GENEL GİRİİŞ

Tarım, temel bir ekonomik sektör olarak dünya çapında ülkelerin ekonomik ve sosyal kalkınmasında çok önemli bir rol oynamaktadır. Sadece dünya nüfusunun ana gıda kaynağı değil, aynı zamanda ekonomik istikrar, yoksulluğun azaltılması ve kırsal kalkınma için de temel bir dayanaktır. Gelişmekte olan ülkelerde tarım genellikle Gayri Safi Yurtiçi Hasıla (GSYİH) ve istihdamın önemli bir payını temsil ederken, gelişmiş ülkelerde ileri teknolojiler ve sürdürülebilir uygulamalarla desteklenen ekonominin önemli bir bileşeni olmaya devam etmektedir. Tarımın etkisi basit gıda üretiminin çok ötesine geçiyor. Ekonomik değer zincirlerini, ticareti, doğal kaynak yönetimini ve çevreyi etkiler. Aslında, tarımsal üretkenlikteki gelişmeler ve teknolojik yenilikler, kırsal alanlarda gelir ve istihdam yaratırken, büyüyen küresel nüfusu beslemeyi mümkün kıldı. Ek olarak, uluslararası tarımsal ticaret, küresel gıda pazarlarının istikrara kavuşmasında ve ülkeler arasındaki ekonomik ilişkilerin güçlendirilmesinde hayati bir rol oynamaktadır. Ancak tarım sektörü, sürdürülebilirliğini ve verimliliğini tehdit eden büyük zorluklarla karşı karşıyadır. İklim değişikliği, arazi bozulması, sınırlı su mevcudiyeti ve tarımsal emtia fiyatlarındaki dalgalanmaların tümü tarım sistemlerini bozabilir ve küresel gıda güvenliğini etkileyebilir. Bu zorluklar özellikle kaynakların sınırlı olduğu ve tarımsal altyapının yetersiz olduğu bölgelerde daha ciddidir. Bu çalışma, tarımın ekonomik büyümeye, istihdama ve uluslararası ticarete katkılarını araştırarak, tarımın küresel ekonomiler üzerindeki etkisini derinlemesine incelemeyi amaçlamaktadır. Ampirik verileri ve vaka çalışmalarını analiz ederek, tarım politikalarının ekonomik faydaları en üst düzeye çıkaracak ve çevresel riskleri en aza indirecek şekilde nasıl optimize edilebileceğini anlamaya çalışacağız. Son olarak, tarım sektörünün gelecek nesiller için doğal kaynakları korurken dünya nüfusunun ihtiyaçlarını desteklemeye devam edebilmesini sağlamak için gereken sürdürülebilir kalkınma stratejilerini tartışacağız.

Doğan, Arslan, and BERKMAN (2015) Türkiye’de tarim sektörünün iktisadi gelişimi ve sorunlari: tarihsel bir bakiş ile incelmistir For more details on using R Markdown see http://rmarkdown.rstudio.com. Here’s an obligatory citation to (xie2013ddrk?).

Literatür incelemesi

Johnston, B.F. ve Mellor, J.W. (1961). Timmer, C.P. (2002). Dünya Bankası (2008). Anderson, K. ve Martin, W. (2006). Orden, D., Blandford, D. ve Josling, T. (2011). Tilman, D., Balzer, C., Hill, J. ve Befort, B.L. (2011). Alston, J.M., Beddow, J.M. ve Pardey, P.G. (2009).

GELIŞTIRME

Tarımın Dünya Ekonomisinde Önemi Tarım, küresel ekonomide, özellikle de GSYİH ve istihdamın önemli bir payını temsil ettiği gelişmekte olan ülkelerde temel bir rol oynamaktadır. Gayri safi tarımsal üretim (GSYİH) ve tarım ürünleri fiyatları gibi tarımsal göstergelerdeki değişiklikler, istikrar ve eğilimlerini analiz etmek için zaman serileri kullanılarak modellenebilir.Tarımın küresel ekonomi üzerindeki etkisini analiz etmek için yıllık tarımsal üretim ve tarım ürünleri fiyatları gibi durağan zaman serileri verilerini kullanıyoruz. Bu veriler genellikle mevsimsel dalgalanmalara ve uzun vadeli eğilimlere tabidir ancak farklılaştırma teknikleriyle durağanlığa ulaşılabilir. Durağan zaman serileri, ortalama ve varyans gibi istatistiksel özelliklerin zaman içinde sabit kaldığı veri dizileridir. Bu serilerin analizi ekonomik dinamikleri anlamak ve güvenilir tahminler yapmak açısından büyük önem taşıyor. Tarım bağlamında, durağan zaman serilerinin incelenmesi, tarım politikalarının, teknolojik yeniliklerin ve iklim değişikliğinin tarımsal üretim üzerindeki uzun vadeli etkisini ve bunun dünya ekonomisindeki rolünü değerlendirmeyi mümkün kılmaktadır.

