مقایسه کاربرد الگوریتم‌های فراابتکاری کلونی مورچه‌ها و سلسله مراتبی در خوشه‌بندی شرکت‌های دانش‌بنیان کشاورزی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد کشاورزی دانشگاه تهران

2 استادیار اقتصاد کشاورزی، دانشگاه تهران

3 استاد اقتصاد کشاورزی دانشگاه، دانشگاه تهران

4 استادیار اقتصاد کشاورزی دانشگاه تهران

10.22034/iaes.2019.101251.1665

چکیده

خوشه‌بندی یکی از عملیات‌ مهم در داده‌کاوی به‌شمار می‌رود که نتایج آن برای محققان و سیاست‌گذاران در زمینه‌های مختلف به منظور تحلیل و برنامه‌ریزی مفید است. از آنجا که در سال‌های اخیر، اقتصاد دانش‌بنیان با حمایت از شرکت‌های دانش‌بنیان در ایران در حال توسعه است، تحلیل ویژگی‌های این شرکت‌ها و خوشه‌بندی آنها به منظور برنامه‌ریزی اثربخش، چشم‌انداز مناسبی برای سیاست‌گذاران فراهم می‌آورد. از این رو، در این مقاله شرکت‌های دانش‌بنیان کشاورزی ایران با استفاده از اطلاعات سال 2017 بر مبنای حوزه فناوری، تنوع محصولات و ارزش فروش محصول با استفاده از روش‌های خوشه‌بندی K-میانگین ساده و K-میانگین در ترکیب با الگوریتم‌های سلسله‌مراتبی و کلونی مورچه‌ها در نرم‌افزار MATLAB 16a خوشه‌بندی شدند. بنا بر نتایج، خوشه‌بندی K-میانگین در ترکیب با الگوریتم کلونی مورچه‌ها در مقایسه با دو روش دیگر توزیع متوازن‌تری از شرکت‌ها بین شش خوشه داشته است و میانگین ضریب نیمرخ 7/0 اعتبار این خوشه‌بندی را تأیید می‌کند. پیشنهاد می‌شود، به منظور اثربخشی و پرهیز از هدررفت بودجه حمایت از شرکت‌های دانش‌بنیان، برای شرکت‌هایی که به دلیل ویژگی‌های مشابه در یک خوشه قرار گرفته‌اند، برنامه‌های حمایتی همسانی طرح‌ریزی شود. برای شرکت‌های دانش‌بنیان با میانگین فروش اندک که در یک خوشه قرار گرفته‌اند برنامه‌های حمایتی ورود به بازار و برای شرکت‌های با تنوع محصول و درآمد متوسط بالا برنامه‌های توسعه بازار صادراتی توصیه می‌شود.

کلیدواژه‌ها


Alfansi, L. and Sargeant, A, (2000). Market segmentation in Indonesian banking sector: The relationship between demographics and desired customer benefits. International Journal of Bank Marketing, 18(2): 86-98.

Aliheidari Bioki؛, T. and Khademizare, H. (2015). Improvement of DEA approach for clustering credit rating of customer in banks, journal of Modelling in Engineering, 13(41): 59-74.

Brandt, A., (2005). Cluster analysis for market segmentation. Department of Curriculum Teaching and Learning, Toronto, University of Toronto. Master of Art.

Chen, J., Z. Zhu and H. Y. Xie (2004). Measuring intellectual capital: a new model and empirical study, Journal of Intellectual Capital, 5(1): 195-212.

Daie, P., Li, S. (2016). Hierarchical clustering for structuring supply chain network in case of product variety, Journal of Manufacturing Systems, 38: 77-86.

Epetimehin, F.M., (2011). Market segmentation: A tool for improving customer satisfaction and retention in insurance service delivery. Journal of Emerging Trends in Economics and Management Sciences (JETEMS), 2(1): 62-67.

Golichenar, F. and Saniee Abadeh, M. (2012). An overview of the combined methods of k-means clustering algorithms and meta-revelation algorithms to confront the disadvantages of the k-means algorithm, Regional Conference on Computer Science, Computer Engineering and Information Technology, Fars, Iran.

Kuo, R. J., H. S. Wang, Tung-Lai Hu, S. H. Chou. (2005). Application of ant K-means on clustering analysis, Computers & Mathematics with Applications, 50 (10–12): 1709-1724.

Linares-Mustarós, S., Coenders, G., Vives-Mestres, M. (2018). “Financial performance and distress profiles. From classification according to financial ratios to compositional classification”. Advances in Accounting, DOI: 10.1016/j.adiac.2017.10.003

Momeni, M. (2014). Data clustering, Moalef Publication, Tehran, Iran(In Farsi).

OECD. (2007). Competitive Regional Clusters. Paris: OECD.

Rahman Md., K.Z. Arefin ⋅ S. Masud ⋅ S. Sultana ⋅ R.M. Rahman. (2017). Analyzing Life Insurance Data with Different Classification Techniques for Customers’ Behavior Analysis, Advanced Topics in Intelligent Information and Database Systems, Studies in Computational Intelligence 710, DOI 10.1007/978-3-319-56660-3_2.

Sadeghian, M. (2013). Finding the optimal center for clusters in the K-means algorithm, MSc. Thesis, University of Sheikh-e-Bahaeei (In Farsi).

Salmani, B. (2015). Science and Technology Parks Mechanism for Knowledge Economy, Nooreelm Publication, Tehran, Iran (In Farsi).

Shirkavand, S., Jokar, GH. and Mazidi, A. (2014). Market Segmentation of Insurance Customers Based on Expected Values, Iranian Journal of Insurance Research, 29 (116): 137-163 (In Farsi).

Vice Presidency for Science and Technology of Islamic Republic of Iran. (2017). Statistics of Knowledge-based Companies in Tehran (In Farsi).

Vice Presidency for Science and Technology of Islamic Republic of Iran. (2017). Table of Knowledge-based Goods and Services, forth edited, Tehran, Iran (In Farsi).

Zare AhmadAbadi, H., Emam, M. and Naser Sadrabadi, A. (2017). Market Clustering with Ant Colony Optimization (Comparative approach with k-means), JOURNAL OF BUSINESS ADMINISTRATION RESEARCH, 8 (16): 17-36 (In Farsi).