Türkiye’de Kamu Politikalarında Büyük Veri Uygulaması: Tarım Politikaları Örneği

Yıl 2025, Cilt: 17 Sayı: 33, 1041 - 1065, 09.12.2025

Yakup Karaca , Namık Öztürk

https://doi.org/10.20990/kilisiibfakademik.1721993

Öz

Amaç: Bu çalışma, Türkiye’de kamu destekleme politikalarının tarım sektöründeki sürdürülebilirlik üzerindeki etkilerini büyük veri analizi perspektifinden incelemeyi amaçlamaktadır. Mevcut destekleme sistemlerinde veri temelli yaklaşımların yetersiz kullanılması ve bu durumun politika etkinliğini sınırlaması temel problem olarak ele alınmıştır. Tasarım/Yöntem: Çalışma, Tarım ve Orman Bakanlığı’nın 2023 yılı verilerine dayalı olarak Çiftlik Muhasebe Veri Ağı (ÇMVA)’na kayıtlı 5.150 tarım işletmesinden elde edilen mikro verilerle yürütülmüştür. İki aşamalı kümeleme analizi ve çoklu doğrusal regresyon analizi yöntemleri kullanılarak kamu desteklerinin tarım işletmelerinin gelir düzeyi ve yapısal özellikleri üzerindeki etkileri analiz edilmiştir. Bulgular: Yüksek destek alan tarım işletmelerinin daha büyük sermaye yapısına, daha fazla sulanabilir araziye ve yüksek üretim değerine sahip olduğu tespit edilmiştir. Genç işletmecilerin daha yüksek net gelir elde ettiği, hane halkı büyüklüğünün ve arazi parçalanmışlığının net geliri olumsuz etkilediği belirlenmiştir. Kırsal Kalkınma Yatırımlarının Desteklenmesi Programı (KKYDP) desteklerinin net gelir üzerinde negatif etkisi olduğu görülmüştür. Tarımsal desteklerin üretimi yönlendirici etkilerinin sınırlı kaldığı tespit edilmiştir. Tarımda kaynak kullanım etkinliğinin artırılması ve politika sonuçlarının izlenebilirliğinin sağlanabilmesi için büyük veri teknolojilerinin daha etkin kullanılması gerekmektedir. Bu kapsamda, tarım işletmelerine ilişkin yapısal ve üretimsel özellikleri içeren bir envanter sisteminin oluşturulması ve sürekli güncellenerek kapsayıcı bir veri tabanına dönüştürülmesi önerilmektedir. Sınırlılıklar: Çalışma yalnızca ÇMVA sistemine kayıtlı işletmelerin verileriyle sınırlıdır; bu durum sonuçların genellenebilirliğini kısıtlamaktadır. Özgünlük/Değer: Araştırma, kamu politikalarının analizinde büyük veri uygulamalarının sağlayabileceği teorik ve pratik katkıları ortaya koymakta ve veri temelli karar destek sistemlerinin geliştirilmesine yönelik öneriler sunmaktadır. Çalışma, büyük veri analizlerinin kamu destekleme politikalarının izlenebilirliği, değerlendirilebilirliği ve yeniden yapılandırılabilirliği açısından stratejik bir araç olduğunu göstermektedir.

Anahtar Kelimeler

Büyük Veri , Tarım Politikası , Kamu Desteklemeleri , Kamu Politikası

Big Data Application in Public Policies in Turkey: The Case of Agricultural Policies

