این مقاله برای جایزه دیتاژورنالیسم دقیقه ۱۴۰۲ ارسال شده و بدون کم و کاست در اینجا منتشر میگردد.
چکیده
این مقاله با استفاده از نقشههای خودسازمان دهنده، که یک روش یادگیری خودسازمانده میباشد اقدام به برآورد کیفیت زندگی در استانهای مختلف ایران میکند. در این مقاله با استفاده از ۳۴ شاخص مختلف سعی در تهیه نقشهی کیفیت زندگی در ایران شده است و استانها براساس میزان تشابه به یکدیگر در این شاخصها کنار یکدیگر قرار گرفتهاند. نتایج بدست آمده در این مقاله نشان میدهد که استان سیستان و بلوچستان به طور چشمگیری دارای کمترین کیفیت زندگی بوده و در مقابل دو استان تهران و البرز بیشترین کیفیت زندگی را دارا میباشند. همینطور با بررسی میزان همبستگی و اهمیت شاخص تولید داخلی هر استان نسبت به شاخصهای مطالعه شده، به این پرسش که آیا کیفیت زندگی در استانهای مختلف به درآمد هر استان بستگی دارد پاسخ منفی داده میشود و مشاهده میشود که کیفیت پایین و بالای زندگی در استانهای مختلف امری قابل توضیح با سهم درآمدی هر استان در تولید ناخالص داخلی کل کشور نیست.
کلمات کلیدی: شاخص کیفیت زندگی، نقشههای خودسازماندهنده، یادگیری خودسازمانده، کیفیت زندگی، فقر، یادگیری ماشین، یادگیری عمیق
مقدمه
یکی از مهمترین وظایف هر دولتی در قبال مردم خود، تلاش در راستای بهبود کیفیت زندگی شهروندان است. کیفیت زندگی از منظر سازمان بهداشت جهانی «ادراکات فرد از موقعیت خود در زندگی در چهارچوب فرهنگی و نظام ارزشی که در آن زندگی میکند و ارتباط هدفها، انتظارات، استانداردها و نگرانیهای فرد [ با این ادراکات][۱]» است. از آن جایی که در نظریات اولیه مرتبط با کیفیت زندگی این کیفیت بیشتر بر مبانی فردی تکیه داشتند[۲] لذا برای سنجش کیفیت زندگی، پژوهشگر میتوانست به تنهایی از دادههایی چون درآمد سرانه استفاده کند. اما با گسترده شدن تعریف کیفیت زندگی، فقر و کیفیت زندگی تبدیل به مشکلی پیچیده گشته و دیگر نمیتوان کیفیت زندگی افراد یک منطقه را تنها با چنین شاخصهایی مفصلبندی نمود. امروزه میتوان کیفیت زندگی را به صورت ارتباط متقابل «چهار مشخصه اساسی فعالیتهای انسان» تعریف کرد؛ کیفیت جمعیت، رفاه مادی، کیفیت نظام اجتماعی و کیفیت اکوسیستم و محیط زیست.[۳] لازم به ذکر است که لیتمان [۴] برای کیفیت زندگی در شهرهای واقع شده در کشورهای در حال توسعه شاخصهای اضافی مانند، سکونت پذیری، رقابت پذیری، حکمرانی خوب و ورشکستیها را نیز بیان میکند. تمام این شاخصها نشان از یک سخن دارند؛ اینکه در جهان امروز، سنجش کیفیت زندگی به یک امر چند بعدی تبدیل شده که بررسی تمام این ابعاد در کنار یکدیگر و یا وزندهی مناسب به شاخصهای مختلف را تبدیل به امری دشوار کردهاست.
برای تلاش در جهت افزایش کیفیت زندگی، لزوم یک نقشه که توانایی به تصویر کشیدن کیفیت زندگی در استانهای مختلف را داشته باشد امری حیاتی محسوب میشود؛ چرا که چنین نقشهای میتواند به عنوان یک ابزار سیاستگذاری در دست سیاستگذاران، به آنها در راستای اجرای اقدامات مورد نظر برای توسعه کیفیت زندگی و تنظیم طرح توسعه متقارن در سراسر کشور یاری نماید.
