. مجلة جنگل ايران انجمن جنگلباني ايران سال پنجم شمارة بهار 39 صفحة تا 30 سياست برداشت بهينه از جنگل با استفاده از روش برنامهريزي پويا (مطالعة موردي: جنگل شفارود) 3 3 * سمانه نامداري سليمان محمدي ليماي ي رامين نقدي و اميراسلام بنياد دانشجوي كارشناسي ارشد گروه جنگلداري دانشكدة منابع طبيعي دانشگاه گيلان و 3 استاديار و دانشيار گروه جنگلداري دانشكدة منابع طبيعي دانشگاه گيلان (تاريخ دريافت: 90 / /4 تاريخ پذيرش: (9 / 5 / چكيده هدف از اين تحقيق تعيين مقدار برداشت بهينة راش با استفاده از برنامهريزي پويا در جنگل شفارود در استان گيلان است. در اين بررسي ابتدا براي پيشبيني رويش راش از مدل رياضي لجستيك استفاده شد. در مرحلة بعد با استفاده از دادههاي سريهاي زماني قيمت و هزينه معادلات قيمت چوب و هزينة متغير بهرهبرداري راش بر اساس مدل خودكاهشي برآورد شد. سپس با استفاده از معادلات رويش قيمت هزينة متغير بهرهبرداري و نرخ سود بانكي مقدار برداشت بهينه از جنگل با استفاده از فن برنامهريزي پويا بهطوريكه حداكثر ارزش فعلي مورد انتظار نصيب واحد توليدي شود محاسبه شد. براي بهينهسازي مقدار برداشت از مدل برنامه ريزي پويا در نرمافزار LINGO استفاده شد. بهمنظور بهينهسازي مدل متغيرهاي حداقل موجودي سرپاي ممكن مدل رويش قيمت چوب در كنار جاده هزينة متغير بهرهبرداري افق برنامهريزي هزينة انتقال گروههاي قطع و وسايل بهرهبرداري به داخل جنگل و نرخ سود بانكي كدنويسي شدند. با توجه به متوسط موجودي سرپاي منطقه كه 490 متر مكعب در هكتار و حداقل موجودي سرپاي ممكن در اين تحقيق كه 00 متر مكعب در هكتار است مقدار برداشت بهينه و حداكثر ارزش فعلي مورد انتظار در يك دورة 00 ساله بهترتيب 6 تا متر مكعب در سال و 336 هزار ريال در هكتار برآورد شد. آناليز حساسيتپذيري نشان داد كه ممكن است مقدار برداشت بهينه با توجه به موجودي فعلي جنگل و حداقل موجودي سرپاي ممكن در نوسان باشد و حتي در مواردي هيچ برداشتي هم از جنگل صورت نگيرد. واژههاي كليدي: برداشت بهينه مدل رويش مدل قيمت روش برنامهريزي پويا جنگل شفارود. Email: limaei@guilan.ac.ir * نويسندة مسي ول: تلفن: 08 3304
سياست برداشت بهينه از جنگل با استفاده از روش... مقدمه و هدف هدف از ادارة اقتصادي جنگلها كاربرد تي وريهاي اقتصاد در مورد مساي ل مربوط به مهندسي جنگل است و مقصود آن است كه از بين راههاي مختلف رسيدن به يك هدف راهي انتخاب شود كه حداكثر سود را نصيب واحد توليدي كند. اگر ما به آينده اطمينان كامل داشته باشيم و اگر قبول كنيم كه هدف اقتصادي واحد توليدي بايد تنها سود حداكثر باشد (بدون در نظر گرفتن هدفهاي سياسي اجتماعي) بهنظر ميرسد تنها ضابطة صحيح حداكثر ارزش فعلي است زيرا اقتصادي بودن هر عمل بر اساس سودي كه واحد از آن عمل بهدست ميآورد اندازهگيري ميشود و اين سود هنگامي حداكثر است كه سود فعلي حداكثر باشد (سعيد 385). از آنجا كه جمعآوري اطلاعات و تجربة طرح تمام راهحلهاي ممكن براي رسيدن به هدف با روشهاي سنتي به محاسبات خستهكننده و زمانبر احتياج دارد بايد از تكنيكهايي استفاده شود كه در آنها مساي ل بهطور عميق تجزيهوتحليل شود و روابط بهوسيلة عواملي كه در