Comparative Analysis of Factors Affecting the Decisions of Producers to Have Soil Analysis in Edirne and Tekirdağ Provinces

Öz

The structural characteristics and the factors affecting the soil analysis decisions of the farmers in Edirne and Tekirdağ provinces were determined in this study. The factors affective on the soil analysis decisions of the farmers were analyzed by using logistic regression analysis and artificial neural networks and the comparison of the methods was done. In each province, 3 laboratories which had the most sample acceptance number for soil analysis were selected. The surveys were conducted with total of 60 farmers who referred to the laboratories and utilized from soil analysis subsidies and 40 farmers who did not utilize from soil analysis subsidies and had the similar characteristics with the farmers who utilized from soil analysis subsidies in each province and total of 200 farmers participated in the survey in 2019. The most significant factors on soil analysis decisions of the farmers were determined as total land size, age, agricultural experience, experience on taking soil sample, family size, education period and the activity type in each two methods. Total accurate classification ratio was found as 77% in logistic regression analysis and 80.67% in artificial neural network analysis. It was determined that the classification percentages obtained by two methods were pretty close to each other. The farmers who had low yield and low qualified crop due to not having soil analysis should be informed and necessary publication studies should be done.

Anahtar Kelimeler

• Logistic regression
• soil analysis
• artificial neural network

Edirne ve Tekirdağ İllerinde Üreticilerin Toprak Analizi Yaptırma Kararlarını Etkileyen Faktörlerin Karşılaştırmalı Analizi

Öz

Bu çalışmada Edirne ve Tekirdağ illerinde faaliyet gösteren üreticilerin yapısal özellikleri belirlenmiş ve toprak analizi yaptırmalarında etkili olan faktörler tespit edilmiştir. Üreticilerin toprak analizi yaptırma durumunu etkileyen faktörler lojistik regresyon modeli ve yapay sinir ağları kullanılarak analiz edilmiş olup, yöntemlerin karşılaştırılması yapılmıştır. Laboratuvar seçimi toprak analizi için numune kabul sayısı en fazla olan laboratuvarlar arasından 3'er tane gayeli olarak yapılmıştır. Her il için 2015 yılında laboratuvarlara başvuran ve toprak analiz desteğinden yararlanan üreticilerden toplamda 60 kişi ile yine aynı laboratuvarların olduğu yörelerde, benzer özelliklere sahip toprak analizi desteğinden yararlanmamış olan 40 üretici olmak üzere, 2019 yılında toplamda 200 üretici ile görüşülmüştür. Her iki yöntemde de üreticilerin toprak analizi yaptırmalarındaki en önemli faktörlerin sırasıyla üreticilerin sahip olduğu toplam arazi büyüklüğü, yaşı, tarımsal deneyimleri, toprak örneği alma konusundaki deneyimleri, ailelerindeki birey sayısı, eğitim süreleri ve uğraştıkları faaliyet türü olduğu belirlenmiştir. Toplam doğru sınıflandırma oranı lojistik regresyon analizinde %77, yapay sinir ağı analizinde ise %80.67 olarak bulunmuştur. Her iki yöntemle elde edilen sınıflandırma yüzdelerinin birbirine oldukça yakın olduğu tespit edilmiştir. Toprak analizi yaptırılmamasından dolayı düşük verim ve kalitede ürün elde eden üreticilerin bu konuda bilgilendirilmesi ve gerekli yayım çalışmalarının yapılması gerekmektedir.

Anahtar Kelimeler

• Lojistik regresyon
• toprak analizi
• yapay sinir ağları

Kaynakça

1. Abay, C., Turkekul, B., Oren, M. N., Gurer, B., & Ozalp, B. (2017). An investigation on the utilization of agricultural subsidies by farmers in Turkey. Balkan and Near Eastern Journal of Social Sciences, 03(01), 130-136.
2. Ağır, H. B., & Akbay, C. (2018) Factors affecting on the producers' utilization of beef cattle support. Journal of Agriculture and Nature, 21(5), 738-744. https://doi.org/10.18016/ksudobil.407625
3. Anonymous. (2020). Toprak kalitesinin belirlenmesi. http://www.laben.com.tr/haberler/toprak-kalitesinin-belirlenmesi. [Access date: June 30, 2021].
4. Elmas, Ç. (2007). Yapay Zekâ Uygulamaları. Seçkin Yayıncılık.
5. Hamzaçebi, C. (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı. Ekin Yayınevi.
6. Haroll Kokoye, S. E., Jolly, C. M., Molnar, J. J., Shannon, D. A. & Huluka, G. (2018). Farmer willingness to pay for soil testing services in Northern Haiti. Journal of Agricultural and Applied Economics, 50(3), 429-451. https://doi.org/10.1017/aae.2018.4
7. Işık, H. B., Aksoy, A. & Yavuz, F. (2009) Factors affecting dairy farmers' utilization of agricultural supports in Erzurum. Scientific Research and Essays, 4(11), 1236-1242.
8. Keskenler, M. F. & Keskenler, E. F. (2017). From past to present artificial neural networks and history. Takvim_i Vekayi, 5(2), 8-18.

9. Leech, N. L., Barrett, K. C. & Morgan, G. A. (2004) SPSS for Intermediate Statistics: Use and Interpretation. Lawrance Erlbaum Associates Publishers. Manwah New Jersey.
10. Oğuzlar, A. (2001, 19-22 Eylül). Çok boyutlu ölçekleme ve kümeleme analizi arasındaki ilişkiler [Sözlü bildiri]. V. Ulusal Ekonometri ve İstatistik Sempozyumu, Türkiye.
11. Özkaya, T. & Özdemir, S. (1992). İzmir ilinde pamuk üretiminde aşırı kimyasal gübre kullanım sorunu. Tarım Ekonomisi Dergisi, 1(1), 55-58.
12. Öztemel, E, (2012). Yapay Sinir Ağları. Papatya Yayıncılık.
13. Sağlam, T. (2005). Gübreler ve Gübreleme. Trakya Üniversitesi Tekirdağ Ziraat Fakültesi, 179 (74).
14. Tan, S., Simdi, U. & Everest, B. (2017, July 10-12). Analysis of factors affecting the available agricultural policy utilization levels of organic farming producers: The case of Izmir Seferhisar Town [Paper presentation]. International Conference on Eurasian Economies, Turkey.
15. Wang, Z., Zheng, H., Luo, Y., Deng, X., Herbert, S. & Xing, B. (2013). Characterization and influence of biochars on nitrous oxide emission from agricultural soil. Environmental Pollution, 174, 289–296. https://doi.org/10.1016/j.envpol.2012.12.003
16. Yılmaz, G. & Uysal, H. (2010). The effects of pva and pam application on runoff and soil loss. Journal of Agriculture Faculty of Ege University, 47(2), 191-199.