Maatilayrittäjien strategiset kehittämissuunnitelmat vuoteen 2027

Leena Rantamäki-Lahtinen; Minna Väre; Eero Liski

Sammanfattning

Maatilayritykset toimivat toimintaympäristössä, jossa jatkuvat muutokset ”syövyttävät” entisen strategian perusteita. Vaikka rakennekehityksen kulusta tiedetäänkin melko paljon, ei ole selvää, miksi samankaltaisilla tiloilla on tehty niin erilaisia valintoja. Tulevan kehityskulun ennakointiin tarvitaankin lisää
erilaisia lähestymistapoja.
Tämän tutkimuksen tarkoituksena oli tarkastella niitä todennäköisiä yritystason
strategiavaihtoehtoja, joita maatalousyrittäjät valitsevat seuraavien vuosien aikana sopeutuessaantoimintaympäristön muutoksiin soveltaen koneoppimisen menetelmiä. Tutkimus on osa MMM Makeran rahoittamaa POMARAKE-hanketta. Johtamisen teorioiden näkökulmasta muutokseen voidaan sopeutua ja
vastata eritasoisilla strategioilla. Tässä tutkimuksessa keskityttiin isoihin yritystason strategisiin valintoihin, kuten yrityskoon kasvattamiseen, laadulliseen erikoistumiseen ja jalostusasteen nostamiseen, yritys- ja
tulorakenteen monipuolistamiseen, toiminnan jatkamiseen entisellään sekä toiminnan lopettamiseen.

Tutkimuksen aineistona käytettiin Kantar TNS:n vuonna 2020 keräämän viljelijäkyselyn aineistoa (N = 4083). Kyselyssä oli kysymyksiä liittyen viljelijän suunnitelmiin aina vuoteen 2027 asti. Tutkimuksessa mallinnettiin
koneoppimisen menetelmillä erilaisten taustamuuttujien (11) vaikutusta strategiavaihtoehtojen valinnan todennäköisyyteen. Mallin rakenteeksi valittiin logistinen regressio. Mallissa pyrittiin maksimoimaan ennustetarkkuus parhaan mallin ja selittäjien löytämiseksi. Mallinnettavat strategiavalinnat olivat
sukupolvenvaihdos, muun yritystoiminnan lisääminen ja vähentäminen, peltoalan lisääminen ja vähentäminen, päätuotantosuunnan vaihtaminen ja toiminnan jatkaminen. Strategiavalinnat olivat binaarisia muuttujia.

Tulosten mukaan kahdelle strategiselle vaihtoehdolle (jatkaminen ja
päätuotantosuunnan vaihtaminen) löydettiin hyvä malli ja muille tarkastelluille strategisille vaihtoehdoille potentiaalinen, mutta toistaiseksi riittämätön malli. Tarkastelussa mallin selittäviksi muuttujiksi valikoituivat
jatkamisen osalta sukupolvenvaihdos, viljelijän ikäluokka, peltoala, työssä käynti, tilan yritysmuoto ja tilan lisätyövoima ja päätuotantosuunnan vaihtamisen osalta sukupolvenvaihdos, ikäluokka, nykyinen
päätuotantosuunta, sesonkien lisätyövoima, kannattavuus sekä se, oliko tila luomussa vai ei.

Koneoppimisen etuna on se, että tutkijoiden subjektiiviset valinnat eivät määritä malliin nousevia vaihtoehtoja, vaan siihen valikoituvat saatavilla olevista taustamuuttujista oleellisimmat. Koneoppimista on
maatalousekonomiassa käytetty menetelmänä vasta vähän. Viljelijöiden tai muiden yrittäjien kehittämissuunnitelmiin ja survey -aineistoihin liittyen menetelmää ei ole sovellettu juuri lainkaan. Koneoppiminen voikin tuoda uuden potentiaalisen menetelmän maatalousekonomian tutkimukseen ja tätä
kautta myös uusia työkaluja päätöksenteon tueksi erityisestipolitiikkatoimenpiteiden suunnittelun ja ennakoinnin näkökulmasta

Originalspråk	finska
Sidor	187
Status	Publicerad - 2022
MoE-publikationstyp	Ej behörig
Evenemang	Maataloustieteen Päivät 2022 - Viikki, Helsinki Varaktighet: 14 juni 2022 → 15 juni 2022 https://www.smts.fi/fi/MTP2022

Konferens

Konferens	Maataloustieteen Päivät 2022
Ort	Helsinki
Period	14/06/2022 → 15/06/2022
Internetadress	https://www.smts.fi/fi/MTP2022

