i empirycznej weryfikacji syntetycznego miernika
5.4. Wstępna analiza danych – dobór wskaźników diagnostycznych
1 1 ! 1 , , (5.22)
przykładowo dla K
5 ,3 25, K
10 ,3
9330, a dla K
50,4
5,31028.Nietrywialne wyniki podziału analizowanego zbioru danych, połączone z oceną wyników grupowania, uzyskuje się wykorzystując zaawansowane „reguły zatrzymania” zaproponowane przez Mojenę [Mojena 1977, s. 359–363], badane przez Mojenę i Wisharta i zaimplementowane w programie Clustangraphics 8 [Wishart 2006].
Reguła górnego obszaru odrzucenia (Upper Tail Rule) polega na analizie istotności różnic
odległości wiązania kolejnych obiektów na wykresie drzewa poczynając od wyniku podziału obiektów na n, n 1,... skupień i przesuwając się zgodnie z kierunkiem łączenia obiektów na wykresie drzewa. Każdy dendrogram dla n obiektów można traktować jak zbiór wyników analizy
skupień, tj. podziałów K0,K1,...,Kn1 oraz związanych z nimi kolejnych odległości łączenia obiektów na wykresie drzewa h0,h1,...,hn1, przy czym (subskrypt) 01,,...,n1 odnosi się do wyniku podziału obiektów na n, n 1,...,1 skupień. Na podstawie n1 wartości h1,...,hn1 połączeń wszystkich n analizowanych obiektów w skupienia wyznacza się ich wartość średnią h i
eodchylenie standardowe S . Do oceny istotności każdego h e e tego kroku w hierarchicznej
procedurze grupowania oraz związanego z nim poziomu h łączenia kolejnego obiektu w dendrogramie wykorzystuje się statystykę t-Studenta. Poszukuje się pierwszego poziomu wiązania obiektów na wykresie drzewa (krok), w którym nastąpi odrzucenie hipotezy H o nieistotności 0
różnic pomiędzy kolejnymi wiązaniami, na rzecz hipotezy alternatywnej H stwierdzającej ich 1
istotność. Z ciągu klasyfikacji wybiera się podział (krok e1,...,n2), który pierwszy spełnia nierówność:
e
h aShh
UTR: 1 (5.23)
przy czym: h
e1
to poziom łączenia obiektów w skupienia w kroku e1 ustalony na podstawie analizowanego zbioru danych; parametr a 2 ,75 3,5 stanowi regułę „błędu” i umożliwia uzyskanie nietrywialnego wyniku podziału obiektów.W przypadku metod aglomeracyjnych tracą na znaczeniu: porównywanie parami wyników uzyskanych różnymi metodami analizy; testowanie, replikacja analizy, które można zastąpić samą
, (5 23)
przy czym: h(e + 1) to poziom łączenia obiektów w skupienia w kroku e + 1 ustalony na podstawie analizowanego zbioru danych; parametr a ∈ 〈2,75 – 3,5〉 stanowi regułę „błędu” i umożliwia uzyskanie nietrywialnego wyniku podziału obiektów
W przypadku metod aglomeracyjnych tracą na znaczeniu: porównywanie parami wyników uzyskanych różnymi metodami analizy; testowanie, replikacja analizy, które można zastąpić samą oceną jakości wyniku grupowania i wybo-rem właściwego wyniku grupowania Ze względu na uniwersalność z reguły do tego celu wykorzystywany jest indeks sylwetkowy SI(u), nazywany całkowitym indeksem sylwetkowym GSI (Global Silhouette Index), który można stosować zarówno w przypadku metod aglomeracyjnych i podziałowych Wartości indeksu sylwetkowego wyznacza się na podstawie, kolejno: cząstkowych ocen s(i) przy-należności każdego obiektu do skupienia, agregowanych w kolejnym kroku dla poszczególnych skupień wartości S(q) (5 24), wartości SI(u) (5 25) będącej łączną oceną całego grupowania:
186
oceną jakości wyniku grupowania i wyborem właściwego wyniku grupowania. Ze względu na
uniwersalność z reguły do tego celu wykorzystywany jest indeks sylwetkowy SI
