Kırmızı et sektörü, dünya genelinde gelişmiş bir endüstri olarak kabul edilmektedir. Düşük maliyetle karkas et üretebilen ülkeler, dünya genelinde kırmızı et ticaretinde rekabet avantajına sahiptir. Ancak, Türkiye'de kırmızı et üretim maliyetlerinin yüksek olması, ülkenin dünya ticaretinde kırmızı et konusunda rekabet edebilme gücünü sınırlamaktadır ⁴.

Türkiye'de kırmızı et ihtiyacı, koyun, keçi, manda ve sığırlardan elde edilen etlerle karşılanmaktadır. Genel olarak, toplam kırmızı et üretiminin %70,09’u sığır, %23.88’i koyun, %5.39’u keçi ve %0.65’i ise manda etinden sağlanmaktadır ⁵. Türkiye’de yıllar içinde kırmızı et tüketiminde sığır etine olan bağımlılığın arttığı gözlemlenmektedir ⁶.

Türkiye'de sığır eti tüketimi fiyatlara duyarlı olup, fiyat artışlarıyla birlikte tüketim miktarı olumsuz etkilenmektedir ⁷. Nitekim son yıllarda, perakende sığır eti fiyatlarında dikkate değer bir artış gerçekleşmiştir. Fiyatlardaki dalgalanmaların önüne geçmek için uygulanan politikalar ve piyasa müdahaleleri, fiyat istikrarı ve belirsizliği giderme konusunda yeterli olmamaktadır ⁸.

Genel olarak kırmızı et fiyatlarının çok sık artması, gelecek yıllarda oluşacak fiyatlar hakkında belirsizliğin daha fazla artacağı anlamına gelmektedir. Kırmızı et talebinin artması ve küresel iklim değişikliğinin hayvansal üretim üzerindeki baskısı, dünya genelinde et ürünlerinin toptan ve perakende fiyatlarını genel olarak artırmıştır ⁹.

Türkiye’de kırmızı et sektöründe son yıllarda ortaya çıkan önemli gelişmelerden biri de fiyat dalgalanmaları olmuştur. Karkas et fiyatları 2021 yılı içerisinde %66.55; 2022 yılı içerisinde %75.07 ve 2023 yılı içerisinde %97.25 oranında artış göstermiştir ¹⁰. Kırmızı et fiyatlarının gelecekteki seyri, üreticiler ve tüketiciler açısından büyük önem arz etmektedir. Özellikle Türkiye'de, hayvansal ürünlerin piyasalarında yaşanan belirsizlik, enflasyonist ortam ve ithalat baskısı gibi faktörler, fiyat seyrinin tahmin edilmesine olan ihtiyacı artıran ana etkenler olarak öne çıkmaktadır.

Zaman serisi analizi, ekonometrik yöntemler kullanarak geçmiş ve bugünkü fiyatlardan yararlanarak gelecekteki fiyatları tahmin etmeye yarayan bir yöntemdir. Zaman serisi analizi yaygın olarak hayvancılık alt sektörlerinde kullanım alanı bulmuştur. Zaman serisi analizleri süt fiyatları ^4, yumurta fiyatları ^11, bal fiyatları ^12, alabalık fiyatları ¹³ ve perakende kırmızı et fiyatlarının ⁴ geleceğe yönelik kestirimlerinde de başarıyla kullanılmıştır.

Bu çalışma; Tokat ilinde dana karkas fiyatlarına ait zaman serisinin Box-Jenkins yöntemi ile analiz edilerek ileriye yönelik karkas fiyat kestirimlerinin yapılması amacıyla yapılmıştır.

