KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2026 / Sayı: 34 Özel Sayı

Bulanık C - Ortalamalar İle Ülkelerin İşsizlik Göstergeleri Temelinde Kümelenmesi

Fuzzy C - Means Clustering of Countries Based on Unemployment Indicators

Yeşim Ok(ATATURK UNIVERSITY, FACULTY OF ENGINEERING)0000-0001-8349-7005
Sayfa
507–512
Yayın Tarihi
2022-03-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu bağlamda doğru küme sayısının bulunması için başvurulan geçerlilik indeksleri de analize dâhil edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, işsizlik göstergeleri temel alınarak, 36 OECD ülkesine ilaveten Çin ve Rusya gibi OECD üyesi olmayan 6 farklı ülkenin de dâhil edildiği bir kümeleme analizi çalışması yapılmıştır.
📊
Temel Bulgular & Veri:Bu amaçla, işsizlik ile ilgili 18 adet gösterge değişkenine ait veriler, bulanık C-ortalamalar yöntemi kullanılarak kümeleme analizi yapılmıştır.
💡
Sonuç & Katkı:Bu bağlamda doğru küme sayısının bulunması için başvurulan geçerlilik indeksleri de analize dâhil edilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:18 adet
⚙️Değişkenler:İşsizlik · Bulanık C Ortalamalar · Kümeleme

Özet

Bu çalışmada, işsizlik göstergeleri temel alınarak, 36 OECD ülkesine ilaveten Çin ve Rusya gibi OECD üyesi olmayan 6 farklı ülkenin de dâhil edildiği bir kümeleme analizi çalışması yapılmıştır. Bu amaçla, işsizlik ile ilgili 18 adet gösterge değişkenine ait veriler, bulanık C-ortalamalar yöntemi kullanılarak kümeleme analizi yapılmıştır. Ülkelerin, kilit bir ekonomik gösterge olan işsizlik temelinde sınıflandırılması, politika yapıcılar için benzerlik ve farklılıklar boyutunda analizler yapmalarında yol gösterici olacaktır. Bulanık kümeleme analizi, hem MATLAB hem de R ortamlarında gerçekleştirilmiş, farklı küme sayıları için de ekstra analiz yapılmıştır. Uygulama sonucunda işsizliğin fazla olduğu ülkelerin ayrıldığı küme dağılımının, küme sayısı değiştiğinde farklılaşabileceği görülmüştür. Bu bağlamda doğru küme sayısının bulunması için başvurulan geçerlilik indeksleri de analize dâhil edilmiştir.

Abstract

In this study, on the basis of unemployment indicators, a cluster analysis study was conducted in which, in addition to 36 OECD countries, 6 different non-OECD countries such as China and Russia were included. For this purpose, the data of 18 indicator variables related to unemployment were analyzed by using fuzzy C-means method. The classification of countries on the basis of unemployment, which is a key economic indicator, will guide policy makers to analyze the similarities and differences between countries. Fuzzy cluster analysis was performed in both MATLAB and R environments, and extra analyzes were made for different cluster numbers. As a result of the application, it has been seen that the cluster distribution, which is divided into countries with high unemployment, may differ when the number of clusters changes. In this context, the validity indices used to find the correct number of clusters were also included in the analysis.

🔖

Bu Makaleye Atıf Yap

Ok, Y. (2022). Bulanık C - Ortalamalar İle Ülkelerin İşsizlik Göstergeleri Temelinde Kümelenmesi. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 34 Özel Sayı, 507–512. https://doi.org/10.31590/ejosat.1083246

