Conference Paper
BibTex RIS Cite

CLASSIFICATION OF STATISTICAL AREA UNITS (SCTU) ACCORDING TO FINANCIAL VARIABLES WITH FUZZY CLUSTERING ANALYSIS

Year 2014, Volume: 4 Issue: 2, 149 - 165, 08.04.2015

Abstract

European Union has started works on keeping regional statistics to develop regional development politics as well as national development levels of member countries by dividing countries into sub regions. In line with these works, Turkey has been divided into three sub regions as Level 1 , Level 2 and Level 3 and regional statistics have begun to be collected and developed.Fuzzy Clustering approach comes out as a suitable method if the clusters are not seperated from each other prominently or if some of the members are indecisive about being a member of the cluster. Fuzzy clusters are functions that determine each unit between 0 and 1 defined as the membership of the unit. Units which are very similar 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.This study has used fuzzy c-means (FCM) method which is used frequently in fuzzy clustering analysis and has classified SCTU Level-2 and Level-3 regions through financial indicators. The results have been examined and interpreted in terms of their correlation with each other

References

  • Bezdek J.C., (1981). Pattern recognition with fuzzy objective function algorithms. NY: plenum press.
  • Bezdek J. C., (1974). Cluster validity with fuzzy sets. J. Cybernetics, 3, 58-73.
  • Erilli N.A., Tunç T., Öner Y., Yolcu U, (2009). İllerin Sosyo-Ekonomik Verilere Dayanarak Bulanık Kümeleme Analizi ile Sınıflandırılması. E-Journal of New World Sciences Academy, v.4, n.1.
  • 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 Net- works. Expert Systems with Applications, 38, 2248-2252.
  • Erilli, N.A. (2009). Kümeleme Analizine Bulanık Yaklaşım Algoritmaları ve Uygulamaları, 19 Mayıs Üniv., Fen Bilimleri Enst., Yayınlanmamış Yüksek Li- sans Tezi, Samsun. Bilimleri Enst., Samsun.
  • Kwon S.H., (1998). Cluster Validity Index For Fuzzy Clustering, Elec. Letters, 34(22), pp 2176-2178.
  • Naes T., Mevik T.H., (1999). The Flexibility of Fuzzy Clustering Illustred By Ex- amples, Journal Of Chemo Metrics.
  • Öztemel E., (2006). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
  • Rezaee M.R., Lelieveldt B.P.F., Reiber J.H.C., (1998). A New Cluster Validity Index for the FCM, Pattern Recognition Lett., 19 p. 237-246.
  • Sintas A.F., CAdenas J.M., Martin F., (1999). Membership functions in the Fuzzy c-Means Algorithm, Fuzzy Sets and Systems 101.
  • Şahinli F., (1999). Kümeleme Analizine Fuzzy Set Teorisi Yaklaşımı, Gazi Üniversi- tesi, Yayınlanmamış Yüksek Lisans Tezi, Ankara.
  • Şengül Ü., Eslemıan S., Eren M., (2013). Türkiye’de İstatistiki Bölge Birimleri Sınıflamasına Göre Düzey 2 Bölgelerinin Ekonomik Etkinliklerinin VZA Yön- temi ile Belirlenmesi ve Tobit Model Uygulaması. Yönetim Bilimleri Dergisi, Cilt: 11, Sayı: 21, ss. 75-99.
  • Taşkan P., (2006). İstatistiki Bölge Birimleri Sınıflandırması (İBBS). tuikapp.tuik. gov.tr/DIESS/FileUpload/yayinlar/5.iBBS.ppt (Erişim Tarihi: 12.03.2014)
  • Xie L., Beni G., (1991). A Validity Measure for Fuzzy Clustering, IEEE Trans. On Pattern Analysis and Mnchine Int. 13(4),pp 841-846.

