ÖSSZEFOGLALÁS

A mezőgazdasági termelés a legkockázatosabb tevékenységek egyike. Az utóbbi években a mezőgazdaságban gazdálkodók számára a döntések meghozatalakor fellépő kockázatvállalás mértéke tovább növekedett. A termelés kockázatos, mivel a döntéshozatalkor nem kalkulálható előre a termelés várható eredménye, és az arra ható bizonytalanságnak, illetve kockázatnak is igen sok oka lehet. A mezőgazdaság jövőjét illetően elsősorban a minőség javítása jelenti az egyik kitörési pontot. A minőségi termék előállításához – függetlenül az állatfajtól – színvonalasabb tartástechnológia szükséges. Vizsgálataimat három fő állattenyésztési ágazatban – sertés-, baromfi- és tejtermelő szarvasmarha ágazat – végeztem a termelés technológiai tényezőire vonatkozóan. Különböző kockázatelemzési módszerek alkalmazására mutattam be esettanulmányokat azokra a főbb problémákra, amelyek legfőképpen érintik a gazdaságokat. A sertéstartó vállalat, valamint a tehenészeti telepek tevékenységének a vizsgálatához matematikai, statisztikai módszereket – eseménytörténet-analízis, logisztikus regresszió, döntési fák – alkalmaztam. Az utóbbi két módszerhez az SPSS 13.0, a túlélési görbékhez a STATISTICA 6.0 programcsomagot használtam, a bonyolultabb parametrikus modellekhez a LEM (Loglinear and event history analysis with missing data using EM algorithm ) programmal végeztem az elemzéseket. A szölőpár-tartó vállalat adatai alapján saját fejlesztésű, Monte-Carlo szimuláción alapuló szoftvert alkalmaztam az elemzésekhez.

A tejtermelő szarvasmarhát tartó telepek esetében a technológia minőségi tejtermelésre gyakorolt hatását vizsgáltam 36 Hajdú-Bihar megyei tejtermelő tehenészetben. A nagyüzemi sertéstartó gazdaság esetében az egyik legsúlyosabb probléma a selejtezés annak minden körülményével, illetve okával. Vizsgáltam a különböző genotípusú állatok hasznos élettartamát a selejtezésig, illetve a különböző selejtezési okok kockázatát. A szülőpár-tartás technológiai kockázata a különböző telepeken különböző körülmények között tartott, illetve ugyanazon a telepen, de eltérő időben felnevelt állományokból adódik. Ezen állományok keltetőtojás-termelésének körülményeit vizsgáltam kockázati szempontból.

