CLUSTERING OF WORKPLACES AND COMPULSORY INSURED POLICYHOLDERS ACCORDING TO PROVINCES BY SECTOR

Öz

Cluster analysis, one of the data mining approaches, is a common method that allows data to be grouped according to similar characteristics and presented as summary. In this article, a data mining study on cluster analysis are carried out for 80 provinces and 89 activity groups for the distribution by provinces on a sectoral basis. Within the scope of this study, clustering have been applied on workplaces in various fields activity and compulsory policyholders in Turkey. In terms of social security indicators in Turkey, the distribution of compulsory insured employees and private workplaces belonging to activity groups by provinces and regions is the main purpose of the study. With this study, it is aimed to promote social security and give instutive point of view. To analyze the data, are used clustering analysis and Canaopy Clustering Algorithm. As a result of the study, the provinces are divided into six clusters and theirs evaluated according to activity groups. In this context, workplaces and employees with compulsory insurance have been prioritized according to provinces, and clusters have been created according to sectors. For decision makers, this study is a guide for regional and sectoral employment.

Anahtar Kelimeler

• Clustering Analysis
• Canopy Clustering Algorithm
• Workplaces and Compulsory Policyholders

SEKTÖR BAZINDA İŞYERLERİ VE ZORUNLU SİGORTALILARIN İLLERE GÖRE KÜMELEMESİ

Öz

Veri madenciliği yaklaşımlarından biri olan kümeleme analizi, verilerin benzer özelliklerine göre gruplandırılarak özet bilgi halinde sunulmasını sağlayan yaygın bir yöntemdir. Bu çalışmada; 80 il ve 89 faaliyet grubu için sektör bazında illere göre dağılımı için kümeleme analizi ile ilgili bir veri madenciliği çalışması gerçekleştirilmiştir. Çalışma bağlamında Türkiye’de yer alan iller ile çeşitli faaliyet alanında yer alan iş yerleri ve zorunlu sigortalı çalışanlar üzerine kümeleme analizi uygulanmıştır. Türkiye’de sosyal güvenlik göstergeleri çerçevesinde zorunlu sigortalı çalışanlar ile faaliyet gruplarına ait özel iş yerlerinin illere ve bölgelere göre tespiti çalışmanın temel amacını oluşturmaktadır. Bu çalışma ile sosyal güvenliği yaygınlaştırmak ve kurumsal bir bakış açısı kazandırmak hedeflenmiştir. Verileri analiz etmek için Kümeleme Analizi ve Kanopi Kümeleme Algoritmasından yararlanılmıştır. Çalışma sonucunda iller 6 kümeye ayrılmış ve kümeler faaliyet gruplarına göre değerlendirilmiştir. Bu bağlamda işyerleri ve zorunlu sigortalı çalışanlar illere göre önceliklendi-rilmiş olup, sektörlere göre kümeler ortaya çıkarılmıştır. Karar vericiler açısından kümeleme sonuçları bölgesel ve sektörel istihdam açısından yol gösterici nitelik taşımaktadır.

Anahtar Kelimeler

• Kümeleme Analizi
• Kanopi Kümeleme Algoritması
• İşyerleri ve Zorunlu Sigortalılar

Kaynakça

1. Akyüz, K. C., Yıldırım, İ., Tugay, T., Akyüz, İ. ve Gedik, T. (2016). İmalat sanayi içerisinde yer alan sektörlerin iş kazası istatistiklerinin küme ve ayırma analizleri ile değerlendirilmesi. Düzce Üniversitesi Ormancılık Dergisi, 12(1), 18-29.
2. Aliyeva, G. (2019). Elektronik sigortacılığın gelişimi ve Türk sigorta sektöründeki şirketlerin kümeleme analizi ile değerlendirilmesi. Yüksek Lisans Tezi Marmara Üniversitesi, Sigortacılık, Ankara.
3. Bailey, J. (2014). Alternative clustering analysis: A review. Chapman and Hall, First Edition, 533-548.
4. BEBKA, Bursa, Eskişehir ve Bilecik Kalkınma Ajansı (2012). TR41 bölgesi illeri kümeleme analizleri, https://www.kalkinmakutuphanesi.gov.tr/assets/upload/dosyalar/tr41_boelgesi_illeri_kuemelenme_analizleri.pdf
5. Carfora, M. F., Martinelli, F., Mercaldo, F., Nardone, V., Orlando, A., Santone, A. ve Vaglini, G. (2018). A pay-how-you-drive car ınsurance approach trough cluster analysis. Soft Computing, 2863-2875.
6. Centel, T. (2020). Types of social insurance.Turkish Social Law, 73-79.
7. Ceylan, Z., Gürsev, S. ve Bulukan, S. (2017). İki aşamalı kümeleme analizi ile bireysel emeklilik sektöründe müşteri profilinin değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(4), 475-485.
8. Çiftçi, M. (2018). Trakya alt bölgesindeki faaliyet gruplarında istihdama dayalı bölgesel kümelenme. Diyalektolog, 17, 1-15.

