The Power of Pattern Recognition in Economic History

Tarihçiler, bazı bölgelerin neden diğerlerinin sahtekarlıklarıyla geliştiğini uzun süredir tartıştılar – İtalyan şehri devletleri, Hanseatic League'in altında, ya da Industrial Revolution'ın Fransa'dan ziyade Britanya'da kök aldığını tartıştı. Geleneksel burs, niteliksel anlatılara dayanıyor: kronikler, kraliyet eğitimi, gezginlerin hesaplarını ortaya çıkarabilirler, ancak her zaman birçok yüzyıl ve yüzlerce bölgeyi yeniden şekillendiremezler.

Bu yöntem, akademisyenlerin yenilik difüzyonu hakkında uzun süredir hipotezleri test etmelerini sağlar, eşitsizlikin kalıcılığı ve coğrafya karşı kurumların rolü. Eski İpek Yolu oases, erken modern Avrupa illerine, veya on dokuz yüzyıl endüstriyel bölgelerine uygulanabilir, küme analizi karmaşık ve ortaya çıkan bir lens sunar.

Cluster Analizinin Temelleri

Cluster analizi, bir dizi gözlemin gruplar halindeki bir dizi algoritmaların bir süitini oluşturuyor - örneğin aynı kümedeki gözlemler diğer kümelerde bulunanlardan daha benzerdir. Tarihi ekonomik bölgeler bağlamında, bir gözlem genellikle ekonomik göstergeler vektörü tarafından açıklanan bir uzaysal birimdir: nüfus yoğunluğu, verimleri, ticaret hacmi, endüstriyel çıktı, kentselleştirme oranları veya kurumsal önlemler.

Bu, denetimli sınıflandırmadan küme analizi, kategorilerin önceden bilindiği ve hedefin bu kategorilere yeni gözlemler ataması olduğunu ayırt eder.Görüngesel mekanlama doğası, özellikle tarihsel çalışma için değerlidir - araştırmacılar, siyasi sınırları veya meydan okuma geleneksel historiografik bölümlerini (örneğin, “Doğuş” vs. Batı” Avrupa'nın doğru kombinasyonunu seçmek için ekonomik bölgeleri keşfedebilir.

Anahtar Algoritma Algorithms

  • [FONT:0)K-means[[Döneticiler[Döneticiler)[Döneticiler:0)K) kümesine göre, kareler içinde toplandığından yüksek çözünürlükte toplamı - K-meanslar, düzensiz coğrafi dağıtımlarla iyi bir şekilde tutulması gereken varsayım. Ancak, kullanıcı önceden belirtmelidir.).K).
  • [FONT:0)Hierarchical clustering[[Dönetici: Bir dezenginlik grubu gösteren bir ağaç diyagramı. Araştırmacı, Ward'ın yöntemini (en fazla çift mesafeye uygun) ve tam bağlantı yöntemlerinin tamamını kesebilir.
  • [DBSCAN (Density-Based Spatial Clustering of Applications with Gürültü))[değiştir | kaynağı değiştirmiş ve düşük seviyeli bölgelerde puanlar ile çevriliyor. DBSCAN, hakemler veya kıyı şeridi boyunca düzensiz ekonomik bölgeleri bulabilir ve kümeleri belirtmek zorunda değildir.

Tüm algoritmaların mesafe ölçümsüz (Euclidean veya Manhattan en yaygın) bölge profilleri arasında dissimilar ölçmek için bir mesafe gerekir.Veriler normal değildir: olmadan, büyük sayılarda ölçülen değişkenler (örneğin, nüfus) küçük sayılarda ölçülenlere hükmedmektedir (örneğin, R'deki kütüphaneler)

Data: Herhangi bir Cluster Analizinin Vakfı

Tarihsel küme analizi, yalnızca tükettiği veriler kadar iyidir. Modern ekonomik istatistiklerden farklı olarak, tarihsel kayıtlar parçalanmış ve tutarsız birimlerde kaydedilmiştir ve genellikle okuryazarlığa veya mali olarak aktif bölgelere karşı önyargılıdır. ”ŞUygunT:0)Data collection Tarihi GSYİH, Küresel Ticaret Tarihine ait en yoğun aşamalar için, ticari transferler, parish nüfus sayımı ve sayısal tahminler için ikincil ekonomik kaynakları içerir.

Bir kez toplanan,FL:0)data standartlaşma[[Dönetici: 1) Farklı birimlerde ölçülmelidir (köpeklerin sayısı vs. sayıdaki) genellikle z-kesinme normalleşme (standartlaşmanın anlamı ve bölünmesi) ile sayısal olarak aşırı derecede fazladan (bir yüzdesi olarak ifade edilir).

