Analysis of Agricultural Credit Performance of Turkey using K-means Clustering Algorithm

Year 2019, Special Issue 2019, 478 - 484, 31.10.2019

Zeynep Ceylan , Selin Sabuncu

https://doi.org/10.31590/ejosat.638434

Abstract

Agriculture is a significant sector that supplies raw materials to many sectors as well as providing nutrients to humans and animals and ensures employment. The economic crises, rapid population growth, the rise in demand for food products have increased importance and necessity of agriculture. For this reason, agriculture must be supported in order not to be affected by adverse conditions and effects. Thus, agricultural credit is an important factor in the development of the production and investment structure of the agricultural sector.
In this study, agricultural credit performance of 81 provinces in Turkey in 2018 was compared by taking into consideration the value of total agricultural production, total cultivated area and the amount of agricultural credit used. The data used in this study were collected from the Banking Regulation and Supervision Agency (BRSA) and the Turkish Statistical Institute. In order to determine relationships between the 81 provinces of Turkey, one of the nonhierarchical clustering method, i.e. the K-means clustering method was applied using SPSS Clementine data mining software. As a result, the credit performance of provinces was evaluated and similarities and differences were revealed using agricultural production value, total cultivated land, agricultural credit volume data.

Keywords

Agricultural credit performance, Clustering, K-means, Data mining

Türkiye'nin Tarımsal Kredi Performansının K-ortalamalar Kümeleme Algoritması ile Analizi

Abstract

Tarım, insanlara ve hayvanlara besin sağlamanın yanısıra birçok sektöre hammadde ve istihdam sağlayan önemli bir sektördür. Ekonomik krizler, hızlı nüfus artışı, gıda ürünlerine olan talebin artması, tarımın önemini ve gerekliliğini arttırmıştır. Bu nedenle, olumsuz koşullardan ve etkilerden etkilenmemesi için tarım desteklenmelidir. Dolayısıyla, tarımsal kredi, tarım sektörünün üretim ve yatırım yapısının gelişiminde önemli bir faktördür.
Bu çalışmada, 2018 yılında Türkiye'deki 81 ilin tarımsal kredi performansı, toplam tarımsal üretim değeri, toplam ekili alan ve kullanılan tarımsal kredi miktarı dikkate alınarak karşılaştırılmıştır. Bu çalışmada kullanılan veriler Bankacılık Düzenleme ve Denetleme Kurumu'ndan (BDDK) ve Türkiye İstatistik Kurumu'ndan toplanmıştır. Türkiye’nin 81 ili arasındaki ilişkileri belirlemek için, hiyerarşik olmayan kümeleme yöntemlerinden biri olan K-ortalamalar kümeleme yöntemi, SPSS Clementine veri madenciliği yazılımı kullanılarak uygulanmıştır. Sonuç olarak, tarımsal üretim değeri, toplam ekili alan, tarımsal kredi hacmi verileri kullanılarak illerin kredi performansı değerlendirilmiş ve benzerlikler ve farklılıklar ortaya konulmuştur.

Keywords

Tarımsal kredi performansı, Kümeleme, K-ortalamalar, Veri madenciliği

References

• Adanacıoğlu, H., Artukoğlu, M., & Güneş, E. (2017). Türkiye'de Tarımsal Kredi Performansının Çok Boyutlu Ölçekleme Yaklaşımıyla Analizi. Turkish Journal of Agricultural Economics, 23(2).
• Chandio, A. A., Jiang, Y., Gessesse, A. T., & Dunya, R. (2017). The nexus of agricultural credit, farm size and technical efficiency in Sindh, Pakistan: A stochastic production frontier approach. Journal of the Saudi Society of Agricultural Sciences.
• Chen, Y. L., Chen, J. M., & Tung, C. W. (2006). A data mining approach for retail knowledge discovery with consideration of the effect of shelf-space adjacency on sales. Decision support systems, 42(3), 1503-1520.
• e Saqib, S., Ahmad, M. M., Panezai, S., & Ali, U. (2016). Factors influencing farmers' adoption of agricultural credit as a risk management strategy: The case of Pakistan. International journal of disaster risk reduction, 17, 67-76.
• Hayran, S., & Gül, A. (2018). Mersin İlinde Çiftçilerin Tarımsal Kredi Kullanım Kararlarını Etkileyen Faktörler. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8(1), 271-277.
• Herbin, M., Bonnet, N., & Vautrot, P. (2001). Estimation of the number of clusters and influence zones. Pattern Recognition Letters, 22(14), 1557-1568.
• Kamber, M., & Pei, J. (2006). Data Mining. Morgan kaufmann.
• Kijewska, A., & Bluszcz, A. (2016). Research of varying levels of greenhouse gas emissions in European countries using the k-means method. Atmospheric Pollution Research, 7(5), 935-944.
• Nisbet, R., Elder, J., & Miner, G. (2009). Handbook of statistical analysis and data mining applications. Academic Press.
• Pham, D. T., Dimov, S. S., & Nguyen, C. D. (2005). Selection of K in K-means clustering. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219(1), 103-119.
• Terin, M., Güler, İ. O., & Aksoy, A. (2014). Türkiye’de tarımsal üretim ile tarımsal kredi kullanımı arasındaki nedensellik ilişkisi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(1), 67-72.