پژوهش ها و چشم اندازهای اقتصادی

پژوهش ها و چشم اندازهای اقتصادی

طبقه‌بندی استان‌های ایران از منظر شاخص اقتصاد دانش‌بنیان منطقه‌ای با استفاده از الگوریتم خوشه‌بندی k-means و c-means فازی

نوع مقاله : پژوهشی اصیل

نویسندگان
زهرا علی نژاد 1
سیدمحمدباقر نجفی 2
جمال فتح اللهی 2
نادر زالی 3
1 دانشجوی دکتری گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران
2 استادیار گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران
3 گروه شهرسازی، دانشکده هنر و معماری، دانشگاه گیلان، گیلان، ایران
چکیده
اقتصاد دانش‌بنیان، جدیدترین الگوی تولید در عصر حاضر بوده و تاکنون، دستاوردهای کم‌نظیری برای طیف گسترده‌ای از کشورهای مختلف به همراه داشته است. هدف این مقاله، طبقه‌بندی استان‌های ایران از منظر اقتصاد دانش‌بنیان می­باشد. طبقه‌بندی استان‌ها بر اساس میزان تشابه آنها در دستیابی به الگوی تولید دانش‌بنیان، نخستین گام برای یک برنامه‌ریزی صحیح و واقع‌بینانه است. از نسخۀ یکسانی برای استان‌های با وضعیت متفاوت، نمی‌توان استفاده کرد. شاخص اقتصاد دانش‌بنیان منطقه‌ای در سه محور اصلی آموزش، نوآوری و فنّاوری اطلاعات و ارتباطات و بر اساس 15 زیرشاخص، تعریف، و طبقه‌بندی، بر اساس تکنیک خوشه‌بندی- یکی از شاخه‌های یادگیری بدون نظارت- انجام، و برای این منظور، دو الگوریتم k-means و c-means فازی به­طور همزمان به کار گرفته شده است تا مقایسه نتایج آنها امکان‌پذیر شود. تعداد خوشه بهینه نیز از طریق ضریب سیلوئیت[1] محاسبه شده است. این ضریب، همچنین میزان درستی نتایج خوشه‌بندی را نشان می‌دهد. خوشه‌بندی بر اساس الگوریتم c-means فازی و در حالت 6 خوشه با ضریب سیلوئیت 77/0 مناسب‌ترین طبقه‌بندی برای هدف پژوهش است. نتایج نشان می‌دهد، ناهمگونی مشهودی بین استان‌های مختلف از نظر اقتصاد دانش‌بنیان وجود دارد. تهران و البرز در خوشه‌های جداگانه و جزء طبقات پیشرو نسبت به سایرین قرار دارند؛ در حالی که بیش از نیمی از استان‌ها در خوشۀ انتهایی طبقه­بندی می­شوند.


[1]. Silhouette Coefficient
کلیدواژه‌ها
اقتصاد دانش‌بنیان
شاخص اقتصاد دانش‌بنیان منطقه‌ای
خوشه‌بندی
الگوریتمc-means فازی
الگوریتم K-Means

موضوعات

عنوان مقاله English

Classification of Iran's Provinces in Terms of Regional Knowledge-Based Economy Index Using K-Means and Fuzzy C-Means Clustering Algorithms

نویسندگان English

Zahra Alinezhad 1
Sayed Mohammad Bagher najafi 2
Jamal Fathollahi 2
nader zali 3
1 Department of Economics, Faculty of Social Sciences, Razi University, Kermanshah, Iran
2 Department of Economics, Faculty of Social Sciences, Razi University, Kermanshah, Iran
3 Department of Urban Planning & Design, Faculty of Art and Architecture, University of Guilan, Guilan, Iran
چکیده English

The knowledge-based economy is the newest pattern of production in the current era. So far, this pattern has resulted in unique achievements for a wide range of countries. This study aims to classify the provinces of Iran in terms of Knowledge-based economy. The classification of provinces based on their similarity in achieving the knowledge-based production pattern is the first step for correct and realistic planning. The same version cannot be used for different provinces. The regional knowledge-based economy index is defined in three dimensions: education, innovation, and information and communication technology, based on 15 sub-indices. The classification is based on the clustering technique, which is one of the branches of unsupervised learning. To do this, k-means and fuzzy c-means algorithms are used simultaneously to compare their results. The optimal number of clusters is calculated through the Silhouette coefficient. This coefficient also indicates the accuracy of the clustering results. Clustering based on the fuzzy c-means algorithm in 6-cluster case with a Silhouette coefficient of 0.77 is the most appropriate classification for research purposes. The results show that there is a clear discrepancy between different provinces in the context of knowledge-based economy. Tehran and Alborz are in separate clusters and are among the leading classes compared to others, while more than half of the provinces belong to backward cluster.

