KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Ekonomi İşletme ve Politika Dergisi / 2026 / Cilt: 10 Sayı: 1

Seçili Temel Tarım Ürünleri Fiyatlarının Belirleyicileri: Türkiye Üzerine Bir Uygulama

Determinants of Prices of Selected Basic Agricultural Products: An Application on Türkiye

Yusuf Çolak(ARTVİN ÇORUH ÜNİVERSİTESİ, ARTVİN MESLEK YÜKSEKOKULU)0000-0001-8004-6233
Ali Rıza Sandalcılar(RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ)0000-0002-9185-6968
Sayfa
333–360
Yayın Tarihi
2026-04-10
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, özellikle ithalata bağımlı ürünlerde döviz kuru dalgalanmalarının fiyatlar üzerinde güçlü ve pozitif bir etkiye sahip olduğunu ortaya koyarken, diğer değişkenlerin etkilerinin görece sınırlı kaldığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Türkiye’de kırmızı karkas et, çiğ süt ve ekmeklik buğday gibi temel tarım ürünlerinin fiyat oluşumlarının tahmin edilmesini ve fiyatlara etki eden değişkenlerin belirlenmesini amaçlamaktadır.
📊
Temel Bulgular & Veri:Araştırmada kullanılan veri seti, Ocak 2010-Aralık 2017 dönemine ait aylık gözlemlerden oluşmakta ve 2018 yılına ilişkin fiyat tahminleri yapılmıştır.
💡
Sonuç & Katkı:Bulgular, özellikle ithalata bağımlı ürünlerde döviz kuru dalgalanmalarının fiyatlar üzerinde güçlü ve pozitif bir etkiye sahip olduğunu ortaya koyarken, diğer değişkenlerin etkilerinin görece sınırlı kaldığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010 Verileri
⚙️Değişkenler:ARIMA · Makine öğrenmesi · Tarımsal Ürün Fiyatları

Özet

Bu çalışma, Türkiye’de kırmızı karkas et, çiğ süt ve ekmeklik buğday gibi temel tarım ürünlerinin fiyat oluşumlarının tahmin edilmesini ve fiyatlara etki eden değişkenlerin belirlenmesini amaçlamaktadır. Araştırmada kullanılan veri seti, Ocak 2010-Aralık 2017 dönemine ait aylık gözlemlerden oluşmakta ve 2018 yılına ilişkin fiyat tahminleri yapılmıştır. Çalışmada bağımsız değişkenler olarak döviz kurları, elektrik kW saat fiyatı, mevduat faiz oranı, motorin fiyatı, iş gücü maliyetleri ve yağış miktarı gibi ekonomik ve çevresel faktörler kullanılmıştır. Zaman serisi temelli ARIMA modeli ile makine öğrenmesi algoritmaları (XGBoost, Rassal Orman) tahmin sonuçları karşılaştırılmış; sonuçlar, makine öğrenmesi yöntemlerinin ARIMA’ya kıyasla daha yüksek tahmin gücü sunduğunu göstermiştir. Bulgular, özellikle ithalata bağımlı ürünlerde döviz kuru dalgalanmalarının fiyatlar üzerinde güçlü ve pozitif bir etkiye sahip olduğunu ortaya koyarken, diğer değişkenlerin etkilerinin görece sınırlı kaldığını göstermektedir. Sonuç olarak, tarımsal ürün fiyatlarının öngörülmesinde döviz kuru kritik bir belirleyici olarak öne çıkmakta ve fiyat istikrarı ile gıda güvenliği politikalarının oluşturulmasında öncelikli olarak dikkate alınması gereken bir unsur olarak değerlendirilmektedir.

