Research Article
Year 2017,
Volume: 2 Issue: 1, 20 - 37, 17.04.2017
Abstract
Organize Sanayi Bölgeleri (OSB), sanayinin
etkinliğinin arttırılması ve kentlerde düzenli yerleşimin sağlanması amacıyla
sanayi tesislerinin bir araya toplanarak tesislerin ulaşım, enerji, su, Ar-Ge
merkezi vb. gereksinimlerine ilişkin kolaylıklar sağlayan ve sanayinin çevreye olan
olumsuz etkilerini en aza indirmek amacıyla çevre yönetim politikalarını
uygulayan sanayi merkezleridir. OSB’ler sanayinin geliştirilmesinde ve
kalkınmada önemli bir rol oynamaktadır. Bu çalışmada, ülkemizde bulunan 298
adet OSB içerisinden faal durumda olan ve 50’den fazla işletme bulunduran 89
OSB dikkate alınarak hiyerarşik-k-ortalamalar yöntemi ile bir kümeleme analizi
yapılmıştır. Analizler OSB’leri farklı özelliklerine göre sınıflandırabilmek
amacıyla “genel bilgiler”, “çevre yönetim bilgileri”, “enerji altyapı ve
kullanım bilgileri” ile “konum bilgileri” olmak üzere toplam 4 başlıkta 28
değişken dikkate alınarak gerçekleştirilmiştir. Analizler sonucunda benzer ve farklı
özellikler gösteren OSB’ler belirlenerek sonuçlar tartışılmıştır.
References
- Aydın, N. ve Seven, A.N. (2015). İl nüfus ve vatandaşlık müdürlüklerinin iş yoğunluğuna göre hibrid kümeleme ile sınıflandırılması. Yönetim ve Ekonomi Araştırmaları Dergisi,13(2),181-201.
- Arai, K. ve Barakbah, A.R. (2007). Hierarchical K-means: an algorithm for centroids initialization for K-means, Reports of the Faculty of Science and Engineering, 36 (1), 25-31.
- Bilen, Ö., Hotaman, D., Aşkın, Ö.E. ve Büyüklü A.H. (2014). LYS başarılarına göre okul performanslarının eğitsel veri madenciliği teknikleriyle incelenmesi: 2011 İstanbul örneği. Eğitim ve Bilim, 39 (172), 78-94.
- Bulut, T. (2016). Türkiye’deki organize sanayi bölgelerinin performanslarının TOPSIS yöntemiyle değerlendirilmesi. Kalkınmada Anahtar Verimlilik, 335, 36-41.
- Celebi, M.E., Kingravi, H.A. ve Vela, P.A. (2013). A comparative study of efficient initialization methods for the k-means clustering algorithm, Expert Systems with Applications, 40 (1), 200–210.
- Cengiz, D. ve Öztürk, F. (2012). Türkiye' de illerin eğitim düzeylerine göre kümeleme analizi ile incelenmesi. Trakya University Journal of Social Science, 14 (1), 69-84.
- Ceylan, H.H. (2013). Perakende sektöründe konjoint ve kümeleme analizi ile fayda temelli pazar bölümlendirme. Yönetim ve Ekonomi, 20 (1), 141–154.
- Chen, B., Tai,P.C., Harrison,R ve Pan,Y. (2005). Novel hybrid hierarchical K-means clustering method (HK-means) for microarray analysis. IEEE Computational Systems Bioinformatics Conference, California-USA.
- Çağlar, E. (2006). Türkiye’de yerelleşme ve rekabet gücü: kümelenmeye dayalı politikalar ve organize sanayi bölgeleri. 1. Bölgesel Kalkınma ve Yönetişim Sempozyumu Bildiri Kitabı, 305–316.
- Çalışkan, S.K. ve Soğukpınar, İ. (2008). KxKNN: K-means ve K en yakın komşu yöntemleri ile ağlarda nüfuz tespiti. 2. Ağ ve Bilgi Güvenliği Sempozyumu, Girne, 120-124.
- 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.
- Çokluk,Ö., Şekercioğlu,G. ve Büyüköztürk,Ş. (2014). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları. PEGEM Akademi.
- Fırat, M., Dikbaş, F., Koç, A.C. ve Güngör M. (2012). K-ortalamalar yöntemi ile yıllık yağışların sınıflandırılması ve homojen bölgelerin belirlenmesi. İMO Teknik Dergi, 6037-6050, Yazı 383.
- Giray, S. (2016). İki aşamalı kümeleme analizi ile hükümlü verilerinin incelenmesi. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 25, 1–31.
- Han,J. ve Kamber,M. (2006). Data mining concepts and techniques. Elsevier.
- Jain,Y.K. ve Bhandare,S.K. (2011). Min max normalization based data perturbation method for privacy protection. International Journal of Computer & Communication Technology, 2(8), 45-50.
- Jain, A.K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666.
