Genç Çiftçi Projesi Desteğinden Yararlanma Durumunu Etkileyen FaktörlerinBelirlenmesi: Akdeniz Bölgesi Örneği

Bu çalışmanın amacı, Akdeniz Bölgesinde Genç Çiftçi Projeleri Desteğinden yararlanan ve yararlanamayan işletmelerinin yapısal özelliklerinin belirlenmesi ve genç çiftçi projesi desteğinin işletmeler üzerine etkilerinin tespit edilmesidir. 2016 yılında Akdeniz Bölgesinde genç çiftçi desteğinden yararlanan 160 üreticinin tamamıyla anket çalışması gerçekleştirilmiş olup, gruplar arası karşılaştırma yapabilmek amacıyla genç çiftçi projesi desteğine başvuran ancak yararlanamayan 56 üreticiyle de anket çalışması yapılmıştır. Çiftçilerin genç çiftçi desteği projesinden yararlanma eğilimleri yapay sinir ağları ve lojistik regresyon analizi kullanılarak belirlenmiştir. Destek alan üreticilerin büyük çoğunluğunun sadece hayvansal üretim ve karma üretim (hayvansal üretim ve bitkisel üretim) yaptıkları, destekten yararlanmayan üreticilerin ise büyük çoğunluğunun sadece bitkisel üretim yaptıklarını tespit edilmiştir. Her iki analiz yöntemiyle de genç çiftçi projesi desteğinden yararlanma durumu üzerinde etkisi olan en önemli değişkenlerin faaliyet türü, tarım dışı gelirin toplam gelir içindeki payı, ailedeki çiftçi sayısı, eğitim süresi, tarım dışı gelir sahibi olma durumu ve aile büyüklüğü değişkenleri olduğu belirlenmiştir. Toplam doğru sınıflandırma oranı lojistik regresyon analizinde %87,04, yapay sinir ağı analizinde ise %91,20 olarak bulunmuş olup, her iki yöntemle elde edilen sınıflandırma yüzdelerinin birbirine oldukça yakın olduğu görülmüştür

Identification of Factors Affecting Benefiting from Young Farmer Project Support: Case of the Mediterranean Region

This study aims to determine the characteristics of young farmers and their businesses that benefit from and cannot benefit from young farmer support in the Mediterranean Region and determine the factors that affect the benefit of young farmer project support. In 2016, a survey was conducted with all 160 producers who benefited from young farmer support, and a survey was conducted with 56 producers who applied for young farmer project support but could not benefit from it to make comparisons between groups. The tendency of farmers to benefit from the young farmer support project was determined using artificial neural networks and logistic regression analysis. It was determined that the majority of the producers who received support only made animal production and mixed production (livetock production and vegetable production), while the majority of the producers who did not receive support made only plant production. With both analysis methods, it was determined that the most critical variables that affect the benefit of young farmer project support are the type of activity, the share of non-agricultural income in total income, the number of farmers in the family, the education period, the status of having non-agricultural income and family size. The total correct classification rate was found to be 87.04% in the logistic regression analysis and 91.20% in the artificial neural network analysis, and it was seen that the classification percentages obtained by both methods were quite close to each other.

PDF

___

Akkaya MA. 2020. Kırdan Kente Göçün Azaltılmasında Genç Çiftçi Desteğinin Rolü ve Etkisi: Ankara İli Polatlı İlçesi Araştırması. Ankara Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Ankara.
Alkan A. 2019. Antalya İlinde Genç Çiftçi Projesinin Uygulaması ve Sürdürülebilirliği Üzerine Bir Araştırma. Akdeniz Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Antalya.
Altıntaş G, Altıntaş A, Oruç E, Kızılaslan H, Çakmak E, Birol D. 2020. Genç çiftçi proje desteğinden yararlanmayı etkileyen faktörler; TR-83 Bölgesi örneği. Türk Ziraat Mühendisliği Araştırmaları Dergisi, 1(1): 152-168.
Anonim 2016. Kırsal Kalkınma Destekleri Kapsamında Genç Çiftçi Projelerinin Desteklenmesi Hakkında Tebliğ (Tebliğ No: 2016/16), 5 Nisan 2016 tarihli ve 29675 sayılı Resmî Gazete.
Anonim 2018. T.C. Tarım ve Orman Bakanlığı Faaliyet Raporu. Balezentis T, Ribasauskiene E, Morkunas M, Volkov A, Streimikiene D, Toma P. 2020. Young farmers’ support under the Common Agricultural Policy and sustainability of rural regions: Evidence from Lithuania. Land Use Policy, 94: 104542.
Bayrak U. 2021. Çanakkale Tarımında Alternatif Gelir ve İstihdam Kaynağı Yaratma Açısından Genç Çiftçi Projesinin Değerlendirilmesi. Çanakkale Onsekiz Mart Üniversitesi Lisansüstü Eğitim Enstitüsü Yüksek Lisans Yeterlilik Tezi, Çanakkale.
Beşen T, Sayın B, Kuzgun M, Karamürsel D, Çelikyurt MA, Emre M, Öztürk FP, Yılmaz ŞG, Birol D. 2021. TR61 bölgesinde genç çiftçi projesi desteğinden yararlanmayı etkileyen faktörlerin değerlendirilmesi. Uluslararası Tarım ve Yaban Hayatı Bilimleri Dergisi, 7(1): 63-74.
Bozan H. 2020. Antalya İlinde Genç Çiftçi Projesinden Yararlanan ve Yararlanmayan Kadınların Girişimcilik Eğilimlerinin Araştırılması. Akdeniz Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Antalya.
Doğan HG, Kan A, Kan M, Tosun F, Uçum İ, Solmaz C, Birol D. 2018. Türkiye’de genç çiftçi proje desteğinden yararlanma düzeyini etkileyen faktörlerin değerlendirilmesi. Türk TarımGıda Bilim ve Teknoloji Dergisi, 6(11): 1599-1606.
Elmas Ç. 2003. Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). (1.Basım). Seçkin Yayınları, Ankara.
Faysse N, Phiboon K, Filloux T. 2019. Public policy to support young farmers in Thailand. Outlook on Agriculture, 48(4): 1- 8.
Işığıçok E. 2003. Bebeklerin doğum ağırlıklarını ve boylarını etkileyen faktörlerin lojistik regresyon analizi ile araştırılması. VI. Ulusal Ekonometri ve İstatistik Sempozyumu, Mayıs 2003, Ankara.
Kara AM. 2020. Adana İlinde Genç Çiftçi Projesinden Faydalanan Büyükbaş Hayvancılık İşletmecilerinin Memnuniyet Düzeyleri. Çukurova Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Adana.
Kurnaz H. 2019. Samsun İlinde Genç Çiftçi Desteğinden Yararlanan İşletmelerin Sosyal ve Ekonomik Sürdürülebilirlikleri. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Samsun.
Lee CW, Park JA. 2001. Assesment of HIV/AIDS- related health performance using an artifical neural network. Information and Management, 38(2001): 231-238.
Leech NL, Barrett KC, Morgan GA. 2004. SPSS for Intermediate Statistics: Use and Interpretation, Lawrance Erlbaum Associates Publishers, Manwah New Jersey.
Sarı Gedik D. 2019. Kırsal Kalkınmada Genç Çiftçi Projesi: Tekirdağ İli Örneği. Namık Kemal Üniversitesi. Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Tekirdağ.
Satar M. 2021. Kırsal Kalkınma Kapsamında, Genç Çiftçi Projesi ile Desteklenen Küçükbaş Hayvancılık İşletmelerinin Sosyoekonomik Analizi. Ankara Üniversitesi Sağlık Bilimleri Enstitüsü Yüksek Lisans Tezi, Ankara.
Tarhan S, Bolat M, Özercan B, Hamarat Balatlı T, Arslan S, Taşcı R, Karabak S, Akdemir U, Birol D. 2021. Hayvancılık işletmelerinin gelişiminde genç çiftçi proje desteklerinin etkisi. Eurasian Journal of Agricultural Economics, 1(2): 1- 17
Tolon M, Tosunoğlu GN. 2008. Tüketici tatmini verilerinin analizi: Yapay sinir ağları ve regresyon analizi karşılaştırması. Gazi Üniversitesi İİBF Dergisi, 10(2): 247- 259.
Unakıtan G, Başaran B. 2018. Genç çiftçi projesinin başarısı için bir öneri: Genç çiftçi kooperatifleri. Balkan ve Yakın Doğu Sosyal Bilimler Dergisi, 04(02): 149-157.
Yılmaz A, Keskin M. 2020. Kırsal kalkınma destekleri kapsamındaki genç çiftçi hayvancılık projelerinin verimliliğinin araştırılması. KSÜ Tarım ve Doğa Dergisi, 23(6): 1598-1607.