Araştırma Makalesi
BibTex RIS Kaynak Göster

ÜLKELERİN İNOVASYON PERFORMANSINA GÖRE KÜMELENMESİ; ENTROPI, COPRAS VE ARAS YÖNTEMLERİYLE DEĞERLENDİRİLMESİ

Yıl 2022, Cilt: 12 Sayı: 3, 1546 - 1565, 02.10.2022
https://doi.org/10.30783/nevsosbilen.1153211

Öz

Hızla değişen ve teknolojinin günden güne önemini artırdığı küresel rekabet ortamında ülkelerin rekabet gücünü artırabilmeleri ve sürdürebilmelerinde yenilik önemli bir faktör olarak değerlendirilmektedir. Yenilik ve AR-Ge faaliyetlerine yapılan yatırımlar ve iyileştirmeler ülkelerin kalkınmaları üzerinde de etkin bir rol oynamaktadır. Bu yüzden gerek mikro ve gerekse makro düzeyde yenilik performansı ölçümü önem arz etmektedir. Bu bağlamda bu çalışmada Küresel İnovasyon İndeksi (Kİİ) (2021)’nde yer alan 132 ülke 7 kritere göre COPRAS ve ARAS yöntemlerine göre sıralanmıştır. Yenilik performansına göre ülkelerin sıralanmasında öncelikle ENTROPİ ağırlıklandırma yönteminden faydalanılmıştır. Yenilik performansı sıralamasının ardından indekste yer alan 132 ülke inovasyon göstergeleri açısından kümelere ayrılmıştır. Kümeleme analizi WEKA programı aracılığı ile gerçekleştirilmiştir. Yapılan analizler doğrultusunda COPRAS ve ARAS yöntemlerine göre inovasyon göstergeleri açısından en iyi sıralamaya sahip ülkeler İsviçre, İsveç ve ABD olurken son sırada yer alan ülkeler ise Benin, Gine ve Angola olarak tespit edilmiştir. Aynı zamanda bu ülkelerin WEKA programı ile yapılan kümeleme analizi sonrasında 8 kümeye ayrıldığı tespit edilmiştir.

