На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


курсовая работа Дифференциация стран мира по экономическим показателям, оказывающим влияние на демографическую ситуацию

Информация:

Тип работы: курсовая работа. Добавлен: 04.09.2012. Сдан: 2012. Страниц: 7. Уникальность по antiplagiat.ru: < 30%

Описание (план):


  Содержание 

Введение………………………………………………………………2
1 ВВП и его компоненты………………………….………………….4
2 Классификация с помощью кластерного анализа……………….8
 3 Классификация с помощью карт Кохонена………………....……9
4 Сопоставление  классификаций……………………….…................21
Заключение………………………………………………….………..22
Список  использованных источников……………………….………23
Приложение А………………………………………………………..24
Приложение Б………………………………………………………..25
 

  
  Введение
  За  последние несколько десятилетий  во всем мире резко интерес к международным  сопоставлениям наиболее важных макроэкономических показателей, таких как  ВВП, национальный доход и др. Это связано с  расширением внешнеэкономических  связей, углублением интеграционных процессов, интенсификацией международного экономического сотрудничества. Правительства  всех стран мира хотят знать, какое  место занимает их страна в мировой  и региональной экономике, в каком  соотношении находится экономика  их страны с экономиками других стран, с которыми они сотрудничают или  конкурируют на мировых рынках. В  связи с этим они организуют различные  международные сопоставления макроэкономических показателей или охотно откликаются  на приглашения участвовать в  таких сопоставлениях. Большую активность в этой области развили международные  экономические организации ООН, Евростат, ОЭСР, МВФ, МБРР и другие. Для решения задач, связанных с организацией различных форм международного экономического сотрудничества, им необходимы сравнимые в международном плане данные о наиболее важных макроэкономических показателях. Такие данные они используют не только для анализа тенденций развития мировой и региональной экономики, но и для решения практических задач: оказания помощи странам на цели социально-экономического развития, предоставления кредитов, финансирования совместных проектов, определения доли взносов стран в бюджеты организаций.
  Значительную  помощь в отношении сопоставлений  макроэкономических показателей оказала  ООН,  в рамках которой уже четверть века существует проект по международным  сопоставлениям (ПМС). Его целью является получение сравнимых данных о  ВВП для большого числа стран  различных регионов мира. На первых этапах ПМС расчеты проводились  на мировом, глобальном уровне. Другими  словами, все страны рассматривались  как одна группа независимо от географического  положения, уровня экономического развития. Результаты расчетов в рамках глобальных сопоставлений позволяли прямо ранжировать страны по их месту в мировой экономике, а также по уровню ВВП в расчете на душу населения.
  Обобщая все вышесказанное можно сказать, что вопрос о международных сопоставлениях валового внутреннего продукта достаточно актуален и представляет научный  и практический интерес.
  Целью работы является сравнение ВВП по его компонентам в разрезе стран мира за 2010 год, а так же сопоставление полученной классификации с результатами дискриминантного анализа.
 


    1 ВВП и его компоненты
  ВВП (англ. GDP) — рыночная стоимость всех конечных товаров и услуг (то есть предназначенных для непосредственного употребления), произведённых за год во всех отраслях экономики на территории государства для потребления, экспорта и накопления, вне зависимости от национальной принадлежности использованных факторов производства. Впервые это понятие было предложено в 1934 г. Саймоном, Кузнецом.
В своих  исследованиях я буду использовать метод расчета ВВП по расходам:
    , где


ВВП = Конечное потребление + Валовое накопление капитала + Государственные  расходы + Экспорт — Импорт
  Конечное  потребление включает в себя расходы  на удовлетворение конечных потребностей индивидов или общества, произведенные  следующими институциональными секторами: сектор домашних хозяйств, сектор органов  государственной власти, сектор частных  некоммерческих организаций, обслуживающих  домашние хозяйства. Валовое накопление капитала измеряется общей стоимостью валового накопления основного капитала, изменениями в запасах материальных оборотных средств и чистым приобретением ценностей единицей или сектором.
  В качестве переменных для анализа  были взяты, соответственно:
    Фактическое  конечное потребление домашних хозяйств, млн. долл.;
    Фактическое коллективное потребление государственных учреждений, млн. долл.;
    Валовое накопление основного капитала, млн. долл.;
    Чистый экспорт товаров и услуг, млн. долл.
  Каждая  из компонент несет свой вклад  в общий уровень ВВП. К примеру, у страны может быть высокие показатели по потреблению домашний хозяйств и государственных учреждений, но низкий уровень валового накопления основного капитала, что скажется при отнесении страны к определенному кластеру. Для анализа исследуемых компонент ВВП выполним построение гистограмм (рис. 1-4).

