본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Abstract

Contents

List of abbreviations 11

Chapter 1. Introduction 12

1.1. Background 12

1.2. Problem statement 16

1.3. Research objective 17

1.3.1. Research questions 18

Chapter 2. Literature Review 19

Chapter 3. Methodology 24

3.1. Data description 25

3.1.1. Population 25

3.1.2. Dataset construction 27

3.1.3. Exploratory data analysis 29

3.2. Machine Learning analysis framework 30

3.2.1. Predictive models 30

3.2.2. Data pre-processing 30

3.2.3. Data splitting and Cross-validation 30

Chapter 4. Experiment results 31

4.1. Determining indicators characteristics by an exploratory data analysis (EDA) 31

4.2. Prediction of cocoa production profit by using Machine Learning models 37

4.2.1. Determining organic and conventional farming main indicator by SHAP analysis 43

4.2.2. Analysis of the change over time of organic and conventional farming main indicators 47

Chapter 5. Discussion 52

Chapter 6. Conclusions 54

References 63

국문초록 75

Appendices 76

List of Tables

Table 3.1. Research universe described by type of farming method and variety. 26

Table 3.2. Indicators by sustainability dimension 28

Table 2.3. Groups of variety and farming method. 29

Table 4.1. Performance of ML models based con CV test 37

Table 4.2. Performance parameters among ML models 38

Table 4.3. Model performance on organic and conventional farming profit prediction. 45

Table 4.4. Cocoa production indicators' change over time 49

Table 5.1. Correlation values for General data with profit (Y) 56

Table 5.2. Correlation values for organic cocoa farming with profit (Y) 57

Table 5.3. Correlation values for conventional cocoa farming with profit (Y) 57

List of Figures

Figure 3.1. Methodology framework 24

Figure 4.1. Distribution of indicators 32

Figure 4.2. Distribution of output indicator "Profit" 33

Figure 4.3. Correlation between indicators 34

Figure 4.4. Irrigated area by groups 35

Figure 4.5. Cocoa production in quantity by groups. 36

Figure 4.6. Decision Tree from Random Forest predicting the profitability of cocoa production 39

Figure 4.7. Actual vs predicted values for RF, LG and kNN based on global dataset 40

Figure 4.8. Indicators importance based on SHAP values for the global dataset 41

Figure 4.9. Indicator importance based on SHAP values for organic and conventional farms 43

Figure 4.10. Actual vs predicted values for RF, LG and kNN based on organic and conventional farms 46

Figure 4.11. Conventional farming main indicators changes over time 47

Figure 4.12. Organic farming main indicators changes over time 47

List of Equations

Equation 3.1. Eyendi's method Equation 29

초록보기

 유기농 경영 방식과 농업 분야에서 기후 변화에 대응하는 역할이 널리 인정되고 있지만, 아직 채용률은 낮습니다. 유기농 농업으로 전환하기 위해서는 합성 농약과 비료를 제거하는 등 농업 관행에 상당한 변화가 필요합니다. 연구의 부족은 유기농 제품의 시장 수요, 수익성 및 장기적인 지속 가능성에 대한 불확실성을 증가시킵니다. 본 연구는 머신 러닝 모델을 사용하여 에콰도르에서 유기농과 전통적인 경영방식을 사용한 코코아 생산의 성과에 영향을 미치는 요소를 분석하고 비교하기 위해, 두 가지 유형의 경영에서의 수익을 예측하는 데 사용됩니다. 주요 지표가 수익에 어떤 영향을 미치고 이러한 지표가 어떻게 관련되는지에 대한 통찰력을 얻기 위해 머신 러닝 모델을 활용합니다. 다양한 연구에서는 농업에서 성과를 평가하기 위해 머신 러닝 모델을 활용해왔습니다. 본 연구에서는 에콰도르의 두 공식 국가 통계 기관에서 제공하는 2차 데이터를 활용하여 코코아의 시장 가격을 예측하고 가장 영향력 있는 요소를 확인하기 위해 머신 러닝 모델을 활용합니다. 결과는 유기농 경영이 다양한 상황에서 전통적인 경영보다 우수한 성과를 낼 수 있는 잠재력을 보여줍니다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차