Nicel araştırma makalesi incelemesi

DOI: 10.31590/ejosat.638434

Türkiye'nin Tarımsal Kredi Performansının K-ortalamalar Kümeleme Algoritması ile Analizi

Tarım sektörü, gıda güvencesi sağlamanın ötesinde sanayiye hammadde tedariki sunan hayati bir ekonomik yapıya sahiptir. Türkiye'nin makroekonomik gelişim sürecinde tarımın gayri safi yurtiçi hasıladaki payı azalış gösterse de sektörün finansal açıdan desteklenmesi üretimde süreklilik ve teknolojik dönüşüm için elzemdir.

Yazar
Zeynep Ceylan & S. Sabuncu
Yayın
Tarih
2019-10-31
01

Makalenin Kapsamı ve Akademik İçeriği

Tarım sektörü, gıda güvencesi sağlamanın ötesinde sanayiye hammadde temin eden ve geniş istihdam olanakları sunan hayati bir ekonomik yapıya sahiptir. Türkiye'nin makroekonomik gelişim sürecinde tarımın gayri safi yurtiçi hasıladaki payı sanayileşme hamleleriyle birlikte azalış gösterse de sektörün finansal açıdan desteklenmesi üretimde süreklilik ve teknolojik dönüşüm için elzemdir. Tarımsal üretim faaliyetlerinin finansman ihtiyacı, büyük ölçüde tarımsal krediler vasıtasıyla karşılanmaktadır. Ancak, ülke genelindeki 81 ilin tarımsal potansiyeli, toprak varlığı ve finansmana erişim kapasitesi büyük ölçüde heterojen bir yapı sergilemektedir. Bu durum, kaynakların etkin tahsisi ve bölgesel tarım politikalarının geliştirilmesi için illerin benzer tarımsal kredi performansları üzerinden sınıflandırılmasını ve bu sınıflandırmaya yol açan dinamiklerin bilimsel yöntemlerle çözümlenmesini gerekli kılmaktadır.

Bu araştırma, Türkiye'nin 81 ilinin 2018 yılı tarımsal kredi kullanım performansını, kişi başına düşen tarımsal üretim değeri, toplam ekili tarım alanı ve toplam kredi hacmi parametreleri doğrultusunda karşılaştırmayı amaçlamaktadır. Çalışmada kullanılan ampirik veriler Türkiye İstatistik Kurumu ve Bankacılık Düzenleme ve Denetleme Kurumu veri tabanlarından derlenmiştir. İller arasındaki karmaşık ilişkileri ve benzerlik örüntülerini ortaya çıkarmak amacıyla veri madenciliğinin hiyerarşik olmayan popüler yöntemlerinden biri olan K-ortalamalar kümeleme algoritması kullanılmıştır. Analiz öncesinde verilerin ölçek farklarından arındırılması amacıyla z-skoru normalizasyon tekniği uygulanmış, optimum küme sayısını belirlemek için ise hiyerarşik yığılmalı analizlerden elde edilen hata kareler toplamı değerleri incelenerek optimum küme sayısı beş olarak tayin edilmiştir.

Gerçekleştirilen K-ortalamalar kümeleme analizi sonuçunda, Türkiye'nin 81 ili belirgin performans farkları gösteren beş farklı kümeye ayrılmıştır. Elde edilen bulgulara göre, birinci küme İstanbul, İzmir ve Ankara gibi metropolleri de kapsayan en kalabalık grubu oluşturmakta ve bu grup kişi başına düşen en düşük ortalama tarımsal üretim değerine sahiptir. Buna karşın, ikinci ve üçüncü kümeler yalnızca birer ilden oluşmaktadır; ikinci kümede yer alan Kırşehir ile üçüncü kümede yer alan Ardahan en yüksek kişi başına düşen tarımsal üretim değeri ve ekili alan ortalamaları ile öne çıkmaktadır. Dördüncü küme 11 ili, beşinci küme ise 20 ili barındırmaktadır. Analizde kullanılan tüm değişkenlerin kümelerin oluşumu üzerindeki etkisinin istatistiksel açıdan son derece anlamlı olduğu ve illerin kredi hacimleri ile üretim değerleri arasında güçlü bir paralellik bulunduğu tespit edilmiştir.

