Karesel ideale yaklaşık talep sistemi ile Türkiye'de gıda talebi tahmini

Talep tahmini insanlar, şirketler ve hükumetler için kritik bir konudur. Talep tahmini sadece gelecekteki talep miktarlarını öngörmek için değil, aynı zamanda tüketici davranışlarını anlamak için de önemlidir. Çünkü tüketici davranışlarını anlamak, karar verme süreçlerinde yardımcı olmaktadır. Bu tez, 2008 ve 2016 yılları arasındaki gıda talebini tahmin etmektedir. Çünkü, son yıllarda enflasyon oranında yaşanan artış, büyük ölçüde gıda fiyatları ile ilişkilendirilmektedir. Diğer yandan, gıda talebi diğer emtialara göre, nispeten, daha az fiyat esnekliği göstermektedir. Bu yüzden, Türkiye'deki gıda talebi Türk halkının refah seviyesi için önemli bir unsurdur. Bir kişi, tüketicilerin refahı hakkında tüketici tercihlerine bakarak çıkarımlar yapabilir. Bu yaklaşım mikro ekonomik teorinin konularından birisidir. Neoklasik talep teorisini anlamak, tüketici davranışlarının (ve tercihlerinin) daha iyi anlaşılmasını sağlayacaktır. Bu yüzden tezde, Türkiye'de gıda talebini tahmin etmeden önce, bu bağlamda neoklasik talep teorisinin incelemekteyim. Gıda talebini tahmin etmek için İdeale Yaklaşık Talep Sistemini (AIDS) kullanmaktayım, çünkü bu model neoklasik talep teorisinde yer alan birçok önemli varsayımı sağlamaktadır. Ama gıda talebinin ekonometrik tahminini AIDS yerine, Karesel AIDS (QUAIDS) kullanarak yapmaktayım. Çünkü QUAIDS tüketicilerin karesel Engel eğrisine sahip olduğu varsayımı kullanmaktadır, ki bu talep sistemleri için daha uygun bir yöntemdir. Diğer yandan, hem AIDS hem de QUAIDS doğrusal olmayan modellerdir. Literatürde genellikle sonuca daha hızlı yakınsamak için, LA/AIDS olarak adlandırılan doğrusal bir modele dönüştürülerek kullanılmaktadır. Ama LA/AIDS modelinin içsellik (endogeneity) gibi ekonometrik sorunları vardır. Bu yüzden, ben bu tezde QUAIDS modelini doğrusallaştırma olmadan tahmin etmekteyim. Bu çalışmanın özgün yönlerinden birisi de gıda talebini tüketici anketlerini birleştirme (aggregation) ile zaman serisine dönüştürerek tahmin etmemdir. Bu şekilde yaparak, özellikle kurban bayramındaki tüketicilerin farklı davranışlarını fark ediyorum; modeli çok daha hızlı tahmin ediyorum; ve heterojenliği azaltmak için sansürlü talep teknikleri uygulamama gerek kalmıyor. Ama gözlem sayısın birleştirme ile (neredeyse) 100.000'den 108'e düşmektedir. Bu yüzden bazı noktalarda, modele sağlamlık (robustness) testleri yapmaktayım. Çıkan sonuçlar ``ekmek fiyatları'' ve ``et ithalatı'' gibi güncel tartışmalar hakkında önemli görüler vermektedir. ``Et ve Balık'' ve ``Şeker, pekmez, bal, çikolata, ve şekerleme'' ürün gruplarında yüksek gelir esnekliği görülmektedir. Bu yüzden, bu ürün gruplarında yüksek ve düşük gelirli insanlar için farklı refah etkileri gözlemlenebilir. Telafi edilmemiş ve telafi edilen fiyat esnekliği arasındaki fark ise ``Ekmek ve Tahıl'', ``Meyve ve Sebzeler'' ve ``Et ve Balık'' ürün gruplarında çok yüksek gözlenmektedir. Bu durum, tüketicilerin fiyat artışını diğer ürün grupları ile ikame edemediklerini manasına gelmektedir. Dolayısıyla, bu ürün gruplarındaki fiyat artışı yüksek refah kaybına neden olmaktadır. Daha etkin bir refah analizi yapmak için, arz ve arz esnekliğinin de tahmin edilmesi gerekmektedir. Ayrıca bu konuda, makine öğrenmesi üzerine daha fazla metodolojik araştırılma yapılabilir. Makine öğrenmesi algoritmaları tahmin doğruluğu ve kesinliği hususunda daha iyi performans göstermektedir. Ama makine öğrenmesi algoritmalarının yorumlanabilmesi konusunda ciddi bir literatür eksiği vardır. Talep tahmini sistemlerinde makine öğrenmesi yöntemleri kullanabilir.