Ten serwis zostanie wyłączony 2025-02-11.
Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  analiza klastrów
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
Purpose: The purpose of this paper was to identify the relation between passenger car brand image and consumer loyalty. Design/methodology/approach: A quantitative approach was used, and a questionnaire-based research was carried out. As a method of elaborating the results, cluster analysis was selected. Findings: It was discovered that the consumers from 2 clusters are significantly different both in terms of perception of car brand image and loyalty. In this way the existence of the assumed relation was proved. Practical implications: A practical implication of the study is claiming the role of brand image in shaping consumer loyalty in the passenger cars market. Originality/value: Authors’ contribution and novelty of the paper is the innovative application of the multidimensional exploratory techniques of cluster analysis in the area of research. In management practice, the paper can turn out useful to marketing managers in the automotive industry.
EN
With the development of industry, the issue of environmental safety of countries worldwide has become increasingly acute. Currently, there is a deficiency of information systems capable of effectively and comprehensively informing the public about the state of the environment, analyzing the dynamics of environmental indicators, and assessing regional disparities in terms of environmental safety. The objective of this study is to develop an information system for monitoring the environmental condition of a country's territory based on geoinformation technologies, considering emissions of pollutants. This system is conceived as a multi-regional monitoring system focused on industrial areas. It incorporates a geo-module for user location determination and data representation tailored to the user's location. Additionally, the system regularly updates information on hazardous enterprises and notifies the population in case of emergencies.
PL
Z rozwojem przemysłu wzrasta znaczenie problemu bezpieczeństwa ekologicznego i potrzeba doskonalenia systemów informacyjnych do jego monitorowania i analizy. W obecnych warunkach istnieje niedostatek takich systemów, które mogłyby jakościowo i dostępnie informować społeczeństwo o stanie środowiska, przeprowadzać analizę dynamiki wskaźników ekologicznych oraz oceniać regionalne różnice w tej dziedzinie. Celem niniejszego badania jest opracowanie systemu informacyjnego do monitorowania stanu ekologicznego obszaru kraju na podstawie technologii geoinformacyjnych z uwzględnieniem emisji substancji zanieczyszczających. Wspomniany system jest rozważany jako wieloregionalny i skierowany na monitorowanie stanu ekologicznego strefy przemysłowej. Obejmuje on moduł geograficzny do określania lokalizacji użytkownika i wyświetlania informacji zgodnie z tą lokalizacją. Ponadto system regularnie aktualizuje dane dotyczące niebezpiecznych przedsiębiorstw i informuje społeczeństwo w przypadku wystąpienia sytuacji nadzwyczajnych.
PL
Celem badań jest klasyfikacja krajów Unii Europejskiej (UE) na podstawie postępu w wynikach ekonomicznych w rolnictwie. Oryginalność artykułu wynika z faktu, że do identyfikacji klastrów zastosowano nowy zestaw wskaźników (w postaci względnej). Do oceny wyników ekonomicznych sektora rolnego UE (poprzez analizę klastrów) dla dwóch okresów (2015–2017 i 2018–2020) stosuje się następujące wskaźniki: całkowity nakład siły roboczej, rzeczywisty dochód czynników w rolnictwie na roczną jednostkę pracy, produkcja rolna ogółem, wartość dodana brutto przemysłu rolnego oraz produkcja zwierzęca. Badanie potwierdziło, że kraje UE znacznie się różnią pod względem zmian wyników rolniczych. Zostały one pogrupowane w cztery stosunkowo jednorodne klastry według podobieństwa, z wyraźnym rozproszeniem geograficznym dla obu analizowanych okresów. Identyfikacja dysproporcji rozwojowych pomiędzy krajami UE może być przydatna w przyszłych przekształceniach środków wspólnej polityki rolnej pod kątem zwiększonego wsparcia dla niektórych członków.
EN
The aim of the research is to classify the European Union (EU) countries based on the progress in the economic performance of agriculture. The originality of the paper stems from the fact that a new set of indicators (in relative form) was used to identify the clusters. The following indicators are used to assess the economic performance of the EU agricultural sector (by cluster analysis) for two periods (2015–2017 and 2018–2020): total labor force input, real income of factors in agriculture per annual work unit, total agricultural output, gross value added of the agricultural industry, and animal output. The study confirmed that EU countries, according to changes in agricultural performance, differ significantly. They were grouped into four relatively homogeneous clusters according to their similarity, with a clear geographical dispersion for both analyzed periods. Identifying development disparities between EU countries can be useful in future redesigns of the Common Agricultural Policy measures in terms of increased support to certain members.
EN
Purpose: The purpose of this paper was to identify the structure of consumer segments in the market of motor oil for passenger cars. Design/methodology/approach: A quantitative approach was applied. A questionnaire-based research was carried out. Cluster analysis was selected as the results elaboration method. Findings: It was discovered that, when considering consumer behavioural loyalty, four market segments (clusters) were identified. They are characterized by different values of formal features: four features concerning the consumer and five features concerning the vehicle and its maintenance. Practical implications: A practical implication of the study is revealing the structure of consumer segments in the researched market and describing their characteristics. This knowledge can be used in differentiating marketing activities for each of the identified segments in order to ensure that these activities are more efficient. Originality/value: Authors’ contribution and novelty of the paper is the innovative application of one of the multidimensional exploratory techniques, cluster analysis, in the area of research. In management practice, the paper can be useful for marketing managers in the automotive industry, especially motor oil manufacturers.
EN
A theoretical description and examples of application of selected chemometrical techniques (cluster analysis, factorial methods, correlation and regression analysis, ANOVA, time series analysis, artificial neural networks) have been presented. Special attention was paid to techniques which, in the authors' opinion, are among the most useful and, at the same time, their application is the most common.
PL
W ostatnich dziesięcioleciach zauważa się dynamiczny wzrost zapotrzebowania na informacje dotyczące otaczającej nas rzeczywistości. Popyt na wiedzę dotyczy zagadnień związanych zarówno ze stanem środowiska, kontrolą jakości procesów przemysłowych i produktów, badań archeologicznych, jak i szerokiego spektrum innych dziedzin. W przypadku badań analitycznych zastosowanie nowoczesnych technik pomiarowych połączone ze skróceniem czasu analiz prowadzi do uzyskiwania obszernych zbiorów danych w stosunkowo krótkim czasie. Zastosowanie specjalnych technik obróbki zbiorów wyników pomiarowych sprawia, że możliwe jest "wydobycie" dodatkowych informacji z posiadanych danych. Idealnym narzędziem do tego typu "zabiegów" może być chemometria. Analiza doniesień literaturowych wskazuje, że z roku na rok wzrasta wykorzystanie technik chemometrycznych w różnych dziedzinach nauki. W opracowaniu omówiono teorię najczęściej wykorzystywanych technik analizy danych (korelacji i analizy regresji, analizy czynników, analizy klasterów, analizy szeregów czasowych i analizy wariancji). Szczególny nacisk położono na omówienie nowoczesnych technik analizy danych zaliczanych do grupy technik sztucznej inteligencji. Opis teoretyczny w każdym przypadku wzbogacono o przykłady zastosowań w konkretnych problemach analitycznych.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.