Data-Mining-Verfahren zur Risikobewertung in der landwirtschaftlichen Förderung (Master-Thesis)

Aus Kompetenzportal
Wechseln zu: Navigation, Suche
Data-Mining-Verfahren zur Risikobewertung in der landwirtschaftlichen Förderung (Master-Thesis)
Autor Kevin Larivière
Typ Master
Studiengang Wirtschaftsinformatik
Erstbetreuer Uwe Lämmel (Prof. Dr.-Ing.)
Zweitbetreuer Jürgen Cleve (Prof. Dr. rer. nat.)
Status der Abschlussarbeit verteidigt
Datum der Verteidigung 2020/03/05
Erscheinungsjahr 2020
Link

Für die Europäische Union ist die Förderung der Agrarwirtschaft und des ländlichen Raumes der finanziell bedeutendste Tätigkeitsbereich und bindet fast 40 % des jährlichen Budgets. Es ist wichtig, dass die Verteilung der Gelder und Einhaltung der zugehörigen Auflagen und Angaben der geförderten landwirtschaftlichen Betriebe kontrolliert wird.

Ziel der vorliegenden Masterarbeit war die Untersuchung verschiedener Data-Mining-Verfahren auf ihre Eignung für den Einsatz zur Risikobewertung in der landwirtschaftlichen Förderung. Dabei wurde der Fokus auf Modelle der Klassifizierung gelegt. Ausgehend von der Vorgehensweise im Saarland, jedoch mit dem Ziel der Übertragbarkeit, wurden Erfolgskriterien für die Modelle ausgearbeitet und Daten zusammengestellt, mithilfe derer die Data-Mining-Modelle trainiert wurden. Dabei wurden auch passende Parameter für die Verfahren zur Verbesserung der Modelle gesucht.

Ausgehen von diesem Vorgehen kann die Verwendung von Entscheidungsbäumen empfohlen werden, da diese gute Ergebnisse mit wenig komplexen Modellen vereinen. Eine Verbesserung der Ergebnisse wird durch das Random-Forest-Verfahren erreicht. Neben diesen konnten auch mit künstlichen neuronalen Netzen und Support Vector Machines vielversprechende Resultate erzielt werden.