Resumen de Clustering basque fishing communities

Miren Ikerne del Valle Erquiaga, Kepa Andoni Astorkitza Ikazuriaga

• español

  El principal objetivo de este trabajo es identificar la taxonomía de las comunidades pesqueras locales del País Vasco (FC) a partir de un conjunto de algoritmos de clúster tanto jerárquicos (i.e. Ward, enlace promedio y completo) como no jerárquicos (k-medias y k-medois) o mixtos (jerárquico-kmedias) y dos conjuntos alternativos de variables a nivel local, {?} and {?}. El primero {?} incluye un conjunto de variables input, output y de estructura de la flota (i.e. valor de las capturas (PQ), número de barcos (NB), valor estimado del capital (K), número de pescadores (L), porcentaje de embarcaciones artesanales (NBA));

  mientras que el segundo {?}, incorpora exclusivamente ratios de productividad económica (i.e. PQ/NB, PQ/K, PQ/L). En tanto que las variables en los dos conjuntos de datos están altamente correlacionadas se opta por una aproximación componentes principales-clúster en dos etapas, para así analizar la existencia de potenciales grupos homogéneos de FC descritas en un perfil multivariante. Nuestros resultados avalan la existencia de 4 tipologías de FC. La clasificación resultante es robusta al método y algoritmo empleado

• English

  The main objective of this paper is to identify the taxonomy of Basque local fishing communities (FC) using a set of either, hierarchical (i.e. Ward, average and complete linkage), non-hierarchical (i.e. k-means and k-medoids) and mixed hierarchical-kmeans clustering algorithms; and two alternative fishing related variates at fishing community level, {?} and {?}. The former {?} includes a set of input, output and fleets’ structure variables (i.e. the value of landings (PQ), the number of vessels (NB), the estimated capital value (K), the number of fishermen (L), the local level percentage of the small scale artisanal vessels (NBA); while the latter, {?}, exclusively incorporates economic performance productivity ratios (i.e.

  PQ/NB, PQ/K, PQ/L). Since the variables in both the variates are highly correlated, we are applying a two-step principal component clustering approach in order to find potential groups of homogeneous FC described on a multivariate profile. Our results support 4 FC typologies. The classification is robust to alternative methods and algorithms.