Klasyfikacja wielomodelowa danych symbolicznych w badaniu innowacyjności krajów Unii Europejskiej

• Autorzy: Marcin Pełka

Warianty tytułu

Ensemble Clustering of Symbolic Data in Identification of Innovation of European Union Countries

• Języki publikacji: PL

Abstrakty

Innowacje odgrywają coraz to większą rolę w nowoczesnej gospodarce rynkowej. Pozwalają one odnosić korzyści wszystkim obywatelom (producentom, konsumentom i pracownikom). Innowacje mają także kluczowe znaczenie dla poprawy jakości życia, tworzenia lepszych miejsc pracy, a także szeroko rozumianego rozwoju społeczeństwa ekologicznego. Polityka innowacyjności stanowi istotny element polityki na poziomie zarówno krajów, jak i samej Unii Europejskiej. Celem artykułu jest zaprezentowanie przykładu zastosowania podejścia wielomodelowego danych symbolicznych (z zastosowaniem macierzy współwystąpień i metody k-medoidów) w klasyfikacji krajów Unii Europejskiej pod względem ich innowacyjności. W części empirycznej wykorzystano pakiety clusterSim oraz symbolicDA programu R do wykonania obliczeń. W wyniku zastosowania podejścia wielomodelowego zidentyfikowano strukturę czterech różnych klas.(abstrakt oryginalny)

EN

Innovations play a very important part of moden economy. They are the key to higher life quality, better jobs and ecology. The innovation policy is a key element of a national and European Union strategy. The aim of the paper is to present an ensemble clustering of European Union countries considering their innovativeness. This approach allowed to discover four different clusters of countries in innovations. In the empirial part symbolicDA and clusterSim packages of R software were used. The ensemble approach allowed to obtain four different clusters.(original abstract)

Słowa kluczowe

PL

Podejście wielomodelowe; Innowacyjność

EN

Multiple-model approach; Innovative character

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2017
• Numer: nr 2 (56)
• Strony: 42--51

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bock H.-H., Diday E. (red.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer Verlag, Berlin-Heidelberg.
• Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• De Carvalho F.A.T., Lechevallier Y., de Melo F.M., 2012, Partitioning hard clustering algorithms based on multiple dissimilarity matrices, Pattern Recognition, 45(1), s. 447-464.
• Diday E., Noirhomme-Fraiture M., 2008, Symbolic data analysis. Conceptual statistics and data mining, Wiley, Chichester.
• Dudek A., 2013, Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. UE we Wrocławiu, Wrocław.
• Dudek A., Pełka M., Wilk J., 2015, The symbolicDA package, www.r-project.org.
• Dudoit S., Fridlyand J., 2003, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, vol. 19, no. 9, s. 1090-1099.
• Fred A.L.N., Jain A.K., 2005, Combining multiple clustering using evidence accumulation, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, s. 835-850.
• Gatnar E., 2008, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E., Walesiak M. (red.), 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R. Wyd. C.H. Beck, Warszawa.
• Górzyński M., Woodward R., Jakubiak M., 2004, Innowacyjność polskiej gospodarki w kontekście integracji z UE - możliwości i bariery wdrażania w Polsce gospodarki opartej na wiedzy, CASE - Centrum Analiz Społeczno-Ekonomicznych, Warszawa.
• Hornik K., 2005, A CLUE for CLUster Ensembles, Journal of Statistical Software, vol. 14, s. 65-72.
• Leisch F., 1999, Bagged clustering, Adaptive Information Systems and Modeling in Economics and Management Science, Working Papers, SFB, 51.
• Mikołajczyk B., 2013, Innowacyjność przedsiębiorstw w krajach UE - pomiar i ocena, Annales Universitatis Mariae Curie-Skłodowska Lublin-Polonia, vol. XLVII, 3, s. 421-431.
• Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: symbolic data analysis, Statistical Analysis and Data Mining, vol. 4, issue 2, s. 157-170.
• Nowak P., 2012, Poziom innowacyjności polskiej gospodarki na tle krajów UE, Prace Komisji Geografii Przemysłu, nr 19, s. 153-168.
• Pełka M., 2012, Ensemble approach for clustering of interval-valued symbolic data, Statistics in Transition, vol. 13, no. 2, s. 335-342.
• Pełka M., 2016, A Comparison Study for Spectral, Ensemble and Spectral Mean-Shift Clustering Approaches for Interval-Valued Symbolic Data, [w:] Wilhelm A., Kestler H. (red.), Analysis of Large and Complex Data, Springer-Verlag, Berlin-Heidelberg, s. 137-146.
• Rynardowska-Kurzbauer J., 2015, Innowacyjność wybranych krajów Europy Środkowo-Wschodniej, Zeszyty Naukowe Politechniki Śląskiej, seria "Organizacja i Zarządzanie", nr 86, s. 93-101.
• Stec M., 2009, Innowacyjność krajów Unii Europejskiej, Gospodarka Narodowa, nr 11-12, s. 45-65.
• Walesiak M., Dudek A., 2008, Identification of Noisy Variables for Nonmetric and Symbolic Data in Cluster Analysis, [w:] C. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (red.), Data Analysis, Machine Learning and Applications, Springer-Verlag, Berlin-Heidelberg, s. 85-92.
• Walesiak M., Dudek A., 2016, The clusterSim package, www.r-project.org.
• Walesiak M., Gatnar E. (red.), 2009, Statystyczna analiza danych z wykorzystaniem program R, PWN, Warszawa.
• Wojtas M., 2013, Innowacyjność polskiej gospodarki na tle krajów Unii Europejskiej, Zeszyty Naukowe Uniwersytetu Szczecińskiego, nr 756, seria "Finanse, Rynki Finansowe, Ubezpieczenia", nr 57, s. 605-617.

Identyfikatory

DOI

10.15611/ekt.2017.2.03