Forecasting Soybean Production in Turkey: A Comparative Analysis of Automated and Traditional Methods

README dosyasnn Trke srmdr.
ngilizce srm iin buraya tklayn.

Bu almaya ilikin makalenin tamamna aadaki balantdan eriebilirsiniz: https://dergipark.org.tr/en/pub/iutbd/issue/85235/1494324

Eer aratrmanzda bu almay kullanrsanz, ltfen aadaki ekilde atfta bulununuz:

Duman, H. (2024). Forecasting Soybean Production in Turkey: A Comparative Analysis of Automated and Traditional Methods. Agro Science Journal of Igdir University, 2(1), 90-102.

zet

Trkiye'nin iklim ve topra, eitli endstriler ve insan-hayvan beslenmesi iin hayati nem tayan yal tohum bitkilerinin yetitirilmesi iin olduka uygun koullara sahiptir. Yal tohumlar arasnda baklagil ailesine mensup soya fasulyesi, kendine zg bir besin profiline sahiptir. Mevcut aratrmalar Trkiye'deki soya fasulyesi retimini kapsasa da, bu alma: a) en doru modeli belirlemek iin farkl tahmin algoritmalar kullanarak retim seviyelerini deerlendirmeyi ve b) seilen modele dayanarak gelecekteki retimi tahmin etmeyi ve Trkiye'deki soya fasulyesi endstrisinin mevcut ve gelecekteki giriimcilik potansiyelini deerlendirmeyi amalamaktadr.

TUK'den elde edilen 1990-2022 yllar arasndaki soya fasulyesi retimi verileri, apraz dorulama iin eitim (n=25) ve test (n=8) kmelerine ayrlmtr. Eitim veri kmesine ARIMA, SES, NNAR, MN ve Naive gibi tek deikenli zaman serisi yntemleri uygulanarak, ARIMA (1,1,1)'in test kmesi RMSE deerlerine gre en iyi performans gsterdii bulunmutur. Performans sralamas (RMSE'ye gre) yledir: ARIMA (13019) < SES (13888) < Naive (14240) < NNAR (58393) < MN (80418). Bu veri kmesi iin otomatik srelerin performans, manuel yntemlere gre nispeten daha kt olmutur, bu da yalnzca otomatik yntemlere gvenmenin suboptimal tahmin sonularna yol aabileceini gstermektedir. Bu bulgular, zaman serisi tahmini iin otomatik algoritmalarn kullanmnda insan gzetimi nemini vurgulamakta ve otomatik yntemler kullanlrken dikkatli olunmas gerektiini gstermektedir.

ARIMA (1,1,1) modeli, 2023-2032 yllar arasnda retimde dz bir eilim tahmin etmekte olup, balang retim hacmi 154.516 ton ve hafif bir dle 153.607 tona geriledii grlmtr. Bu tahmin edilen durgunluk, ekonomik ve nfus bymesi balamnda soya fasulyesi retiminin yerli talebinin daha da gersinde kalacan ve ithalata olan bamlln artacan gstermektedir. Bu bulgular, kaynak tahsisi, rn planlamas ve pazar stratejileri ile ilgili bilinli kararlar almalarna yardmc olabileceinden, iftiler ve politika yapclar iin ciddi nem tamaktadr. Yerel reticiler, hem yerel hem de ihracat pazarlarna hitap ederek retim verimliliini artrarak, rekabet gcn ykselterek ve potansiyel gelir art salayarak fayda salayabilirler. Ayrca, bu ticaret dinamiklerinin anlalmas, paydalarn Trk soya fasulyesi endstrisi iinde ibirlii veya yatrm iin potansiyel alanlar belirlemelerine yardmc olabilir. Trkiye'deki soya fasulyesi retimi eilimlerini etkileyen faktrler hakknda daha derinlemesine bilgi edinmek iin bu sonularn daha fazla analizi gerekmektedir.