A tejtermelés technológiai tényezőinek vizsgálata során megállapítottam, hogy a karusszeles típusú berendezés hazánkban igen hatékonynak bizonyult. Ezt a berendezést alkalmazva a stabil fejőházi berendezésekhez viszonyítva feleakkora, a sajtáros berendezésekhez viszonyítva pedig harmada a kockázata a „nem extra” minőségű tej nyerésének. Több mint kétszer akkora az esély az „extra” minőségre, mint a halszálkás, vagy paralel berendezések esetében. A karusszel hatékonyságát legjobban a poligon típus közelíti meg. A próbacsészébe történő fejés hatékonyabb, mint a padozatra fejés, ha több mint 20 dekádon keresztül fenn akarjuk tartani az „extra” tejminőséget. Az automata fejőkehely-eltávolítás lényegesen nagyobb valószínűséggel biztosítja a folyamatos „extra” tejminőséget rövidtávon (a 13 - 35. dekád). A kézi levételi technika hosszabb távon biztosíthat csak előnyöket, de fennáll a „vakfejés” és tőgykárosodás lehetősége, ezért az automata fejőkehely-eltávolítás alkalmazása inkább javasolható. A halszálkás berendezéseket tekintve 1 fejőre optimálisan 4-8 gépnek kell jutnia. A legjelentősebb a kockázat mértéke akkor, amikor 1 fejő 10 gépet kezel egyszerre. Vizsgálataim alapján a minőségi kockázat szempontjából megközelítve az 1-3 órás műszak a legveszélyesebb, 4-4,5 óra az optimális időtartam a műszak hosszát illetően. A karusszeles fejőberendezésre, az automata fejőkehely-leemelő használatára, valamint a fejőberendezések számára vonatkozó eredményeimet egy másik módszer, a logisztikus regresszió segítségével is alá tudtam támasztani. E módszer segítségével emellett igazolni tudtam azt is, hogy ha 100 liter tej előállítása 1 órával tovább tart, úgy 1,6-szoros eséllyel romlik a minőség. A logisztikus regresszió lehetővé tette azt is, hogy a vizsgált telepekre vonatkozóan – azok technológiai sajátosságai mellett – kockázati értékeket alakítsak ki. Bemutattam a döntési fa módszerének mezőgazdasági alkalmazhatóságát is. A módszer előnye, hogy egy változó lényegi hatását a magyarázó változóra egy másik változóval való kölcsönhatásban vizsgálja, és azokat a módszer maga tárja fel. A döntési fa alapján nyert eredmények összességében véve összecsengenek a logisztikus regressziós modellben kapott eredményekkel. A tőgyelőkészítés módjainál részletesebb információkat kaptam. A tőgymosópisztolyos megoldás ott volt hatékonyabb más tőgytisztító megoldásoknál, ahol az 1 főre jutó fejőberendezések száma nem haladta meg a 8-at. A tőgymosópisztoly és ruha, vagy papír, valamint a fertőtlenítős törlőruha használata az 1 főre jutó magasabb fejőberendezésszám mellett indokolt.

A selejtezés kockázati tényezőinek vizsgálatához több mint 10.000 adatot gyűjtöttem be közel 3000 sertésre és 6 genotípusra vonatkozóan a térség sertéságazatát döntően meghatározó cég egyik telepéről. A selejtezésig tartó hasznos élettartamra vonatkozóan azt találtam, hogy a különböző genotípusú kocák teljesítménye között egy telep esetében is igen nagy eltérés mutatható ki. A konkrét genotípusokat megvizsgálva megfigyeltem, hogy bizonyos genotípusú állatok túlélési görbéi a teljes megfigyelési időszak során alatta maradtak a többi genotípus egyedei túlélési görbéinek, ezen állatok termelésben tartása nagy kockázatot eredményez. Egy másik genotípusú állomány túlélési görbéje a többi genotípusétól jobbra helyezkedett el, ami azt jelenti, hogy az ilyen típusú kocákat a 600. nap előtt nem selejtezték, ellentétben a többi genotípussal. Megfigyelhetők voltak olyan egyedek, amelyek az 1900. napot is megélik és ekkor is csak azért kerülnek selejtezésre, mert befejezték a 8. fialásukat. Voltak olyan típusú kocák is, amelyek esetében a selejtezés kockázata kiegyenlítettebb, és viszonylag hosszú ideig tarthatók termelésben. A selejtezési okok kockázatára vonatkozóan elmondható, hogy a selejtezési okok közül a vetélés, a termékenyítés utáni vemhesség vizsgálatra nem búgás, a 110. napra üres selejtezési szempont járt a legnagyobb kockázattal. A legkisebb kockázata a csecshiba miatti selejtezési oknak volt. Megállapítottam, hogy azok az anyaállatok, amelyek keveset fialás miatt kerültek selejtezésre, legalább 100-200 nappal tovább maradtak a termelésben. A log-rate exponenciális modellel készített relatív kockázati értékek alapján a legkockázatosabb selejtezési okoknak tekinthetők a vetélés, vemhesség-vizsgálatra nem búgás, 110. napra üresség. A legnagyobb kockázati különbség a vetélés és a kevés malac választása okok között figyelhető meg. Ebben az esetben a vetélés 6,16-szor nagyobb valószínűséggel játszik szerepet a selejtezésekben, mint a kevés választott malacszám. A genotípus hatásának számszerűsítése esetén az egyik genotípus kimagaslóan nagy selejtezési kockázati értékkel bírt (mintegy 4,5-szeres az átlagos kockázathoz képest). Az egyik genotípus kockázati értéke pedig kevesebb, mint hatoda volt az átlagos értéknek. Ezek az információk segítik a sertéstartókat abban, hogy mely fajtákra figyeljenek oda fokozottan, illetve hatékonyabban megelőzhetik a selejtezést, ismerve, hogy melyik okra kell inkább odafigyelniük.

