
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
| Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
| Autor(es): dc.contributor | Andrade, Pedro Rochavetz de Lara | - |
| Autor(es): dc.contributor | Lima, Rafael Henrique Palma | - |
| Autor(es): dc.creator | Morais, Ana Paula Barbosa de | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T13:12:05Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T13:12:05Z | - |
| Data de envio: dc.date.issued | 2022-12-12 | - |
| Data de envio: dc.date.issued | 2022-12-12 | - |
| Data de envio: dc.date.issued | 2022-11-22 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/30297 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1109066 | - |
| Descrição: dc.description | Innovation is often seen as the foundation for success in many areas, such as companies and even countries, but there are difficulties in measuring it. Despite being present in several areas, including in the context of innovation, machine learning (ML) has not yet been used to highlight innovative features in companies. This work aims to employ unsupervised machine learning (ML) techniques for the formation of groups (clusters) of companies in Londrina and region to discuss how the variables related to innovation differ between the formed clusters. For this, a data collection instrument was developed based on CIS 4 (Fourth Community Innovation Survey) created by Eurostat and PINTEC (Industrial Research on Technological Innovation). After creating the collection instrument, a sample of companies in Londrina and region was sent. To extract knowledge from the obtained database, four clustering techniques were used: K-means, K-means with PCA, hierarchical clustering, and hierarchical clustering with PCA. As a result, the companies' distributions in the two clusters created for all algorithms were similar. It was identified that in one of the clusters were allocated companies with a higher degree of innovation, while in the other, companies with a lower degree. Then, analyzes were carried out, with theoretical basis, of three variables in the context of innovation that obtained more differences between clusters formed: regular investment in R&D, partnerships made with different categories to innovate and requests and/or registrations. In the end, it was verified that these variables were considered important for the characterization of the most innovative cluster, however the results indicated that a larger sample should be collected to validate the results obtained initially by this research. | - |
| Descrição: dc.description | A Inovação é frequentemente vista como o alicerce para o sucesso em muitas áreas, como empresas e até mesmo países, mas há dificuldades em mensurá-la. Apesar de estar presente em diversas áreas, inclusive no contexto de inovação, o machine learning (ML) ainda não foi utilizado para destacar características inovadoras em empresas. Este trabalho tem como objetivo empregar técnicas de machine learning (ML) não supervisionadas para a formação de grupos (clusters) de empresas de Londrina e região para discutir como as variáveis relacionadas à inovação se diferenciam entre os clusters formados. Para isso, elaborou-se um instrumento de coleta de dados com base na CIS 4 (Quarta Pesquisa de Inovação da Comunidade) criada pela Eurostat e na PINTEC (Pesquisa Industrial de Inovação Tecnológica). Após a criação do instrumento de coleta, enviou-se a uma amostra de empresas de Londrina e região. Para extração de conhecimento da base de dados obtida, foram utilizadas quatro técnicas de agrupamento: K-means, K-means com PCA, agrupamento hierárquico, e agrupamento hierárquico com PCA. Como resultado, foram semelhantes as distribuições das empresas nos dois clusters criados para todos os algoritmos. Identificou-se que em um dos clusters foram alocadas empresas com maior grau de inovação, enquanto no outro, as empresas com menor grau. Então foram feitas análises, com embasamento teórico, de três variáveis no contexto de inovação que obtiveram mais diferenças entre clusters formados: investimento regular em P&D, parcerias feitas com diferentes categorias para inovar e solicitações e/ou registros. Ao final, verificou-se que essas variáveis foram consideradas importantes para a caracterização do cluster mais inovador, porém os resultados indicaram que uma maior amostra deve ser coletada para validar os resultados obtidos inicialmente por esta pesquisa. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Londrina | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Engenharia de Produção | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Análise por agrupamento | - |
| Palavras-chave: dc.subject | Inovações tecnológicas | - |
| Palavras-chave: dc.subject | Machine Learning | - |
| Palavras-chave: dc.subject | Cluster analysis | - |
| Palavras-chave: dc.subject | Technological innovations | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
| Título: dc.title | Técnicas de clusterização e comparação de grupos baseados nas características de inovação em empresas de Londrina e região | - |
| Título: dc.title | Clustering techniques and comparison of groups based on innovation characteristics of companies in Londrina and region | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: