ISSN:1896Ǧ382X|www.wnus.edu.pl/epu DOI:10.18276/epu.2018.131/1Ǧ16|strony:159–167
RafaÏKlóska
UniwersytetSzczeciÑski WydziaÏZarz¦dzaniaiEkonomikiUsÏug rafal.kloska@wzieu.plPrzyczynekdodyskusjioklasyfikacjiwojewództwwPolsce
podwzgl¸deminnowacyjnoäci
Kody JEL: O18, C19, R59
Sáowa kluczowe: innowacyjnoĞü, klasyfikacja, analiza statystyczna
Streszczenie. Ewolucja poglądów teoretycznych, zmiana paradygmatów oraz obserwowane
procesy i zjawiska zachodzące na Ğwiecie powodują, Īe aktualnie fundamentalny staje siĊ rozwój oparty na wiedzy i innowacjach, takĪe w wymiarze mezoekonomicznym. W drugiej dekadzie XXI wieku to wáaĞnie innowacyjnoĞü jest coraz czĊĞciej áączona z rozwojem, postĊpem czy wprowadzaniem korzystnych zmian w gospodarce.
InnowacyjnoĞü regionów jest terminem powszechnie dziĞ uĪywanym i intuicyjnie rozumianym, ale jego wielowymiarowoĞü powoduje, Īe pomiar pozostaje niejednoznaczny. Celem opracowania jest przedstawienie skwantyfikowania tego obszaru badawczego i zobrazowanie wyników grupo-wania województw w Polsce pod wzglĊdem innowacyjnoĞci.
Wprowadzenie
InnowacyjnoĞü jest immanentną cechą wspóáczesnego Ğwiata (Górecka, MuszyĔ-ska, 2011, s. 55) i w wiĊkszoĞci paĔstw traktowana jest priorytetowo (Janasz, 2011, s. 25). Gospodarka wymusza bowiem nieustanne poszukiwanie nowych rozwiązaĔ w wielu dziedzinach Īycia spoáeczno-gospodarczego, a Ĩródáem innowacji staje siĊ wszystko to, co czáowieka inspiruje do procesu zmian (Pomykalski, 2001, s. 25). Nie-kwestionowany wpáyw na funkcjonowanie caáej gospodarki, która wspóáczeĞnie nosi nazwĊ GOW (gospodarka oparta na wiedzy), ma rozwój systemów informatycznych (Drab-Kurowska, 2010, s. 153). W GOW oczywistym jest wzrost znaczenia innowacji.
Taką gospodarkĊ wyróĪnia rola informacji, rozwijające siĊ dynamicznie technologie teleinformatyczne1 oraz procesy globalizacji (Budziewicz-GuĨlecka, Drab-Kurowska, 2009, s. 40). Obserwowane trendy w rozwoju globalnym pozwalają zauwaĪyü, Īe w najbliĪszej przyszáoĞci naleĪy oczekiwaü dalszego zwiĊkszania innowacyjnoĞci, takĪe w ujĊciu mezoekonomicznym. InnowacyjnoĞü regionu moĪna bowiem utoĪsamiaü ze zdolnoĞcią i chĊcią podmiotów funkcjonujących w i na rzecz danego regionu zarówno w sferze spoáecznej, jak i gospodarczej, do kreowania i absorpcji innowacji, a tym sa-mym ciągáego poszukiwania i stosowania w praktyce wyników badaĔ naukowych, prac badawczo-rozwojowych2, nowych idei, pomysáów, wynalazków i rozwiązaĔ mających na celu pozytywne zmiany wzrostu iloĞciowego i postĊpu jakoĞciowego w regionie, lepsze zaspokojenie potrzeb jego mieszkaĔców i efektywniejsze wykorzystanie posia-danych zasobów.
Na potrzeby niniejszego opracowania region w Polsce utoĪsamiany jest z kaĪdym z szesnastu istniejących województw, co jest zgodne z najczĊĞciej stosowanym podej-Ğciem, aby region w ujĊciu podstawowym traktowaü jako jednostkĊ podziaáu admini-stracyjnego kraju drugiego stopnia (Paradysz, 2012, s. 191).
