TÜRKİYE ŞEHİRLERİNİN SOSYO-EKONOMİK ÖZELLİKLERİNİN BÖLGESEL ANALİZİ

Türkiye şehir yerlerine bağlı olarak 7 bölgeye ayrılmıştır. Aynı bölgedeki şehirlerin coğrafi özellikleri aynı olduğundan, nüfus, göç oranı, kişi başına düşen yıllık gelir gibi sosyo-ekonomik göstergelerinin de benzer olması beklenir. Bazı şehirler bulunduğu bölge içindeki diğer şehirlerden sosyo-ekonomik yapı bakımından farklı olmasına rağmen coğrafi yakınlık sebebiyle bulunduğu bölgeye atanmış olabilirler. Bu çalışma, bölgelerinde bir anlamda aykırı olan şehirleri tespit etmeyi amaçlamaktadır. Şehirlerin coğrafi yakınlığının etkisini ortadan kaldırmak için şehirlerin gerçek yerleri değil çok-boyutlu ölçeklendirme yönteminin verdiği şehir yerleri kullanılmaktadır. Başlangıçta sadece coğrafi yer bilgisine dayanan k-ortalama gruplandırma yöntemiyle şehirler 7 ayrı gruba bölünmüştür. Ardından, şehir yerleri ve sosyo-ekonomik göstergeleri beraber kullanan karar ağacı yöntemi grup oluşturmak için kullanılmıştır. K-ortalama ve karar ağacı yöntemlerinin verdiği gruplar birbirleriyle ve ardından gerçek Türkiye bölgeleriyle kıyaslanmış ve tartışılmıştır.

A REGIONAL ANALYSIS OF THE SOCIO-ECONOMICAL PROPERTIES OF THE TURKEY CITIES

Turkey is divided into 7 regions depending on the cities’ geographic locations. Since the geographic properties of the cities belonging the same region are the same, socio-economical properties like populations, migration rates, annual incomes per person are expected to be similar. Some cities may not possess the same socio-economic structure with the rest of the cities that are from the same region but are assigned to the region anyway just because of geographical proximity. This study aims to find the cities which are in a sense exceptional in their regions. In order to eliminate the effect of the geographical proximity of the cities, not exact locations of the cities but the estimate locations obtained from multi-dimensional scaling are used. At the first hand, a k-means clustering algorithm which only depends on the geographical locations of the cities are used to form 7 clusters. Then, a decision tree analysis is used to form the clusters using both coordinates of the cities and socio-economical properties. Clusters obtained by k-means and decision tree analysis are then compared by themselves and with the real regions of Turkey and discussed.

___

  • Alpaydin, E. (2009), "Introduction to machine learning", MIT press, Cambridge, London.
  • Altınel, K., Aras, N., and Oommen, J. B. (2003, September) "A self-organizing method for map reconstruction", Neural Networks for Signal Processing, 2003. NNSP'03. 2003 IEEE 13th Workshop on (pp. 677- 687)
  • Ben-Arieh, D. and Deep K. G. (2012). "Data Envelopment Analysis of clinics with sparse data: Fuzzy clustering approach.", Computers & Industrial Engineering 63 (1):13-21.
  • Borg, I. and Groenen, P. (2003) "Modern multidimensional scaling: theory and applications", Journal of Educational Measurement, 40(3), 277-280.
  • Breiman, L. (2017). Classification and regression trees. Routledge.
  • Brodley, C. E. and P. E. Utgoff. (1995) "Multivariate Decision Trees.", Machine Learning 19: 45-77.
  • Bronstein, A. M., Bronstein, M. M. and Kimmel, R. (2006) "Generalized multidimensional scaling: a framework for isometry-invariant partial surface matching", Proceedings of the National Academy of Sciences, 103(5), 1168-1172.
  • Cömertler, N. and Kar, M. (2007) "Türkiye’de suç oranının sosyo-ekonomik belirleyicileri: yatay kesit analizi", Journal of the Faculty of Political Sciences, Ankara University , Vol. 62, No. 2 (2007): pp. 37-57.
  • Delias, P., Michael D., Evangelos G., Panagiotis M. and Nikolaos M. (2015) "Supporting healthcare management decisions via robust clustering of event logs", Knowledge-Based Systems 84:203-13.
  • Erkip, F. (2005). The rise of the shopping mall in Turkey: the use and appeal of a mall in Ankara. Cities, 22(2), 89-108.
  • Götz, T. I., Ermer, M., Salas-González, D., Kellermeier, M., Strnad, V., Bert, C., ... and Lang, E. W. (2017) "On the use of multi-dimensional scaling and electromagnetic tracking in high dose rate brachytherapy", Physics in Medicine & Biology, 62(20), 7959.
  • Gürbüz, M. and Karabulut, M. (2008). "Kırsal göçler ile sosyo-ekonomik özellikler arasındaki ilişkilerin analizi", Türk Coğrafya Dergisi, (50), 37-60.
  • Kandogan, E. (2001, August) "Visualizing multi-dimensional clusters, trends, and outliers using star coordinates", Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining, (pp. 107-116). ACM.
  • Korte, C., & Ayvalioglu, N. (1981). Helpfulness in Turkey: Cities, towns, and urban villages. Journal of Cross-Cultural Psychology, 12(2), 123-141.
  • Jain A.K. , Murty M.N. and Flynn P.J. (1999), “Data Clustering: A Review”, ACM Computing Surveys, Vol. 31, No. 3, pp. 264-323
  • Olson, C. H., Sanjoy D., Vipin K., Karen A. M., and Bonnie L. W. (2016) "Clustering of elderly patient subgroups to identify medication-related readmission risks.", International journal of medical informatics 85 (1):43-52.
  • Parekh, M. and Saleena B. (2015) "Designing a cloud based framework for healthcare system and applying clustering techniques for region wise diagnosis.", Procedia Computer Science 50:537-42.
  • Rokach, L. and Maimon, O. Z. (2008), Data mining with decision trees: theory and applications (Vol. 69). World scientific publishing, Singapore. Tsumoto, S., Shoji H. and Haruko I. (2015) "Mining Schedule of Nursing Care Based on Dual-Clustering.", Procedia Computer Science 55:1203-12.
  • Uzun, B., Çete, M., & Palancıoğlu, H. M. (2010). Legalizing and upgrading illegal settlements in Turkey. Habitat International, 34(2), 204-209.
  • Vens, C., Struyf, J., Schietgat, L., Džeroski, S. and Blockeel, H. (2008) "Decision trees for hierarchical multi-label classification", Machine learning, 73(2), 185.
  • Yildiz, C. T. and Alpaydin, E. (2001) "Omnivariate decision trees", IEEE Transactions on Neural Networks, 12(6), 1539-1546.
Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi-Cover
  • ISSN: 1300-4646
  • Yayın Aralığı: Yılda 4 Sayı
  • Yayıncı: Atatürk Üniversitesi İİBF
Sayıdaki Diğer Makaleler

