XXI Konferencja Naukowa Sekcji Klasyfikacji i Analizy Danych
XXVI Konferencja Taksonomiczna Klasyfikacja i analiza danych – teoria i zastosowania
Lipowy Most, 10-12 września 2012 r.
70
Joanicjusz Nazarko, Joanna Ejdys, Anna Kononiuk, Anna Olszewska
Politechnika Białostocka
ANALIZA STRUKTURALNA JAKO METODA KLASYFIKACJI DANYCH
W BADANIACH FORESIGHT
Analiza strukturalna umożliwia porządkowanie i analizowanie zbiorów obejmujących
dużą liczbę zmiennych, które wzajemnie na siebie oddziałują. Badając zależności po-
między zmiennymi, pozwala określić ich wzajemne wpływy i zachodzące pomiędzy
nimi relacje. Siłą analizy strukturalnej jest w szczególności jej zdolność do identyfiko-
wania związków łączących zmienne, których wzajemne wpływy nie są oczywiste i mo-
gą pozostać nierozpoznane nawet przez ekspertów w danej dziedzinie. Opis wzajem-
nych powiązań pomiędzy zmiennymi pozwala na rekonstrukcję systemu oraz wyod-
rębnienie charakterystycznych – ze względu na funkcje pełnione w systemie – klas
zmiennych: kluczowych, celów, rezultatów, pomocniczych, decydujących, regulują-
cych, zewnętrznych i autonomicznych.
W artykule przedstawiono wyniki zastosowania analizy strukturalnej w projek-
cie „Foresight technologiczny <<NT FOR Podlaskie 2020>>. Regionalna strategia rozwo-
ju nanotechnologii”. Przeprowadzona analiza strukturalna pozwoliła na wyodrębnie-
nie zmiennych kluczowych dla analizowanego obszaru badawczego, wywierających
silny wpływ na inne zmienne i jednocześnie silnie zależnych od innych zmiennych.
Poza identyfikacją zmiennych kluczowych, analiza strukturalna pozwoliła poznać
strukturę badanego systemu, różnicując osiem innych klas zmiennych.
Obliczenia związane z analizą strukturalną wykonano za pomocą specjalistycz-
nego programu komputerowego MICMAC (Matrice d'Impacts Croisés – Multiplication
Appliquée à un Classement) opracowanego przez M. Godeta.
Literatura
1. Arcade J., Godet M., Meunier F., Roubelat F., Structural analysis with the MICMAC method &
Actors‘ strategy with Mac tor method, AC/UNU Millennium Project Futures Research Meth-
odology, Paris 1994.
2. Bradfield R., Wright G., Burt G., Cairns G., van der Heijden K., The origins and evolution of
scenario techniques in long range business planning, „Futures” 2005 No. 37, pp. 795-812.
3. Wójcicki J. M. (red.), Ładyżyński P. (red.), System monitorowania i scenariusze rozwoju technologii
medycznych w Polsce, Konsorcjum ROTMED, Warszawa 2008.
4. Godet M., Durance Ph., Strategic Foresight for Corporate and Regional Development, DUNOD -
UNESCO - Fondation Prospective et Innovation, Paris 2011.
5. Nazarko J. (red.), Kędzior Z. (red.), Uwarunkowania rozwoju nanotechnologii w wojewódz-
twie podlaskim. Wyniki analiz STEEPVL i SWOT, Rozprawy Naukowe nr 204, Biblioteka Nauk
o Zarządzaniu, Oficyna Wydawnicza Polite chniki Białostockiej, Białystok 2010.
6. Nazarko J. (red.), Wnorowski H. (red.), Kononiuk A. (red.), Analiza strukturalna czynników rozwoju
nanotechnologii w województwie podlaskim, Rozprawy Naukowe nr 215, Biblioteka Nauk o Za-
rządzaniu, Oficyna Wydawnicza Politechniki Białostockiej, Białystok 2011.