Cilt 13 Sayı 1 (2025): Business & Management Studies: An International Journal
Makaleler

Türkiye’nin ayçiçek yağı ithalatına yönelik tahmin modellerinin karşılaştırmalı analizi

PDF (İngilizce)
  • Cüneyt Çatuk
Cüneyt Çatuk
Dr. Öğr. Üyesi, Şırnak Üniversitesi, Şırnak, Türkiye

Yayınlanmış 25.03.2025

Anahtar Kelimeler

  • Agricultural Trade, Import Forecasting, Machine Learning, Time Series Models, Trade Policy
  • Tarımsal Ticaret, İthalat Tahmini, Makine Öğrenmesi, Zaman Serisi Modelleri, Ticaret Politikası

Nasıl Atıf Yapılır

Türkiye’nin ayçiçek yağı ithalatına yönelik tahmin modellerinin karşılaştırmalı analizi. (2025). Business & Management Studies: An International Journal, 13(1), 406-419. https://doi.org/10.15295/bmij.v13i1.2503

Telif Hakkı (c) 2025 Cüneyt Çatuk

Creative Commons License

Bu çalışma Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanslanmıştır.

Nasıl Atıf Yapılır

Türkiye’nin ayçiçek yağı ithalatına yönelik tahmin modellerinin karşılaştırmalı analizi. (2025). Business & Management Studies: An International Journal, 13(1), 406-419. https://doi.org/10.15295/bmij.v13i1.2503

Öz

Bu çalışma, Türkiye’nin ayçiçek yağı ithalatını tahmin etmede geleneksel istatistiksel yöntemler ile makine öğrenimi (ML) tekniklerinin karşılaştırmalı performansını incelemektedir. Analiz kapsamında Mevsimsel ARIMA (SARIMA), ARIMAX, Rastgele Orman Regresyonu (RFR), Destek Vektör Makineleri (SVM) ve Çoklu Doğrusal Regresyon (MLR) modelleri değerlendirilmiştir. 19 yıllık bir veri seti (2004-2023) kullanılarak modeller, kısa, orta ve uzun vadeli öngörüler için Ortalama Mutlak Hata (MAE), Kök Ortalama Karesel Hata (RMSE) ve Theil’s U-istatistiği gibi performans metrikleri üzerinden değerlendirilmiştir. Sonuçlar, RFR modelinin karmaşık veri setlerini ve doğrusal olmayan ilişkileri işleme kapasitesi sayesinde diğer modellere göre daha iyi sonuç verdiğini göstermektedir. SARIMA kısa vadeli tahminlerde üstün performans sergilerken, ARIMAX orta ve uzun vadeli eğilimleri etkili bir şekilde yakalamaktadır. Bu çalışma, ML tekniklerinin tarımsal ticaret stratejilerini geliştirme ve ithalat bağımlılığıyla ilişkili riskleri azaltma potansiyelini vurgulayarak politika yapıcılara yönelik uygulanabilir bilgiler sunmaktadır.

PDF (İngilizce)

