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

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 می باشد. 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 kmeans و cmeans فازی به طور 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 cmeans 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 طبقه بندی می شوند.

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

The knowledgebased 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 Knowledgebased economy. The classification of provinces based on their similarity in achieving the knowledgebased production pattern is the first step for correct and realistic planning. The same version cannot be used for different provinces. The regional knowledgebased economy index is defined in three dimensions: education, innovation, and information and communication technology, based on 15 subindices. The classification is based on the clustering technique, which is one of the branches of unsupervised learning. To do this, kmeans and fuzzy cmeans 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 cmeans algorithm in 6cluster 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 knowledgebased 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.