توليد جنگل اثر مي- گذارند بهصورتي بهتر از روشهاي قديمي و سنتي مشخص شوند. با ظهور تحقيق در عمليات و رايانه در قرن بيستم ابزاري قدرتمند براي مديريت علم فراهم آمد. اگرچه اين روشها اولين بار در بخش نظامي بهكار گرفته شد بهسرعت در ديگر قلمروهاي تحقيقاتي از قبيل مديريت جنگل بهكار گرفته شد. با اين تكنيكهاي بهينهسازي و كامپيوترهاي مدرن ميتوان به آساني مساي ل متعدد پيچيده را حل كرد (004 (Lu, و بهترين برنامه (روش اجراي كار) از مجموعه راههاي ممكن را بهدست آورد. بهينهسازي محدوديتدار يا برنامهريزي رياضي فرايندي رياضياتي براي تعيين تخصيص بهينة منابع كمياب است (مرادينژاد و همتا 388) و از آنجا كه جنگل نيز جزو منابع محدود محسوب ميشود در اين تحقيق سعي شد كه با استفاده از مدل برنامهريزي پويا مقدار برداشت از جنگل طوري تعيين شود كه بيشترين ارزش خالص فعلي در هر هكتار جنگل بهدست آيد. در اين مطالعه فرض بر اين است كه مقدار برداشت بهينه از جنگل با استفاده از برنامهريزي پويا قابل بررسي است. برنامهريزي پويا كه تكنيكي براي حل مساي لي است كه مستلزم تصميمهاي متوالي هستند اولين بار ايجاد كرد. در اواخر دهة 960 محققاني چون Amidon & (968) Akin Schreuder (97) و (966) Hool آن را وارد علم جنگلداري كردند. Hool (966) اولين بار از برنامهريزي پويا در مساي ل مربوط به توليدات جنگلي استفاده كرد. وي براي نخستين بار زنجيره ماركوف را براي تحليل مديريت جنگلهاي همسال بهكار گرفت. Amidon & Akin (968) بهطور گستردهتر روش برنامهريزي پوياي حتمي را براي مساي ل مربوط به جنگل بهكار گرفتند. آنها استفاده از برنامهريزي پويا را در مورد تغييرات قيمت چوب در طول زمان تاييد كردند. (97) Schreuder براي بهدست آوردن زمان مناسب براي تنك كردن و تعيين سن چرخش بهينه از برنامهريزي پويا 3 و روش بازگشتي پسرو استفاده كرد. با توجه به ماهيت برنامهريزي پويا اين روش امروزه بيشتر براي برنامهريزي مقدار برداشت جنگلهاي ناهمسال استفاده ميشود Anderson & Bare, 994; Lu, 004; Lohmander, ) 000; Mohammadi Limaei, 006; Mohammadi.(Limaei, 0 اولين بار محمدي ليمايي (388) بهينهسازي از طريق برنامهريزي پويا را در ايران براي جنگل ناهمسال خيرود نوشهر بهكار گرفت. هدف از تحقيق حاضر تعيين مقدار برداشت بهينه از جنگلهاي ناهمسال راش شفارود با استفاده از روش برنامهريزي پويا در يك دورة 00 ساله است. مواد و روشها - مدل رويش معادلة رويش زيستي بر اساس مدل پويا شفر ) Schaefer, (954 يك نوع معادلة لجستيك 4 پوياي جمعيت است كه 5 بر اساس مدل لجستيك ورهاست در سال 938 اراي ه شد. در مدل لجستيك پويا نرخ رويش تابعي از جمعيت موجود زنده و مقدار منابع غذايي در دسترس است. رويش در جنگل هم بر اساس تحقيقات از رويش ديگر موجودات زنده پيروي ميكند.(Clark, 976) در اين بررسي دادههاي - Markov Chain - Deerminisic Dynamic Programming 3- Backward Algorihm 4- Logisic Equaion of Populaion Dynamics 5- Verhuls Bellman (957)