[FONT:0)Missing data[[Dönetici] kalıcı bir meydan okuma oluşturuyor. Tarihçiler genellikle boşluklarla yüz yüze – bir bölge güvenilir ticaret verilerine sahip olabilir, ancak hiçbir endüstriyel istihdam rakamlarına sahip değildir. Ortak ilaçlar, eksik girişlerle ilgili bölgelerin toplanması anlamına gelir (parlama yöntemleriyle birlikte doldurma).

Tarihsel Ekonomik Cluster Analizi için Adım-Adım Yöntemioloji

Güçlü bir küme analizi yapmak, birkaç iyi tanımlanmış aşama içerir. Bu adımların ardından sonuçlar, sonuçların yorumlayıcı gücünü sağlar ve güçlendirir.

1. Araştırma Soru ve Kapsam Tanımlayın

Napolyon'un zaman ve uzaysal sınırlarını belirtmek için başlayın. 15. yüzyılda İtalyan şehir devletlerini mi okuyorsunuz? Örneğin, erken modern Alman topraklarının incelenmesi 50-100 anasını hedef alabilir; daha geniş bir Avrupa çalışması 200-300 ilin içersinde hangi göstergelerin değerlendirilmesi gerektiğini belirler: Odanın ticari bağlantıya devam etmesi ve dağıtımını engelleyen bir alan, öncelikli olarak, 50-100 temeline dayanan bir çalışmadır.

2.Toprak ve Quantitative Göstergeleri Hazırlayın

Tarihi analiz için ekonomik boyutları yakalayan değişkenler seçin: Tarihi analiz için ortak seçimler şunlardır:

  • Tarımsal verimlilik: hectare başına verim, hayvan yoğunluğu, arazi kiralama değerleri
  • Üretim çıktı: demirin tonajı, dizin sayısı, patent sayıları
  • Ticaret bağlantı: liman tonaj, gümrük gelirleri, yol ağ yoğunluğu
  • Demografikler: kentselleşme oranı (bir eşiğin üstünde şehirlere karşı) nüfus yoğunluğu
  • Kurumsal göstergeler: charter bankaların varlığı, birçok guilds, vergi toplama verimliliği

Bir kez toplanan, tüm sayısal değişkenleri standartlaştırın. Ayrıca, son derece skewed değişkenlere bir günlük dönüşümü (örneğin, patent sayıları) aşırı değerlerin etkisini azaltmak için. Data Temizleme - transkript hatalarını kontrol etmek - tek bir yanlış kodlanmış değer küme atamalarını değiştirebilir.

3. Kombinasyon Algoritma ve Parametreleri seçin

Algoritma seçimi beklenen küme yapısı ve veri kümesi boyutuna bağlıdır. Küçük veri setleri (200'den fazla bölgeye cevap verir), hiyerarşik kümeleme genellikle yorumlanabilir dezengragramlar üretir, çünkü daha büyük bir veri setlerine zorlamak yerine, K-means daha hızlı ve daha pragmatiktir.

Uzaktan ölçüm seçimi de önemlidir. Euclidean mesafe standarttır, ancak yüksek boyutlu veriler için “ boyutsallık oranı” düz mesafelere sahip olabilir; kosine benzerliği veya Manhattan mesafe gibi alternatif ölçümler daha iyi çalışabilir. Araştırmacılar, birçok algoritma- mesafe kombinasyonlarını çalıştırmalıdır ve sonuç kümelerinin stabilitesini karşılaştırmalıdır.

4. Kombinasyonların En İyi Sayılarını Belirleyin

K-means ve hiyerarşik kümeleme gibi yöntemler için, karar verin:0)K) Bu kritik bir seçimdir. Amaç kriteri, hakemliği atlamak için yardımcı olur:

  • [FONT:0]Elbow yöntemi[[Dönetici: 1]: Perde in-cluster sum of kares against dkt:2)K[DDDÜDÜDÜDÜDÜDÜye Olmayanlar İçin Bir “knee” bakın ve yavaşların oranı keskin bir şekilde azalır.
  • [FONT:0]Silhouette puanı[[[Dönemli: 1)[[0]: Bir bölgenin komşu kümelere karşı kendi kümelerine nasıl benzer olduğunu ölçüler. Puanlar 1. sıraya kadar; 0,5'den fazla değer iyi ayarlanmış kümeler.
  • [FONT=0)Gap istatistik[[Dönetici: · 1 ): Bir null referans dağıtımı altında beklenen dağılımı gözlemler.En iyi ).K) boşlukları en üst düzeye çıkarır.
  • [FONT:0]Stratetive validasyon[[Dönetici: 1) Bilinen tarihsel gruplamalarla sayısal çözüm uyumlu mu? Örneğin, Hanseatic League'in temel şehirleriyle bir küme mi eşleşmektedir? Tamamlanan yazışmalar gerekli değildir, ancak ayrımcılığa açıklanmalıdır.