کلیدواژه‌ها English

Knowledge-Based Economy
regional Knowledge-based economy index
Clustering
Fuzzy C-means algorithm
K-Means algorithm
امجدی، محمدحسین؛ مهرابی بشر آبادی، حسین و جهان آرای، ندا (۱۳۹۹). رتبه بندی استان های کشور از منظر شاخص‌های اقتصاد دانش‌بنیان، فصلنامه راهبرد، ۲۹(۹۴)، ۱۶۳-۱۹۶.
انتظاری، یعقوب و محجوب، حسن (1392). تحلیل توسعه اقتصاد دانش ایران بر اساس سند چشم‌انداز 1404. راهبرد فرهنگ، 6(24)، 65- 97.
تشکینی، احمد و عریانی، بهاره (1392). جایگاه اقتصاد دانش در ایران با تأکید بر مقایسه تطبیقی میان کشورهای برتر و منتخب منطقه. مجله اقتصادی (دوماهنامه بررسی مسائل و سیاستهای اقتصادی)، 13(۱ و ۲)،۵-۲۴.
رودری، جعفر؛ زاینده‌رودی، محسن و مهرابی بشرآبادی، حسین (1397). بررسی نقش مؤلفه‌های اقتصاد دانش‌بنیان در وضعیت ایران و کشورهای حوزه سند چشم‌انداز با استفاده از روش‌های تحلیل تمایزی چند گروهی و k- میانگین. فصلنامه مدیریت صنعتی، 10(3)، 481- 501.
زارع‌ قلعه‌سیدی، رویا (1396). تمایزات منطقه‌ای اقتصاد دانش‌بنیان در استان‌های ایران، پایان نامه کارشناسی ارشد، دانشگاه یزد، پردیس علوم انسانی و اجتماعی.
زیاری، کرامت‌الله (1396). اصول و روش‌های برنامه‌ریزی منطقه‌ای، تهران: انتشارات دانشگاه تهران، چاپ هشتم.
صنیعی آباده، محمد؛ محمودی، سینا و طاهرپرور، محدثه (1394). داده کاوی کاربردی. تهران: نشر نیاز دانش، ویراست 2.
عباسیان، عزت‌الله و دلیری، حسن (1391). تخمین و رتبه‌بندی استان‌های کشور از نظر شاخص‌های اقتصاد دانش‌محور. فصلنامه رفاه اجتماعی، 12(45)، 339- 367.
عزیزی، فیروزه و مرادی، فهیمه (۱۳۹۷). محاسبه شاخص‌های اصلی و فرعی اقتصاد دانش‌‌بنیان برای ایران (سال‌های ۲۰۱۴-۱۹۹۶)، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، ۲۶(۸۵)، ۲۴۳-۲۷۰.
غفاری‌فرد، محمد و ملکی نصر، هاشم (۱۳۹8). سنجش فضایی اقتصاد دانش‌بنیان در استان‌های مختلف ایران (رویکرد شاخص ترکیبی)، فصلنامه رهیافت، ۲۹(۷۵)، ۵۵-۷۲.
معاونت برنامه‌ریزی و نظارت راهبردی رییس‌جمهور (1390). راهنمای شرح خدمات بخش برنامه‌ریزی و سیاست‌گذاری مطالعات برنامه آمایش استان، نشر امور آمایش و توسعه منطقه‌ای.
نوری، جواد؛ بنیادی نائینی، علی و اسماعیل زاده، محمد (۱۳۹۵). تعیین جایگاه ایران در منطقه از منظر اقتصاد دانش‌بنیان بر پایه الگوریتم خوشه‌بندی، فصلنامه سیاست های راهبردی و کلان، ۴(۱۴)، ۱۳۳.
Ahlborn, M. & Schweickert, R. (2019). “Economic systems in developing countries–A macro cluster approach”. Economic Systems, 43(3-4), 100692.
Ahlborn, M.; Ahrens, J. & Schweickert, R. (2016). “Large-Scale Transition of Economic Systems–Do CEECs Converge Toward Western Prototypes?” Comparative Economic Studies, 58(3), 430-454.
Al Shami, A.; Lotfi, A.; Lai, E. & Coleman, S. (2011, April). “Unified knowledge economy competitiveness index using fuzzy clustering model”. In 2011 IEEE Symposium on Computational Intelligence for Financial Engineering and Economics (CIFEr) (pp. 1-6). IEEE.
Andrejovská, A.; Buleca, J. & Hudákova, M. (2016). “Categorization of the EU Countries in the Context of Agricultural Production”. AGRIS on-line Papers in Economics and Informatics, 8(665-2016-45127), 3-14.
Asian Development Bank. (2007). Moving Toward Knowledge- Based Economies: Asian Experiences. Regional and Sustainable Development Department.
Bakırcı, F. (2018). Knowledge and Innovation Economy: an Evaluation of Turkey. In German-Turkish Perspectives on IT and Innovation Management (pp. 21-42). Springer Gabler, Wiesbaden.
