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



5,31028.

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,...,K_n1 oraz związanych z nimi kolejnych odległości łączenia obiektów na wykresie drzewa h₀,h₁,...,h_n1, przy czym (subskrypt) 01,,...,n1 odnosi się do wyniku podziału obiektów na n, n 1,...,1 skupień. Na podstawie n1 wartości h₁,...,h_n1 połączeń wszystkich n analizowanych obiektów w skupienia wyznacza się ich wartość średnią h i

 

e

odchylenie 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 e1,...,n2), który pierwszy spełnia nierówność:



e



h aS_h

h

UTR: 1   (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

, (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 zarówno

w przypadku metod aglomeracyjnych i podziałowych. Wartości indeksu sylwetkowego wyznacza się na podstawie, kolejno: cząstkowych ocen s przynależności każdego obiektu do skupienia,

 

i

agregowanych 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 obiekt

i 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 



0,1

s , 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;

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 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 zarówno

w przypadku metod aglomeracyjnych i podziałowych. Wartości indeksu sylwetkowego wyznacza się na podstawie, kolejno: cząstkowych ocen s przynależności każdego obiektu do skupienia,

 

i

agregowanych 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 obiekt

i 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 



0,1

s , 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;

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 K_q,

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 |v_j| > 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 (r_j● > 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 korelacji

187 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 v_j 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



r_j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 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



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 współczynników korelacji _^ _jp r_jp_^

,

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

5.5. Syntetyczna ocena innowacyjności branż przemysłu spożywczego

W dokumencie Innowacyjność przemysłu spożywczego w Polsce. Ocena, uwarunkowania, rozwój (Stron 178-186)