VERİ ZARFLAMA ANALİZİ İLE ORGANİZE SANAYİ BÖLGELERİ ETKİNLİKLERİNİN ÖLÇÜLMESİ: TR71 DÜZEY 2 BÖLGESİ ÖRNEĞİ

Yıl 2023, Cilt: 01 Sayı: 03, 291 - 311, 30.09.2023

Levent Akkaya

https://doi.org/10.61138/bolgeselkalkinmadergisi.1271815

Öz

Organize Sanayi Bölgelerinin (OSB) üretimdeki parsel yüzdesinin düşük olması, tasarlanan teşvik sisteminin yatırımcı çekmek açısından yeterli olup olmadığı sorusunu gündeme getirmektedir. Bu kapsamda bölgesel düzeyde faal durumda olan OSB’lerin etkinliklerinin ölçülmesi; etkin olmayan OSB’lerin belirlenerek farklı mekanizmalarla desteklenmesi, etkin olmayan takipçi OSB’lere yönelik referans kümesi oluşturulması ve girdi-çıktı düzeylerini ne kadar değiştirmeleri gerektiğine yönelik bilgi sağlaması açısından önemlidir. Etkinlik ölçümünde, en fazla kullanılan yöntemlerden biri olan ve doğrusal programlama temeline dayanan Veri Zarflama Analizi (VZA) yöntemi kullanılmıştır. TR71 Düzey 2 Bölgesi’ndeki OSB’lerin analizinde kullanılan değişkenlerin birbirinden çok farklı değerlere sahip olması, kendi aralarında homojen ancak diğerlerine göre heterojen yapı gösteren kümelerin belirlenmesini gerekli kılmaktadır. Bu nedenle kümeleme analizi uygulanmış olup analizde Ward tekniği kullanılmıştır. Analize dâhil edilen sekiz OSB’den üç tanesinin (Kırıkkale Keskin, Nevşehir Islah ve Niğde Bor Deri Karma İhtisas OSB) etkin olduğu, diğer beş tanesinin ise etkin olmadığı anlaşılmıştır. Çalışma 2021-2022 yıllarını kapsamakta olup kümeleme analizi SPSS 23, VZA ise DEAP 2.1 programı ile yapılmıştır.

Anahtar Kelimeler

Veri Zarflama Analizi, Ward Tekniği, Organize Sanayi Bölgeleri, TR71 Düzey 2 Bölgesi, Etkinlik Analizi

MEASURING THE EFFICIENCES OF ORGANIZED INDUSTRIAL ZONES THROUGH DATA ENVELOPMENT ANALYSIS: THE CASE OF TR71 NUTS II REGION

Öz

The low percentage of parcels in production in Organized Industrial Zones (OIZs) raises the question of whether the current incentive system is adequate to attract investors. To assess the efficacy of regionally active OIZs, it is essential to identify ineffective OIZs and support them with different mechanisms, to create a reference set for ineffective follower OIZs, and to provide information on requisite changes in their input-output levels. The Data Envelopment Analysis (DEA) method based on linear programming, which is one of the most widely used methods for measuring efficiency, is utilized. In the analysis of OIZs in the TR71 NUTS II Region, the variables used exhibit considerable differences from one another, which necessitates the identification of clusters with homogeneous structures within themselves but heterogeneous structures in comparison to others. Thus, Cluster Analysis (CA), using the Ward technique was employed. It is realized that out of eight OIZs analyzed, three (Kırıkkale Keskin, Nevşehir Islah and Niğde Bor Deri Karma İhtisas OIZ) are effective while remaining five are ineffective. The study spanning 2021-2022, and CA and DEA were performed employing SPSS23 and DEAP 2.1 programs, respectively.