.3 مجلة جنگل ايران انجمن جنگلباني ايران سال پنجم شمارة بهار 39 صفحة تا 30 - روش برنامهريزي رياضي پويا 3 اين روش را اولين بار بهطور كلاسيك پروفسور بلمن در موجودي در هكتار و رويش گونة راش در سري 9 حوضة 3 آبخيز جنگل شفارود شد (بنياد 384) (شكل ). 9 8 7 6 5 4 3 0 30 8 33 36 86 338 395 476 530 53 موجودي در هكتار (متر مكعب ( براي تعيين معادلة رويش استفاده شكل - رويش ساليانه در ارتباط با موجودي در هكتار گونة راش در سري 9 حوضة آبخيز شفارود بهمنظور دستيابي به معادلهاي كه بيانگر رويش جنگل باشد از معادلة لجستيك (رابطه ) استفاده شد: كه در آن Gرويش ساليانه (متر مكعب در هكتار) V حجم سرپا (متر مكعب در هكتار) و α وβ γ پارامترهاي برآورد شده هستند. در اينجا فرض شده كه εيك رشته از خطاها با توزيع نرمال ميانگين و خودهمبستگي صفر است. از تحليل رگرسيون براي برآورد معادلة رويش گونة راش استفاده شد. - قيمت چوب دادههاي قيمت گردهبينه كاتين و چوبهاي هيزمي مربوط به گونة راش در كنار جادة جنگلي و هزينة متغير بهرهبرداري (قطع تبديل و حمل تا جاده) بهازاي هر متر مكعب چوب راش از سال 368 تا 388 از طريق دفترهاي حسابداري شركت و همچنين مصاحبه با مديريت بهرهبرداري شركت شفارود و ديگر كارشناسان شركت جمعآوري شد. از شاخص قيمتي مصرفكننده براي حذف تورم استفاده شد. سپس از مدل خودكاهشي براي برآورد قيمت ناخالص چوب (معادلة ) و هزينة متغير بهرهبرداري (معادلة 3) بهازاي هر متر مكعب چوب راش استفاده شد. رويش ساليانه (مترمكعب در هكتار ( وα قيمت در زمان p قيمت در زمان + P + در اينجا Cهزينه در + Cهزينة متغير بهرهبرداري در زمان + و و β پارامترهاي برآوردشده براي مدل قيمت زمان است. β نيز پارامترهاي برآوردشده براي مدل هزينه α و و ε يك رشته از خطاها با توزيع نرمال هستند. در اينجا نيز ميانگين و خودهمبستگي صفر است. براي برآورد ميانگين مورد انتظار قيمت چوب ناخالص ) p ( و ميانگين مورد انتظار هزينة متغير بهرهبرداري ) C) بهترتيب از رابطههاي 4 و 5 استفاده شد :(Mohammadi Limaei, 006) α p = β 4 5 سال 957 معرفي كرد و از آن به بعد براي حل مساي ل بهكار گرفته شد.(Bellman, 957) برنامهريزي پويا شامل مرحله وضعيت يا حالت و سياست بهينه است. هر مسي لة برنامهريزي به مساي ل جزي ي تبديل ميشود كه به هر مسي لة جزي ي يك مرحله ميگويند. مرحلة اول موضع تصميمگيري است و شامل يك يا چند وضعيت يا حالت است. تصميمگيري در هر مرحله با توجه به مشخص بودن وضعيت در آن مرحله انجام ميگيرد. در اين بررسي موجودي در هكتار يك متغير حالت است كه سيستم جنگل بر اساس آن توصيف ميشود. سياست بهينه در يك مرحله مقدار برداشت بهينه از آن مرحله تا مرحلة نهايي است. در اينجا سياست بهينه مقدار برداشت بهينه است كه در آن ارزش فعلي به حداكثر ميرسد. در اينجا فرض بر اين است كه وضعيت بهطور حتم قابل پيشبيني است. در نتيجه مدل رياضي كه ما از آن استفاده كرديم مدل برنامهريزي پوياي حتمي است. ابتدا مقدار ارزش فعلي مورد انتظار براي دورة نهايي (T) بهصورت زير محاسبه ميشود C = α + β + ε + C α C = β :(Mohammadi Limaei, 006) G = γ + αv + βv + ε p = α + β + ε + p 3- Belman - Auocorrelaion - Auoregressive Model