Duraganlik

library(WDI)
df = WDI(indicator = c(un= 'NV.AGR.TOTL.ZS' , CP='FP.CPI.TOTL.ZG'), country = c('BR'))
library(dynlm)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
zaman_verimi <- ts(df, start= c(1981), end= c(2021), frequency = 1)
library(tidyverse)
zaman_verimi <-zaman_verimi[, c("un","CP")]
plot(zaman_verimi[, c("un")]) 

plot(zaman_verimi[, c("CP")])

tarim <-data.frame(cbind(df$un, lag(df$un, 1)))
tarim <- tarim[2:32,]
cor(tarim$X1, tarim$X2)
## [1] 0.8839322
acf(zaman_verimi[, c("un")])

##ANALİZ VE SONUÇLAR

Otoregresyon modelleri gibi zaman serisi tekniklerini kullanarak seriyi mevsimsel, trend ve rastgele bileşenlere ayırabiliriz. Örneğin küresel tarımsal üretim verilerine bir otoregresyon modeli uygulayarak dışsal şokların (aşırı hava koşulları veya teknolojik yenilikler gibi) tarımsal üretim istikrarını nasıl etkilediğini gözlemleyebiliriz. Analiz sonuçları, tarımsal üretimin mevsimsel ve iklimsel faktörlere bağlı olarak kısa vadeli değişimlere maruz kalsa da, etkili tarım politikaları ve teknolojiye yapılan yatırımların bu üretimin istikrara kavuşmasına yardımcı olabileceğini ve dolayısıyla sürdürülebilir ekonomiye katkıda bulunabileceğini göstermektedir.

PRATİK TAHMİN DURUMU

Tarımın GSYİH’nın büyük bir kısmını temsil ettiği gelişmekte olan bir ülke örneğini ele alalım. Tarımsal üretime ilişkin tarihsel verileri kullanarak ve bunu bir ARIMA ile modelleyerek gelecekteki eğilimleri tahmin edebilir ve tarım politikalarının ekonomik istikrar üzerindeki etkisini değerlendirebiliriz. Bu analiz, tarım ekonomisinin dış şoklara karşı dayanıklılığını güçlendirecek politikaların formüle edilmesine yardımcı olabilir.

library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(ggplot2)
set.seed(123)
years <- 2000:2020
tarımsal_üretim <- cumsum(rnorm(21, mean = 10, sd = 2))
ts_üretim <- ts(tarımsal_üretim, start = 2000, frequency = 1)

plot(ts_üretim, main = "Yıllık Tarımsal Üretim", xlab = "year", ylab = "üretim (milyon ton)")

