مقایسه کاربرد الگوریتم های فراابتکاری کلونی مورچه ها و سلسله مراتبی در خوشه بندی شرکت های دانش بنیان کشاورزی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 364

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_AGEC-13-2_002

تاریخ نمایه سازی: 20 مرداد 1399

چکیده مقاله:

خوشه بندی یکی از عملیات مهم در داده کاوی به شمار می رود که نتایج آن برای محققان و سیاست گذاران در زمینه های مختلف به منظور تحلیل و برنامه ریزی مفید است. از آنجا که در سال های اخیر، اقتصاد دانش بنیان با حمایت از شرکت های دانش بنیان در ایران در حال توسعه است، تحلیل ویژگی های این شرکت ها و خوشه بندی آنها به منظور برنامه ریزی اثربخش، چشم انداز مناسبی برای سیاست گذاران فراهم می آورد. از این رو، در این مقاله شرکت های دانش بنیان کشاورزی ایران با استفاده از اطلاعات سال 2017 بر مبنای حوزه فناوری، تنوع محصولات و ارزش فروش محصول با استفاده از روش های خوشه بندی K-میانگین ساده و K-میانگین در ترکیب با الگوریتم های سلسله مراتبی و کلونی مورچه ها در نرم افزار MATLAB 16a خوشه بندی شدند. بنا بر نتایج، خوشه بندی K-میانگین در ترکیب با الگوریتم کلونی مورچه ها در مقایسه با دو روش دیگر توزیع متوازن تری از شرکت ها بین شش خوشه داشته است و میانگین ضریب نیمرخ 7/0 اعتبار این خوشه بندی را تایید می کند. پیشنهاد می شود، به منظور اثربخشی و پرهیز از هدررفت بودجه حمایت از شرکت های دانش بنیان، برای شرکت هایی که به دلیل ویژگی های مشابه در یک خوشه قرار گرفته اند، برنامه های حمایتی همسانی طرح ریزی شود. برای شرکت های دانش بنیان با میانگین فروش اندک که در یک خوشه قرار گرفته اند برنامه های حمایتی ورود به بازار و برای شرکت های با تنوع محصول و درآمد متوسط بالا برنامه های توسعه بازار صادراتی توصیه می شود.

نویسندگان

الهام مهرپرورحسینی

دانشجوی دکتری اقتصاد کشاورزی دانشگاه تهران

حامد رفیعی

استادیار اقتصاد کشاورزی، دانشگاه تهران

سید صفدر حسینی

استاد اقتصاد کشاورزی دانشگاه، دانشگاه تهران

امیرحسین چیذری

استادیار اقتصاد کشاورزی دانشگاه تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Alfansi, L. and Sargeant, A, (2000). Market segmentation in Indonesian ...
  • Aliheidari Bioki؛, T. and Khademizare, H. (2015). Improvement of DEA ...
  • Brandt, A., (2005). Cluster analysis for market segmentation. Department of ...
  • Chen, J., Z. Zhu and H. Y. Xie (2004). Measuring ...
  • Daie, P., Li, S. (2016). Hierarchical clustering for structuring supply ...
  • Epetimehin, F.M., (2011). Market segmentation: A tool for improving customer ...
  • Golichenar, F. and Saniee Abadeh, M. (2012). An overview of ...
  • Kuo, R. J., H. S. Wang, Tung-Lai Hu, S. H. ...
  • Linares-Mustarós, S., Coenders, G., Vives-Mestres, M. (2018). Financial performance and ...
  • 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 ...
  • Sadeghian, M. (2013). Finding the optimal center for clusters in ...
  • Salmani, B. (2015). Science and Technology Parks Mechanism for Knowledge ...
  • Shirkavand, S., Jokar, GH. and Mazidi, A. (2014). Market Segmentation ...
  • Vice Presidency for Science and Technology of Islamic Republic of ...
  • Vice Presidency for Science and Technology of Islamic Republic of ...
  • Zare AhmadAbadi, H., Emam, M. and Naser Sadrabadi, A. (2017). ...
  • نمایش کامل مراجع