سياست برداشت بهينه از جنگل با استفاده از روش... 4 6 در اينجا : دوره V: متغير حالت و : h متغير تصميم است. تصميمگيري بهينه و ارزش فعلي براي دورههاي قبل از يعني T { 0,, } T... بهكمك الگوريتم بازگشتي برنامهريزي پويا و از روش برگشت به عقب با استفاده از رابطة 7 محاسبه ميشود. 7 پارامترهاي معادلة رويش ميانگين قيمت ناخالص چوب سرپاي مورد انتظار هزينة متغير بهرهبرداري بهازاي هر متر مكعب چوب راش حداقل موجودي سرپاي ممكن در طول دوره افق برنامهريزي يا طول دوره هزينة انتقال گروههاي قطع و وسايل بهرهبرداري به داخل جنگل و نرخ سود بازار بهمنظور بهينهسازي در نرمافزار LINGO كدنويسي شدند. نتايج - برآورد معادلة رويش گونة راش بر اساس نتايج بهدستآمده احتمال و مقدار. آماري در سطح 95 درصد بين پارامترهاي V G و V رابطة معنيداري وجود دارد. مقدار آماري براي V و V بهترتيب 6/96 و 7/63 بهدست آمد (جدول ). { r ( v h) } ft ( v) = Max T, { r ( v, h) + f ( )} f ( v) = Max v جدول - پارامترهاي برآوردشده بر اساس دادههاي رويش گونة راش در سري 9 حوضة آبخيز شفارود δ (انحراف ازمعيار) R R β α γ 0/638 0/997 0/995-0/00005 0/0097 0/756737 ارزش پارامتر /040 0/0033 0/544 انحراف معيار -7/63 6/96 4/90 آماري G = 0 / 756737 + 0 / 008V 0 / 00005V با قرار دادن مقادير و پارامترهاي بهدستآمده از جدول در رابطة مدل لجستيك بهصورت زير برآورد شد: - برآورد مدل قيمت چوب گونة راش دادههاي قيمت ناخالص چوب راش دركنار جاده جنگلي در سالهاي 368 تا 388 با استفاده از شاخص قيمتي مصرفكننده نسبت به سال پاية 383 تعديل شدند (شكل ). لازم به ذكر است كه عدد شاخص در سال 383 برابر با 00 است (بانك مركزي جمهوري اسلامي ايران 390). بر اساس نتايج بهدستآمده و مقدار آماري (8/5) در p سطح احتمال 95 درصد بين پارامترهاي معنيداري وجود دارد (جدول ). + p و رابطة 0000 قيمت چوب كنار جاده جنگلي(ريال ( 500000 000000 500000 000000 500000 0 368 369 370 37 37 373 374 375 376 377 378 379 380 38 38 383 384 385 386 387 388 سال تعديل شده تعديل نشده شكل - قيمت تعديلشده (واقعي) و تعديلنشدة چوب راش در كنار جادة جنگلي در سالهاي 368 تا 388
.5 مجلة جنگل ايران انجمن جنگلباني ايران سال پنجم شمارة بهار 39 صفحة تا 30 β α جدول - مقادير پارامترهاي برآوردشده بر اساس دادههاي قيمت ناخالص چوب سرپا براي مدل خودكاهشي از سال 369 تا 389 ارزش پارامتر انحراف معيار آماري R 0/88 R 0/785 0/78 49/47 δ (انحراف از معيار) 5/37 0/095 8/5 0/65 /45 بر اساس مقادير پارامترها در جدول و با استفاده از رابطة مدل خودكاهشي قيمت ناخالص چوب بهصورت زير برآورد شد: p = 49 /47 0 / 78 با استفاده از رابطة 4 ميانگين قيمت مورد انتظار چوب براي گونة راش 00 ريال در متر مكعب برآورد شد. - برآورد هزينة خروج هر متر مكعب چوب راش دادههاي هزينة متغير بهرهبرداري بهازاي هر متر مكعب چوب سرپاي راش در سالهاي 368 تا 388 با استفاده از شاخص قيمتي مصرفكننده تعديل شد (شكل 3). از آناليز رگرسيون براي برآورد معادلة هزينة متغير بهرهبرداري استفاده شد. بر اساس نتايج بهدستآمده از جدول 3 و مقدار آماري در سطح احتمال 95 درصد بين + C رابطة معنيداري وجود دارد. c و پارامترهاي + + p 000 هزينه متغير بهره برداري (ريال) 50000 