Anahtar Kelimeler

Data Envelopment Analysis, Ward Method, Organized Industry Zones, TR71 NUTS II Region, Efficiency Analysis

Kaynakça

• Aleskerov, F. and Petrushchenko, V. (2016). DEA by Sequential Exclusion of Alternatives in Heterogenous Samples. International Journal of Information Technology & Decision Making, 15(1), 5-22.
• Balcombe, K., Davidova, S. and Latruffe, L. (2006, August). The Use of Bootstrapped Malmquist Indices to Reassess Productivity Change Findings: An Application to a Sample of Polish Farms. Paper presented at 26. IAEE Annual Meeting: Contributions of agricultural economics to critical policy issues, International Association of Agricultural Economics (IAEE). INT.; European Workshop on Efficiency and Productivity Analysis (EWEPA), Gold Coast, Australia.
• Banker, R. D. and Natarajan, R. (2008). Evaluating Contextual Variables Affecting Productivity Using Data Envelopment Analysis. Operation Research, 56 (1), 48-58.
• Banker, R. D., Cooper, W. W. and Seiford, L. M. (2011). Returns to Scale in DEA. In J. Zhu, (Ed.), Handbook On Data Envelopment Analysis. Boston: Springer US., 41-70.
• Banker, R. D., Emrouznejad, A., Bal, H., Alp, I. and Cengiz, M. A. (2013). Data Envelopment Analysis and Performance Measurement. Proceedings of The 11th International Conference of DEA, Samsun, Turkiye.
• Barr, R. S., Seiford, L. M. and Siems, T. F. (1994). Forecasting Bank Failure: A Non-Parametric Frontier Estimation Approach. Recherces Economique de Louvain, 60 (4), 417-429.
• Barros, C. P. and Dieke, P. (2008). Measuring The Economic Efficiency of Airports: A Simar-Wilson Methodology Analysis. Transportation Research Part E, 44 (6), 1039-1051.
• Benicio, J. and Mello, J. C. S. (2015). Productivity Analysis and Variable Returns of Scale: DEA Efficiency Frontier Interpretation. Procedia Computer Science, 55, 341-349.
• Bessent, A., Bessent, W., Kennington, J. and Reagan, B. (1982). An Application of Mathematical Programming to Assess Productivity in The Houston İndependent School District. Management Science, 28 (12), 1355-1367.
• Bessent, A. M., Bessent, E. W., Charnes, A., Cooper, W. W. and Thorogood, N. C. (1983). Evoluation of Educational Program Proposals by Means of DEA. Educational Administration Quarterly, 19 (2), 82-107.
• Bilgin, T. ve Çamurcu, Y. (2005). DBSCAN, OPTICS ve K-Means Kümeleme Algoritmalarının Uygulamalı Karşılaştırılması. Politeknik Dergisi, 8 (2), 139-145.
• Blashfield, R. K. (1976). Mixture Model Tests of Cluster Analysis: Accuracy of Four Agglomerative Hierarchical Methods. Psychological Bulletin, 83 (3), 377-388.
• Boussofiane, A., Dyson, R. G. and Thanassoulis, E. (1991). Applied Data Envelopment Analysis. European Journal of Operational Research, 52, 1-15.
• Charnes, A., Cooper, W. W. and Rhodes, E. (1981). Evaluating Program And Managerial Efficiency-An Application of Data Envelopment Analysis to Program Follow Through. Management Science, 27 (6), 668-697.
• Colbert, A., Levary, R. R. and Shaner, M. C. (2000). Determining The Relative Efficiency of MBA Programs Using DEA. European Journal of Operational Research, 125, 656-669.
• Cook, W. D., Tone, K. and Zhu, J. (2014). Data Envelopment Analysis: Prior to Choosing a Model. Omega, 44, 1-4.
• Cooper, W., Seiford, L. and Zhu, J. (2011). Data Envelopment Analysis: History, Models, and Interpretations. In J. Zhu (Ed.), Handbook on Data Envelopment Analysis. Boston: Springer, 1-39.