u , nazywany całkowitym indeksem sylwetkowym GSI (Global Silhouette Index), który można stosować zarównow przypadku metod aglomeracyjnych i podziałowych. Wartości indeksu sylwetkowego wyznacza się na podstawie, kolejno: cząstkowych ocen s przynależności każdego obiektu do skupienia,
iagregowanych w kolejnym kroku dla poszczególnych skupień wartości S
q (5.24), wartości SI
u(5.25) będącej łączną oceną całego grupowania:
q q n K i i q i s n q S 1 1 , gdzie
i b i a i a i b i s ; max , (5.24)
u q q S u u SI GSI 1 1 . (5.25) gdzie:
i a średnia odległość i tego obiektu od wszystkich pozostałych obiektów w skupieniu K , q
i b minimalna przeciętna odległość i tego obiektu w skupieniu K . q
Z konstrukcji indeksu cząstkowego s wynika, że
i s
i 1,1 , przy czym: jeżeli obiekti jest niepoprawnie zaklasyfikowany to s
i ,10
; w przypadku obiektu i tworzącego skupienie jednoelementowe s
i 0; a wraz ze wzrostem stopnia przynależności obiektu i do skupienia
i
0,1s , dlatego też ostatecznie wartość GSI 0,1 . Wartość GSI0,71 wskazuje na silną strukturę uzyskanych grup; GSI 0,51;0,70 potwierdza sensowną strukturę grupowania;
50 , 0 ; 26 , 0
GSI mówi, że wyodrębniona struktura jest słaba, a wynik analizy skupień może być sztuczny (być może należy zastosować inną metodę analizy); natomiast wynik GSI0,25 nakazuje odrzucić uzyskane rozwiązania – wskazując na brak skupień w zbiorze danych [Kaufman, Rousseeuw 1990, s. 88].
Końcowym etapem analizy skupień jest interpretacja i opis wyniku grupowania (uzyskanych skupień) oraz ocena zgodności grupowania obiektów w czasie.
5.4. Wstępna analiza danych – dobór wskaźników diagnostycznych
(5 24)
186
oceną jakości wyniku grupowania i wyborem właściwego wyniku grupowania. Ze względu na
uniwersalność z reguły do tego celu wykorzystywany jest indeks sylwetkowy SI
u , nazywany całkowitym indeksem sylwetkowym GSI (Global Silhouette Index), który można stosować zarównow przypadku metod aglomeracyjnych i podziałowych. Wartości indeksu sylwetkowego wyznacza się na podstawie, kolejno: cząstkowych ocen s przynależności każdego obiektu do skupienia,
iagregowanych w kolejnym kroku dla poszczególnych skupień wartości S
q (5.24), wartości SI
u(5.25) będącej łączną oceną całego grupowania:
q q n K i i q i s n q S 1 1 , gdzie
i b i a i a i b i s ; max , (5.24)
u q q S u u SI GSI 1 1 . (5.25) gdzie:
i a średnia odległość i tego obiektu od wszystkich pozostałych obiektów w skupieniu K , q
i b minimalna przeciętna odległość i tego obiektu w skupieniu K . q
Z konstrukcji indeksu cząstkowego s wynika, że
i s
i 1,1 , przy czym: jeżeli obiekti jest niepoprawnie zaklasyfikowany to s
i ,10
; w przypadku obiektu i tworzącego skupienie jednoelementowe s
i 0; a wraz ze wzrostem stopnia przynależności obiektu i do skupienia
i
0,1s , dlatego też ostatecznie wartość GSI 0,1 . Wartość GSI0,71 wskazuje na silną strukturę uzyskanych grup; GSI 0,51;0,70 potwierdza sensowną strukturę grupowania;
50 , 0 ; 26 , 0
GSI mówi, że wyodrębniona struktura jest słaba, a wynik analizy skupień może być sztuczny (być może należy zastosować inną metodę analizy); natomiast wynik GSI 0,25 nakazuje odrzucić uzyskane rozwiązania – wskazując na brak skupień w zbiorze danych [Kaufman, Rousseeuw 1990, s. 88].
Końcowym etapem analizy skupień jest interpretacja i opis wyniku grupowania (uzyskanych skupień) oraz ocena zgodności grupowania obiektów w czasie.