9. Demiröğün, S. (2018). Kümeleme potansiyeli gösteren sektörlerin belirlenmesi: TRA 1 düzey 2 bölgesi üzerine bir uygulama. Bolu Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü, 18(4), 85-113.
10. Doğan, B., Buldu, A., Demir, Ö. ve Ceren, B. E. (2017). Sigortacılık sektöründe müşteri ilişki yönetimi için kümeleme analizi. Karaelmas Fen ve Müh. Derg. 8(1), 11-18.
11. Dulupçu, M. A. ve Sayın, M. (2020). Yerel ve bölgesel ekonomik kalkınma perspektifinde bölgesel rekabetçilik yaklaşımları ve bölgesel sektörel rekabetçilik üzerine değerlendirmeler. Isparta Uygulamalı Bilimler Üniversitesi Sosyal Bilimler ve Güzel Sanatlar Fakültesi Dergisi, 2, 1-19.
12. Everitt, B. (1974). Cluster analysis. Heinmann, London.
13. Hair, F. J., Black, W, C., Babin, B. J. ve Anderson, R. E. (2014), Multivariate data analysis. Harlow: Pearson Education Limited, 7. Baskı.
14. Hajizadeh, E., Ardakani, H. D. ve Shahrabi, J. (2010). Application of data mining techniques ın stock markets: A survey. Journal Of Economics And International Finance, 2(7), 109-118.
15. Han, J., Kamber, M. ve Pei, J. (2012). Data mining concepts and techniques. The Morgan Kaufmann Series in Data Management Systems, 3. Baskı.
16. https://www.nvi.gov.tr/eskisehir/turkiye-nufusu-aciklandi E.T.07.02.2021, 21.07
17. Huallachain, B. O. (1991). Sectoral clustering and growth in American metropolitan areas. Regional Studies, 25(5), 411-426.
18. Jacobs, P. (1999). Data Mining: What General Managers Need to Know, Harvard Management Update, 4(10), 8-9.
19. Kalkınma Bakanlığı (2018). Sosyal güvenlik sisteminin sürdürülebilirliği, On Birinci Kalkınma Planı (2019-2023), Özel İhtisas Komisyon Raporu. Ankara.
20. Kartal, E., Balaban, M. E. ve Bayraktar, B. (2020). Küresel Covid-19 salgının dünyada ve Türkiye’de değişen durumu ve kümeleme analizi. İstanbul Tıp Fakültesi Dergisi, 66-70.
21. Koyuncugil, A.S., Nermin Özgülbaş, N. (2009). Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları, Bilişim Teknolojileri Dergisi, 2(2), MAYIS 2009, 21-32.
22. Kozawa, Y., Hayashi, F., Amagasa, T. ve Kitagawa, H. (2015). Parallel canopy clustering on GPUs. Database and Expert Systems Applications, 334-348.
23. Krpan, M., Pavkovic, A. ve Zmuk, B. (2020). Cluster analysis of new EU Member states’ pension systems. Interdisciplinary Description of Complex Systems, 18(2-B), 208-222.
24. Larose, D. T. (2005). Dicovering knowledge in data: An introduction to data mining, A John Wiley and Sons. Lin, X. ve Xu, J. (2020). Road network partitioning method based on Canopy-K means clustering algotihm. Archives of Transport, 54(2), 95-106.
25. Mares, I. (2003). The sources of business ınterest in social ınsurance: Sectoral versus national differences. World Politics, 55(2), 229-258.
26. Mccallum, A., Nigam, K. ve Ungar, L. H. (2000). Efficient clustering of high-dimensional data sets with application to reference matching, 169-178.
27. Michaelides, P., Economakis, G. ve Lagos, D. (2005). Clustering analysis methodology for employment and regional planning Greece. WSEAS Journal, 5 (2), 750-757.
28. Miljkovic, T. ve Fernandez, D. (2018). On two mixture-based clustering approaches used in modeling an ınsurance portfolio. New Perspectives in Actuarial Risk Management, 6(2), 57.