Türkiye’de Alışveriş Merkezlerinde Tüketim ve Tüketici Davranışları Üzerine Araştırmalar: Ulusal Makaleler ve Lisansüstü Tezler Üzerine Bir İçerik Analizi

Cansu GÖKMEN KÖKSAL, Mehmet TIĞLI

TÜRKİYE İÇİN İKLİM DEĞİŞİKLİĞİNE DAYANIKLI KENTSEL PLANLAMA MODELİ ÖNERİSİ: EKO-KOMPAKT KENTLER

Çiğdem TUĞAÇ

TÜRKİYE’DE DEVLET ÜNİVERSİTELERİNİN BÜTÇEDEKİ YERİ VE PERFORMANSLARININ ANALİZİ

Ali USLU, Fatih Coşkun ERTAŞ

CARİ İŞLEMLER BİLANÇOSUNDAKİ DEĞİŞMEYİ ETKİLEYEN FAKTÖRLER: BRIC ÖRNEĞİ

Fehim BAKIRCI, Dr. Okan DOĞAN, Bahar BURTAN DOĞAN

İŞ BECERİKLİLİĞİNİN KİŞİ-İŞ UYUMUNA ETKİSİ: “İŞİMLE UYUMLUYUM, ÇÜNKÜ İŞİMDE DEĞİŞİM YAPABİLİYORUM”

Gökhan KERSE

KATILIM BANKALARININ KREDİ KULLANANLAR AÇISINDAN TERCİH EDİLMEME SEBEPLERİ: ATATÜRK ÜNİVERSİTESİ AKADEMİSYENLERİ ÜZERİNE BİR UYGULAMA

Serpil SUMER, Turan ÖNDEŞ, Abdurrahim ŞİMŞEK

TÜRKİYE’DE YÖNETİŞİM ALANINDA HAZIRLANAN LİSANSÜSTÜ TEZLERİN İÇERİK ANALİZİ (2000-2016)

Azize ÖKTEN, Elvettin AKMAN

ABD’NİN GELENEKSEL OLMAYAN PARA POLİTİKASI UYGULAMALARININ GELİŞMEKTE OLAN ÜLKE TAHVİL PİYASALARI ÜZERİNDEKİ ETKİSİ

Selma ÖNER, Cansu ŞARKAYA İÇELLİOĞLU

KAMU ZARARININ TESPİTİ VE TAHSİLİ SÜRECİNDE ORTAYA ÇIKAN SORUNLAR VE ÇÖZÜM ÖNERİLERİ

Elif Ayşe ŞAHİN İPEK, Engin HEPAKSAZ

ULUSLARARASI FİNANSAL RAPORLAMA STANDARTLARI İLE ÜLKEMİZ MUHASEBE UYGULAMALARI ARASINDA BELİRLENEN BAZI FARKLILIKLAR

İhsan YILDIZTEKİN