Türkiye'de Tahıl Üretiminin Tahminlemesi: Karşılaştırmalı Analiz

Yıl 2024, Cilt: 40 Sayı: 2, 288 - 303, 31.08.2024

Mehmet Eren Nalici , İsmet Soylemez , Ramazan Ünlü

Öz

Tarım, Türkiye'de hayati bir sektör olmuş ve ülkenin ekonomik ve sosyal yapısına önemli katkılarda bulunmuştur. Bu çalışma, çeşitli tahmin modelleri kullanarak 2023-2030 yılları arasında Türkiye'de dokuz farklı tahıl ürününün üretim miktarlarını tahmin etmeyi amaçlamaktadır. Kullanılan modeller arasında Üstel Düzeltme, Holt Doğrusal Yöntemi, Holt-Winters Sönümlü Trend, Hareketli Ortalama ve ARIMA yer almaktadır. Bu modellerin performansı Ortalama Karesel Hata (MSE) değerleri kullanılarak değerlendirilmiştir. Bu analiz için kullanılan veriler 1990-2022 yıllarını kapsamaktadır ve Türkiye İstatistik Kurumu'ndan (TÜİK) alınmıştır. Sonuçlar, buğday, arpa, mısır ve yulafın artan bir üretim eğilimi yaşayacağını, çeltik, çavdar, darı ve kaplıca ise azalan bir eğilim göstereceğini göstermektedir. Bu çalışma, iklim değişikliği ve nüfus artışı gibi küresel zorluklar karşısında sürdürülebilir tarımsal üretim ve istikrarı sağlayarak etkili ulusal gıda güvenliği politikaları ve stratejileri geliştirmede doğru tahmin modellerinin önemini vurgulamaktadır.

Anahtar Kelimeler

Tahminleme, Tarımsal Üretim, ARIMA, Üstel Düzeltme, Hareketli Ortalama, Holt Doğrusal Yöntemi