29. Muntaner, C., Chung, H., Benach, J. ve Edwin, N. (2012). Hierarchical cluster analysis of labour market regulations and populations health: A taxonomy of low and middle-income countries. BMC Public Health, 12(1). https://bmcpublichealth.biomedcentral.com/articles/10.1186/1471-2458-12-286
30. Özcan, H. ve Uzpeder, İ. (2020). Kümeleme analizi ile Türkiye’deki Nakliyat Ve Toplam Sigorta Prim Göstergelerinin Karşılaştırılması. Beykoz Akademi Dergisi, 8(1), 321-333.
31. Özdamar, K. (2004). Paket programlar ile istatistiksel veri analizi 2, Eskişehir: Kaan Kitabevi.
32. Özekes, S., (2003). Data Mining Models and Application Areas, İstanbul Commerce University Journal of Science, No.3, 65-82.
33. Peng, Y., Kou, G., Sabatka, A., Chen, Z., Khazanchi, D. ve Shi, Y. (2006). Application of clustering methods to health insurance fraud detection. 2006 International Conference on Service Systems and Service Management, 5, 116-120.
34. Punj, G. ve Stewart, D. W. (1983). Cluster analysis in marketing research: Review and suggestions for application. Journal of Marketing Research, 20(2), 134-148.
35. Rani, Y. ve Rohil, H. (2013). A study of hierarchical clustering algorithm. International Journal of Information and Computation Technology, 3(11), 1225-1232.
36. Rhodes, J. D., Cole, W. J., Upshaw, C. R., Edgar, T. F. ve Webber, M. E. (2014). Clustering analysis of residential electricity. Applied Energy, 135, 461-471.
37. Rokach, L. ve Maimon, O. (2005). Data mining and knowledge discovery handbook: Clustering methods. Springer, 331-352.
38. Rollnik-Sadowska, E. ve Dabrowska, E. (2018). Cluster analysis of effectiveness of labour market policy in the European Union. Oeconomia Copernicana, 9(1), 143-158.
39. Roson, R. (2019). Sectoral differences in labor productivity growth estimation and modeling. Research in Applied Economics, 11(1), 1-8.
40. Sharma, S., Tiwarı, R., Shukla, A. ve Yadav, J. (2014). Canopy clustering based multi robot area exploration, 3. International Conferance on Advances in Control and Optimization of Dynamical Systems, 505-510.
41. Shao, X., Fu, L. (2020). Application of improved canopy algorithm in customer clustering, ICITBS 2020, 860-863.
42. Shearer, C., (2000), “The Crisp-DM Model: The New Blueprint for Data Mining” Journal of Data Warehousing, Cilt 5 No 4, 13-23.
43. Xia, D., Ning, F. ve He, W. (2020). Research on parallel adaptive canopy-k-means clusterign algorithm for big data mining based on cloud platform. Journal Grid Computing, 18, 263-273.
44. Yaşar, O. (2013). Türkiye’de otomotiv ana ve yan sanayi ve marmara bölgesi’nde kümelenme. International Periodical For The Languages, Literature and History of Turkish or Turkic, 8(6), 779-805.
45. Yıldırım, P., Uludağ, M. ve Görür, A. (2008). Hastane Bilgi Sistemlerinde Veri Madenciliği, Akademik Bilişim, Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008, 429-434.
46. Zhong, N., Zhou, L. (1999). Methodologies for Knowledge Discovery and Data Mining : Third Pacific-Asia Conference, Pakdd-99, Beijing, China, April 26-28, Springer Verlag, 1999.
47. Zhuang, Y., Han, J. ve Hu, Y. (2020). Research on batching strategy of medical orders based on canopy-k-means two-stage clustering algorithm. ISAIMS 2020, 214-219.