A keltetőtojás-termelés esetén a vizsgált vállalat adatait annak számítógépes rendszeréből nyers formában kaptam meg. Ezeket rendszereztem állományra, életkorra, telepre, évre lebontva, majd előállítottam belőlük a tömeggyarapodásra vonatkozóan a megfelelő eloszlásokat, paramétereket. Az elhullásra nézve a vizsgált állományokra telepenként külön-külön minden élethétre megbecsültem a várható túlélési arányt parametrikus túlélés-elemzéssel. A tojástermelési és termékenyülési arányokat szintén az alapadatok alapján kalkuláltam. A programban a testtömeg fejlődését a takarmánymennyiség szabályozásával irányítom. Az általam összeállított szimulációs modell felépítéséhez a következő technológiai adatokkal kalkuláltam: az állatállomány ivararánya az élettanilag optimális 10:1 tyúk-kakas arány. A termelési ciklus hossza 20+42 hét (1.-20.-62. élethét). A szimulációs programot 1000 baromfira és 62 élethétre 100 /10x10/ ismétléssel futtattam le egy adott telep esetében. Mivel az állományok tömeggyarapodása, az elhullása és a tojástermelés eltérően alakul, ezért ezen folyamatok szabályozására különböző tényezőket vettem figyelembe, mint például a baromfiak egyöntetűségének fenntartása érdekében történő szelekció, vagy az optimális takarmányellátás. Ezen tényezőknek megfelelően az adott vállalkozás termelési adatain alapuló szimulációs modell segítségével a technológiai kockázat tükrében értékeltem a vizsgált állomány naturális mutatóinak alakulását, valamint elemeztem a hústípusú keltetőtojás-termelés költség - jövedelem viszonyait is, mivel a termelés célja hosszú távon a minél magasabb jövedelem elérése, a gazdaságosság. Az állomány 62 heti termelésének szimulált összes költség és árbevétel adatának alakulásával kapcsolatosan elmondható, hogy a termelés első időszakában – nevelőtelepi tartás – csak a költségek terhelik az állományt, mivel ekkor még nem jelentkezik a tojástermelésből árbevétel. A tojótelepre történt áttelepítés után néhány héttel – fényprogramtól függően – megindul az állomány termelése. Ezután az állomány jellegéből adódóan gyorsan felfut a tojástermelés, ami a 60. hétig tart. Ettől az időszaktól kezdődően megtörténik az állomány egy részének értékesítése. Az összes baromfit a 62. hétre selejtezték. Az eladások miatt megugrik a jövedelem. Az árbevétel görbe csak az állomány értékesítése előtt pár héttel (kb. 53. hét) metszi az összes költség görbét. A keltetőtojás- termelés 1 termelési ciklus alatt egy tyúkra vetítve 142 db. A keltetőtojás aránya átlagosan 83%. A szimuláció során az 1 tojóra jutó termelési költség mintegy 5246,36 Ft, a termelési érték 6236,25 Ft, és ezek alapján a jövedelem mintegy 989,89 Ft körül alakul, mely 1 keltetőtojásra vetítve pedig 7,44 Ft, az 1 keltetőtojásra jutó termelési költség 39,47 Ft. A termelési költség 79,05%-a anyagjellegű költség, melynek 52-60%-a takarmányköltség, 40%-a pedig az előnevelt szülőpár beszerzésének költsége. Ezek alapján elmondható, hogy a szülőpártartás költségeit elsősorban a takarmány, illetve az előnevelt szülőpár ára határozza meg. Az előállított keltetőtojás értéke 86%-a termelési értéknek, míg a melléktermékek – közülük is legjelentősebb a selejt tyúkok – értéke 14%-ot képvisel. Az árbevétel nagysága tehát függ a keltetőtojás és az értékesített selejttyúkok árától. Lehetőségünk van a programban arra is, hogy kiszámoljuk annak a valószínűségét, hogy például az 1 keltetőtojásra jutó költség, illetve jövedelem milyen valószínűség mellett esik egy előre adott intervallumba.

