Grupowanie państw Unii Europejskiej ze względu na zasoby kapitału ludzkiego i intelektualnego

Abstract

Wśród wielu omawianych obecnie zagadnień dotyczących problematyki kapitału ludzkiego, autorzy skupili uwagę na istnieniu wewnętrznych homogenicznych grup tworzonych przez 25 krajów UE z punktu widzenia wybranych cech opisujących jakość kapitału ludzkiego. Problem klastrowania obiektów rozwiązano za pomocą metod Warda Amalgamation (Tree Clustering) oraz sieci neuronowych typu SOM. W analizie zidentyfikowano dwa, trzy i siedem skupień (w zależności od odległości powiązania – Ward Amalgamation). Najbardziej wyraźny jest podział na dwa skupiska krajów, w większości przypadków zbliżony do podziału politycznego krajów „poprzednich” i „nowych”. Z kolei podział na trzy lub siedem klastrów wydaje się wynikać głównie z dalszych podziałów w obrębie dwóch dużych klastrów (A i B). W porównaniu z klasą A, klasa B (z Polską, Czechami, Estonią, Łotwą, Litwą, Słowacją i Węgrami) jest grupą o znacznie gorszej pozycji pod względem zakresu proponowanych zmiennych. W związku z przeprowadzoną analizą interesujące jest pytanie, czy podziały oparte na dystansie w rozwoju mają szansę na zatarcie się po 1 maja 2004 roku. Co do konkluzji o charakterze metodologicznym, warto podkreślić wysoką efektywność wykorzystania Kohonen Networks i duża zgodność uzyskanych wyników z SOMs i klasterem Warda Amalgamation.

Among many matters discussed now concerning the human capital issues, the authors focused their attention on the existance of inner homogenic groups created by 25 EU coun[1]tries from the point of view of selected characteristics describing the quality of human capital. The issue of clustering objects was dealt with by using methods of the Ward’s Amalgamation (Tree Clustering) and Neural Networks of SOM type. In the analysis there were identified two, three and seven clusters (depending on the linkage distance – Ward Amalgamation). The most explicit division is the one into two clusters of countries, which is in majority of cases about the same as political division of the countries of „previous” and „new” members. Next, the division into three or seven clusters seems to result mainly from the further divisions within the two large clusters (A and B). Comparing with the class A, the class B (with Poland, Czech Republic, Estonia, Latvia, Lithuania, Slovakia and Hungary) is a group of much worse position with regard to the range of suggested variables. In relation to the conducted analysis, as interesting question is, whether the divisions based on a distance in development have a chance of being blurred after the 1st of May 2004. As to the conclusion of methodological nature, what is worth emphasizing is the high effectiveness of employing Kohonen Networks and large conformity between the results reached with SOMs and Ward’s Amalgamation clustering.