• Cooper, W. W., Seiford, L. M. and Zhu, J. (2000). A Unified Additive Model Approach for Evaluating Inefficiency and Congestion with Associated Measures in DEA. Socio-Economic Planning Sciences, 34, 1-25.
• Çağlar, E. (2006). Türkiye'de Yerelleşme ve Rekabet Gücü: Kümelenmeye Dayalı Politikalar ve Organize Sanayi Bölgeleri. Bölgesel Kalkınma ve Yönetişim Sempozyumunda sunuldu, TEPAV, Ankara.
• Çakmak, Z., Uzgören, N. ve Keçek, G. (2005). Kümeleme Analizi Teknikleri ile İllerin Kültürel Yapılarına Göre Sınıflandırılması ve Değişimlerinin İncelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 12.
• Çelik, İ. ve Ayan, S. (2017). Veri Zarflama Analizi ile İmalat Sanayi Sektörünün Finansal Performans Etkinliğinin Ölçülmesi: Borsa İstanbul'da Bir Araştırma. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 8 (18), 56-74.
• Çelik, N. ve Okur Dinçsoy, M. (2019). Kalkınma ve Organize Sanayi Bölgeleri: Edirne OSB Üzerine Bir Araştırma. Balkan ve Yakın Doğu Sosyal Bilimler Dergisi, 05 (03), 28-45.
• Çetin, M. ve Kara, M. (2008). Bir Kalkınma Aracı Olarak Organize Sanayi Bölgeleri: Isparta Süleyman Demirel Organize Sanayi Bölgesi Üzerine Bir Araştırma. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31, 49-68.
• Davidson, I. (2002). Understanding K-Means Non-Hierarchical Clustering. Computer Science Department of State University of New York (SUNY), Albany, New York.
• Dellnitz, A., Kleine; and A., Rödder, W. (2018). CCR or BCC: What If We Are in The Wrong Model? Journal of Business Economics, 88, 831-850.
• Demiralay, M. ve Çamurcu, A. Y. (2005). CURE, AGNES ve K-means Algoritmalarındaki Kümeleme Yeteneklerinin Karşılaştırılması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 4 (8), 1-18.
• DEÜ-DPT (Dokuz Eylül Üniversitesi-Devlet Planlama Teşkilatı). (2008). Türkiye'de Organize Sanayi Bölgelerinin Performans Değerlendirmesi ve Strateji Geliştirme: Alt Bölgeler Arası Karşılaştırma, 2008, İzmir, 1-381.
• Doğan, N. Ö. ve Tanç, A. (2008). Konaklama İşletmelerinde Veri Zarflama Analizi Yöntemiyle Faaliyet Denetimi: Kapadokya Örneği. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 22 (1), 239-258.
• Dursun, M. (2019). Doğu Anadolu Projesi Bölge Kalkınma İdaresinde Yer Alan Organize Sanayi Bölgelerinin Etkinlik Değerlendirmesi. GÜFBED/GUSTIH, 9 (4), 816-824.
• Dursun, M., Göker, N. ve Tülek, B. D. (2018). Efficiency Analysis of Organized Industrial Zones in Eastern Black Sea Region of Turkey. Socio-Economic Planning Sciences, 68, 1-7.
• Fan, Y., Bai, B., Qiao, Q., Kang, P., Zhang, Y. and Guo, J. (2017). Study on Eco-Efficiency of Industrial Parks in China Based on Data Envelopment Analysis. Journal of Environmental Management, 192, 107-115.
• Fancello, G., Carta, M. and Serra, P. (2020). Data Envelopment Analysis for The Assessment of Road Safety in Urban Road Networks: A Comparative Study Using CCR and BCC Models. Case Studies on Transport Policy, 8 (3), 736-744.
• Ferreira, L. and Hitchcock, D. B. (2009). A Comparison of Hierarhical Methods for Clustering Functional Data. Communications in Statistics - Simulation and Computation, 38 (9), 1925-1949.
• Fried, H. O., Lovell, C. A., Schmidt, S. S. and Yaisaw Warng, S. (2002). Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis. Journal of Productivity Analysis, 17, 157-174.
• Friedman, L. and Sinuany-Stern, Z. (1998). Combining Ranking Scales and Selecting Variables in the DEA Context: The Case of Industrial Branches. Computers and Operations Research, 25 (9), 781-791.