Úgy gondolom, hogy a szimulációs technikát felhasználva a termelésben a gyakorlati döntések meghozatala előtt, vizsgálhatók olyan esetleg bekövetkező természeti állapotok, amelyek később befolyásolhatnák a szakembereket a tényleges problémák megoldásában. Az egyes állományok teljesítménye és naturális paramétereinek alakulása nyomon követhetővé válik. Változtatható az ivararány, a telepítés időszaka, és a telep is. Ugyancsak változtatni lehet a tömeggyarapodás heti átlag, szórás paraméterein. Különböző keltetőtojás-árakkal, illetve takarmányköltségekkel futtathatjuk a modellt, így szkenáriókat (realista, pesszimista, optimista) határozhatunk meg a jövedelemre. Modellem alkalmazása így hozzájárulhat ahhoz, hogy a vállalati döntéshozók még hatékonyabb termelést valósíthassanak meg, – anélkül, hogy jelentősen kockáztatnák a meglévő erőforrásaikat – és ezáltal csökkenthessék a mezőgazdaságban általánosan ható bizonytalanságot.

Dolgozatom megírásával egyrészt az volt a szándékom, hogy mind a szarvasmarha, mind a sertés és baromfitartásban a telepeken folyó munkát, és ezáltal a minőségi termelést befolyásoló technológiai tényezőket megvizsgáljam, értékeljem, s ezen ismeretekkel hozzásegítsem a telepeket hatékonyságuk javításához, a jövedelmezőbb termelés megvalósításához, valamint a termelésben adódó kockázatok csökkentéséhez. Másrészről viszont az is célom volt, hogy a különböző matematikai, statisztikai illetve szimulációs módszerek kockázatelemzésben betöltött szerepét hangsúlyozzam, és mezőgazdasági alkalmazásukat bemutassam.

SUMMARY

Agricultural production is one of the riskiest activities. In the past few years the degree of the assumption of risk accompanying decision making by agricultural producers has continued to increase. Production is risky because at the time of decision making the results of production cannot yet be calculated and the uncertainty as well as the risk affecting the prospective result of production can have various causes. As for the future of agriculture the improvement of quality offers the greatest potential. In order to produce quality products – regardless of the species – a higher standard of raising technology is necessary. I conducted my research in three main branches of livestock farming: pig, poultry and dairy cow keeping, focusing on the technological factors of raising. I have presented case studies for the application of various risk analyzing methods for the major problems affecting companies. To examine the activity of the pig farm and the dairy farms I have used mathematical and statistical methods – event history analysis, logistic regression and decision trees. For the latter two methods I accomplished the analyses using SPSS 13.0, for the survival graphs with STATISTICA 6.0 and for the more complicated parametric models using LEM (Loglinear and event history analysis with missing data using EM algorithm ). Based on the data of the company raising broiler parents, in my analyses I applied a self-developed software on the basis of Monte-Carlo simulation.

