OECD ÜLKELERİNİN GÖÇ İSTATİSTİKLERİ BAKIMINDAN BULANIK KÜMELEME ANALİZİ İLE İNCELENMESİ

İnsanlık tarihinin başlangıcından beri var olan göç hareketliliği çoğunlukla ekonomik, sosyal, kültürel, çevresel ve siyasinedenlerle ortaya çıkmaktadır. Daha iyi yaşam koşulları arayışı, bireyleri gelişmiş ülkelere göç etme arzusuyla karşı karşıyagetirmektedir. Bu sebeple ülkelerin ekonomik ve sosyal yapısını derinden etkileyen uluslararası göç hareketliliğinin sebeplerininincelenmesi büyük önem arz etmektedir. Çalışmada, bulanık kümeleme analizi aracılığıyla 2015 yılına ait veriler kullanılarakOECD ülkelerinin göç istatistiklerini oluşturan belirleyiciler arasındaki benzerlik ve farklılıkların belirlenmesi amaçlanmıştır.Her bir küme sayısı (n= 2,3,4..) için ortalama gölge istatistiği hesaplanmış ve en uygun küme sayısının iki olduğuna kararverilmiştir. Elde edilen bu sonuç, Diskriminant Analizi ile doğru sınıflandırma oranı hesaplanarak desteklenmiştir. Türkiye;Amerika Birleşik Devletleri, Çek Cumhuriyeti, Macaristan, Meksika, Polonya, Slovakya ve Şili ile benzer özellikler göstererekaynı ülke grubunda yer almıştır. Çalışmanın analizinde NCSS.12 ve SPSS.22 istatistiksel paket programından yararlanılmıştır.

CLASSIFICATION OF OECD COUNTRIES ACCORDING TO MIGRATION STATISTICS USING FUZZY CLUSTERING ANALYSIS

Migration mobility, which has existed since the beginning of human history, is often manifested by economic, social, cultural, environmental and political reasons. Due to the search for better living conditions, individuals face the desire to migrate to developed countries. For this reason, it is of great importance to examine the reasons for the international migration movement which deeply affects the economic and social structure of the countries. In this study, it was aimed to determine the similarities and differences between the determinants of migration statistics of OECD countries using the data for 2015 by using fuzzy clustering analysis technique. Average Sihouette coefficient were calculated for each cluster number (n= 2,3,4..) and it was decided that the optimal cluster number was two. This result was supported by calculating the correct classification ratio by using Discriminant Analysis. Turkey, United States of America, Czech Republic, Hungary, Mexico, Poland, Slovakia and Chile have similar characteristics and are situated in the same country group. In the analysis of the study utilized the NCSS.12 and SPSS.22 statistical package program.