- Jain, A.K. ve Dubes,R.C. (1988). Algorithms for clustering data. Prentice Hall Advenced Reference Series, Computer Science, Chapter 3.
- Kalaycı, Ş. (2014). SPSS uygulamalı çok değişkenli istatistik teknikleri, Asil Yayın Dağıtım, 5.Baskı.
- Mingoti, S.A. ve Lima, J.O. (2006). Comparing SOM neural network with fuzzy c-means, K-means and traditional hierarchical clustering algorithms. European Journal of Operational Research, 174 (3), 1742–1759.
- Na, S., Xumin, L. ve Yong, G. (2010). Research on k-means clustering algorithm: An improved k-means clustering algorithm. Third International Symposium on Intelligent Information Technology and Security Informatics, 63-67.
- Niknam, T. ve Amiri, B. (2010). An efficient hybrid approach based on PSO, ACO and k-means for cluster analysis. Applied Soft Computing, 10, 183–197.
- Öztürk,F. (2012). Kümeleme analizi ve uygulaması. Yayımlanmış Yüksek Lisans Tezi, İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü.
- Özden Örnek, E. (2016). Kalkınma aracı olarak organize sanayi bölgelerini yeniden kurgulamak. MEGARON, 11(1), 106-124.
- Sarıman, G. (2011). Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: K-means ve K-metoids kümeleme algoritmalarının karşılaştırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, 15(3),192-202.
- Silgu, M.A. ve Çelikoğlu, H.B. (2014). K-means clustering method to classify freeway traffic flow patterns. Pamukkale University Journal of Engineering Sciences, 20 (6), 232-239.
- Velmurugan, T. (2014). Performance based analysis between k-Means and fuzzy C-Means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, 19, 134–146. URL1: https://osbbs.sanayi.gov.tr/default.aspx Erişim Tarihi: 01.03.2017.
- Yılmaz Koltan,Ş. ve Patır,S. (2011). Kümeleme analizi ve pazarlamada kullanımı. Journal of Academic Approaches, 2(1),91-113.
- Yürük, F. ve Erdoğmuş, P. (2015). Düzce ilinin hayvansal atıklardan üretilebilecek biyogaz potansiyeli ve K-means kümeleme ile optimum tesis konumunun belirlenmesi. İleri Teknoloji Bilimleri Dergisi, 4(1), 47-56.
- Zeng, S. X., Liu,H.C., Tam,C.M. ve Shao,Y.K. (2008). Cluster analysis for studying industrial sustainability: an empirical study in Shanghai. Journal of Cleaner Production, 16(10),1090-1097.
Year 2017,
Volume: 2 Issue: 1, 20 - 37, 17.04.2017
Abstract
Organized
Industrial Zones (OIZ) are the industrial centers in which industrial
facilities are gathered together to increase the efficiency of the industry and
to provide regular settlement in the cities. In addition they provide the
facilities with transportation capabilities, energy & water support and
R&D centers for their needs while implementing environmental management
policies in order to minimize the negative effects of the companies on the
environment. OIZs play an important role in the development of the industry. In
this study, a cluster analysis by hierarchical-k-means method is performed
considering 89 OIZs which are active (operational) and that has more than 50
enterprises among 298 OIZs of our country. In order to classify the OIZs
according to their different characteristics, the analyzes are carried out
taking into account 28 variables in total 4 topics; "general
information", "environmental management information",
"energy infrastructure and usage information" and "location information".
Finally, the OIZs showing similar and different characteristics are determined
and the results are discussed.
References
- Aydın, N. ve Seven, A.N. (2015). İl nüfus ve vatandaşlık müdürlüklerinin iş yoğunluğuna göre hibrid kümeleme ile sınıflandırılması. Yönetim ve Ekonomi Araştırmaları Dergisi,13(2),181-201.
- Arai, K. ve Barakbah, A.R. (2007). Hierarchical K-means: an algorithm for centroids initialization for K-means, Reports of the Faculty of Science and Engineering, 36 (1), 25-31.
- Bilen, Ö., Hotaman, D., Aşkın, Ö.E. ve Büyüklü A.H. (2014). LYS başarılarına göre okul performanslarının eğitsel veri madenciliği teknikleriyle incelenmesi: 2011 İstanbul örneği. Eğitim ve Bilim, 39 (172), 78-94.
- Bulut, T. (2016). Türkiye’deki organize sanayi bölgelerinin performanslarının TOPSIS yöntemiyle değerlendirilmesi. Kalkınmada Anahtar Verimlilik, 335, 36-41.
- Celebi, M.E., Kingravi, H.A. ve Vela, P.A. (2013). A comparative study of efficient initialization methods for the k-means clustering algorithm, Expert Systems with Applications, 40 (1), 200–210.