In the case of dairy farms I examined the effect of technology on quality milk production on 36 dairy farms in Hajdú-Bihar county. In the case of the large-scale pig farm one of the most severe problems is caused by culling, with all the circumstances and reasons it involves. I examined the useful life of animals of various genotypes up to culling, as well as the frequency of the various reasons for culling. The technological risk of raising broiler parents lies in the fact that the stocks are raised under different circumstances on different farms, or raised on the same farm but at different times. I examined the circumstances for laying egg production of these stocks with regard to risk.

After examining the technological factors of milk production concluded that the carousel-type equipment has proved very effective in Hungary. The application of this type of equipment reduces the risk of milk quality deterioration to half as much as in the case of using stable milking equipment and a third as compared to using the cowl. The chance for “extra” quality is more than double in comparison to the case of herringbone or parallel equipments. The polygon type is closest to the efficiency of the carousel. Milking into a cupel is more effective than milking onto the floor if we want to maintain “extra” milk quality for more than twenty ten day cycles. Automatic teat cup removal is more likely to maintain continuous “extra” milk quality for the short term (13-35 ten day cycles). Removal by hand can provide advantages only in the long term, but then there is the possibility of “blind milking” and udder damage, therefore it is more advisable to use automatic teat cup removal. As for herringbone equipment, optimally there should be 4-8 machines per milker. The measure of risk is the most significant when one milker is operating ten machines at once. Based on my examinations regarding quality risk the 1 to 3-hour shift is the most dangerous; the most optimal time span for the shift is 4 to 4.5 hours. I have been able to support my results concerning the carousel equipment and the usage of automatic teat cup removal as well as the number of milking equipments by using another method, logistic regression. By using this method it is also shown that if the production of a hundred litres of milk lasts an hour longer, quality will have a chance of 1.6 to decrease. Logistic regression has also made it possible for me to develop risk values concerning the farms examined with regard to their respective technological peculiarities. I have also presented the applicability of the decision tree method for agriculture. The advantage of this method is that it is examining the essential effect of a variable on the explaining variable in interaction with another variable, and these are explored by the method itself. The results from the decision tree as a whole are in agreement with the results gained from the logistic regression model. As regards the modes of preparing the udder, I received more detailed information. The water hose was more efficient than other ways of udder cleaning where the number of equipments operated by one person was not more than eight. The use of water hose and cloth or paper as well as of antiseptic cloth is justified where the number of milking equipments per person is higher.

In order to examine the risk factors of culling, I collected over 10 000 data concerning almost 3 000 pigs and six genotypes from one of the farms of the company that is of crucial significance with regard to pig raising in the region. Regarding the useful life up to culling I found that there is a significant difference in the performance of sows of different genotypes even in the case of a single farm. Examining the specific crossing types I observed that during the whole period of observation the survival graphs of animals with certain genotypes remained below the survival graphs of sows of other genotypes; the continued keeping of these animals in production results in great risk. The survival graph of the stock from the crossing of another breed is to the right of that of the other genotypes, which means that there had been no culling for sows of this type before day 600, as opposed to other crosses. I also observed that certain sows lived to day 1 900 and even then they were only culled because they were past their eighth farrowing. There were types of sows in case of which the risk of culling is more balanced and which can be kept in production for a relatively long period. Regarding the risk of culling reasons it can be stated that the greatest risk was presented by the following factors: abortion, lack of being in heat for pregnancy test and emptiness on day 110 (i.e. not pregnant). The smallest risk was presented by the teat defect reason. I observed that those sows culled for low farrowing performance remained in production for at least 100-200 days longer. On the basis of the relative risk values calculated by the log-rate exponential model the likeliest reasons for culling are the following: abortion, lack of being in heat for pregnancy test, emptiness on day 110 (not pregnant). The highest risk difference can be observed in the case of culling reasons for abortion and for weaning few pigs. In this case the probability of abortion as a culling reason is 6.16 times higher than in the case of culling for weaning few pigs. When quantifying the effect of genotypes one of them had a significantly high culling risk value (about 4.5 times more than the average risk). The risk value of another genotype was less than a sixth of the average value. This information helps pig keepers to pay extra attention to certain breeds, and to more effectively prevent culling, knowing which reasons they need to pay more attention to.

