Journals / Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 13 Sayı: 2

A Mathematical Model Proposal for Agricultural Planning on Pulses Production in Turkey

Türkiye’de Bakliyat Üretimi Üzerine Tarımsal Planlama İçin Bir Matematiksel Model Önerisi

Osman Yıldız(T.C. Tarım ve Orman Bakanlığı)0000-0002-8933-7990
Çağrı Sel(KARABÜK ÜNİVERSİTESİ)0000-0002-8657-2303
Pages
1155–1164
Publication Date
2023-06-01
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Our decision support model is useful in planning agricultural activities and national policies regulating the activities for the coming years.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Production planning increases productivity with the economical use of production resources.
📊
Key Findings & Data:Productivity and economic analysis are carried out nationally by the production and cost data for 2019 of Dry Beans, Chickpeas, and Lentils.
💡
Conclusion & Impact:Our decision support model is useful in planning agricultural activities and national policies regulating the activities for the coming years.
🔬Design:Modeling & Simulation
📍Scope:2019 Verileri
⚙️Variables:Tarımsal üretim planlama · doğrusal programlama · verimlilik ve iktisadilik

Abstract

Production planning increases productivity with the economical use of production resources. Production quantities of agricultural products are subject to the plantation area, and agricultural planning can foresee production efficiency. Our problem is rationally making the annual agricultural production plan that is economically profitable and meets the national need at the highest level. Our study introduces a linear programming model for agricultural planning on pulses production in Turkey. Productivity and economic analysis are carried out nationally by the production and cost data for 2019 of Dry Beans, Chickpeas, and Lentils. The agricultural lands allocated for pulses production should increase by 6.14% to meet the country's needs at a 100% adequacy level with an economy rate of 1.24. Our decision support model is useful in planning agricultural activities and national policies regulating the activities for the coming years.

Özet

Üretim planlaması, üretim kaynaklarının ekonomik kullanımı ile verimliliği artırır. Tarımsal ürünlerin üretim miktarları ekim alanlarına göre belirlenmekte ve tarımsal planlama ile üretim verimliliği öngörülebilmektedir. Buradaki problem ekonomik olarak karlı ve ülke ihtiyacını en yüksek düzeyde karşılayan yıllık tarımsal üretim planını rasyonel olarak yapmaktır. Bu çalışmada, Türkiye’de bakliyat üretimi üzerine bir tarımsal planlama yapmak amacıyla doğrusal programlama modeli geliştirilmiştir. Model ile Kuru fasulye, Nohut, Mercimek ürünlerinin 2019 yılına ait üretim ve maliyet verileri kullanılarak ulusal ölçekte verimlilik ve iktisadilik analizleri gerçekleştirilmiştir. Analizler neticesinde, bakliyat üretimi için ayrılan tarım alanlarının %6.14 artırılarak ile 1.24 oranında bir iktisadilik ile ülke ihtiyaçlarının %100 yeterlilik düzeyinde karşılanacağı sonucuna varılmıştır. Önümüzdeki yıllarda gerçekleştirilecek tarımsal faaliyetlerin ve bu faaliyetleri düzenleyen ulusal politikaların planlanmasında ortaya koyulan bu karar destek modelinden istifade edilebilecektir.

🔖

Cite This Article

Yıldız, O., Sel, Ç. (2023). A Mathematical Model Proposal for Agricultural Planning on Pulses Production in Turkey. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 13 Sayı: 2, 1155–1164. https://doi.org/10.21597/jist.1148981

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (24)