  Рисунок 1 – Фактическое потребление домохозяйств.
  Как видим из рисунка, самый высокий  уровень потребления домохозяйств отмечается в Люксембурге, Великобритании, Норвегии, США и Швейцарии. Среди  стран с низким уровнем потребления  – Латвия, Литва, Польша, Мексика, Турция и Россия.
 

Рисунок 2 – Фактическое коллективное потребление государственных Учреждений
 Самые высокие показатели отмечаются в  Люксембурге, Нидерландах, США, Норвегии и Израиле. Низкие показатели в Литве, Мексике. Турции, России и Румынии.

  Рисунок 3 – Валовое накопление основного капитала
  Самое высокое значение валового основного  капитала отмечается в Люксембурге, за ним следуют Ирландия, Финляндия, Австралия, США и Япония. Минимальное  значение валового основного капитала в Турции, Бразилии, России, Румынии.

  Рисунок 4 – Чистый экспорт товаров и услуг
  Отрицательные значения данного показателя говорят  о преобладании импорта над экспортом, данная ситуация наблюдается в Греции, Португалии, Великобритании, США и  Израиле. Преобладание экспорта над  импортом наблюдается в Ирландии, Люксембурге, Дании, Швеции, Норвегии и  России.
  Итак, проанализировав построенные графики, можем сказать, что явным лидером  является Люксембург, США немного  уступает, так как чистый экспорт  товаров и услуг у этой страны отрицательный.
 


  2 Классификация с использованием кластерного анализа
  Для работы с данными был использован  пакет Statistica (данные представлены в Приложении А)
  Построение  матрицы парных корреляций мультиколлениарности не выявило. Далее проводим иерархическую классификацию, получаем разбиение на три кластера на расстоянии объединения, равном 40000.
  Таким образом, к первому кластеру, с  низкими показателями компонентов  ВВП, были отнесены 11 стран, среди них  такие как: Румыния, Россия, Турция, Эстония, Польша и др. Во второй кластер, со средними показателями, были отнесены так же 11 стран, такие как:  Корея, Чехия, Япония, Финляндия, Португалия и  др. К третьему кластеру с самыми высокими показателями по компонентам  ВВП было отнесено 15 стран. К их числу  относятся такие, как: США, Великобритания, Германия, Канада, Бельгия и т.д.
  Правильность  разбиения на кластеры была проверена  с помощью дискриминантного анализа – все объекты распределены со 100% точностью.
 