1.KwantyfikacjaobszarubadaÑiuwagimetodyczne
Kompleksowa analiza statystyczna wymaga kwantyfikacji obszaru badawczego3, a ta napotyka szereg problemów zarówno metodycznych, jak teĪ ograniczonej dostĊp-noĞci okreĞlonych danych statystycznych. Pomiar jest jednak moĪliwy, ale niejedno-znaczny, a dogáĊbne rozpoznanie tematu oraz przeprowadzona dyskusja merytoryczna (Klóska, 2015) doprowadziáy do wskazania – przy dostrzeganych ograniczeniach – i zastosowania pewnych mierników pozwalających na w miarĊ kompleksowy opis in-nowacyjnoĞci regionów (por. tab. 1) w Polsce4.
1
WspóáczeĞnie wĞród determinant innowacyjnoĞci, obok ogólnych wskaĨników innowa-cyjnoĞci, czĊsto akcentuje siĊ rolĊ technologii informacyjno-komunikacyjnych i telekomunikacji (zob. m.in. Czaplewski, 2011, s. 344–395; 2015, s. 341–348).
2
Bez dziaáalnoĞci B+R gospodarka oparta na wiedzy nie bĊdzie siĊ jednolicie rozwijaü (Budziewicz-GuĨlecka, 2014, s. 9).
3
Przedstawione rezultaty są kontynuacją badaĔ prowadzonych od kilkunastu lat w Kate-drze Metod IloĞciowych Wydziaáu Zarządzania i Ekonomiki Usáug Uniwersytetu SzczeciĔskiego.
4
Tabela 1. WskaĨniki innowacyjnoĞci regionów w Polsce
Symbol wskaĨnika
Blok rodzajowy / wskaĨnik innowacyjnoĞci regionów
I. Potencjaá
I1 nakáady na dziaáalnoĞü B+R w relacji do PKB (%)
I2 odsetek osób w wieku 15–64 lata posiadających wyĪsze wyksztaácenie (%)
II. AktywnoĞü firm
I3 nakáady sektora przedsiĊbiorstw na dziaáalnoĞü B+R w relacji do PKB (%)
I4 odsetek MSP przemysáowych wspóápracujących w inicjatywach klastrowych lub
innych sformalizowanych formach wspóápracy (%)
III. Wyniki
I5 udziaá przedsiĊbiorstw innowacyjnych w ogóle przedsiĊbiorstw przemysáowych
(%)
I6 udziaá przedsiĊbiorstw innowacyjnych w ogóle przedsiĊbiorstw z sektora usáug
(%)
I7 udziaá zatrudnionych w B+R w pracujących ogóáem (%)
I8 udziaá przychodów netto ze sprzedaĪy produktów podmiotów zaliczanych do
wysokiej i Ğrednio-wysokiej techniki (przedsiĊbiorstwa o liczbie pracujących powyĪej 9 osób) (%)
ħródáo: Klóska (2017), s. 151.
Problem pomiaru innowacyjnoĞci regionów wynika z jej záoĪonoĞci, a do opisu takich zjawisk wykorzystuje siĊ metody wielowymiarowej analizy statystycznej (WAS)5. Ich stosowanie wymaga dwojakiego rodzaju umiejĊtnoĞci – merytorycznej (w wybranej dyscyplinie naukowej) oraz metodologicznej (opanowania okreĞlonych narzĊdzi WAS) znajomoĞci zagadnienia (Walesiak, 1993, s. 63). W bogatej literaturze naukowej znaleĨü moĪna ku temu liczne wskazówki, ale naleĪy mieü ĞwiadomoĞü, Īe nie ma jednak jednoznacznej odpowiedzi na pytanie, która z licznych metod jest wáa-Ğciwa w konkretnych badaniach empirycznych, a stosowanie róĪnych metod czĊsto prowadzi do uzyskiwania róĪnych koĔcowych wyników (CzyĪycki, 2012, s. 15–22). Celem badaĔ regionalnych jest czĊsto grupowanie zbioru obiektów wielocecho-wych i dla potrzeb niniejszego opracowania realizowane ono bĊdzie w odniesieniu do województw w Polsce opisanych przy uĪyciu zmiennych z tabeli 1. Ta czynnoĞü po-znawcza pozwala uporządkowaü materiaá statystyczny i sprowadza siĊ do podziaáu zbioru obiektów na podzbiory (nazywane teĪ grupami, klasami czy skupieniami), w których poszczególne jednostki bĊdą do siebie podobne pod wzglĊdem cech
5
