The Use of Cluster Analysis in the Classification of Similarities in Variables Associated with Agricultural Greenhouse Gases Emissions in OECD Countries

• Autorzy: Alicja Kolasa-Więcek

Warianty tytułu

Wykorzystanie analizy skupień w klasyfikacji podobieństw w obszarze zmiennych powiązanych z rolniczymi emisjami gazów cieplarnianych w krajach wspólnoty OECD

• Języki publikacji: EN

Abstrakty

EN

The aim of the research was to group members of the Organization for Economic Co-operation and Development (OECD) into homogeneous subsets for similarities of agricultural variables affecting greenhouse gas emissions. Cluster analysis, which is a tool for exploratory data analysis, was used. This method is based on grouping of elements in a relatively homogeneous class. The most popular non-hierarchical clustering method is k-means. The method is based on an initial a priori assumption of input data set to a predetermined number of classes. In order to verify if the number of clusters was assumed properly, results were compared with another method of cluster analysis - a hierarchical method. Ward's method of classifying on the basis of minimizing the interclass variance was used. Countries qualified for each cluster derived using k-means were identical to those obtained using Ward's method. Analysis of the results lead to the conclusion that the geographical location of the countries was key to its inclusion in a cluster this was shown clearly in cluster 1 (Finland, Iceland, Norway, Sweden, Canada), cluster 2 (Austria, Czech Republic, Poland, Slovakia, Switzerland) and cluster 4 (Australia, New Zealand). Group 3 is a 15-element set of countries in predominantly highly industrialized regions. (original abstract)

Celem badań było pogrupowanie państw członkowskich Organization for Economic Co-operation and Development (OECD) w jednorodne podzbiory pod kątem podobieństwa w obszarach zmiennych oddziałujących na rolnicze emisje głównych gazów cieplarnianych (GGC). W tym celu wykorzystano analizę skupień, która jest narzędziem służącym do eksploracyjnej analizy danych. Metoda polega na grupowaniu elementów we względnie jednorodne klasy. Najbardziej popularną niehierarchiczną metodą skupień jest metoda k-średnich. Polega ona na wstępnym założeniu a priori wejściowego zbioru danych na z góry określoną liczbę klas. W celu weryfikacji, czy liczba założonych skupień jest odpowiednio dobrana, porównano otrzymane wyniki z hierarchiczną metodą analizy skupień. Wykorzystano metodę Warda klasyfikującą na zasadzie minimalizacji wariancji wewnątrzklasowej. Analiza wyników skłania do wniosku, że na podstawie badanych zmiennych otrzymano skupiska, w których kluczową rolę odgrywa położenia geograficzne państw, czego przykładem jest skupienie 1 (Finlandia, Islandia, Norwegia, Szwecja i Kanada), skupienie 2 (Austria, Czechy, Polska, Słowacja i Szwajcaria) oraz skupienie 4 (Australia i Nowa Zelandia). Skupienie 3 jest 15-elementowym zbiorem państw, w których dominują wysoko uprzemysłowione regiony. (abstrakt oryginalny))

Słowa kluczowe

EN

Cluster analysis; Gas emissions; Agriculture

PL

Analiza skupień; Emisja gazów; Rolnictwo

• Czasopismo: Wieś i Rolnictwo
• Rocznik: 2013
• Numer: nr 1
• Strony: 59--66

Twórcy

autor

Alicja Kolasa-Więcek

• Opole University of Technology, Poland

Bibliografia

• Caldeira K., Morgan M.G., Baldocchi D., Brewer P.G., Chen C.T.A., Nabuurs G.J., Nakicenovic G.J., Robertson G.P., 2004: A portfolio ofcarbon management options. In: C.B. Field, M.R. Raupach (ed.). The Global Carbon Cycle. Integrating Humans, Climate, and the Natural World. SCOPE 62, Island Press, Washington DC: 103-129.
• Grabiński T., 1992: Methods ofaxonometry. Akademia Ekonomiczna w Krakowie, Kraków.
• Green R.E., Cornell S.J., Scharlemann J.P.W., Balmford A., 2005: Farming and thefate ofwild naturę. "Science" 307: 550-555.
• Hand D., Mannila H., Smyth P., 2005: Data Mining. WNT, Warszawa.
• Jarvis S.C., Pain B.F., 1994: Greenhouse Gas Emissions from Intensive livestock Systems: Their Estimation and Technologies for Reduction. "Climatic Change" 17 (1): 27-38.
• Kaufman L., Rousseeuw P. J., 2005: Findinggroups in data: an introduction to cluster analysis. Wiley, New York.
• Klimont Z., Brink C., 2004: Modelling of Emissions of Air Pollutants and Greenhouse Gasesfrom Agricultural Sources in Europe. Interim Report IR-04-048, International Institute for Applied Systems Analysis, Luxemburg.
• Li C., Frolking S., Xiao X., Moore B., Boles S., Qiu J., Huang Y, Salas W., Sass R., 2005: Modelling impacts of farming management alternatives on CO2, CH4, and N,O emissions: A case study for water management of rice agriculture of China. "Global Biogeochemical Cycles" 19 (3), doi:10.1029/2004GB002341.
• Metz B., Davidson O.R., Bosch P.R., Dave R., Meyer L.A. (ed.) 2007: Climate Change 2007: Mitigation of Climate Change. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridde University Press, Cambridge, United Kingdom and New York, NY, USA.
• Migut G., 2009: Application oftechniąues cluster analysis and decision treesfor market segmentation. Statsoft Polska.
• Ostasiewicz W., 1998: Statistical methods for data analysis. Akademia Ekonomiczna we Wrocławiu, Wrocław.
• Pathak H., Li C., Wassmann R., 2005: Greenhouse gas emissions front Indian rice fields: calibration and upscaling using the DNDC model. "Biogeosciences" 2, 113-123.
• Pietrzak S., 2009: Formation of the nitrogen cycle in macro-and microsystems farming. "Water -Environment - Rural Areas" 9, 3 (27): 143-158.
• Shih J.S., Burtraw D., Palmer K., Siikamaki J., 2008: Air Emissions of Ammonia and Methane from Livestock Operations: Valuation and Policy Options. Air & Waste Management Association, Washington.
• Smith P., Martino D., Cai Z., Gwary D., Janzen h.H., Kumar P., McCarl B., Ogle S., O'Mara F., Rice C., Scholes R.J., Sirotenko O., Howden M., McAllister T., Pan G., Romanenkov V., SchneiderU., Towprayoon S., Wattenbach M., Smith J.U., 2008: Greenhouse gas mitigation in agriculture. Philosophical Transactions of the Royal Society of London. B 363, 1492, 789-813.
• Sokołowski A., 1992: Empirical significance tests in the taxonomy. Akademia Ekonomiczna w Krakowie. Zeszyty Naukowe. Monografie 108.
• Tadeusiewicz R., 2006: Data mining as an opportunity for relatively cheap carrying out scientific discoveries through digging seemingly fully exploited empirical data. In: Statistics and Data Mining in research. Ed. J. Wątroba. StatSoft, Kraków.