PDF

___

Aldenderfer, M. S., Blashfield, R. K. (1984). Cluster Analysis. Beverly Hills: Sage Publications.
Alpar, R. (2013). Çok Değişkenli İstatistiksel Yöntemler. 4. Baskı, Detay yayıncılık, Ankara.
Alptekin, N., ve Yeşilaydın, G. (2015). “OECD Ülkelerinin Sağlık Göstergelerine Göre Bulanık Kümeleme Analizi İle Sınıflandırılması.” Journal of Business Research-Turk, 7(4):137-155.
Barışık, S., & Çetintaş, H. (2003). Küreselleşme ve Beyin Göçü. II. Ulusal Bilgi, Ekonomi ve Yönetim Kongresi Bildiriler Kitabı, 17-18.
Bayraklı, C. (2007). Dış-Göçün Sosyo-Ekonomik Etkileri: Görece Göçmen Konutlarında (İzmir) Yaşayan Bulgaristan Göçmen Örneği. Yüksek Lisans Tezi, Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü İktisat Anabilimdalı.
Bezdek, J.C. (1981). Pattern Recognition With Fuzzy Objective Function Algorithms. Plenum Press, New York.
Boreiko, D. (2003). “EMU And Accession Countries: Fuzzy Clusteranalysis Of Membership.” International Journal of Finance & Economics,c8(4): 309- 325.
Diekhoff, G. (1992). Statistics For The Social And Behavioral Sciences: Univariate, Bivariate And Multivariate, USA: Wm. C. Brown Publishers.
Dişbudak, C. (2004). “Uluslararası Göç Ve Türkiye.” İşletme, İktisat ve Finans Dergisi, 217: 84–93.
Döring, C., Lesot, L., and Kruse, R. (2006). “Data Analysis With Fuzzy Clustering Method.” Computational Statistics & Data Analysis, 51: 192-214.
Erilli, A. (2014). “TR72 Bölgesi İlçelerinin Sosyo-Ekonomik Verilere Göre Bulanık Kümeleme Analizi İle Sınıflandırılması.” Ekonomik ve Sosyal Araştırmalar Dergisi, 10(2): 33-45.
Garson, G. D. (2012). Discriminant Function Analysis, Asheboro, NC: Statistical Associates Publishers. Giray, S., Yorulmaz, Ö., ve Ergüt, Ö. (2016). “Ülkelerin Gini Katsayısı, Göç, Suçluluk Ve Mutluluk Değişkenleri Açısından Bulanık Ve Dayanıklı Kümeleme Metotları İle Karşılaştırılması.” Journal of Awareness, 1(2): 1-16.
İçduygu, A., & Sirkeci, İ. (1999). Bilanço’ 98, 75 Yılda Köylerden Sehirlere, Cumhuriyet Dönemi Türkiye’sinde Göç Hareketleri, Türkiye İş Bankası Yayınları: İstanbul.
Jing, Z., Wang, G., Zhang, S., and Qiu, C. (2017). “Building Tianjin Driving Cycle Based On Linear Discriminant Analysis.” Transportation Research Part D, 53: 78–87. doi:10.1016/j.trd.2017.04.005
Kalaycı, Ş. (2009). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, 4. Baskı, Asil yayıncılık, Ankara. Katseli, Louka T., Lucas, R.E.B. and Xenogiani,T. (2006). “Effects of Migration on Sending Countries: What Do We Know?” OECD Development Centre, Working Paper No.250,(August):1-90.
Kılıç, İ., Lenger, Ö. F., ve Bozkurt, Z. (2012). “Bulanık Kümeleme Analizi İle Türkiye’deki İllerin Hayvancılık İstatistikleri Bakımından Sınıflandırılması.” Kocatepe Veteriner Dergisi, 5(1): 21-28.
Klecka, W. (1980). Discriminant Analysis, Sage Publications, London.
Kutlu, E. (1992). Uluslararası işgücü hareketi teorisi çerçevesinde Türkiye’den AT’ye işgücü göçünün Türkiye ekonomisi üzerindeki etkilerinin analizi. T.C. Anadolu Üniversitesi Yayınları, No:656, Eskişehir.
Lachenbruch, P. A. (1975). “Some Unsolved Practical Problems In Discriminant Analysis.” University of North Carolina at Chapel Hill. Institute of Statistics Mimeo Series No. 1050.
NCSS User’s Guide-IV (2006). Multivariate Analysis, Clustering, Meta-Analysis, Forecasting/Time Series, Operations Research, and Mass Appraisal, USA.
OECD (2017). International Migration Outlook 2017. OECD Publishing, Paris. http://dx.doi.org/10.1787/migr_ outlook-2017-en (4.03.2018)
Özdamar, K. (2010). Paket Programlar İle İstatistiksel Veri Analizi- 2 (Çok Değişkenli Analizler), 7. Baskı, Kaan Kitabevi, Eskişehir.
Parasız, İ., ve Bildirici, M. (2002). Modern Emek Ekonomisi, 1. Baskı, Ezgi Kitabevi, Bursa.
Rousseeuw, P. J. (1987). “Silhouettes: A Graphical Aid To The Interpretation And Validation Of Cluster Analysis.” Journal of Computational and Applied Mathematics, 20(1): 53–65.
Sönmez, H., & Er, F. (2007). “Türkiye’de İllere İç Göç Hareketlerinin Modern Kümeleme Teknikleri İle İncelenmesi.” Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 20(1): 17-32.
Şahin, M., ve Hamarat, B. (2002). G10 - Avrupa Birliği ve OECD ülkelerinin sosyo-ekonomik benzerliklerinin fuzzy kümeleme analizi ile belirlenmesi. erc/ODTÜ Uluslararası Ekonomi Kongresi VI. Ankara. 11-14 Eylül, s. 1-19.
Tatlıdil, H. (1992). Uygulamalı Çok Değişkenli İstatistiksel Analiz. Akademi Matbaası, Ankara.
Tibshirani, R., Walther, G., & Hastie, T. (2001). “Estimating The Number Of Clusters İn A Data Set Via The Gap Statistics.” Journal of Royal Statistical Society: Series B, Vol. 63: 411-423.
Torra, V. (2005). Fuzzy c means for fuzzy hierarchical clustering. FUZZ-IEEE 2005, Reno, Nevada, 22-25 Mayıs, s. 646- 651.
Tütmez, B., ve Tercan, E. (2006). “Bulanık Modelleme Yaklaşımının Tenör Kestiriminde Kullanılması.” Madencilik, 45(2): 39-47.
Yalçın, C. (2004). Göç Sosyolojisi. Anı Yayıncılık, Ankara.
Yılancı, V. (2010). “Bulanık Kümeleme Analizi Türkiye’deki İllerin Sosyoekonomik Açıdan Sınıflandırılması.” Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(3): 453-470.