Referanslar

  1. Acet, A. (2022). SVM, NB, KNN, ADABOOST ve Random Forest sınıflandırma algoritmaları kullanılarak meme kanserinin tahmini [Breast cancer prediction using SVM, NB, KNN, ADABOOST, and Random Forest classification algorithms] (Yayımlanmamış yüksek lisans tezi). İnönü Üniversitesi, Kütahya.
  2. Akar, Ö., & Güngör, O. (2012). Classification of multispectral images using Random Forest algorithm. Journal of Geodesy and Geoinformation, 1(1), 105–112.
  3. Aydin, K., & Çatuk, C. (2018). The impact of the inward processing regime on the vegetable oil sector in Türkiye. Journal of Institute of Economic Development and Social Researches, 4(15), 745–751.
  4. Bozer. (2022). Situation and forecast (Sunflower 2016/2017). GTHB Agricultural Economics and Policy Development Institute (TEPGE) Publications: 1–36.
  5. Bozer. (2023). Situation and forecast (Sunflower 2016/2017). Agricultural Economics and Policy Development Institute (TEPGE) Publications No. 276, 41 pages.
  6. Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug design by machine learning: Support vector machines for pharmaceutical data analysis. Computers & Chemistry, 26(1), 5–14.
  7. Cançelik, M. (2021). A research on safflower (Carthamus tinctorius L.), the vegetable oil market, and the future of safflower in Turkey. In Current marketing studies and digital developments (pp. 135–149).
  8. Champolivier, L., Debaeke, P., Thiard, J., & Thibierge, J. (2012). An evaluation of sunflower production strategies in a supplying area of an agricultural cooperative using the simulator COLLECTO. In Proceedings of the 18th International Sunflower Conference, Mar del Plata, Argentina (pp. 742–747).
  9. Chen, H., Su, Z., & Xing, Z. (2024). Forecasting Extreme High Temperatures Based on an ARIMA-LSTM Hybrid Model. In 2024 IEEE 2nd International Conference on Image Processing and Computer Applications (ICIPCA) (pp. 804-809). IEEE.
  10. Doré, T., Clermont-Dauphin, C., Crozat, Y., David, C., Jeuffroy, M.-H., Loyce, C., Makowski, D., Malézieux, E., Meynard, J.-M., & Valantin-Morison, M. (2008). Methodological progress in on-farm regional agronomic diagnosis: A review. Agronomy for Sustainable Development, 28(1), 151–161. https://doi.org/10.1051/agro:2007031
  11. Duru, S. (2024). Türkiye bitkisel yağ dış ticaretinin mevcut durumu ve rekabet gücünün analizi [Current status and competitiveness analysis of Turkey's vegetable oil foreign trade]. Gümrük ve Ticaret Dergisi, 11(35), 25–39.
  12. Faydaoğlu, E., & Sürücüoğlu, M. S. (2011). Geçmişten günümüze tıbbi ve aromatik bitkilerin kullanılması ve ekonomik önemi [Historical and economic significance of medicinal and aromatic plants from past to present]. Kastamonu University Journal of Forestry Faculty, 11(1), 52–67.
  13. Federal Reserve Bank of St. Louis. (n.d.). Global price of sunflower oil [Data set]. Retrieved July 2024, from https://fred.stlouisfed.org/series/PSUNOUSDM
  14. Gunduz, O. (2021). Why is the price of sunflower oil increasing in Türkiye: Short and long-term dynamic analysis. Gaziosmanpaşa Scientific Research Journal, 10(1), 30–48.
  15. Gül, V., Öztürk, E., & Polat, T. (2016). The importance of sunflower to overcome deficiency of vegetable oil in Turkey. Alinteri Journal of Agriculture Science, 30(1), 70–76.
  16. Hall, A. J., Feoli, C., Ingaramo, J., & Balzarini, M. (2013). Gaps between farmer and attainable yields across rainfed sunflower growing regions of Argentina. Field Crops Research, 143, 119–129. https://doi.org/10.1016/j.fcr.2012.05.003
  17. Hatırlı, S. A., Demircan, V., & Aktaş, A. R. (2002). Analysis of sunflower and soybean oil import demand. Akdeniz University Journal of the Faculty of Agriculture, 15(2), 71–79.
  18. Hunt, M. L., Blackburn, G. A., Carrasco, L., Redhead, J. W., & Rowland, C. S. (2019). High resolution wheat yield mapping using Sentinel-2. Remote Sensing of Environment, 233, 111410.
  19. Ihueze, C. C., & Onwurah, U. O. (2018). Road traffic accidents prediction modelling: An analysis of Anambra State, Nigeria. Accident Analysis & Prevention, 112, 21–29.
  20. Jeong, J. H., Resop, J. P., Mueller, N. D., Fleisher, D. H., Yun, K., Butler, E. E., Timlin, D. J., Shim, K.-M., Gerber, J. S., Reddy, V. R., et al. (2016). Random forests for global and regional crop yield predictions. PLoS One, 11(6), e0156571.
  21. Kaya, T. E., Sezgin, A., Külekçi, M., & Kumbasaroğlu, H. (2023). Dünyada ve Türkiye’de ayçiçeği üretimi ve dış ticaretindeki gelişmeler [Developments in sunflower production and foreign trade in the world and Turkey]. Alinteri Dergisi, 38(1), 8–13..
  22. Kaya, Y. (2016). The situation of sunflower in our country and its future direction. Journal of Field Crops Central Research Institute, 25(Special Issue-2), 322–327.
  23. Kim, N., & Lee, Y.-W. (2016). Machine learning approaches to corn yield estimation using satellite images and climate data: A case of Iowa State. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography, 34(4), 383–390.