5.4. Wstępna analiza danych – dobór wskaźników diagnostycznych
, (5 25)
gdzie:
a(i) – średnia odległość i – tego obiektu od wszystkich pozostałych obiektów
w skupieniu Kq,
b(i) – minimalna przeciętna odległość i – tego obiektu w skupieniu Kq
Z konstrukcji indeksu cząstkowego s(i) wynika, że s(i) ∈ 〈–1, 1〉, przy czym: jeżeli obiekt i jest niepoprawnie zaklasyfikowany to s(i) ∈ 〈–1, 0); w przypadku obiektu i tworzącego skupienie jednoelementowe s(i) = 0; a wraz ze wzrostem stopnia przynależności obiektu i do skupienia s(i) ∈ (0, 1〉, dlatego też ostatecznie wartość GSI ∈ 〈0, 1〉 Wartość GSI > 0,71 wskazuje na silną strukturę uzyskanych grup; GSI ∈ 〈0,51; 0,70〉 potwierdza sensowną strukturę grupowania; GSI ∈ 〈0,26; 0,50〉 mówi, że wyodrębniona struktura jest słaba, a wynik analizy skupień może być sztuczny (być może należy zastosować inną metodę analizy); natomiast wynik
GSI ≤ 0,25 nakazuje odrzucić uzyskane rozwiązania – wskazując na brak skupień
w zbiorze danych [Kaufman, Rousseeuw 1990, s 88]
Końcowym etapem analizy skupień jest interpretacja i opis wyniku grupowa-nia (uzyskanych skupień) oraz ocena zgodności grupowagrupowa-nia obiektów w czasie
179
Ocena innowacyjności w branżach przemysłu spożywczego
5.4. Wstępna analiza danych – dobór wskaźników diagnostycznych
W pierwszym kroku wstępnej analizy danych ze zbioru potencjalnych wskaź-ników diagnostycznych przyjętych do oceny innowacyjności branż przemysłu spożywczego w Polsce wyeliminowano zmienne o numerach 16, 17, 18 z brakami danych, które wynikały głównie ze zmian metodologii badania PNT–02
W kolejnym kroku na podstawie miar statystyki opisowej (położenia, roz-stępu, zmienności) dokonano oceny przydatności pozostałych wskaźników do analizy Pozostałe 19 wskaźników charakteryzowało się dostateczną zmiennością |vj| > 10% oraz dostateczną amplitudą wahań
W ostatnim kroku wstępnej analizy danych oceniono skorelowanie potencjal-nych wskaźników diagnostyczpotencjal-nych, celem redukcji i doboru finalnego zestawu wskaźników diagnostycznych Metodę odwróconej macierzy korelacji zapropo-nowaną przez Zeliasia i Malinę w 1998 r rozszerzono tak, aby uzyskać ten sam zestaw wskaźników diagnostycznych dla każdego roku analizy, tzn :
•
Celem dalszej redukcji zbioru potencjalnych cech diagnostycznych dla po-szczególnych lat analizy t (t = 2004, , 2008), usunięto wskaźniki diagnostyczne (wiersze j), dla których suma wartości bezwzględnych współczynników korelacji w wierszu macierzy korelacji R była największa Przy sumowaniu współczyn-ników w wierszu j macierzy korelacji R brano pod uwagę tylko zmienne silnie skorelowane (rj● > 0,5) Tym samym z analizy usunięto wskaźniki diagnostyczne najsilniej (łącznie) skorelowane z pozostałymi analizowanymi wskaźnikami Dla każdego roku uzyskano nieco inny, mniej liczny, zestaw wskaźników diagno-stycznych, przy czym wyeliminowano te same wskaźniki, zbyt mocno skorelo-wane w całym okresie analizy, w latach 2004–2008•
W trzecim kroku analizy korelacji, w wyniku dalszej redukcji zbioru po-tencjalnych wskaźników diagnostycznych, celem uzyskania jednakowego zbioru cech w całym badanym okresie dla poszczególnych lat analizy t (t = 2004, , 2008) usunięto wskaźniki (wiersze j), dla których suma wartości bezwzględnych współczynników korelacji w wierszu macierzy korelacji była największa Brano pod uwagę wskaźniki j o najwyższych wartościach bezwzględnych współczyn-ników korelacji187 W pierwszym kroku wstępnej analizy danych ze zbioru potencjalnych wskaźników diagnostycznych przyjętych do oceny innowacyjności branż przemysłu spożywczego w Polsce wyeliminowano zmienne o numerach 18, 19, 20 z brakami danych, które wynikały głównie ze zmian metodologii badania PNT–02.