Verilerin analizinde, zaman serisini düzensiz dalgalanmaların etkisinden arındırarak yalnızca uzun vadeli hareketlerin etkisi altındaki seri değerini elde etmek ve kestirim yapmak amacıyla trend analizi gerçekleştirilmiştir. Bu çalışma kapsamında zaman serisi analizinde Box-Jenkins modellerinden ARIMA modeli kullanılmıştır. Verilerin tanımlayıcı istatistikleri yapılarak fiyat tahmininde uyum iyiliği yüksek olan modelin parametreleri tahmin edilerek fiyat kestirimi yapılmıştır. Zaman serilerinin analizi için SPSS, version 25.0 ¹⁵ programı kullanılmıştır.

Çalışmada, dana karkas fiyatlarının geleceğe yönelik tahminleri için ARIMA (1,1,0) modeli kullanılmıştır. Serilerin otokorelasyon fonksiyon grafiği incelendiğinde, serinin durağan olmadığı tespit edilmiştir. Seriyi durağan hale getirmek amacıyla birinci fark alınmıştır. Dana karkas fiyatlarının tahminleri için uygun ARIMA (p,d,q) modelini belirlemek üzere, seriye ait otokorelasyon ve kısmi otokorelasyon fonksiyonları incelenerek, p ve q seviyeleri belirlenmiş ve parametrelerin anlamlılığı kontrol edilmiştir.

Modellerde yer alan ¹⁶
p: Otoregresif model derecesi,
q: Hareketli ortalama model derecesi,
d: Mevsimsel olmayan fark alma derecesidir.

ARIMA (p, d, q) modelinin ifadesi eşitlik [1]’de verildiği gibi tanımlanabilir:

Burada:

ø_P Otoregresif operatör için parametre değerleri,

a_t: Hata terimi katsayıları, θ_q: Hareketli ortalama operatörü için parametre değerleri, Ζ_t: Orjinal serinin d dereceden farkı alınmış zaman serisi, Yani,

W_t=Y_t - Y_t-1      t=1,2,…,t     [2]

olup birinci farklar serisi eşitlik [2]’de verildiği gibi tanımlanır. Burada:

W_t=Birinci farklar serisi,
Y_t= Orijinal zaman serisinin tesadüfi değişkenler kümesidir.

Birinci farklar serisi de durağan değilse; birinci fark serisinin tekrar farkı alınarak durağanlık kontrolü yapılır. Bu da eşitlik [3]’de verildiği gibi modellenir.

Z_t= W_t W_t-1         t=1,2,...,t           [3]

Fark alma derecesi d = 0 olduğunda (bu orjinal serinin durağan olması anlamına gelir) ARIMA modeli AR, MA ya da ARMA modeli haline gelecektir. Bu özelliğinden dolayı ARIMA modellerinin Box-Jenkins modellerinin tamamını bünyesinde barındırdığı söylenebilir.

Box-Jenkins ARIMA modelleri kuruluş aşamasında dört temel adımı içerir. İlk adımda genel olarak modelin hangi sınıfta olduğu belirlenir. Genel modelin seçiminde otokorelasyon ve kısmi otokorelasyon fonksiyonlarına ait grafiklerden yararlanılır. Her iki fonksiyon göz önünde bulundurularak, ARIMA modelleri için teorik fonksiyonların özelliklerinden faydalanılır ¹⁷.

İkinci adımda ise verilere uyum sağlayan geçici bir model kurulur. Bu modelin kurulmasında otokorelasyon ve kısmi otokorelasyon fonksiyonlarından faydalanılır. Modelin belirlenmesinde AR, MA, ARMA, ARIMA veya SARIMA gibi bir modele karar verilir ¹⁸.

Üçüncü adımda, geçici modelin parametreleri istatistiksel yöntemler kullanılarak kestirilir ve katsayıların standart hataları göz önünde bulundurularak anlamlılıkları belirlenir. Son aşamada ise karar verilen modelin kestirimi için uygunluğu belirlenir. Bunun için geçici kurulan modelin hatalarının otokorelasyon katsayılarının grafiğinden yararlanılarak otokorelasyon fonksiyonu incelenir. Eğer bu fonksiyon belirli bir yapı gösteriyorsa, hataların rastgele dağılmadığı sonucuna varılır, bu da geçici modelin uygun olmadığını gösterir. Bu durumda ikinci aşamaya dönülerek süreç, uygun bir model bulunana kadar yeni bir geçici modelle tekrarlanır. Bu süreçte uygunluk kontrolünü sağlayan model, artık tahmin veya kestirim yapmak için kullanılabilir ^19-21.

