التعلم الآلي في التنمية العالمية: تطبيق التجميع باستخدام طريقة k-Means لتحديد مجموعات البلدان حسب الأداء الاقتصادي والصحي

القسم: Article
إصدار
مجلد 35 عدد 1 (2026): المجلد 35 العدد 1
منشور
Jan 1, 2026
##editor.issues.pages##
28-37

الملخص

تُطبّق هذه الدراسة أسلوب التجميع باستخدام طريقة  (k-means) على مجموعات البلدان بناءً على مؤشرات اقتصادية وصحية رئيسية: الدخل القومي الإجمالي للفرد (GNIP)، والإنفاق الصحي، ومتوسط ​​العمر المتوقع، ومعدلات المواليد والوفيات، والتحضر. حدّدت طريقة  (cow method) أن k = 3 هو العدد الأمثل للمجموعات، مما يُشير إلى انخفاض كبير في مجموع المربعات داخل المجموعة (من 5000 إلى 2000). وتُظهر النتائج ثلاث مجموعات تنموية مُتميّزة. تبرز مجموعة صغيرة من 13 دولة عالية الأداء بنتائج اقتصادية قوية (GNIP = 0.658) ونتائج صحية (متوسط ​​العمر المتوقع = 0.856)، إلى جانب انخفاض معدلات المواليد (0.116) والوفيات (0.113). كما تُظهر هذه المجموعة تشابهًا داخليًا قويًا (عرض الصورة الظلية = 0.58). وتنقسم الدول المتبقية إلى مجموعتين أوسع. تشمل المجموعة الأولى 320 دولة ذات تنمية متوسطة، وتوسع حضري أعلى (UrbanP = 0.712)، وإنفاق صحي مرتفع نسبيًا (healthE = 0.219)، ولكن متوسط ​​دخل الفرد الإجمالي (GNIP) أقل (0.066). تواجه المجموعة الثانية، التي تضم 277 دولة، تحديات أكبر، تتميز بانخفاض متوسط ​​العمر المتوقع (0.414)، وارتفاع معدلات المواليد (0.670)، وضعف المؤشرات الاقتصادية (GNIP = 0.067). تُظهر كلتا المجموعتين الأكبر تماسكًا متوسطًا (عرضا الصورة الظلية = 0.29 و0.32). تُبرز هذه النتائج الطبيعة الطبقية ومتعددة الأبعاد للتنمية العالمية، مما يوفر إطارًا قائمًا على البيانات لتوجيه قرارات السياسات وتصميم التدخلات بما يتناسب مع الخصائص الفريدة لكل مجموعة.