  3 Классификация с использованием самоорганизующихся карт Кохонена
  В исследовании в качестве объектов рассматриваются 37 стран мира. Используемые данные взяты с официального сайта Росстата из раздела «Россия и страны мира»[2].
  Из  выше представленного источника были рассмотрены те же показатели, которые использовались в ходе кластерного анализа: фактическое  конечное потребление домашних хозяйств, млн. долл.; фактическое коллективное потребление государственных учреждений, млн. долл.; валовое накопление основного капитала, млн. долл.; чистый экспорт товаров и услуг, млн. долл.
  В настоящее время существуют множество  способов и методов разбиения  объектов на группы (кластеры) по сходным характеристикам. Это и разбиение на кластеры «вручную» с помощью Microsoft Office Excel, с помощью пакета прикладных программ Stat Graphic, Statictica, Deductor и др.
  Классификация проводилась с использованием аналитической платформы Deductor, которая является разработкой отечественных ученых и позволяет проводить комплексную обработку статистических данных. В данной программе возможно проведение разбиения на кластеры с помощью алгоритма кластеризации а так же при построении карт Кохонена.
  Самоорганизующиеся  карты – это одна из разновидностей нейросетевых алгоритмов. Основным отличием данной технологии от рассмотренных нами ранее нейросетей, обучаемых по алгоритму обратного распространения, является то, что при обучении используется метод обучения без учителя, то есть результат обучения зависит только от структуры входных данных. Нейронные сети данного типа часто применяются для решения самых различных задач, от восстановления пропусков в данных до анализа данных и поиска закономерностей, например, в финансовой задаче.
  Алгоритм  функционирования самообучающихся  карт (Self Organizing Maps – SOM) представляет собой один из вариантов кластеризации многомерных векторов. Примером таких алгоритмов может служить алгоритм k-ближайших средних (c-means). Важным отличием алгоритма SOM является то, что в нем все нейроны (узлы, центры классов…) упорядочены в некоторую структуру (обычно двумерную сетку). При этом в ходе обучения модифицируется не только нейрон-победитель, но и его соседи, но в меньшей степени. За счет этого SOM можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью. При использовании этого алгоритма вектора, схожие в исходном пространстве, оказываются рядом и на полученной карте.
  SOM подразумевает использование упорядоченной  структуры нейронов. Обычно используются  одно и двумерные сетки. При  этом каждый нейрон представляет  собой n-мерный вектор-столбец  , где n определяется размерностью исходного пространства (размерностью входных векторов). Применение одно и двумерных сеток связано с тем, что возникают проблемы при отображении пространственных структур большей размерности (при этом опять возникают проблемы с понижением размерности до двумерной, представимой на мониторе).
  Обычно  нейроны располагаются в узлах  двумерной сетки с прямоугольными или шестиугольными ячейками. При  этом, как было сказано выше, нейроны  также взаимодействуют друг с  другом. Величина этого взаимодействия определяется расстоянием между  нейронами на карте. На рисунке 2 дан  пример расстояния для шестиугольной  и четырехугольной сеток.
  

  Рисунок 5 – Пример расстояния для шестиугольной и четырехугольной сеток
   
          Расстояние между нейронами на карте для шестиугольной (а) и четырехугольной (б) сеток. При этом легко заметить, что для шестиугольной сетки расстояние между нейронами больше совпадает с 
евклидовым расстоянием, чем для четырехугольной сетки.
  При этом количество нейронов в сетке  определяет степень детализации  результата работы алгоритма, и в конечном счете от этого зависит точность обобщающей способности карты.
  При реализации алгоритма SOM заранее задается конфигурация сетки (прямоугольная  или шестиугольная), а также количество нейронов в сети. Некоторые источники  рекомендуют использовать максимально  возможное количество нейронов в  карте. При этом начальный радиус обучения (neighborhood в англоязычной литературе) в значительной степени влияет на способность обобщения при помощи полученной карты. В случае, когда количество узлов карты превышает количество примеров в обучающей выборке, то успех использования алгоритма в большой степени зависит от подходящего выбора начального радиуса обучения. Однако, в случае, когда размер карты составляет десятки тысяч нейронов, то время, требуемое на обучение карты обычно бывает слишком велико для решения практических задач, таким образом необходимо достигать допустимого компромисса при выборе количества узлов.
  Перед началом обучения карты необходимо проинициализировать весовые коэффициенты нейронов. Удачно выбранный способ инициализации может существенно  ускорить обучение, и привести к  получению более качественных результатов. Существуют три способа инициирования  начальных весов.
  Инициализация случайными значениями, когда всем весам даются малые случайные  величины.
  Инициализация примерами, когда в качестве начальных  значений задаются значения случайно выбранных примеров из обучающей  выборки
  Линейная  инициализация. В этом случае веса инициируются значениями векторов, линейно упорядоченных  вдоль линейного подпространства, проходящего между двумя главных  собственными векторами исходного  набора данных. Собственные вектора  могут быть найдены например при помощи процедуры Грама-Шмидта.
  Обучение  состоит из последовательности коррекций  векторов, представляющих собой нейроны. На каждом шаге обучения из исходного набора данным случайно выбирается один из векторов, а затем производится поиск наиболее похожего на него вектора коэффициентов нейронов. При этом выбирается нейрон-победитель, который наиболее похож на вектор входов. Под похожестью в данной задаче понимается расстояние между векторами, обычно вычисляемое в евклидовом пространстве. Таким образом, если обозначить нейрон-победитель как c, то получим 
  После того, как найден нейрон-победитель производится корректировка весов  нейросети. При этом вектор, описывающий нейрон-победитель и вектора, описывающие его соседей в сетке перемещаются в направлении входного вектора. Это проиллюстрировано на рисунке 6 для двумерного вектора.
  