Kaynakça

  • Aksoy, E., Ömürbek, N., & Karaatlı, M. (2015). AHP temelli MULTIMOORA ve COPRAS yöntemi ile Türkiye Kömür İşletmeleri’nin performans değerlendirmesi. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33(4), 1-28.
  • Ayçin, E., & Çakın, E. (2019). Ülkelerin inovasyon performanslarının ölçümünde Entropi ve MABAC çok kriterli karar verme yöntemlerinin bütünleşik olarak kullanılması. Akdeniz İktiadi ve İdari Bilimler Fakültesi Dergisi, 19(2), 326-351.
  • Bakır, S., & Çakır, S. (2021). Seçilmiş ülkelerin yenilik performanslarının Çok Kriterli Karar Verme Teknikleriyle ölçümü. Uluslararası Yönetim İktisat ve İşletme Dergisi, 17(4), 971-992.
  • Barak, S., & Mokfi, T. (2019). Evaluation and selection of clustering methods using a hybrid group MCDM. Expert Systems with Applications, 138, 1-12.
  • Berkhin, P. (2006). A survey of clustering data mining techniques. In grouping multidimensional data. (pp. 25-71). Springer, Berlin, Heidelberg.
  • Biswas, T. K., Chaki, S., & Das, M. C. (2019). MCDM technique application to the selection of an Indian institute of technology. Operational Research in Engineering Sciences: Theory and Applications, 2(3), 65-76.
  • Chatterjee, P., Athawale, V. M. & Chakraborty, S. (2011). Materials selection using complex proportional assessment and evaluation of mixed data methods. Materials & Design, 32(2), 851-860.
  • Chodha, V., Dubey, R., Kumar, R., Singh, S., & Kaur, S. (2022). Selection of industrial arc welding robot with TOPSIS and Entropy MCDM techniques. Materials Today: Proceedings, 50, 709-715.
  • Dahooie, H., J., Kazimieras Zavadskas, E., Abolhasani, M., Vanaki, A., & Turskis, Z. (2018). A novel approach for evaluation of projects using an interval–valued fuzzy additive ratio assessment (ARAS) method: a case study of oil and gas well drilling projects. Symmetry, 10(2), 45.
  • Esen Kazaz, N.M. (2019). Veri madenciliğinde kümeleme analizi yöntemlerinin incelenmesi ve sağlık bilimleri alanındaki uygulamaları [Yüksek lisans tezi, İstanbul Üniversitesi]. Ulusal Tez Merkezi.
  • Everitt, B. (1974). Cluster analysis. Heinemann Educational Books.
  • Frades, I., & Matthiesen, R. (2010). Overview on techniques in cluster analysis. Bioinformatics Methods in Clinical Research, 81-107.
  • Gorgij, A. D., Kisi, O., Moghaddam, A. A., & Taghipour, A. (2017). Groundwater quality ranking for drinking purposes, using the entropy method and the spatial autocorrelation index. Environmental earth sciences, 76(7), 1-9.
  • Gürtuna, F., & POLAT, U. (2020). Küresel inovasyon indeksi verilerinin kümeleme analizi ile değerlendirilmesi. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35(2), 551-566.
  • Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques. Morgan Kaufmann Publishers.
  • Hezer, S., Gelmez, E., & Özceylan, E. (2021). Comparative analysis of TOPSIS, VIKOR and COPRAS methods for the COVID-19 Regional Safety Assessment. Journal of Infection and Public Health, 14(6), 775-786.
  • Hussain, S. A. I., & Mandal, U. K. (2016). Entropy based MCDM approach for selection of material. National Level Conference on Engineering Problems and Application of Mathematics.
  • Kaynak, S., Altuntas, S., & Dereli, T. (2017). Comparing the innovation performance of EU candidate countries: an entropy-based TOPSIS approach. Economic Research-Ekonomska İstraživanja, 30(1), 31-54.
  • Kou, G., Peng, Y., & Wang, G. (2014). Evaluation of clustering algorithms for financial risk analysis using MCDM methods. Information Sciences, 275, 1-12.
  • Liu, Y., Özyer, T., Alhajj, R., & Barker, K. (2005). Cluster validity analysis of alternative results from multi-objective optimization. In Proceedings of the 2005 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, Springer, Berlin.
  • Oralhan, B., & Büyüktürk, M. A. (2019). Avrupa Birliği ülkeleri ve Türkiye’nin inovasyon performansının çok kriterli karar verme yöntemleriyle kıyaslanması. Avrupa Bilim ve Teknoloji Dergisi, (16), 471-484.
  • Podvezko, V. (2011). The comparative analysis of MCDA Methods SAW and COPRAS, Inzinerine Ekonomika-Engineering Economics, 22(2), 134-146.
  • Poledníková, E., & Kashi, K. (2014). Using MCDM methods: evaluation of regional innovation performance in the Czech Republic. In European Conference On Management, Leadership & Governance.
  • Popovic, G., Stanujkic, D., & Stojanovic, S. (2012). Investment project selection by applying COPRAS method and imprecise data. Serbian Journal of Management, 7(2), 257-269.
  • Sammaknejad, N., Zhao, Y., & Huang, B. (2019). A review of the expectation maximization algorithm in data-driven process identification. Journal of Process Control, 73, 123-136. Satıcı, S. (2021). Ülkelerin inovasyon performansının CRITIC temelli WASPAS yöntemiyle değerlendirilmesi. Girişimcilik ve Kalkınma Dergisi, 16(2), 91-104.
  • Sihombing, V., Nasution, Z., Al Ihsan, M. A., Siregar, M., Munthe, I. R., Siregar, V. M. M., ... & Asfar, D. A. (2021). Additive ratio assessment (aras) method for selecting english course branch locations. In Journal of Physics: Conference Series. 1933(1), 012070.
  • Sliogeriene, J., Turskis, Z., & Streimikiene, D. (2013). Analysis and choice of energy generation technologies: The multiple criteria assessment on the case study of Lithuania. Energy Procedia, 32, 11-20.
  • Stanujkic, D., & Jovanovic, R. (2012, May). Measuring a quality of faculty website using ARAS method. In Proceeding of the International Scientific Conference Contemporary Issues in Business.
  • Şahin Ş. (2012). Büyük menderes nehri üzerindeki akım gözlem ı̇stasyonlarında eksik verilerinin tamamlanması [Yüksek lisans Tezi, Pamukkale Üniversitesi]. Ulusal Tez Merkezi.
  • Turan, E. (2018). Küresel inovasyon indeksi kapsamında türkiye’nin konumunun değerlendirilmesi: 2011-2017 [Yüksek lisans tezi, Karadeniz Teknik Üniversitesi]. Ulusal Tez Merkezi.
  • Vaid, S. K., Vaid, G., Kaur, S., Kumar, R., & Sidhu, M. S. (2022). Application of multi-criteria decision-making theory with VIKOR-WASPAS-Entropy methods: A case study of silent Genset. Materials Today: Proceedings, 50, 2416-2423.
  • Vytautas, B., Marija, B., & Vytautas, P. (2015). Assessment of neglected areas in Vilnius city using MCDM and COPRAS methods. Procedia Engineering, 122, 29-38.
  • WIPO (2020). Global Innovation Index 2020. https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gii_2020.pdf, Erişim Tarihi: 23.03.2022.
  • WIPO (2021). Global Innovation Index 2021. https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gii_2021.pdf, Erişim Tarihi: 23.03.2022.
  • Yazıcı, F. (2005). EM algoritması ve uzantıları [Yüksek lisans tezi, Hacettepe Üniversitesi]. Ulusal Tez Merkezi.
  • Yim, O., & Ramdeen, K. T. (2015). Hierarchical cluster analysis: comparison of three linkage measures and application to psychological data. The quantitative methods for psychology, 11(1), 8-21.
  • Zavadskas, E., & Turskis, Z. (2010). A New Additive Ratio Assesment (ARAS) Method In Multicriteria Decision-Making. Technological and Economic Development of Economy, 16 (2), 159-172.
  • Zhao, Q., Tsai, P. H., & Wang, J. L. (2019). Improving financial service innovation strategies for enhancing china’s banking industry competitive advantage during the fintech revolution: A Hybrid MCDM model. Sustainability, 11(5), 1419.
Toplam 38 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm İŞLETME
Yazarlar

Hande Eren 0000-0002-9166-5037

Emel Gelmez 0000-0002-8774-607X

Yayımlanma Tarihi 2 Ekim 2022
Yayımlandığı Sayı Yıl 2022 Cilt: 12 Sayı: 3

Kaynak Göster

APA Eren, H., & Gelmez, E. (2022). ÜLKELERİN İNOVASYON PERFORMANSINA GÖRE KÜMELENMESİ; ENTROPI, COPRAS VE ARAS YÖNTEMLERİYLE DEĞERLENDİRİLMESİ. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 12(3), 1546-1565. https://doi.org/10.30783/nevsosbilen.1153211