واحد اطلاعات اکونومیست (EIU) در سال ۲۰۰۵[۵] برای محاسبه شاخص کیفیت زندگی در کشورهای مختلف مطالعهای انجام داده که میتوان این اجزای این شاخص را به صورت زیر بیان نمود:
- شاخصهای مربوط به رفاه مادی
- شاخصهای مربوط به بهداشت
- شاخصهای مربوط به امنیت
- شاخصهای مربوط به زندگی خانوادگی و دوام آن
- شاخصهای مربوط به زندگی اجتماعی افراد و میزان مشارکت افراد در امور اجتماعی
- شاخصهای مربوط به آب و هوا و جغرافیا
- شاخصهای مربوط به امنیت شغلی
- شاخصهای مربوط به آزادی سیاسی
- شاخصهای مربوط به برابریهای جنسیتی
یکی از روشهای بررسی و خوشهبندی در مطالعاتی با شاخصهای فراوان، روش تاکسونومی عددی[۶] است، اما از محدویتهای این روش میتوان به وزن دهی یکسان به تمامی شاخصها و همچنین هم جهت بودن شاخصها در خوشهبندی اشاره نمود.[۷]
با ظهور روشهای نوین خوشهبندی به کمک ابزارهای یادگیری ماشین و یادگیری عمق میتوان از روشهای نوینی استفاده نمود که دارای قدرت محاسباتی بیشتری بوده و ایرادات کمتری نسبت به روشهای پیشین داشته باشند. یکی از این روشها را میتوان نقشههای خود سازمان دهنده دانست.
ادبیات موضوع
در راستای سنجش کیفیت زندگی در ایران مطالعههای گوناگونی انجام گرفته است که اکثریت آنها در پی سنجش کیفیت زندگی تنها در یک مکان و یا در یک گروه اجتماعی خاص بوده و فاقد نگاه کلان و کشوری به موضوع بودهاند. پژوهش باسخا و همکاران (۱۳۸۹) اما در پی بررسی کیفیت زندگی در استانهای مختلف با استفاده از شاخصبندی اکونومیست است. آنها با جمعآوری این شاخصها در سطح استانی اقدام به رتبهبندی شاخص کیفیت زندگی در استانهای مختلف کرده و در این رتبهبندی از روش تاکسونومی عددی استفاده کردهاند. آنها در پژوهش خود پس از بدست آوردن امتیاز میانگین کشوری، استانها را به دو دسته کلی بالاتر از میانگین و پایینتر از میانگین تقسیم نمودهاند.
صادقی و همکاران( ۱۳۹۳) در تلاش برای برآورد کیفیت زندگی استانهای کشور با استفاده از مدل تحلیل کلی فازی هستند. آنها با استفاده تحلیل کلی فازی سه استان با بالاترین شاخص کیفیت زندگی را یزد، مازندران و چهارمحال بختیاری و سه استان با کمترین شاخص را آذربایجان غربی، کردستان و سیستان و بلوچستان برآورد میکنند. آنها همچنین با سنجش همبستگی این شاخصها با درآمد سرانه در هر استان بیان میکنند که ارتباط معنیداری میان درآمد سرانه هر استان با شاخص کیفیت زندگی آن وجود ندارد.
یکی از اولین پژوهشهایی که در تلاش برای کشف ساختار رفاه و فقر در کشورهای مختلف با استفاده از نقشههای خودسازمان دهنده برآمده است. مطالعه کاسکی(Kaski:1996) است. کاسکی در پژوهش خود با استفاده از ۳۹ شاخص مربوط به گزارش توسعه جهانی[۸] در سال ۱۹۹۲ سعی در توضیح توزیع عواملی مانند بهداشت، آموزش، سطح مصرف و خدمات اجتماعی، در میان کشورهای جهان نموده است. لازم به ذکر است که کاسکی در مطالعه خود از استاندارسازی معمول (توزیع z) استفاده نموده به طوری که وارایانس تمام دادههای استفاده شده یک باشد. که این امر باعث شده که تمام ۳۹ شاخص مربوط در مطالعه وی، به یک اندازه دارای اهمیت در تهیه نقشه مورد نظر باشند. کاسکی در مطالعه خود با حذف شاخص تولید ملی سرانه (GNP per capita) سعی دارد از غلبه اثر این شاخص در مدل خود جلوگیری کند. اما در انتهای پژوهش خود با مقایسه نقشه بدست آمده توسط SOM با نقشه درآمد ملی نتیجه میگیرد که میان رفاه کلی سنجیده شده توسط شاخصهای کیفی مورد مطالعه با درآمد ملی همبستگی دارد.