  Рисунок 6 – Корректировка весов нейросети
   
          Подстройка  весов нейрона победителя и  его соседей. Координаты входного  вектора отмечены крестом, координаты  узлов карты после модификации  отображены серым цветом. Вид  сетки после модификации отображен  штриховыми линиями.

  При этом для модификации весовых  коэффициентов используется формула:
    ,
  где t обозначает номер эпохи (дискретное время). При этом вектор x(t) выбирается случайно из обучающей выборки на итерации t. Функция h(t) называется функцией соседства нейронов. Эта функция представляет собой невозрастающую функцию от времени и расстояния между нейроном-победителем и соседними нейронами в сетке. Эта функция разбивается на две части: собственно функцию расстояния и функции скорости обучения от времени, где t определяет положение нейрона в сетке.
  Обычно  применяется одни из двух функций  от расстояния: простая константа  , или Гауссова функция  . При этом лучший результат получается при использовании Гауссовой функции расстояния. При этом является убывающей функцией от времени. Часто эту величину называют радиусом обучения, который выбирается достаточно большим на начальном этапе обучения и постепенно уменьшается так, что в конечном итоге обучается один нейрон-победитель. Наиболее часто используется функция, линейно убывающая от времени.
  Рассмотрим  теперь функцию скорости обучения a(t). Эта функция также представляет собой функцию, убывающую от времени. Наиболее часто используются два варианта этой функции: линейная и обратно пропорциональная времени вида  , где A и B это константы. Применение этой функции приводит к тому, что все вектора из обучающей выборки вносят примерно равный вклад в результат обучения.  
Обучение состоит из двух основных фаз: на первоначальном этапе выбирается достаточно большое значение скорости обучения и радиуса обучение, что позволяет расположить вектора нейронов в соответствии с распределением примеров в выборке, а затем производится точная подстройка весов, когда значения параметров скорости обучения много меньше начальных. В случае использования линейной инициализации первоначальный этап грубой подстройки может быть пропущен.