Tarihsel çalışmalarda, en uygun sayı genellikle üç ve altı arasındadır - çok küçük, önemsiz gruplar yaratmadan anlamlı bir varyasyon yakalamak için.

5. Sonuçlara Geçerlilik ve Yorum Yapın

Cluster analizi, her grubu ekonomik olarak karakterize etmek için kümeslenmiş bir grup atamasına olanak sağlar, ancak yorum tarihsel anlayış ortaya çıkar.Bir küme düşük ticaretle yüksek tarımsal çıktıyı birleştirebilir - başka bir deyişle yüksek kentselleşme ve patent önemlidir - ticari-endüstriyel çekirdek.

QGIS veya R'surFLT:3 gibi bir tarihsel haritada kümeler çizilir.S.S.S.D., Alp papazlık ekonomisi, bu siyasi tarih genellikle nehirleri, kıyı şeridileri veya siyasi sınırları takip eder mi? - Bavyera'dan Avusturya'ya yayılan bir küme -yani, bir ekonomik bölge ortaya çıkar (örneğin, Alp papaz ekonomisi)

Hassasiyet analizi: Farklı değişken setlerle kümelemeyi yeniden çalıştırın (örneğin, ticaret verilerini düşürmek, iklim değişkenlerini eklemek) ve grubun devam edip devam etmesi gerektiğini görmek. Güçlü bir tarihsel küme, diğer araştırmacıların çalışmayı yeniden üretmesine izin vermek için tüm kararlar almalı.

Vaka Çalışması: Endüstri Devrimi sırasında Avrupa Bölgelerini Sınıflandırmak

Uygulamadaki yöntemi göstermek için, 1850 civarındaki Avrupa bölgelerinin varsayımsal bir çalışma göz önüne alındığında, hızlı endüstriyel dönüşüm süresi.TRPR Historical Data portal) ve sayısallaştırılmış ulusal istatistikler, araştırmacılar aşağıdaki göstergeleri 150 il için derler:

  • Konita başına (tonlar)
  • Steam at gücü 10.000'e kadar kurulmuş
  • Demiryolu yoğunluğu (1000 km2)
  • Şehirleşme oranı ( 10.000'den fazla kasabada ağırlığa)
  • Üretim kuvvetinin üretimde payı
  • capita başına ticari banka şubeleri

Standartlaştırmadan sonra, silhouette analizi, K[Dönetici ile K-means aşağıdaki kümeler oluşturur:

  • [FONT:0]Cluster A – Industrial Heartland[DÜT:1]: Kuzey İngiltere, Belçika, Ruhr, kuzey Fransa. Yüksek kömür üretimi, yoğun demiryolu, yüksek şehirleşme ve büyük bir üretim gücü sürdü.
  • [FONT:0)Cluster B – Ticari-Agrarian Interface[[Döntilmiş: Güney İngiltere, Hollanda, Katalonya Moderate endüstriyel göstergeler ama limanlar, ticari tarım (da, şarap) ve çok sayıda banka.
  • [FONT:0]Cluster C – Geleneksel Agrarian Periphery[[Dönetici: Polonya, Macaristan, Mezzogiorno, İspanya'nın çoğu. Low endüstriyel istihdam, sparse demiryolu, düşük kentselleşme.
  • [FONT:0)Cluster D – Kaynak-Extraktif Bölgeler[[DÜT:1]: İsveç, Norveç, Urals bölgesi. Yüksek timber ve mineral çıktı, ancak düşük üretim ve dağınık nüfus.Bu bölgeler, kuzeye ham malzemeler sağladı.

Bu tipoloji, klasik tarihi bölünmeleri doğrulamaktadır - 1850'de küme üyeliğinin uzun vadeli gelir farkını tahmin edebilir veya Cluster B'deki bölgelerin endüstrileşmeye geçişini engelleyen farklı bir ticari-agrarian ekonomilerini de işaret eder.

Yöntemlerin Faydaları ve Sınırları

Faydaları Faydaları Faydaları

  • [FONT=0]Data-güdümlü tipolojiler[[Döncükler: Cluster analizi, kişisel önyargıyı çoğaltmak, sayısal kriterlerle öznel bölgesel sınıflandırmayı değiştirir.
  • [FONT:0]Discovery gizli desenler[[Dönler: Clusterlar Baltık ticaret ağı veya Tuna koridoru gibi siyasi veya dilsel sınırları aşabilecek ekonomik bölgeleri ortaya çıkarabilirler.
  • [FONT=0]Hypothesis nesli): Bölge tarihçileri farklı kümelerde benzer bir şekilde sona erdiğinde, yeni sorular farklı yol ayrımı hakkında ortaya çıkmaktadır.
  • [FONT:0]Visual etkisi[[[Dönemli haritalar ve degölgeler hem akademik izleyicilere hem de halka açık karmaşık desenler yapar.