fit <- auto.arima(ts_üretim)
summary(fit)
## Series: ts_üretim 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##         drift
##       10.2325
## s.e.   0.4351
## 
## sigma^2 = 3.986:  log likelihood = -41.69
## AIC=87.39   AICc=88.09   BIC=89.38
## 
## Training set error measures:
##                         ME     RMSE      MAE       MPE     MAPE      MASE
## Training set -6.445064e-05 1.898994 1.461436 0.2765756 1.700313 0.1428228
##                     ACF1
## Training set -0.07061099
forecast_values <- forecast(fit, h = 10)
print(forecast_values)
##      Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 2021       223.7618 221.2033 226.3204 219.8489 227.6748
## 2022       233.9943 230.3760 237.6127 228.4606 239.5281
## 2023       244.2268 239.7953 248.6584 237.4494 251.0043
## 2024       254.4594 249.3423 259.5764 246.6335 262.2853
## 2025       264.6919 258.9708 270.4129 255.9422 273.4415
## 2026       274.9244 268.6573 281.1915 265.3396 284.5091
## 2027       285.1569 278.3876 291.9262 274.8042 295.5096
## 2028       295.3894 288.1528 302.6261 284.3219 306.4569
## 2029       305.6219 297.9463 313.2975 293.8831 317.3608
## 2030       315.8544 307.7636 323.9453 303.4806 328.2283
df <- data.frame(
  Year = as.numeric(time(ts_üretim)),
  üretim = as.numeric(ts_üretim))
forecast_df <- data.frame(
  Year = as.numeric(time(forecast_values$mean)),
  üretim = as.numeric(forecast_values$mean),
  Lower = as.numeric(forecast_values$lower[,2]),
  Upper = as.numeric(forecast_values$upper[,2]))
ggplot(df, aes(x = Year, y = üretim)) +
  geom_line(color = "blue") +
  geom_ribbon(data = forecast_df, aes(x = Year, ymin = Lower, ymax = Upper), fill = "grey80", alpha = 0.5) +
  geom_line(data = forecast_df, aes(x = Year, y = üretim), color = "red") +
  labs(title = "Tarımsal Üretim Tahminleri", x = "year", y = "üretim (milyon ton)") +
  theme_minimal()

Sonuçların Açıklaması

Görselleştirme: Grafik, geçmiş tarımsal üretim verilerini (mavi) ve gelecek 10 yıla ait tahminleri (kırmızı) gösterir. Tahminin etrafındaki gri alan güven aralığını temsil eder.

Analiz: Politika yapıcılar, gelecekteki tahmin edilen eğilimleri gözlemleyerek mevcut politikaların etkisini değerlendirebilir ve tarım ekonomisinin dış şoklara karşı dayanıklılığını güçlendirmek için stratejiler ayarlayabilir.

Zaman serisi analizi ve ARIMA (Autoregressive Integrated Moving Average) modellemesi sayesinde gelecekteki tarımsal üretime ilişkin doğru tahminler elde edebiliriz. Bu yaklaşım, tarımın GSYİH’da önemli bir rol oynadığı bir ülkede tarım politikalarının bilgilendirilmesine ve daha sağlam ekonomik planlamanın sağlanmasına yardımcı olur.

GENEL SONUÇ

Tarımsal bağlamda durağan zaman serilerinin analizi, tarımın küresel ekonomi üzerindeki etkilerini anlamak ve tahmin etmek için önemlidir. ARIMA modelleri ve diğer zaman serisi teknikleri, tarımsal verilerdeki dalgalanmaların anlaşılır unsurlara bölünmesine olanak sağlayarak etkili tarım politikalarının oluşturulmasını kolaylaştırmaktadır. Sonuçlar, mevsimsel değişiklikler ve iklim şoklarının yarattığı zorluklara rağmen, teknolojik gelişmelerin ve uygun politikaların tarımsal üretimi istikrara kavuşturabileceğini ve sürdürülebilir ekonomik büyümeyi teşvik edebileceğini gösteriyor. Sonuç olarak, durağan zaman serilerini analiz etme ve modelleme yeteneği, ekonomistlere ve politika yapıcılara tarım sektörünü güçlendirmek ve tarımın küresel ekonomiye istikrarlı ve önemli katkısını sağlamak için güçlü bir araç sunmaktadır.

KAYNAKLAR

Timmer, C.P. (2002). “Tarım ve Ekonomik Kalkınma”: Timmer, diğer ekonomik sektörler üzerindeki çarpan etkileri de dahil olmak üzere, tarımın ekonomik kalkınmayı etkilediği yolları tartışıyor.

Dünya Bankası (2008). “Dünya Kalkınma Raporu 2008: Kalkınma için Tarım”: Bu rapor, tarımın yoksulluğun azaltılmasındaki önemli rolünü inceliyor. Tarıma yapılan yatırımların ekonomik büyümeyi nasıl artırabileceğini ve yoksulluğu nasıl azaltabileceğini gösteren vaka çalışmaları ve istatistikler sunuyor.

Anderson, K. ve Martin, W. (2006). “Tarımsal Ticaret Reformu ve Doha Kalkınma Gündemi”: Bu makale, Dünya Ticaret Örgütü (DTÖ) müzakerelerindeki tarımsal ticaret reformlarının sonuçlarını ve bunların küresel ekonomiler üzerindeki etkisini araştırıyor.

