Akademik Veri Yönetim Sistemi
15. Ulusal Tarım Ekonomisi Kongresi, Çanakkale, Türkiye, 6 Eylül - 08 Ekim 2023, ss.29-41
Amaç: Günümüzde üreticiler ve işlem hacimlerine karar verme gereksinimi duyan işletmeler iyi bir plan çerçevesinde kendilerine uygun ihtiyaçları ve çözümleri tahmin etme gereksinimi duymaktadırlar. Bu tahminleme sonucunda, üreticiler, fiyat dalgalanmalarına karşı ilerleyen dönem harcamalarının, üretim kapasitelerinin ve deseninin belirlenmesine, işletmeler ise fiyat ile ilgili karşılaşılabilecek sorunları öngörerek hareket etmeye imkan bulabileceklerdir. Bunun yanında bu tahminleme sonuçları uygun fiyat politikaların oluşturulmasına da referans olabilecektir. Tahminleme uzun zamandır lineer istatistiklerin çalışma alanı olmuştur. Zaman serileri tahminleri gibi geleneksel yaklaşımlarda, ARIMA gibi metotlar kullanılmaktadır. Gerçek hayattaki sistemler genellikle doğrusal olmadığı için doğrusal yöntemlerin kullanılması hatalı sonuçların elde edilmesine de neden olabilmektedir.
Dünya kuru incir üretiminin yaklaşık %60‘ı ülkemiz tarafından karşılanmakta olup, bu oranın yaklaşık %75’i ise Aydın ilindeki üreticiler tarafından temin edilmektedir. İncir, %603,90 yeterlilik derecesi (üretimimizin tüketimimizi karşılama oranı) ile en yüksek değere sahip olan üründür. Dünya kuru üzüm üretiminde de ülkemiz %30’luk bir oranla dünyada lider konumunda olup, kuru üzüm üretimnin de %87’si Manisa ilinde gerçekleştirilmektedir. Kuru üzüm, %141 ile Yeterlilik Derecesi ile tüm ürünler arasınd beşinci sırada yer almaktadır. Ülkemiz, gerek kuru incir, gerekse de kuru üzümde dünyada lider konumundadır.
Bu çalışmada, Türkiye’nin en önemli tarımsal ihraç ürünlerinden olan kuru incir ve kuru üzüm için fiyat tahmini, doğrusal olmayan problemlerin çözümünde günümüzde etkin olarak faydalanılan ve geleneksel tahmin yöntemlerine göre daha az hatalı sonuçlar veren Yapay Sinir Ağı kullanılarak yapılmış ve elde edilen sonuçlar değerlendirilmiştir.
Tasarım/Metodoloji/Yaklaşım: İncir için, kuru incir bölgesini temsil eden istasyonlardan 2011 yılından 2020 yılı Haziran ayına kadar haftalık olarak ortalama sıcaklık, nem, yağış, toprak ortalama sıcaklığı verileri toplanmıştır. Ayrıca yine aynı tarih aralığında ve yine haftalık olarak ihracat miktarları (kg), hurda oranı, elektronik veri dağıtım sisteminden alınan doviz kur değeri, gemi yükleme tarihi, ihraç edilen gıda ve yem ürünlerinde hızlı uyarı sistemi (RASFF) alarm sayısı (tüm faktörler için), rekolte tahmin değeri, TARİŞ fiyatı verileri toplanmıştır. Bunların yanında, ihracatçı birliklerinden alınan ihracat fiyat değeri yine 2011-2020 tarihleri arasında haftalık olacak şekilde bağımlı değişken olarak kullanılmak için alınmıştır.
Üzüm için, kuru üzüm bölgesini temsil eden istasyonlardan 2011 yılından 2020 yılı Haziran ayına kadar ve yine haftalık olarak ortalama sıcaklık, nem, yağış, toprak ortalama sıcaklığı (10 cm) verileri toplanmıştır. Ayrıca, aynı tarihler için haftalık periyotlar halinde ihracat miktarı, RASFF alarm sayısı, rekolte tahmin değeri, TARİŞ fiyatı ve elektronik veri dağıtım sisteminden alınan doviz kur değeri verileri toplanmıştır. Bunların yanında ihracatçı birliklerinden alınan ihracat fiyat değeri yine 2011-2020 tarihleri arasında ve haftalık olacak şekilde bağımlı değişken olarak kullanılmak amacıyla alınmıştır.
