SavedAdd your journal

Journals / Sosyoekonomi / 2021 / Cilt: 29 - Sayı: 48

Cluster Analysis for Foreign Trade Data: The Case of Turkey, Azerbaijan, and Kazakhstan

Dış Ticaret Verileri İçin Kümeleme Analizi: Türkiye, Azerbaycan ve Kazakistan Örneği

Cihan ÇILGIN
Aslı Seda KURT
Pages
511–540
Publication Date
2021-04-28
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The findings of this paper present detailed evidence as to the export and import of the countries handled.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Foreign trade is one of the most critical sources of welfare.
📊
Key Findings & Data:This paper aims to cluster the data set regarding the export and import of Turkey and Turkic Republics by considering other determinants of foreign trade for 2017.
💡
Conclusion & Impact:The findings of this paper present detailed evidence as to the export and import of the countries handled.
🔬Design:Research Article
📍Scope:2017 Verileri
⚙️Variables:Dış Ticaret · Kümeleme · K-Ortalama

Abstract

Foreign trade is one of the most critical sources of welfare. Factors such as population, per capita income, and the distance between countries is among the crucial determinants of foreign trade. This paper aims to cluster the data set regarding the export and import of Turkey and Turkic Republics by considering other determinants of foreign trade for 2017. In this study, Kazakhstan and Azerbaijan, of which data sets are available, are considered, and Turkey. For this paper, K-means, Ward hierarchical clustering, and self-organizing maps are used. The findings of this paper present detailed evidence as to the export and import of the countries handled.

Özet

Dış ticaret refahın en önemli kaynaklarından biridir. Ülkelerin nüfusları, kişi başına düşen gelir düzeyleri, ülkeler arasındaki uzaklık gibi faktörler ise dış ticaretin önemli belirleyenlerindendir. Bu çalışmanın amacı, Türkiye ve Türk Cumhuriyetleri’nin ihracat ve ithalata ilişkin 2017 yılına ait veri setlerini, dış ticaretin temel belirleyenlerini de dikkate alarak kümelemektir. Çalışmada Türkiye’nin yanı sıra veri seti açısından uygun durumda bulunan Kazakistan ve Azerbaycan ülkeleri dikkate alınmıştır. Çalışmanın amacı doğrultusunda K-ortalama, Ward hiyerarşik kümeleme ve kendi kendini düzenleyen haritalar yöntemlerinden yararlanılmıştır. Uygulama sonuçları, ele alınan ülkelerin ihracat ve ithalatındaki kümelere ilişkin detaylı tespitler sunmaktadır.

🔖

Cite This Article

ÇILGIN, C., KURT, A. S. (2021). Cluster Analysis for Foreign Trade Data: The Case of Turkey, Azerbaijan, and Kazakhstan. Sosyoekonomi, Cilt: 29 - Sayı: 48, 511–540. https://ajindex.com/articles/139307

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Akal, M. & A. Karakaş (2011), “Türk Cumhuriyetlerinin Üretim Yapılarındaki Dönüşüm ve Türkiye ile Ticari İlişkileri: 1996-2005”,
  2. Bilig, Türk Dünyası Sosyal Bilimler Dergisi, 58, 1-28.
  3. Aker, Ş. & I. Aghaei (2019), “Comparison of business environments in oil-rich MENA countries: a clustering analysis of economic diversification and performance”, Emerging Markets Finance and Trade, 55(12), 2871-85.
  4. Akyüz, K.C. (2006), “Avrupa Birliği Sürecinde Türkiye Orman Ürünleri Sanayinin Rekabet Düzeyi”, ZKÜ Bartın Orman Fakültesi Dergisi, 8(9), 83-94.
  5. Attewell, P. & D.B. Monaghan & D. Kwong (2015), Data Mining for the Social Sciences: An Introduction, Oakland, California: Univ of California Press. Bação, F. & V. Lobo & M. Painho (2005), “Self-organizing Maps as Substitutes for K-means Clustering”, International Conference on Computational Science-ICSS 2005, Springer: 476-83.
  6. Bircan, H. & M. Zontul & A.G. Yüksek (2006), “SOM Tipinde Yapay Sinir Ağlarını Kullanarak Türkiye’nin İhracat Yaptığı Ülkelerin Kümelenmesi Üzerine Bir Çalışma”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20, 219-39.
  7. Bholowalia, P. & A. Kumar (2014), “EBK-means: A clustering technique based on elbow method and k-means in WSN”, International Journal of Computer Applications, 105(9), 17-24.
  8. Bulum, A.Z. & F. Ersöz & T. Ersöz (2013), “Dünya Ticaret Örgütü (WTO) Üyesi Ülkelerin Uluslararası Ticaret Hacimleri Üzerine Bir Çalışma”, Nevşehir Bilim ve Teknoloji Dergisi, 2(2), 153-65. Caliński, T. & J. Harabasz (1974), “A Dendrite Method for Cluster Analysis”, Communications in Statistics-theory and Methods, 3(1), 1-27.
  9. Carter, C. (2002),
  10. Great Circle Distances, SiRF White Paper. Chaudhary, V. & R.S. Bhatia & A.K. Ahlawat (2014), “A Novel Self-Organizing Map (SOM) Learning Algorithm with Nearest and Farthest Neurons”, Alexandria Engineering Journal, 53(4), 827-31.
  11. Çakmak, Z. (1999), “Kümeleme Analizinde Geçerlilik Problemi ve Kümeleme Sonuçlarının Değerlendirmesi”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 3, 187-205.
  12. DPT (2000), Türkiye ile Türk Cumhuriyetleri ve Bölge Ülkeleri İlişkileri Özel İhtisas Komisyonu Raporu, Ankara.
  13. Ferreira, L. & D.B. Hitchcock (2009), “A Comparison of Hierarchical Methods for Clustering Functional Data”, Communications in Statistics-Simulation and Computation, 38(9), 1925-49.
  14. Gan, G. & C. Ma & J. Wu (2007), Data Clustering: Theory, Algorithms, and Applications, 20: Siam. Géron, A. (2017), Hands-on Machine Learning with Scikit-Learn and TensorFlow: Concepts,