مصرف نهاده ها و افزایش بهره وری تولید گندم باشد.

کلیدواژه ها:

تابع تولید کاب-داگلاس ، چندخطی ، پارامتر منظم سازی ، رگرسیون ریج ، تحلیل حساسیت ، تحلیل SHAP