رامون و همکاران (ramon et al 2003) در مطالعه خود سعی در به نمایش درآوردن ساختار فقر استانی در کشور فیلیپین با استفاده از SOM دارند. آنها در مطالعه خود کشف میکنند که ساختار فقر در فیلیپین به صورت دو خوشه فقیر مجزا از هم در استانهای مختلف بوده اما با گذر زمان این خوشهها کوچکتر شدهاند که نشان از کمرنگ شدن فقر در سطح کشور و استانهای مختلف و تاثیر برنامههای فقر زدایی این کشور دارد.
اسلامی و همکاران (Islamy et all .2021) در پژوهش خود در پی کاربرد روش خودهمبستگی فضایی (SAR) در تحلیل فقر در اندونزی و کاربرد نقشه خودسازمان دهنده در دسته بندی استانهای این کشور بر اساس عوامل موثر بر فقر هستند. آنها در پژوهش خود پس از تشکیل دادن SOM از روش سیلوئت[۹] برای خوشه بندی استانهای کشور استفاده میکنند.
کاراتلی و همکاران (Karaatli et all:2020) در پژوهش خود با استفاده از دادههای شاخص زندگی بهتر که توسطOECD منتشر میشود؛ سعی در تهیه SOM و خوشه بندی برای ۳۸ کشور مختلف بر اساس ۲۲ متغیر مختلف دارند. آنها برای خوشه بندی از شاخص DUNN استفاده میکنند و به تعداد ۵ خوشه برای کشورهای مورد مطالعه میرسند.
هگفورز و کاجانوجا (Hagfors, Kajanoja 2010) در پژوهش خود سعی در استفاده از SOM برای سنجش و مقایسه رفاه میان کشورهای عضو سازمان توسعه و همکاری اقتصادی دارند. آنها برای ساخت SOM از ۱۸ متغیر در چهار دستهبندی اصلی رفاه، نابرابری، سرمایه اجتماعی و تندرسی استفاده میکنند. آنها پس از ساخت نقشه مورد نظر با استفاده از روشSOM-Ward اقدام به خوشه بندی کشورهای مورد مطالعه میکنند. و کشورها را به سه خوشه تقسیم میکنند.
مبانی نظری
نقشههای خودسازمان دهنده[۱۰] یکی از روشهای یادگیری خودسازمانده میباشند[۱۱]که برای خوشهبندی در تحلیل دادهها به کار میروند.[۱۲] در این روش گرههای[۱۳] لایه ورودی الگوریتم، متغیرها را مشخص کرده و گرههای لایه خروجی، خوشهها را میسازند.[۱۴] در این الگوریتم فاصله هر ورودی با هر مجموعه محاسبه میشود. خروجی نقشه خودسازماندهنده یک تصویر، عموما دو بعدی، خواهد بود که در آن فاصله مشاهدات نسبت به یکدیگر نمایانگر میزان شباهت آنها خواهد بود، مشاهدات شبیهتر به یکدیگر نزدیکتر و مشاهدات متفاوتتر دورتر از یکدیگر خواهند بود. فاصله هر ورودی با آنچه بردار وزن نامیده میشود به مانند زیر محاسبه میشود.
مراحل خوشه بندی بر پایه SOM به صورت زیر خواهد بود:[۱۵]
۱- مقدار تصادفی بین صفر تا یک به متغیر وزن داده میشود.
۲- مطابق معادله بالا فاصله میان هر ورودی و متغیر وزن محاسبه میشود.
۳- ورودی که کمترین فاصله را بدست آورد به عنوان ورودی برنده شناخته شده.
۴- با توجه به ورودی برنده و نرخ یادگیری مورد نظر وزنها با میانگین معادله زیر به روز خواهند شد. فرض میشود که مقداری میان صفر و یک و عموما نزدیک به صفر دارد.
۵- تا وقتی که شرط نهایی بدست آید مراحل ۳ و ۴ تکرار میشوند.
مهمترین ویژگی SOM را میتوان در کاهش ابعاد دادههای با ابعاد فراون به تنها دو بعد دانست. از نقشههای خود سازمان دهنده در ابتدا در تشخیص گفتار[۱۶] استفاده میشد اما به مرور زمان کارکرد آنها در به تصویر کشیدن مجموعه دادههای پیچیده در تمامی رشتهها گسترش یافت. در این پژوهش نیز تلاش خواهد شد تا از این روش برای به تصویر کشیدن نقشه کیفیت زندگی در استانهای ایران استفاده نماییم.