W kolejnym kroku na podstawie miar statystyki opisowej (położenia, rozstępu, zmienności) dokonano oceny przydatności pozostałych wskaźników do analizy. Pozostałe 19 wskaźników charakteryzowało się dostateczną zmiennością vj 10% oraz dostateczną amplitudą wahań.
W ostatnim kroku wstępnej analizy danych oceniono skorelowanie potencjalnych wskaźników diagnostycznych, celem redukcji i doboru finalnego zestawu wskaźników diagnostycznych. Metodę odwróconej macierzy korelacji zaproponowaną przez Zeliasia i Malinę w 1998 r. rozszerzono tak, aby uzyskać ten sam zestaw wskaźników diagnostycznych dla każdego roku analizy, tzn.:
Celem dalszej redukcji zbioru potencjalnych cech diagnostycznych dla poszczególnych lat analizy t
t 2004,...,2008
, usunięto wskaźniki diagnostyczne (wiersze j ), dla których suma wartości bezwzględnych współczynników korelacjiw wierszu macierzy korelacji R była największa. Przy sumowaniu współczynników w wierszu j macierzy korelacji R brano pod uwagę tylko zmienne silnie skorelowane
rj0,5
. Tym samym z analizy usunięto wskaźniki diagnostyczne najsilniej (łącznie) skorelowane z pozostałymi analizowanymi wskaźnikami. Dla każdego roku uzyskano nieco inny, mniej liczny, zestaw wskaźników diagnostycznych, przy czym wyeliminowano te same wskaźniki, zbyt mocno skorelowane w całym okresie analizy, w latach 2004–2008. W trzecim kroku analizy korelacji, w wyniku dalszej redukcji zbioru potencjalnych wskaźników diagnostycznych, celem uzyskania jednakowego zbioru cech w całym badanym okresie dla poszczególnych lat analizy t
t2004,...,2008
usunięto wskaźniki (wiersze j ), dla których suma wartości bezwzględnych współczynników korelacji w wierszu macierzy korelacji była największa. Brano pod uwagę wskaźniki j o najwyższych wartościach bezwzględnych współczynników korelacji jp rjp,
max . Tym samym z analizy usunięto pojedyncze zmienne, najsilniej skorelowane z pozostałymi analizowanymi cechami.
Podsumowując, w wyniku analizy korelacji usunięto z dalszej analizy wskaźniki o numerach: 2, 5, 19 (pozostało 16 wskaźników); 3 i 8 (pozostało 14 wskaźników) oraz 4, 12, 15, 20, 21, 22 i 14 (pozostało 7 wskaźników). Ostatecznie do budowy rankingów innowacyjności przedsiębiorstw klas przemysłu spożywczego wykorzystano zestaw7 wskaźników diagnostycznych
Tym samym z analizy usunięto pojedyncze zmienne, najsilniej skorelowane z pozostałymi analizowanymi cechami
Podsumowując, w wyniku analizy korelacji usunięto z dalszej analizy wskaźniki o numerach: 2, 5, 19 (pozostało 16 wskaźników); 3 i 8 (pozosta-ło 14 wskaźników) oraz 4, 12, 15, 20, 21, 22 i 14 (pozosta(pozosta-ło 7 wskaźników) Ostatecznie do budowy rankingów innowacyjności przedsiębiorstw klas prze-mysłu spożywczego wykorzystano zestaw 7 wskaźników diagnostycznych za-mieszczonych w tab 5 2, które potraktowano jako stymulanty oceny innowa-cyjności przedsiębiorstw
Pod względem pierwszego z wymienionych wskaźników diagnostycznych, tj liczby przedsiębiorstw innowacyjnych jako odsetek ogółu przedsiębiorstw, w 2004 r na tle wszystkich analizowanych klas przemysłu spożywczego wy-różniały się klasy – przemysłu tytoniowego (100%), spirytusowego (90,2%) i olejarskiego (85,6%), w których odsetek przedsiębiorstw innowacyjnych był największy Także w 2008 r w wymienionych klasach przemysłu spożywcze-go odnotowano najwyższe wartości omawianespożywcze-go wskaźnika, z tym, że uległy one zmniejszeniu i wyrównaniu, powodując zmianę kolejności klas przemysłu w rankingu – olejarski (69,7%), spirytusowy (69,0%) i tytoniowy (64,4%) Wspomniane klasy przedsiębiorstw przemysłu spożywczego w całym badanym okresie zajmowały naprzemiennie pierwsze trzy miejsca w rankingach Najsłabiej prezentowały się przedsiębiorstwa przetwórstwa rybnego (2004 r , 33,4%) i prze-mysłu piekarskiego (2008 r , 17,4%), w których odnotowano najniższy odsetek przedsiębiorstw innowacyjnych – zob rys 5 1
