Türkiye’de İllerin Vergi Kapasitesinin Kümeleme Analizi ve Entropy Temelli MARCOS Yöntemi ile Değerlendirilmesi

Abstract

Bu çalışma, Türkiye'deki illerin vergilendirme kapasitesini çok boyutlu bir çerçevede ele almayı ve benzer yapısal özelliklere sahip illeri kümeleyerek küme içi performans farklılıklarını bulmayı amaçlamaktadır. Bu amaçla, Gelir İdaresi'nden toplanan ikincil veriler kullanılmış ve her 81 ili temsil eden sekiz gösterge analize dâhil edilmiştir. Bu göstergeler arasında kişisel gelir vergisi mükellefi sayısı, kurumlar vergisi mükellefi sayısı, vergi ile ilgili idari birim sayısı ve vergi dairesi sayısı yer almaktadır. Veri setinde büyük ölçek farklılıkları ve aykırı değerler bulunduğundan, birincil analizden önce logaritmik dönüşüm ve güçlü standardizasyon önceden uygulanmıştır. Daha sonra illeri sınıflandırmak için K-Means kümeleme algoritması kullanılmış ve küme sayısı Silhouette katsayısı kullanılarak seçilmiştir. Sonuçlar, Türkiye'deki illerin vergilendirme kapasitesinin iki küme halinde düzenlendiğini göstermektedir. Birinci küme, nispeten küçük vergi hacmine sahip illeri, ikinci küme ise daha büyük ekonomik ve kurumsal güce sahip ve önemli ölçüde büyük vergi hacmine sahip illeri içermektedir. Kümeleme adımından sonra, her kümede kriter ağırlığı Entropy yöntemine göre bağımsız olarak belirlenmiş ve sonuç olarak kümeye özgü vergi kapasitesinin belirleyicileri ortaya çıkarılmıştır. Bulgular, düşük ve orta ölçekli vergilendirme biçimleriyle karakterize edilen illerde vergi dairesi sayısı ve vergiyle ilgili toplam birimlerin rolünün daha belirleyici olduğunu, daha yüksek vergi kapasitesine sahip illerde ise ekonomik ve kurumsal değişkenlerin daha dengeli bir katkı sağladığını göstermektedir. Son olarak, MARCOS tekniği, performanslarına göre her küme içindeki illeri sıralamak için kullanılmıştır. Genel olarak, sonuçlar Türkiye'deki vergi kapasitesinin tek boyutlu bir eğilim göstermediğini, bunun yerine kümelerdeki idari altyapı, kurumsal derinlik ve ekonomik ölçeğin farklı karışımlarından etkilendiğini göstermektedir. Bu bağlamda araştırma, bölgesel vergi kapasitesini değerlendirmek için çok katmanlı ve entegre bir analitik çerçeve sunmaktadır.

Keywords

• Vergi Kapasitesi
• Kümeleme Analizi
• K-Means
• Entropy
• MARCOS
• Bölgesel Vergi Analizi

Assessment of Provincial Tax Capacity in Türkiye through Cluster Analysis and Entropy-Based MARCOS

Abstract

This paper seeks to discuss provincial tax capacity in Türkiye within a multidimensional framework and to find within-cluster performance variation by clustering provinces of similar structural features. To this end, secondary data collected in the Revenue Administration was utilized, and eight indicators representing every 81 provinces were incorporated in the analysis. These indicators include the number of taxpayers with personal income tax, the number of taxpayers with corporate income tax, the number of tax-related administrative units, and the number of tax offices. Since the dataset has large scale differences and outliers, logarithmic transformation and strong standardization was preemptively used prior to the primary analysis. K-Means clustering algorithm was then used to classify the provinces and the number of clusters was selected using the Silhouette coefficient. The results show that the provincial tax capacity in Türkiye is arranged according to two clusters. The first cluster comprises those provinces that have comparatively small tax volume and the second cluster contains those provinces that have greater economic and institutional strength and have significantly large tax volume. After the clustering step, the weight of criterion was independently determined in each cluster based on the Entropy method, and as a result, the determinants of cluster-specific determinants of tax capacity were identified. The findings indicate that in the provinces characterized by lower and medium-scale taxation forms, the role of the number of tax offices and total units related to taxes is more decisive, and in the provinces with higher tax capacity, economic and institutional variables have a more balanced contribution. Finally, MARCOS technique was used to rank provinces within each cluster based on their performances. In general, the results indicate that tax capacity in Türkiye fails to exhibit a one-dimensional trend, but instead, it is influenced by the dissimilar mixes of administrative infrastructure, institutional depth, and economic scale in clusters. In this context, the study provides multilayered and integrated analytic framework of assessing regional tax capacity. 

