• Brno University of Technology - Centre of Sports Activities
  • Research centres

  • Pravděpodobně máte vypnutý JavaScript. Některé funkce portálu nebudou funkční.

Research & Development Results

Publication detail

Original Title: Unifed Knowledge Economy Hybrid Forecasting Map
Czech Title: Sjednocená hybridní ekonomická znalostní předovědní mapa
English Title: Unifed Knowledge Economy Hybrid Forecasting Map
Author(s): DOSTÁL, P.; SHAMI, A.; LOTFI, A.; COLEMAN, S.
Type: journal article
Language: en
Original Abstract: Many synthetic composite indicators (SCI) has been developed to measure micro and macro knowledge competitiveness. Nonetheless, benefits to decision makers still limited due to numerous indicators, without any unifed, easy to visualize and evaluate forecasting capabilities. In this article a new framework for forecasting Knowledge Based Economy (KBE) competitiveness is proposed. Existing KBE indicators from internationally recognised organisations are used to forecast and unify the KBE performance indices. Three diferent forecasting methods including Panel Data: time-series cross sectional (TSCS), Linear Multiple Regression (LMREG), and Artifcial Neural Network (ANN) are investigated. The ANN forecasting model outperformed the TSCS and LMREG. The proposed KBE forecasting model utilizes a 2-stage hybrid ANN model which are fed with panel data set structure. The first stage of the model consists of a feed-forward neural network that feeds to a Kohonen's Self-Organizing Map (SOM) in the second stage of the model. Feed-forward neural network is used to learn and predict the scores of nations using past observed data. Then, SOM is used to aggregate the forecasted scores and to place nations in homogeneous clusters. The proposed framework can be applied in the context of forecasting and producing a unifed meaningful map that places any KBE in its homogeneous league considering limited dataset.
Czech abstract: Mnoho syntetických složených ukazatelů (SCI) bylo vyvinuto za účelem měření a získání znalostí o mikro a makro konkurenceschopnosti. Nicméně, výhody pro rozhodovatele jsou omezeny z důvodu množství existujících ukazatelů, bez jakéhokoliv sjednocení, bez snadné k vizualizaci a schopnosti prognóz. V článku je navržena nová metoda pro předpovídání konkurenceschopností na základě znalostní ekonomiky. Existující KBE ukazatelé mezinárodně uznávaných organizací jsou využity pro předpověď a sjednocení indexů výkonnosti KBE. Jsou zkoumány tři různé prognostické metody: Time Series Cross Sectional (TSCS), Linear Multiple Regression (LMREG), a Artificial Neural Network (ANN). Model umělých neuronových sítí dosáhl lepších výsledků než TSCS a LMREG. Navrhovaný KBE prognostický model využívá dvou stupňový hybridní model umělé neuronové sítě, jejímž vstupem je panelová struktura dat. První stupeň modelu se skládá z dopředné neuronové sítě, která navazuje na druhý stupeň Kohonenovy samoorganizační mapy (SOM). Dopředná neuronová síť je použita pro učení a predikci skóre států za použití minulých údajů. Samoorganizační mapa je použita pro agregaci předpovědi stavů a rozmístění států do stejnorodých shluků. Navrhovaná metoda může být aplikovaný v kontextu s prognózou a tvorbou jednotné a smysluplné mapy, která umísťuje každou KBE do stejnorodé třídě v uvažovaném omezujícím souboru dat.
English abstract: Many synthetic composite indicators (SCI) has been developed to measure micro and macro knowledge competitiveness. Nonetheless, benefits to decision makers still limited due to numerous indicators, without any unifed, easy to visualize and evaluate forecasting capabilities. In this article a new framework for forecasting Knowledge Based Economy (KBE) competitiveness is proposed. Existing KBE indicators from internationally recognised organisations are used to forecast and unify the KBE performance indices. Three diferent forecasting methods including Panel Data: time-series cross sectional (TSCS), Linear Multiple Regression (LMREG), and Artifcial Neural Network (ANN) are investigated. The ANN forecasting model outperformed the TSCS and LMREG. The proposed KBE forecasting model utilizes a 2-stage hybrid ANN model which are fed with panel data set structure. The first stage of the model consists of a feed-forward neural network that feeds to a Kohonen's Self-Organizing Map (SOM) in the second stage of the model. Feed-forward neural network is used to learn and predict the scores of nations using past observed data. Then, SOM is used to aggregate the forecasted scores and to place nations in homogeneous clusters. The proposed framework can be applied in the context of forecasting and producing a unifed meaningful map that places any KBE in its homogeneous league considering limited dataset.
Keywords: Artifcial Neural Network; Self-Organizing Map; Panel Data Analysis; Knowledge Economy; Strategic Forecasting; Hybrid Forecasting Map; Principle Component Analysis.
RIV year: 2014
Released: 22.02.2014
Publisher: GJTO
Location: USA
Pages from: 107
Pages to: 123
Pages count: 34
URL: http://www.sciencedirect.com/science/article/pii/S0040162514000481