Abstract

This study aims to predict the price formations of basic agricultural products such as red carcass meat, raw milk, and bread wheat in Turkey and to identify the variables that affect these prices. The dataset used in the study consists of monthly observations from January 2010 to December 2017, and price forecasts were made for 2018. Economic and environmental factors such as exchange rate, electricity price, deposit interest rate, diesel price, labor costs, and rainfall were used as independent variables in the study. A time-series-based ARIMA model was compared with machine learning algorithms (XGBoost and Random Forest), and the results showed that machine learning methods offer higher predictive power compared to ARIMA. The findings reveal that exchange rate fluctuations have a strong and positive impact on prices, particularly for import-dependent products, while the effects of other variables are relatively limited. Consequently, the exchange rate stands out as a critical determinant in predicting agricultural product prices and is considered a priority factor in establishing price stability and food security policies.

🔖

Bu Makaleye Atıf Yap

Çolak, Y., Sandalcılar, A. R. (2026). Seçili Temel Tarım Ürünleri Fiyatlarının Belirleyicileri: Türkiye Üzerine Bir Uygulama. Uluslararası Ekonomi İşletme ve Politika Dergisi, Cilt: 10 Sayı: 1, 333–360. https://doi.org/10.29216/ueip.1686663

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (69)

  1. Akçay, A., & Kıran, F. (2018). Döviz kuru ve tarım ürünleri fiyatları arasındaki ilişki: Türkiye örneği. Tarım Ekonomisi Dergisi, 24(2), 45–60.
  2. Akgündüz, Y. E. & Cilasun, S. M. (2021). Macroeconomic Shocks and Structural Fragilities in Emerging Economies: The Case of Turkey. Economic Modelling, 102,
  3. Anderson, K., & Nelgen, S. (2012). Trade barrier volatility and agricultural price stabilization. World Development, 40(1), 36–48.
  4. Armstrong, J. S., & Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, 8(1), 69–80.
  5. Babii, A., Ball, R. T., Ghysels, E., & Striaukas, J. (2023). Machine learning panel data regressions with heavy-tailed dependent data: Theory and application. Journal of Econometrics, 237(2), 105315.
  6. Baek, J., Koo, W., & Kim, S. (2017). Exchange rate volatility and agricultural commodity prices: Evidence from emerging markets. Journal of Agricultural Economics, 68(3), 587–602.
  7. Bayramoğlu, A., & Yurtkur, A. K. (2015). Türkiye’de gıda ve tarımsal ürün fiyatlarını uluslararası belirleyicileri. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 15(2), 63–73.
  8. Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798–1828.
  9. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281–305.
  10. Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25(2), 197–227.
  11. Bishop, C. M. (2006). Pattern recognition and machine learning. New York: Springer.
  12. Box, G., & Jenkins, G. M. (1976). Analysis: Forecasting and control. San Francisco. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
  13. Campa, J. M., & Goldberg, L. S. (2005). Exchange rate pass-through into import prices. Review of Economics and Statistics, 87(4), 679–690.
  14. Cemek, B., Tasan, S., Canturk, A., Tasan, M., & Simsek, H. (2023). Machine learning techniques in estimation of eggplant crop evapotranspiration. Applied Water Science, 13(6), 136.
  15. Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250.
  16. Chen, J., Lim, K. H., Ting, C. H., & Ong, S. P. (2021). Application of LSTM neural networks in agricultural price forecasting: Evidence from Malaysia. Journal of Agricultural Informatics, 12(1), 55–68. https://doi.org/10.17700/jai.2021.12.1.600
  17. Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794).