  1. Aydın Eryılmaz G, Kılıç O, 2018. İyi tarım uygulamalarına geçen işletmelerin gelirlerindeki değişimin ve iyi tarım desteğinin yeterlilik düzeyinin belirlenmesi. Mediterranean Agricultural Sciences. 31(2): 123–127.
  2. Ballı MF, Sel Ç, 2023. Sustainability analysis of the use of natural gas in the iron and steel industry. Environmental Science and Pollution Research. 30(2): 4531–4554.
  3. Bournaris T, Papathanasiou J, Manos B, Kazakis N, Voudouris K, 2015. Support of irrigation water use and eco-friendly decision process in agricultural production planning. Operational Research. 15(2): 289–306.
  4. Cardín-Pedrosa M, Alvarez-López CJ, 2012. Reprint of: Model for decision-making in agricultural production planning. Computers and Electronics in Agriculture. 86: 131–139.
  5. Cid-Garcia, NM, Bravo-Lozano AG, Rios-Solis YA, 2014. A crop planning and real-time irrigation method based on site-specific management zones and linear programming. Computers and Electronics in Agriculture. 107: 20–28.
  6. Çiçek G, Sümer SK, 2016. Çeltik üretiminde alana bağlı olarak makine sayısındaki değişimin doğrusal denklemler yardımı ile incelenmesi. Anadolu Tarım Bilimleri Dergisi. 31: 233–233.
  7. Ermoliev Y, Zagorodny AG, Bogdanov VL, Ermolieva T, Havlik P, Rovenskaya E, Komendantova N, Obersteiner M, 2022. Linking Distributed Optimization Models for Food, Water, and Energy Security Nexus Management. Sustainability. 14(3): 1255.
  8. Ghazali AF, Suhaimi A, 2023. An Analysis of Clustering the Decision Support Systems in Logistics for Supply Chain Management. International Journal of Advanced Science and Computer Applications. 2(1): 31-40.
  9. Güngör C, 2018. İmamoğlu–Kırmıt (Çukurova) Ovası Sulama Projesi Alanına Giren Tarım İşletmelerinde Optimum Ürün Bileşiminin Doğrusal Programlama Yöntemiyle Planlanması. Çukurova Tarım ve Gıda Bilimleri Dergisi. 33(1): 103-110.
  10. Haneveld WKK, Stegeman AW, 2005. Crop succession requirements in agricultural production planning. European Journal of Operational Research. 166(2): 406–429.
  11. Imasiku K, Thomas VM, 2020. The mining and technology industries as catalysts for sustainable energy development. Sustainability. 12(24):10410.
  12. Janová J, 2014. Crop plan optimization under risk on a farm level in the Czech Republic. Agricultural Economics (Czech Republic). 60(3): 123–132.
  13. Kara A, Kızıloğlu S, 2014. Meraya dayalı hayvancılık yapan işletmelerde optimum ürün bileşiminin belirlenmesi: Erzurum ili örneği. Atatürk Üniversitesi Ziraat Fakültesi Dergisi. 44(1): 63-73.
  14. Kara H, Eroğlu A, 2018. Tam sayılı doğrusal programlama metodu ile entansif hayvancılık işletmesinin kapasite planlaması: Konya (Ereğli) örneği. Çukurova Tarım ve Gıda Bilimleri Dergisi. 33(2): 31-46.
  15. Mishra B, Nishad AK, Singh SR, 2014. Fuzzy multi-fractional programming for land use planning in agricultural production system. Fuzzy Information and Engineering. 6(2): 245-262.
  16. Oruç KO, Gülışık MN, 2013. Bulanık doğrusal programlama yaklaşımı ile üretim planlaması. The Journal of Operation Research, Statistics, Econometrics and Management Information Systems. 1(1): 33-45.
  17. Özer OO, Özçelik A, 2010. Pamuk ürününün en uygun satış zamanının oyun teorisi yöntemiyle saptanması. Tarım Bilimleri Dergisi. 16: 262-270.
  18. Rajakal JP, Tan RR, Andiappan V, Wan YK, 2021. A Hybrid Optimisation Model for Land Allocation and Storage Sizing in Agro-Food System. Process Integration and Optimization for Sustainability. 5(4):729-743.
  19. Torğul B, Demiralay E, Paksoy T, 2021. Tarım-Gıda Tedarik Zincirinde Ağ Tasarımı ve Optimizasyonu: Bir Meyve Suyu İşletmesi Örneği. Journal of Transportation and Logistics. 6(1): 49-70.
  20. TÜİK, 2019. Türkiye İstatistik Kurumu, İstatistik Veri Portalı. https://data.tuik.gov.tr/
  21. Türker M, 2021. Uluırmak Sulama Havzasında Sulanan Alanların Genişletilmesi İmkanları ve Suya Göre Üretim Planlaması Üzerine Bir Çalışma. Toprak Su Dergisi, 10(2): 17-25.
  22. Uysal O, Cinemre HA, 2013. A research on determination of the optimal production plans in the district of Dikbiyik in Samsun Province. Anadolu Tarım Bilimleri Dergisi. 28(1): 1-9.
  23. Zhang F, Engel BA, Zhang C, Guo S, Guo P, Wang S, 2019. Agricultural production planning approach based on interval fuzzy credibility-constrained bi-level programming and Nerlove supply response theory. Journal of Cleaner Production. 233: 1158–1169.
  24. Zhang F, Engel BA, Zhang C, Guo S, Guo P, Wang S, 2019. Agricultural production planning approach based on interval fuzzy credibility-constrained bi-level programming and Nerlove supply response theory. Journal of Cleaner Production. 233: 1158–1169.