  24. Kouadri, S., Pande, C. B., Panneerselvam, B., Adham, A., & Ahamad, M. I. (2022). Prediction of irrigation groundwater quality parameters using ANN, LSTM, and MLR models. Environmental Science and Pollution Research, 29, 21067–21091. https://doi.org/10.1007/s11356-021-17084-3
  25. Martinez, E. Z., Silva, E. A., & Fabbro, A. L. (2011). A SARIMA forecasting model to predict the number of cases of dengue in Campinas, State of São Paulo, Brazil. Revista da Sociedade Brasileira de Medicina Tropical, 44, 436–440.
  26. Mercau, J. L., Sadras, V. O., Satorre, E. H., Messina, C., Balbi, C., Uribelarrea, M., & Hall, A. J. (2001). On-farm assessment of regional and seasonal variation in sunflower yield in Argentina. Agricultural Systems, 67(1), 83–103. https://doi.org/10.1016/S0308-521X(00)00048-2
  27. Onurlubaş, H. E., & Kızılaslan, H. (2007). Türkiye’de bitkisel yağ sanayindeki gelişmeler ve geleceğe yönelik beklentiler [Developments and future prospects in the vegetable oil industry in Turkey] (Publication No. 157). Ankara: Tarım Ekonomisi Araştırma Enstitüsü.
  28. Önder, K., & Şahin, M. (2023). Destekleme priminin ayçiçeği arzı üzerindeki etkisi: ARDL modeli. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(1), 313–333. https://doi.org/10.21180/iibfdkastamonu.1222045
  29. Pekcan, V., Yilmaz, M. I., Evci, G., (2022). Oil content determination on sunflower seeds in drought conditions. Journal of Food Processing and Preservation, 46, e15481. https://doi.org/10.1111/jfpp.15481
  30. Piragnolo, M., Masiero, A., & Pirotti, F. (2017). Open source R for applying machine learning to RPAS remote sensing images. Open Geospatial Data, Software and Standards, 2(1)
  31. Pirotti, F., Sunar, F., & Piragnolo, M. (2016). Benchmark of machine learning methods for classification of a Sentinel-2 image. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B7, 335–340.
  32. Semerci, A. Cost analysis of oily sunflower production: The case of Tekirdag province, Turkey. Custos e Agronegocio 2019, 15, 167–191.
  33. Song, X., Xiao, J., Deng, J., Kang, Q., Zhang, Y., & Xu, J. (2016). Time series analysis of influenza incidence in Chinese provinces from 2004 to 2011. Medicine, 95(48), e3929. https://doi.org/10.1097/MD.0000000000003929
  34. Tarım ve Orman Bakanlığı, Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE). (2024). Ayçiçeği durum ve tahmin raporu 2024 [Sunflower situation and forecast report 2024] (TEPGE Yayın No: 404). Retrieved from: https://arastirma.tarimorman.gov.tr/tepge/Belgeler/PDF%20Durum-Tahmin%20Raporlar%C4%B1/2024%20Durum-Tahmin%20Raporlar%C4%B1/Ay%C3%A7i%C3%A7e%C4%9Fi%20Durum%20Tahmin%20Raporu%202024-404%20TEPGE.pdf
  35. Tarım ve Orman Bakanlığı, Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE). (2023). Ayçiçeği durum ve tahmin raporu 2023 [Sunflower situation and forecast report 2023] (TEPGE Yayın No: 392). Retrieved from: [chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arastirma.tarimorman.gov.tr/tepge/Belgeler/PDF%20Durum-Tahmin%20Raporlar%C4%B1/2023%20Durum-Tahmin%20Raporlar%C4%B1/Ay%C3%A7i%C3%A7e%C4%9Fi%20Durum-Tahmin%20Raporu%202023-392%20TEPGE.pdf]
  36. Tarım ve Orman Bakanlığı. (2024, 24 Ağustos). Çiftçilere bu yıl ödenecek bitkisel üretim destekleri belli oldu [Plant production support payments for farmers announced for this year]. Retrieved from: https://www.tarimorman.gov.tr/Haber/6373/Ciftcilere-Bu-Yil-Odenecek-Bitkisel-Uretim-Destekleri-Belli-Oldu
  37. Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. https://doi.org/10.1162/15324430152748236
  38. Türkiye İstatistik Kurumu (TÜİK). (2024, Temmuz 24). Dış ticaret istatistikleri [Foreign trade statistics]. Erişim adresi: https://biruni.tuik.gov.tr/disticaretapp/menu.zul
  39. U.S. Energy Information Administration (EIA). (2024). Short-term energy outlook: Real prices viewer. Retrieved from https://www.eia.gov/outlooks/steo/realprices
  40. Uçum, İ. (2016). ARIMA modeli ile Türkiye soya üretim ve ithalat projeksiyonu [Soybean production and import projection of Turkey using ARIMA model]. Tarım Ekonomisi Araştırmaları Dergisi, 2(1), 24–31.
  41. USDA (2020) United States department of agriculture, oilseeds: world markets and trade, Published in June 2020, Available from: https://downloads.usda.library.cornell.edu/usda-esmis/files/tx31qh68h/1257bd51b/fj236p26g/oilseeds.pdf.
  42. Vapnik, V., & Lerner, A. (1963). Pattern recognition using generalised portrait method. Automation and Remote Control, 24, 774–780.
  43. Wang, H., Tian, C. W., Wang, W. M., & Luo, X. M. (2018). Time-series analysis of tuberculosis from 2005 to 2017 in China. Epidemiology and Infection, 146, 935–939.
  44. Wang, J., Zhou, Y., Zhuang, L., Shi, L., & Zhang, S. (2023). A model of maritime accidents prediction based on multi-factor time series analysis. Journal of Marine Engineering & Technology, 22(3), 153–165. https://doi.org/10.1080/20464177.2023.2167269
  45. Wu, L., Xing, Y., Yang, K., Li, W., Ren, G., Zhang, D., & Fan, H. (2024). Optimising maise germination forecasts with random forest and data fusion techniques. PeerJ Computer Science, 10, e2468. https://doi.org/10.7717/peerj-cs.2468

Benzer Makaleler

Bu makale için ayrıca gelişmiş bir benzerlik araması başlat yapabilirsiniz.