The companies began to think on how applying the new informatics technologies may strengthen their strategic competitiveness on the market of goods and services. Therefore, it became necessary to work out the strategy of the best possible organization structure, informatics systems, and of the choice of economic conditions relating to outlays (costs) in connection with the expected profits (income) of the planned undertaking.
Struktura agrarna krajów Unii Europejskiej jest silnie zróżnicowana. W pracy porównano typy struktury obszarowej gospodarstw rolnych w krajach UE w latach 2005, 2010, 2013. Badania przeprowadzono na podstawie danych Eurostat-u. W oparciu o metodę klasyfikacji rozmytej wyodrębnione zostały grupy krajów podobnych pod względem rozkładu liczby gospodarstw (według grup obszarowych użytków rolnych). Na tej podstawie zidentyfikowano 4 typy struktury agrarnej krajów Unii Europejskiej. W okresie 2005-2013 typy badanej struktury uległy nieznacznym zmianom, natomiast zmienił się skład grup krajów charakteryzujących się danym typem struktury.
EN
The agrarian structure of farms in the countries of the European Union is very differentiated. The paper presents the comparison of the types of the agrarian structure of farms in the EU countries within in the years 2005, 2010 and 2013. The investigation was carried out on the basis of the Eurostat data. The application of the fuzzy set method of objects classification groups of countries thought to be similar with respect to the distribution of number of farms (according to areal groups of arable land). This foundation allowed for identification of 4 types of agrarian structure of EU countries. Within the period 2005-2013 types of the structure under investigation had undergone insignificant changes, although the contents of particular groups of countries of specific type of structure changed.
The purpose of the article is to find out which group of EU countires determined on the basis of the specific features of the area structure of their farms Poland belongs to. Two aspects of this structure were taken into account: the number of farms in particular size groups of farmland and the area of farmland they occupy. Poland’s situation was also presented in the regional context, taking into consideration the variety of agricultural activity. The research was based on data obtained from Eurostat and Statistics Poland for the year 2016. The following groups of farm area were considered: farmland under 2 hectares, 2–5 hectares, 5–10 hectares, 10–20 hectares, 20–50 hectares and 50 hectares and larger. Based on the fuzzy classification method, EU countries were classified into 4 groups according to the area structure of their farms. The results of the research demonstrated that Poland belongs to a group of countries with a high level of fragmentation of farms, jointly with Croatia, Greece, Spain, Portugal, Slovakia, Slovenia and Italy. Only 4 countries have a more fragmented farm structure: Bulgaria, Cyprus, Romania and Hungary. As regards the proportion of the area of farmland concentrated in large farms, it is unfavourable in Poland, also when compared to new EU member states, such as the Czech Republic, Slovakia, Hungary and Bulgaria. In Poland the largest farms, with an area of at least 50 hectares, account only for about 1/3 of the total farmland, which, except for Slovenia, is the lowest percentage in the entire EU.
PL
Celem badania omawianego w artykule jest określenie miejsca Polski wśród krajów Unii Europejskiej (UE) pod względem struktury obszarowej gospodarstw rolnych. Pod uwagę wzięto liczbę gospodarstw w grupach wielkościowych użytków rolnych (UR) oraz zajmowaną przez nie powierzchnię UR. Sytuacja Polski została przedstawiona także w ujęciu regionalnym ze względu na zróżnicowanie rolnictwa. Badanie przeprowadzono na podstawie danych Eurostatu i danych GUS za rok 2016. Uwzględniono następujące grupy obszarowe gospodarstw: do 2 ha UR, 2–5 ha, 5–10 ha, 10–20 ha, 20–50 ha, 50 ha i więcej. Za pomocą metody klasyfikacji rozmytej pogrupowano kraje UE w cztery zbiory złożone z obiektów o podobnej strukturze obszarowej gospodarstw. Wyniki badania pokazały, że Polska znajduje się w grupie krajów o dużym rozdrobnieniu gospodarstw, razem z Chorwacją, Grecją, Hiszpanią, Portugalią, Słowacją, Słowenią i Włochami. Bardziej rozdrobnioną strukturę gospodarstw mają jedynie Bułgaria, Cypr, Rumunia i Węgry. Pod względem powierzchni użytków rolnych skupionej w dużych gospodarstwach sytuacja w rolnictwie polskim przedstawia się niekorzystnie, także w porównaniu do nowych krajów członkowskich UE, takich jak Czechy, Słowacja, Węgry i Bułgaria. W Polsce gospodarstwa największe, o powierzchni co najmniej 50 ha UR, skupiają zaledwie ok. 1/3 ogółu UR i jest to (po Słowenii) najniższy odsetek w całej UE.