Seçilen parametreler alınarak bir veri seti oluşturulmuş, oluşturulan veri seti eğitim ve test verileri olarak ikiye ayrılmıştır. Parametreler ışığında sinir ağı eğitildikten sonra kuru incir ve kuru üzüm ihracat fiyat tahmini için veriler ayrı ayrı olacak şekilde eğitime tabi tutulmuştur. Çıkan sonuçlar test verileri ile karşılaştırılmış, ardından eğitim hataları hesaplanmıştır.
Bulgular: Oluşturulan modellerde aşırı öğrenme (overfitting) durumları için kontroller yapıldıktan sonra her iki ürün için de %85’in üzerinde regresyon değerlerine ulaşılmıştır.
Bilindiği gibi ortalama hata kare değeri (MSE), makine öğrenmesi modelinin tahminleyici performansını ölçen kriterlerden birisidir. MSE değeri sıfıra ne kadar yakınsa tahminleyici modelin o kadar iyi performans gösterdiği anlamı çıkarılmaktadır. Çalışılan modellerde, MSE değeri kuru incir için 0,026, kuru üzüm için ise 0,102 olarak bulunmuş olup, bu değerler her iki modelin de anlamlı sonuçlar verdiğini göstermektedir.
Özgünlük/Değer: Bilindiği kadarıyla bugüne kadar ülkemizde makine öğrenmesi ile kuru incir ve kuru üzüm ihracat fiyat tahmini ile ilgili herhangi bir çalışma yapılmamıştır. Bu yönü ile bu çalışma alanda yapılan ilk çalışma niteliğine sahiptir. Ayrıca, geliştirilen modelin hata değerleri dikkate alındığında, özellikle kuru incir hata kare değeri (MSE) 0.026 olarak bulunmuş olması, geliştirilen modelin iyi bir performansa sahip olduğunu göstermektedir.
Purpose: Today, businesses who need to decide on transaction volumes need and farmers to forecast their needs and the requirements of these needs within the framework of a good plan. The purpose of forecasting is to enable producers to determine future expenditures, production capacities and product patterns against price fluctuations. It enables businesses to act by anticipating the price-related problems they may encounter. It can also be a reference for the formulation of appropriate price policies. Forecasting has long been a field of study in linear statistics. Traditional approaches such as time series forecasting use methods such as ARIMA. Since real-life systems are often nonlinear, using these methods can sometimes lead us to erroneous conclusions.
Approximately 60% of the world's dried fig production and 30% of the world's raisin production is covered by our country. Turkey is the leader in both products.
In this study, price forecasting is performed for dried figs and raisins, among Turkey's most important agricultural export products. Forecasting is done using artificial neural network, which is nowadays effectively utilized in solving nonlinear problems and gives less erroneous results than traditional forecasting methods.
Design/Methodology/Approach: For dried fig, from 2011 to June 2020, weekly average temperature, humidity, precipitation, and soil average temperature data were collected from stations representing the dry fig region. In addition, for the same dates, weekly export quantities (kg), scrap rate, exchange rate value obtained from the electronic data distribution system, ship loading date, Rapid Alert System for Food and Feed (RASFF) alarm number (for all factors), yield forecast value, TARIS price data were collected. In addition, the export price value received from the exporters' associations was taken to be used as a dependent variable, again between 2011-2020 weekly.
For grapes, weekly average temperature, humidity, precipitation, and average soil temperature (10 cm) data were collected from stations representing the raisin region from 2011 to June 2020. In addition, data on the amount of export, the number of RASFF alarms, the yield forecast value, the TARIS price, and the exchange rate value received from the electronic data distribution system were collected for the same dates in weekly periods. In addition, the export price value received from the exporters' associations was taken to be used as a dependent variable, again between 2011-2020 weekly. A data set was created by taking the selected parameters. The data set was divided into two training and test data. After training the neural network in light of the parameters, the data were trained separately for dried fig and raisin export price prediction.
Results: The results were compared with the test data and then the training errors were calculated. After checking the models for overfitting, regression values above 85% were obtained for both products.
As is well known, the mean square error (MSE) is one of the criteria that measure the predictive performance of a machine learning model. The closer the MSE value is to zero, the better the predictive model performs. The MSE value for dried figs and raisins in the models studied was 0.026 and 0.102, respectively. When we look at these data, it is seen that both models are significant.
Originality/Values: In our country, no study has been conducted on the export price estimation of dried figs and raisins using machine learning. In addition, when the error values are examined, especially the dried fig square error value (MSE) was found to be 0.026. This shows that the model performs well.