Programa de Apoio aos Planos de Reestruturação e Expansão das Universidades Federais / This study aims to analyze the performance of entrepreneurial activity in countries participating in the Global Entrepreneurship Monitor (GEM), by the use of multivariate quantitative methods, in order to generate new thinking about the role of entrepreneurship in the economic growth and development of countries. Therefore, the research is divided into two papers whose approaches are exploratory, due to the potential of the database for the realization of new research, and the achievement of international comparisons of economies. To achieve this goal, the techniques used were the Principal Component Analysis (PCA) and the Cluster Analysis (CA) to study the relationship between the variables and the countries of the data set, thus obtaining an overview of the studied phenomenon. In the study of the variables, eight have been identified as the most representative of GEM s database, making the study of the entrepreneur process more effective. Among the most representative variables, the strong influence of the entrepreneurs´ attitude about the opening rates of new enterprises can be identified. To analyze the countries included in this study a classification of the economic performance of these nations was proposed, by creating a ranking of Entrepreneurial Activity Performance (EAP). The order of the countries was aligned to the methodologies used by both the World Economic Forum (WEF) and the World Bank, for the ranking of economic performance and economic development. Therefore, the study explored the main points of the GEM database, variables and countries, making use of multivariate techniques that provided information for the analysis of global entrepreneurship from a different perspective / Este estudo tem como objetivo analisar o desempenho da atividade empreendedora dos países participantes do Global Entrepreneurship Monitor (GEM), por meio de métodos quantitativos multivariados, visando gerar novas reflexões sobre o papel do empreendedorismo no crescimento e desenvolvimento econômico dos países. Diante disso, a pesquisa é divida em dois artigos científicos, cujas abordagens são exploratórias, devido ao potencial da base de dados para a efetivação de novas pesquisas, e para a realização de comparações internacionais entre economias. Para tanto, fez-se uso das técnicas de Análise de Componentes Principais (ACP) e de Análise de Clusters (AC) para o estudo das interrelações das variáveis e dos países do conjunto de dados, obtendo assim uma visão global do fenômeno pesquisado. No estudo das variáveis, oito foram identificadas como as mais representativas da base de dados do GEM, tornando mais efetivo o estudo do processo empreendedor. Entre as variáveis mais representativas identificou-se a forte influência das atitudes dos empreendedores sobre as taxas de abertura de novos empreendimentos. Para a análise dos países que contemplam esse estudo, foi proposta uma classificação do desempenho econômico dessas nações, mediante a criação do ranking de Performance da Atividade Empreendedora (PAE). A ordenação dos países alinhou-se as metodologias utilizadas, pelo World Economic Forum (WEF) e pelo World Bank, na classificação dos países por rankings de performance econômica, e por estágios de desenvolvimento econômico. Assim, o estudo explorou os principais pontos da base de dados do GEM, variáveis e países, fazendo uso de técnicas multivariadas que forneceram subsídios para a análise do empreendedorismo global de uma perspectiva diferenciada

Made available in DSpace on 2017-07-21T14:19:23Z (GMT). No. of bitstreams: 1 Kelly Lais.pdf: 3909972 bytes, checksum: a9e068fb926de9ca233857005e400c84 (MD5) Previous issue date: 2014-12-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O Sensoriamento Remoto (SR) dispõe de tecnologias em constante crescimento e com grande potencial para a agricultura, tanto no gerenciamento de culturas, manejo de solo, bem como discriminações de feições da terra. Atualmente, há muitos métodos de análise e categorização de paisagens, que com a integração de dados de SR e técnicas de Sistemas de Informação Geográfica (SIG) apresentam alternativa promissora. Isto é, proporcionam maior facilidade na manipulação de dados geográficos, bem como otimização da validação a campo. Neste contexto, esta pesquisa foi realizada utilizando classificação digital não-supervisionada pela Rede Neural Artificial (RNA) Self-Organizing Maps (SOM) no reconhecimento de padrões de uso e cobertura da terra em um recorte de imagem orbital de alta resolução Rapideye pertencente à Bacia do Pitangui, o qual abrange o município de Ponta Grossa, localizado a centro-leste do Estado do Paraná. Primeiramente aplicouse a técnica NDVI (Índice de Vegetação por Diferença Normalizada) para estimular a separação das classes, principalmente os diferentes tipos de cultivos agrícolas, bem como cobertura florestal. A imagem orbital e NDVI foram segmentadas por meio de Análise de Imagem Baseada em Objeto (GEOBIA), gerando descritores com propriedades espaciais, espectrais e de textura, culminando no banco de dados relacional (BDR) com tais descritores. Mediante Análise de Componentes Principais (ACP) reduziu-se a dimensionalidade dos dados do BDR, selecionando os descritores mais significativos. A dimensionalidade foi reduzida, sem perda de informação, de 42 descritores para 21, a saber 6 espaciais, 12 espectrais e 3 de textura. Após esta preparação dos dados, utilizou-se a RNA SOM para o reconhecimento dos padrões pré-determinados a campo. As classes de uso e cobertura da terra discriminadas pela RNA SOM foram cultivos (cultivo 1, 2, 3 e 4), estradas e construções, cobertura florestal e corpos d’água. A RNA SOM culminou no agrupamento das classes cultivos inclusive em relação ao seu ciclo fenológico. A associação da banda artificial NDVI, com seus descritores às bandas espectrais, incrementou a separabilidade entre classes, tais como cobertura florestal e corpos d’água. As classes de uso e cobertura da terra foram validadas a campo, a exatidão global foi de 91% de acerto, com índice kappa de 0,9, considerado resultado excelente em valores de referência. Também foi realizado o teste estatístico F, o qual satisfez as hipóteses de nulidade nas áreas analisadas.Conclui-se que os métodos utilizados apresentaram eficácia, agilidade e baixo custo no mapeamento d o uso e cobertura da terra em escala detalhada. / Remote Sensing (RS) uses steadily growing technologies and presents great potential for agriculture, e.g. in crop and land management, as well as for discrimination of land features. Currently, there are many methods of analysis and landscape categorization that when integrated with RS data and Geographic Information Systems (GIS) techniques stage as promising alternatives. That is, they provide greater ease in handling spatial data as well as optimizing validation on the field. In this context, this study was carried out using unsupervised digital classification with Artificial Neural Network (ANN) Self- Organizing Maps (SOM), in order to recognize patterns of land cover and land use in part of a high-resolution Rapideye orbital image belonging to the Pitangui River Basin, which encompasses the city of Ponta Grossa, located in the Central-Eastern portion of the State of Paraná. Initially, NDVI (Normalized Difference Vegetation Index) technique was applied to stimulate the separation of classes, especially to evidence different types of agricultural crops and forest cover. The orbital image and the NDVI were segmented through Geographic Object-Based Image Analysis (GEOBIA), generating descriptors with spatial, spectral and textural properties, culminating in the relational database (RDB) with such descriptors. With Principal Component Analysis (PCA) dimensionality of the BDR data was reduced, selecting the most significant descriptors. Dimensionality was reduced without information loss, from 42 descriptors to 21, namely 6 spatial, 12 spectral and 3 textural. After this data preparation, ANN SOM was used to recognize predetermined patterns in the field. The classes of land cover and land use discriminated by ANN SOM were crops (crop 1, 2, 3 and 4), roads and buildings; forest cover and water bodies. The ANN SOM culminated in the grouping of crop classes including in relation to its phenological cycle. The association of the NDVI artificial band with descriptors to spectral bands, increased the separability between classes, such as forest cover and water bodies. Classes of land cover and land use were validated in the field, the global accuracy was 91%, with kappa index of 0.9 and considered to be excellent as reference values. F statistical test was also carried out and showed satisfiability in the analyzed areas. It is concluded that the methods used were effective, agile and low-cost in detailed scale mapping of land use and coverage.