  18. CSIS (Center for Strategic and International Studies). (2019, January 15). Turkey’s economic turbulence: Causes and implications. Washington, DC.
  19. Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783–2792.
  20. Çıplak, U., & Yücel, M. E. (2004). Tarım ve gıda fiyatları enflasyonunun döviz kuru ve tüketici enflasyonu ile ilişkisi. Türkiye Cumhuriyet Merkez Bankası, Araştırma Departmanı, Çalışma Tebliği, 2004(09), 1–27.
  21. Deaton, A., & Laroque, G. (1992). On the behaviour of commodity prices. Review of Economic Studies, 59(1), 1–23.
  22. Demir, A. (2021). Makine öğrenmesi destekli mobil uygulamalar ile kırsal pazarlama sistemleri: Tahmin destekli fiyatlandırma modelleri üzerine bir inceleme. Uluslararası Tarım ve Kırsal Kalkınma Dergisi, 13(2), 145–162.
  23. Dietterich, T. G. (1995). Overfitting and undercomputing in machine learning. ACM Computing Surveys, 27(3), 326–327.
  24. Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78–87.
  25. Erdal, G. (2006). Tarımsal ürünlerde üretim–fiyat ilişkisinin koyck yaklaşımı ile analizi (domates örneği). Journal of Agricultural Faculty of Gaziosmanpaşa University (JAFAG), 2006(2), 21–28.
  26. Erdem, C., & Gündoğdu, H. (2022). Machine learning approaches in agricultural price forecasting: Evidence from Turkey. Computers and Electronics in Agriculture, 201.
  27. Farzana, S., & Prakash, R. (2025). Deep learning-based hybrid Stacked LSTM and GS-CNN model for tomato price prediction in India. Neural Computing and Applications, 37(4), 2159–2178.
  28. Gardner, B. (1975). The farm-retail price spread in a competitive food industry. American Journal of Agricultural Economics, 57(3), 399–409.
  29. Gharakhanlou, N. M., Zare, M., & Rahimi, M. (2024). Integrating machine learning models (XGBoost, Random Forest) for cereal crop price forecasting in Iran. Journal of Forecasting, 43(5), 1102–1124.
  30. Gilbert, C. L., & Morgan, C. W. (2010). Food price volatility. Philosophical Transactions of the Royal Society B: Biological Sciences, 365(1554), 3023–3034.
  31. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning (Vol. 1, No. 2). Cambridge: MIT Press.
  32. Guindani, G., Meyer, C., & Schäfer, D. (2024). Combining LSTM and CNN architectures for global agricultural commodity price prediction. Energy and AI, 17.
  33. Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill Education.
  34. Güloğlu, B., & Nazlioglu, Ş. (2013). Enflasyonun tarımsal fiyatlar üzerindeki etkileri: Panel yumuşak geçiş regresyon analizi. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 1(1), 1–20.
  35. Hastie, T., Tibshirani, R., & Friedman, J. (2008). Unsupervised learning. In The elements of statistical learning: Data mining, inference, and prediction (pp. 485–585). New York, NY: Springer.
  36. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (pp. 3–112).
  37. Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666.
  38. Jiao, Y., Guo, H., & Chen, L. (2021). Short-term electricity load forecasting using XGBoost model. Energy Reports, 7, 733–741.
  39. Karadaş, H. A., & Koşaroğlu, Ş. M. (2020). Tarım ürünleri fiyatları, ham petrol fiyatı ve döviz kuru ilişkisi: Türkiye için eşbütünleşme analizi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 19(Özel Ek), 515–526.
  40. Kıymaz, T. (2015). Dünya ile Türkiye’deki tarımsal ürün fiyatları arasındaki etkileşimin incelenmesi: Kriz ve kuraklık etkileri. In EY International Congress on Economics II (EYC2015), November (pp. 5–6).
  41. Kutlu, Ş. Ş. (2021). Türkiye’de gıda enflasyonunun belirleyicileri: SVAR modelinden kanıtlar. EKEV Akademi Dergisi, 87, 581–598.
  42. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.
  43. Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18–22.
  44. Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.