روش مطالعه
در این مطالعه بر این تلاش شده تا ابتدا برای هر کدام از نه بخشی که در مطالعه اکونومیست آمده شاخصهای مربوط به هر استان یافت شود، علاوه بر شاخصهای مربوط به مطالعه اکونومیست، شاخصهای مربوط به آموزش و فرهنگ نیز به مدل افزوده شده. ماتریس ورودی نقشه خود سازماندهنده را میتوان به صورت زیر نمایش داد. لازم به ذکر است که در این ماتریس، از آنجایی که در سطح استانی سنجش آزادیهای سیاسی و حزبی چندان متفاوت و قابل مقایسه نیستند و شاخصهای مربوط به آزادیهای سیاسی، بیشتر شاخصی برای سنجش این آزادیها در کشورهای مختلف با سیستمهای حکمرانی مختلف است؛ شاخصهای مربوط به آزادیهای سیاسی از مدل حذف گردیده. آمارها نیز از مرکز آمار، وزارت آموزش و پرورش و وزارت علوم بدست آمده است.
دستهبندی | شاخصها | ||||
رفاه مادی | ضریب جینی روستایی و شهری | -درصد خانوارهای برخوردار از امکانات رفاهی( آب، برق ، گاز) | نسبت هزینه مسکن به کل هزینههای غیرخوراکی شهری و روستایی | تورم شهری و روستایی | متوسط درآمد خالص شهر و روستایی |
فرهنگی | نسبت صندلی سینما به جمعیت | نسبت کتابخانه به جمعیت | |||
آموزشی | درصد قبولی دانشآموزان در کلاس اول ابتدایی | نسبت کودکان از تحصیل بازمانده به دانشآموزان مقطع ابتدایی | |||
بهداشت | امید به زندگی در بدو تولد | درصد خانوارهای برخوردار از سرویس بهداشتی و آشپزخانه | نسبت تختهای فعال بیمارستانی به جمعیت | نسبت مراکز درمانی روستایی به جمعیت | |
نا امنی | نسبت تعداد دستگیرشدگان جرایم واقع شده درحوزه استحفاظی نیروی انتظامی جمهوری اسلامی ایران به جمعیت | نسبت تعداد دستگیرشدگان انواع سرقت های عادی به کل جمعیت | – نسبت تعداد تصادفات درون شهری وسایل نقلیه به جمعیت | نسبت تعداد دستگیر شدگان مواد مخدر به کل جمعیت | نسبت تعداد فوت شدگان تصادفات به کل جمعیت |
زندگی خانوادگی | نسبت طلاق به جمعیت | ||||
زندگی اجتماعی | درصد شرکت کنندگان در انتخابات ۱۴۰۰ | ||||
آب و هوا و جغرافیا | میزان اختلاف در متوسط بارندگی در هر مرکز استان | ||||
امنیت شغلی | نرخ بیکاری | ||||
برابری های جنسیتی | اختلاف مطلق نسبت دانشجویان دختر به پسر |
در مجموع با توجه به جدول بالا به ۳۴ شاخص برای هر استان میرسیم و ماتریس ورودی شامل ۳۱ سطر و ۳۴ ستون خواهد بود. لازم به ذکر است که در این مطالعه، شاخص تولید ناخالص هر استان به صورت سرانه را وارد نقشه نمیکنیم، مانند مطالعه کاسکی ما نیز در پی این هستیم تا شاخص رفاه را بدون استفاده از این شاخص تخمین بزنیم. علاوه بر این در این مطالعه برخلاف سایر مطالعات از روش مقیاس بندی استاندار استفاده نمیکنیم بلکه از روش مقیاسبندی حداقل حداکثر[۱۷] استفاده میکنیم تا اثر همه عوامل به طور یکسان در هر استان اعمال نشود و مدل توانایی تشخیص دادههای پرت و حفظ اثر آنها را داشته باشد. استفاده از این استاندارد، نه تنها باعث حفظ دادههای پرت[۱۸] میشود بلکه شکل توزیع اصلی را نیز حفظ میکند؛ که این امر برای مطالعه ما دارای اهمیت است چرا که وارد نمودن و وزن دهی به دادههای پرت در رابطه با رفاه استانی امری مهم خواهد بود. به طور مثال با استاندارسازی معمولی اهمیت داده بسیار متفاوت بازماندگان از تحصیل در استان سیستان و بلوچستان اهمیت و شکل خود را از دست میدهد.
