TÜRKİYE’DE HANEHALKI GIDA HARCAMALARINI ETKİLEYEN SOSYO-EKONOMİK FAKTÖRLER: KARŞILAŞTIRMALI BİR ANALİZ

Year 2020, Volume: 38 Issue: 2, 297 - 321, 29.06.2020

Sibel Selim , Ezgi Demirkıran

https://doi.org/10.17065/huniibf.540422

Cited By: 1

Abstract

İnsanlar hayatta kalabilmek için beslenme, barınma, giyim gibi birçok şeye gereksinim duyarlar ve harcama yaparlar. Hanehalkı gelirinin ne kadarının hangi harcama grubuna yapılacağı konusu oldukça önemlidir. Özellikle bu harcamaların ön tahmini, bireylere hanehalkı içinde yapacakları harcamaları planlamaları konusunda yardımcı olacaktır. Bu çalışmanın ilk amacı, Türkiye İstatistik Kurumu’nun Hanehalkı Bütçe Anketi 2007, 2012, 2016 verileri kullanılarak Türkiye'de hanehalkı gıda harcamalarını belirleyen faktörleri analiz etmektir. Analiz, yarı logaritmik model kullanılarak gerçekleştirilmiş ve her bir değişkenin hanehalkı gıda harcaması üzerindeki etkisi ortaya konmuştur. Çalışmanın ikinci amacı ise, yarı logaritmik model ve yapay sinir ağları modeli ile hanehalkı gıda harcamalarının ön tahmin performanslarını karşılaştırarak literatüre katkı sağlamaktır. Modelden elde edilen bulgular, en önemli değişkenlerin hanehalkı reisinin yaşı, eğitim seviyesi, geliri, medeni durumu ve konuta ait özellikler olduğunu ortaya koymaktadır. Çalışmada tahmin edilen modeldeki potansiyel doğrusal olmama durumundan dolayı, yapay sinir ağı modeli, alternatif bir tahmin yöntemi olarak kullanılmıştır. Yarı logaritmik ve yapay sinir ağı modelleri arasındaki ön tahmin performansları karşılaştırıldığında, yapay sinir ağı modelinin daha iyi bir alternatif olduğu görülmüştür.

Keywords

Hanehalkı Gıda Harcaması, Yarı Logaritmik Model, Yapay Sinir Ağları, Öntahmin, Türkiye

SOCIO-ECONOMIC FACTORS AFFECTING HOUSEHOLD FOOD EXPENDITURE IN TURKEY: A COMPARATIVE ANALYSIS

Abstract

People need, among many things, nutrition, shelter, clothing to survive. It is very important how much of household income will be allocated for which expenditure groups. Forecasting of these expenditures will help households plan their expenditures. The first aim of this study is to analyze the factors determining the food expenditure of households in Turkey by using data of Household Budget Surveys of 2007, 2012, 2016 carried out by the Turkish Statistical Institute. The analysis is performed using a semi-logarithmic model, and demonstrated the impact of each variable on household food expenditure. The second aim is to contribute to the literature by comparing the household food expenditures forecasting performance of the semi-logarithmic model and the artificial neural networks model. Findings obtained from the semi-logarithmic model reveal that the most important variables determining food expenditure are the age, education level, income, marital status and characteristics of the household head. The artificial neural networks is used as an alternative estimation method due to the potential nonlinearity in the estimated semi-logarithmic model. As a result, the forecasting performance of artificial neural networks model outperforms the semi-logarithmic model. 

Keywords

Household Food Expenditure, Semi Logarithmic Model, Artificial Neural Network, Forecasting, Turkey

