The use of cluster analysis in the classification of similarities in variables associated with agricultural greenhouse gases emissions in OECD countries (Wykorzystanie analizy skupień w klasyfikacji podobieństw w obszarze zmiennych powiązanych z rolniczymi emisjami gazów cieplarnianych w krajach wspólnoty OECD)

Autor

  • Alicja Kolasa-Więcek

Słowa kluczowe:

analiza skupień, metoda k-średnich, metoda Warda, metoda hierarchiczna, metoda niehierarchiczna, gazy cieplarniane, rolnictwo

Abstrakt

Celem badań było pogrupowanie państw członkowskich Organization for Economic Co-operation and Development (OECD) w jednorodne podzbiory pod kątem podobieństwa w obszarach zmiennych oddziałujących na rolnicze emisje głównych gazów cieplarnianych (GGC). W tym celu wykorzystano analizę skupień, która jest narzędziem służącym do eksploracyjnej analizy danych. Metoda polega na grupowaniu elementów we względnie jednorodne klasy. Najbardziej popularną niehierarchiczną metodą skupień jest metoda k-średnich. Polega ona na wstępnym założeniu a priori wejściowego zbioru danych na z góry określoną liczbę klas. W celu weryfikacji, czy liczba założonych skupień jest odpowiednio dobrana, porównano otrzymane wyniki z hierarchiczną metodą analizy skupień. Wykorzystano metodę Warda klasyfikującą na zasadzie minimalizacji wariancji wewnątrzklasowej. Analiza wyników skłania do wniosku, że na podstawie badanych zmiennych otrzymano skupiska, w których kluczową rolę odgrywa położenia geograficzne państw, czego przykładem jest skupienie 1 (Finlandia, Islandia, Norwegia, Szwecja i Kanada), skupienie 2 (Austria, Czechy, Polska, Słowacja i Szwajcaria) oraz skupienie 4 (Australia i Nowa Zelandia). Skupienie 3 jest 15-elementowym zbiorem państw, w których dominują wysoko uprzemysłowione regiony.

Bibliografia

Caldeira K., Morgan M.G., Baldocchi D., Brewer P.G., Chen C.T.A., Nabuurs G.J., Nakicenovic G.J., Robertson G.P., 2004: A portfolio of carbon management options. In: C.B. Field, M.R. Raupach (ed.). The Global Carbon Cycle. Integrating Humans, Climate, and the Natural World. SCOPE 62, Island Press, Washington DC: 103–129.

Grabiński T., 1992: Methods of axonometry. Akademia Ekonomiczna w Krakowie, Kraków.

Green R.E., Cornell S.J., Scharlemann J.P.W., Balmford A., 2005: Farming and the fate of wild nature. “Science” 307: 550–555.

Hand D., Mannila H., Smyth P., 2005: Data Mining. WNT, Warszawa.

Jarvis S.C., Pain B.F., 1994: Greenhouse Gas Emissions from Intensive livestock Systems: Their Estimation and Technologies for Reduction. “Climatic Change” 17 (1): 27–38.

Kaufman L., Rousseeuw P. J., 2005: Finding groups in data: an introduction to cluster analysis. Wiley, New York.

Klimont Z., Brink C., 2004: Modelling of Emissions of Air Pollutants and Greenhouse Gases from Agricultural Sources in Europe. Interim Report IR-04-048, International Institute for Applied Systems Analysis, Luxemburg.

Li C., Frolking S., Xiao X., Moore B., Boles S., Qiu J., Huang Y., Salas W., Sass R., 2005: Modelling impacts of farming management alternatives on CO2, CH4, and N2O emissions: A case study for water management of rice agriculture of China. “Global Biogeochemical Cycles” 19 (3), doi:10.1029/2004GB002341.

Metz B., Davidson O.R., Bosch P.R., Dave R., Meyer L.A. (ed.) 2007: Climate Change 2007: Mitigation of Climate Change. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridde University Press, Cambridge, United Kingdom and New York, NY, USA.

Migut G., 2009: Application of techniques cluster analysis and decision trees for market segmentation. Statsoft Polska.

Ostasiewicz W., 1998: Statistical methods for data analysis. Akademia Ekonomiczna we Wrocławiu, Wrocław.

Pathak H., Li C., Wassmann R., 2005: Greenhouse gas emissions from Indian rice fields: calibration and upscaling using the DNDC model. “Biogeosciences” 2, 113–123.

Pietrzak S., 2009: Formation of the nitrogen cycle in macro-and microsystems farming. “Water – Environment – Rural Areas” 9, 3 (27): 143–158.

Shih J.S., Burtraw D., Palmer K., Siikamaki J., 2008: Air Emissions of Ammonia and Methane from Livestock Operations: Valuation and Policy Options. Air & Waste Management Association, Washington.

Smith P., Martino D., Cai Z., Gwary D., Janzen h.H., Kumar P., McCarl B., Ogle S., O’Mara F., Rice C., Scholes R.J., Sirotenko O., Howden M., McAllister T., Pan G., Romanenkov V., Schneider U., Towprayoon S., Wattenbach M., Smith J.U., 2008: Greenhouse gas mitigation in agriculture. Philosophical Transactions of the Royal Society of London. B 363, 1492, 789–813.

Sokołowski A., 1992: Empirical significance tests in the taxonomy. Akademia Ekonomiczna w Krakowie. Zeszyty Naukowe. Monografie 108.

Tadeusiewicz R., 2006: Data mining as an opportunity for relatively cheap carrying out scientific discoveries through digging seemingly fully exploited empirical data. In: Statistics and Data Mining in research. Ed. J. Wątroba. StatSoft, Kraków.

Liczba pobrań artykułu

44

Strony

59-66

Jak cytować

Kolasa-Więcek, A. (2013) „The use of cluster analysis in the classification of similarities in variables associated with agricultural greenhouse gases emissions in OECD countries (Wykorzystanie analizy skupień w klasyfikacji podobieństw w obszarze zmiennych powiązanych z rolniczymi emisjami gazów cieplarnianych w krajach wspólnoty OECD)”, Wieś i Rolnictwo. Warszawa, PL, (1 (158), s. 59–66. Dostępne na: https://kwartalnik.irwirpan.waw.pl/wir/article/view/424 (Udostępniono: 23 lipiec 2024).