  45. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.
  46. Mao, P., & Soonthornphisaj, N. (2024). Ensemble bagging–SVR approach for maize price forecasting in Thailand. Expert Systems with Applications, 247Mitchell, T. M. (1997). Does machine learning really work? AI Magazine, 18(3), 11–20.
  47. Nazlioglu, S., & Soytas, U. (2012). Oil price, agricultural commodity prices, and the dollar: A panel cointegration and causality analysis. Energy Economics, 34(4), 1098–1104.
  48. Okumuş, H., & Aydemir, Ö. (2017, May). Random forest classification for brain computer interface applications. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1–4). IEEE.
  49. Osborne, J. W. (2010). Improving your data transformations: Applying the Box–Cox transformation. Practical Assessment, Research, and Evaluation, 15(12), 1–9.
  50. Önal, N. E. (2019). Tarımsal ürün fiyat artışlarının Türkiye tarımının yapısal sorunlarına dair gösterdikleri. Beykoz Akademi Dergisi, 7(1), 62–74.
  51. Özçelik, H., & Ersoy, S. (2020). Tarım sektöründe fiyat dalgalanmalarının belirleyicileri: Döviz kuru ve maliyet unsurlarının rolü. Ekonomi ve İşletme Araştırmaları Dergisi, 10(4), 112–128.
  52. Özden, C. (2023). İstatistiksel ve derin öğrenme yöntemlerini kullanarak Tarımsal Girdi Fiyat Endeksi'nin tahmin edilmesi. Turkish Journal of Agriculture-Food Science and Technology, 11(9), 1751–1755.
  53. Özden, C., & Karadoğan, S. (2024). Tahıl verimi tahmininde makine öğrenmesi yöntemlerinin karşılaştırmalı analizi: Random Forest uygulaması. Turkish Journal of Agricultural and Natural Sciences, 11(2), 210–225.
  54. Özkul, M. F. (2021). Türkiye’de tarımsal ürünler dış ticaretindeki yapısal dönüşümde neoliberal tarımsal politikaların rolü. Alanya Akademik Bakış, 5(3), 1329–1352.
  55. Öztornacı, B., Ata, B., & Kartal, S. (2024). Analysing household food consumption in Turkey using machine learning techniques. Agris on-line Papers in Economics and Informatics, 16(2).
  56. Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217–222.
  57. Perone, G. (2020). An ARIMA model to forecast the spread and the final size of COVID-2019 epidemic in Italy. MedRxiv.
  58. Pichler, M., & Hartig, F. (2023). Machine learning and deep learning—A review for ecologists. Methods in Ecology and Evolution, 14(4), 994–1016.
  59. Sari, M., Duran, S., Kutlu, H., Guloglu, B., & Atik, Z. (2024). Various optimized machine learning techniques to predict agricultural commodity prices. Neural Computing and Applications, 36(19), 11439–11459.
  60. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.
  61. Sun, L., Zhao, Q., & Li, Y. (2023). Agricultural product price prediction using hybrid VMD–EEMD–LSTM model: Evidence from China. Information Processing in Agriculture, 10(2), 317–329.
  62. Sutton, R. S., & Barto, A. G. (1998). Reinforcement learning: An introduction (Vol. 1, No. 1, pp. 229–235). Cambridge: MIT Press.
  63. Timmer, C. P. (1986). Getting Prices Right: The Scope and Limits of Agricultural Price Policy. Ithaca: Cornell University Press.
  64. Ulusoy, A., & Şahingöz, B. (2020). Türkiye’de gıda ürünleri fiyatlarının enflasyon üzerindeki etkisi. Maliye Araştırmaları Dergisi, 6(2), 45–56.
  65. Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Cengage Learning.
  66. Wright, B. D., & Williams, J. C. (1982). The economic role of commodity storage. The Economic Journal, 92(367), 596–614.
  67. Yılmaz, B. (2019). Döviz kuru oynaklığı ve tarımsal ürün fiyatları: Türkiye örneği. Uluslararası Tarım ve Gıda Ekonomisi Dergisi, 7(1), 23–38.
  68. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.
  69. Zhang, J., Wang, S., & Liu, P. (2025). A hybrid SV–PSO–BiLSTM model for multi-source energy and agricultural price forecasting. Energy, 306.