From Farm Data to Market Value: A Systematic Review of Precision Agriculture Technologies and Data-Driven Marketing Strategies

Öz

This study examines, at a conceptual level, the potential contributions of the multi-layered data ecosystem generated by precision agriculture technologies to agricultural market strategies, drawing on existing literature. The study adopts a systematic review approach conducted under the guidance of a PRISMA flow diagram, with a staged elimination process narrowing 340 titles to 29 included sources, thereby establishing a transparent methodological foundation. The study's primary theoretical contribution is the Farm Data-to-Market Value Transformation Model (FDMV), which—for the first time in the precision agriculture literature—systematically bridges the technical focus of precision agriculture research with the consumer behaviour focus of marketing scholarship. The model integrates Akerlof's (1970) information asymmetry theory, Verlegh and Steenkamp's (1999) country-of-origin effect findings, Nuttavuthisit and Thøgersen's (2017) trust economy framework, and Kotler and Armstrong's (2016) value-based marketing perspective within a single four-stage conceptual structure, presenting this theoretical synthesis as an original contribution absent from existing precision agriculture literature. Findings indicate that IoT sensors, satellite imaging, unmanned aerial vehicles (UAVs), blockchain-based traceability systems, and decision support tools may exert significant influence on quality-based pricing, market segmentation, supply chain coordination, and consumer trust mechanisms. Assessment with specific reference to Türkiye highlights that structural barriers—including land fragmentation, digital literacy gaps, and the absence of data standardisation—are difficult to overcome without integrated policy intervention, while the country's agro-ecological diversity and geographical indication portfolio constitute a favourable foundation for data-driven market differentiation.

Anahtar Kelimeler

• Precision Agriculture
• Data-Driven Marketing
• FDMV Model
• Country-of-Origin Effect
• Trust Economy
• Agriculture 4.0

Veriden Pazar Değerine: Hassas Tarım Teknolojileri, Veri Temelli Pazarlama ve FDMV Modeli Üzerine Bir Sistematik Derleme

Öz

Bu çalışma; hassas tarım teknolojilerinin ürettiği çok katmanlı veri ekosisteminin tarımsal pazar stratejilerine olası katkılarını mevcut literatür çerçevesinde kavramsal düzeyde ele almaktadır. Çalışma, bir sistematik derleme (systematic review) niteliği taşımakta; PRISMA akış şeması rehberliğinde yürütülen ve 340 başlıktan 29 kaynağa indirilen aşamalı eleme süreci, şeffaf yöntemsel bir zemin üzerinde yükselmektedir. Çalışmanın birincil teorik katkısı, hassas tarım yazınındaki teknik odak ile pazarlama yazınındaki tüketici davranışı odağını kavramsal düzeyde ilk kez sistematik biçimde köprüleyen Veriden Pazar Değerine Dönüşüm Modeli'dir (Farm Data-to-Market Value Transformation Model, FDMV). Model; Akerlof'un (1970) enformasyon asimetrisi teorisi, Verlegh ve Steenkamp'ın (1999) menşe etkisi bulguları, Nuttavuthisit ve Thøgersen'in (2017) güven ekonomisi çerçevesi ile Kotler ve Armstrong'un (2016) değer temelli pazarlama perspektifini tek bir dört aşamalı kavramsal yapıda bütünleştirmekte ve hassas tarım literatüründe mevcut olmayan bu teorik sentezi özgün katkı olarak sunmaktadır. İncelenen literatür; IoT sensörleri, uydu görüntüleme, insansız hava araçları (İHA), blok zinciri tabanlı izlenebilirlik sistemleri ve karar destek araçlarının kalite temelli fiyatlandırma, pazar segmentasyonu, tedarik zinciri koordinasyonu ve tüketici güveni mekanizmaları üzerinde belirleyici bir etki yapabileceğine işaret etmektedir. Türkiye bağlamında gerçekleştirilen değerlendirme; arazi parçalılığı, dijital okuryazarlık açığı ve veri standardizasyonu eksikliği gibi yapısal engellerin bütünleşik politika müdahalesi olmaksızın aşılmasının güç olduğuna, buna karşın ülkenin agroekolojik çeşitliliği ve coğrafi işaret portföyünün veri temelli pazar farklılaşması için elverişli bir zemin sunduğuna dikkat çekmektedir.

