Analysis of innovations in the European Union via ensemble symbolic density clustering

Marcin Pełka

Abstract

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.
Author Marcin Pełka (EMaT / DEaCS)
Marcin Pełka,,
- Department of Econometrics and Computer Science
Other language title versionsAnaliza innowacyjności krajów Unii Europejskiej z zastosowaniem wielomodelowej klasyfikacji gęstościowej danych symbolicznych
Journal seriesEconometrics. Advances in applied data analysis, [Ekonometria], ISSN 1507-3866 , e-ISSN 2449-9994, (B 14 pkt)
Issue year2018
Vol22
No3
Pages84-98
Publication size in sheets0.7
Keywords in Polishinnowacje, Unia Europejska, analiza danych symbolicznych, klasyfikacja wielomodelowa
Keywords in Englishinnovations, European Union, symbolic data analysis, ensemble clustering
Abstract in PolishInnowacje 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.
DOIDOI:10.15611/eada.2018.3.06
Languageen angielski
LicenseJournal (articles only); author's original; Uznanie Autorstwa - Użycie Niekomercyjne - Bez utworów zależnych (CC-BY-NC-ND); after publication
File
Pelka_Analysis_of_innovations_in_the_european_union.pdf 1,02 MB
Score (nominal)14
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back