КЛАССИФИКАЦИЯ СТРАН ОЭСР В УСЛОВИЯХ ПОКАЗАТЕЛЕЙ ВЫБРОСОВ УГЛЕРОДА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ КЛАСТЕРИРОВАНИЯ ГОРНЫХ ДАННЫХ

Abstract

Поскольку количество использования ископаемого топлива возросло после промышленной революции, за эти годы значения выбросов парниковых газов также увеличились. Увеличение парниковых газов является одной из основных причин глобального потепления, которое является одной из наиболее важных проблем современности. В исследовании использованы кластерные анализы 1990–2014 годов по 15 показателям данных Всемирного банка из 36 стран, являющимся членами Организации экономического сотрудничества и развития (ОЭСР). Из-за большого количества данных они оценивались с использованием методов “интеллектуального анализа данных” и “двухэтапного кластерного анализа”. Во время применения было найдено идеальное число кластеров – равно к четырём. Результаты кластеризации были получены отдельно с использованием программ SPSS, MATLAB и WEKA. В качестве методов кластеризации предпочтительны нейронные сети двухуровневого типа и самоорганизующейся карты (SOM). Для получения результатов кластера, страны были подвергнуты консолидации с учётом повторяющихся значений кластера. В результате страны сгруппированы так, что используемые значения выбросов углерода ранжируются от высокого до низкого. Количество стран в кластере составляет: 1 в первом кластере, 9 во втором кластере, 10 в третьем кластере и 16 в четвертом кластере. Результаты кластеризации могут служить ориентиром для программ, которые должны применяться к странам в одном кластере с целью снижения их данных по выбросу углерода. Кроме того, под эгидой ОЭСР могут быть созданы комиссии, включая страны в соответствующем кластере. В последнее время тот факт, что изменение климата дало о себе знать, во многом способствует скорейшему осуществлению мер и применению их в практике.

Keywords

• сом нейронные сети,интеллектуальный анализ данных,двухступенчатая кластеризация,выбросы углекислого газа,, идеальное количество кластеров

CLASSIFICATION of OECD COUNTRIES in TERMS of CARBON EMISSION INDICATORS USING DATA MINING CLUSTERING METHODS

Abstract

With the increasing use of fossil fuels since the industrial revolution, greenhouse gas emission values have also been increasing over the years. Increasing greenhouse gases is one of the major causes of global warming, which is one of today's most important problems. In the study, clustering analysis was performed using 1990-2014 values according to 15 indicators in the World Bank data of 36 countries that are members of the organisation for Economic Co-operation and Development (OECD). The data was evaluated using data mining methods and two-stage clustering analysis due to the large number of total data. At the time of application, the ideal number of clusters was found to be four. Clustering results were obtained separately using SPSS, MATLAB and WEKA programs. Two-stage and self-organizing map (SOM) type neural networks are preferred as clustering methods. For the obtained cluster results, the countries have been combined for taking into account the recurring cluster values. As a result, countries are clustered so that the carbon emission values used are ranked from high to low. The number of countries in the cluster was 1 in the first cluster, 9 countries in the second cluster, 10 countries in the the third cluster and 16 countries in the fourth cluster. Clustering results may guide programs to reduce carbon emissions to countries in the same cluster. In addition, commissions including the countries in the related cluster can be established under the OECD union. The fact that climate change has made him feel more and more recently supports the implementation of measures and practices as soon as possible.

Keywords

• SOM Neural Networks,Data Mining,Two Stage Clustering,Carbon Emission,Ideal Cluster Number

VERİ MADENCİLİĞİ KÜMELEME YÖNTEMLERİ KULLANARAK KARBON EMİSYONU GÖSTERGELERİ AÇISINDAN OECD ÜLKELERİNİN SINIFLANDIRILMASI