Modelin tahmin tutarlılığının değerlendirilmesinde; Kestirim Hatası (Forecast Error), Kestirim Hata Ortalaması (Mean Forecast Error), Mutlak Kestirim Hata Ortalaması (Mean Absolute Deviation), Mutlak Kestirim Hata Ortalaması Yüzdesi (Mean Absolute Percentage Error) ve Hata Kareler Ortalaması (Mean Square Error) parametreleri kullanılmıştır ¹³.

Büyütmek İçin Tıklayın

Tablo 1: 2018/6-2024/5 arasındaki dönemde Tokat ilinde ortalama dana karkas fiyatları (TL/kg)

Tokat ilinde dana karkas fiyatlarının geleceğe yönelik tahminleri, 2018/6-2024/5 yılları arasındaki fiyat verileri kullanılarak zaman serisi analizi ile yapılmıştır. Dana karkas fiyatlarını belirten zaman serisi grafiği Şekil 1’de sunulmuştur.

Büyütmek İçin Tıklayın

Şekil 1: Dana karkas fiyatlarına ait zaman serisi grafiği (TL/ay)

Şekil 1 incelendiğinde dalgalanmalarla birlikte zaman serisinin bir trendle artış gösterdiği söylenebilir. Seride belirli trendin bulunması dana karkas fiyatlarının zaman serisinin durağan seyirli olmadığını göstermektedir. Dana karkas fiyatlarının zaman serisinde durağanlığının tespiti için Şekil 2’de serinin otokorelasyon fonksiyonu (ACF) ve kısmi otokorelasyon fonksiyonu (PACF) grafikleri sunulmuştur.

Şekil 2 incelendiğinde, zaman serisinde meydana gelen birden fazla gecikmenin güven sınırları dışında olması nedeniyle serinin durağan olmadığı belirtilebilir. Serinin kısmen durağanlaştırılması için öncelikle serinin logaritması alınmış ve böylelikle değerler arasındaki farklar azalmıştır. Ancak, seri hala durağan olmadığından, seri durağanlaşana kadar farkı alınmıştır. Bir kez fark alındıktan sonra, zaman serisinin trendinin durağanlaştığı görülmüştür.

Büyütmek İçin Tıklayın

Şekil 2: Dana karkas fiyatlarına ait serinin otokorelasyon fonksiyonu (ACF) ve kısmi otokorelasyon fonksiyonu (PACF) grafiği

Zaman serisi için uygun modeli belirlemeye çalışırken birkaç farklı model daha denenmiş ve mevsimsellik de olmadığı için dana karkas fiyatını belirlemek için en uygun modelin ARIMA (1,1,0) modeli olduğu görülmüştür.

Seçilen modelin ilerleyen aylarda dana karkas fiyatları için oluşturduğu öngörüler Tablo 2’de sunulmuştur.

Büyütmek İçin Tıklayın

Tablo 2: Dana karkas fiyat değerlerinin geleceğe yönelik kestirimi

Tablo 2 incelendiğinde dana karkas fiyat değerlerine yönelik yapılan analizde MAPE değeri 2,818, R2 değeri 0,995 olarak elde edilmiştir. ARIMA (1,1,0) modeli optimum sonucu vermektedir.

Şekil 3 incelendiğinde 2024 Temmuz-Ağustos aylarında karkas fiyatlarının düştüğü, Eylül ayından itibaren tekrar artış gösterdiği ve 2025 Mayıs ayında dana karkas fiyatının ortalama 378,57 TL/kg olacağı tahmin edilmiştir.

Zaman serisi analizinde kullanılan fiyat tahmin modellerine ilişkin uyum kriterleri Tablo 3’de sunulmuştur.