tych do opisu badanego zjawiska6. Decydujące znaczenie dla wyników stosowanych metod grupowania ma lista zmiennych diagnostycznych, ale odrĊbnym problemem wstĊpnym, wymagającym podjĊcia przemyĞlanej decyzji, jest ewentualne ustalenie systemu wag przyjĊtych cech. Do dziĞ nie rozstrzygniĊto jednak tej kwestii w sposób jednoznaczny i nie wypracowano uniwersalnej i powszechnie akceptowanej procedury, czego skutkiem w praktyce wiĊkszoĞü badaczy przyznaje jednakowe znaczenie kaĪdej zmiennej i stosuje równe wagi. Istnieje wiele miar, pozwalających oceniü podobieĔstwo obiektów (Podolec, Szymanowicz, 1984), wĞród których wyróĪnia siĊ miary odlegáoĞci, a stosowanie ich konkretnych konstrukcji uzaleĪnione jest od skali pomiaru. W konse-kwencji zebrania informacji liczbowych na potrzeby niniejszego opracowania uzyskano zmienne diagnostyczne (por. tab. 1) wyraĪone przy uĪyciu ilorazowej skali pomiaru, a ten typ skali mocnej pozwala na stosowanie wszystkich dziaáaĔ arytmetycznych i tym samym nie ogranicza stosowania okreĞlonych metod statystycznych. Speánione jest zarazem, wymagane na ogóá dla metod WAS, zaáoĪenie jednorodnoĞci skali pomiaru rozpatrywanych zmiennych. Do podstawowych miar odlegáoĞci obiektów, opisanych za pomocą zmiennych mierzonych na skali ilorazowej i (lub) przedziaáowej, zalicza siĊ metrykĊ Minkowskiego, a w praktyce najczĊĞciej wykorzystuje siĊ jej szczególne przy-padki, czyli odlegáoĞci miejską i euklidesową. Wykorzystują one w obliczeniach znor-malizowane (a nie pierwotne) wartoĞci zmiennych. Normalizacja ma bowiem na celu pozbawienie mian wyników pomiaru oraz ujednolicenie rzĊdów ich wielkoĞci. Formuá normalizacyjnych znanych jest wiele, a dogáĊbne studia literaturowe oraz przegląd licz-nych opracowaĔ badaĔ empiryczlicz-nych, z naciskiem na zawarte tam opinie ekspertów oraz przemyĞlenia wáasne w tym wzglĊdzie, pozwalają zauwaĪyü, Īe bardzo czĊsto wykorzystywana jest standaryzacja klasyczna. Speánia ona postulat addytywnoĞci, czyli doprowadza róĪnoimienne zmienne do wzajemnej porównywalnoĞci, a dodatkowo po jej zastosowaniu Ğrednia arytmetyczna kaĪdej zmiennej diagnostycznej wynosi zero, a odchylenie standardowe jest równe jeden. Kolejnym krokiem w kierunku stosowania okreĞlonych procedur taksonomicznych jest wybór metody grupowania, których zna-nych jest wiele i w praktycznie kaĪdej monografii z zakresu metod WAS znaleĨü moĪna odpowiednie rozdziaáy temu poĞwiĊcone. Przegląd bogatej literatury i licznych opraco-waĔ zawierających wyniki badaĔ empirycznych dowodzi, Īe bardzo popularne są hie-rarchiczne metody aglomeracyjne, a wĞród nich najlepszą jest metoda Warda, co wyka-zali T. GrabiĔski i A. Sokoáowski (1984) czy teĪ G.W. Milligan (1996). Metoda Warda jest oprogramowana w powszechnie dziĞ stosowanych komputerowych pakietach staty-stycznych STATISTICA, przy wykorzystaniu których prowadzono analizy dla potrzeb niniejszego opracowania, umoĪliwia wybór – jako kryterium podobieĔstwa obiektów – spoĞród siedmiu miar odlegáoĞci (są to: kwadrat odlegáoĞci euklidesowej, odlegáoĞü euklidesowa, odlegáoĞü miejska, odlegáoĞü Czebyszewa, odlegáoĞü potĊgowa,
6
W literaturze polskiej synonimem grupowania jest czĊsto klasyfikacja czy analiza sku-pieĔ, które są táumaczeniem angielskich okreĞleĔ: classification i cluster analysis.
