OECD Ülkelerinin Küresel Cinsiyet Uçurumunun Veri Madenciliği ile İncelenmesi
DOI:
https://doi.org/10.63556/tisej.2025.1545Anahtar Kelimeler:
Cinsiyet Eşitliği- Cinsiyet uçurumu- Veri madenciliği- Kümeleme analizi- OECD ülkeleriÖzet
Küresel Cinsiyet Uçurumu Endeksi, ülkelerin ekonomik gelişmişlik düzeylerinden bağımsız olarak, ülkelerin cinsiyet eşitsizliğini dört boyut üzerinden karşılaştıran ve sonuçlara odaklanan bir endekstir. Dünya Ekonomik Forumu tarafından hazırlanan Küresel Cinsiyet Uçurumu Endeksi, ülkeleri ekonomik katılım ve fırsatlar, eğitimde fırsat eşitliği, sağlık ve hayatta kalma ile siyasi güçlendirme alt boyutlarına göre değerlendirmektedir. Dünya Ekonomik Forumu ülkelerin cinsiyetler arasındaki farkı kapatma başarısı veya başarısızlığını raporlamakta ve ülke sıralamaları bu rapora göre belirlenmektedir. Bu çalışmada veri madenciliği yöntemlerinden olan kümeleme analizi ile OECD ülkelerinin 2023 yılına ait Küresel Cinsiyet Uçurumu endeksi raporundaki veriler analiz edilmiş ve ülkeler benzerliklerine göre üç farklı kümede gruplandırılmıştır. Çalışmada, literatürdeki önceki araştırmalardan farklı olarak dört farklı kümeleme algoritması kullanılmış ve elde edilen sonuçlar ayrı ayrı sunulmuştur. Kümeleme analizi sonuçlarına göre, Canopy algoritmasının Silhouette skoru (0.3948), diğer üç kümeleme algoritmasının Silhouette skorlarından daha yüksek olduğu için değerlendirmeler Canopy algoritmasının sonuçlarına göre yapılmıştır. Analiz sonuçlarına göre OECD ülkeleri üç kümeye ayrılmıştır. Canopy algoritmasıyla gerçekleştirilen kümeleme analizinde kümelerin benzerlikleri ve farklılıkları üzerinde kadınların özellikle ekonomik katılım ve politik güçlenme ölçütlerinin belirleyici faktörler olduğu tespit edilmiştir. Elde edilen bulgular, araştırmacılara ve politika yapıcılara cinsiyet eşitliğini güçlendirmeye yönelik daha kapsamlı ve etkili çözümler geliştirmelerine katkı sağlayabilir.
Kaynaklar
Ayabakan, B. Ç. (2022). OECD ülkelerinin küresel cinsiyet uçurumu endeksi verilerinin kümeleme analizi ile değerlendirilmesi, Uluslararası Sosyal Bilimlerde Yenilikçi Yaklaşımlar Dergisi, Cilt 6, (2), 40-58. https://doi.org/10.29329/ijiasos.2022.458.1.
Chen, D. H. (2004). Gender equality and economic development: The role for information and communication technologies. World Bank Policy Research Working Paper 3285. no. WPS 3285 Washington, DC: World Bank. http://documents.worldbank.org/curated/en/288621468778204692.
Chen, M. S., Han, J., & Yu, P. S. (1996). Data mining: an overview from a database perspective. IEEE Transactions on Knowledge and data Engineering, 8(6), 866-883.
Delaney, R., Strough, J., Parker, A. M., & de Bruin, W. B. (2015). Variations in decision-making profiles by age and gender: A cluster-analytic approach. Personality and Individual Differences, 85, 19-24. https://doi.org/10.1016/j.paid.2015.04.034.
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1-22. https://doi.org/10.1111/j.2517-6161.1977.tb01600.x.
Erman, N., Korosec, A., & Suklan, J. (2015). Performance of selected agglomerative hierarchical clustering methods. Innovative Issues and Approaches in Social Sciences, 8, 180-204.
European Institute for Gender Equality (2024). Gender equility index, https://eige.europa.eu/gender-equality-index/2024, 24/02/2025.
Gençoğlu, P., & Kuşkaya, S. (2016). Küresel cinsiyet uçurumu (global gender gap) açısından Avrupa ve Orta Asya ülkelerinin değerlendirilmesi: istatistiksel bir analiz. Journal of International Social Research, 9(46), 696-705.
Gökçin, G.M. & Koçak, A. (2021). Türkiye’de toplumsal cinsiyetin veri madenciliği sınıflama modelleri ile analizi, International Journal of Disciplines Economics & Administrative Scienves Studies, 7 (31), 480-490. http://dx.doi.org/10.26728/ideas.434.
Gupta, A., Sharma, H., & Akhtar, A. (2021). A comparative analysis of k-means and hierarchical clustering. EPRA International Journal of Multidisciplinary Research (IJMR), 7(8), 412-418. https://doi.org/10.36713/epra8308.
Gür, Y. E., Eşidir, K. A., & Ayden, C. (2024). Türkiye'de E-Ticaretin Kullanılma Durumunun Makine Öğrenmesi İle Sınıflandırılması ve Çeşitli Değişkenlerle İlişkilerinin Analizi. Karadeniz Sosyal Bilimler Dergisi, 16(31), 582-610.
Hakim, D. K., Gernowo, R., & Nirwansyah, A. W. (2024). Flood prediction with time series data mining: Systematic review. Natural Hazards Research, 4(2), 194-220 https://doi.org/10.1016/j.nhres.2023.10.001.