Büyütmek İçin Tıklayın

Şekil 3: Dana karkas fiyat değerlerinin geleceğe yönelik kestirimi grafiği

Büyütmek İçin Tıklayın

Tablo 3: Fiyat tahmin modellerine ait uyum kriterleri

Elde edilen modellerin uyum iyiliği kriterleri, birbirleriyle karşılaştırmalı olarak değerlendirilmektedir. R², yaygın olarak bilinen ve doğrusal modellerin uyum iyiliğini ölçen bir kriterdir, çoğunlukla determinasyon katsayısı olarak adlandırılır. Bu katsayı 0 ile 1 arasındadır ve düşük değerler modelin veriye uyumunun zayıf olduğunu gösterir. Durağan R², modelin durağan kısmını temel modelle karşılaştıran bir ölçüttür ve eğilim veya mevsimsel bir örüntü durumunda tercih edilir. RMSE, hata karelerinin ortalamasının kareköküdür ve modelin tahminlerinin bağımlı seriden ne kadar saptığını belirtir; düşük değerler daha iyi model kestirimlerine işaret eder.

Mutlak Kestirim Hata Ortalaması Yüzdesi (MAPE), ortalama mutlak yüzde hatayı gösterir ve serilerin birimlerinden bağımsız olduğu için farklı serilerin karşılaştırılmasında kullanılır. Bu değeri 10’un altında olan modeller “çok iyi”, 10 ile 20 arasında olan modelleri “iyi”, 20 ile 50 arasında olan modelleri “kabul edilebilir” ve 50’nin üzerinde olan modeller ise “yanlış ve hatalı” olarak sınıflandırılmış olarak kabul edilmektedir.

MAE, ortalama mutlak hatayı ifade eder ve serilerin kendi birimleriyle ifade edilir. MaxAPE, en yüksek mutlak yüzde hata ölçüsüdür ve tahmin edilen değerler arasında gerçekleşen en yüksek hatayı gösterir; yüzde olarak ifade edildiği için birimden bağımsızdır ve tahminlerde en kötü senaryo analizleri için kullanılabilir. MaxAE, en yüksek mutlak hatayı belirtir ve bağımlı seri ile aynı birimde ifade edilir. Norm. BIC, normalize edilmiş Bayesyen bilgi kriteri, modelin genel uyumunu ölçer ve aynı seriler için farklı modellerin karşılaştırılmasında kullanılır; düşük değerler daha iyi bir modeli işaret eder.

Araştırmada dana karkas fiyatları için oluşturulan Box-Jenkins modelleri istatistik olarak anlamlıdır (p<0.001). MAPE değeri ise fiyatlara ait serilerin oldukça kullanılabilir tahminler içerdiğini göstermektedir.

Türkiye’de kırmızı et ithalatında yapılacak bir birimlik artış kırmızı et fiyatlarında 0.28 birimlik bir azalmaya neden olduğu ve ithalat yoluyla kırmızı et arzının arttırılması, ülke içinde kırmızı et fiyatlarını düzenleme konusunda yetersiz kaldığı bildirilmiştir ²⁴.

Hayvancılık sektöründe, kırmızı et fiyatlarının gelecekteki durumu üreticiler ve tüketiciler için büyük önem arz etmektedir. Özellikle Türkiye'de, piyasadaki istikrarsızlık, enflasyonist ekonomi ve kırmızı etteki ithalat baskısı gibi faktörler bu konunun önemini artırmaktadır. Geleceğe yönelik fiyat kestirimleri, sektörde ve piyasalardaki beklentileri karşılamak için önem arz etmektedir ⁴.