Orden, D., Blandford, D. ve Josling, T. (2011). “Tarımsal Destek Konusunda DTÖ Disiplinleri”: Yazarlar, DTÖ’nün tarımsal destek disiplinlerini ve bunların uluslararası ticaret ve ulusal tarım politikaları üzerindeki etkilerini analiz etmektedir.

Tilman, D., Balzer, C., Hill, J. ve Befort, B.L. (2011). “Küresel Gıda Talebi ve Tarımın Sürdürülebilir Yoğunlaşması”: Bu makale, artan küresel gıda talebinin çevreyi nasıl etkilediğini inceliyor ve sürdürülebilir tarımsal yoğunlaşmaya yönelik stratejileri tartışıyor.

Alston, J.M., Beddow, J.M. ve Pardey, P.G. (2009). “Uzun Vadede Tarımsal Araştırma, Verimlilik ve Gıda Fiyatları”: Bu makale, teknolojik yeniliklerin ve tarımsal araştırmaların uzun vadede verimlilik ve gıda fiyatları üzerindeki etkisini incelemektedir.

ODEVI

library(quantmod)
## Loading required package: xts
## 
## ######################### Warning from 'xts' package ##########################
## #                                                                             #
## # The dplyr lag() function breaks how base R's lag() function is supposed to  #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or       #
## # source() into this session won't work correctly.                            #
## #                                                                             #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop           #
## # dplyr from breaking base R's lag() function.                                #
## #                                                                             #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning.  #
## #                                                                             #
## ###############################################################################
## 
## Attaching package: 'xts'
## The following objects are masked from 'package:dplyr':
## 
##     first, last
## Loading required package: TTR
getSymbols("TM", src = "yahoo")
## [1] "TM"
head(TM)
##            TM.Open TM.High TM.Low TM.Close TM.Volume TM.Adjusted
## 2007-01-03  135.25  136.54 134.45   135.30    758600    107.8092
## 2007-01-04  136.65  137.97 135.64   137.77    842700    109.7773
## 2007-01-05  133.30  133.87 132.55   133.72   1068400    106.5502
## 2007-01-08  134.60  134.74 133.80   133.97    511600    106.7495
## 2007-01-09  132.17  132.94 131.24   132.16    645700    105.3072
## 2007-01-10  129.00  129.86 128.21   129.43    726200    103.1319
tail(TM)
##            TM.Open TM.High TM.Low TM.Close TM.Volume TM.Adjusted
## 2024-05-31  216.89  217.51 215.54   217.51    254000      217.51
## 2024-06-03  212.29  213.54 211.18   212.17    351400      212.17
## 2024-06-04  211.00  211.34 210.04   210.38    224100      210.38
## 2024-06-05  208.00  208.57 206.29   208.33    338400      208.33
## 2024-06-06  209.59  210.94 209.28   210.04    245800      210.04
## 2024-06-07  206.50  207.70 206.20   206.36    537500      206.36
chartSeries(TM)

chartSeries(TM, theme="white")

mesela Tüketici Fiyat Endeksi: OECD Grupları: Enerji (Yakıt, Elektrik ve Benzin): Amerika Birleşik Devletleri Toplamı

getSymbols("CPGREN01USM657N", src = "FRED")
## [1] "CPGREN01USM657N"
head(CPGREN01USM657N)
##            CPGREN01USM657N
## 1960-01-01       0.0000000
## 1960-02-01      -0.4464286
## 1960-03-01       0.0000000
## 1960-04-01       0.0000000
## 1960-05-01      -0.8968610
## 1960-06-01       0.9049774
chartSeries(CPGREN01USM657N,theme="white")

Farketiyseniz, src kaynağınızın neresi olacağını yazabilmenizi sağlıyor. Hiçbirşey yazmasanız, sembolü Yahoo’da arayacaktır. Diyelim ki, son bir yıl için XOF USD değerini istiyorsunuz. getFX(““) komutunu her döviz kuru için kullanabilirsiniz.

getFX("XOF/USD",from="2024-01-01")
## [1] "XOF/USD"
chartSeries(XOFUSD,theme="white")

Doğan, Zeki, Seçkin Arslan, and Ayberk BERKMAN. 2015. “Türkiye’de Tarim Sektörünün Iktisadi Gelişimi Ve Sorunlari: Tarihsel Bir Bakiş.” Niğde Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi 8 (1): 29–41.