noĞü procentowa oraz 1-r Pearsona). Zgodnie z klasycznym postĊpowaniem badaw-czym, podchodząc iloĞciowo do zagadnieĔ ekonomicznych, nie wolno programów komputerowych stosowaü bez pewnego zastanowienia siĊ nad wáasnoĞciami ujĊtych tam procedur obliczeniowych. KaĪdy badacz musi bowiem Ğwiadomie podejmowaü decyzje i zdawaü sobie sprawĊ z rzetelnoĞci wyników otrzymanych w rezultacie wyko-rzystanego oprogramowania. ZnajomoĞü opinii ekspertów w bogatej dziĞ literaturze fachowej pozwala zauwaĪyü, Īe w metodzie Warda, z wyĪej wymienionych siedmiu miar odlegáoĞci, w praktyce najczĊĞciej stosowane są dwie pierwsze. W ujĊciu tradycyj-nym, zaproponowanym przez J.H. Warda (1963) wykorzystywano kwadrat odlegáoĞci euklidesowej do oceny podobieĔstwa obiektów, przy czym – mimo Īe inne miary odle-gáoĞci nie mają interpretacji geometrycznej – obecnie bardzo czĊsto stosuje siĊ alterna-tywnie odlegáoĞü euklidesową (Basiura, 2005). Kolejnym dylematem metodycznym jest decyzja, w którym momencie przerwaü proces aglomeracji i czy otrzymany na danym etapie podziaá uznaü za najlepszy. W literaturze opisano kilkadziesiąt róĪnych sposo-bów pozwalających okreĞliü optymalną liczbĊ klas, a interesujące rozwaĪania w tym wzglĊdzie przedstawili m.in. G.W. Milligan i M.C. Cooper (1985) czy teĪ K. Jajuga (1984) i M. Walesiak (1988). Nie ma jednak sprawdzonej, uniwersalnej i jednoznacznej reguáy przerwania procesu grupowania, przez co brak optymalnego kryterium ustalania liczby klas. Kierując siĊ zdrowym rozsądkiem, intuicją czy doĞwiadczeniem w tego typu badaniach próbuje siĊ dokonywaü podziaáu tak, Īeby obiekty naleĪące do tej samej klasy miaáy jak najwiĊcej cech wspólnych i jednoczeĞnie jak najmniej podobieĔstw z jednostkami innego skupienia. Podejmowanie decyzji o etapie przerwania aglomeracji jest w duĪym stopniu subiektywne i warto rozpatrywaü róĪne warianty podziaáu, ale rozsądnym wydaje siĊ odciĊcie najdáuĪszych gaáĊzi drzewa na dendrogramie.
2.WynikibadaÑwÏasnych
Celem klasyfikacji województw w Polsce pod wzglĊdem innowacyjnoĞci (w ro-zumieniu zaprezentowanych w tab. 1 zmiennych diagnostycznych) dziĞ7 i – dla porów-nania – na koniec poprzedniej dekady wykorzystano metodĊ Warda z kwadratem odle-gáoĞci euklidesowej dla znormalizowanych metodą standaryzacji przyjĊtych oĞmiu cech statystycznych. Z uwagi na – wyĪej opisany – brak uniwersalnej i powszechnie akcep-towanej tzw. reguáy stopu, pozwalającej na przerwanie aglomeracji na etapie najbardziej optymalnym, rozpatrywano róĪne warianty podziaáu i ostatecznie zdecydowano, Īe
7
W okresie sporządzania niniejszego opracowania (listopad 2017 roku) z przyjĊtych do badania oĞmiu zmiennych diagnostycznych (por. tab. 1) za rok 2016 znane i dostĊpne byáy rze-czywiste informacje jedynie dla jednej cechy (I2), zdecydowano zatem, Īe aktualną sytuacjĊ bĊdą
opisywaü dane wedáug stanu na koniec 2015 r. (ograniczona dostĊpnoĞü materiaáu statystycznego powoduje, Īe w peáni wiarygodne są dane dla szeĞciu branych pod uwagĊ zmiennych, a dla dwóch, oznaczonych symbolami I1 i I4, przyjĊto dane za ostatni dostĊpny rok, co jest zbieĪne
rozsądnym jest podziaá dychotomiczny. O ile na koniec 2015 roku (por. rys. 1) jest on bardzo wyraĨny, o tyle na koniec poprzedniej dekady (por. rys. 2) moĪna byáoby siĊ jeszcze zastanawiaü, czy wyodrĊbniü trzecie skupienie (wówczas województwo mazo-wieckie stanowiáoby jednoelementową klasĊ jako najbardziej innowacyjne).