Keywords

• Tax Capacity
• Cluster Analysis
• K-Means
• Entropy
• MARCOS
• Regional Tax Analysis

References

1. Benitez, J. C., Mansour, M., Pecho, M., & Vellutini, C. (2023). Building tax capacity in developing countries. International Monetary Fund.
2. Berksoy, T. (1982). Gelişmekte olan ülkelerde vergi kapasitesi ve vergi gayreti (Doktora tezi). Marmara Üniversitesi.
3. Çağdaş, Y., Eralp, A., & Şahin, S. (2020). Vergi açığı üzerinde sosyo-ekonomik ve finansal gelişmişliğin etkisi: Bölgesel bir analiz. Ekonomik ve Sosyal Araştırmalar Dergisi, 16(2), 245–263.
4. Çelikay, F. (2016). Türkiye'de bölgesel vergi gayretinin belirleyicileri: Ampirik bir inceleme. Bilecik Osmaneli Sosyal Bilimler Kongresi Bildirileri.
5. Çetin, İ., & Sevüktekin, M. (2016). Türkiye'de gelişmişlik düzeyi farklılıklarının analizi. Uluslararası Ekonomik Araştırmalar Dergisi, 2(2), 1–18.
6. Danacı, T., & Koçtürk, O. M. (2017). Türkiye serbest bölgelerinin kümeleme analizi ile karşılaştırılması. Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 15(3), 1–22.
7. Dursun, G. D. (2008). 1990–2006 yılları arası Türkiye'nin vergi kapasitesinin hesaplanmasına ait bir araştırma. Maliye ve Finans Yazıları, 80, 45–68.
8. Gamper, C. D., & Turcanu, C. (2007). On the governmental use of multi-criteria analysis. Ecological Economics, 62(2), 298–307.

9. Gelir İdaresi Başkanlığı. (2025). İl bazında vergi istatistikleri (2024 yılı verileri). Erişim tarihi: 15.03.2025, https://gib.gov.tr/yardim-ve-kaynaklar/istatistikler
10. International Monetary Fund (IMF). (2025). Building tax capacity for growth and development: Evidence-based analysis for mobilizing domestic revenue.
11. Kurth, M. H., Larkin, S., Keisler, J. M., & Linkov, I. (2017). Trends and applications of multi-criteria decision analysis: Use in government agencies. Environment Systems and Decisions, 37(2), 134–143.
12. Le, T. M., Moreno-Dodson, B., & Bayraktar, N. (2012). Tax capacity and tax effort: Extended cross-country analysis from 1994 to 2009 (World Bank Policy Research Working Paper No. 6252).
13. Lotz, J. R., & Morss, E. R. (1969). Tax effort in developing countries. Finance and Development, 6(3), 36–39. Łuczak, A., & Just, M. (2020). A complex MCDM procedure for the assessment of economic development of units at different government levels. Mathematics, 8(7), 1067.
14. Nguyen, H. Q., Nguyen, V. T., Phan, D. P., Tran, Q. H., & Vu, N. P. (2022). Multi-criteria decision making in the PMEDM process using MARCOS, TOPSIS, and MAIRCA methods. Applied Sciences, 12(8), 3720.
15. Parfenova, L., Pugachev, A., Podviezko, A. (2016). Comparative analysis of tax capacity in regions of Russia. Journal of Business Economics and Management, 17(4), 586–602.
16. Robinson, L. & Slemrod, J. (2012). Understanding multidimensional tax systems. International Tax and Public Finance, 19, 237-267.
17. Sağdıç, E. N. (2019). Vergi gelirlerini belirleyen faktörlerin bölgesel analizi: Türkiye örneği. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 60, 155–178.
18. Trung, D. D. (2022). Multi-criteria decision making under the MARCOS method. Manufacturing Review, 9, 4. Zhu, Y., Tian, D., & Yan, F. (2020). Effectiveness of entropy weight method in decision-making. Mathematical Problems in Engineering, 2020, 1–5.