Kaynakça

1. Abbasi, R., Martinez, P., ve & Ahmad, R. (2022). The digitization of agricultural industry: A systematic literature review on Agriculture 4.0. Smart Agricultural Technology, 2. https://doi.org/10.1016/j.atech.2021.100042
2. Akerlof, G. A. (1970). The market for 'lemons': Quality uncertainty and the market mechanism. The Quarterly Journal of Economics, 84(3), 488–500. https://doi.org/10.2307/1879431
3. Akkamış, M., & Çalışkan, S. (2020). İnsansız hava araçları ve tarımsal uygulamalarda kullanımı. Türkiye İnsansız Hava Araçları Dergisi, 2(1), 8–16. https://dergipark.org.tr/tr/pub/tiha/article/707831
4. Antonucci, F., Figorilli, S., Costa, C., Pallottino, F., Raso, L., & Menesatti, P. (2019). A review on blockchain applications in the agri-food sector. Journal of the Science of Food and Agriculture, 99(14), 6129–6138. https://doi.org/10.1002/jsfa.9912
5. Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Understanding big data analytics capabilities in supply chain management: Unravelling the issues, challenges and implications for practice. Transportation Research Part E: Logistics and Transportation Review, 114, 416–436. https://doi.org/10.1016/j.tre.2017.04.001
6. Atasoy Demirel, Z. (2019). Türkiye'de akıllı tarım mevcut durum raporu [Teknik rapor]. T.C. Tarım ve Orman Bakanlığı.
7. Avrupa Komisyonu. (2024). Regulation (EU) 2024/1781 establishing a framework for the setting of ecodesign requirements for sustainable products (Ecodesign for Sustainable Products Regulation). Avrupa Birliği Resmî Gazetesi. https://eur-lex.europa.eu/eli/reg/2024/1781/oj
8. Ercan, Ş., Öztep, R., Güler, D., & Saner, G. (2019). Tarım 4.0 ve Türkiye'de uygulanabilirliğinin değerlendirilmesi. Tarım Ekonomisi Dergisi, 25(2), 259–265. https://doi.org/10.24181/tarekoder.650762