Rysunek 1. Klasyfikacja województw w Polsce pod wzglĊdem innowacyjnoĞci na koniec 2015 roku
ħródáo: opracowanie wáasne na podstawie danych z www.stat.gov.pl.
Innymi sáowy, zarówno obecnie jak i na koniec poprzedniej dekady, w Polsce wyróĪniü moĪna dwie grupy województw, w których zachodzi podobieĔstwo w zakre-sie innowacyjnoĞci. Jeszcze kilka lat temu skupienia te byáy jednak równoliczne. Anali-za Ğrednich wartoĞci cech w grupach pozwoliáa oceniü poziom innowacyjnoĞci wyod-rĊbnionych klas, a otrzymane wyniki dają podstawĊ do oceny, Īe najbardziej innowa-cyjna jest dziĞ grupa województw utworzona przez: podkarpackie, mazowieckie, wiel-kopolskie, pomorskie, maáopolskie i dolnoĞląskie. Pozostaáych dziesiĊü województw w Polsce tworzy skupienie o niĪszym stopniu innowacyjnoĞci. Konfrontując rezultaty dendrogramu zaprezentowane na rysunku 1 z wynikami zobrazowanymi na rysunku 2, moĪna zauwaĪyü, Īe skupienie najbardziej proinnowacyjne na koniec 2010 roku byáo bardziej liczne niĪ aktualnie i w gronie szeĞciu wyĪej wymienionych znalazáy siĊ jesz-cze dwa województwa: Ğląskie i lubelskie.
Rysunek 2. Klasyfikacja województw w Polsce pod wzglĊdem innowacyjnoĞci na koniec 2010 roku
ħródáo: opracowanie wáasne na podstawie danych z www.stat.gov.pl.
Podsumowanie
Kompleksowa analiza innowacyjnoĞci województw w Polsce wymaga kwantyfi-kacji obszaru badawczego, ta zaĞ jest utrudniona ze wzglĊdu na ograniczoną dostĊp-noĞü, a czĊsto brak kompletnych i porównywalnych, a przy tym w peáni wiarygodnych, danych statystycznych. KoniecznoĞü indywidualnego doboru okreĞlonego instrumenta-rium wymaga od prowadzącego badanie, w ramach merytorycznej i metodologicznej znajomoĞci analizowanego zagadnienia, podjĊcia przemyĞlanej decyzji. Korzystając ze wskazówek w bardzo bogatej literaturze naukowej i przy dostrzeganych dziĞ ogranicze-niach, klasyfikacja województw w Polsce pod wzglĊdem innowacyjnoĞci jest jednak moĪliwa, czego przykáadem są zaprezentowane wyniki badaĔ empirycznych.
Literatura
Basiura, B. (2005). Empiryczny test jednorodnoĞci dla metody Warda stosowanej do analizy zbioru województw Polski. Prace Naukowe Akademii Ekonomicznej we Wrocáawiu, 1076.
Budziewicz-GuĨlecka, A. (2014). Rola dziaáalnoĞci naukowo-badawczej w rozwoju gospodarki opartej na wiedzy. Zeszyty Naukowe Uniwersytetu SzczeciĔskiego. Ekonomiczne Proble-my Usáug, 112.
Budziewicz-GuĨlecka, A., Drab-Kurowska, A. (2009). Zarządzanie wiedzą w dobie Nowej Go-spodarki. Zeszyty Naukowe Uniwersytetu SzczeciĔskiego. Ekonomiczne Problemy Usáug, 35.
Czaplewski, M. (2011). Oddziaáywanie telekomunikacji na nowe formy dziaáalnoĞci gospodar-czej. W: H. Babis, K. Flaga-GieruszyĔska (red.), Rynek usáug telekomunikacyjnych (s. 344–395). Warszawa: LEX a Wolters Kluwer business.
Czaplewski, M. (2015). Wykorzystywanie technologii informacyjno-komunikacyjnych we wspie-raniu podstawowych kierunków rozwoju polskich firm ubezpieczeĔ gospodarczych. Ze-szyty Naukowe Uniwersytetu SzczeciĔskiego, 852. Ekonomiczne Problemy Usáug, 117, 341–348.
