مدل سازي الگوي مصرف انرژي و تحليل حساسيت نهاده ها در توليد گندم آبي، مطالعه موردي: استان اردبيل

Energy Consumption Modeling and Sensitivity Analysis of Energy Inputs for Irrigated Wheat Production; Case Study: Ardabil Province

اين تحقيق براي بررسي الگوي مصرف انرژي و تحليل حساسيت نهاده­ ها در توليد گندم آبي استان اردبيل انجام گرفت. جامعه آماري شامل 100 كشاورز آبي كار محصول گندم بود كه بر اساس نمونه ­هاي تصادفي انتخاب شدند. حساسيت نهاده‌هاي انرژي به كمك تابع توليد كاب داگلاس و با استفاده از روش بهره وري فيزيكي نهايي (MPP) و ضرايب رگرسيون با مشتقات جزئي بر عملكرد گندم برآورد شد. نتايج نشان داد كل انرژي ورودي و خروجي به‌ترتيب MJ ha-1 38755.34 و 650160/07 بوده و در بين نهاده‌هاي ورودي انرژي كود نيتروژن و سوخت ديزل به ­ترتيب با 37/38% و 19/03% بيشترين سهم را داشتند. بهره‌وري انرژي برابر با kg MJ-0/116 ، كارايي انرژي و نرخ بازگشت به مقياس نيز به ­ترتيب 1/67 و 0/608 برآورد گرديد. تحليل حساسيت نشان داد مقدار MPP بين 0/23- تا 1/809 متغير بود. در اين ميان ماشين‌هاي كشاورزي بيشترين مقدار MPP و پس‌ازآن سموم شيميايي، كود شيمايي و الكتريسيته به ترتيب با 0/34، 0/07 و 0/023 قرار داشتند كه نشان‌دهنده استفاده بيشتر از اين نهاده­ ها در توليد گندم است كه سبب آلودگي منابع طبيعي و غير ارگانيك شدن محصولات كشاورزي مانند گندم مي ­شود.

This study was carried out to evaluate the energy consumption pattern and analysis of economic indices to determine the input sensitivity for wheat the production system in Ardabil, Iran. Data were collected from 100 irrigated wheat farms selected during 2017-2018 using a random sampling method. The sensitivity of the energy inputs was estimated using the marginal physical productivity (MPP) method and partial regression coefficients on wheat yield. The results indicated that the total energy input was 38755.34 MJ ha-1 , of which approximately 37.38% and 19.04% were from nitrogen fertilizers and diesel fuel, respectively. Approximately, 39.85% of the total energy inputs consumed in wheat production was direct energy, while the remaining 60.07% was indirect. The econometric assessment results revealed that the energy inputs from machinery had a significant influence on the yield. Sensitivity analysis indicated that the MPP value for energy inputs was between -0.23 and 1.67. Also, the MPP value for was the highest, followed by machinery, diesel fuel, chemical fertilizers and chemical sprays energy inputs, respectively