Tabela 5 2 Wskaźniki diagnostyczne innowacyjności klas przemysłu spożywczego Symbol * Preferencje** Wyszczególnienie
Z1 S Przedsiębiorstwa innowacyjne w % ogółu przedsiębiorstw
Z6 S Nakłady przypadające na 1 przedsiębiorstwo prowadzące działalność innowacyjną (w tys zł)
Z7 S Nakłady na B+R w % nakładów na działalność innowacyjną
Z9 S Nakłady na zakup gotowej technologii w % nakładów na działalność innowacyjną
Z10 S Nakłady na oprogramowanie w % nakładów na działalność innowacyjną
Z11 S Nakłady inwestycyjne na budynki i budowle oraz grunty w % nakładów na działalność innowacyjną
Z13 S Nakłady inwestycyjne na maszyny i urządzenia techniczne z importu w % nakładów na działalność innowacyjną
*Symbol wskaźnika odpowiada ich numeracji w rozdz 5 1
**S – stymulanta
Z punktu widzenia nakładów przypadających na 1 przedsiębiorstwo prowa-dzące działalność innowacyjną (w tys zł) w pierwszych trzech latach badanego okresu (2004–2006) wyróżniała się branża tytoniowa, w której odnotowano najwyższe nakłady przypadające na 1 przedsiębiorstwo W 2007 r najwyższą wartość omawianego wskaźnika odnotowano wśród przedsiębiorstw
181
Ocena innowacyjności w branżach przemysłu spożywczego
Najniższe nakłady przypadające na 1 przedsiębiorstwo prowadzące działalność innowacyjną (w tys zł) występowały: w 2004 r w przemyśle spirytusowym, w 2005 r w przemyśle piekarskim, a od 2006 r w przemyśle winiarskim – zob rys 5 2
Kolejny wskaźnik diagnostyczny przyjęty do analizy odnosi się do najważ-niejszej kategorii nakładów innowacyjnych, tzn nakładów na B+R, związanych z opracowywaniem nowych i ulepszonych produktów (innowacji produkto-wych) i procesów (innowacji procesoprodukto-wych) w odsetku nakładów na działalność innowacyjną Z danych zamieszczonych na rysunku 5 3 wynika, że w więk-szości klas przedsiębiorstw przemysłu spożywczego nie przekraczał on 4% Charakterystyczne jest, że wśród przedsiębiorstw przemysłu olejarskiego, cu-krowniczego i winiarskiego tego rodzaju nakłady na przestrzeni badanego okresu w ogóle nie wystąpiły Natomiast klasy przedsiębiorstw przemysły spożywczego, w których odnotowano najwyższy udział nakładów na B+R w wartości nakładów na działalność innowacyjną, to: przemysł piwowarski (20,2%, 2004 r ), paszowy (12,7% w 2005 r , 17,7% w 2006 r i 30,9% w 2008 r ) oraz przemysł
ziemniacza-ny (11,5% w 2007 r )
Rysunek 5 1 Przedsiębiorstwa innowacyjne jako odsetek ogółu przedsiębiorstw w klasach przemysłu spożywczego w latach 2004 i 2008
Rysunek 5 2 Nakłady przypadające na 1 przedsiębiorstwo prowadzące działalność innowacyjną w klasach przemysłu spożywczego w latach 2004 i 2008
Rysunek 5 3 Nakłady na B+R jako odsetek nakładów na działalność innowacyjną w klasach przemysłu spożywczego w latach 2004 i 2008
183
Ocena innowacyjności w branżach przemysłu spożywczego
Rysunek 5 4 Nakłady na zakup gotowej technologii jako odsetek nakładów na działalność innowacyjną w klasach przemysłu spożywczego w latach 2004 i 2008
Podobną sytuację zaobserwować można pod względem wskaźnika nakładów na zakup gotowej technologii, tj dokumentacji, praw (licencji, praw patentowych,