یافتهها
قبل از نمایش SOM برای درک بهتر دستهبندی استانها و مقایسه روش SOM با سایر روشهای خوشهبندی یادگیری ماشین. آنها را با استفاده از روش خوشهبندی سلسله مراتبی[۱۹] و استفاده از دندروگرم به سه شاخه مختلف تقسیم میکنیم. و به هر شاخه یک رنگ تخصیص میدهیم سپس با افزودن رنگ به نام هر استان مربوط به خوشه خود. SOM را رسم میکنیم. با استفاده از کتابخانه minisom نقشهای به ابعاد ۱۰ در ۱۰ ایجاد نموده و دادهها را با ده هزار تکرار آموزش میدهیم. با رسم نقشه تولید شده و مشخص نمودن مکان هر استان در روی نقشه، به نقشه زیر میرسیم.
در ابتدا از نقشه بالا و رنگهای هر استان میتوان مشاهده نمود که تقسیم بندی استانها در سه خوشه به گونهای بسیار نامتوازن صورت گرفته به طوری که سه استان البرز، گیلان و تهران به تنهایی یک خوشه و استان سیستان و بلوچستان نیز به تنهایی یک خوشه را تشکیل میدهند و استانهای باقی مانده تمامی در خوشه میانی جای میگیرند. این امر نشان از توزیع بسیار نامتقارن شاخصها در استانهای مختلف دارد. در نقشه بالا، استانهایی که از نظر شاخصهای بررسی شده به یکدیگر نزدیکتر هستند در کنار هم قرار گرفتند، فاصله زیاد میان دو استان روی نقشه نشان از اختلاف زیاد در شاخصها داشته و همچنین نقاط روشنتر بیانگر درجه بیشتری از خوشهبندی و نقاط تاریکتر بیانگر ضعف در خوشهبندی هستند. به عبارت بهتر دو استان با فاصلهای که توسط خانههای تاریک پر شده دارای فاصلهی بیشتری از دو استانی هستند که توسط خانههای روشن از هم جدا شدهاند. مشاهده میشود که استانهای مرکز نقشه با نقاط تاریک از استانهای اطراف جدا گشتهاند. همچنین استان سیستان و بلوچستان نه تنها در دورترین نقطه نسبت به استان تهران قرار گرفته، بلکه با خانههای سیاه از سایر استانهای مجاور خویش جدا گشته است. به طور خلاصه و واضح میتوان مشاهده نمود که وضعیت شاخصهای رفاهی در استان سیستان و بلوچستان به طور بسیار چشمگیری با سایر استانهای ایران متفاوت است چرا که این استان هم در خوشه بندی سلسله مراتبی به تنهایی در یک خوشه قرار گرفته و هم در نقشه خودسازمان دهنده در گوشه نقشه قرار گرفته. در نقطه مقابل استان سیستان و بلوچستان، میتوان دو استان تهران و البرز را مشاهده نمود. به این معنی که میان این استان با استانهای تهران و البرز بیشترین اختلاف در شاخصهای رفاهی وجود دارد. باقی استانها را نیز میتوان برحسب فاصله آنها از گوشه سمت راست پایین نقشه نسبت به بیشترین شاخصهای توسعه در کشور مقایسه نمود. به طور کلی اگر بخواهیم استانهای با کمترین کیفیت زندگی را نام ببریم میتوانیم از استانهای سیستان و بلوچستان، هرمزگان، کرمان، چهارمحال و بختیاری، خراسان شمالی و خوزستان نام برد و استانهای با بالاترین کیفیت زندگی را نیز استانهای تهران، البرز، خراسان رضوی، مازندران و قم خواهند بود. نکته قابل توجه در این نقشه جایگاه استان گیلان است که این استان در خوشهبندی سلسه مراتبی با استانهای تهران و البرز در یک دسته قرار گرفته که نشان از سطح بالای کیفیت زندگی در این استان است اما در نقشه خودسازمان دهنده با فاصله زیادی نسبت به این استانها قرار گرفته است. برای درک چگونگی این مسئله میتوان از نقشههای حرارتی برای تمام شاخصهای مورد استفاده در این پژوهش استفاده نمود و سعی در کشف عاملی در این استان نمود که باعث شده در الگوریتمSOM وزن زیادی پیدا کرده و این استان را از دو استان دیگر هم خوشهاش دور کند. اگر نقشه حرارتی[۲۰] را برای تمام شاخصهای به کار رفته در این پژوهش برای تمام استانها رسم نماییم. نقشه حاصله به شکل زیر خواهد بود:
در نقشه بالا هرچه رنگ نقاط از آبی به قرمز نزدیکتر شود نمایانگر مقدار بیشتری در آن شاخص خواهد بود. به طور مثال در شاخص دسترسی به سرویس بهداشتی در نقاط شهری و روستایی میتوان مشاهده نمود که در سمتی از نقشه که متناظر با استان سیستان و بلوچستان است کمترین درصد دسترسی به این شاخص را داریم و در شاخص نسبت دانش آموزان بازمانده از تحصیل به کل دانش آموزان در استان سیستان و بلوچستان دارای بیشترین مقدار هستیم. با این نقشه میتوان کشف نمود که چه عاملی باعث شده تا استان گیلان در سطح کیفیت زندگی در SOM در کنار استانهایی که در دستهبندی سلسله مراتبی در یک دسته قرار گرفته بود، قرار نگیرد. مشاهده میکنیم که در استان گیلان سطح دسترسی خانوارهای شهری به آب آشامیدنی سالم از تمام کشور به صورت چشمگیری کمتر بوده. نقشه حرارتی بالا به ما اطلاعات بسیاری در رابطه با توزیع شاخصها در استانهای مختلف میدهد.