Celem pracy jest ocena zróżnicowania struktury agrarnej województw w ujęciu dynamicznym w latach 1996–2008. Obliczenia przeprowadzono na podstawie danych statystycznych GUS – liczby i powierzchni gospodarstw rolnych według grup obszarowych dla poszczególnych województw. Korzystając z metody klasyfikacji rozmytej, dokonano grupowania województw pod względem podobieństwa struktury agrarnej dla danych z lat: 1996, 2002, 2008. W wyniku grupowania dla każdego roku otrzymano cztery grupy o takim samym składzie. Grupę I tworzą województwa: małopolskie, śląskie i podkarpackie. Występuje tu największe rozdrobnienie struktury agrarnej. W 2008 roku w województwach tej grupy średnio 82,7% gospodarstw ma powierzchnię 1–5 ha, 14,4% to gospodarstwa o powierzchni 5–10 ha. Pozostałe gospodarstwa stanowią znikomy odsetek: 10–20 ha – 3,3%, 20–50 ha – 1,1%, powyżej 50 ha – 0,3%. Do grupy II należą województwa: łódzkie, mazowieckie i lubelskie, gdzie wskaźniki struktury kształtują się odpowiednio na poziomie: 51,5%, 29,2%, 14%, 4,2% i 0,5%. Najmniej rozdrobniona struktura występuje w województwach grupy III: podlaskim, kujawsko-pomorskim, pomorskim, warmińsko-mazurskim i wielkopolskim. Średni rozkład struktury jest tu najbardziej równomierny: 35,5%, 23%, 25,2%, 13,3% i 3,1%. Grupę IV tworzą województwa: lubuskie, dolnośląskie i opolskie. Średnie wskaźniki struktury przyjmują odpowiednio wartości: 57%, 19,9%, 12,5%, 7,3% i 3,2%. Przeprowadzona analiza dynamiki wykazała, że badana struktura zmienia się w tym samym kierunku i tempie w województwach należących do tej samej grupy typologicznej. Dotyczy to zarówno zmian wskaźników struktury, jak i dynamiki liczebności klas obszarowych.
EN
The aim of the paper is to assess diversification dynamics of the agrarian structure of voivodeships in years 1996-2008. The calculations were made on the basis of statistical data obtained from the Central Statistical Office—the number and area of farms have been grouped by voivodeships. With the use of a fuzzy classification method, voivodeships have been divided into groups of similar agrarian structures according to data of 1996, 2002 and 2008. As a result, 4 groups comprising the same voivodeships in each year have been distinguished. Group I con- sists of Małopolskie, Śląskie and Podkarpackie voivodeships. It is characterized by the highest degree of fragmentation of the agrarian structure. In 2008 around 82% of farms had the area of 1-5 hectares, while 14.4% of them had the area of 5-10 hectares. The remaining farms repre- sent a very small proportion: 10-20 hectares—3.3%, 20-50 hectares—1.1%, more than 50 hec¬tares—0.3%. Group II consists of Łódzkie, Mazowieckie and Lubelskie voivodeships, where structure indices are as follows: 51.5%, 29.2%, 14%, 4.2% and 0.5%. The lowest degree of fragmentation is observed in group III, comprising Podlaskie, Kujawsko-Pomorskie, Pomorskie, Warmińsko-Mazurskie and Wielkopolskie voivodeships. The average structure is more regular in this group: 35.5%, 23%, 25.2%, 13.3% and 3.1%. Group IV consists of Lubuskie, Dolnośląskie and Opolskie voivodeships and average structure indices are as follows: 57%, 19.9%, 12.5%, 7.3% and 3.2%. The analysis of dynamics shows that the investigated structure changes in the same direction and at the same rate in voivodeships from the same typological group, both in respect of changes of structure indices and in respect of the number dynamics of area classes.