know-how itp ) jako odsetka nakładów na działalność innowacyjną Na
przestrze-ni badanego okresu jedyprzestrze-nie w przestrze-nielicznych klasach przedsiębiorstw przemysłu spożywczego wystąpiły tego rodzaju nakłady i wówczas stanowiły znaczną cześć nakładów na działalność innowacyjną W 2004 r i pod względem omawianego wskaźnika wyróżniły się przedsiębiorstwa przemysłu cukierniczego (10,0%) i owocowo-warzywnego (9,4%), a w 2008 r przedsiębiorstwa przemysłu kon-centratów spożywczych (2,0%) Na rys 5 4 można zauważyć, że udział tego ro-dzaju nakładów w 2008 r , w stosunku do 2004 r uległ wyraźnemu zmniejszeniu Kolejny wskaźnik przyjęty do analizy to wskaźnik nakładów na oprogramo-wanie, tj kosztów zakupu, opracowania (doskonalenia) i adaptacji (aktualiza-cji) oprogramowania, jako odsetek nakładów na działalność innowacyjną – zob rys 5 5 Najwyższy udział tego rodzaju nakładów odnotowano wśród przedsię-biorstw przemysłu piwowarskiego (14,9% w 2004 r i 11,8% w 2006 r ), a tak-że w przedsiębiorstwach przemysłu spirytusowego (5,7% w 2005 r ), przemysłu
koncentratów spożywczych (3,3% w 2007 r ) oraz przemysłu owocowo-wa-rzywnego (9,1% w 2008 r ) Najniższy odsetek nakładów na oprogramowanie
wystąpił wśród przedsiębiorstw przemysłu ziemniaczanego (2004 r , 2006 r ), paszowego (2005 r ), winiarskiego (2007–2008) i cukrowniczego (2008 r ), ich udział nie przekraczał 0,28%
Rysunek 5 5 Nakłady na oprogramowanie jako odsetek nakładów na działalność innowacyjną w klasach przemysłu spożywczego w latach 2004 i 2008
Rysunek 5 6 Nakłady inwestycyjne na budynki i budowle oraz grunty jako odsetek nakładów na działalność innowacyjną w klasach spożywczego w latach 2004–2008
185
Ocena innowacyjności w branżach przemysłu spożywczego
Wartości dwóch ostatnich wskaźników innowacyjności przedsiębiorstw prze-mysłowych przyjętych do analizy, dotyczących udziału nakładów inwestycyjnych na budynki, budowle oraz grunty jako odsetek nakładów innowacyjnych ogółem (rys 5 6) oraz udziału nakładów na maszyny i urządzenia techniczne z importu jako odsetek nakładów innowacyjnych ogółem (rys 5 7) wskazują, że to właśnie tego rodzaju nakłady mają z reguły „duży udział” w nakładach innowacyjnych przedsiębiorstw przemysłowych W 2004 r najwyższy udział nakładów na budyn-ki, budowle oraz grunty wystąpił w przedsiębiorstwach przetwórstwa rybnego 52,6%, a w 2008 r w przedsiębiorstwach przemysłu olejarskiego 60,5%, podczas gdy najniższe nakłady odnotowano w 2004 r w przedsiębiorstwach przemysłu tytoniowego (0,5%), a w 2008 r w przedsiębiorstwach przemysłu cukrowniczego i winiarskiego (brak nakładów)
Pod względem wskaźnika nakładów innowacyjnych przedsiębiorstw przemy-słowych na maszyny i urządzenia techniczne z importu jako odsetek nakładów ogó-łem na tle wszystkich analizowanych klas przedsiębiorstw przemysłowych „pozy-tywnie” wyróżniły się przedsiębiorstwa: przemysłu tytoniowego (lata 2004–2006),
piwowarskiego (2007 r ) i napojów bezalkoholowych, w których w odnotowano
najwyższe wartości omawianego wskaźnika Tymczasem w przedsiębiorstwach przemysłu paszowego (2004 r ), cukrowniczego (2005 r , 2008 r ) i winiarskiego (2006–2008) udział tego rodzaju nakładów był najmniejszy lub w ogóle one nie występowały
Rysunek 5 7 Nakłady inwestycyjne na maszyny i urządzenia techniczne z importu jako odsetek nakładów na działalność innowacyjną w klasach przemysłu spożywczego w latach 2004 i 2008