Elde edilen sonuçlar, Türkiye genelinde tarımsal kredi kullanımının ve üretim performansının bölgesel düzeyde ciddi bir eşitsizlik gösterdiğine işaret etmektedir. Bu eşitsizlik, literatürde tarımsal kredilerin üretim ve yatırım yapısının gelişimindeki önemini vurgulayan çalışmalarla doğrudan örtüşmektedir. Kredilerin etkin kullanımının bölgesel tarımsal verimliliği artırdığı yönündeki kuramsal görüşler, Kırşehir ve Ardahan gibi kişi başına üretim ve kredi kullanım yoğunluğu yüksek illerin oluşturduğu tekil kümelerin varlığıyla da ampirik olarak doğrulanmaktadır. Sonuç olarak, çalışmanın bulguları tarımsal kredi tahsis süreçlerinde homojen olmayan il yapıları yerine her bir kümenin yapısal ve coğrafi özelliklerini gözeten, hedef odaklı ve bölgeselleştirilmiş finansman stratejilerinin geliştirilmesi gerektiğini ortaya koyarak literatüre katkı sunmaktadır.

Araştırmanın amacı

Bu çalışmanın amacı, Türkiye'deki 81 ilin 2018 yılına ait kişi başına düşen toplam tarımsal üretim değeri, toplam ekili alan ve kullanılan tarımsal kredi miktarı değişkenlerini dikkate alarak tarımsal kredi performanslarını karşılaştırmak ve illeri K-ortalamalar kümeleme yöntemi ile homojen alt gruplara ayırarak aralarındaki benzerlik ve farklılıkları ortaya koymaktır(Ceylan & Sabuncu, 2019).

İnceleme ve modelleme yöntemi

Çalışmada Nicel-Ampirik (Quantitative-Empirical) araştırma deseni benimsenmiştir. Türkiye'deki 81 ilin tarımsal kredi performansını değerlendirmek amacıyla değişkenler kişi başına düşen değerlere dönüştürülmüş, Z-skoru standardizasyonu uygulanmış ve hiyerarşik olmayan kümeleme yöntemlerinden K-ortalamalar algoritması kullanılmıştır(Ceylan & Sabuncu, 2019).

Kuramsal ve kavramsal çerçeve

Çalışma, tarımsal kalkınma ve tarım finansmanı teorisi üzerine inşa edilmiştir. Tarımsal üretim ve yatırım yapısının geliştirilmesinde finansmanın (kredilerin) sürdürülebilir, rekabetçi ve organize bir sektör yaratmadaki rolü vurgulanmaktadır. Metodolojik olarak ise veri madenciliği çerçevesinde hiyerarşik olmayan K-ortalamalar kümeleme analizine ve değişkenlerin karşılaştırılabilirliğini sağlamak amacıyla z-skoru standardizasyonuna dayanmaktadır.

Makalenin ele aldığı literatür

Çalışmada, tarımsal üretim ile tarımsal kredi kullanımı arasındaki nedensellik ilişkileri (Terin vd., 2014; Chandio vd., 2017), tarımsal kredi kararlarını etkileyen faktörler (Hayran ve Gül, 2018), tarımsal kredi adoptasyonu (e Saqib vd., 2016) ve Türkiye'deki tarımsal kredi performansının çok boyutlu ölçekleme analizi (Adanacıoğlu vd., 2017) gibi tarım ekonomisi literatürü ele alınmaktadır. Metodolojik olarak ise K-ortalamalar küme sayısının belirlenmesi (Pham vd., 2005) ve veri madenciliği uygulamaları (Kamber ve Pei, 2006) incelenmiştir.