  Так как алгоритм SOM сочетает в себе два  основных направления – векторное квантование и проецирование, то можно найти и основные применения этого алгоритма. Данную методику можно использовать для поиска и анализа закономерностей в исходных данных. При этом, после того, как нейроны размещены на карте, полученная карта может быть отображена. Рассмотрим различные способы отображения полученной карты.
  При данном методе отрисовки полученную карту можно представить в виде слоеного пирога. Каждый слой которого представляет собой раскраску, порожденную одной из компонент исходных данных. Полученный набор раскрасок может использоваться для анализа закономерностей, имеющихся между компонентами набора данных. После формирования карты мы получаем набор узлов, который можно отобразить в виде двумерной картинки. При этом каждому узлу карты можно поставить в соответствие участок на рисунке, четырех или шестиугольный, координаты которого определяются координатами соответствующего узла в решетке. Теперь для визуализации осталось только определить цвет ячеек этой картинки. Для этого и используются значения компонент. Самый простой вариант – использование градаций серого. В этом случае ячейки, соответствующие узлам карты, в которые попали элементы с минимальными значениями компонента или не попало вообще ни одной записи, будут изображены черным цветом, а ячейки, в которые попали записи с максимальными значениями такого компонента, будут соответствовать ячейки белого цвета. В принципе можно использовать любую градиентную палитру для раскраски.
  Полученные  раскраски в совокупности образуют атлас, отображающий расположение компонент, связи между ними, а также относительное  расположение различных значений компонент.
  Кластером будет являться группа векторов, расстояние между которыми внутри этой группы меньше, чем расстояние до соседних групп. Структура кластеров при  использовании алгоритма SOM может  быть отображена путем визуализации расстояния между опорными векторами (весовыми коэффициентами нейронов). При  использовании этого метода чаще всего используется унифицированная  матрица расстояний (u-matrix). При использовании этого метода вычисляется расстояние между вектором весов нейрона в сетке и его ближайшими соседями. Затем эти значения используются для определения цвета, которым этот узел будет отрисован. Обычно используют градации серого, причем чем больше расстояние, тем темнее отрисовывается узел. При таком использовании узлам с наибольшим расстоянием между ними и соседями соответствует черный цвет, а близлежащим узлам – белый.
  Имеющиеся статистические данные по 37 объектам сохраняем в файле формата txt. Импортируем данные в среду аналитического пакета.
  На  первом шаге мастера запускаем мастер обработки и выбираем из списка метод  обработки "Карта Кохонена". Далее настраиваем значения столбцов – для каждого столбца выбрать одно из назначений: входное, выходное, не используется и информационное. Укажем всем столбцам, соответствующим показателям уровня ВВП, назначение "Входной". "Выходной" не назначаем.
  Следующий шаг предлагает разбить исходное множество на обучающее и тестовое. По умолчанию, программа предлагает разбить множество на обучающее - 95% и тестовое - 5%. Но мы выставляем обучающему множеству 100% значение.
  На  следующем шаге предлагается настроить параметры карты: количество ячеек по Х и по Y их форму (шестиугольную или четырехугольную). Выбираем значения, задаваемые программой по умолчанию, т.е., шестиугольная форма ячеек, карта размерностью 14*10 (количество ячеек – 140).
  На  шаге "Настройка параметров остановки  обучения", устанавливаем параметры  остановки обучения и устанавливаем  эпоху, по достижению которой обучение будет прекращено.
  На  следующем шаге настраиваются другие параметры обучения: способ начальной  инициализации, тип функции соседства. Возможны два варианта кластеризации: автоматическое определение числа  кластеров с соответствующим  уровнем значимости и фиксированное  количество кластеров (определяется пользователем). Поскольку мы предполагаем разбиение  объектов на класс «лидеров», «стабильных» и «аутсайдеров», то выставляем значение кластеров, равное трем.
  Далее запускаем процесс обучения сети - нажимаем на кнопку "Пуск" и дожидаемся окончания процесса обучения. Во время  обучения можем наблюдать изменение  количества распознанных примеров и  текущие значения ошибок. Этот процесс  аналогичен обучению  нейронных  сетей.
  На  рисунке 7 представлен процесс построения (обучения) карты Кохенена. Как видим, по достижению 122 эпох было распознано 100% обучающего множества, что говорит о хорошем результате обучения.
  

  Рисунок 7 – Обучение карты Кохонена
  По  окончании обучения в списке визуализаторов выберем «Карту Кохонена», «Профили кластеров», «Обучающий набор» и визуализатор "Что-если". Укажем отображения всех входных, выходных столбцов, кластеров, а также поставим флажок "Границы кластеров" для четкого отображения границ.
  На  рисунке 8 показан результат обучения карты: 


  Рисунок 8 – Карты Кохенена
  В цветовой палитре синим обозначены низкие значения признаков, красным – высокие.
  Х1 – фактическое  конечное потребление домашних хозяйств;
  Х2 – фактическое коллективное потребление государственных учреждений;
  Х3 – валовое накопление основного капитала;
  Х4 – чистый экспорт товаров и услуг.
  Использую фильтр по кластеру, получим все  объекты, попавшие в интересующий нас  кластер. Во второй кластер, кластер «аутсайдеров», с низкими значениями произведенного ВВП, с низким конечным потреблением домохозяйств и государственного сектора и страны с преобладанием импорта над экспортом (Таблица 1). 