BULANIK KÜMELEME ANALİZİ ile İSTATİSTİKİ BÖLGE BİRİMLERİNİN (İBBS) MALİ DEĞİŞKENLERE GÖRE SINIF LANDIRILMASI

Year 2014, Volume: 4 Issue: 2, 149 - 165, 08.04.2015

Abstract

Avrupa Birliği; üye ülkelerin ulusal kalkınma düzeylerinin yanı sıra, bölgesel kalkınma politikalarının da geliştirilmesi amacıyla ülkelerin alt bölgelere ayrılarak bölgesel bazda istatistiklerinin tutulması konusunda çalışmalar başlatmıştır. Bu çalışmalar doğrultusunda Türkiye’de; Düzey 1, Düzey 2 ve Düzey 3 olmak üzere 3 alt bölgelere ayrılarak, bölgesel istatistikler toplanmaya ve geliştirilmeye başlanmıştır. Bulanık Kümeleme yaklaşımı, kümeler birbirinden belirgin bir şekilde ayrılmıyorsa ya da üyeliklerinde bazı birimler küme üyeliğinde kararsızsa uygun bir yöntem olarak ortaya çıkmaktadır. Bulanık Kümeler, kümedeki birimin üyeliği olarak tanımlanan 0 ile 1 arasındaki her birimi belirleyen fonksiyonlardır. Birbirine çok benzeyen birimler aynı kümede
yüksek üyelik derecesine göre yer alırlar. Burada amaç; bu göstergeler bakımından aynı özellikleri taşıyan homojen il gruplarının tespit edilmesidir. Bu çalışmada, bulanık kümeleme analizinde sıkça kullanılan bulanık c-ortalamalar (FCM) yöntemi kullanılarak, İBBS Düzey-2 ve Düzey-3 bölgeleri mali göstergeler yardımıyla gelişmişlik düzeylerine göre sınıflandırılmıştır. Elde edilen sonuçların, birbirleri ile korelasyonu incelenmiş ve yorumlanmıştır.

References

  • Bezdek J.C., (1981). Pattern recognition with fuzzy objective function algorithms. NY: plenum press.
  • Bezdek J. C., (1974). Cluster validity with fuzzy sets. J. Cybernetics, 3, 58-73.
  • Erilli N.A., Tunç T., Öner Y., Yolcu U, (2009). İllerin Sosyo-Ekonomik Verilere Dayanarak Bulanık Kümeleme Analizi ile Sınıflandırılması. E-Journal of New World Sciences Academy, v.4, n.1.
  • 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 Net- works. Expert Systems with Applications, 38, 2248-2252.
  • Erilli, N.A. (2009). Kümeleme Analizine Bulanık Yaklaşım Algoritmaları ve Uygulamaları, 19 Mayıs Üniv., Fen Bilimleri Enst., Yayınlanmamış Yüksek Li- sans Tezi, Samsun. Bilimleri Enst., Samsun.
  • Kwon S.H., (1998). Cluster Validity Index For Fuzzy Clustering, Elec. Letters, 34(22), pp 2176-2178.
  • Naes T., Mevik T.H., (1999). The Flexibility of Fuzzy Clustering Illustred By Ex- amples, Journal Of Chemo Metrics.
  • Öztemel E., (2006). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
  • Rezaee M.R., Lelieveldt B.P.F., Reiber J.H.C., (1998). A New Cluster Validity Index for the FCM, Pattern Recognition Lett., 19 p. 237-246.
  • Sintas A.F., CAdenas J.M., Martin F., (1999). Membership functions in the Fuzzy c-Means Algorithm, Fuzzy Sets and Systems 101.
  • Şahinli F., (1999). Kümeleme Analizine Fuzzy Set Teorisi Yaklaşımı, Gazi Üniversi- tesi, Yayınlanmamış Yüksek Lisans Tezi, Ankara.
  • Şengül Ü., Eslemıan S., Eren M., (2013). Türkiye’de İstatistiki Bölge Birimleri Sınıflamasına Göre Düzey 2 Bölgelerinin Ekonomik Etkinliklerinin VZA Yön- temi ile Belirlenmesi ve Tobit Model Uygulaması. Yönetim Bilimleri Dergisi, Cilt: 11, Sayı: 21, ss. 75-99.
  • Taşkan P., (2006). İstatistiki Bölge Birimleri Sınıflandırması (İBBS). tuikapp.tuik. gov.tr/DIESS/FileUpload/yayinlar/5.iBBS.ppt (Erişim Tarihi: 12.03.2014)
  • Xie L., Beni G., (1991). A Validity Measure for Fuzzy Clustering, IEEE Trans. On Pattern Analysis and Mnchine Int. 13(4),pp 841-846.
There are 14 citations in total.

Details

Primary Language Turkish
Journal Section Makaleler
Authors

Necati Erilli

Publication Date April 8, 2015
Submission Date April 8, 2015
Published in Issue Year 2014 Volume: 4 Issue: 2

Cite

APA Erilli, N. (2015). BULANIK KÜMELEME ANALİZİ ile İSTATİSTİKİ BÖLGE BİRİMLERİNİN (İBBS) MALİ DEĞİŞKENLERE GÖRE SINIF LANDIRILMASI. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 4(2), 149-165.

İletişim

Telefon Numarası: +90 0318 357 35 92

Faks Numarası: +90 0318 357 35 97

e-mail: sbd@kku.edu.tr

Posta Adresi: Kırıkkale Üniversitesi Sosyal Bilimler Enstitüsü Müdürlüğü, Merkez Yerleşke, 71450, Yahşihan-KIRIKKALE

Creative Commons Lisansı
Bu eser Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.