Bambra, C. (2007). “Defamilisation and welfare state regimes: a cluster analysis”. International Journal of social welfare, 16(4), 326-338.
Brinkley, I.; Hutton, W.; Schneider, P. & Coates Ulrichsen, K. (2012). Kuwait and the knowledge economy, The Work Foundation and the Kuwait Programme on Development, Governance and Globalization in the Gulf States. April 2012. Number 22.
Cherchye, L., Moesen, W., Rogge, N., & Van Puyenbroeck, T. (2009). Constructing a knowledge economy composite indicator with imprecise data. Available at SSRN 1462660.
Constantopoulos, A.; Yfantopoulos, J.; Xenos, P. & Vozikis, A. (2019). “Cluster shifts based on healthcare factors: The case of Greece in an OECD background 2009-2014”. Advances in Management and Applied Economics, 9(6), 29-50.
Danforth, B. (2014). “Worlds of welfare in time: A historical reassessment of the three-world typology”. Journal of European Social Policy, 24(2), 164-182.
De la Paz-Marín, M., Gutiérrez, P. A., & Hervás-Martínez, C. (2015). Classification of countries’ progress toward a knowledge economy based on machine learning classification techniques. Expert systems with applications, 42(1), 562-572.
De Lima Almeida, L. M., & de Freitas Balanco, P. A. (2020). Application of multivariate analysis as complementary instrument in studies about structural changes: An example of the multipliers in the US economy. Structural Change and Economic Dynamics, 53 (2020) 189–207.
Delgado-Márquez, B. L., & García-Velasco, M. (2017). Geographical distribution of the European knowledge base through the lens of a synthetic index. Social Indicators Research, 136(2), 477-496.
Despotovic, D., Cvetanović, D., & Nedic, V. (2015). Perspectives for the development of knowledge economy, innovativeness, and competitiveness of CEFTA countries. Facta Universitatis, Series: Economics and Organization,12(3), 209 - 223.
Develioğlu, K. & Kantarci, K. (2012). “Clustering Balkan Countries Based on Competitiveness Factors: A Strategic Perspective”. Journal of Economic and Social Studies, 2(2), 237-244.
Fucec, A. A., & Corina, M. P. (2014). Knowledge Economies in the European :union:: Romania's Position. Procedia Economics and Finance, 15, 481-489.
Gan, Guojun, Ma, Chaoqun & Wu, Jianhong (2007). Data clustering: theory, algorithms, and applications, Publisher: Society for Industrial and Applied Mathematics (SIAM).
Ghazinoory, S.; Narimani, M.; Khamoushi, F. & Kazemi, H. (2017). “Extracting the innovation policies for Iran based on the approximation of policy implications for comparative economic doctrines”. Economic research-Ekonomska istraživanja, 30(1), 1257-1276.
Godin, B. (2003). “The Knowledge-Based Economy: Conceptual Framework or Buzzword?”. Project on the History and Sociology of S&T Statistics, Working Paper, No.24.
Godin, B. (2004). “The obsession for competitiveness and its impact on statistics: the construction of high-technology indicators”. Research Policy, 33(8), 1217-1229.
Gough, I. (2001). “Social assistance regimes: a cluster analysis”. Journal of European social policy, 11(2), 165-170.
https://nnt.sci.org.ir/sites/Apps/yearbook/Lists/year_book_req/Item/newifs.aspx
https://pub.daneshbonyan.ir/
https://www.amar.org.ir