Sınırlamalar

  • [FONT:0]Data Quality kalitesi: Tarihsel kayıtlar eksik; ölçüm hataları kümeslenebilir. Küçük örnek boyutları dengesiz gruplamalar üretir. Hassasiyet analizi önemlidir.
  • [FONT=0]Temporal statik anlık [Dönder: Cluster analizi tek bir zaman dilime hizmet eder. Ekonomik bölgeler evrimleşir; bir bölge on yıllar boyunca küme üyeliği değiştirebilir veya tekrarlanan kesitsel analiz bunu ele alabilir.
  • [FONT:0]Arbitrariness in seçimler[Döneticiler: kümelerin sayısı, mesafe ölçüm, algoritma ve değişken seçim tüm araştırmacı yargıları içerir. Transparency and solidness checks zorunludur.
  • [FONT:0)Kurallık ⁇ kalibrasyonu[DÜDÜT:1): Kombinasyon analizi, bunların arkasındaki nedenleri tanımlar. Düşük ürün bölgelerin bir kümesi serfdom, fakir topraklar veya uzaktanlık paylaşabilir - yöntem bu nedenleri ek model olmadan ayırt edemez.

Bu kısıtlamalar küme analizini geçersiz kılmaz, ancak kalital tarihsel bilgi ile dikkatli metodoloji ve entegrasyon ihtiyacını işaret ederler.

Gelişmiş Teknikler ve Future Yollar

Alan hızla gelişmektedir. Tarihçiler temel kümeleme sınırlamalarının üstesinden gelmek için daha fazla çıplak yaklaşım benimsemektedir:

  • [FONT:0)Fuzzy kümeleme (C-means))[değiştir | kaynağı değiştir] Bölgelerin birden çok kümeye ait olmasına izin verin, ekonomilerin özellikleri (örneğin, tarım ve ticari) karıştıran tarihsel gerçekliği yansıtın.
  • [FONT:0]Time-eee kümeleme[[Dönem: Grup bölgeleri dinamik zaman savaşını veya şekli tabanlı mesafeleri kullanarak on yıllar boyunca trajektörlere dayanan bölgeler. Bu, yakınlık veya farklılaşma gibi süreçleri ele alır, sadece statik anlık görüntüler değil.
  • [FONT:0]Spatial kümeleme[Dönetici: Instris coğrafi yakınlık doğrudan grafik tabanlı yöntemler (örneğin, hoşgörülü kısıtlamalar) ile benzer bir ölçüye sahiptir.Bu onur Tobler'in İlk Geography Yasası - daha coğrafi olarak tutarlı bölgeler üretebilir.
  • [FONT:0)Ensemble kümeleme[DÜDÜT:1): Bir konsensiyon grubu oluşturmak için birden çok algoritmadan sonuçları birleştirir, algoritma önyargılara karşı sağlamlığı arttırır.
  • [FONT:0] Dış sonuçlarla ilgili olarak yapılan araştırmalar[Dönetici: Araştırmacılar kümelerin daha sonraki gelir seviyeleri, sivil çatışma veya siyasi kurumlar gibi bağımsız olarak ölçülebilecek değişkenlerle ilişkili olup olmadığını test edebilir.

Tarihi arşivlerin sürekli dijitalleştirilmesi - bu yöntemleri erişilebilir hale getirmek için: R kullanıcıları, kümeslenme için paketler (Dönetici) tarafından sağlanan ve daha derin bir yöntemsel temel için mikrodata ve port kayıtlarını (örneğin, Open-source araçları bu yöntemleri erişilebilir hale getirmek için kullanılabilir: R kullanıcıları, görselleştirme için paketler ve uygulama örnekleri için paketler kiralayabilirler.[16]TFLT: 15.

Sonuç: Geçmişe Bir Sayısal Köprü

Cluster analizi tarihçiler ve ekonomik coğrafyacılar tarihsel ekonomik bölgeleri sınıflandırmak için sistematik, veri odaklı bir yöntem sunar. Parçalı kayıtları tutarlı kalıpları dönüştürmekle, uzay ve zaman arasındaki katı karşılaştırmayı sağlar. Yaklaşım sadece ekonomik yöntemleri değil, anlatı tarihi ve sayısal analizler arasındaki köprüyü daha erişilebilir hale getirir.