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