Abstract

değerleri de yıllar itibariyle artış durumundadır. Sera gazlarının artması günümüzün en önemli sorunlarından biri olan küresel ısınmanın başlıca sebepleri arasındadır. Çalışmada Organisation for Economic Co-operation and Development (OECD) üye olan 36 ülkesinin Dünya Bankası verilerinde yer alan 15 göstergeye göre 1990-2014 yılları değerleri kullanılarak kümeleme analizi uygulanmıştır. Toplam veri sayısının fazla olmasından dolayı veri madenciliği yöntemleri ve iki aşamalı kümeleme analizi kullanılarak veriler değerlendirilmiştir. Uygulama sırasında ideal küme sayısı dört olarak bulunmuştur. SPSS, MATLAB ve WEKA programları kullanılarak kümeleme sonuçları ayrı ayrı elde edilmiştir. Kümeleme yöntemleri olarak iki aşamalı ve self organizing map (SOM) tipi yapay sinir ağları tercih edilmiştir. Elde edilen kümeleme sonuçları için ülkelerin yinelenen küme değerleri dikkate alarak birleştirme işlemine tabi tutulmuştur. Sonuç olarak kullanılan karbon salınım değerleri yüksekten düşüğe doğru sıralanacak şekilde ülkeler kümelenmiştir. Küme altında bulunan ülkelerin sayıları ise, birinci kümede 1, ikinci kümede 9, üçüncü kümede 10 ülke olmak üzere dördüncü kümede 16 ülke bulunmuştur. Kümeleme sonuçları aynı kümede yer alan ülkelere karbon emisyonu değerlerini düşürmek için uygulanacak programlara yol gösterici olabilir. Ayrıca OECD çatısı altında ilgili kümede yer alan ülkeleri içeren komisyonlar kurulabilir. Son zamanlarda iklim değişiklerinin kendisini fazlasıyla hissettirmesi önlemlerin ve uygulamaların bir an önce hayata geçirilmesini desteklemektedir.

Keywords

• SOM Sinir Ağları,Veri Madenciliği,İki Aşamalı Kümeleme,Karbon Emisyonu,İdeal Küme Sayısı

References

1. Akkuş, B., & Zontul, M. (2019). Veri Madenciliği Yöntemleri ile Ülkeleri Gelişmişlik Ölçütlerine Göre Kümeleme Üzerine Bir Uygulama. AURUM Mühendislik Sistemleri ve Mimarlık Dergisi, 3(1), 51-64.
2. Alpar, R. (2011). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler,Üçüncü Baskı, Detay Yayıncılık, Ankara.
3. Arı, A , Zeren, F . (2011). CO2 Emisyonu ve Ekonomik Büyüme: Panel Veri Analizi. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , 18 (2) , 37-47.
4. Arı, E., & Yıldız, A. (2018). Bulanık Kümeleme Analizi ile OECD Ülkelerinin Göç İstatistikleri Bakımından Sınıflandırılması. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (33), 17-28.
5. Atalay, M., & Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamalari- Artificial Intelligence and Machine Learning Applications in Big Data Analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
6. Barkah, A., & Robert, P. (2018). Route Clustering in Transportation with Geospatial Analysis and Machine Learning to Reduce CO2 Emissions.
7. Bayramoğlu, A. T., & Yurtkur, A. K. (2016). Türkiye’de Karbon Emisyonu ve Ekonomik Büyüme İlişkisi: Doğrusal Olmayan Eşbütünleşme Analizi. Bolu Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 16(4), 31-46.
8. Bekiroğlu, O. (2014). Sürdürülebilir Kalkınmanın Yeni Kuralı: Karbon Ayak İzi, II. Elektrik Tesisat Ulusal Kongresi.