Araştırma Tasarımı

Evren veya inceleme alanı
Türkiye'nin 81 ili
Örneklem veya araştırma materyali
81 ilin 2018 yılına ait kişi başına düşen toplam tarımsal üretim değeri, toplam ekili alan ve toplam tarımsal kredi hacmi verileri
Veri toplama süreci
Bankacılık Düzenleme ve Denetleme Kurumu (BDDK) ve Türkiye İstatistik Kurumu (TÜİK) resmi veri tabanlarından ikincil veri toplama yöntemi kullanılmıştır.
Veri analiz yöntemi
Veriler Z-skoru ile standartlaştırılmış, optimum küme sayısını belirlemek için hiyerarşik birleştirici kümeleme ve Hata Kareler Toplamı (SSE) hesaplanmış, SPSS Clementine veri madenciliği yazılımı üzerinde K-ortalamalar algoritması çalıştırılmıştır.
Tarımsal Üretim Değeri (APV)Toplam Ekili Alan (TCL)Tarımsal Kredi Hacmi (TCV)Nüfus (POP)K-ortalamalar Kümeleme AlgoritmasıHata Kareler Toplamı (SSE)

Araştırmanın Bulguları

01

K-ortalamalar algoritmasında k=2, 3, 4, 5 ve 6 değerleri sınanmış ve en düşük Hata Kareler Toplamı (SSE = 0.318) değeri k=5 durumunda elde edilerek optimum küme sayısı 5 olarak belirlenmiştir(Ceylan & Sabuncu, 2019).

02

Elde edilen birinci küme İstanbul, İzmir ve Ankara gibi metropollerin de yer aldığı 48 ili kapsamakta olup, kişi başına düşen ortalama tarımsal üretim değeri ve ekili alan açısından en düşük değerlere sahiptir(Ceylan & Sabuncu, 2019).

03

İkinci küme (Kırşehir) ve üçüncü küme (Ardahan) sadece birer ilden oluşmakta; bu iki il kişi başına düşen ortalama tarımsal üretim değeri ve ekili alan miktarında diğer tüm kümelerden belirgin şekilde yüksek performans göstermektedir(Ceylan & Sabuncu, 2019).

04

Dördüncü küme 11 ili, beşinci küme ise 20 ili içermekte olup, değişken bazında yapılan analizlerde her üç değişkenin de oluşturulan tüm kümeler üzerinde istatistiksel olarak anlamlı bir etkiye sahip olduğu tespit edilmiştir(Ceylan & Sabuncu, 2019).

02

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

K-ortalamalar kümeleme analizi sonuçları, Türkiye'nin 81 ilinin kişi başına düşen tarımsal üretim değeri, toplam ekili alan ve tarımsal kredi hacmi değişkenlerine göre 5 farklı performans kümesine ayrıldığını göstermektedir. İlllerin büyük bir çoğunluğunu (48 il) barındıran birinci küme, kişi başına tarımsal üretim ve alan kullanımında en düşük ortalamalara sahipken; Kırşehir ve Ardahan gibi iller tek başlarına ayrı birer küme oluşturarak yüksek kişi başı performanslarıyla öne çıkmıştır.

Yazarlar bu durumu, illerin nüfus yoğunluğu ile tarımsal arazi ve üretim kapasitesi arasındaki orantısızlığa bağlamaktadır. Metropol illerde yüksek nüfus nedeniyle kişi başına düşen tarımsal değerler düşük kalırken, nüfusu az fakat tarımsal faaliyeti veya ekili alanı görece yüksek illerde kişi başı kredi ve üretim performansı üst seviyelere tırmanmaktadır.

Optimal küme sayısının belirlenmesi aşamasında metodolojik geçerliliği sağlamak için literatürdeki Kijewska ve Bluszcz (2016) yaklaşımından yararlanılmış, deneysel SSE hesaplamalarıyla k=5 değerinin veriyi en iyi temsil eden kümeleşme yapısını sunduğu doğrulanmıştır. Yapılan anlamlılık testleri, seçilen üç ana değişkenin de kümelerin ayrışmasında yüksek düzeyde etkili olduğunu kanıtlamıştır.

