SavedAdd your journal

Journals / Maliye Dergisi / 2019 / Sayı: 176

Use of Clustering Analysis in Classification of Provinces in Terms of Tax Revenues

İllerin Vergi Gelirleri Açısından Sınıflandırılmasında Kümeleme Analizi Kullanımı

Metin ALLAHVERDİ
ALİ ALAGÖZ
Pages
441–473
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 results obtained from the study are thought to constitute an important data source for decision-making mechanisms and for future research.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of this study is to determine the classification of provinces in Turkey by using variables comprised of tax revenues indicators and to reveal the distribution, differences and similarities of provinces in terms of tax revenues.
📊
Key Findings & Data:In line with this, the data belonging to the 81 provinces of Turkey were examined by the clustering analysis method and the significance of results was supported by the discriminant analysis.
💡
Conclusion & Impact:The results obtained from the study are thought to constitute an important data source for decision-making mechanisms and for future research.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

The aim of this study is to determine the classification of provinces in Turkey by using variables comprised of tax revenues indicators and to reveal the distribution, differences and similarities of provinces in terms of tax revenues. In line with this, the data belonging to the 81 provinces of Turkey were examined by the clustering analysis method and the significance of results was supported by the discriminant analysis. According to the variables in the study, the provinces were clustered using the “K-means Method” and the “Euclidean Distance”. As a result of the analysis, it was seen that the provinces with similar characteristics in terms of tax collection variables were in the same clusters and differences between clusters have been revealed. The results obtained from the study are thought to constitute an important data source for decision-making mechanisms and for future research.

Özet

Bu çalışmada genel vergi gelirleri göstergelerinden oluşan değişkenlerden yararlanarak illerin sınıflandırılması ve vergi gelirleri açısından dağılım, benzerlik ve farklılıklarının ortaya konulması amaçlanmıştır. Bu amaç doğrultusunda 81 ile ait veriler kümeleme analizi yöntemi ile incelenerek elde edilen sonuçların anlamlılığı ayırma (diskriminant) analizi ile desteklenmiştir. Çalışmada kullanılan değişkenlere göre iller “K-Ortalamalar Metodu” ve “Öklid Uzaklığı” kullanılarak kümelenmiştir. Yapılan analizin sonucunda vergi tahsilatı değişkenleri açısından benzer özelliklere sahip illerin aynı kümelerde olduğu ve kümeler arasındaki farkların ortaya çıktığı görülmüştür. Çalışmadan elde edilen sonuçların karar alma mekanizmaları ve gelecek araştırmalar için önemli bir veri kaynağı oluşturduğu düşünülmektedir.

🔖

Cite This Article

ALLAHVERDİ, M., ALAGÖZ, A. (2019). Use of Clustering Analysis in Classification of Provinces in Terms of Tax Revenues. Maliye Dergisi, Sayı: 176, 441–473. https://ajindex.com/articles/78833

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (20)

  1. Agboola, S. ve Joel, M.B. (2017), “Classification of Some Seasonal Diseases: A Hierarchical Clustering Approach”, Biomedical Statistics and Informatics, 2(3), 122-127.
  2. Akar, S. (2013), “Vergi Gelirlerinin Esnekliği ve İstikrarı: Merkezi Bütçe Sınıflandırmasına Dayalı Ampirik Bir Analiz”, Maliye Dergisi, (165), 27- 37. Akdoğan, A. (1994),
  3. Kamu Maliyesi, Gazi Büro Kitabevi,
  4. Ankara.
  5. Alkaçar, B. (2016), Verilerin Dili: Ekonomiyi Nasıl Okumalıyız?, Türkiye Bankalar Birliği Yayın No:316, İstanbul.
  6. Alpar, R. (2017), Uygulamalı Çok Değişkenli İstatistiksel Yöntemler, Ankara:
  7. Detay Yayıncılık, Beşinci Baskı.
  8. Anderberg, M.R. (1973),
  9. Cluster Analysis for Application, Academic Press,
  10. London. Atal, S. (2015), Bulanık Kümeleme Analizi ve OECD Ülkelerinin Gelişmişlik Bakımından Kümelendirilmesi, Yayınlanmamış Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi,
  11. Fen Bilimleri Enstitüsü. Atbaş, G.C.A. (2008), Kümeleme Analizinde Küme Sayısının Belirlenmesi Üzerine Bir Çalışma, Yayınlanmamış Yüksek Lisans Tezi, Ankara Üniversitesi,
  12. Fen Bilimleri Enstitüsü. Cengiz, D. (2010), “Mevduat Bankalarının Rasyolarına Kümelenmesi”, Trakya Üniversitesi Sosyal Bilimler Dergisi, 12(1), 231-247.
  13. Cengiz, D. ve Öztürk, F. (2012), “Türkiye’de İllerin Eğitim Düzeylerine Göre Kümelenme Analizi ile İncelenmesi”, Trakya Üniversitesi Sosyal Bilimler Dergisi, 14(1), 69-84.
  14. Çakmak Z. (1999), “Kümeleme Analizinde Geçerlilik Problemi ve Kümeleme Sonuçlarının Değerlendirilmesi”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (3), 187-205.
  15. Çakmak, Z., Uzgören, N. ve Keçek, G. (2005), “Kümeleme Analizi Teknikleri ile İllerin Kültürel Yapılarına Göre Sınıflandırılması ve Değişimlerinin İncelenmesi”, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (12), 1-21.
  16. Çelik, Ş. (2013), “Kümeleme Analizi ile Sağlık Göstergelerine Göre Türkiye’deki İllerin Sınıflandırılması”, Doğuş Üniversitesi Dergisi, 14(2), 175-194.
  17. Daştan, A. (2011), “Muhasebe Meslek Mensuplarının Vergı̇ Kayıp ve Kaçaklarının Önlenmesindeki Rolü: Doğu Karadeniz Bölgesine Yönelik Bir Araştırma”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25(2), 181-206.
  18. Dios, A., Pintp, C., Batista, J. ve Neves, M.E. (2016),
  19. Signaling Tax Evasion, Financial Ratios and Cluster Analysis, Working Papers No:51, OBEGEF-Observatório de Economiae Gestão de Fraude. Doğan, B. (2008), Bankaların Gözetiminde Bir Araç Olarak Kümeleme Analizi, Yayınlanmamış Doktora Tezi, Kadir Has Üniversitesi,
  20. Sosyal Bilimler Enstitüsü. Ekici, M. (2009), “Vergi G