  В кластер «стабильных» стран мира были определены 10 объектов. Данный кластер характеризуется более высокими показателями, чем во втором кластере.
  К классу «лидеров» были отнесены 16 объектов с максимальными характеристиками параметров.
Таблица 1 – Классификация  с помощью самоорганизующихся карт Кохонена
Страны  с низким уровнем ВВП (кластер 2) Страны со средним  уровнем ВВП (кластер 3) Страны с высоким  уровнем ВВП (кластер 1)
Венгрия Германия Австрия
Латвия Греция Бельгия
Литва Испания Ирландия
Польша Италия Люксембург
Словакия Португалия Нидерланды
Эстония Великобритания Финляндия
Мексика Словения Франция
Турция Чехия Дания
Болгария Корея Швеция
Россия Новая Зеландия Австралия
Румыния   Канада
    Норвегия
    США
    Швейцария
    Япония
    Израиль
 
  Унифицированная матрица расстояний применяется  для визуализации структуры кластеров, полученных в результате обучения карты. Ее элементы определяют расстояние между весовыми коэффициентами нейрона и его ближайшими соседями. Большое значение говорит о том, что данный нейрон сильно отличается от окружающих и относится к другому классу. В нашем случае такого не наблюдается, все объекты распределены правильно.
  Подобное  распределение по классам можно  объяснить тем, что 16 стран-лидеров, являются государствами с устойчивой экономической системой, потребляющие большое количество благ и услуг и соответственно производящие максимальное количество внутреннего валового продукта. Причем данные страны не являются сосредоточением основной массы крупных промышленных предприятий, они преимущественно производят услуги. А страны, попавшие в аутсайдеры, характеризуются переходной экономикой, отсутствием развитой банковской системы и крупных промышленных производств, либо сменой политического режима в государстве. 

    4. Сопоставление классификаций
  Полученные  распределения стран по компонентам  ВВП и демографическим показателям  необходимо сопоставить, чтобы выяснить, есть ли между ними связь. Для этого воспользуемся  коэффициентом ранговой корреляции Спирмена - это непараметрический метод, который используется с целью статистического изучения связи между явлениями. В нашем случае определяется фактическая степень параллелизма между двумя количественными рядами изучаемых признаков и дается оценка тесноты установленной связи с помощью количественно выраженного коэффициента.
  Практический  расчет коэффициента ранговой корреляции Спирмена включает следующие этапы:
  1) Сопоставить каждому из признаков  их ранг.
  2) Определить разности рангов каждой  пары сопоставляемых значений.
  3) Возвести в квадрат каждую  разность и суммировать полученные результаты.
  4) Вычислить коэффициент корреляции  рангов по формуле:.
  

  где - сумма квадратов разностей рангов, а - число парных наблюдений.
  При использовании коэффициента ранговой корреляции условно оценивают тесноту  связи между признаками, считая значения коэффициента равные 0,3 и менее, показателями слабой тесноты связи; значения более 0,4, но менее 0,7 - показателями умеренной  тесноты связи, а значения 0,7 и  более - показателями высокой тесноты  связи. В нашем случае значение коэффициента равно 0,709, что говорит о существенной тесноте связи между двумя классификациями (с применением иерархического метода и с использованием самоорганизующихся карт). 

  Заключение
  Карты Кохонена – мощное средство визуализации и разведочного анализа данных, отличающееся от классических процедур, в ходе которых проверяется некоторый набор выдвинутых гипотез. Однако, у карт Кохонена есть ряд недостатков и ограничений. Хотя минусы не умаляют его достоинств, в некоторых случаях требуется осторожное отношение как к самому процессу построения карт, так и интерпретация карт.
  Одна  из самых серьезных претензий, предъявляемых  некоторыми исследователями в области  Data Mining к картам Кохонена, заключается в том, что сами по себе карты задачи кластеризации не решают, а лишь позволяют выдвинуть гипотезу о наличии кластерной структуры и зависимостей в наборе данных. Поэтому изучение выдвинутых мной в работе гипотез относительно распределения муниципальных образований можно продолжить, используя другие методы исследования.
  Согласно  проведенному исследованию можно сделать  вывод, что уровень производства ВВП у всех стран достаточно высокий. Как показало исследование развитые страны (лидеры по произведенному ВВП) имеют, как правило, большой запас произведённого капитала и население, которое по большей части занято высокоспециализированными видами деятельности.
  К развивающимся странам можно отнести второй и третий кластеры, так как здесь сгруппировались государства, которые имеют низкие стандарты демократических правительств, свободной рыночной экономики, индустриализации, К развивающимся странам (англ. Developing countries) обычно относят те государства, которые имеют средние стандарты уровня производства и потребления. Это страны с более развитой экономикой, по сравнению с другими, но которые ещё не в полной мере продемонстрировали
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.