Vetenskapsgrenar

415 Övriga jordbruksvetenskaper

Åtkomst av dokument

https://www.smts.fi/sites/smts.fi/files/ABSTRAKTIKIRJA%202022.pdf

POMARAKE: Politiikkatoimet maatalouden rakenteen kehittämiseen
Rantamäki-Lahtinen, L. (Principal Investigator), Pyysiäinen, J. (Principal Investigator) & Starr, A. (Projektledare)
01/03/2020 → 31/03/2023
Projekt: Forskningsprojekt

Citera det här

@conference{b0b37a68b0be4712a162b8bb2449df72,

title = "Maatilayritt{\"a}jien strategiset kehitt{\"a}missuunnitelmat vuoteen 2027",

abstract = "Maatilayritykset toimivat toimintaymp{\"a}rist{\"o}ss{\"a}, jossa jatkuvat muutokset ”sy{\"o}vytt{\"a}v{\"a}t” entisen strategian perusteita. Vaikka rakennekehityksen kulusta tiedet{\"a}{\"a}nkin melko paljon, ei ole selv{\"a}{\"a}, miksi samankaltaisilla tiloilla on tehty niin erilaisia valintoja. Tulevan kehityskulun ennakointiin tarvitaankin lis{\"a}{\"a}erilaisia l{\"a}hestymistapoja. T{\"a}m{\"a}n tutkimuksen tarkoituksena oli tarkastella niit{\"a} todenn{\"a}k{\"o}isi{\"a} yritystasonstrategiavaihtoehtoja, joita maatalousyritt{\"a}j{\"a}t valitsevat seuraavien vuosien aikana sopeutuessaantoimintaymp{\"a}rist{\"o}n muutoksiin soveltaen koneoppimisen menetelmi{\"a}. Tutkimus on osa MMM Makeran rahoittamaa POMARAKE-hanketta. Johtamisen teorioiden n{\"a}k{\"o}kulmasta muutokseen voidaan sopeutua javastata eritasoisilla strategioilla. T{\"a}ss{\"a} tutkimuksessa keskityttiin isoihin yritystason strategisiin valintoihin, kuten yrityskoon kasvattamiseen, laadulliseen erikoistumiseen ja jalostusasteen nostamiseen, yritys- jatulorakenteen monipuolistamiseen, toiminnan jatkamiseen entisell{\"a}{\"a}n sek{\"a} toiminnan lopettamiseen.Tutkimuksen aineistona k{\"a}ytettiin Kantar TNS:n vuonna 2020 ker{\"a}{\"a}m{\"a}n viljelij{\"a}kyselyn aineistoa (N = 4083). Kyselyss{\"a} oli kysymyksi{\"a} liittyen viljelij{\"a}n suunnitelmiin aina vuoteen 2027 asti. Tutkimuksessa mallinnettiinkoneoppimisen menetelmill{\"a} erilaisten taustamuuttujien (11) vaikutusta strategiavaihtoehtojen valinnan todenn{\"a}k{\"o}isyyteen. Mallin rakenteeksi valittiin logistinen regressio. Mallissa pyrittiin maksimoimaan ennustetarkkuus parhaan mallin ja selitt{\"a}jien l{\"o}yt{\"a}miseksi. Mallinnettavat strategiavalinnat olivatsukupolvenvaihdos, muun yritystoiminnan lis{\"a}{\"a}minen ja v{\"a}hent{\"a}minen, peltoalan lis{\"a}{\"a}minen ja v{\"a}hent{\"a}minen, p{\"a}{\"a}tuotantosuunnan vaihtaminen ja toiminnan jatkaminen. Strategiavalinnat olivat binaarisia muuttujia. Tulosten mukaan kahdelle strategiselle vaihtoehdolle (jatkaminen jap{\"a}{\"a}tuotantosuunnan vaihtaminen) l{\"o}ydettiin hyv{\"a} malli ja muille tarkastelluille strategisille vaihtoehdoille potentiaalinen, mutta toistaiseksi riitt{\"a}m{\"a}t{\"o}n malli. Tarkastelussa mallin selitt{\"a}viksi muuttujiksi valikoituivatjatkamisen osalta sukupolvenvaihdos, viljelij{\"a}n ik{\"a}luokka, peltoala, ty{\"o}ss{\"a} k{\"a}ynti, tilan yritysmuoto ja tilan lis{\"a}ty{\"o}voima ja p{\"a}{\"a}tuotantosuunnan vaihtamisen osalta sukupolvenvaihdos, ik{\"a}luokka, nykyinenp{\"a}{\"a}tuotantosuunta, sesonkien lis{\"a}ty{\"o}voima, kannattavuus sek{\"a} se, oliko tila luomussa vai ei.Koneoppimisen etuna on se, ett{\"a} tutkijoiden subjektiiviset valinnat eiv{\"a}t m{\"a}{\"a}rit{\"a} malliin nousevia vaihtoehtoja, vaan siihen valikoituvat saatavilla olevista taustamuuttujista oleellisimmat. Koneoppimista onmaatalousekonomiassa k{\"a}ytetty menetelm{\"a}n{\"a} vasta v{\"a}h{\"a}n. Viljelij{\"o}iden tai muiden yritt{\"a}jien kehitt{\"a}missuunnitelmiin ja survey -aineistoihin liittyen menetelm{\"a}{\"a} ei ole sovellettu juuri lainkaan. Koneoppiminen voikin tuoda uuden potentiaalisen menetelm{\"a}n maatalousekonomian tutkimukseen ja t{\"a}t{\"a}kautta my{\"o}s uusia ty{\"o}kaluja p{\"a}{\"a}t{\"o}ksenteon tueksi erityisestipolitiikkatoimenpiteiden suunnittelun ja ennakoinnin n{\"a}k{\"o}kulmasta",

