Analysis of Innovations in the European Union via Ensemble Symbolic Density Clustering

• Autorzy: Marcin Pełka

Warianty tytułu

Analiza innowacyjności krajów Unii Europejskiej z zastosowaniem wielomodelowej klasyfikacji gęstościowej danych symbolicznych

• Języki publikacji: EN

Abstrakty

EN

Innovations play a very important role in the modern economy. They are the key to a higher quality of life, better jobs and economy and sustainable development. The innovation policy is a key element of both national and European Union strategy. The main aim of this paper is to present an ensemble clustering of European Union countries (member states) considering their innovativeness. In the empirical section, symbolic density-based ensemble clustering is used to obtain the co-occurrence matrix. The paper uses symbolicDA, clusterSim and dbscan packages of R software for all calculations. Four different clusters where obtained in the result of clustering. Cluster 1 contains highinnovative countries (innovation leaders). This cluster is also the least homogenous. Cluster 2 contains post-communist countries mainly from central Europe. These countries can be seen as rather mid-low innovative (they try to "catch up" with innovation leaders). Cluster 3 contains moderate innovators. Cluster 4 contains two countries that are also mid-innovative.(original abstract)

Innowacje odgrywają istotną rolę w nowoczesnej gospodarce rynkowej, są kluczem do podnoszenia jakości życia, poprawy warunków pracy i rozwoju gospodarczego kraju. Polityka poprawy innowacyjności jest kluczowym elementem zarówno na poziomie polityk krajowych, jak i polityki całej Unii Europejskiej. Głównym celem artykułu było zaprezentowanie wielomodelowej klasyfikacji gęstościowej krajów Unii Europejskiej ze względu na poziom ich innowacyjności. W części empirycznej zastosowano klasyfikację gęstościową dla danych symbolicznych do budowy macierzy współwystąpień użytej jako macierz danych w klasyfikacji. W artykule wykorzystano pakiety i funkcje programu R pochodzące z pakietów symbolicDA, clusterSim oraz dbscan. Zastosowane podejście pozwoliło zidentyfikować strukturę czterech różnych klas. W klasie pierwszej znalazły się kraje o wysokim poziomie innowacyjności (liderzy innowacji), jest ona jednocześnie najmniej homogeniczną z klas. W klasie drugiej znalazły się kraje Europy Środkowo-Wschodniej, które starają się dorównać liderom innowacyjności. Kraje te można uznać za przeciętnie innowacyjne. W klasie trzeciej znalazły się kraje umiarkowanie innowacyjne, a w czwartej dwa kraje, które również należy uznać za przeciętnie innowacyjne.(abstrakt oryginalny)

Słowa kluczowe

EN

Innovations; Data analysis; Multiple-model approach

PL

Innowacje; Analiza danych; Podejście wielomodelowe

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2018
• Tom: 22
• Numer: nr 3
• Strony: 84--98