References

• Akbay, C. (2005), “Kahramanmaraş’ta Hanehalklarının Gıda Tüketim Talebi Ekonometrik Analizi”, Kahramanmaraş Sütçü İmam Üniversitesi Fen ve Mühendislik Dergisi, 8(1), 114-121.
• Akbay, C., A. Bilgiç (2011), “Türkiye’de 2003-2008 Dönemlerinde Tüketim Harcamaları ile Gıda Harcamalarında Meydana Gelen Değişmeler”, Tarım Ekonomisi Dergisi, 17(2), 73-79.
• Aydın, K. (2011), “Türkiye’de Hanehalkı Gıda Harcamaları ve Sosyo-Ekonomik Faktörler”, Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(1), 56-76.
• Azadeh, A., S. Davarzani, A. Arjmand, M. Khakestani (2016), “Improved Prediction of Household Expenditure by Living Standard Measures via A Unique Neural Network: The Case of Iran”, Int. J. Productivity and Quality Management, 17 (2), 142:182.
• Ballı, M. T. (2014), Yapay Sinir Ağları ile Talep Tahmini ve Gıda Sektöründe Uygulanması, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Yayımlanmamış Yüksek Lisans Tezi, İstanbul.
• Baş, D., K. Kılıç, C. Dudak, İ. H. Boyacı (2006), “Yapay Sinir Ağlarının Gıda Alanında Kullanılması”, Türkiye 9. Gıda Kongresi, 24-26 Mayıs, Bolu.
• Bekin, A. (2015), Türkiye’de Bazı Temel Gıda Fiyatları İçin Yapay Sinir Ağları ve Zaman Serisi Tahmin Modellerinin Karşılaştırmalı Analizi, Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Yayımlanmamış Yüksek Lisans Tezi İşletme Anabilim Dalı, Denizli.
• Correa, D. A., P. M. M. Castillo, R. J. Martelo (2018), “Neural Networks in Food Industry”, Contemporary Engineering Sciences, 11 (37), 1807 – 1826.
• Dawoud, S. D. Z. (2014), “Econometric Analysis of the Changes in Food Consumption Expenditure in Egypt”, Journal of Development and Agricultural Economics, 6(1), 1-11.
• Dudek, H. (2014), “Do Shares of Food Expendıture in The European Union Converge? A Country-Level Panel Data Analysis”, Economic Computation and Economic Cybernetics Studies and Research/ Academy of Economic Studies, 48(4), 245-260.
• Elmas, Ç. (2003), Yapay Sinir Ağları, Seçkin Yayıncılık, Ankara.
• Funes, E., Y. Allouche, G. Beltrán, A. Jiménez (2015), “A Review: Artificial Neural Networks as Tool for Control Food Industry Process”, Journal of Sensor Technology, 2015, 5, 28-43.
• Goyal, S. (2013), “Artificial Neural Networks (Anns) in Food Science – A Review”, International Journal of Scientific World, 1 (2), 19-28.
• Hamzaçebi, C. (2011), Yapay Sinir Ağları Tahmin Amaçlı Kullanımı Matlab ve Neurosolution Uygulamalı, Ekin Basım Yayın Dağıtım, Bursa.
• Huang, Y., L. J. Kangas, B. A. Rasco (2007), “Applications of Artificial Neural Networks (ANNs) in Food Science”, Journal Critical Reviews in Food Science and Nutrition, 47(2), 113-126.
• Kalyoncu, K. İ. (2009), “Gıda Harcamalarının Gelir İçindeki Payı Yönünden Satın Alma Gücünün Değerlendirilmesi: Türkiye’nin Bölgeselleştirilmiş İlleri Bazında Bir Değerlendirme”, Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2(1), 24-31.
• Kirkpatrick, S., V. Tarasuk (2003), “The Relationship Between Low Income and Household Food Expenditure Patterns in Canada”, Public Health Nutrition, 6(6), 589-597.
• Meng, T., W. J. Florkowski, D. B. Sarpong, A. V. Resurreccion, M. S. Chinnan (2013), “The Determinants of Food Expenditures in the Urban Households of Ghana: A Quantile Regression Approach”, In 2013 Annual Meeting, February 2-5, 2013, Orlando, Florida (No. 143033). Southern Agricultural Economics Association.
• Öztemel, E. (2016), Yapay Sinir Ağları, Papatya Yayıncılık Eğitim, İstanbul.
• Sapmaz, K., M. Yercan (2017), “Determination of Factors Affecting the Consumption of Private Label Food Products by Using Artificial Neural Networks and Logistic Regression Model: Case of İzmir Province”, Turkish Journal of Agricultural Economics, 23(2), 311-322.
• Sekhampu, T.J. (2012), “Socio-Economic Determinants of Household Food Expenditure in a Low Income Township in South Africa”, Mediterranean Journal of Social Sciences, 3 (3), 449-453.
• Shiptsova, R., J. M. Harris (2007), “Consumer Demand for Convenience Foods: Demographics and Expenditures”, Journal of Food Distribution Research, 38(3), 22-36.
• Tansel, A. (1986), “An Engel Curve Analysis of Household Expenditure in Turkey 1978-79”, METU Studies in Development Economics, 13 (3-4), 239-257.
• Tarı, R., Ş. Çalışkan (2004), “Kocaeli ili Hanehalkı Tüketim Harcamaları Profili (Engel Eğrisi Analizi)”, İstanbul Üniversitesi İktisat Fakültesi Mecmuası, 54(1), 84-94.
• TÜİK, Hanehalkı Tüketim Harcaması Sonuçları, 2007.
• TÜİK, Hanehalkı Tüketim Harcaması Sonuçları, 2012.
• TÜİK, Hanehalkı Tüketim Harcaması Sonuçları, 2016.
• Türer, S., B. Ayvaz, D. Bayraktar, B. Bolat (2008), “Tedarikçi Değerlendirme Süreci İçin Bir Yapay Sinir Ağı Yaklaşımı: Gıda Sektöründe Bir Uygulama”, Endüstri Mühendisliği Dergisi YA/EM 2008 Özel Sayısı 20 (2 ), 31-40.
• Yükseler, Z. (2014), Türkiye’de Tüketim Harcamalarının Yapısı ve Gıda Harcamaları (AB Ülkeleri İle Karşılaştırma), Kasım, s,1-15. https://www.researchgate.net/publication/267623266.