CzyĪycki, R. (2012). Badanie rozwoju spoáeczno-gospodarczego województw – wpáyw metodyki badaĔ na uzyskane wyniki. Zeszyty Naukowe WyĪszej Szkoáy Bankowej w Poznaniu, 42. Drab-Kurowska, A. (2010). Poziom technologii informatycznych w przedsiĊbiorstwach
woje-wództwa zachodniopomorskiego. Zeszyty Naukowe Uniwersytetu SzczeciĔskiego. Ekono-miczne Problemy Usáug, 57.
Górecka, D., MuszyĔska, J. (2011). Analiza przestrzenna innowacyjnoĞci polskich regionów. Acta Universitatis Lodziensis. Folia Oeconomica, 253.
GrabiĔski, T. (1992). Metody taksonometrii. Kraków: Wydawnictwo Akademii Ekonomicznej w Krakowie.
GrabiĔski, T., Sokoáowski, A. (1984). Z badaĔ nad efektywnoĞcią wybranych procedur taksono-micznych. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, 181.
Janasz, W. (2011). Innowacje w zrównowaĪonym rozwoju organizacji. Warszawa: Difin.
Jajuga, K. (1984). O sposobach okreĞlania iloĞci klas w zagadnieniach klasyfikacji i klasyfikacji rozmytej. Prace Naukowe Akademii Ekonomicznej we Wrocáawiu, 262.
Klóska, R. (2015). InnowacyjnoĞü jako determinanta rozwoju regionalnego w Polsce. Szczecin: Wydawnictwo Naukowe Uniwersytetu SzczeciĔskiego.
Klóska, R. (2017). InnowacyjnoĞü a rozwój spoáeczno-gospodarczy w Polsce. Ekonomiczne Problemu Usáug, 1 (126).
Milligan, G.W. (1996). Clustering Validation: Results and Implications for Applied Analyses. W: P. Arabie, L. J. Hubert, G. de Soete (red.), Clustering and Classification. Singapore: World Scientific.
Milligan, G.W., Cooper M.C. (1985). An Examination of Procedures for Determining the Number of Clusters in a Data Set. Psychometrika, 2.
Paradysz, J. (2012). Statystyka regionalna: stan, problemy i kierunki rozwoju. Przegląd Staty-styczny, 2.
Podolec, B., Szymanowicz, K. (1984). Próba usystematyzowania miar podobieĔstwa. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie.
Pomykalski, A. (2001). Zarządzanie innowacjami. Globalizacja, konkurencja, technologia infor-macyjna. Warszawa–àódĨ: Wydawnictwo Naukowe PWN.
Walesiak, M. (1988). Sposoby wyznaczania optymalnej liczby klas w zagadnieniu klasyfikacji hierarchicznej. Prace Naukowe Akademii Ekonomicznej im. Oskara Langego, 449. Walesiak, M. (1993). Statystyczna analiza wielowymiarowa w badaniach marketingowych. Prace
Naukowe Akademii Ekonomicznej im. Oskara Langego, 654.
Ward, J.H. (1963). Hierarchical grouping to optimize an objective function. Journal of the Ameri-can Statistical Association, 58.
PRE-DISCUSSION ABOUT THE CLASSIFICATION OF PROVINCES IN POLAND ACCORDING TO THE INNOVATION LEVEL
Keywords: innovation, classification, statistical analysis.
Summary. The evolution of theoretical views, the change of paradigms as well as the observed
processes and phenomena taking place in the world result in the fact that currently the develop-ment based on knowledge and innovations is becoming fundadevelop-mental, also in the mezzo-economic dimension. In the second decade of the 21st century it is innovation that is increasingly associated with development, progress and introduction of positive changes in economy.
Regional innovation is now a commonly used and intuitively understood term, but its multidi-mensionality makes the measurement ambiguous. The aim of the paper is to present the quantifi-cation of this research area and to demonstrate the results of provinces’ classifiquantifi-cation in Poland according to the innovation level.
Translated by Rafaá Klóska
Cytowanie
Klóska, R. (2018). Przyczynek do dyskusji o klasyfikacji województw w Polsce pod wzglĊdem innowacyjnoĞci. Ekonomiczne Problemy Usáug, 2 (131/1), 159–167. DOI: 10.18276/epu.2018.131/1-16.