keywords = "415 Muut maataloustieteet",

author = "Leena Rantam{\"a}ki-Lahtinen and Minna V{\"a}re and Eero Liski",

year = "2022",

language = "suomi",

pages = "187",

note = "Maataloustieteen P{\"a}iv{\"a}t 2022 ; Conference date: 14-06-2022 Through 15-06-2022",

url = "https://www.smts.fi/fi/MTP2022",

}

TY - CONF

T1 - Maatilayrittäjien strategiset kehittämissuunnitelmat vuoteen 2027

AU - Rantamäki-Lahtinen, Leena

AU - Väre, Minna

AU - Liski, Eero

PY - 2022

Y1 - 2022

N2 - Maatilayritykset toimivat toimintaympäristössä, jossa jatkuvat muutokset ”syövyttävät” entisen strategian perusteita. Vaikka rakennekehityksen kulusta tiedetäänkin melko paljon, ei ole selvää, miksi samankaltaisilla tiloilla on tehty niin erilaisia valintoja. Tulevan kehityskulun ennakointiin tarvitaankin lisääerilaisia lähestymistapoja. Tämän tutkimuksen tarkoituksena oli tarkastella niitä todennäköisiä yritystasonstrategiavaihtoehtoja, joita maatalousyrittäjät valitsevat seuraavien vuosien aikana sopeutuessaantoimintaympäristön muutoksiin soveltaen koneoppimisen menetelmiä. Tutkimus on osa MMM Makeran rahoittamaa POMARAKE-hanketta. Johtamisen teorioiden näkökulmasta muutokseen voidaan sopeutua javastata eritasoisilla strategioilla. Tässä tutkimuksessa keskityttiin isoihin yritystason strategisiin valintoihin, kuten yrityskoon kasvattamiseen, laadulliseen erikoistumiseen ja jalostusasteen nostamiseen, yritys- jatulorakenteen monipuolistamiseen, toiminnan jatkamiseen entisellään sekä toiminnan lopettamiseen.Tutkimuksen aineistona käytettiin Kantar TNS:n vuonna 2020 keräämän viljelijäkyselyn aineistoa (N = 4083). Kyselyssä oli kysymyksiä liittyen viljelijän suunnitelmiin aina vuoteen 2027 asti. Tutkimuksessa mallinnettiinkoneoppimisen menetelmillä erilaisten taustamuuttujien (11) vaikutusta strategiavaihtoehtojen valinnan todennäköisyyteen. Mallin rakenteeksi valittiin logistinen regressio. Mallissa pyrittiin maksimoimaan ennustetarkkuus parhaan mallin ja selittäjien löytämiseksi. Mallinnettavat strategiavalinnat olivatsukupolvenvaihdos, muun yritystoiminnan lisääminen ja vähentäminen, peltoalan lisääminen ja vähentäminen, päätuotantosuunnan vaihtaminen ja toiminnan jatkaminen. Strategiavalinnat olivat binaarisia muuttujia. Tulosten mukaan kahdelle strategiselle vaihtoehdolle (jatkaminen japäätuotantosuunnan vaihtaminen) löydettiin hyvä malli ja muille tarkastelluille strategisille vaihtoehdoille potentiaalinen, mutta toistaiseksi riittämätön malli. Tarkastelussa mallin selittäviksi muuttujiksi valikoituivatjatkamisen osalta sukupolvenvaihdos, viljelijän ikäluokka, peltoala, työssä käynti, tilan yritysmuoto ja tilan lisätyövoima ja päätuotantosuunnan vaihtamisen osalta sukupolvenvaihdos, ikäluokka, nykyinenpäätuotantosuunta, sesonkien lisätyövoima, kannattavuus sekä se, oliko tila luomussa vai ei.Koneoppimisen etuna on se, että tutkijoiden subjektiiviset valinnat eivät määritä malliin nousevia vaihtoehtoja, vaan siihen valikoituvat saatavilla olevista taustamuuttujista oleellisimmat. Koneoppimista onmaatalousekonomiassa käytetty menetelmänä vasta vähän. Viljelijöiden tai muiden yrittäjien kehittämissuunnitelmiin ja survey -aineistoihin liittyen menetelmää ei ole sovellettu juuri lainkaan. Koneoppiminen voikin tuoda uuden potentiaalisen menetelmän maatalousekonomian tutkimukseen ja tätäkautta myös uusia työkaluja päätöksenteon tueksi erityisestipolitiikkatoimenpiteiden suunnittelun ja ennakoinnin näkökulmasta