Kaynakça

• E. Ergüneş Berkin, “Türkiye’de Tarımsal Eğitimin Tarihi”, Black Sea Journal of Public and Social Science, Şub. 2024.
• S. Nosratabadi, S. Ardabili, Z. Lakner, C. Mako, ve A. Mosavi, “Prediction of Food Production Using Machine Learning Algorithms of Multilayer Perceptron and ANFIS”, Agriculture, c. 11, sy 5, s. 408, May. 2021.
• S. Baswaraju, V. U. Maheswari, krishna K. Chennam, A. Thirumalraj, M. V. V. P. Kantipudi, ve R. Aluvalu, “Future Food Production Prediction Using AROA Based Hybrid Deep Learning Model in Agri-Sector”, Human-Centric Intelligent Systems, c. 3, sy 4, ss. 521-536, Eki. 2023.
• E. R. Abraham vd., “Time Series Prediction with Artificial Neural Networks: An Analysis Using Brazilian Soybean Production”, Agriculture, c. 10, sy 10, s. 475, Eki. 2020.
• Olowa O.W. ve Olowa O.A., “Food demand forecast for Nigeria (2016-2028)”, Scientia Agriculturae, c. 15, sy 1, May. 2016.
• Z. Wenjun, B. Changjun, ve L. Guodao, “A longer-term forecast on global supply and demand of food products”,
• J Food Agric Environ, c. 5, sy 1, ss. 105-110, 2007.
• Wang, J., Zeng, G., Xu, M., Wan, X., Wang, K., Mou, J., Hua, C., Fan, C., & Han, P. (2024). SSA‐BP Neural Network Model for Predicting Rice‐Fish Production in China. Journal of Applied Ichthyology, 2024(1).
• Kharal, A. S., Mahar, S. A., Mushtaque, M. I., Magsi, A., & Mahar, J. A. (2024). A Model for Wheat Yield Prediction to Reduce the Effect of Climate Change Using Support Vector Regression. VFAST Transactions on Software Engineering, 12(2), 192–212.
• G. S. Mittal ve J. Zhang, “Prediction of freezing time for food products using a neural network”, Food Research International, c. 33, sy 7, ss. 557-562, Ağu. 2000.
• K. Lutoslawski, M. Hernes, J. Radomska, M. Hajdas, E. Walaszczyk, ve A. Kozina, “Food Demand Prediction Using the Nonlinear Autoregressive Exogenous Neural Network”, IEEE Access, c. 9, ss. 146123-146136, 2021.
• Mamoudan, M. M., Mohammadnazari, Z., Ostadi, A., & Esfahbodi, A. (2022). Food products pricing theory with application of machine learning and game theory approach. International Journal of Production Research, 1– 21.
• Rifqi Fahrudin, Kusnadi Kusnadi, & Lukita, C. (2024). Price Prediction System of Basic Commodities Using Long Short-Term Memory Method: Analysis and Implementation for Future Projections. Journal Research of Social Science, Economics, and Management/Journal Research of Social Science, Economics and Management, 3(7).
• Rana, H., Farooq , M. U., Kazi , A. K., Baig , M. A., & Akhtar , M. A. (2024). Prediction of Agricultural Commodity Prices using Big Data Framework. Engineering, Technology & Applied Science Research, 14(1), 12652–12658.
• L.-Y. Wu ve S.-S. Weng, “Ensemble Learning Models for Food Safety Risk Prediction”, Sustainability, c. 13, sy 21, s. 12291, Kas. 2021.
• Ye, J., Li, Y., Meng, F., & Geng, S. (2024). A novel multivariate time-lag discrete grey model based on action time and intensities for predicting the productions in food industry. Expert Systems with Applications, 238, 121627–121627.
• Shi, Y., Li, L., Wu, B., Zhang, Y., Wang, B., Niu, W., He, L., Jin, N., Pan, S., Tian, H., & Yu, Q. (2024). Predicting rice productivity for ground data-sparse regions: A transferable framework and its application to North Korea. Science of the Total Environment, 946, 174227–174227.
• Md Nurul Raihen, & Akter, S. (2023). Prediction modeling using deep learning for the classification of grape- type dried fruits. International Journal of Mathematics and Computer in Engineering, 0(0).
• Ünlü, R. (2020). The Role of Machine Learning in Productivity: A Case Study of Wine Quality Prediction. European Journal of Science and Technology, (20), 280-286.
• M. Yavuz, “Türkiye’de İhracatın Ekonomik Büyüme Üzerine Etkisi: Bir Zaman Serisi Analizi”, e Ege Üniversitesi, 15. İktisat Öğrencileri Kongresi, 2012.
• D. A. Dickey ve W. A. Fuller, “Distribution of the Estimators for Autoregressive Time Series with a Unit Root”, J Am Stat Assoc, c. 74, sy 366a, ss. 427-431, Haz. 1979.
• Z. Hossain, A. Rahman, M. Hossain, ve J. H. Karami, “Over-Differencing and Forecasting with Non-Stationary Time Series Data”, Dhaka University Journal of Science, c. 67, sy 1, ss. 21-26, 2019.
• R. Salles, K. Belloze, F. Porto, P. H. Gonzalez ve E. Ogasawara, “Nonstationary time series transformation methods: An experimental review”, Knowl Based Syst, c. 164, ss. 274-291, Oca. 2019.
• D. A. Bhanja Samit, “Impact of Data Normalization on Deep Neural Network for Time Series Forecasting”, ArXiv, Ara. 2018.
• M. Yagimli ve H. Ergin, “Türkiye’de İş Kazalarının Üssel Düzeltme Metodu ile Tahmin Edilmesi”, Marmara Fen Bilimleri Dergisi, Oca. 2018.
• C. Bergmeir, R. J. Hyndman, ve J. M. Benítez, “Bagging exponential smoothing methods using STL decomposition and Box–Cox transformation”, Int J Forecast, c. 32, sy 2, ss. 303-312, Nis. 2016.
• X. Hu, J. Li, ve M. Huang, “Research On Replenishment Decision of Vegetable Commodities Based on Seasonal Decomposition Exponential Smoothing Method and Objective Programming Model”, Highlights in Business, Economics and Management, c. 25, ss. 151-159, Oca. 2024.
• M. Abotaleb vd., “State of the art in wind speed in England using BATS, TBATS, Holt’s Linear and ARIMA model”, MAUSAM, c. 73, sy 1, ss. 129-138, Oca. 2022. X. Li, “Comparison and Analysis Between Holt Exponential Smoothing and Brown Exponential Smoothing Used for Freight Turnover Forecasts”, içinde 2013 Third International Conference on Intelligent System Design and Engineering Applications, IEEE, Oca. 2013, ss. 453-456.
• E. S. Gardner ve Ed. Mckenzie, “Forecasting Trends in Time Series”, Manage Sci, c. 31, sy 10, ss. 1237-1246, Eki. 1985.
• R. J. Hyndman ve G. Athanasopoulos, Forecasting: principles and practice, 3rd Edition. Melbourne: OTexts, 2021.
• S. Hansun, “A new approach of moving average method in time series analysis”, içinde 2013 Conference on New Media Studies (CoNMedia), IEEE, Kas. 2013, ss. 1-4.
• Y.-L. Chou, Statistical Analysis, First Edition. Holt Rinehart Winston, 1975.
• A. K. Sharma, P. Punj, N. Kumar, A. K. Das, ve A. Kumar, “Lifetime Prediction of a Hydraulic Pump Using ARIMA Model”, Arab J Sci Eng, c. 49, sy 2, ss. 1713-1725, Şub. 2024.
• G. Box ve G. Jenkins, Time series analysis; forecasting and control. San Francisco: Holden-Day, 1970.
• V. Önen, “Arıma Yöntemiyle Türkiye ’nin Hava Yolu Kargo Talep Tahmin Modellemesi ve Öngörüsü”, Yönetim ve Ekonomi Araştırmaları Dergisi, c. 18, sy 4, ss. 29-53, Ara. 2020.
• Y. Lu ve S. M. AbouRizk, “Automated Box–Jenkins forecasting modelling”, Autom Constr, c. 18, sy 5, ss. 547- 558, Ağu. 2009.
• United Nations 2024, “Birleşmiş Milletler Gıda ve Tarım Örgütü”. https://www.fao.org/turkiye/tr/(Erişim Tarihi: 03.07.2024)