Twórcy

autor

Marcin Pełka

• Wrocław University of Economics, Poland

Bibliografia

• Ankrest M., Breunig M., Kriegel H.-P., Sander J., 1999, OPTICS: Ordering Points to Identify the Clustering Structure, ACM SIGMOD international conference on Management of data, pp. 49-60.
• Baregheh A., Rowley J., Sambrook S., 2009, Towards a multidisciplinary definition of innovation, Management Decision, 47, pp. 1323-1339.
• Bessant J., Lamming R., Noke H., Phillips W., 2005, Managing innovation beyond the steady state, Technovation, 25, pp. 1366-1376.
• Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, Wiley, Chichester.
• Bledow R., Frese M., Anderson N., Erez M., Farr J., 2009, A dialectic perspective on innovation: Conflicting demands, multiple pathways, and ambidexterity, Industrial and Organizational Psychology, 2, pp. 305-337.
• Bock H.-H., Diday E. (eds.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer Verlag, Berlin-Heidelberg.
• Boer H., During W.E., 2001, Innovation, what innovation? A comparison between product, process and organizational innovation, International Journal of Technology Management, 22, pp. 83-109.
• Borrás S., 2003, The Innovation Policy of the European Union: From Government to Governance. Edward Elgar Publishing, Massachusetts.
• Carlson C.C., Wilmot W.W., 2006, Innovation: The Five Disciplines for Creating what Customers Want, Crown Business, New York.
• Carmone F.J., Kara A., Maxwell S., 1999, HINoV: a new method to improve market segment definition by identifying noisy variables, Journal of Marketing Research, November, vol. 36, pp. 501-509.
• Compello R., Moulavi D., Sander J., 2013, Density-based Clustering based on Hierarchical Density Estimates, Advances in Knowledge Discovery and Data Mining, pp. 160-172.
• Damanpour F., 1991, Organizational innovation: a meta-analysis of effects of determinants and moderators, Academy of Management Journal, 34, pp. 555-590.
• Diday E., Noirhomme-Fraiture M., 2008, Symbolic Data Analysis and the SODAS Software, John Wiley & Sons, Wiley, Chichester.
• Dosi G., 1988, The nature of the innovative process, [in:] G. Dosi, C. Freeman, R. Nelson, G. Silverberg, L. Soete (eds.), Technical Change and Economic Theory, Pinter Publishers, London, NY, pp. 221-238.
• Dudoit S., Fridlyand J., 2003, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, vol. 19, no 9, pp. 1090-1099.
• Ester M., Kriegel H.-P., Sander J., Xu X., 1996, A density-based algorithm for discovering clusters in large spatial databases with noise, Proceedings of the 2nd ACM International Conference on Knowledge Discovery and Data Mining, Portland, pp. 226-231.
• European Commission, Horizon 2020 in brief, http://ec.europa.eu/programmes/horizon2020/sites/horizon2020/ files/H2020_inBrief_EN_FinalBAT.pdf.
• Fred A.L.N., Jain K., 2005, Combining multiple clustering using evidence accumulation, IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 27, pp. 835-850.
• Gatnar E., Walesiak M., 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa.
• Hahsler M., 2017, Density Based Clustering of Applications with Noise (DBSCAN) and Related Algorithms, www.r-project.org.
• Harrison, R., Jaumandreu, J., Mairesse, J., Peters, B., 2014, Does innovation stimulate employment? A firm-level analysis using comparable micro-data from four European countries, International Journal of Industrial Organization, 35, pp. 29-43.
• Hinneburg A., Keim D., 1998, An efficient approach to clustering in large multimedia databases with noise, Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining, pp. 58-65.
• Hobday M., 2005, Firm-level innovation models: Perspectives on research in developed and developing countries, Technology Analysis & Strategic Management, 17, pp. 121-146.
• Hollanders H., Es-Sadki N. (eds.), 2017a, European Innovation Scoreboard. Methodology Report, http://ec.europa.eu/growth/industry/innovation/facts-figures/scoreboards.
• Hollanders H., Es-Sadki N. (eds.), 2017b, European Innovation Scoreboard, http://ec.europa.eu/ growth/industry/innovation/facts-figures/scoreboards.
• Hollanders H., Es-Sadki N., Kaberva M. (eds.), 2015, Innovation Union Scoreboard, http://ec.europa. eu/growth/industry/innovation/facts-figures/scoreboards.