المراجع

  1. Athey, S., & Imbens, G. W. (2019). Machine learning methods economists should know about. Annual Review of Economics, 11, 685-725. https://doi.org/10.1257/jel.20191597
  2. Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple imputation by chained equations: What is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40-49. https://doi.org/10.1002/mpr.329
  3. Banerjee, A. V., & Duflo, E. (2019). Good economics for hard times. . PublicAffairs. https://www.penguinrandomhouse.com/books/557013
  4. Bank, W. (2021). World Development Indicators 2021. World Bank Publication.https://databank.worldbank.org/source/world-development-indicators
  5. Bloom, D. E., Khoury, A., Kufenko, V., & Prettner, K. (2019). The macroeconomic impact of non-communicable diseases. Health Economics. 28(2), 223-226. https://doi.org/10.1002/hec.3857
  6. Bloom, D. E., Khoury, A., Kufenko, V., & Prettner, K. (2019). Health and economic growth. In *Global Population Health and Well-Being in the 21st Century* (pp. 25–52). Springer. https://doi.org/10.1007/978-3-030-11819-6_2
  7. Donoho, D. (2017). 50 years of data science., . Journal of Computational and Graphical Statistics, 26(4), 745-766. https://doi.org/10.1080/10618600.2017.1384734
  8. Glaeser, E. (2014). A world of cities: The causes and consequences of urbanization in poorer countries. . Journal of the European Economic Association, 12(5), 1154-1199. https://doi.org/10.1111/jeea.12100
  9. Guevara, Z. e. (2021). Sustainable development patterns in country clusters. Ecological Economics, 179, 106818. https://doi.org/10.1016/j.ecolecon.2020.106818
  10. Guevara, M. R., Hartmann, D., & Aristarán, M. (2021). Machine learning for classifying countries’ development indicators. Nature Human Behaviour, 5, 987–994. https://doi.org/10.1038/s41562-021-01122-8
  11. Hair, J. F. , Black, W. C., Babin, B. J., & Anderson, R. E.(2019). Multivariate data analysis (8th ed.). Cengage. https://www.pearson.com/store/p/multivariate-data-analysis/P100001672229
  12. Hartigan, J. A., & Wong, M. A. . (1979). Algorithm AS 136: A k-means clustering algorithm. , . Journal of the Royal Statistical Society, 28(1), 100-108. https://doi.org/10.2307/2346830
  13. Hartmann, D., Guevara, M. R., Jara-Figueroa, C., Aristarán, M., & Hidalgo, C. A. (2017). Linking economic complexity, institutions, and income inequality. World Development, 93, 75–93.
  14. https://doi.org/10.1016/j.worlddev.2017.02.006
  15. Hastie, T., Tibshirani, R., & Friedman, J. . (2009). The elements of statistical learning (2nd ed.). . Springer. https://hastie.su.domains/ElemStatLearn/
  16. Hennig, C. (2007). Cluster-wise assessment of cluster stability. . Computational Statistics & Data Analysis, 52(1), 258-271. https://doi.org/10.1016/j.csda.2006.11.025
  17. Hidalgo, C. A., & Hausmann, R. (2009). The building blocks of economic complexity. , . Proceedings of the National Academy of Sciences, 106(26), 10570-10575. https://doi.org/10.1073/pnas.0900943106
  18. Jones, G. (2020). Ultra-low fertility in East Asia. Population and Development Review, 46(3), 579-606. https://doi.org/10.1111/padr.12364
  19. Ketchen, D. J., & Shook, C. L. (1996). The application of cluster analysis in strategic management research. . Strategic Management Journal, 17(6), 441-458. https://doi.org/10.1177/014920639602200105
  20. Lee, R. (2003). The demographic transition. Journal of Economic Perspectives, 17(4), 167-190. https://doi.org/10.1257/089533003321164967
  21. Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory .https://doi.org/10.1109/TIT.1982.1056489
  22. MacQueen, J. (1967). Some methods for classification. . Proceedings of the 5th Berkeley Symposium.https://projecteuclid.org/proceedings/berkeley-symposium-on-mathematical-statistics-and-probability/Proceedings-of-the-Fifth-Berkeley-Symposium-on-Mathematical-Statistics-and/Chapter/Some-Methods-for-Classification-and-Analysis-of-Multivariate-Observations/bsmsp/1200512992
  23. Milanovic, B. (2016). Global inequality: A new approach for the age of globalization. Harvard University Press. ISBN: 978-0674737136
  24. Moretti, E. (2013). Real wage inequality. , . American Economic Journal: Applied Economics, 5(1), 65-103. https://doi.org/10.1257/app.5.1.65
  25. Nations, U. (2015). Transforming our world: The 2030 Agenda for Sustainable Development. https://sdgs.un.org/2030agenda
  26. Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060), 1226-1227. https://doi.org/10.1126/science.1213847
  27. Pinkovskiy, M., & Sala-i-Martin, X. (2020). Parametric estimations of the world distribution of income. (NBER Working Paper No. 26933). https://doi.org/10.1257/mac.20150313
  28. Preston, S. H. (2007). The changing relation between mortality and income. International Journal of Epidemiology, 36(3), 484-490. https://doi.org/10.1093/ije/dym075
  29. Ranis, G., Stewart, F., & Ramirez, A. (2000). Economic growth and human development. World Development, 28(2), 197-219. https://doi.org/10.1016/S0305-750X(99)00131-X
  30. Rodrik, D. (2008). The real exchange rate and economic growth. Brookings . Papers on Economic Activity,, 2008(2), 365-412. ISBN: 978-0691141179
  31. Rodrik, D. (2015). Premature deindustrialization. Journal of Economic Growth, 21(1), 1-33.https://doi.org/10.1007/s10887-015-9122-3
  32. Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
  33. Stiglitz, J. E., Sen, A., & Fitoussi, J. P. (2009). Report by the Commission on the Measurement of Economic Performance and Social Progress. https://ec.europa.eu/eurostat/web/products-statistical-books/-/KS-32-12-142
  34. Thorndike, R. L. (1953). Who belongs in the family? . Psychometrika. 18(4), 267 - 276 https://doi.org/10.1007/BF02289263
  35. UNDP. (2020). Human Development Report 2020. United Nations. http://hdr.undp.org/en/2020-report
  36. United Nations. (2015). Sustainable Development Goals (SDGs). https://sdgs.un.org/goals
  37. United Nations Population Division (2019). World Population Prospects. https://population.un.org/wpp.
  38. World Health Organization (WHO) (2020). Global health expenditure database. https://apps.who.int/nha/database
  39. World Bank. (2021). World Bank country and lending groups. https://datahelpdesk.worldbank.org/knowledgebase/articles/906519.

المؤلفون

O. P. Adebayo

Department of Statistics, Phoenix University Agwada, Nasarawa State, Nigeria

I Ahmed

Department of Statistics, Nasarawa State University Keffi, Nasarawa State, Nigeria

I.M. Garba

Department of Agriculture, Phoenix University Agwada, Nasarawa State, Nigeria

K.T. Oyeleke

Department of Statistics, Olabisi Onabanjo University Ago Iwoye, Ogun State, Nigeria

المعرفات

https://doi.org/10.33899/jes.v35i1.60269
تنزيل هذا الملف
PDF (English)

الإحصائيات

التنزيلات

بيانات التنزيل غير متوفرة بعد.

كيفية الاقتباس

[1]
O. P. . Adebayo, I. Ahmed, I. . Garba, و K. . Oyeleke, "التعلم الآلي في التنمية العالمية: تطبيق التجميع باستخدام طريقة k-Means لتحديد مجموعات البلدان حسب الأداء الاقتصادي والصحي", JES, م 35, عدد 1, ص 28–37, 2026.
##submission.copyrightAndLicensing##
Creative Commons License

هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.