Tarımsal ve sosyo-ekonomik göstergelerle tarım kredileri tahmini: makine öğrenmesi ve istatistiksel modellerin karşılaştırılması

Tarımsal üretim, ekonomik büyüme ve kırsal kalkınma açısından stratejik öneme sahiptir. Bu çalışmada, Türkiye'de 2000-2022 yıllarını kapsayan verilerle tarımsal kredilerin tahmininde makine öğrenmesi ve istatistiksel modellerin performansları karşılaştırılmıştır. Analizde tarım arazileri, sulama oranları, tatlı su çekimi, kentsel nüfus oranı ve tarımsal katma değer gibi değişkenler bağımsız değişken olarak kullanılmıştır. Analiz sürecinde Gauss Süreç Regresyonu, Destek Vektör Regresyonu, Topluluk Öğrenmeleri, Yapay Sinir Ağları, Karar Ağaçları ve Çoklu Doğrusal Regresyon yöntemleri değerlendirilmiştir. Elde edilen bulgular, GPR modelinin test aşamasında en yüksek tahmin doğruluğunu sağladığını ve doğrusal olmayan karmaşık ilişkileri modelleme kapasitesinin üstün olduğunu göstermiştir. GPR modelini Topluluk Öğrenmeleri yöntemi takip ederken, SVR modeli de dikkate değer bir performans sergilemiştir. Bununla birlikte, YSA ve Karar Ağaçları modellerinin genelleme kapasitelerinin sınırlı olduğu gözlemlenmiştir. Çalışmada, çoklu doğrusal bağımlılık probleminin çözümü için Ana Bileşen Analizi (PCA) uygulanmış ve temel bileşenler yardımıyla veri boyutu düşürülerek model performanslarının artırıldığı tespit edilmiştir. Sonuç olarak, bu tezde makine öğrenmesi yöntemlerinin tarımsal kredilerin tahmininde istatistiksel yöntemlere göre daha yüksek doğruluk sunduğu tespit edilmiştir. Elde edilen bulgular, makine öğrenmesi modellerinin tarımsal kredi politikalarının geliştirilmesi ve kırsal kalkınmanın desteklenmesinde etkili bir araç olabileceğini göstermektedir. Gelecekte, daha geniş veri setleri ve hibrit yaklaşımların kullanımı önerilmektedir.