A Fuzzy C-Means Clustering of 2026 Beef Production Forecasts: An Application to the European Union and Türkiye

Abstract

Beef production plays a crucial role globally in terms of nutrition, economy, development, and social life. Worldwide, beef and veal constitute a significant proportion of total red meat production. Although the European Union (EU) has led beef exports since its establishment, between 1999 and 2004, its export volume declined while imports increased. In Türkiye, beef production remained at a stable average until 2009, after which imports and government support triggered an upward trend. This study aimed to cluster Türkiye and the EU-27 countries according to their beef production volumes between 2004 and 2023, and the 2026 beef production forecasts obtained using the Random Forest algorithm, by applying the Fuzzy C-Means (FCM) method. Based on FCM clustering applied to features extracted from 2004–2023 beef production data, France showed a 91.4% membership in Cluster 1, Spain 65.5% in Cluster 1, and Poland almost 100% in Cluster 2. Italy was assigned definitively to Cluster 5 and Türkiye to Cluster 4, while the other EU countries were predominantly grouped in Cluster 3 with high probabilities. According to FCM clustering applied to the 2026 beef production forecasts, France (91.4%) and Germany (99.5%) were assigned to Cluster 3, Spain (65.5%) was also assigned to Cluster 3, Poland was almost entirely assigned to Cluster 2, while other EU countries were grouped in Cluster 4. Italy remained in Cluster 5, and Türkiye was unequivocally assigned to Cluster 1. 

Keywords

• Beef production
• fuzzy clustering
• livestock
• random forest
• time series clustering

Ethical Statement

Ethical approval was not required as the study did not involve interventions in animals.

Thanks

We would like to thank the Proofreading & Editing Office of the Dean for Research at Erciyes University for copyediting and proofreading services provided for this manuscript.

2026 Yılı Sığır Eti Üretim Tahminlerinin Bulanık C-Ortalamalar Kümeleme Analizi: Avrupa Birliği ve Türkiye Uygulaması

Abstract

Sığır eti üretimi, beslenme, ekonomi, kalkınma ve sosyal yaşam açısından küresel ölçekte önemli bir role sahiptir. Dünya genelinde sığır eti ve dana eti, toplam kırmızı et üretiminin önemli bir bölümünü oluşturmaktadır. Avrupa Birliği (AB), kuruluşundan bu yana sığır eti ihracatında lider konumda olmasına rağmen, 1999–2004 yılları arasında ihracat hacmi azalmış, buna karşılık ithalat artmıştır. Türkiye’de ise sığır eti üretimi 2009 yılına kadar istikrarlı bir ortalamada seyretmiş, bu tarihten sonra ithalat ve devlet desteklerinin etkisiyle artış eğilimi göstermiştir. Bu çalışmada, Türkiye ve AB- 27 ülkelerinin 2004–2023 yılları arasındaki sığır eti üretim miktarları ile Random Forest algoritması kullanılarak elde edilen 2026 yılı sığır eti üretim tahminleri, Fuzzy C-Means (FCM) yöntemi uygulanarak kümelenmiştir. 2004– 2023 yıllarına ait sığır eti üretim verilerinden elde edilen özniteliklere uygulanan FCM kümeleme sonuçlarına göre Fransa %91.4 üyelik derecesiyle Küme 1’de, İspanya %65.5 üyelik derecesiyle Küme 1’de ve Polonya ise neredeyse %100 üyelik derecesiyle Küme 2’de yer almıştır. İtalya kesin olarak Küme 5’e, Türkiye ise Küme 4’e atanırken, diğer AB ülkeleri yüksek olasılıklarla ağırlıklı olarak Küme 3’te gruplanmıştır. 2026 yılı sığır eti üretim tahminlerine uygulanan FCM kümeleme sonuçlarına göre ise Fransa (%91.4) ve Almanya (%99.5) Küme 3’e, İspanya (%65.5) yine Küme 3’e atanmıştır. Polonya neredeyse tamamen Küme 2’de yer alırken, diğer AB ülkeleri Küme 4’te gruplanmıştır. İtalya Küme 5’te kalmaya devam etmiş, Türkiye ise kesin olarak Küme 1’e atanmıştır. 