Halkidi, M., Batistakis, Y., & Vazirgiannis, M. (2001). On clustering validation techniques. Journal of Intelligent Information Systems, 17, 107-145. https://doi.org/10.1023/A:1012801612483.
Heinz, A., Catunda, C., van Duin, C., Torsheim, T., & Willems, H. (2020). Patterns of health-related gender inequalities—a cluster analysis of 45 countries. Journal of Adolescent Health, 66(6), S29-S39. https://doi.org/10.1016/j.jadohealth.2020.02.011.
Hu, H., Liu, J., Zhang, X., & Fang, M. (2023). An effective and adaptable K-means algorithm for big data cluster analysis. Pattern Recognition, 139. https://doi.org/10.1016/j.patcog.2023.109404.
International Labour Organization. (2024). World Employment and Social Outlook: May 2024 Update. https://www.ilo.org/publications/flagship-reports/world-employment-and-social-outlook-may-2024-update. (Erişim Tarihi: 20.01.2025).
Jacquot, S. (2020). European Union gender equality policies since 1957. EHNE. Digital Encyclopedia of European History, 3(2), 31-38.
Karrar, A. E., Abdalrahman, M. A., & Ali, M. M. (2016). Applying k-means clustering algorithm to discover knowledge from ınsurance dataset using weka tool. The International Journal of Engineering and Science, 5(10), 35-39.
Khalfallah, J., & Slama, J. B. H. (2018). “A Comparative Study of the Various Clustering Algorithms in E-Learning Systems Using Weka Tools” 2018 JCCO Joint International Conference on ICT in Education and Training, International Conference on Computing in Arabic, and International Conference on Geocomputing (JCCO: TICET-ICCA-GECO), Tunisia / Hammamet, Tunisia. doi: 10.1109/ICCA-TICET.2018.8726188.
Koca, G. Ş. (2022). The classification of world countries in terms of global gender gap with using cluster analysis. In Women’s Studies International Forum (92). https://doi.org/10.1016/j.wsif.2022.102592.
Kodinariya, T. M., & Makwana, P. R. (2013). Review on determining number of cluster in K-means clustering. International Journal, 1(6), 90-95.
McCallum, A., Nigam, K., & Ungar, L. H. (2000). Efficient clustering of high-dimensional data sets with application to reference matching. International Conference on Knowledge Discovery and Data mining. 169–178.
McIsaac, M. A., Reaume, M., Phillips, S. P., Michaelson, V., Steeves, V., Davison, C. M. & Pickett, W. (2021). A novel application of a data mining technique to study intersections in the social determinants of mental health among young Canadians. SSM-Population Health, (16). https://doi.org/10.1016/j.ssmph.2021.100946.
Mikanovic, V. B., Wenzel, H., & Laaser, U. (2022). Data mining approach: what determines the wellbeing of women in Montenegro, north Macedonia, and Serbia?, Frontiers in Public Health, 10. https://doi.org/10.3389/fpubh.2022.873845.
Muthmaina, J. S. (2024). The femininomenon of inequality: a data-driven analysis and cluster profiling in Indonesia. Arxiv, https://doi.org/10.48550/arXiv.2412.00012.
Ogbuabor, G., & Ugwoke, F. N. (2018). Clustering algorithm for a healthcare dataset using silhouette score value, International Journal of Engineering and Computer Science, 10(2), 27-37. DOI:10.5121/ijcsit.2018.10203.
Olave, B. M. T. (2019). Underestimating the gender gap? An exploratory two-step cluster analysis of STEM labor segmentation and its impact on women. Journal of Women and Minorities in Science and Engineering, 25 (1). http://dx.doi.org/10.1615/JWomenMinorScienEng.2019021133.
Sadiku, M. N., Shadare, A. E., & Musa, S. M. (2015). Data mining: a brief introduction. European Scientific Journal, 11(21), 509-513.
Sutter, M., & Rützler, D. (2010). Gender differences in competition emerge early in life. Working Papers in Economics and Statistics. University of Innsbruck, Department of Public Finance, Innsbruck
Tokar, V., Tyshchenko, D., Franchuk, T., Makoıedova, V., & Lotarıev, A. (2023). Usıng cluster analysıs for revealıng gender equalıty patterns ın eu ıct educatıon and employment. Journal Of Theoretical And Applied Information Technology, 101(16), 6691-6702.
United Nations Development Programme. (2024). Gender Inequality Index, https://www.undp.org/sites/g/files/zskgke326/files/migration/tr/UNDP-TR-EN-HDR-2019-FAQS-GII.pdf. (Erişim Tarihi: 25.02.2025).
United Nations Development Programme (2024). Gender Development Index, https://hdr.undp.org/gender-development-index#/indicies/GDI, (Erişim Tarihi: 24.02.2025).
Vinska, O., & Tokar, V. (2021). Cluster analysis of the European Union gender equality and economic development. Business, Management and Economics Engineering, 19(2), 373-388. https://doi.org/10.3846/bmee.2021.15382.
World Bank. (2012). World Development Report 2012: Gender Equality and Development. Washington, DC: World Bank.
World Economic Forum. (2023). Global Gender Gap Report, https://www3.weforum.org/docs/WEF_GGGR_2024.pdf. (Erişim Tarihi: 10.10.2025).
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Üçüncü Sektör Sosyal Ekonomi Dergisi
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