00000 50000 00000 50000 0 368 369 370 37 37 373 374 375 376 377 378 379 380 38 38 383 384 385 386 387 388 سال هزينه تعديل شده هزينه تعديل نشده شكل 3- هزينة متغير تعديلشده (واقعي) و تعديلنشده بهرهبرداري به ازاي هر متر مكعب چوب راش در سالهاي 368 تا 388 جدول 3 - مقادير پارامترهاي برآوردشده بر اساس دادههاي هزينة خروج چوب براي مدل خودكاهشي از سال 368 تا 388 δ (انحراف از معيار) R R β α 0/48 0/58 0/334 0/6 33/85 ارزش پارامتر 0/ 6/08 انحراف معيار 3/04 /0 آماري
سياست برداشت بهينه از جنگل با استفاده از روش... 6 بر اساس مقادير پارامترها (جدول 3 ) و رابطة 3 مدل خودكاهشي هزينة متغير بهرهبرداري بهازاي هر متر مكعب چوب بهصورت زير برآورد شد: با استفاده از رابطة 5 ميانگين هزينة خروج مورد انتظار چوب ر شا 80000 ريال در متر مكعب برآورد شد. - برنامهريزي پويا در برداشت بهينه از جنگل با استفاده از برنامهريزي پويا مقدار برداشت بهينه براي يك دورة 00 ساله محاسبه شد. دادههاي قيمت چوب در كنار جادة جنگلي هزينههاي متغير بهرهبرداري هزينة انتقال گروههاي قطع و وسايل بهرهبرداري به داخل جنگل طول دوره رويش جنگل موجودي در هكتار فعلي جنگل حداقل موجودي در هكتار ممكن در طول دوره و نرخ سود بازار وارد نرمافزار شد. مقدار قيمت چوب ثابت فرض شد كه در مدل مورد نظر قيمت چوب در كنار جاده در واقع ميانگين قيمت مورد انتظار در نظر گرفته شد كه از رابطة 4 بهدست آمد (00 ريال). همچنين هزينة متغير بهرهبرداري ميانگين هزينة مورد انتظار در نظر گرفته شد كه از رابطة 5 بهدست آمد (80000 ريال). نرخ سود بازار 3 درصد افق برنامهريزي يا طول دوره 00 سال و هزينة انتقال گروههاي قطع و وسايل بهرهبرداري به داخل جنگل 500000 ريال در هر هكتار در نظر گرفته شد. مدل رويش جنگل هم مطابق فرمول وارد نرمافزار شد. در نهايت فرمول ارزش خالص فعلي در نرمافزار نوشته شد. خروجي نرمافزار شامل جواب بهينه متغيرهاي دادهشده تغييرات حجم سرپا در سالهاي مختلف (V) تغييرات رويش جنگل در سالهاي مختلف (G) و مقدار برداشت بهينه در طول دوره (H) است. بر اساس نتايج حاصل از حل نرمافزار LINGO با استفاده از روش برنامهريزي مقدار ارزش خالص فعلي مورد انتظار 336 هزار ريال در هكتار برآورد شد. با استفاده از نتايج حاصل رابطة بين مقدار برداشت بهينه و حجم سرپا رسم شد (شكل 4). همانطور كه در شكل 4 ديده ميشود با تغيير حجم سرپا در طول دورة 00 ساله مقدار برداشت بهينه از 6 تا متر مكعب در هكتار در سال تغيير مييابد و در انتهاي دوره حجم سرپا به 00 متر مكعب در هكتار يا حداقل حجم ممكن ميرسد. C + = 33/85+ 0/ 6C + ε 0 8 6 4 0 مقدار برداشت بهينه (متر مكعب در هكتار ( 0-8-0 6-8 مقدار برداشت بهينه (متر مكعب در هكتار ( 490 474 455 435 45 395 376 356 336 37 97 77 58 38 8 98 79 59 39 0 00 حجم در هكتار (متر مكعب ( شكل 4- مقدار برداشت بهينه در يك دورة 00 ساله با استفاده از برنامهريزي پويا در شكل 5 شمايي از برداشت بهينه با استفاده از برنامهريزي پويا مشاهده ميشود كه در آن V حجم در هكتار H برداشت در مراحل مختلف و G رويش بهازاي حجمهاي مختلف است. در اينجا 00= i همان مرحله است.