• Gao, G., Wang, S., Xue, R., Liu, D., Huang, B. and Zhang, R. (2022). Eco-efficiency Assessment of Industrial Parks in Central China: A Slack-Based Data Envelopment Analysis. Environmental Science and Pollution Research, 29 (20), 30410-30426.
• Golany, B. and Roll, Y. (1989). An Application Procedure for DEA. OMEGA International Journal of Management Sciences, 17(3), 237-250.
• Grubesic, T. H. (2006). On The Application of Fuzzy Clustering for Crime Hot Spot Detection. Journal of Quantitative Criminology, 22(1), 77-105.
• Hands, S. and Everitt, B. (1987). A Monte Carlo Study of The Recovery of Cluster Structure in Binary Data by Hierarchical Clustering Techniques. Multivariate Behavioral Research, 22, 235-243.
• Hu, W., Guo, Y., Tian, J., Chen, L. (2019). Eco-efficiency of Centralized Wastewater Treatment Plants in Industrial Parks: A Slack-Based Data Envelopment Analysis. Resources, Conservation & Recycling, 141, 176-186.
• İşbilen Yücel, L. (2010). Portföy Etkinliğinin Veri Zarflama Analizi ile Ölçülmesi ve Portföy Etkinleştirilmesine Yönelik Bir Uygulama, Yayımlanmamış Doktora Tezi, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü.
• İşbilen Yücel, L. (2015). Excel-Solver Eklentisiyle Oluşturulan Portföylerin CCR Model ile Etkinlik Ölçümüne Yönelik Bir Uygulama. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 23, 112-146.
• Jenkins, L. and Anderson, M. (2003). A Multivariate Statistical Approach to Reducing The Number of Variables in Data Envelopment Analysis. European Journal of Operation Research, 147 (1), 51-63.
• Kaushik, M. and Mathur, B. (2014). Comparative Study of K-Means and Hierarchical Clustering Techniques. International Journal of Software & Hardware Research in Engineering, 2 (6), 93-98.
• Khan, B. M., Pai, P., Kachwala, T. (2020). Data Envelopment Analysis - Is BCC Model Better Than CCR Model? Case of Indian Life Insurance Companies. NMIMS Management Review, 38 (1), 17-35.
• Khodakarami, M., Shabani, A., Saen, R. F. (2014). A New Look At Measuring Sustainability of Industrial Parks: A Two-Stage Data Envelopment Analysis Approach. Clean Technologies and Environmental Policy, 16 (8).
• Koç, S. ve Bulmuş, C. (2014). Organize Sanayi Bölgelerinin Bölge Ekonomilerindeki Etkinliklerinin Karşılaştırılması: Kayseri ve Sivas Örneği. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 4 (1), 177-215.
• Liu, J. S., Lu, L. Y., Lu, W.-M., and Lin, B. J. (2012). Data Envelopment Analysis 1978-2010: A Citation-based Literature Survey. Omega, 41 (1), 3-15.
• Okursoy, A. ve Tezsürücü, D. (2014). Veri Zarflama Analizi ile Göreli Etkinliklerin Karşılaştırması: Türkiye'deki İllerin Kültürel Göstergelerine İlişkin Bir Uygulama. Yönetim ve Ekonomi, 21 (2), 1-18.
• OSBÜK (Organize Sanayi Bölgeleri Üst Kuruluşu). (2021). "Sayılarla OSB'ler". OSBÜK, https://osbuk.org/view/sayilarlaosb/osbliste.php, (Erişim tarihi: 20.03.2023).
• OSBÜK (Organize Sanayi Bölgeleri Üst Kuruluşu). (2022). "Sayılarla OSB'ler". OSBÜK, https://osbuk.org/view/sayilarlaosb/osbliste.php, (Erişim Tarihi: 20.03.2023).
• Özçelik, F. ve Avcı Öztürk, B. (2019). Girdi Olarak Maliyetlere Yönelik Veri Zarflama Analizi Modelleri ile Göreli Etkinlik Analizi. İşletme Araştırmaları Dergisi, 11(2), 1011-1028.
• Özden, Ü. H. (2008). Veri Zarflama Analizi ile Türkiye'deki Vakıf Üniversitelerinin Etkinliğinin Ölçülmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 37(2), 167-185.
• Pai, J., Hu, D., Liao, W. (2018). Research On Eco-Efficiency of İndustrial Parks in Taiwan. Energy Procedia, 152, 691-697.
