TÜRKİYE’DE SEKTÖRLERİN ÖLÜMLÜ KAZA TÜRLERİNE GÖRE KÜMELENMESİ: İKİLİ KÜMELEME YÖNTEMİ

Yıl 2018, 18. EYİ Özel Sayısı, 871 - 882, 24.01.2018

Ahmet Kocatürk Bülent Altunkaynak Hacı Hasan Örkcü

https://doi.org/10.18092/ulikidince.348053

Öz

Türkiye’deki sektörlerin tehlike sınıfına göre kümelenmiş olması,
işkollarının ve işyerinin tehlike sınıf ve derecesine ait prim oranlarını ve
tehlike derecelerini belirlenmesinde etkilidir. Bu amaçla kullanılan geleneksel
kümeleme yöntemleri tek bir boyutu dikkate aldığından daha sınırlı bilgiler
içermektedir. Bu sektörleri, benzer olan ölümlü kaza türleri açısından bir
arada ele alarak kümelemek daha ayrıntılı sonuçlar verecektir. Bu sonuçları
elde etmek için geleneksel kümeleme yöntemlerinden geliştirilerek bulunan ikili
kümeleme yöntemleri ele alınmıştır.  Bu
çalışmada ikili kümeleme yöntemlerinden biri olan Bimax algoritması
kullanılmıştır. Çalışmada ele alınan matris şeklindeki veri setinde, satırlar
sektörleri, sütunlar ise ölümlü kaza türlerini göstermektedir. Bu çalışmada
sektörler ve kaza türleri birlikte kümelenerek riskli sektör grupları
oluşturulmuştur. Elde edilen ikili kümelere göre inşaat sektörleri ve
taşımacılık sektörleri birlikte kümelenmiştir. Bu sektörlerin birlikte
kümelenmesi, motorlu taşıtlarla ve yüksek bir yerden düşme sonucu meydana gelen
kazaların olmasından kaynaklanmaktadır. Bu gerçek uygulama sayesinde sektörlere
ait risk sınıflandırmaları yapılarak ölümlü kazalara karşı önlem alınmasına
yönelik tedbirler uygulanabilir.

Anahtar Kelimeler

Sektörler, Ölümlü Kazalar, İkili Kümeleme, Bimax Algoritması

CLUSTERING BY SECTORS ACCORDING TO THE TYPE OF FATAL ACCIDENTS IN TURKEY: THE BICLUSTERING METHOD

Öz

Sectors in Turkey are clustered according to hazard class is effective in
determining the premium rates and hazard ratings for hazard class and the
degree of business and workplace. Traditional clustering methods used for his
purpose have more limited information because they take into account a single
dimension. Clustering these sectors together in terms of similar types of fatal
accidents will give detailed results. In order to obtain these results, binary
clustering methods developed by traditional clustering methods are discussed.
In this study, Bimax algorithm which is one of the biclustering methods is
used. In the dataset in the form of matrix covered in the study, the rows
indicate the sectors and the columns show the types of the fatal accidents. According to the obtained biclusters, construction and transportation
sectors cluster together. The clustering of these sectors is due to the
accidents that occurred with motor vehicles and falling from a high place. In
this study, sectors and types of accidents were clustered together to form
risky sector groups. With this actual practice, measures can be taken to take
precautions against fatal accidents by making risk classifications for the sectors.

Anahtar Kelimeler

Sectors, Fattal Accident, Biclustering, Bimax Algorithm

Kaynakça

• Ceylan, H. (2014). Türkiye’de İnşaat Sektöründe Meydana Gelen İş Kazalarının Analizi. International Journal of Engineering Research and Development, 6(1), 1-6.
• Cheng, Y. ve Church, G. M. (2000). Biclustering of expression data. International Conference on In-telligent Systems for Molecular Biology, 8, 1-7.
• Eisen, M. B., Spellman, P. T., Brown, P. O., & Botstein, D. (1998). Cluster analysis and display of ge-nome-wide expression patterns. Proceedings of the National Academy of Sciences, 95(25), 14863-14868.
• Hartigan, J. A. (1972). Direct clustering of a data matrix. Journal of the american statistical associa-tion, 67(337), 123-129.
• Kluger, Y., Basri, R., Chang, J. T., & Gerstein, M. (2003). Spectral biclustering of microarray data: coclustering genes and conditions. Genome research, 13(4), 703-716.
• Lazzeroni, L., & Owen, A. (2002). Plaid models for gene expression data. Statistica sinica, 61-86.
• Madeira, S. C., & Oliveira, A. L. (2004). Biclustering algorithms for biological data analysis: a survey. IEEE/ACM Transactions on Computational Biology and Bioinformatics (TCBB), 1(1), 24-45.
• Murali, T. M., & Kasif, S. (2003). Extracting conserved gene expression motifs from gene expres-sion data. In Pacific symposium on biocomputing, 8, 77-88.
• Prelić, A., Bleuler, S., Zimmermann, P., Wille, A., Bühlmann, P., Gruissem, W., Zitzler, E. (2006). A systematic comparison and evaluation of biclustering methods for gene expression data. Bioinformatics, 22(9), 1122-1129.
• Turner, H., Bailey, T., & Krzanowski, W. (2005). Improved biclustering of microarray data demonst-rated through systematic performance tests. Computational statistics & data analysis, 48(2), 235-254.