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Akdamar E. (2019). OECD ÜLKELERİNİN BAZI İŞ GÜCÜ PİYASASI GÖSTERGELERİ KULLANILARAK KÜMELEME ANALİZİ VE ÇOK BOYUTLU ÖLÇEKLEME ANALİZİ İLE İRDELENEMSİ. Akademik Araştırmalar ve Çalışmalar Dergisi.
  2. Alptekin N. (2014). Comparison of Turkey and European Union Countries’ health indicators by using fuzzy clustering analysis. International Journal of Business and Social Research, 04.
  3. Alptekin N., & Yeşilaydın G. (2015). OECD ülkelerinin sağlık göstergelerine göre bulanık kümeleme analizi ile sınıflandırılması. İşletme Araştırmaları Dergisi.
  4. Ari, E., & Yildiz, A. (2018). OECD ÜLKELERİNİN GÖÇ İSTATİSTİKLERİ BAKIMINDAN BULANIK KÜMELEME ANALİZİ İLE İNCELENMESİ. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi.
  5. Ashutosh Bhardwaj. (n.d.). Silhouette Coefficient. |. Towards Data Science. Retrieved February 28, 2022, from https://towardsdatascience.com/silhouette-coefficient-validating-clustering-techniques-e976bb81d10c
  6. Atal, S. (2015). Bulanık kümeleme analizi ve OECD ülkelerinin gelişmişlik bakımından kümelendirilmesi.
  7. Azar, A., El-Said, S., & AE Hassanien. (2013). Fuzzy and hard clustering analysis for thyroid disease. Computer Methods and Programs In.
  8. Bezdek, J. C. (1981). Objective Function Clustering. Pattern Recognition with Fuzzy Objective Function Algorithms, 43–93.
  9. Demircioğlu M., & Eşiyok S. (2020). COVID–19 SALGINI İLE MÜCADELEDE KÜMELEME ANALİZİ İLE ÜLKELERİN SINIFLANDIRILMASI. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi.
  10. Demirkale, Ö. (2020). OECD Ülkelerinin Makroekonomik Göstergelerine Göre K-Ortalamalar Yöntemi ile Analizi: Ekonomik Özgürlük Endeksi ile Karşılaştırılması. Social Sciences Research Journal.
  11. Güriş S., Y. B. (2018). OECD ÜLKELERİNDE İŞSİZLİĞİ ETKİLEYEN FAKTÖRLERİN PANEL VERİ MODELLERİ İLE ANALİZİ. Social Sciences Research Journal.
  12. Kelleci S., & Turk Z. (2016). GENÇ İŞSİZLİĞİN İNCELENMESİ: OECD ÜLKELERİ VE TÜRKİYE KARŞILAŞTIRMASI. Hak İş Uluslararası Emek ve Toplum Dergisi.
  13. Korkut PATA, U., & Güvenlik Dergisi, S. (2020). OECD Ülkelerinde İşsizlik Histerisinin Ampirik Bir Analizi: Fourier Panel Durağanlık Testi. SGD-Sosyal Güvenlik Dergisi, Cilt 10, Sayı 1(Sayı 1), 125–144.
  14. Köseoğlu, M., & Artan, G. (2019). Göç, İşsizlik ve Gelir Arasındaki İlişkilerin Analizi: OECD Ülkeleri Örneği. International Journal of Economics and Innovation, 6(1), 61–81.
  15. Madhulatha, T. S. (2012). AN OVERVIEW ON CLUSTERING METHODS. IOSR Journal of Engineering, 02(04), 719–725. https://doi.org/10.9790/3021-0204719725
  16. Mut, S., & Akyürek E. Ç. (2017). OECD Ülkelerinin Sağlık Göstergelerine Göre Kümeleme Analizi ile Sınıflandırılma. International Journal of Academic Value Studies (Javstudies).
  17. Uluslararası Çalışma Örgütü. (2021). WESO Eğilimler 2021. https://www.ilo.org/ankara/areas-of-work/employment-promotion/WCMS_797464/lang--tr/index.htm
  18. Üzar U. (2018). EKONOMİK BÜYÜME VE İŞSİZLİK ARASINDAKİ İLİŞKİNİN OECD ÜLKELERİ DÜZEYİNDE EKONOMETRİK BİR ANALİZİ | TR Dizin. Cumhuriyet Üniversitesi İktisadi Bilimler Dergisi.
  19. Uluslararası Çalışma Örgütü. (2021). WESO Eğilimler 2021. https://www.ilo.org/ankara/areas-of-work/employment-promotion/WCMS_797464/lang--tr/index.htm