.7 مجلة جنگل ايران انجمن جنگلباني ايران سال پنجم شمارة بهار 39 صفحة تا 30 V 490 V=490 G= 7/ 35 H= / 8 G= 7/ 3 486 V=486 H= / 6 G3= 7/ 9 48 V3=48 H3= / 3 478 V4=478 i-00 i-99 i-98 i-97 شكل 5- شمايي از برداشت بهينه با استفاده از برنامهريزي پويا - آناليز حساسيتپذيري بهمنظور برآورد حساسيت جواب بهينة بهدستآمده در برابر تغييرات موجودي سرپا و حداقل حجم ممكن آناليز حساسيتپذيري برنامهريزي پويا با نرمافزار LINGO انجام گرفت (جدول 4). جدول 4- آناليز حساسيتپذيري برنامهريزي پوياي مقدار برداشت بهينه از جنگل مقدار برداشت بهينه در افق 00 ساله (متر مكعب در هكتار) حداقل حجم ممكن (متر مكعب در هكتار) مقدار موجودي فعلي سرپا (متر مكعب در هكتار) 6-00 490 6-0 00 490 5-8 490 5-7 400 490 4-7 00 5-6 00 4-5 3-4 400-3 00 00-00 00 0-00 همانطور كه در جدول 4 ديده ميشود با افزايش مقدار حداقل حجم ممكن از 00 به 400 متر مكعب در هكتار مقدار برداشت بهينه در افق 00 ساله از 6- به 5-7 متر مكعب در هكتار در سال كاهش پيدا كرد. همچنين اگر فرض شود كه مقدار موجودي فعلي سرپاي جنگلي متر مكعب باشد و ديگر شرايط (رويش قيمت چوب سرپا هزينههاي انتقال گروههاي قطع و وسايل بهرهبرداري و نرخ سود بازار) ثابت باشد با افزايش مقدار حداقل حجم ممكن از 00 به 400 متر مكعب در هكتار مقدار برداشت بهينه در افق 00 ساله از 4-7 به 3-4 متر مكعب در هكتار در سال كاهش مييابد. در نهايت اگر مقدار موجودي فعلي جنگل 00 متر مكعب بوده و ديگر شرايط ثابت باشد با افزايش مقدار حداقل حجم ممكن از 00 به متر مكعب در هكتار مقدار برداشت بهينه در افق 00 ساله از -3 به 0- متر مكعب در هكتار در سال كاهش مييابد و
سياست برداشت بهينه از جنگل با استفاده از روش... 8 زماني كه در اين حالت مقدار حجم ممكن متر مكعب در هكتار باشد بايد تا 0 سال هيچ برداشتي انجام نگيرد. حداقل موجودي سرپاي ممكن در اين تحقيق 00 متر مكعب در هكتار فرض شده است. فرض بر اين بود كه با اين مقدار علاوه بر توليد چوب به ديگر عملكردها و خدمات جنگل (جلوگيري از فرسايش مناظر طبيعي و...) هم خدشه وارد نميشود. به هر حال براي محاسبة دقيق حداقل موجودي ممكن ميتوان از روشهايي از قبيل برنامهريزي آرماني يا هدف روش تصميمگيري چندمعياره مثل AHP استفاده كرد. بحث در اين بررسي از مدل رياضي برنامهريزي پويا براي تعيين مقدار برداشت بهينه در يك افق 00 ساله استفاده شد. بهمنظور برآورد رويش گونة راش در منطقة مورد بررسي از مدل رياضي لجستيك استفاده شد Heshmaol vaezin e al. (008) مدلهاي رويش حجمي را در جنگلهاي ناهمسال آميخته در ارتباط با پارامترهايي چون قطر برابرسينه جنبههاي اكولوژيكي و تراكم توده برآورد كردند. آنها از رگرسيون چندمتغيره براي برآورد مدل رويش سه گونة اصلي راش ممرز و توسكا استفاده كردند ولي در اين تحقيق از معادلة لجستيك بهمنظور برآورد تابع رويش حجمي راش استفاده شد. (006) Limaei Mohamadi نيز اولين بار در ايران از روش مطالعات زماني براي برآورد قيمت چوب سرپا استفاده كرد. در اين بررسي نيز با استفاده از سريهاي زماني قيمت چوب سرپا بر اساس يك مدل خودكاهشي برآورد شد و با استفاده از آن ميانگين قيمت چوب مورد انتظار محاسبه شد. (987) Lohmander از مطالعة زماني براي بررسي قيمت چوب سرپا در سوي د نروژ و فنلاند استفاده كرد. او نشان داد كه مدل خودكاهشي بهترين مدل براي برآورد قيمت چوب در اين سه كشور