Kümelenme modeli gelişmiş ülkelerde son dönemlerde sıkça kullanılan bir yöntem haline gelmiştir. Başarılı olan ülkelerin uyguladığı ekonomi politikalarına baktığımızda “rekabet gücünü” artıracak politikaların her geçen gün önemini arttırdığını görmekteyiz.

Bu çalışmanın temel amacı, TRA1 düzey 2 bölgesi ve Erzincan ilinde kümelenme potansiyeli gösteren sektörleri belirlemek ve Erzincan ilinde kümelenme potansiyeli gösteren sektörlerde faaliyette bulunan işletmelerin ağ yapılarının ortaya çıkartılmasını sağlayarak bölgenin ve özellikle Erzincan ilinin ekonomik yapısının şekillenmesine katkı sağlamaktır. Bu çalışmada öncelikle kümelenme kavramı tanımlanmış, kümelenme ve sosyal ağ ilişkisine değinilmiş, kümelerin işletmelere sağladığı faydalar ve kümedeki temel aktörler anlatılmıştır. Çalışmanın ikinci bölümünde ise kümelenme politikaları, amaç ve araçları, Türkiye’de kümelenme politikaları ve kümelenme girişiminin gelişimi konuları detaylandırılmıştır. Çalışmanın uygulama kısmı ise iki aşamalı olup istatistiki analiz çalışması ve saha çalışmasından oluşmaktadır. Serkan DEMİRDÖĞEN’ in “İşletmeler İçin Kümelenmenin Önemi ve Kümelenme İçin Uygun Sektörün Belirlenmesi: Erzincan İli Üzerine Bir Uygulama” başlıklı doktora tezinden üretilen bu çalışmanın bölgenin kalkınmasına katkı sağlaması temennisiyle…

Financial time series including high frequency structures like jumps, spikes and stochastic volatility are usually modeled in an ad-hoc manner by stochastic differential equations together with Levy processes. Estimating the parameters and determining the jump size distributions do not have a precise and universally accepted method. Under these circumstances, complexities and confusions usually arise. This book, approaches to this issue from a very different angle through introducing an autocorrelation one process together with finite number of Fourier series terms. Introduction of Fourier series to estimate the dynamics of the process is not done in an ad-hoc manner or as done before in dealing with seasonality. Here the moving average is transformed to a “moving and fluctuating” average by the help of Fourier series. Instead of adding jump structures to the model which makes the parameter estimation quite cumbersome, our model in discrete time can easily be transformed to a well-known mean reverting continuous time process. Moreover, our alternative model turned out to be a quite powerful and accurate forecasting technique.