İstatistiksel ve Derin Öğrenme Yöntemlerini Kullanarak Tarımsal Girdi Fiyat Endeksi'nin Tahmin Edilmesi
DOI:
https://doi.org/10.24925/turjaf.v11i9.1751-1755.6359Anahtar Kelimeler:
Tarım girdi fiyat endeksi tahmini- ARIMA- Uzun Kısa Süreli Bellek (LSTM)- SARIMA- Evrişimsel Sinir Ağı (CNN)Özet
Tarımsal Girdi Fiyat Endeksi, mevcut tarımsal üretimde kullanılan ürün ve hizmetlerin fiyatlarındaki değişimlerin ve geleceğe yönelik yatırımların takibi amacıyla Türkiye İstatistik Kurumu (TÜİK) tarafından her ay hesaplanıp yayınlanmaktadır. İndeksin tahmini tarım üreticilerinin yatırım kararlarında ve ürün tercihlerinde zamanında karar almalarına imkan sağlayacak, yurt içi ve uluslararası pazarda rekabet güçlerini arttıracaktır. Bu çalışmada Tarımsal Girdi Fiyat Endeksi'ndeki değişimleri tahmin etmek amacıyla istatistiksel (ARIMA, SARIMA) ve derin öğrenme modelleri (CNN, LSTM) kullanılmıştır. CNN ve LSTM modellerinin hem doğrusal hem de doğrusal olmayan veri özelliklerini yakaladığı bilinmektedir. Tahmin sonuçları, Ortalama Karekök Hata (RMSE) ve Ortalama Karesel Hata (MSE) metrikleri ile değerlendirilmiştir. Çalışma sonuçlarına göre ARIMA (RMSE: 0.16409, MSE: 0.0269247) ve CNN (RMSE: 0.16994, MSE: 0.288791) modelleri en iyi sonuçları elde etmiş olup, bunları LSTM modeli takip etmektedir.
Referanslar
Altug S, Filiztekin A, Pamuk Ş. 2008. Sources of longterm economic growth for Turkey, 1880–2005. European Review of Economic History, 12(3), 393-430.
Arslan B, Ertuğrul İ. 2022. Çoklu regresyon, ARIMA ve yapay sinir ağı yöntemleri ile Türkiye elektrik piyasasında fiyat tahmin ve analizi. Journal of Management and Economics Research, 20 (1), 331-353. doi:10.11611/yead.988146
ArunKumar KE, Kalaga DV, Kumar CMS, Kawaji M, Brenza TM. 2022. Comparative analysis of Gated Recurrent Units (GRU), long Short-Term memory (LSTM) cells, autoregressive Integrated moving average (ARIMA), seasonal autoregressive Integrated moving average (SARIMA) for forecasting COVID-19 trends. Alexandria engineering journal, 61(10), 7585-7603.
Coble KH, Mishra AK, Ferrell S, Griffin T. 2018. Big data in agriculture: A challenge for the future. Applied Economic Perspectives and Policy, 40(1), 79-96.
Deb C, Zhang F, Yang J, Lee SE, Shah KW. 2017. A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902-924.
Fan M, Shen J, Yuan L, Jiang R, Chen X, Davies WJ, Zhang F. 2012. Improving crop productivity and resource use efficiency to ensure food security and environmental quality in China. Journal of experimental botany, 63(1), 13-24.
Ghimire D, Kil D, Kim S. 2022. A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration. Electronics.11(6):945. doi:10.3390/electronics11060945
Işik S, Özbuğday FC. 2021. The impact of agricultural input costs on food prices in Turkey: A case study. Agricultural Economics, 67(3), 101-110.
Kayişoğlu Ç, Türksoy S. 2023. Tarımda Sürdürülebilirlik ve Gıda Güvenliği. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 37(1), 289-303. doi:10.20479/bursauludagziraat.1142135
Konyali S. 2017. Sunflower production and agricultural policies in Turkey. Sosyal Bilimler Araştırma Dergisi, 6(4), 11-19.
Lin J, Ma J, Zhu J, Cui Y. 2022. Short-term load forecasting based on LSTM networkds considering attention mechanism. International Journal of Electrical Power and Energy Systems. 137, 107818. doi:10.1016/j.ijepes.2021.107818
Lunduka R, Ricker‐Gilbert J, Fisher M. 2013. What are the farm‐level impacts of Malawi's farm input subsidy program? A critical review. Agricultural Economics, 44(6), 563-579.
m_Sektor_Raporu_130723.pdf [Erişim: 16 Ağustos 2023]
Montgomery DC, Jennings CL, Kulahci M. 2015. Introduction to time series analysis and forecasting. John Wiley & Sons press. ISBN: 978-1-118-74511-3
Perone G. 2022. Using the SARIMA model to forecast the fourth global wave of cumulative deaths from COVID-19:Evidence from 12 Hard-Hit big countries. Econometrics.10(2):18. doi: 10.3390/econometrics10020018
Puchalsky W, Ribeiro GT, Veiga CP, Freire RZ, Santos-Coelho L. 2018. Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal of Production Economics, 203, 174-189.s
Saridakis G, Georgellis Y, Torres RIM, Mohammed AM, Blackburn R. 2021. From subsistence farming to agribusiness and nonfarm entrepreneurship: Does it improve economic conditions and well-being? Journal of Business Research, 136, 567-579
Sheahan M, Barrett CB. 2017. Ten striking facts about agricultural input use in Sub-Saharan Africa. Food Policy, 67, 12-25.
Soylu AC. 2022. Sürdürülebilir Kalkınma ve Gıda Güvenliği İlişkisi. Paradigma: İktisadi ve İdari Araştırmalar Dergisi, 11(2), 100-111.
TBB. 2023. Türkiye Bankalar Birliği: Tarım Sektörü Raporu. 2023, İstanbul. https://www.tbb.org.tr/Content/Upload/ Dokuman/8960/Tari
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
