OECD ÜLKELERİNİN İŞ GÜCÜ ENDEKSİ AÇISINDAN KÜMELEME ANALİZİ İLE İNCELENMESİ

Abstract

İş gücü teknolojinin gelişmesiyle birlikte yerini otomatik makineleşmeye bırakmıştır. İş gücü piyasası emeğin arz edilmesi ve talep edilmesiyle oluşmaktadır. Bu piyasada bir dengesizlik oluşmasıyla birlikte işsizlik ortaya çıkabilmektedir. İşsizlik süreci kişileri hem sosyal hem de ekonomik açıdan mağdur edebilecek düzeydedir. İşsizlik süreci hem sosyal ve psikolojik hem de ekonomik açıdan dikkate alınırsa ülkeler iş gücü piyasalarında reformların yapılmasını zorunlu kılmıştır. Bu çalışmada OECD tarafından güvenilir kabul edilen 7 adet iş gücü endeksi gösterge olarak kullanılmış ve OECD ülkeleri nazarında kümeleme analizi yapılarak ülkelerin oluşturdukları kümeler değerlendirilmiştir. OECD ülkelerinin, hiyerarşik kümeleme yönteminde oluşan dendogram grafiği ile kaç kümeye ayrılacağı incelenmiş ve sonra K-Ortalamalar yöntemi ile birlikte iki, üç ve dörtlü kümeye ayrılarak her küme karşılaştırılmıştır. Araştırmada OECD ve AB üyesi olan 33 ülkenin iş gücü endeksi içerisinde yer alan iş yükü, fiziksel sağlık ve risk faktörleri, uzun çalışma saatleri, çalışma saatlerinin esnekliği, özerklik – öğrenim fırsatları, eğitim – öğretim ve kariyer gelişimi için fırsatları içeren 7 değişken ülkeler için kıyaslanmıştır. Ülkeler bu 7 değişken açısından benzer özelliklerine göre kümelere ayrılmıştır. Çalışmanın amacı iş gücü endeksi açısında Türkiye’nin 33 ülke içindeki durumunu incelemektedir. Kümeler incelendiğinde 33 ülkeyi değişkenleri açısından en iyi kümeleyen dörtlü oluşturulan küme olmuştur. Kümeler dörtlü oluşturulduğunda Türkiye ikinci kümede yer almış ve ikinci küme iş yükü ve çalışma saatleri esnekliği değişkenlerinin küme ortalaması diğer kümelere nazaran yüksek çıkmıştır. Özerklik ve eğitim fırsatları, eğitim – öğretim, fiziksel sağlık ve risk faktörleri değişkenlerinin küme ortalamaları diğer kümelere göre en düşüktür.

Keywords

• Kümeleme
• Hiyerarşik Kümeleme
• Veri Madenciliği
• İşgücü

EXAMINATION OF OECD COUNTRIES IN TERMS OF LABOR INDEX WITH CLUSTERING ANALYSIS

Abstract

The workforce has left its place to automatic mechanization with the development of technology. The labor market consists of the supply and demand of labor. Unemployment may occur when an imbalance occurs in this market. Unemployment can make people suffer both socially and economically. Unemployment necessitates reforms in the labor market, both socially/psychologically and economically. In this study, 7 labor force indexes, which are accepted as reliable by the OECD, were used as an indicator and cluster analysis was made among OECD countries and the clusters formed by the countries were evaluated. It was examined how many clusters OECD countries would be divided into with the dendogram graph formed in the hierarchical clustering method, and then each cluster was compared by dividing into two, three and four clusters with the K-Means method. In the study, 7 variables including workload, physical health and risk factors, long working hours, flexibility of working hours, autonomy - learning opportunities, education - training and opportunities for career development, which are included in the workforce index of 35 OECD and EU member countries, were compared. Countries are divided into clusters according to their similar characteristics in terms of these 7 variables. The aim of the study is to examine the situation of Turkey in 35 countries in terms of labor force index. When the clusters are examined, the best clustering of 35 countries in terms of variables is the cluster formed from four. When the clusters were formed into four clusters, Turkey was included in the fourth cluster and the cluster average of the fourth cluster workload and working hours flexibility variables was higher than the other clusters. The cluster averages of autonomy and educational opportunities, education and training, physical health and risk factors variables are the lowest compared to other clusters.

Keywords

• Cluster
• Hierarchical Clustering Method
• Data Mining
• Labor
• Cluster Hierarchical Clustering Method, Data Mining, Labor