Keywords: Soya retimi, Turkiye, Zaman Serisi Tahmini, ARIMA, NNAR, Auto-ARIMA

R Paketleri

Bu almada, R Core Team tarafndan gelitirilen R istatistik ortam, srm 4.2.2'yi (2022) kullanlmtr. Veri maniplasyonu ve temizlii iin Wickham ve ark. tarafndan oluturulan tidyverse meta paketi, srm 2.0.0 (2019), zaman serisi veri uzants iin Wang, Cook ve Hyndman tarafndan gelitirilen tsibble paketi (srm 1.1.3) (2020), tahmin modelleri oluturmak iin O'Hara-Wild, Hyndman ve Wang tarafndan oluturulan fable paketi (srm 0.3.3) (2023a), zellik karma ve istatistiksel analiz iin O'Hara-Wild, Hyndman ve Wang tarafndan gelitirilen feasts paketi (srm 0.3.1) (2023b), dnya haritalar oluturmak iin Massicotte ve South tarafndan gelitirilen rnaturalearth srm 0.3.4 (2023), South tarafndan gelitirilen rnaturalearthdata srm 0.1.0 (2017), sf paketi srm 1.0.14 ve sp paketi srm 2.1.2 (2005) (Bivand, Pebesma ve Gomez-Rubio, 2013; Pebesma 2018) tercih edilmitir.

Teekkrler

Bu analiz, kitaplar, paket klavuzlar, vignettes ve GitHub depolar gibi eitli kaynaklardan uyarlanan ve deitirilen kodlardan yaralanmtr. Kaynaklar aadaki gibi atf yaplmaktadr:

• Veri hazrlama, maniplasyon, temizleme ve grselletirme: Wickham et al. (2019), Wang, Cook, and Hyndman (2020), Wang and contibutors (2024),
• Harita grselletirme: Massicotte and South (2023), South (2017), Pebesma and Bivand (2005), Bivand, Pebesma, and Gomez-Rubio (2013), Pebesma and contibutors (2024)
• Tahmin modelleri oluturma: OHara-Wild, Hyndman (2021), OHara-Wild, Hyndman, and Wang (2023a), OHara-Wild, Hyndman, and Wang (2023b), OHara-Wild and contibutors (2024)

Kod Kaynaklar

Bivand, Roger S., Edzer J Pebesma, and Virgilio Gomez-Rubio. 2013. Applied Spatial Data Analysis with R, Second Edition. Springer, NY. https://asdar-book.org/.

Hyndman, R J. 2021. Forecasting: Principles and Practice. 3rd ed. Melbourne, Australia: OTexts.

Massicotte, Philippe, and Andy South. 2023. Rnaturalearth: World Map Data from Natural Earth. https://CRAN.R-project.org/package=rnaturalearth.

OHara-Wild, Mitchell, and contibutors. 2024. Tidyverts/Fable. 2024. https://github.com/tidyverts/fable.

OHara-Wild, Mitchell, Rob Hyndman, and Earo Wang. 2023a. Fable: Forecasting Models for Tidy Time Series. https://CRAN.R-project.org/package=fable.

. 2023b. Feasts: Feature Extraction and Statistics for Time Series. https://CRAN.R-project.org/package=feasts.

Pebesma, Edzer J. 2018. Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal 10 (1): 43946. https://doi.org/10.32614/RJ-2018-009.

Pebesma, Edzer J, and Roger Bivand. 2005. Classes and Methods for Spatial Data in R. R News 5 (2): 913. https://CRAN.R-project.org/doc/Rnews/.

Pebesma, Edzer J, and contibutors. 2024. Simple Features for R. 2024. https://r-spatial.github.io/sf/.

R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

South, Andy. 2017. Rnaturalearthdata: World Vector Map Data from Natural Earth Used in Rnaturalearth. https://CRAN.R-project.org/package=rnaturalearthdata.

Wang, Earo, and contibutors. 2024. Tidyverts/Tsibble. 2024. https://github.com/tidyverts/tsibble.

Wang, Earo, Dianne Cook, and Rob J Hyndman. 2020. A New Tidy Data Structure to Support Exploration and Modeling of Temporal Data. Journal of Computational and Graphical Statistics 29 (3): 46678. https://doi.org/10.1080/10618600.2019.1695624.

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy DAgostino McGowan, Romain Franois, Garrett Grolemund, et al. 2019. Welcome to the tidyverse. Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.