AB - Maatilayritykset toimivat toimintaympäristössä, jossa jatkuvat muutokset ”syövyttävät” entisen strategian perusteita. Vaikka rakennekehityksen kulusta tiedetäänkin melko paljon, ei ole selvää, miksi samankaltaisilla tiloilla on tehty niin erilaisia valintoja. Tulevan kehityskulun ennakointiin tarvitaankin lisääerilaisia lähestymistapoja. Tämän tutkimuksen tarkoituksena oli tarkastella niitä todennäköisiä yritystasonstrategiavaihtoehtoja, joita maatalousyrittäjät valitsevat seuraavien vuosien aikana sopeutuessaantoimintaympäristön muutoksiin soveltaen koneoppimisen menetelmiä. Tutkimus on osa MMM Makeran rahoittamaa POMARAKE-hanketta. Johtamisen teorioiden näkökulmasta muutokseen voidaan sopeutua javastata eritasoisilla strategioilla. Tässä tutkimuksessa keskityttiin isoihin yritystason strategisiin valintoihin, kuten yrityskoon kasvattamiseen, laadulliseen erikoistumiseen ja jalostusasteen nostamiseen, yritys- jatulorakenteen monipuolistamiseen, toiminnan jatkamiseen entisellään sekä toiminnan lopettamiseen.Tutkimuksen aineistona käytettiin Kantar TNS:n vuonna 2020 keräämän viljelijäkyselyn aineistoa (N = 4083). Kyselyssä oli kysymyksiä liittyen viljelijän suunnitelmiin aina vuoteen 2027 asti. Tutkimuksessa mallinnettiinkoneoppimisen menetelmillä erilaisten taustamuuttujien (11) vaikutusta strategiavaihtoehtojen valinnan todennäköisyyteen. Mallin rakenteeksi valittiin logistinen regressio. Mallissa pyrittiin maksimoimaan ennustetarkkuus parhaan mallin ja selittäjien löytämiseksi. Mallinnettavat strategiavalinnat olivatsukupolvenvaihdos, muun yritystoiminnan lisääminen ja vähentäminen, peltoalan lisääminen ja vähentäminen, päätuotantosuunnan vaihtaminen ja toiminnan jatkaminen. Strategiavalinnat olivat binaarisia muuttujia. Tulosten mukaan kahdelle strategiselle vaihtoehdolle (jatkaminen japäätuotantosuunnan vaihtaminen) löydettiin hyvä malli ja muille tarkastelluille strategisille vaihtoehdoille potentiaalinen, mutta toistaiseksi riittämätön malli. Tarkastelussa mallin selittäviksi muuttujiksi valikoituivatjatkamisen osalta sukupolvenvaihdos, viljelijän ikäluokka, peltoala, työssä käynti, tilan yritysmuoto ja tilan lisätyövoima ja päätuotantosuunnan vaihtamisen osalta sukupolvenvaihdos, ikäluokka, nykyinenpäätuotantosuunta, sesonkien lisätyövoima, kannattavuus sekä se, oliko tila luomussa vai ei.Koneoppimisen etuna on se, että tutkijoiden subjektiiviset valinnat eivät määritä malliin nousevia vaihtoehtoja, vaan siihen valikoituvat saatavilla olevista taustamuuttujista oleellisimmat. Koneoppimista onmaatalousekonomiassa käytetty menetelmänä vasta vähän. Viljelijöiden tai muiden yrittäjien kehittämissuunnitelmiin ja survey -aineistoihin liittyen menetelmää ei ole sovellettu juuri lainkaan. Koneoppiminen voikin tuoda uuden potentiaalisen menetelmän maatalousekonomian tutkimukseen ja tätäkautta myös uusia työkaluja päätöksenteon tueksi erityisestipolitiikkatoimenpiteiden suunnittelun ja ennakoinnin näkökulmasta

KW - 415 Muut maataloustieteet

M3 - Konferenssiabstrakti

SP - 187

T2 - Maataloustieteen Päivät 2022

Y2 - 14 June 2022 through 15 June 2022

ER -