- Cengiz, D. ve Öztürk, F. (2012). Türkiye' de illerin eğitim düzeylerine göre kümeleme analizi ile incelenmesi. Trakya University Journal of Social Science, 14 (1), 69-84.
- Ceylan, H.H. (2013). Perakende sektöründe konjoint ve kümeleme analizi ile fayda temelli pazar bölümlendirme. Yönetim ve Ekonomi, 20 (1), 141–154.
- Chen, B., Tai,P.C., Harrison,R ve Pan,Y. (2005). Novel hybrid hierarchical K-means clustering method (HK-means) for microarray analysis. IEEE Computational Systems Bioinformatics Conference, California-USA.
- Çağlar, E. (2006). Türkiye’de yerelleşme ve rekabet gücü: kümelenmeye dayalı politikalar ve organize sanayi bölgeleri. 1. Bölgesel Kalkınma ve Yönetişim Sempozyumu Bildiri Kitabı, 305–316.
- Çalışkan, S.K. ve Soğukpınar, İ. (2008). KxKNN: K-means ve K en yakın komşu yöntemleri ile ağlarda nüfuz tespiti. 2. Ağ ve Bilgi Güvenliği Sempozyumu, Girne, 120-124.
- 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.
- Çokluk,Ö., Şekercioğlu,G. ve Büyüköztürk,Ş. (2014). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları. PEGEM Akademi.
- Fırat, M., Dikbaş, F., Koç, A.C. ve Güngör M. (2012). K-ortalamalar yöntemi ile yıllık yağışların sınıflandırılması ve homojen bölgelerin belirlenmesi. İMO Teknik Dergi, 6037-6050, Yazı 383.
- Giray, S. (2016). İki aşamalı kümeleme analizi ile hükümlü verilerinin incelenmesi. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 25, 1–31.
- Han,J. ve Kamber,M. (2006). Data mining concepts and techniques. Elsevier.
- Jain,Y.K. ve Bhandare,S.K. (2011). Min max normalization based data perturbation method for privacy protection. International Journal of Computer & Communication Technology, 2(8), 45-50.
- Jain, A.K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666.
- Jain, A.K. ve Dubes,R.C. (1988). Algorithms for clustering data. Prentice Hall Advenced Reference Series, Computer Science, Chapter 3.
- Kalaycı, Ş. (2014). SPSS uygulamalı çok değişkenli istatistik teknikleri, Asil Yayın Dağıtım, 5.Baskı.
- Mingoti, S.A. ve Lima, J.O. (2006). Comparing SOM neural network with fuzzy c-means, K-means and traditional hierarchical clustering algorithms. European Journal of Operational Research, 174 (3), 1742–1759.
- Na, S., Xumin, L. ve Yong, G. (2010). Research on k-means clustering algorithm: An improved k-means clustering algorithm. Third International Symposium on Intelligent Information Technology and Security Informatics, 63-67.
- Niknam, T. ve Amiri, B. (2010). An efficient hybrid approach based on PSO, ACO and k-means for cluster analysis. Applied Soft Computing, 10, 183–197.
- Öztürk,F. (2012). Kümeleme analizi ve uygulaması. Yayımlanmış Yüksek Lisans Tezi, İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü.
- Özden Örnek, E. (2016). Kalkınma aracı olarak organize sanayi bölgelerini yeniden kurgulamak. MEGARON, 11(1), 106-124.
- Sarıman, G. (2011). Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: K-means ve K-metoids kümeleme algoritmalarının karşılaştırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, 15(3),192-202.
- Silgu, M.A. ve Çelikoğlu, H.B. (2014). K-means clustering method to classify freeway traffic flow patterns. Pamukkale University Journal of Engineering Sciences, 20 (6), 232-239.
- Velmurugan, T. (2014). Performance based analysis between k-Means and fuzzy C-Means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, 19, 134–146. URL1: https://osbbs.sanayi.gov.tr/default.aspx Erişim Tarihi: 01.03.2017.
- Yılmaz Koltan,Ş. ve Patır,S. (2011). Kümeleme analizi ve pazarlamada kullanımı. Journal of Academic Approaches, 2(1),91-113.
- Yürük, F. ve Erdoğmuş, P. (2015). Düzce ilinin hayvansal atıklardan üretilebilecek biyogaz potansiyeli ve K-means kümeleme ile optimum tesis konumunun belirlenmesi. İleri Teknoloji Bilimleri Dergisi, 4(1), 47-56.
- Zeng, S. X., Liu,H.C., Tam,C.M. ve Shao,Y.K. (2008). Cluster analysis for studying industrial sustainability: an empirical study in Shanghai. Journal of Cleaner Production, 16(10),1090-1097.
There are 30 citations in total.
Details
| Journal Section | Makaleler |
|---|---|
| Authors | |
| Publication Date | April 17, 2017 |
| Submission Date | April 19, 2017 |
| Published in Issue | Year 2017Volume: 2 Issue: 1 |