Sonuç olarak çalışma, tarımsal kredi tahsislerinin ülke genelinde homojen bir dağılım göstermediğini ve illerin özgün performans profillerinin dikkate alınması gerektiğini ortaya koymaktadır. Tarım politikası yapıcılarının kredi desteği sağlarken illerin sadece toplam üretim hacmini değil, nüfusa oranla ekili alan ve kredi kullanım performanslarını da değerlendirmesi önerilmektedir.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar K-ortalamalar kümeleme analizinde optimum küme sayısının belirlenmesini doğrulamak amacıyla Kijewska ve Bluszcz (2016) tarafından önerilen pratik kural formülünü k yaklaşımı olarak kullanmış ve Hata Kareler Toplamı (SSE) değerlerini bu doğrultuda değerlendirmişlerdir(Ceylan & Sabuncu, 2019).

Sonuç Bölümünün Sunduğu Çıkarımlar

Gelişmekte olan ve gelişmiş ülkelerde tarımsal kredilerin etkin kullanımı, tarımsal kalkınmanın ve sürekli üretimin sağlanmasında temel bir araçtır. Bu çalışmada 2018 yılı verileriyle Türkiye'nin 81 ili kişi başına tarımsal üretim değeri, ekili alan ve kredi hacmine göre 5 homojen kümeye ayrılmış; iller arasında tarımsal kredi performansı açısından belirgin bölgesel ve yapısal farklılıklar bulunduğu gösterilmiştir(Ceylan & Sabuncu, 2019).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, tarım ekonomisi ile makine öğrenmesi tekniklerini bir araya getirerek Türkiye genelinde il düzeyinde tarımsal kredi kullanım performansını ampirik bir çerçevede sınıflandıran keşifsel bir araştırma işlevi görür. Alan yazında genellikle tarımsal kredi kullanımı ile üretim ilişkileri zaman serisi veya regresyon modelleriyle incelenirken, bu araştırma k-ortalamalar kümeleme algoritmasını kullanarak 81 ili kişi başına düşen üretim değeri, ekili alan ve kredi hacmi değişkenleri üzerinden gruplandırmaktadır. Böylece, il düzeyindeki performans yapılarını ve bölgesel homojenlik/heterojenlik kalıplarını ortaya koyan veriye dayalı bir tipoloji sunar.

Çalışma, tarımsal finansmanın sürdürülebilir üretim ve teknoloji kullanımı üzerindeki kritik rolünü vurgulayan önceki literatüre (Terin vd., 2014; Adanacıoğlu vd., 2017; Chandio vd., 2017) dayanmaktadır. Bununla birlikte, geleneksel istatistiksel analizlerin ötesine geçerek veri madenciliği yaklaşımlarını bölgesel performans değerlendirmesine entegre eder. Metodolojik açıdan optimum küme sayısının belirlenmesinde ve veri normalize etme süreçlerinde Kijewska ve Bluszcz (2016) ile Herbin vd. (2001) tarafından geliştirilen deneysel adımları takip ederek literatürdeki kümeleme uygulamalarını tarım finansmanı alanına aktarır.

Literatür taraması açısından çalışma, tarımsal kredi dağılımının Türkiye'de iller bazında homojen olmadığını, nüfus ve coğrafi yapı gibi değişkenlerin kişi başı kredi performansını önemli ölçüde değiştirdiğini kanıtlayan ampirik kanıtlar sağlar. Tarımsal kredi desteği planlamasında sadece toplam üretim hacimlerinin değil, nüfusa oranlanmış kişi başı performans göstergelerinin de dikkate alınması gerektiğini göstererek tarım politikası literatürüne somut bir metodolojik ve kavramsal katkı sunar.

Kaynakça

  1. Kijewska, A., & Bluszcz, A. (2016). Research of varying levels of greenhouse gas emissions in European countries using the k-means method. Atmospheric Pollution Research, 7(5), 935-944.
03

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

01

Tez veya makalede kullanım · introduction

Tarımsal üretimin sürdürülebilirliği ve teknoloji kullanımı açısından tarımsal finansman desteği kritik bir öneme sahiptir.