Keywords

• Bulanık kümeleme
• hayvancılık
• random forest
• sığır eti üretimi
• zaman serisi kümeleme

Ethical Statement

Çalışma hayvanlar üzerinde herhangi bir müdahale içermediği için etik kurul onayı gerekmemiştir.

Thanks

Bu makale için sağlanan dil düzenleme ve redaksiyon hizmetleri nedeniyle Erciyes Üniversitesi Araştırma Dekanlığına bağlı Proofreading & Editing Ofisi’ne teşekkür ederiz.

References

1. Baraldi A, Blonda P. A survey of fuzzy clustering algorithms for pattern recognition. IEEE Trans Syst Man Cybern B Cybern 1999; 29(6): 778-85.
2. Behera H, Mohapatra D. Computational intelligence in data mining. In: Proceedings of the International Conference on CIDM, 5-6 December 2015. Springer, Singapore, 2016.
3. Buleca J, Kováč V, Kočanova D. Cluster analysis of beef production distribution in Europe. Slovak J Food Sci 2018; 12(1): 789-97.
4. Dalgıç A, Sarıca D, Demircan V. Prediction of beef production in Turkey with ARIMA (Box-Jenkins) model. J Fac Agric 2023; 18(1): 5-12.
5. Değirmenci N, Yakıcı Ayan T. OECD ülkelerinin sağlık göstergeleri açısından bulanık kümeleme analizi ve TOPSIS yöntemine göre değerlendirilmesi. Hacettepe Univ J Econ Admin Sci 2020; 38(2): 229- 41.
6. FAO. FAOSTAT statistical database: QCL data. Available at: https://www.fao.org/faostat/en/#data/QCL Accessed Date: 15/03/2025.
7. Gürer B. Türkiye’de nüfusun yeterli ve dengeli beslenmesi açısından hayvansal gıda arz ve talebinin değerlendirilmesi. Gıda 2021; 46(6): 1450-66.
8. Hocquette JF, Chatellier V. Prospects for the European beef sector over the next 30 years. Anim Front 2011; 1(2): 20-8.

9. Hocquette JF, Ellies-Oury MP, Lherm M, Pineau C, Deblitz C, Farmer L. Current situation and future prospects for beef production in Europe: a review. Asian-Australas J Anim Sci 2018; 31: 1017- 35 .
10. Kane MJ, Price N, Scotch M, Rabinowitz P. Comparison of ARIMA and Random Forest time series models for prediction of avian influenza H5N1 outbreaks. BMC Bioinformatics 2014; 15: 276.
11. Næs T, Mevik BH. The flexibility of fuzzy clustering illustrated by examples. J Chemom 1999; 13(7): 435-44.
12. Niyaz ÖC. Evaluation of agricultural policies and practices of the last 25 years in beef production and foreign trade in Turkey. In: Proceedings of 13th National Agricultural Economics Congress. Kahramanmaraş, Turkey, 2018: 1-15.
13. Pérez-Ortega J, Moreno-Calderón CF, Roblero-Aguilar SS, Almanza-Ortega NN, Frausto-Solís J, Pazos- Rangel R, Rodríguez-Lelis JM. A new criterion for improving convergence of fuzzy C-means clustering. Axioms 2024; 13(1): 35.
14. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, 2025.
15. Smith SB, Gotoh T, Greenwood PL. Current situation and future prospects for global beef production: overview of special issue. Asian-Australas J Anim Sci 2018; 31(7): 927-32.
16. Tyralis H, Papacharalampous G. Variable selection in time series forecasting using Random Forests. Algorithms 2017; 10(4): 114.
17. Windhorst H. Projected development of cattle meat production until 2024. Research report, 2016.
18. Zjalić M, Dimitriadou A, Rosati A. Beef production in the European Union and the CAP reform: an overview of situation and trends. Stočarstvo 2006; 60(3): 181-202.