Türkiye İşgücü Verilerinin Karar Ağacı Yöntemleriyle Analizi

Özet

İstihdam, işsizlik ve bunlara bağlı sorunlara odaklanan ülkeler, bu sorunları çözebilmek ve sağlıklı politikalar oluşturabilmek için konu ile ilgili veri derleme ve araştırma çalışmalarına önem vermektedirler. Bu konudaki araştırmalarda çeşitli veri analiz yöntemlerinden faydalanılmaktadır. Klasik istatistiksel analiz yöntemlerinin yanı sıra, elde edilen veri miktarının artması nedeniyle, büyük veri tabanları üzerinde en etkili analiz yöntemlerini içinde barındıran veri madenciliği yöntemleri de yaygın olarak kullanılmaktadır. Bu çalışmada, Türkiye İstatistik Kurumu tarafından yapılan “Hanehalkı İşgücü Araştırması” 2013 yılı verilerini kullanarak, nüfusun işgücü açısından durumunu ortaya koymak ve işgücü durumu için karar ağacı modelleri oluşturmak amaçlanmıştır. Bu amaçla, işgücündeki nüfus için istatistikler elde edilmiş ve bir önceki yıl çalışmayan bireylere ait veriler kullanılarak karar ağacı modelleri oluşturulmuştur. Bir yıl önce çalışmadığını belirten bireylerin cinsiyetleri, yaş grupları, mezuniyet durumları, medeni durumları, bir okula devam edip etmedikleri ve ikamet ettikleri coğrafi bölge işgücü durumlarını etkileyen en önemli değişkenler olarak bulunmuştur.

Abstract

The countries which have focused on employment, unemployment and the problems related to these issues attach importance to gathering data and research efforts about these issues in order to solve these problems and create efficient policies. Various data analysis methods are utilized in these researches. In addition to classical statistical data analysis methods, data mining methods which contain the most effective analysis methods on large databases are widely used because of the increase in the amount of data obtained. In this study, it is aimed to present the situation of labour force of the population and to provide detailed information by using the year 2013 data of “Household Labour Force Survey” conducted by Turkish Statistical Institute. For this purpose, statistics were obtained for the population in the labour force, and decision tree models were created using data that belong to the persons whose labour force situation was "not working" at the previous year. Gender, age groups, graduation status, marital status, attending a school and the geographical region where they reside were found to be the most important variables affecting the labour force situation.