In the case of laying egg production I received raw data from the computer system of the company under examination. I systematized them by breaking them down according to stock, age, farm and year, and then produced the corresponding distributions and parameters concerning mass increase. Regarding deaths in the case of the stocks examined the expected survival rate by farms for each week of life was estimated by using the parametric survival analysis. The percentages of egg production and of becoming pregnant were also calculated on the basis of the data. In the program the growth of body mass is controlled by the regulation of the quantity of fodder. When building the self-developed simulation model I calculated with the following technological data: the sex ratio of the stock is the physiologically optimal 5:1 hen-rooster ratio. The length of production cycle is 20+42 weeks (first to twentieth to sixty-second life week). In the case of a given farm I ran the simulation program repeated 100 /10x10/ times for 1 000 poultry and 62 life weeks. As the mass increase, deaths and egg production of the stocks vary. In order to regulate these processes I took into consideration various factors such as culling for the sake of maintaining uniformity of poultry or optimal fodder supply. According to these factors by using the simulation model based on the production data of the given company regarding the technological risk I evaluated the tendency of the natural index numbers of a given stock and analyzed the expense – income relationship of meat type laying egg production, as the long term goal of production is the attainment of the highest possible income, i.e. economic efficiency. With regard to the tendency of the simulated total expense and income data of the 62-week production of the stock, it can be said that in the first phase of production –at the rearing farm – the stock are charged with only the expenses as there is yet no income from egg production. Depending on the light programme, a few weeks after the stock have been transferred to the laying farm production begins. After this egg production quickly increases depending on the stock and this lasts until week 60. During the next phase part of the stock would be sold. All the poultry would have been culled by week 62. Because of the sales there is a sudden income increase. The income graph and the total expense graph only intersect a few weeks before the selling of the stock (approx. week 53). Laying egg production is 142 pieces per hen in one production period. The percentage of laying eggs is 83% on average. In the simulation the production cost per layer is about HUF 5246.36, production value is HUF 6236.25, therefore income is about 989.89 HUF which is 7.44 HUF per laying egg and the production cost per laying egg is HUF 39.47. 79.05% of the production cost is material type cost, 52-60% of which is fodder cost and 40% is the cost of buying the pre-raised broiler parents. Based on this information it can be stated that the expenses of raising the broiler parents are primarily determined by the price of fodder and of the pre-raised broiler parents. The value of the produced laying egg is 86% of the production value while the value of by-products – most significantly culled hens – is 14%. The size of income therefore depends on the price of laying eggs and of culled hens that have been sold. In this program it is also possible to calculate the probability of the cost per laying egg and the income falling in a given interval. I believe that by using the simulation technology in production before making practical decisions, it is possible to examine prospective natural circumstances that later may influence experts in solving the relevant problems. The performance and the tendency of the natural parameters of a given stock become traceable. It is possible to change the sex ratio, the period of settling and the farm itself. It is also possible to change the parameters of the weekly average, deviation, of mass increase. We can run the model with various laying egg prices as well as fodder prices, thereby creating (realistic, pessimistic, optimistic) scenarios regarding the income. The application of my model can play a role in helping company decision makers to make production even more efficient – without significantly risking their existing resources – and thereby decrease the general uncertainty which is characteristic of agriculture.

It was my purpose in writing this thesis to examine and evaluate the work on the farms in cattle, pig and poultry keeping, and the technological factors affecting quality production, and to use this information to help the farms in improving their efficiency, achieving more profitable production and decreasing the risks deriving from production. On the other hand, I also aimed at introducing the agricultural application of simulation methods and mathematical, statistical methods emphasizing their role in risk analysis.