Jain, Anil K., Murty, M. Narasimha, Flynn, Patrick J. (1999). Data clustering: A Review ACM Computing Surveys, 31(3), 264-323.
Kao, J. S. (2004). Knowledge economics in the Information Age. (Doctoral dissertation, The Claremont Graduate University).
Kaufman, L. & Rousseeuw, P. J. (2009). Finding groups in data: an introduction to cluster analysis (Vol. 344). John Wiley & Sons.
Kautto, M. (2002). “Investing in services in West European welfare states”. Journal of European Social Policy, 12(1), 53-65.
Lall, S. (2000). “The Technological structure and performance of developing country manufactured exports, 1985‐98”. Oxford development studies, 28(3), 337-369.
Momeni, F.; Najafi, S. M. B. & Fathollahi, J. (2012). “The necessity of economic structural transformation in developing countries toward a knowledge-based economy case study: Iran”. J. Basic. Appl. Sci. Res., 2(8)8300-8310.
OECD. (1996). The Knowledge-Based Economy, OCDE/GD (96) 102.
OECD. (1999). OECD Science, Technology and Industry Scoreboard 1999: Benchmarking Knowledge-based Economies. OECD.
OECD. (2009). OECD Science, Technology and Industry Scoreboard 2009. OECD Publishing, Paris. https://doi.org/10.1787/sti_scoreboard-2009-en
Polyakov, M. V., Shevchenko, G. Y., & Bilozubenko, V. S. (2018). Clustering of countries in global landscape of knowledge economy development. Науковий вісник Полісся, (1 (1)), 176-183.
Popov, E. V. & Kochetkov, D. M. (2019). “Developing the Regional Knowledge Economy Index: a Case of Russian Regions”. Journal of the Knowledge Economy, 1-19.
Rim, G. N., Kim, G. S., Hwang, S. H., & Ko, U. D. (2019). Some Problems in Statistically Assessing the Level of Knowledge Economy. Journal of the Knowledge Economy, 10(3), 974-996.
Rousseeuw, P. J. (1987). “Silhouettes: a graphical aid to the interpretation and validation of cluster analysis”. Journal of computational and applied mathematics, 20, 53-65.
Savoie, R. A. (2009). A Model for Regional Technology-Based Economic Development. (Doctoral dissertation). Available from ProQuest Dissertations and Theses database. UMI Number: 3361221.
Saxenian, A.; Motoyama, Y. & Quan, X. (2002). Local and Global Networks of Immigrant Professionals in Silicon Valley. Public Policy Institute of California, San Francisco.
Seber, G. A. F (1984). Multivariate Observations. Hoboken, NJ: John Wiley & Sons, Inc.
Spath, H. (1985). Cluster Dissection and Analysis: Theory, fortran Programs, Examples. Translated by J. Goldschmidt. New York: Halsted Press.
Stiglitz, J. (1999). “Public policy for a knowledge economy”. Remarks at the Department for Trade and Industry and Center for Economic Policy Research, 27(3), 3-6.
Tyshchenko, V. (2013). “Diagnosis of knowledge economy vector: a regional aspect”. Economic Annals-XXI, 9–10(1), 31–34.
Webb, A. R. (2003). Statistical pattern recognition. John Wiley & Sons.
World Bank (1998). World Development Report: Knowledge for Development, New York: Oxford University Press.
World bank (2013). World Bank Data Catalog, available at: https://www.worldbank.org/
World Bank. (2007). Building knowledge economies: Advanced strategies for development. World Bank.
پژوهش ها و چشم اندازهای اقتصادی
دوره 21، شماره 1
بهار 1400
صفحه 117-146