9. Erevelles, S., Fukawa, N., & Swayne, L. (2016). Big Data consumer analytics and the transformation of marketing. Journal of Business Research, 69(2), 897–904. https://doi.org/10.1016/j.jbusres.2015.07.001
10. Gebbers, R., & Adamchuk, V. I. (2010). Precision agriculture and food security. Science, 327(5967), 828–831. https://doi.org/10.1126/science.1183899
11. Getahun, S., Kefale, H., & Gelaye, Y. (2024). Application of precision agriculture technologies for sustainable crop production and environmental sustainability: A systematic review. The Scientific World Journal, 2024. https://doi.org/10.1155/2024/2126734
12. Grant, M. J., & Booth, A. (2009). A typology of reviews: An analysis of 14 review types and associated methodologies. Health Information and Libraries Journal, 26(2), 91–108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
13. Haddaway, N. R., Collins, A. M., Coughlin, D., & Kirk, S. (2015). The role of Google Scholar in evidence reviews and its applicability to grey literature searching. PLoS ONE, 10(9). https://doi.org/10.1371/journal.pone.0138237
14. Janssen, M., & Hamm, U. (2012). Product labelling in the market for organic food: Consumer preferences and willingness-to-pay for different organic certification logos. Food Quality and Preference, 25(1), 9–22. https://doi.org/10.1016/j.foodqual.2011.12.004
15. Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú, F. X. (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143, 23–37. https://doi.org/10.1016/j.compag.2017.09.037
16. Klerkx, L., Jakku, E., & Labarthe, P. (2019). A review of social science on digital agriculture, smart farming and Agriculture 4.0: New contributions and a future research agenda. NJAS – Wageningen Journal of Life Sciences, 90–91. https://doi.org/10.1016/j.njas.2019.100315
17. Kotler, P., & Armstrong, G. (2016). Principles of marketing (16. bs.). Pearson.
18. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8). https://doi.org/10.3390/s18082674
19. Meuwissen, M. P. M., Feindt, P. H., Spiegel, A., Termeer, C. J. A. M., Mathijs, E., de Mey, Y., Finger, R., Balmann, A., Wauters, E., Urquhart, J., Vigani, M., Zawalińska, K., Herrera, H., Nicholas-Davies, P., Hansson, H., Paas, W., Slijper,
20. T., Coopmans, I., Vroege, W. . . . Reidsma, P. (2019). A framework to assess the resilience of farming systems. Agricultural Systems, 176. https://doi.org/10.1016/j.agsy.2019.102656
21. Nuttavuthisit, K., & Thøgersen, J. (2017). The importance of consumer trust for the emergence of a market for green products: The case of organic food. Journal of Business Ethics, 140(2), 323–337. https://doi.org/10.1007/s10551-015-2690-5
22. Özer, B., Kuş, S., & Yıldız, O. (2022). Veri madenciliği yöntemleri ile tarımsal veri analizi: Bir akıllı tarım sistemi önerisi. Mühendislik Bilimleri ve Tasarım Dergisi, 10(4), 1417–1429. https://doi.org/10.21923/jesd.1081814
23. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W.,
24. Mayo-Wilson, E., McDonald, S., . . . Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372. https://doi.org/10.1136/bmj.n71
25. Saygılı, F., Kaya, A. A., Çalışkan, E. T., & Kozal, Ö. E. (2019). Türk tarımının global entegrasyonu ve Tarım 4.0 [Kurumsal rapor, Yayın No. 98]. İzmir Ticaret Borsası.
26. Schimmelpfennig, D. (2016). Farm profits and adoption of precision agriculture (Economic Research Report No. 217). U.S. Department of Agriculture, Economic Research Service. https://www.ers.usda.gov/webdocs/publications/80326/err-217.pdf
27. Sott, M. K., Nascimento, L. D. S., Foguesatto, C. R., Furstenau, L. B., Faccin, K., Zawislak, P. A., & Bragazzi, N. L. (2021). A bibliometric network analysis of recent publications on digital agriculture to depict strategic themes and evolution structure. Sensors, 21(23). https://doi.org/10.3390/s21237889
28. Soussi, A., Zero, E., Sacile, R., Trinchero, D., & Fossa, M. (2024). Smart sensors and smart data for precision agriculture: A review. Sensors, 24(8). https://doi.org/10.3390/s24082647
29. Tarım ve Orman Bakanlığı. (2024). 2024-2028 stratejik plan. T.C. Tarım ve Orman Bakanlığı Strateji Geliştirme Başkanlığı. https://faolex.fao.org/docs/pdf/tur224726.pdf
30. Teke, M., Deveci, H. S., Öztoprak, F., Efendioğlu, M., Küpçü, R., Demirkesen, C., & Demirpolat, C. (2016, Ekim 5–7). Akıllı tarım fizibilite projesi: Hassas tarım uygulamaları için havadan ve yerden veri toplanması, işlenmesi ve analizi [Bildiri sunumu]. UZAL-CBS 2016 Sempozyumu, Adana, Türkiye.
31. Türkiye İstatistik Kurumu [TÜİK]. (2023). Tarımsal arazi varlığı istatistikleri, 2023. T.C. Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/Kategori/GetKategori?p=Tarim-111
32. Türkiye İstatistik Kurumu [TÜİK]. (2024). Bitkisel üretim istatistikleri, 2024. T.C. Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2024-53447
33. Türker, U., Akdemir, B., Topakcı, M., Tekin, B., Ünal, İ., Aydın, A., & Evrenosoğlu, M. (2015). Hassas tarım teknolojilerindeki gelişmeler. Türkiye Ziraat Mühendisliği VIII. Teknik Kongresi Bildiri Kitabı.
34. Tzachor, A., Devare, M., King, B., Avin, S., & Ó hÉigeartaigh, S. (2022). Responsible artificial intelligence in agriculture requires systemic understanding of risks and externalities. Nature Machine Intelligence, 4(2), 104–109. https://doi.org/10.1038/s42256-022-00440-4
35. Verlegh, P. W. J., & Steenkamp, J.-B. E. M. (1999). A review and meta-analysis of country-of-origin research. Journal of Economic Psychology, 20(5), 521–546. https://doi.org/10.1016/S0167-4870(99)00023-9
36. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming: A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023
37. Zhang, N., Wang, M., & Wang, N. (2002). Precision agriculture: A worldwide overview. Computers and Electronics in Agriculture, 36(2–3), 113–132. https://doi.org/10.1016/S0168-1699(02)00096-0