Giriş bölümünde tarım sektörünün finansman ihtiyacını ve kredilerin üretkenlik üzerindeki etkisini gerekçelendirmek için bu kanıt kullanılabilir(Ceylan & Sabuncu, 2019).

Tarımsal Kredi Performansının Zaman İçindeki Değişimi: Panel K-Ortalamalar Analizi

Araştırma sorusu
Türkiye'deki illerin tarımsal kredi kullanım performans kümeleri 2018-2023 yılları arasında nasıl bir değişim göstermiştir?
Yöntem taslağı
2018-2023 dönemine ait BDDK ve TÜİK verileri toplanarak boylamsal panel kümeleme yöntemiyle analiz edilecek; illerin kümeler arası geçiş matrisleri hesaplanacaktır. Örneklem büyüklüğü Türkiye'deki 81 ilin tamamıdır.

Makaleyle bağlantısı: Makalede yalnız 2018 yılı kesit verisiyle yapılan K-ortalamalar analizi, zaman boyutundaki değişimlerin ve kırılmaların izlenmesine imkân tanımamaktadır(Ceylan & Sabuncu, 2019).

02

Tez veya makalede kullanım · literatüre-review

Tarımsal krediler, çiftçilerin yeni teknolojilere erişimini sağlayarak üretim ve gelir artışına imkân tanımaktadır.

Literatür taramasında tarımsal finansmanın modernizasyon ve ekonomik fırsatlar oluşturma yeteneğini açıklamak için cited kaynaklı bu iddia eklenebilir(Ceylan & Sabuncu, 2019).

İklim Riskleri ve Sulama İmkânlarının Tarımsal Kredi Performans Kümelerine Etkisi

Araştırma sorusu
Tarımsal kredi performans kümelerinin oluşumunda iklim verileri ve sulanabilir arazi oranının açıklayıcı gücü nedir?
Yöntem taslağı
81 il için tarımsal kredi, üretim değeri ve ekili alan değişkenlerine ek olarak kuraklık indeksi ve sulama altyapı oranları eklenip Çok Değişkenli Kümeleme ve Lojistik Regresyon modelleri uygulanacaktır. Örneklem 81 ildir.

Makaleyle bağlantısı: Makalede yalnız üç temel tarımsal girdi/çıktı değişkeni kullanılmış olup, üretim performansını etkileyen iklimsel ve fiziki altyapı etmenleri modele dahil edilmemiştir(Ceylan & Sabuncu, 2019).

03

Tez veya makalede kullanım · method

K-ortalamalar kümeleme analizinde optimum küme sayısı önsel hesaplamalar ve hata kareler toplamı (SSE) minimizasyonu ile belirlenir.

Yöntem bölümünde kümeleme algoritmalarının deneysel kurulumu ve SSE bazlı hiperparametre seçimi açıklanırken metodolojik kaynak olarak gösterilebilir(Ceylan & Sabuncu, 2019).

Farklı Kümeleme Algoritmalarının Tarımsal Sınıflandırma Başarısının Karşılaştırılması

Araştırma sorusu
Hiyerarşik, DBSCAN ve K-ortalamalar algoritmaları Türkiye'nin tarımsal kredi verilerinde hangisi daha yüksek küme içi homojenlik sağlar?
Yöntem taslağı
BDDK ve TÜİK verileri üzerinde K-ortalamalar, Bulanık C-Ortalamalar ve DBSCAN algoritmaları koşturulup Silhouette ve Davies-Bouldin indeksleri üzerinden performans karşılaştırması yapılacaktır. Veri seti 81 ili içerir.

Makaleyle bağlantısı: Makalede k-ortalamalar yöntemi tek başına kullanılmış ve algoritmanın aykırı değerlere hassasiyeti nedeniyle Kırşehir ve Ardahan tek elamanlı kümeler oluşturmuştur(Ceylan & Sabuncu, 2019).