حال برای سنجش اینکه چه مقدار از کیفیت زندگی در استانهای مختلف با تولد ناخالص هر استان همبستگی دارد و آیا میتوان ضعف در کیفیت زندگی در این استانها را به سهم اندک آنها از تولید ناخالص داخلی کشور مربوط دانست میتوانیم با کمک رگرسور درخت تصمیمگیری اهمیت تمام شاخصها نسبت به تولید ناخالص داخلی سرانه هر استان را بدست آوریم. با نمایش شش شاخصی که دارای بیشترین امتیاز در اهمیت هستند میتوانیم به شکل زیر برسیم.
مشاهده میشود که بیشترین شاخصی که با تولید ناخالص داخلی سرانه توضیح داده میشود نسبت مخارج مربوط به تامین مسکن به کل مخارج غیر خوراکی در نقاط شهری است و در رتبههای بعدی نیز شاخصهای مربوط به امنیت شامل مجرمان و سارقین دستگیر شده هستند و تولید ناخالص داخلی سرانه هر استان اهمیت به سزایی در سایر شاخصهای مطالعه شده ندارند. از این امر میتوان نتیجه گرفت که کیفیت زندگی در استانهای ایران ناشی از کمبود درآمد استانها نمیباشد. این همان نتیجهای است که در مطالعه صادقی و همکاران نیز بدست آمده.
نتیجهگیری
با توجه به نتایج بدست آمده میتوان به طور کلی یافتههای پژوهش را به این صورت بیان نمود؛ شکل کیفیت زندگی و فقر در استان سیستان و بلوچستان از تمامی کشور متفاوت است، این تفاوت هم در یافتههای خوشهبندی سلسلهمراتبی و هم در نقشه خودسازمان دهنده خود را نشان میدهد. این تفاوت بهبود کیفیت زندگی در این استان را مستلزم اولویت دهی و برنامهریزی ویژهای برای این استان میکند. در وهله دوم میتوان به مستقل بودن کیفیت زندگی از درآمد هر استان اشاره نمود این امر میتواند برای سیاستگذار به این معنی باشد که برای افزایش کیفیت زندگی در استانهای مختلف تنها کمک به افزایش درآمد افراد آن استان راه حل نخواهد بود، بلکه به برنامهای جامعتر برای توسعه و بهبود شاخصها در هر استان نیاز است.
توضیحات:
- کد، دادهها و تصاویر در لینک گیت هاب قابل دسترسی است:
ارجاع و پانویس
[۱]World Health Organization
[۲] Schmitt, 2002: 404
[۳] باسخا و همکاران ۱۳۸۹
[۴] Leitmann,1999
[۵] Economist Intelligence Unit
[۶] Numerical taxonomy
[۷] فرجی و همکاران ۱۳۹۹
[۸]World development report
[۹] silhouette
[۱۰] Self-Organizing Map (SOM)
[۱۱] Unsupervised learning
[۱۲] Jin et al., 2015: 84
[۱۳] node
[۱۴]He et al.
[۱۵] Kohonen 1990
[۱۶] Speech recognition
[۱۷] MinMax Scaler
[۱۸] outlier
[۲۰] Heat map