Vakıf üniversitelerinde öğrenim ücretlerinin belirleyicileri: Faktör analizi ve makine öğrenmesi temelli bir yaklaşım
Determinants of tuition fees at foundation universities: A factor analysis and machine learning approach
- Tez No: 1012474
- Danışmanlar: PROF. DR. CEVRİYE GENCER
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü
- Ana Bilim Dalı: Harekat Araştırması Ana Bilim Dalı
- Bilim Dalı: Harekat Araştırması Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye'de yükseköğretim sistemi, statü ve finansman yapısı bakımından kamu kaynaklarına dayalı devlet üniversiteleri ile gelirini ağırlıkla öğrenim ücretlerinden sağlayan kâr amacı gütmeyen vakıf üniversiteleri olmak üzere iki gruba ayrılmaktadır. Bu farklı finansman yapıları, üniversitelerin eğitim, araştırma ve toplumsal katkı alanlarındaki kurumsal kapasitelerini doğrudan etkilemektedir. Bu nedenle, vakıf üniversitelerinde öğrenim ücretlerinin düzeyi ve farklılaşması; kurumların sürdürülebilirliği, programların niteliği ve yükseköğretime erişilebilirlik açısından kritik bir belirleyici olarak öne çıkmaktadır. Ancak, vakıf üniversitelerinin temel gelir kaleminin öğrenim ücretlerine dayanması ve kamu üniversitelerinde olduğu gibi merkezi bir bütçe tarifesi mekanizmasının bulunmaması, ücret belirleme sürecini kurumsal düzeyde stratejik bir karar alanına dönüştürmektedir. Bu çerçevede vakıf üniversiteleri, kendi maliyet yapıları, hedefledikleri öğrenci profili, program bileşimi ve rekabet koşullarını değerlendirerek öğrenim ücretlerini bağımsız biçimde belirlemektedir. Bu ücret farklılaştırmasının hangi program ve üniversite özellikleriyle şekillendiğini ampirik olarak ortaya koymak amacıyla, bu çalışmada Türkiye'deki vakıf üniversitelerinin lisans ve önlisans programlarında uygulanan yıllık öğrenim ücretlerini etkileyen faktörler belirlenmektedir. Analizler 2025–2026 akademik yılına ait 72 üniversite, 311 programdan oluşan kesitsel veri setine dayanmaktadır. Üniversite ve program özelliklerine ilişkin veriler (program adı, eğitim süresi, eğitim dili, tavan/taban puan, kontenjan ve doluluk oranı vb.) Yükseköğretim Kurulu (YÖK) ve Ölçme, Seçme ve Yerleştirme Merkezi'nden (ÖSYM); yapısal ve akademik göstergeler (öğrenci/personel yoğunluğu, birim sayıları, Ar-Ge ve kütüphane harcamaları vb.) YÖK istatistikleri ile üniversitelerin faaliyet raporları ve stratejik plan izleme raporlarından; istihdam oranı, ilk iş bulma süresi gibi göstergeler Türkiye İstatistik Kurumu'ndan (TÜİK); il ve ilçe düzeyindeki gelişmişlik göstergeleri Sosyo-Ekonomik Gelişmişlik Endeksi (SEGE) raporundan; araştırma performansı ve küresel görünürlüğe ilişkin ölçütlerde URAP, THE, QS, Scimago, Webometrics ve benzeri endekslerin kamuya açık verilerinden; güncel öğrenim ücretleri üniversitelerin web sitelerinden derlenmiştir. Yüksek boyutlu göstergeleri yönetilebilir ve yorumlanabilir bir çerçeveye taşımak için öncelikle faktör analizi uygulanmış; kurumsal performansı veya kapasiteyi temsil eden boyutlar, Varimax rotasyonlu faktör skorları aracılığıyla elde edilmiştir. Elde edilen boyutların sağlamlığı, alternatif bir boyut indirgeme yaklaşımı olarak temel bileşen analizi (TBA) skorları kullanılarak test edilmiştir. Ardından öğrenim ücreti bağımlı değişken olacak şekilde en küçük kareler (EKK) modeli ve doğrusal olmayan ilişkileri yakalamak amacıyla makine öğrenmesi modelleri kurulmuştur. Elde edilen sonuçlarda, faktör skorları ile kurulan EKK modelinin açıklayıcılığı R²=0,598 iken; sağlamlık analizi kapsamında TBA skorları ile kurulan alternatif modelde R²=0,594 elde edilmiştir. Makine öğrenmesi aşamasında HistGradientBoosting (HistGB), Rastgele Orman, ExtraTrees, Ridge ve ElasticNet modelleri 5-katlı çapraz doğrulama ile karşılaştırılmıştır. Farklı makine öğrenmesi algoritmaları arasında en yüksek tahmin başarısı HistGB modeli, R²=0,866 (RMSE=0,147; MAE=0,103; MAPE=10,466) ile en yüksek performansı sunmuş; TBA skorlarıyla kurulan sağlamlık çerçevesinde de benzer biçimde R²=0,865 (RMSE=0,148; MAE=0,104; MAPE=10,527) elde edilmiştir. Bulgular, vakıf üniversitelerinde ücretlerin birincil belirleyicisinin program süresi olduğunu; bu değişkeni kurumsal prestij, üniversite yaşı, eğitim dili ve bölgesel sosyo-ekonomik gelişmişlik düzeyinin izlediğini göstermektedir.
