Veri zarflama analizi ve makine öğrenmesi metodlarından oluşan hibrit bir yöntem

Çin'in Wuhan şehrinde 2019 yılının sonunda ortaya çıkan ve hava yolu ile bulaşan bir hastalık olan COVID – 19 dünya genelinde hızla yayılmıştır. Salgının yayılma miktarı ve hızından dolayı 11 Mart 2020 tarihinde Dünya Sağlık Örgütü tarafından pandemi olarak ilan edilmiştir. Ülkeler hem bulaşıcılığı kontrol altına almak hem de hastalığa yakalanan kişilere uygulanan tıbbi tedavilerin etkinliğini arttırmak amacıyla çeşitli stratejiler uygulamışlardır. Bu stratejilerin sonuçlarının değerlendirilmesi ise birçok çalışmanın ana konusu olmuştur. Veri Zarflama Analizi karar verme birimlerinin performanslarının karşılaştırılmasında güçlü bir teknik olduğundan bu çalışmalarda yaygın olarak kullanılmıştır. Ancak bu çalışmalarda karar verme birimlerinin homojenliğini sağlamak amacıyla değişkenlere nüfusa göre ölçeklendirme yapılması sonuçların tutarlılığını tehlikeye atmaktadır. Oluşan tutarsızlık, her ülkenin nüfus yoğunluğunun farklı olmasından kaynaklanmaktadır. Bu çalışmanın amacı nüfus yoğunluğu artışının bulaş ve ölüm oranına etkisini doğru olarak konumlandırarak Veri Zarflama Analizi'ndeki heterojenlik sorununun ortadan kaldırılması ve ülkelerin COVID – 19 salgınında bulaşıcılığı kontrol altına alma amacıyla uyguladıkları stratejilerde ve hastalığa yakalanan kişilere uygulanan tıbbi tedavilerin etkinlik performanslarının doğru şekilde hesaplanmasıdır. Çalışmada yer alan 85 ülkeye homojenliğini sağlamak için öncelikle nüfusa göre ölçeklendirme yapmak yerine ülkelerin nüfus yoğunlukları kullanılarak kümeleme analizi yapılmıştır. Kümeleme analizi sonucunda elde edilen homojen kümelerin her birine ülkelerin bulaşıcılık ve tıbbi tedavi performanslarının ölçülmesini amaçlayan iki farklı senaryodan oluşan Seri Hiyerarşik Veri Zarflama Analizi uygulanmıştır. Kümeleme yapılmadan önce ve yapıldıktan sonra uygulanan Seri Hiyerarşik Veri Zarflama Analizleri sonucunda elde edilen etkinlik skorlarının birbirlerinden farklı olduğu tespit edilmiştir.