Dergiler / Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2019 / Cilt: 20 - Sayı: 2

TÜRKİYE’DE DÜZEY-2 İSTATİSTİKİ BÖLGELERİNİN GUSTAFSON- KESSEL YÖNTEMİ İLE SINIFLANDIRILMASI

CLASSIFICATION OF SUB-LEVELS IN TURKEY WITH GUSTAFSON- KESSEL METHOD

Sayfa
248–260
Yayın Tarihi
2022-10-11
DOI
—
🏛️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)

Böylece yatırımlarda öncelikli bölgeler tespit edilebilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Avrupa Birliği, ülkelerin alt birimlere bölünmesinin yolunu açarak bir anlamda istatistiksel hesaplamaların detaylandırılmasının da yolunu açmıştır.
📊
Temel Bulgular & Veri:Sadece şehirlerle değil aynı zamanda şehir komşulukları ile oluşturulan Düzey-1 ya da Düzey-2 sınıflandırmalarının ülkelerin gelişmişliklerinin hesaplanmasında büyük bir önemi vardır.
💡
Sonuç & Katkı:Böylece yatırımlarda öncelikli bölgeler tespit edilebilir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Avrupa Birliği, ülkelerin alt birimlere bölünmesinin yolunu açarak bir anlamda istatistiksel hesaplamaların detaylandırılmasının da yolunu açmıştır. Sadece şehirlerle değil aynı zamanda şehir komşulukları ile oluşturulan Düzey-1 ya da Düzey-2 sınıflandırmalarının ülkelerin gelişmişliklerinin hesaplanmasında büyük bir önemi vardır. Kümelerin biri diğerinden belirgin bir şekilde ayrılmıyorsa ya da bazı üyeler bir kümenin üyesi olma konusunda kararsız ise Bulanık Kümeleme yaklaşımının uygun bir yöntem olduğu ortaya çıkar. Bulanık Kümeler, her bir birimin birim üyeliğini 0-1 aralığında belirleyen fonksiyonlardır. Yüksek üyelik derecesine göre çok benzer birimler aynı kümede yer almaktadır. Buradaki amaç, bu göstergeler açısından aynı özelliklere sahip homojen şehir gruplarını belirlemektir. Bu çalışmada, iyi bilinen bulanık kümeleme yöntemlerinden biri olan Gustafson-Kessel yöntemi, İİBS Düzey-2 bölgelerinin gelişim göstergeleri ile sınıflandırılmasında kullanılmıştır. Düzey-2 sınıflandırmalarından elde edilen sonuçlar, bölgeleri önem derecelerine göre sınıflandırmak için de kullanılmıştır. Böylece yatırımlarda öncelikli bölgeler tespit edilebilir.

Abstract

The European Union paved the way for countries to be divided into sub-units and in a sense paved the way for the further elaboration of statistical calculations. Level-1 or Level-2 classifications, which are created not only by the cities but also with neighboring cities, are of great importance in the development calculations of countries. Fuzzy Clustering methods are very useful if the clusters are not separated from each other exactly or if some of the members are in zone of indecision about being a member of the cluster. Fuzzy clusters are functions that determine each unit between 0 and 1 defined as the membership degree for groups. Units which are very similar between them take part in the same cluster according to high membership degree. The purpose here is to determine homogenous city groups that have the same characteristics in terms of these indicators. In this study, one of the well known fuzzy clustering methods Gustafson-Kessel is used for classification SCTU Level-2 regions through development indicators. The results obtained from the Level-2 classifications were also used to rank the regions according to their importance. Thus, priority regions can be determined in investments.

🔖

Bu Makaleye Atıf Yap

Erilli, N. A., Gündoğdu, Ö. (2022). TÜRKİYE’DE DÜZEY-2 İSTATİSTİKİ BÖLGELERİNİN GUSTAFSON- KESSEL YÖNTEMİ İLE SINIFLANDIRILMASI. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 20 - Sayı: 2, 248–260. https://ajindex.com/articles/480553

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Babak, R. (2010). A Cluster Validity İndex for Fuzzy Clustering. Fuzzy Sets and Systems, 161, 3014–3025.
  2. Balasko, B., Abonyi, J. & Feil, B. (2005). Fuzzy Clustering and Data Analysis Toolbox. Univ. of Veszprem, Hungary. Bezdek, J.C. & Dunn, J.C. (1975). Optimal Fuzzy Partitions: A Heuristic for Estimating the Parameters in a Mixture of Normal Distributions. IEEE Transactions on Computers, pages 835–838.
  3. Daniel, G. & Witold, P. (2007).
  4. Fuzzy C-Means, Gustafson-Kessel FCM, and Kernel- Based FCM: A Comparative Study. Anal. and Des. of Intel. Sys. using SC Tech., ASC 41, pp. 140–149.
  5. Erıllı, N.A. (2014). Bulanık Kümeleme Analizi İle İstatistiki Bölge Birimlerinin (IBBS) Mali Değişkenlere Göre Sınıflandırılması. Kırıkkale Üniversitesi,
  6. Sosyal Bilimler Dergisi, Cilt:4, Sayı:2. Erilli, N.A. (2015). Socioeconomic Development İndex Ranking Calculations of Cities with Fuzzy Clustering Method: Case of Turkey. Theoretical and Applied Economics, Volume XXII, No. 1(602), pp. 233-244.
  7. Erilli, N.A., Yolcu, U., Eğrioğlu, E., Aladağ, Ç.H. & Öner, Y. (2011). Determining the Most Proper Number of Cluster in Fuzzy Clustering by Artificial Neural Networks. Expert Systems with Applications, 38, pp. 2248-2252.
  8. Gath, I. & Geva, A.B. (1989). Unsupervised Optimal Fuzzy Clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 7:773–781.
  9. George, G. & Hatzichristos, T. (2012). Comparison of Two Fuzzy Algorithms in Geodemographic Segmentation Analysis: The Fuzzy C-Means and Gustafson- Kessel Methods. Applied Geography, 34, 125-136.
  10. Gustafson, D.E. & Kessel, W.C. (1979). Fuzzy Clustering with a Fuzzy Covariance Matrix. IEEE CDC San Diego, 761-766.
  11. Höppner, F., Klawonn, F., Rudolf, K. & Runkler, T. (1999). Fuzzy Cluster Analysis. Wiley&Sons, USA. Krishna Priya, C.B. & Venkateswari, S. (2017). Application of Gustafson-Kessel-like Clustering Algorithm in Delineation of Management Zones in Precision Agriculture. International Journal of Applied Agricultural Research ISSN 0973- 2683 Volume 12, Number 3, pp. 279-293.
  12. Lailly, R. S. & Diah, S. (2015). Analısıs Kelompok Dengan Algorıtma Fuzzy C-Means Dan Gustafson Kessel Clusterıng PADA Indeks LQ45. Jurnal Gaussıan, Volume 4, Nomor 3, Tahun, Halaman 543-552.
  13. Naes, T. & Mevik, T.H. (1999). The Flexibility of Fuzzy Clustering Illustrated By Examples. Journal Of Chemo Metrics. Nur, A. A., Dwiatmono, A. W. & Pratnya, P. O. (2016). Analisis Clustering Perusahaan Sub Sektor Perbankan Berdasarkan Rasio Keuangan CAMELS Tahun 2014 Mengg