Çalışmada Tokat ilinde dana karkas fiyatlarının zaman serisi analizi ile geleceğe yönelik kestirimleri yapılmıştır. Elde edilen bulgular, literatürdeki benzer çalışmalarla uyum göstermektedir. Örneğin, Küçükoflaz ve ark. ^4, Türkiye'de kırmızı et fiyatlarının Box-Jenkins modelleri ile geleceğe yönelik kestirimlerini yapmış ve benzer sonuçlar elde etmiştir. Çalışmada da dana karkas fiyatlarının gelecekte artmaya devam edeceği ve fiyat dalgalanmalarının süreceği görülmüştür.

Fiyatlardaki ani değişimler, gelecek yıllardaki fiyatlar hakkında daha fazla belirsizlik yaratmakta ve bu durum, riskten korunma mekanizmalarının eksik olduğu durumlarda üretici refahını olumsuz etkileyen önemli bir fiyat riski oluşturmaktadır ²⁵. Dünyanın birçok yerinde kırmızı ete olan talebin artması ve iklim değişikliği gibi küresel baskılar genel olarak et ürünlerinin toptan ve perakende fiyatlarını artırmıştır ⁹. Elde edilen bulgular, literatürdeki bu genel eğilimlerle uyumlu olmakla birlikte kırmızı et piyasasındaki belirsizliklerin ve dalgalanmaların uzun vadede devam edeceğini göstermektedir.

Fiyatların dalgalanması, fiyatların gelecekte değişebileceği aralığı göstermektedir ²⁶. Fiyatlardaki dalgalanmanın derecesinin bilinmesi politika yapıcıların uygun stratejileri belirleyebilmeleri bakımından çok önemlidir. Kırmızı et gibi birincil emtia piyasalarında, üretim kararları gelecekteki beklenen fiyatlara göre yapılır ve bu beklentiler karşılanmadığında üreticiler fiyata bağlı olarak gelirin azalması durumu ile karşılaşmaktadırlar ²⁷.

Fiyat dalgalanmasının etkileri tüm gıda tedarik zinciri aktörlerini etkilemekle birlikte dalgalanma, üretken girdileri ve yatırımları azaltarak tepki veren üreticiler için risk oluşturmaktadır ^28-30. Beklenmedik fiyat artışları, gıda tedarik zincirinin diğer ucunda bulunan ve elde ettiği gelirin önemli bir kısmıyla gıda harcaması yapan tüketiciler için, sürdürülebilir gıda tüketimi açısından olumsuz bir etki oluşturmaktadır ³¹.

Bu çalışmada Türkiye’de 2018-2024 yılları arasında Tokat ilinde mezbaha ve kombinalarda kesilen dana karkaslarına ait fiyat verileri kullanılmıştır. Fiyat veri kullanılarak oluşturulan zaman serileri durağanlık göstermediğinden birinci farkları alındıktan sonra durağanlaştırılmıştır. Yapılan zaman serileri analizi sonucunda dana karkas fiyatları için en uygun ARIMA (1,1,0) modeli olduğu belirlenmiştir.

Belirlenen ARIMA modelleri doğrultusunda karkas fiyatlarının 2025 yılı Mayıs ayına kadar kestirimi sağlanmıştır. Kestirim sonuçlarına göre Türkiye’de Mayıs 2025 döneminde dana karkas fiyatlarının ortalama 378,57 TL/kg, ulaşacağı tahmin edilmiştir.

Türkiye’de kırmızı et fiyatlarında uzun vadede ve kısmen düşük şiddetli fiyat dalgalanmalarının olduğu bildirilmiştir ³². Fiyat dalgalanmalarından tüketicileri korumak için Et ve Süt Kurumu aracılığıyla piyasanın altında bir fiyatla ürün satışı yapılmaktadır. Ancak bu uygulamanın fiyat istikrarını sağlamaktan çok düşük gelirli tüketicilerin kırmızı et talebini karşılamayı amaçladığı ve kırmızı et talebini artırıcı bir etkisinin olmadığı bildirilmiştir ³³.

