SavedAdd your journal

Journals / İstatistikçiler Dergisi:İstatistik ve Aktüerya / 2026 / Cilt: 4 Sayı: 1

Classification of countries in terms of tourism statistics using fuzzy clustering analysis

Bulanık kümeleme analizi ile ülkelerin turizm istatistikleri bakımından sınıflandırılması

İbrahim Kılıç
Oktay Emir
Gonca Kılıç
Pages
31–38
Publication Date
2011-06-30
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)

With the help of these obtained parameters, the most appropriate cluster structure and number was tried to be determined.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, it was aimed to classify 30 countries, which include samples from almost all the regions or continents of the world, with fuzzy clustering analysis by using the tourism statistics given with nine variables belonging to the year 2007.
📊
Key Findings & Data:In the study, average Silhouette Coefficient, Dunn Coefficient and Nonfuzziness Index known as normalized Dunn Coefficient were computed for each cluster number (k=2,3,4,…).
💡
Conclusion & Impact:With the help of these obtained parameters, the most appropriate cluster structure and number was tried to be determined.
🔬Design:Araştırma Makalesi
📍Scope:2007 Verileri
⚙️Variables:Çok de)i(kenli analiz · Bulan k kümeleme analizi · Turizm istatistikleri

Abstract

In this study, it was aimed to classify 30 countries, which include samples from almost all the regions or continents of the world, with fuzzy clustering analysis by using the tourism statistics given with nine variables belonging to the year 2007. In the study, average Silhouette Coefficient, Dunn Coefficient and Nonfuzziness Index known as normalized Dunn Coefficient were computed for each cluster number (k=2,3,4,…). In addition to this, by using cluster membership functions determined for each cluster number, discriminant analysis was applied to the data set belonging to the countries and correct classification percentages were determined. With the help of these obtained parameters, the most appropriate cluster structure and number was tried to be determined.

Özet

Bu çalışmada, dünyanın hemen her bölgesinden veya kıtasından örneklerin yer aldığı 30 ülkenin, 2007 yılına ait dokuz değişken ile verilen turizm istatistikleri kullanılarak bulanık kümeleme analizi ile sınıflandırılması amaçlanmıştır. Çalışmada, her bir küme sayısı (k=2,3,4,…) için ortalama gölge istatistiği, Dunn katsayısı ve normalleştirilmiş Dunn katsayısı olarak bilinen Nonfuzziness Index hesaplanmıştır. Bununla birlikte, her bir küme sayısı için belirlenen küme üyelik fonksiyonları kullanılarak ülkelere ait veri setine Diskriminant Analizi uygulanmış ve doğru sınıflandırılma oranları saptanmıştır. Elde edilen bu parametreler vasıtası ile en uygun küme yapısı veya sayısı belirlenmeye çalışılmıştır.

🔖

Cite This Article

Kılıç, İ., Emir, O., Kılıç, G. (2011). Classification of countries in terms of tourism statistics using fuzzy clustering analysis. İstatistikçiler Dergisi:İstatistik ve Aktüerya, Cilt: 4 Sayı: 1, 31–38. https://ajindex.com/articles/1502782

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (23)

  1. M.R. Anderberg, 1973, Cluster Analysis for applications, Academic Press, New York.
  2. A.C.G. Atba, 2008, Kümeleme analizinde küme say s n n belirlenmesi üzerine bir çal (ma, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Ankara.
  3. J.C. Bezdek, S.K. Pal, 1992, Fuzzy Models For Pattern Recognition: Methots That Search For Structures in Data, IEEE Press, New York.
  4. R.B. Calinski, J. Harabasz, 1974, A dendirite method for cluster analysis, Communications in Statistics, 3, 1-27.
  5. K.S. Dinçer, K. Özdamar, 1992, Kümeleme çözümlemesinde uygun kümeleme ölçütlerinin kar la t r lmas, Hacettepe Fen ve Mühendislik Bilimleri Dergisi, 14, 17–33.
  6. N.A. Erilli, U. Yolcu, E. E+rio+lu, C.H. Alada+, Y. Öner, 2011, Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks, Expert Systems with Applications, 38/3, 2248- 2252.
  7. B. Everitt, 1974, Cluster Analysis, Heinmann, London.
  8. D. Geler, 2005, Sosyo-ekonomik de)i(kenliklerine göre illerin kümelenmesi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Ankara.
  9. L. Kaufman, P.J. Rousseeuw, 1990, Finding Groups Data: An Introduction to Cluster Analysis, John Wiley and Sons Inc, New York.
  10. K l ç, 2008, Canl a) rl k ve baz vücut ölçüleri kullan larak Karayaka ve Bafra (Sak z x Karayaka G1) koyunlar n n çok de)i(kenli istatistiksel yöntemler ile incelenmesi. Ankara Üniversitesi Sa+l k Bilimleri Enstitüsü, Doktora Tezi, Ankara.
  11. S. Koç, 2001, 'llerin sosyo-ekonomik özelliklere göre s n fland r lmas, Çukurova Üniversitesi 5. Ulusal Ekonometri ve statistik Sempozyumu, Çukurova Üniversitesi, Adana.
  12. F.H.C. Marriot, 1971, Practical Problems in a method of Cluster Analysis, Biometrics, 27, 501-514.
  13. K. Özdamar, 2004, Paket Programlar ile 'statistiksel Veri Analizi (Çok De)i(kenli Analizler), Kaan Kitabevi, Eski ehir.
  14. S. Sharma, 1996, Applied Multivariate Techniques, John Wiley and Sons Inc, New York.
  15. M. 6ahin, B. Hamarat, 2002, G-10 Avrupa Birli)i ve OECD Ülkelerinin Sosyo-Ekonomik Benzerliklerinin Fuzzy Kümeleme Analizi 'le Belirlenmesi, ODTÜ VI. International Conference in Economics, 11-14.
  16. L. Terlemez, 2001, Kümeleme analizi ile Avrupa Birli)ine aday ülkelerin ekonomik durumlar n n incelenmesi, Anadolu Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Eski ehir.
  17. WTO, 2009, Compendium of Tourism Statistics-Data 2003-2007, World Tourism Organization (UNWTO), Madrid.
  18. WTO, 2010, UNWTO World Tourism Barometer. Interim Update April 2010, http://www.unwto.org.
  19. V. Y lanc, 2010, Bulan k kümeleme analizi ile Türkiye’deki illerin sosyoekonomik aç dan s n fland r lmas, Süleyman Demirel Üniversitesi 'ktisadi ve 'dari Bilimler Fakültesi Dergisi, 15/3, 453-470.
  20. A.C.G. Atba, 2008, Kümeleme analizinde küme say s n n belirlenmesi üzerine bir çal (ma, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Ankara.
  21. K.S. Dinçer, K. Özdamar, 1992, Kümeleme çözümlemesinde uygun kümeleme ölçütlerinin kar la t r lmas, Hacettepe Fen ve Mühendislik Bilimleri Dergisi, 14, 17–33.
  22. S. Koç, 2001, 'llerin sosyo-ekonomik özelliklere göre s n fland r lmas, Çukurova Üniversitesi 5. Ulusal Ekonometri ve statistik Sempozyumu, Çukurova Üniversitesi, Adana.
  23. V. Y lanc, 2010, Bulan k kümeleme analizi ile Türkiye’deki illerin sosyoekonomik aç dan s n fland r lmas, Süleyman Demirel Üniversitesi 'ktisadi ve 'dari Bilimler Fakültesi Dergisi, 15/3, 453-470.