• Parkan, Ç. (1987). Measuring The Efficiency of Service Operations: An Application to Bank Branches. Engineering Costs and Production Economics, 12(1-4), 237-242.
• Ray, S. C. (2004). Data Envelopment Analysis Theory and Techniques for Economics and Operations Research. Cambridge, United Kingdom: Cambridge University Press.
• RG (Resmî Gazete). (2002). Bölgesel İstatistiklerin Toplanması, Geliştirilmesi, Bölgelerin SosyoEkonomik Analizlerinin Yapılması, Bölgesel Politikaların Çerçevesinin Belirlenmesi ve Avrupa Birliği Bölgesel İstatistik Sistemine Uygun Karşılaştırılabilir İstatistiki Veri Tabanı Oluşturulması Amacıyla Ülke Çapında İstatistiki Bölge Birimleri Sınıflandırmasının Tanımlanmasına İlişkin Karar. Karar No: 2002/4720. 22 Eylül 2002 tarih ve 24884 sayılı T. C. Resmî Gazete.
• Salimi Altan, M. (2010). Türk Sigortacılık Sektöründe Etkinlik: Veri Zarflama Analizi Yöntemi ile Bir Uygulama. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12 (1), 185-204.
• Saraçlı, S., Doğan, N., Doğan, İ. (2013). Comparison of Hierarchical Cluster Analysis Methods By Cophenetic Correlation. Journal of Inequalities and Applications, 2013 (1), 1-8.
• Sarı, E. B. (2018). Organize Sanayi Bölgelerinin Etkinliklerinin Veri Zarflama Analizi ile Değerlendirilmesi. Ekonomi Bilimleri Dergisi, 10 (2), 17-32.
• Sarı, Z. (2015). Veri Zarflama Analizi ve Bir Uygulama, Yayımlanmamış Yüksek Lisans Tezi, Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Simar, L. and Wilson, P. W. (2007). Estimation and Inference in Two-Stage, Semi-Parametric Models Of Production Process. Journal of Econometrics, 136 (1), 31-64.
• Smith, P. and Maystone, D. (1987). Measuring Efficiency in The Public Sector. OMEGA International Journal of Management Sciences, 15 (3), 181-189.
• Şengül, Ü., Eslemian, S. ve Eren, M. (2013). Türkiye'de İstatistiki Bölge Birimleri Sınıflamasına Göre Düzey 2 Bölgelerinin Ekonomik Etkinliklerinin VZA Yöntemi ile Belirlenmesi ve Tobit Model Uygulaması. Yönetim Bilimleri Dergisi, 11 (21), 75-99.
• Tavana M., Ebrahimnejad A., Santos-Arteaga F.J., Mansourzadeh S.M. and Matin R.K. (2018). A Hybrid DEA-MOLP Model for Public School Assessment and Closure Decision in The City of Philadelphia. Socio-Economic Planning Sciences, 61, 70-89.
• Thanassoulis, E. (1999). Data Envelopment Analysis and Its Use in Banking. Interfaces, 29 (3), 1-13.
• Tone, K. and Sahoo, B. K. (2003). Scales, Indivisibilities and Production Function in Data Envelopment Analysis. International Journal of Production Economics, 84, 165-192.
• Tülek, B. D. (2017). Efficiency Analysis of Organized Industrial Zones in Türkiye, Yayımlanmamış Yüksek Lisans Tezi, Galatasaray Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
• Yaz, F. H. (2014). "Çok Değişkenli İstatistiksel Tekniklerden Kümeleme Analizi: SPSS ile Bir Uygulama", Ondokuz Mayıs Üniversitesi, https://avys.omu.edu.tr/storage/app/public/hbozoglu/120495/Cok_Degiskenli_Istatistiksel_Yontemlerde.pdf, (Erişim tarihi: 24.03.2023).
• Yıldırım, İ. E. (2010). Veri Zarflama Analizinde Girdi ve Çıktıların Belirlenmesindeki Kararsızlık Problemi İçin Temel Bileşenler Analizine Dayalı Bir Çözüm Önerisi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 39 (1), 141-153.
• Yıldırım Özcan, K. (2020). Büyüme Kutupları Teorisi Bağlamında Türkiye'deki OSB'lerin Tarihsel Gelişimi ile Fiziksel ve Ekonomik Özellikleri. Verimlilik Dergisi, 1, 143-181.