Investigation of the Effects of the Coronavirus (Covid-19) Outbreak on Economy and Public Finance with Clustering Analysis

Abstract

Covid-19 outbreak, which occurred in China in December 2019, affected almost the entire world in a short time. In the past period, many sectors of the economy have contracted, resulting in high unemployment and inflation rates in many countries. Increasing expenditures of the health sector in the fight against the epidemic caused high increases in public expenditures. Most countries that have opted for borrowing and expanding the money supply to finance public expenditures have seen increases in the rate of inflation. In this study, the world's twenty largest economies are compared based on macroeconomic data and public finance indicators. In this context, three different time periods, namely before Covid-19 outbreak, the initial period of the epidemic and the period after the outbreak, were examined separately using the Hierarchical Clustering Analysis and Non-Hierarchical Clustering Analysis methods, using the K-Means method. In the findings, it was seen that the country transitions between the relevant periods were higher in the clusters obtained with macroeconomic indicators compared to the clusters obtained with the public finance indicators. Moreover, Turkey's macroeconomic, while Japan alone formed a cluster in each period in terms of public finance indicators and found that it decomposes from other countries.

Keywords

• Covid-19
• Macroeconomic Indıcators
• Public Finance Indıcators
• Hierarchical Clustering Analysis
• K-Means Method

Koronavirüs (Covid-19) Salgınının Ekonomi ve Kamu Maliyesine Etkilerinin Kümeleme Analizi İle İncelenmesi

Abstract

2019 yılının Aralık ayında Çin’de ortaya çıkan Covid-19 salgını, kısa bir süre içerisinde dünyanın tamamına yakınını etkilemiştir. Geçen zamanda ekonomide birçok sektörde daralmalar ortaya çıkmış, neticesinde çoğu ülkede yüksek işsizlik ve enflasyon oranları görülmeye başlanmıştır. Salgınla mücadelede sağlık sektörünün artan giderleri, kamu harcamalarında yüksek oranda artışlar meydana getirmiştir. Kamu harcamalarının finansmanı için borçlanma ve para arzını genişletme yolunu tercih eden çoğu ülkede, enflasyon oranında artışlar görülmüştür. Bu çalışmada, dünyanın en büyük yirmi ekonomisi, makroekonomik veriler ve kamu maliyesi göstergelerinden yola çıkılarak karşılaştırılmıştır. Bu bağlamda Covid-19 salgını öncesi, salgının başlangıç dönemi ve salgının başlangıcından sonraki dönem olmak üzere üç farklı zaman dilimi Hiyerarşik Kümeleme Analizi ve Hiyerarşik Olmayan Kümeleme Analizi yöntemlerinden K-Ortalamalar metodu kullanılarak ayrı ayrı incelenmiştir. Bulgularda, makroekonomik göstergelerle elde edilen kümelerde, kamu maliyesi göstergeleri ile elde edilen kümelere göre ilgili dönemler arası ülke geçişlerinin daha fazla olduğu görülmüştür. Ayrıca Türkiye’nin makroekonomik, Japonya’nın ise kamu maliyesi göstergeleri açısından her dönemde tek başına bir küme oluşturduğu ve diğer ülkelerden ayrıştığı saptanmıştır.

Keywords

• Covid-19
• Kamu Maliyesi Göstergeleri
• Hiyerarşik Kümeleme Analizi
• K-Ortalamalar Metodu
• Makroekonomik Göstergeler

References

1. Alpar, R. (2017). Uygulamalı çok değişkenli istatistiksel yöntemler (5. bs). Ankara: Detay Yayıncılık.
2. Anderberg, M. R. (1973). Cluster analysis for applications. New York: Academic Press, Inc.
3. Bi, W., Cai, M., Liu, M. and Li, G. (2016). A big data clustering algorithm for mitigating the risk of customer churn. IEEE Transactions on Industrial Informatics, 12(3), 1270-1281. doi:10.1109/TII.2016.2547584
4. Birleşmiş Milletler (United Nations Industrial Development Organization). (2020). Coronavirus: the economic impact – 10 July 2020. Erişim adresi: https://www.unido.org/stories/coronavirus-economic-impact-10-july-2020
5. Çelik, Ş. (2013). Kümeleme analizi ile sağlık göstergelerine göre Türkiye’deki illerin sınıflandırılması. Doğuş Üniversitesi Dergisi, 14(2), 175-194. doi:10.31671/dogus.2018.105
6. Çokluk, Ö., Şekercioğlu, G. ve Büyüköztürk, S. (2018). Sosyal bilimler için çok değişkenli SPSS ve LISREL uygulamaları (5. bs). Ankara: Pegem Yayıncılık.
7. Deloitte. (2020). Covid-19 salgınının elektrik talebine olan etkisi ile Türkiye 2020 büyüme beklentilerinin incelenmesi. Erişim adresi: https://www2.deloitte.com/tr/tr.html
8. Demircioğlu, M. ve Eşiyok, S. (2020). Covid–19 salgını ile mücadelede kümeleme analizi ile ülkelerin sınıflandırılması. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 19(37), 369-389. Erişim adresi: https://dergipark.org.tr/en/pub/iticusbe