Öz

Purpose: This study aims to examine the effects of public support policies on sustainability in the Turkish agricultural sector from a big data analysis perspective. The insufficient use of data-driven approaches in current support systems and the resulting limitations on policy effectiveness constitute the main problem addressed. Design/Methodology: The study was conducted using microdata from 5,150 farms registered in the Farm Accountancy Data Network (FADN) of the Ministry of Agriculture and Forestry for 2023. Two-step cluster analysis and multiple linear regression were employed. Findings: It has been determined that farms receiving higher support have larger capital structures, more irrigated land, and higher production values. Younger farm managers earn higher net income, while larger household size and land fragmentation negatively affect net income. Supports under the Rural Development Investments Support Program (RDISP) have a negative effect on net income. The production-guiding effects of agricultural supports are found to be limited. To enhance resource use efficiency and ensure the traceability of policy outcomes in agriculture, big data technologies should be used more effectively. In this context, it is recommended to establish an inventory system that includes structural and production characteristics of farms and to continuously update it into a comprehensive database. Limitations: The study is limited to farms registered in the FADN system, which restricts the generalizability of the results. Originality/Value: This research highlights the theoretical and practical contributions of big data applications in public policy analysis and provides suggestions for developing data-driven decision support systems. The study demonstrates that big data analyses are a strategic tool for monitoring, evaluating, and restructuring public support policies.

Anahtar Kelimeler

Big Data , Agricultural Policy , Public Subsidies , Public Policy , Sustainability.