Özet (Çeviri)
Türkiye's system of higher education can be classified into two categories based on their financial support and status: public universities that receive funding from governmental sources and non-profit foundation universities that primarily generate income from student tuition fees. The varying financial frameworks significantly influence the educational, research, and societal capabilities of these institutions. Consequently, the variations and levels of tuition fees at foundation universities emerge as a vital factor in determining the sustainability of institutions, the quality of their programs, and the accessibility of higher education. Since foundation universities depend on tuition fees as their main income source and do not operate under a unified budgetary tariff system akin to public universities, the establishment of tuition requires strategic planning at the institutional level. In this context, foundation universities independently set their tuition fees by taking into account their cost structures, desired student demographics, types of programs, and market conditions. To empirically identify which program and university characteristics shape this tuition differentiation, this study examines the factors affecting annual tuition fees charged in undergraduate and associate-degree programs at Türkiye's foundation universities. The study utilizes a cross-sectional dataset from the 2025–2026 academic year, featuring 72 universities and 311 distinct programs. Information regarding university and program specifics (for instance, program title, length of study, medium of instruction, highest and lowest admission scores, and enrolment and occupancy rates) was collected from the Council of Higher Education (YÖK) and the Student Selection and Placement Center (ÖSYM). Structural and academic metrics (such as student/staff ratios, total academic departments, research and development, and library spending) were compiled from YÖK statistics as well as activity reports and strategic plans from the universities. Employment statistics and the duration to first job were acquired from the Turkish Statistical Institute (TÜİK). Development metrics at the province and district levels were sourced from the Socio-Economic Development Index (SEGE) report. Measures related to research output and global visibility were drawn from publicly accessible data from URAP, THE, QS, Scimago, Webometrics, and analogous indices, while current tuition fees were gathered from the individual universities' websites. To simplify complex indicators into a more actionable and understandable framework, the research initially employed factor analysis to create dimensions of institutional performance and capacity through Varimax-rotated factor scores. The validity of these dimensions was verified using principal component analysis (PCA) scores as an alternative method for dimensionality reduction. Following this, an ordinary least squares (OLS) regression model was conducted with tuition fees treated as the outcome variable, and machine learning techniques were employed to identify non-linear relationships. The OLS model's explanatory capacity based on factor scores was R²=0,598, while the PCA-based model produced an R²=0,594 in the robustness analysis. During the machine learning phase, HistGradientBoosting (HistGB), Random Forest, ExtraTrees, Ridge, and ElasticNet models were assessed through five-fold cross-validation. Among these models, HistGB produced the best predictive accuracy with R²=0,866 (RMSE=0,147; MAE=0,103; MAPE=10,466), and a similar level of accuracy was observed under the PCA-based robustness framework yielding R²=0,865 (RMSE=0,148; MAE=0,104; MAPE=10,527). The results suggest that the most significant factor affecting tuition fees at foundation universities is the duration of the programs, followed in importance by institutional reputation, the age of the university, the language used for instruction, and the socio-economic development of the surrounding region.
Benzer Tezler
- Devlet ve vakıf üniversitelerinde eğitimin niteliği ile öğrenim harçları konusundaki sorunlar ve öğrenci görüşleri
Quality of education in public and foundation universities and student opinions and problems about training fees
DENİZ DEV
Yüksek Lisans
Türkçe
1998
Eğitim ve ÖğretimAnkara ÜniversitesiEğitim Yönetimi ve Planlaması Ana Bilim Dalı
PROF. DR. MAHMUT ADEM
- Eğitim turizmi kapsamında destinasyon seçimini etkileyen faktörler: İstanbul örneği
Factors affecting destination selection within the scope of education tourism: İstanbul case
FATİH HASAN HANÇER
Doktora
Türkçe
2021
TurizmNevşehir Hacı Bektaş Veli ÜniversitesiTurizm İşletmeciliği Ana Bilim Dalı
PROF. DR. ŞULE AYDİN
- Piyasalaşan yükseköğretimde Türkiye'de akademisyenlik mesleğinin prekarizasyonu (Güvencesizleştirilmesi): Öğretim elemanı deneyimleri
Precarization of the academic profession in marketized higher education in Turkey: Faculty experiences
AYSUN AKGÜN
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimYıldız Teknik ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. AYDIN BALYER
- Билим, илим жана маданият тармагындагы Кыргызстан менен Түркиянын кызматташтыгы (1992-2012 жж.)
Kırgız Cumhuriyeti ile Türkiye Cumhuriyeti arasında eğitim, bilim ve kültürel ilişkiler (1992-2012)
KADRİ AĞGÜN
Doktora
Kırgızca
2016
TarihKyrgyz State Unıversıty Named After I ArabaevTarih Ana Bilim Dalı
PROF. DR. TÖLÖBEK ABDRAHMANOV
- Financial sustainability in Turkish foundation universities: Officers' perceptions
Türkiye'deki vakıf üniversitelerinde finansal sürdürülebilirlik: Yetkililerin görüşleri
MAHFOOZUR RAHMAN