• Hornik K., 2005, A CLUE for CLUster ensembles, Journal of Statistical Software, vol. 14, pp. 65-72.
• Jahirabadkar S., Kulkarni P., 2013, Clustering for high dimensional data: density based subspace clustering algorithms, International Journal of Computer Applications, vol. 63, issue 20, pp. 29-35.
• Kahn K.B., 2012, The PDMA handbook of new product development, John Wiley & Sons, Inc., Hoboken, NJ.
• Kailing K., Kriegel H.-P., Kröger P., 2004, Density-connected subspace clustering for high-dimensional data, Proc. SIAM Int. Conf. on Data Mining, pp. 246-257.
• Lafley A.G., Charan R., 2008, The Game-Changer: How You Can Drive Revenue and Profit Growth with Innovation, Crown Business, New York.
• Leisch F., 1999, Bagged Clustering, Adaptive Information Systems and Modelling in Economics and Management Science, Working Papers 1999, SFB, p. 51.
• Mikołajczyk B., 2013, Innowacyjność przedsiębiorstw w krajach UE - pomiar i ocena, Annales Universitatis Mariae Curie-Skłodowska, Lublin, vol. XLVII, 3, pp. 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, pp. 157-170.
• Nowak P., 2012, Poziom innowacyjności polskiej gospodarki na tle krajów UE, Prace Komisji Geografii Przemysłu, nr 19, pp. 153-168.
• O'Sullivan D., Dooley L., 2009, Applying Innovation, SAGE Publications, Thousand Oakes, CA.
• Pełka M., 2012, Ensemble approach for clustering of interval-valued symbolic data, Statistics in Transition, vol. 13, issue 2, pp. 335-342.
• Pełka M., 2013, Clustering of symbolic data with application of ensemble approach, Acta Universitatis Lodziensis. Folia Oeconomica, vol. 285, pp. 89-95.
• Pełka M., 2016, A comparison study for spectral, ensemble and spectral mean-shift clustering approaches for interval-valued symbolic data, Analysis of Large and Complex Data, pp. 137-146.
• Radicic D., Pugh G., Hollanders H., Wintjes R., Fairburn J., 2016, The impact of innovation support programs on small and medium enterprises innovation in traditional manufacturing industries: An evaluation for seven European Union regions, Environment and Planning C: Government and Policy, 34(8), pp. 1425-1452.
• Regulation (EU) No 1291/2013 of the European Parliament and of the Council of 11 December 2013, establishing Horizon 2020 - the Framework Programme for Research and Innovation (2014-2020) and repealing Decision No 1982/2006/EC, http://ec.europa.eu/research/participants/data/ref/ h2020/legal_basis/fp/h2020-eu-establact_en.pdf.
• Rendón E., Abundez I., Arizmendi A., Quiroz E., 2011, Internal versus external cluster quality indexes, International Journal of Computers and Communications, issue 1, vol. 5, 27-34.
• Rynardowska-Kurzbauer J., 2015, Innowacyjność wybranych krajów Europy Środkowo-Wschodniej, Zeszyty Naukowe Politechniki Śląskiej, seria "Organizacja i Zarządzanie", nr 86, pp. 93-101.
• Sander J., Ester M., Kriegel H.-P., Xu X., 1998, Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and Its Applications, Data Mining and Knowledge Discovery, vol. 2, issue 2, pp. 169-194.
• Sheikholeslami G., Chatterjee S., Zhang A., 1998, Wavecluster: a multi-resolution clustering approach for very large spatial databases, Proceedings of the 24th VLDB Conference, pp. 428-439.
• Silverstein D., Samuel P., DeCarlo N., 2009, The Innovator's Toolkit: 50+ Techniques for Predictable and Sustainable Organic Growth, John Wiley & Sons, Hoboken, NJ.
• Stec M., 2009, Innowacyjność krajów Unii Europejskiej, Gospodarka Narodowa, nr 11-12, pp. 45-65.
• Trott P., 2012, Innovation Management and New Product Development (5th ed.), FT/Prentice Hall, Harlow, England.
• Van de Ven A., Polley D.E., Garud R., Venkataraman S., 1999, The Innovation Journey, Oxford University Press, New York.
• Walesiak M., Dudek A., 2017, The clusterSim package for R software, www.r-project.org.
• Walesiak M., Dudek A., Pełka M., 2018, The symbolicDA package for R software, www.r-project.org.
• Wojtas M., 2013, Innowacyjność polskiej gospodarki na tle krajów Unii Europejskiej, Zeszyty Naukowe Uniwersytetu Szczecińskiego, nr 756, seria "Finanse, Rynki Finansowe, Ubezpieczenia", nr 57, pp. 605-617.

Identyfikatory

DOI

10.15611/eada.2018.3.06