Kaynakça

• Arnaboldi M. ve Azzone G., (2020). Data science in the design of public policies: dispelling the obscurity in matching policy demand and data offer, Heliyon, 6(6), e04300. https://doi.org/10.1016/j.heliyon.2020.e04300.
• Australian Government Information Management Office, (2013). The Australian Public Services Big Data Strategy, Improved understanding through enhanced data-analytics capability, Department of Finance and Deregulation, Australian Government Information Management Office, ISBN:978-1-922096-27-2, pp. 1–27, https://www.scribd.com/document/460525550/Big-DataStrategy.
• Australian National Farmers Federation, (2023). Farm Data Code, Edition 2 May 2023, https://nff.org.au/wp-content/uploads/2023/06/NFF-Australian-Farm-Data-Code-v2-May- 2023.pdf.
• Babaoğlu, C. (2021). Yönetimin Geleceği: Veri Temelli Politika Yapımı, SETA Yayınları, I. Baskı: 2021, ISBN: 978-625-7712-17-0. https://media.setav.org/tr/dosya/2021/02/rapor-yonetimingelecegi-veri-temelli-politika-yapimi.pdf.
• Bright J. ve Margetts H. (2016). Big data and public policy: Can it succeed where e-participation has failed? Policy & Internet, 8(3), 218–224. https://doi.org/10.1002/poi3.130.
• Cook, T. (2014). “Big Data’’ in Research on Social Policy. Journal of Policy Analysis and Management, 33(2), s.544–547. https://doi.org/10.1002/pam.21751.
• Dye, T. R. (2017). Understanding Public Policy, Pearson Education, 15th Edition.
• European Commission, (2020). A Farm to Fork Strategy for a fair, healthy and environmentally-friendly food system, https://food.ec.europa.eu/horizontal-topics/farm-fork-strategy_en, erişim Tarihi, 22.01.2025.
• European Commission, (2024). Shaping Europe’s digital future, https://digitalstrategy.ec.europa.eu/en/policies/data-spaces, erişim tarihi: 22.03.2024.
• FAO, (2021). The State of Food and Agriculture 2021. Making agrifood systems more resilient to shocks and stresses. Rome, FAO. https://doi.org/10.4060/cb4476en.
• FAO, (2023). AU Digital Agriculture Strategy (DAS) and Implementation Plan 2024 – 2030, October 2023. https://au.int/en/documents/20240212/au-digital-agriculture-strategy-das-andimplementation-plan-2024-2030, erişim tarihi: 22.03.2024.
• Gianluca, M. ve Colin N. (2020). AI Watch - Artificial Intelligence in public services, Overview of the use and impact of AI in public services in the EU, ISSN 1831- 9424, ISBN 978-92-76-19540-5 EU Publications. DOI:10.2760/039619.
• Giray, S. (2016). Investıgatıon Of Convıct Data By Two Stage Cluster Analysıs, Istanbul University Econometrics and Statistics e-Journal, (25): s.1-31. https://dergipark.org.tr/en/pub/iuekois/issue/27185/285989.
• Gujarati D. N. ve Porter, D. C. (2004). Basic econometrics, 4th Edition, McGraw-Hill Higher Education, ISBN 0-07-112342-3, New York.
• Güriş, S., Çağlayan, E. ve Güriş, B. (2013). EViews ile Temel Ekonometri (2. basım), ISBN: 9789753533706, Der Yayınları.
• Hair, J.F., Black, W.C., Babin B. J. ve Anderson, R.E. (2018). Multivariate data analysis with readings prentice-hall international inc. Eighth Edition, Pearson Education, ISBN:978-1-4737-5654-0. Kalaycı, Ş. (2009), SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, 4. Baskı, Ankara: Asil Yayın Dağıtım.
• Kandt J. ve Batty M. (2021). Smart cities, big data and urban policy: Towards urban analytics for the long run. Cities, 109, 102992. https://doi.org/10.1016/j.cities.2020.102992.
• Kaufman, L. ve Rousseeuw, P.J. (2005). Finding Groups in Data An Introduction to Cluster Analysis, John Wiley & Sons, Inc., Hoboken, New Jersey. DOI:10.1002/9780470316801.
• Köseoğlu, Ö. (2015). Kamu Politikası Sürecinde Karar Verme Modelleri, Yıldız, M. ve Sobacı, M. Z. (Ed.), Kamu Politikası Kuram ve Uygulama içinde (244-264), Adres Yayınları.
• Laney D., (2001) 3D data management: Controlling data volume, velocity, and variety. Application Delivery Strategies 949. https://diegonogare.net/wp-content/uploads/2020/08/3D-DataManagement-Controlling-Data-Volume-Velocity-and-Variety.pdf.
• Lee, J. W. (2020). Big Data Strategies for Government, Society and Policy-Making, Journal of Asian Finance, Economics and Business Vol 7, No, 7, s. 475-487. DOI: https://doi.org/10.13106/jafeb.2020.vol7.no7.475.
• Maciejewski M. (2017). To do more, better, faster and more cheaply: Using big data in public administration. International Review of Administrative Sciences, 83(1_suppl), 120–135. https://doi.org/10.1177/0020852316640058.
• Marr, B. (2016). Büyük Veri İş Başında: 45 Yıldız Şirket Büyük Veri’yi Nasıl Kullandı? Mediacat Yayıncılık. ISBN-10:6054584960, ISBN-13: 978-6054584963.
