Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

PL EN


2012 | 59 | 1 | 74-93

Article title

Fuzzy classification of European regions in the evaluation of smart growth

Content

Title variants

PL
Ocena inteligentnego rozwoju regionów europejskich z zastosowaniem klasyfikacji rozmytej

Languages of publication

EN

Abstracts

EN
“Europe 2020 Strategy” presents the vision of European economy development, in which smart development, i.e. development based on knowledge and innovation, constitutes one of major priorities. Smart specialization which refers to enterprises, research centres and high schools cooperating in defining the most promising areas of specialization in a given region, represents one of crucial smart development components. Smart specialization refers to both, the concept and the tool, allowing regions and countries to assess their unique position in knowledge-based economy. This knowledge should not be underestimated at the stage of preparing regional and interregional policy assumptions and specifying directions for the distribution of financial means allocated to further development of regions, constructing their advantage in regional space and position in knowledge based economy. Therefore, the essential objective of the hereby study is to distinguish classes of regions in European space with regard to one complex phenomenon, i.e. smart specialization. For this reason both classical and fuzzy classification methods were applied. Such approach facilitated e.g. specifying these regions for which it is difficult to provide clear division regarding their membership in distinguished classes. They are the regions which “keep searching” for their optimum path of smart development and which should be offered particular attention from entities managing development at regional, national and overall EU level.
PL
„Strategia Europa 2020” stanowi wizję rozwoju gospodarki europejskiej, dla której jednym z priorytetów jest rozwój inteligentny czyli oparty na wiedzy i innowacjach. Istotnym elementem inteligentnego rozwoju jest inteligentna specjalizacja obejmująca przedsiębiorstwa, ośrodki badawcze oraz szkoły wyższe, które współpracują na rzecz określenia najbardziej obiecujących obszarów specjalizacji w danym regionie. Stanowi ona zarówno koncepcję jak i narzędzie pozwalające regionom i krajom ocenić ich unikalną pozycję w gospodarce opartej na wiedzy. Trudno przecenić tą wiedzę na etapie formułowania założeń polityk regionalnych i interregionalnych oraz ustalania kierunków dystrybucji środków finansowych przeznaczonych na dalszy rozwój regionów budujących swoją przewagę w przestrzeni regionalnej oraz pozycję w gospodarce opartej na wiedzy. Dlatego zasadniczym celem niniejszego opracowania było wyodrębnienie klas regionów w przestrzeni europejskiej ze względu na zjawisko złożone jakim jest inteligentna specjalizacja. W tym celu zastosowano klasyczne i rozmyte metody klasyfikacji. Podejście takie umożliwiło m.in. wskazanie tych regionów, dla których nie można jednoznacznie określić przynależności do wyodrębnionych klas. Są to regiony „poszukujące” optymalnej ścieżki inteligentnego rozwoju, które winne zostać otoczone szczególną uwagą przez podmioty zarządzające rozwojem zarówno na szczeblu regionalnym, krajowym jak i całej wspólnoty europejskiej.

Year

Volume

59

Issue

1

Pages

74-93

Physical description

Contributors

  • Uniwersytet Ekonomiczny we Wrocławiu, Katedra Gospodarki Regionalnej, ul. Komandorska 118/120, 53-345 Wrocław
  • Uniwersytet Ekonomiczny we Wrocławiu, Katedra Gospodarki Regionalnej, ul. Komandorska 118/120, 53-345 Wrocław

References

  • A Digital Agenda for Europe, Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions, EUROPEAN COMMISSION, COM(2010) 245 final/2, Brussels, 2010
  • Bezdek J.C., (1981), Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York.
  • Bock H.-H., (2008), Origins and extensions of the k-means algorithm in cluster analysis, “Electronic Journal for History of Probability and Statistics”, vol. 4, no. 2.
  • Cox E., (2005), Fuzzy modeling and genetic algorithms for data mining and exploration, Morgan Kaufmann Publishers, San Francisco.
  • Digital Agenda Scoreboard, Commission Staff Working Paper, SEC(2011) 708, European Commission, Brussels, 2011
  • Domańska W., (2010), Strategia rozwoju Europy do 2020 r., „Wiadomości Statystyczne” no. 8 (591).
  • Dunn A., (1973), Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, “Journal of Cybernetics”, vol. 3.
  • EUROPA 2020. Strategia na rzecz inteligentnego i zrównoważonego rozwoju sprzyjającego włączeniu społecznemu. Komisja Europejska, Komunikat Komisji, KOM(2010) 2020 wersja ostateczna, Bruksela 2010
  • Giannitsis A., Kager M., (2009), Technology and specialisation: Dilemmas, options and risks?, Expert group “Knowledge for Growth”.
  • Hoppner F., (1999), Fuzzy cluster analysis: methods for classification, data analysis, and image recognition, John Wiley&Sons, Chichester.
  • Innovation Union Competitiveness report, Directorate-General for Research and Innovation, Directorate-General for Research and Innovation, Research and Innovation, European Commission, Luxembourg: Publications Office of the European Union, 2011
  • Jajuga K., (1990), Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa.
  • Lasek M., (2002), Data Mining. Zastosowania w analizach i ocenach klientów bankowych. Oficyna Wydawnicza „Zarządzanie i finanse”, Biblioteka Menadżera i Bankowca, Warszawa.
  • Leung Y., (1983), Fuzzy Sets Approach to Spatial Analysis and Planning, a Nontechnical Evaluation, “Geografiska Annaler. Series B”, vol. 65, no. 2.
  • Nascimento S., Mirkin B., Moura-Pires F., (2000), A fuzzy clustering model of data and fuzzy c-means. IEEE International Conference on Fuzzy Systems: Soft Computing in the Information Age, vol. 1.
  • Pawełek B., (2008), Metody normalizacji zmiennych w badaniach porównawczych złożonych zjawisk ekonomicznych, Wydawnictwo UE w Krakowie, Kraków.
  • Polityka regionalna jako czynnik przyczyniający się do inteligentnego rozwoju w ramach strategii Europa 2020, Komunikat Komisji do Parlamentu Europejskiego, Rady, Europejskiego Komitetu Ekonomiczno-Społecznego i Komitetu Regionów, KOM(2010) 553, Bruksela, 2010
  • Regions in the European Union. Nomenclature of territorial units for statistics NUTS 2006/EU-27, Series: Methodologies and Working Papers, European Commission, Luxemburg 2007.
  • Sokołowski A., (1992), Empiryczne testy istotności w taksonomii, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
  • Steinley D., (2006), K-means clustering: a half century synthesis, „British Journal on Mathematical and Statistical Psychology”, vol. 59.
  • Strategia na rzecz inteligentnego i zrównoważonego rozwoju sprzyjającego włączeniu społecznemu, Krajowy program reform Europa 2020, Ministerstwo Gospodarki, Warszawa 2010
  • Walesiak M., Gatnar E. (red.), (2009), Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa
  • Wintjes R., Hollanders H., (2010), The regional impact of technological change in 2020 - Synthesis report, European Commission, DG Regional Policy, Brussels.
  • Wysocki F., (2010), Metody taksonomiczne w rozpoznawaniu typów ekonomicznych rolnictwa i obszarów wiejskich, Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu, Poznań.
  • Youth on the Move, Publications Office of the European Union, European Union, Luxembourg, 2010
  • Zimmermann J.H., (2001), Fuzzy set theory and its applications. Fourth edition, Kluwer Academic Publishers, Boston.

Document Type

Publication order reference

Identifiers

YADDA identifier

bwmeta1.element.desklight-b77cce2d-3881-4d4f-a77a-975994e84c35
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.