Sonuç olarak, Tokat ili örneğinde dana eti fiyatlarının geleceğe yönelik kestirimi üzerine yapılan bu çalışmada, zaman serisi analiz yöntemleri kullanılarak fiyatların gelecekteki eğilimleri tahmin edilmiştir. Araştırma kapsamında ARIMA modelleriyle elde edilen sonuçlar, fiyatların belirli bir trend izlediğini ve dönemsel dalgalanmalar gösterdiğini ortaya koymuştur. Elde edilen model, kısa vadede fiyatların tahmin edilebilirliğini artırdığını diğer taraftan kırmızı et piyasasındaki risk ve belirsizliklere karşı stratejik planlama yapma gerekliliğini ortaya koymaktadır. Bu bağlamda, çalışmanın sonuçları, kırmızı et piyasasının istikrarını sağlamaya yönelik politika önerileri geliştirilmesine katkı sunmakta ve geleceğe yönelik fiyat dalgalanmalarını minimize edecek stratejilerin belirlenmesinde yol gösterici olabileceği konusunda önemli bilgiler sağlamaktadır.

1) FAO. “Meat Market Review”. https://openknowledge.fao. org/server/api/core/bitstreams/2a4c3fe0-0c7d-4418-981b 2471d4924fef/content /29.04.2024.

2) Godfray HCJ, Aveyard P, Garnett T, et al. Meat consumption, health, and the environment. Science 2018; 361: eaam5324.

3) Bai Z, Ma W, Ma L, et al. China’s livestock transition: Driving forces, impacts, and consequences. Science advances 2018; 4: eaar8534.

4) Küçükoflaz M, Akçay A, Çelik E, Sarıözkan S. Türkiye'de kırmızı et ve süt fiyatlarının Box-Jenkins modeller ile geleceğe yönelik kestirimleri. Vet Hek Der Derg 2019; 90: 122-131.

5) TOB. “Tarım ve Orman Bakanlığı. Hayvancılık Genel Müdürlüğü, Hayvancılık Verileri”. www.tarimorman.gov.tr/ sgb/Belgeler/SagMenuVeriler/HAYGEM.pdf / 20.03.2024.

6) Çiçek H, Doğan İ. Türkiye’de canlı sığır ve sığır eti ithalatındaki gelişmeler ve üretici fiyatlarının trend modelleri ile incelenmesi. Kocatepe Vet J 2018; 11: 1-10.

7) Erdoğdu H, Çiçek H. Modelling beef consumption in Turkey: the ARDL/bounds test approach. Turk J Vet Anim Sci 2017; 41(2): 255-264.

8) Arıkan MS, Çevri̇mli̇ MB, Akın AC, Teki̇ndal MA. Determining the change in retail prices of veal in Turkey by GARCH method between 2014-2017. Kafkas Univ Vet Fak Derg 2019; 25: 499-505.

9) Revell BJ. One man’s meat 2050 ruminations on future meat demand in the context of global warming. J Agric Econ 2015; 66: 573-614.

10) UKON. “Ulusal Kırmızı Et Konseyi Kesim Fiyatları”. http://www.ukon.org.tr/Fiyatlar.aspx / 20.05.2024.

11) Çiçekgil, Z. Türkiye’de tavuk yumurtası mevcut durumu ve üretim öngörüsü. TEAD 2016; 2: 26-34.

12) Çevri̇mli̇ MB, Arıkan MS, Teki̇ndal MA. Honey price estimation for the future in Turkey; example of 2019-2020. Ankara Univ Vet Fak Derg 2020; 67: 143-152.

13) Arıkan MS, Çevrimli MB, Mat B, Tekindal MA. Price Forecast For Farmed and Captured Trout Using Box-Jenkins Method and 2009-2017 Prices. Ankara: Academic Studies in Health Sciences, 2018.

14) TOB. “Tarım ve Orman Bakanlığı, Piyasa Takip Sistemi”. https://hbsapp.tarbil.gov.tr/Modules/PTA/ET/DataEntry.aspx / 17.06.2024.