است. محمدي ليمايي (388) با استفاده از تكنيك برنامهريزي پويا مقدار برداشت بهينه در جنگل خيرود را بررسي كرد. نتايج نشان داد كه اگر از روش برنامهريزي تصادفي پويا به جاي برنامهريزي ايستا استفاده شود ارزش خالص فعلي مورد انتظار حدود 6 درصد افزايش مييابد. در تحقيق حاضر از تكنيك برنامهريزي حتمي پويا استفاده شد و ارزش فعلي مورد انتظار 336/08 هزار ريال در هكتار برآورد شد ولي بهدليل اختلاف دادههاي منطقة مورد بررسي در اين تحقيق با بررسي انجامگرفته توسط محمدي ليماي ي( 388 ) نتايج دو تحقيق يكسان نيستند. در تحقيق ديگري Amidon & Akin (968) مقدار بهينة موجودي سرپا در يك جنگل همسال در طول يك چرخش را با استفاده از روش بهينهسازي آناليز حاشيهاي و الگوريتم پوياي حتمي بهدست آوردند و نتيجه گرفتند كه برنامهريزي پوياي حتمي هم از نظر تحليلي و هم محاسباتي نسبت به آناليز حاشيهاي برتري دارد. (994) Bare Anderson & از روش برنامهريزي پوياي حتمي بهمنظور حداكثر كردن ارزش خالص فعلي مورد انتظار درختان برداشتشده در هر مرحله در جنگل ناهمسال استفاده كردند و به اين نتيجه رسيدند كه اين الگوريتم نسبت به روشهاي بهينهسازي از جمله كنترل بهينه و آناليز حاشيهاي ارزش خالص فعلي بيشتري ايجاد ميكند. مقدار برداشت بهينة محاسبهشده در اين تحقيق 6 تا متر مكعب در هكتار در سال است. اين مقدار برداشت بهينه بر اساس مقدار موجودي سرپا در منطقه (490 متر مكعب در هكتار) و حداقل حجم ممكن در منطقه (00 متر مكعب در هكتار) است و لزوما پيشنهاد نميشود كه براي تمام جنگلهاي شمال كشور اين مقدار موجودي برداشت شود. بلكه براي هر جنگلي ميتوان با توجه به مقدار رويش موجودي در هكتار قيمت چوب هزينههاي بهرهبرداري و نرخ سود بانكي مقدار برداشت بهينه را با استفاده از روش برنامهريزي پويا براي يك دورة مورد نظر محاسبه كرد. منابع بانك مركزي جمهوري اسلامي ايران 390 شاخص قيمتي مصرفكننده.(www.cbi.ir) - Goal Programming
.9 مجلة جنگل ايران انجمن جنگلباني ايران سال پنجم شمارة بهار 39 صفحة تا 30 Economics, Swedish Universiy of Agriculural Sciences, pp. Mohammadi Limaei, S., 0. Economics Opimizaion of Fores Managemen, LAP LAMBERT Academic Publicaion, Germany, 40pp. Schaefer, M.B., 954. Some aspecs of he dynamics of populaions imporan o he managemen of he commercial marine fisheries, Bullein of he Iner-American Tropical Tuna Commission, : 7-56. Schreuder, G., 97. The simulaneous deerminaion of opimal hinning schedule and roaion for an even-age fores, Fores science, 7: 333-339. بنياد اميراسلام 384. اندازهگيري و آناليز آماري رويش جنگل در سه پروفيل ارتفاعي در حوضة آبخيز شفارود گزارش نهايي طرح پژوهشي دانشگاه گيلان 73 ص. سعيد ارسطو 385. مباني اقتصادي-علمي ادارة جنگلها مو سسة انتشارات و چاپ دانشگاه تهران چاپ دوم 34 ص. محمدي ليمايي سليمان 388. بهينهسازي ايستا و پوياي بهرهبرداري از جنگل مجلة جنگل ايران (3):.65-76 مرادينژاد داريوش و نيما همتا 388. بهينهسازي در نرمافزار LINGO 0.0 انتشارات همت جاودان تهران 37 ص. Amidon, E.L. & G.S. Akin, 968. Dynamic programming o deermine opimum levels of growing sock, Fores Science, 3(4): 87-9. Anderson, J.D. & B.A. Bare, 994. Dynamic programming algorihm for opimizaion of unevenaged fores sands, Canadian Journal