hierarchical clustering
در نشریات گروه ریاضی-
ظرفیت مالیاتی، قابلیت های اقتصادی، سیاستی، نهادی و فنی برای جمع آوری درآمد مالیاتی -است و تلاش مالیاتی نسبت درآمدهای مالیاتی جمع آوری شده نسبت به ظرفیت موجود مالیاتی می باشد که برای دستیابی به اهداف توسعه پایدار ضروری است. در این مطالعه ظرفیت اقتصادی مالیاتی و تلاش مالیاتی برای 149 کشور محاسبه شده و کشورها بر اساس میزان تلاش مالیاتی رتبه بندی شده اند. در این مطالعه بین تلاش مالیاتی و درآمدهای مالیاتی تمایز قایل شده ایم و نیز با توجه به این موضوع که کشورهای مورد مطالعه شامل کشورهای توسعه یافته و در حال توسعه بوده و بنابراین از نظر اقتصادی و شاخص های مورد استفاده دارای شرایط بسیار متفاوت می باشند، لذا به منظور اینکه مقایسه کشورها در شرایط تقریبا مشابه صورت بگیرد و هر کشور بتواند ازظرفیت مالیاتی و تلاش مالیاتی موفق کشورهای مشابه خود به عنوان الگو بهره ببرد، قبل از تخمین تلاش مالیاتی و رتبه بندی، کشورها با استفاده از روش خوشه بندی سلسله مراتبی به هفت خوشه تقسیم شده اند و تلاش مالیاتی کشورها در خوشه هایی که به آن تعلق دارند محاسبه شده است و از نتایج حاصل این است که برخی از کشورها علیرغم سطح توسعه یافتگی پایین و ظرفیت اقتصادی پایین دارای تلاش مالیاتی مناسبی بوده اند. بدین منظور روند مورد استفاده در این مطالعه به چهار گام تقسیم شده است: در گام اول نوع مطلوب یا نامطلوب بودن شاخص ها مشخص شده، در گام دوم شاخص های نامطلوب تبدیل به شاخص های مطلوب شده، در گام سوم تلاش مالیاتی کشورها محاسبه شده و در گام چهارم کشورها بر مبنای تلاش مالیاتی رتبه بندی می شوند.
کلید واژگان: ظرفیت اقتصادی مالیاتی، تلاش مالیاتی، تحلیل پوششی داده ها، خوشه بندی سلسله مراتبی، ورودی های نامطلوبThise study examines the tax capacity and tax effort of 149 countries, utilizing data envelopment analysis (DEA) combined with hierarchical clustering for differentiation.Tax capacity refers to the maximum potential tax revenue a country can achieve. While tax effort indicates the actual tax revenue collected relative to this potential. By categorizing countries into clusters, we uncover diverse levels of development and highlight strategies for improvement. Our methodology follows a four-step process involving correlation analysis, transformation of undesirable indicators, efficiency calculation, and rankings through the Anderson-Petersen method. Results reveal that economic indicators like GDP per capita influence tax capacities differently across nations. Some countries like Nepal and Mozambique outperform expectations in tax effort despite lower economic indicators, while others need significant policy reforms to optimize tax collection.
Keywords: Tax Economic Capacity, Tax Effort, Data Envelopment Analysis, Hierarchical Clustering, Undesirable Inputs -
Graphs have so many applications in real world problems. When we deal with huge volume of data, analyzing data is difficult or sometimes impossible. In big data problems, clustering data is a useful tool for data analysis. Singular value decomposition(SVD) is one of the best algorithms for clustering graph but we do not have any choice to select the number of clusters and the number of members in each cluster. In this paper, we use hierarchical SVD to cluster graphs with itchr('39')s adjacency matrix. In this algorithm, users can select a range for the number of members in each cluster. The results show in hierarchical SVD algorithm, clustering measurement parameters are more desirable and clusters are as dense as possible. The complexity of this algorithm is less than the complexity of SVD clustering method.
Keywords: Graph Clustering, Singular Value Decomposition, Hierarchical Clustering, Selectable Clusters Number -
The important approaches to statistical and fuzzy clustering are reviewed and compared, and their applications to an agricultural problem based on a real-world data are investigated. The methods employed in this study includes some hierarchical clustering and non-hierarchical clustering methods and Fuzzy C-Means method. As a case study, these methods are then applied to cluster 15 provinces of Iraq based on some agricultural crops. Finally, a comparative and evaluation study of different statistical and fuzzy clustering methods is performed. The obtained results showed that, based on the Silhouette criterion and Xie-Beni index, fuzzy c-means method is the best one among all reviewed methodsKeywords: Hierarchical Clustering, Non-Hierarchical Clustering, Fuzzy C-Means Clustering
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.