15) IBM Corporation. “SPSS Statistical Software, Release 25. Spring House”.12.03.2017

16) Wickramarachchi AR, Herath HMLK, Jayasinghe-Mudalige UK, et al. An analysis of price behavior of major poultry products in Sri Lanka. JAS 2017; 12(2): 138-148.

17) Box GEP, Jenkins GM, Reinsel GC, Ljung GM. Time Series Analysis: Forecasting and Control. USA: John Wiley & Sons, 2015.

18) Tekindal MA, Güllü Ö, Yazıcı AC, Yavuz Y. The modelling of time-series and the evaluation of forecasts for the future: The case of the number of persons per physician in turkey between 1928 and 2010. Biomedical Research 2016; 27: 965-971.

19) Yenice S, Tekindal MA. Forecasting the stock indexes of fragile five countries through Box-Jenkins methods. IJBSS 2015; 6: 180-191.

20) Tekin ME, Tekindal MA. Optimum sample size in group comparisons in animal breeding researches with simulation study. JSTR 2019; 5: 279-286.

21) Kaymaz Ö. Forecasting of commercial egg production in Turkey with Box-Jenkins and Winter’s Exponential Smoothing Methods. Eurasian J Vet Sci 2018; 34: 142-149.

22) Akın AC, Arıkan MS, Çevrimli MB. Effect of import decisions in Turkey on the red meat sector. MAE Vet Fak Derg 2020; 5: 83-89.

23) Aydın E, Can MF, Aral Y, Cevger Y, Sakarya, E. Türkiye’de canlı hayvan ve kırmızı et ithalatı kararlarının sığır besicileri üzerine etkileri. Vet Hek Der Derg 2010; 81: 51-57.

24) Aktaş, G. Canlı hayvan ve karkas ithalatının kırmızı et fiyatlarına etkisi: Türkiye’de ithalatın regülasyonu. Gümrük ve Ticaret Dergisi 2020; 7: 12-29.

25) Rezitis AN, Stavropoulos KS. Price volatility and rational expectations in a sectoral framework commodity model: A multivariate GARCH approach. Agric Econ 2011; 42: 419-435.

26) Weaver RD, Natcher WC. “Competitiveness in vertical market chains: Evidence for beef markets”. In, NEC-165 Conference, The American Consumer in the Changing Food System. Washington DC. https://pure.psu.edu/en/ publications/competitiveness-in-vertical-market-chains-evidence-for-beef-marke /06.03.2024.

27) Rezitis AN, Stavropoulos KS. Greek meat supply response and price volatility in a rational expectations framework: A multivariate GARCH approach. Eur Rev Agric Econ 2012; 39: 309-333.

28) Sckokai P, Moro D. Modelling the impact of the CAP single farm payment on farm investment and output. Eur Rev Agric Econ 2009; 36: 395423.

29) Tangerman S. “Risk management in agriculture and the future of the EU’s Common Agricultural Policy”. https://ageconsearch.umn.edu/record/320171/files/Tangermann%20risk%20management%20EU%20CAP%202011.pdf / 19.03.2024.

30) Taya S. “Stochastic model development and price volatility analysis OECD Food Agriculture and Fisheries Papers”. https://www.oecd-ilibrary.org/content/paper/ 5k95tmlz3522-en / 15.02.2024.

31) Hernandez MA, Ibarra R, Trupkin DR. How far do shocks move across borders? Examining volatility transmission in major agricultural futures markets. Eur Rev Agric Econ 2014; 41: 301-325.

32) Ayyıldız M. Kırmızı Ette Fiyat Oynaklığı ve Tüketici Davranışları. Doktora Tezi, Tokat: Tokat Gaziosman Paşa Üniversitesi, Fen Bilimleri Ensitisü, Tarım Ekonomisis Anabilim Dalı, 2017.

33) Çiçek A, Ayyıldız M, Doğar D. Et ve süt kurumunun sözleşmeli kırmızı et satış politikasının tüketiciler boyutunda değerlendirilmesi. Turkish Journal of Agriculture-Food Science and Technology 2020; 8: 2339-2347.