of Fores Research, 4(9): 758-765. Bellman, R., 957. Dynamic Programming, Princeon Universiy Press, Princeon, New Jersey, USA, 37 pp. Clark, C.W., 976. Mahemaical Bioeconomics, he Opimal Managemen of Renewable Resources, Wiley Publicaion, New York, USA, 386 pp. Heshmaol Vaezin, S.M., P. Aarod & P. Bayramzadeh, 008. Tree volume incremen models of broadleaf species in he uneven-aged mixed Caspian Foress, Asian Journal of Plan sciences, 7: 700-709. Hool, J.N., 966. A dynamic programming Markov chain approach o fores producion conrol, Fores Sciences, Monograph. 6p. Lohmander, P., 987. The Economics of Fores Managemen under Risk. Ph.D hesis, Deparmen of Fores Economics, Swedish Universiy of Agriculural Sciences, 36pp. Lohmander, P., 000. Opimal sequenal foresry decisions under risk, Annals of operaion research, 95: 7-8. Lu, F., 004. Opimizaion of Fores Managemen Decision Making under Condiions of Risk, Ph.D hesis, Deparmen of Fores Economics, Swedish Universiy of Agriculural Sciences. Mohammadi Limaei, S., 006. Economically Opimal Values and Decisions in Iranian Fores Managemen, Ph.D hesis, Deparmen of Fores
Iranian Journal of Fores, Vol.5, No., Spring 03 30.. Opimal fores harvesing policy using dynamic programming mehod (Case sudy: Shafarod fores) S. Namdari, S. Mohammadi Limaei, R. Naghdi 3 and A.E. Bonyad 3 M.Sc. Suden, Faculy of Naural Resources, Universiy of Guilan, I. R. Iran,3 Assisan Prof. and Associae Prof., Faculy of Naural Resources, Universiy of Guilan, I. R. Iran (Received: 4 March 0, Acceped: July 0) Absrac The aim of his research is o deermine he opimal harvesing using dynamic programming in Shafarod foress a Guilan province. Firs of all, a logisic growh funcion was used o predic he growh model. Then, wood price funcion and variable harvesing cos funcion were esimaed based on an auoregressive model and ime series daa. Finally, he opimal cuing maximizing he expeced presen value was compued using growh, price and variable cos funcions. LINGO sofware was used for cuing opimizaion. Minimum accepable volume, growh model, wood price a fores road side, variable harvesing cos, planning horizon, ineres rae, and moving of cuing groups and harvesing equipmen were coded in LINGO sofware. Resuls indicaed ha he opimal cuing varies beween 6 o m 3 per hecare in various socks during 00 years regarding o he volume average of he sudy area (490 m 3 /ha) and he minimum accepable volume (00 m 3 /ha).the maximum expeced presen value was esimaed 3336 housands Rials during 00 years. Sensiiviy analysis showed ha he opimal harves could flucuae over he planning horizon based on he volume average of he sudy area and he minimum accepable volume even which in some cases harvesing is no required. Key words: Opimal harvesing, Growh model, Price model, Dynamic programming, Shafarod fores. * Corresponding auhor Tel: +98 8 3304 Email: limaei@guilan.ac.ir