9. Bircan, H., Zontul, M., & Yüksek, A. G. (2006). SOM Tipinde Yapay Sinir Ağlarını Kullanarak Türkiye'nin İhracat Yaptığı Ülkelerin Kümelenmesi Üzerine Bir Çalışma. İktisadi ve İdari Bilimler Dergisi, Cilt: 20 Eylül 2006 Sayı: 2
10. Ceylan, Z., Gürsev, S., & Bulkan, S. (2017). İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(4), 475-485.
11. Chalikias, M. S., & Ntanos, S. (2015, September). Countries Clustering with Respect to Carbon Dioxide Emissions by Using the IEA Database. In HAICTA (pp. 347-351).
12. Çemrek, F., Şentürk, S., & Terlemez, L. (2010). Bulanık Kümeleme Analizi ile OECD Ülkelerinin Co2 Emisyonları Bakımından İncelenmesi. Physical Sciences, 5(3), 52-69. Davies D.ve Bouldin D., 1979. “A cluster separation measure,” IEEE PAMI, vol. 1, no. 2, pp. 224–227, 1979.
13. Deniz, S. S. (2019). Kümeleme Analizinde Küme Doğrulama Yöntemleri. Fen Bilimleri ve Matematik, 183.
14. Dinçer, E. (2006). Veri Madenciliğinde K-Means Algoritması ve Tıp Alanında Uygulanması, Yayınlanmamış Yüksek Lisans Tezi, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü.,Kocaeli.
15. Dogan, I., & Topalli, N. (2016). Milli Gelir, Karbon Emisyonu ve Enerji Tüketimi: Türkiye için Dogrusal ve Dogrusal Olmayan Nedensellik Analizi. Business and Economics Research Journal, 7(1), 107.,
16. Graupe, Daniel (1997), Principles of Artificial Neural Networks, Singapore: World Scientific Publishing.
17. Harabasz T. Calinski and J., 1974. “A dendrite method for cluster analysis,” Comm. İn Statistics, vol. 3, no. 1, pp. 1–27.
18. https://databank.worldbank.org/reports.aspx?source=2&series=NY.GDP.MKTP.CD&country=# (Erişim, 16/09/2019).
19. https://www.enerjiportali.com/karbon-emisyonu-nedir/ ( Erişim, 10/09/2019).
20. http://www.mfa.gov.tr/paris-anlasmasi.tr.mfa (Erişim, 09/06/2019).
21. http://www.mfa.gov.tr/iklim-degisikligiyle-mucadelenin-onemi.tr.mfa (Erişim, 09/06/2019).
22. http://www.mfa.gov.tr/bm-iklim-degisikligi-cerceve-sozlesmesi.tr.mfa (Erişim, 09/06/2019).
23. http://www.mfa.gov.tr/kyoto-protokolu.tr.mfa (Erişim, 09/06/2019).
24. http://www.tuik.gov.tr/PreHaberBultenleri.do?id=30627 ( Erişim, 16/09/2019). Sera gazı emisyon bülteni.
25. İnce H., IMAMOGLU, S., & KESKİN, H. (2013). Öz-Düzenlemeli Harita Ağları İle K-Ortalama Kümeleme Analizinin Karşılaştırılması: Tüketici Profilleme Örneği. Gazi Üniversitesi Mühendislik- Mimarlık Fakültesi Dergisi, 28(4).
26. J. Han, M. Kamber, J. Pei (2012). Data Mining Concepts and Techniques, Morgan Kaufmann Publishers Inc., Waltham, USA.
27. Keşan, C., Erkuş, Y., & Coşar, M. Ç. (2017). Öğretmen Adaylarının Üçgen Kavramına Yönelik Kavram İmajlarının Görselleştirilmesinde Som ve Ward Kümeleme Algoritmalarının Kullanımı. International Journal of New Trends in Arts, Sports & Science Education (IJTASE), 6(1).
28. Kiang, M.Y., Hu M. Y., Dorothy M. ve Fisher D.M., “An Extended Self-Organizing Map Network for Market Segmentation-A Telecommunication Example”, Decision Support Systems, Cilt 42, 36– 47, 2006.
29. Kohonen, T. (1995).Self-Organization Maps, Springer, Berlin, Germany
30. Kuşkaya, S., & Gençoğlu, P. (2017). OECD Ülkelerinin 1995-2015 Yılları İtibariyle Sera Gazı Salınımları Açısıdan Karşılaştırılması: İstatistiksel Bir Analiz. IDEA Studies, 3(3), 177-188. Larose, D. T.. (2005). Discovering Knowledge in Data. An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc.
31. Özdemir, A., & Orçanlı, K. (2012). İki Aşamalı Kümeleme Algoritması ile Pazar Bölümlemesi, Müşteri Profillerinin Belirlenmesi ve Niş Pazarların Tespiti. Uşak Üniversitesi Sosyal Bilimler Dergisi, 5(3), 1- 26.
32. Özsoy, C. E. (2015). Düşük karbon ekonomisi ve Türkiye’nin Karbon Ayak İzi. Hak İş Uluslararası Emek ve Toplum Dergisi, 4(9), 198-215.
33. Öztemel, Ercan (2003), Yapay Sinir Ağları, İstanbul:Papatya Yayınevi.
34. Rousseeuw P.,1987. “Silhouettes: A Graphical Aid to The İnterpretation and Validation of Cluster Analysis,” J. Comput. Appl.Math.,vol. 20, no. 1, pp. 53–65, 1987.
35. Rygielski, C., Wang, J.-C. ve Yen, D. C.. (2002). Data Mining Techniques for Customer Relationship Management. Technology in Society, 24 (4), 483-502.
36. Seyrek, İ. H., & Ata, H. A. (2010). Veri Zarflama Analizi ve Veri Madenciliği ile Mevduat Bankalarında Etkinlik Ölçümü. Journal of BRSA Banking & Financial Markets, 4(2).
37. Şekeroğlu, S. (2010). Hizmet Sektöründe Bir Veri Madenciliği Uygulaması (Doctoral dissertation, Fen Bilimleri Enstitüsü).
38. Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the Number of Clusters in a Data Set Via the Gap Statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-423.,
39. Wang Shouhong ve Wang Hai (2002), “Knowledge Discovery Through Self-Organizing Maps: Data Visualization and Query Processing”, Knowledge and Information Systems, 4.
40. Yıldız, K., Çamurcu, Y., ve Doğan, B., 2010. Veri Madenciliğinde Temel Bileşenler Analizi Ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi, 10. Akademik Bilişim Konferansı Bildirileri.