• McKinsey Global Institute, (2011). Big data: The next frontier for innovation, competition, and productivity, McKinsey&Company. https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our %20insights/big%20data%20the%20next%20frontier%20for%20innovation/mgi_big_data_full _report.pdf.
• OECD, (2019). Digital Opportunities for Better Agricultural Policies, OECD Publishing, Paris, https://doi.org/10.1787/571a0812-en.
• Pehlivanoğlu, F., & Narman, Z. (2018). Kocaeli Üniversitesi Öğrencilerinin Fakülteler Bazında GelirTüketim İlişkisinin Analizi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi (40), 103-115. https://dergipark.org.tr/en/download/article-file/1725375.
• Pencheva, I., Esteve, M. ve Mikhaylov, S. J. (2020). Big Data and AI–A Transformational Shift for Government: So, What Next for Research? Public Policy and Administration 35(1), S.24–44, SAGE. https://doi.org/10.1177/0952076718780537.
• Savaş, S. ve Topaloğlu, N. (2011). Veri madenciliği yöntemi ile GSM şebekelerinin performans analizi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26(4), 741-751,2011. https://dergipark.org.tr/tr/download/article-file/75996.
• Shi, J., Ai, X. ve Cao, Z. (2017). Can Big Data İmprove Public Policy Analysis? In Proceedings of the 18th Annual International Conference on Digital Government Research (dg.o 17), Association for Computing Machinery, s. 552-561, New York. https://doi.org/10.1145/3085228.308531.
• SNS Telecom & IT, (2018). The Big Data Market: 2018-2030 Opportunities, Challenges, Strategies, Industry Verticals & Forecasts, SNS Telecom & IT Market Intelligence & Consultancy Solutions. Şchiopu, D. (2010). Applying TwoStep Cluster Analysis for Identifying Bank Customers’ Profile, Buletinul 62(3): s.66-75, ŞtiinŃe Economice. https://api.semanticscholar.org/CorpusID:12656837.
• T.C. Cumhurbaşkanlığı Strateji Bütçe Başkanlığı, (2019). On Birinci Kalkınma Planı (2019–2023). https://www.sbb.gov.tr/wp-content/uploads/2019/07/OnbirinciKalkinmaPlani.pdf.
• T.C. Cumhurbaşkanlığı Strateji Bütçe Başkanlığı, (2023). On İkinci Kalkınma Planı (2024-2028). https://www.sbb.gov.tr/wp-content/uploads/2023/12/On-Ikinci-Kalkinma-Plani_2024- 2028_11122023.pdf.
• T.C. Dijital Dönüşüm Ofisi, (2021). Ulusal Yapay Zekâ Stratejisi (2021–2025). https://cbddo.gov.tr/SharedFolderServer/Genel/File/TR-UlusalYZStratejisi2021-2025.pdf.
• T.C. Sanayi ve Teknoloji Bakanlığı, T.C. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, (2021). Ulusal Yapay Zeka Stratejisi 2021-2025, https://cbddo.gov.tr/SharedFolderServer/Genel/File/TRUlusalYZStratejisi2021-2025.pdf.
• T.C. Tarım ve Orman Bakanlığı, (2023). Stratejik Plan (2024-2028). https://www.tarimorman.gov.tr/SGB/Belgeler/stratejikplan.pdf.
• Tekin, B. (2015). Temel Sağlık Göstergeleri Açısından Türkiye’deki İllerin Gruplandırılması: Bir Kümeleme Analizi Uygulaması, Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt 5, Sayı 2, ss.389-416. DOI:10.18074/cnuiibf.196.
• Tekin, B. (2018). WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(40), 401-436. https://doi.org/10.31795/baunsobed.492464.
• Tekin, B., ve Temelli, F. (2020). K-ORTALAMALAR YÖNTEMİ İLE BANKALARIN SERMAYE YETERLİLİK RASYOLARINA GÖRE KÜMELENMESİ. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 10(1), 11-36. https://dergipark.org.tr/en/download/article-file/952357.
• UK Department for Business Innovation and Skills (2013). Seizing the Data Opportunity: A Strategy for UK Data Capability, London: Department for Business Innovation and Skills. https://www.gov.uk/government/publications/uk-data-capability-strategy.
• US Executive Office of the President (2014). Big Data: Seizing Opportunities, Preserving Values (May), Washington, DC: Executive Office of the President.https://obamawhitehouse.archives.gov/sites/default/files/docs/big_data_privacy_report_may_1_ 2014.pdf.
• Ünlü, U., Bayrakdaroğlu, A., ve Şamiloğlu, F. (2011). Yönetici Sahipliği ve Firma Değeri: İmkb İçin Ampirik Bir Uygulama. Ankara Üniversitesi SBF Dergisi, 66(02), 201-214. https://doi.org/10.1501/SBFder_0000002208.
• Wolfert, S., Ge, L., Verdouw, C. ve Bogaardt, M. J. (2017). Big Data in Smart Farming A review. Agricultural Systems, 153, 69-8. https://doi.org/10.1016/j.agsy.2017.01.023.
• Yıldız, M. ve Sobacı, Z. (2015). Kamu Politikası ve Kamu Politikası Analizi: Genel Bir Çerçeve, Yıldız, M. ve Sobacı, M. Z. (Ed.), Kamu Politikası Kuram ve Uygulama içinde (16-42), Adres Yayınları