9. Dünya Bankası. (2020). World bank open data. Retrieved from https://data.worldbank.org/
10. Dünya Sağlık Örgütü. (2020). Disease outbreaks. Erişim adresi: https://www.who.int/emergencies/diseases/news/en/
11. Ege Bölge Sanayi Odası. (2020). 2019 yılında dünya ve Türkiye ekonomisi & 2020 yılından beklentiler. Erişim adresi: http://www.ebso.org.tr/ebsomedia/documents/2019-yilinda-dunya-ve-turkiye-ekonomisi-&-2020-yilindan-beklentiler-_69645550.pdf
12. Gül, Y. (2014). 2008 yılı küresel ekonomik kriz sürecinde Türkiye’nin Maastrich kriterlerine yakınlaşmasının kümeleme analizi yöntemiyle incelenmesi (Yayımlanmamış Yüksek Lisans Tezi). İnönü Üniversitesi Sosyal Bilimler Enstitüsü, Malatya.
13. Gürsakal, S. (2019). Sosyal bilimlerde SPPS uygulamalı çok değişkenli istatistiksel analiz teknikleri (1. bs). Bursa: Dora Yayıncılık.
14. Gürsoy, S., Tunçel, M. B. ve Sayar, B. (2020). Koronavirüsün (Covid-19) finansal göstergeler üzerine etkileri. Ekonomi Maliye İşletme Dergisi, 3(1), 20-32. doi:10.46737/emid.730941
15. John Hopkins Üniversitesi. (2020). Coronavirus world map: tracking the spread of the outbreak. Center for Systems Science and Engineering. Erişim adresi: https://coronavirus.jhu.edu/map.html
16. Kalaycı, Ş. (2018). SPSS uygulamalı çok değişkenli istatistik teknikleri (9. bs). Ankara: Dinamik Akademi Yayınları.
17. Koyuncugil, A. S. ve Özgülbaş, N. (2009). Veri madenciliği: tıp ve sağlık hizmetlerinde kullanımı ve uygulamaları. International Journal of Informatics Technologies, 2(2). Erişim adresi: https://dergipark.org.tr/tr/pub/gazibtd
18. Kraskov, A., Stögbauer, H., Andrzejak, R. G. and Grassberger, P. (2005). Hierarchical clustering using mutual information. EPL (Europhysics Letters), 70(2), 278-284. doi:10.1209/epl/i2004-10483-y
19. Madhulatha, T. S. (2012). An overview on clustering methods. IOSR Journal of Engineering, 2(4), 719-725. doi:10.9790/3021-0204719725
20. Pektaş, A. O. (2013). SPSS ile veri madenciliği (1. bs). İstanbul: Dikeyeksen Yayınları.
21. Selvi, H. Z. ve Çağlar, B. (2017). Çok değişkenli haritalama için kümeleme yöntemlerinin kullanılması. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(2), 415-429. doi:10.28948/ngumuh.341267
22. Tatlıdil, H. (2002). Uygulamalı çok değişkenli istatistiksel analiz. Ankara: Ziraat Matbaacılık A.Ş.
23. Tekin, B. (2018). Ward, K-ortalamalar ve iki adımlı kümeleme analizi yöntemleri ile finansal göstergeler temelinde hisse senedi tercihi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(40), 401-436. doi:10.31795/baunsobed.492464
24. Tekin, B. (2020). Covid-19 pandemisi döneminde ülkelerin covid-19, sağlık ve finansal göstergeler bağlamında sınıflandırılması: hiyerarşik kümeleme analizi yöntemi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(2), 336-349. doi:10.29106/fesa.738322
25. Uluslararası Para Fonu. (2020). World economic outlook update June 2020. Erişim adresi: https://www.imf.org/en/Publications/WEO/Issues/2020/06/24/WEOUpdateJune2020
26. Uyğun, U. (2017). AB ülkeleri ve Türkiye’deki sosyal devlet harcamalarının kümeleme analiziyle karşılaştırılması (Yayımlanmamış Yüksek Lisans Tezi). Sakarya Üniversitesi Sosyal Bilimler Enstitüsü, Sakarya.
27. Yalçın, N. (2013). Kümeleme analizi ve uygulaması (Yayımlanmamış Yüksek Lisans Tezi). Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
28. Yılmaz, Ö. ve Şahin, A. (2020). Japonya’da deflasyon döneminde işsizlik ve işsizlikle mücadele. Lectio Socialis, 4(1), 25-40. Erişim adresi: https://dergipark.org.tr/tr/pub/lectio