6
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The research described in this paper concerns fuzzy classification of medical datasets obtained from diagnostic devices. Experimental studies were performed with use of fuzzy c-means algorithm. It was shown that despite the low accuracy of the results, fuzzy classification reduce the risks associated with the loss of internal relationships in the characteristics of the data, and thus increases the chances of finding the pathological cases, as well as taking preventive actions or therapy.
PL
W ramach niniejszej pracy przeprowadzona została klasyfikacja rozmyta w odniesieniu do medycznych zbiorów danych pozyskanych z urządzeń diagnostycznych. Zastosowana została rozmyta metoda k-średnich. Badania wykazały, że pomimo niskiej dokładności rezultatów, klasyfikacja rozmyta zmniejsza ryzyko związane z utratą wewnętrznych zależności w charakterystyce danych, a tym samym zwiększa szanse na stwierdzenie ryzyka patologii i tym samym szybsze podjęcie działań zapobiegawczych lub terapeutycznych.
In the article a method of actualization the distributed knowledge base of ergatic system using the method of fuzzy classification is proposed. As an example we consider the request choice formation of an alternative of decision-making from the knowledge base, according to the values of the input parameters. Genetic algorithm is used for finding optimal solutions. For automation of calculations MATLAB software package was used.
PL
W pracy zaproponowano metodę aktualizacji rozproszonej bazy wiedzy systemu ergatycznego (system maszyna-człowiek) używając rozmytej klasyfikacji. Rozważono przykłady formułowania zapytań, wybór alternatywnych decyzji z bazy wiedzy, zgodnie z wartościami parametrów wejściowych. Celem znalezienia optymalnych rozwiązań zastosowano algorytmy genetyczne. Do automatyzacji obliczeń zastosowano pakiet MATLAB.
9
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In the article there is a description of the FCM based algorithm for the determination of the similarity level of the current investigated by the capacitance process tomography methods to the previously prepared pattern flows. Additionally readers can find a description of raw tomographic data collection method used, preparation of the most significant features vector routine and basic theoretical issues.
PL
Artykuł zawiera opis algorytmu opartego na klasyfikacji rozmytej mającego na celu wyznaczenie wartości podobieństwa badanych za pomocą metod pojemnościowej tomografii przemysłowej przepływów dwufazowych do wcześniej przygotowanych przepływów wzorcowych. W artykule można znaleźć opis wykorzystanych metod akwizycji danych, przygotowania wektora cech znaczących oraz podstawowych zagadnień teoretycznych.
In this paper, we present a review of research on the applications of fuzzy set theory conducted by Lublin University of Technology researchers. We focus on analyzing research trends and practical applications of fuzzy sets in time series analysis and missing data imputation. Fuzzy sets constitute a key methodology for addressing data uncertainty and imprecision. We discuss various techniques within the field of fuzzy sets, including fuzzy classification, outlier detection, and missing data imputation, emphasizing their significance across various fields of science and social life. The presented results indicate the potential for innovative research and further development in this field. The academic community at Lublin University of Technology plays a significant role in promoting and advancing fuzzy set theory, which is crucial for future scientific and technological research.
PL
W niniejszym artykule przedstawiamy przegląd badań nad zastosowaniami teorii zbiorów rozmytych prowadzonych przez naukowców z Politechniki Lubelskiej. Skupiamy się na analizie trendów badawczych i praktycznych zastosowaniach zbiorów rozmytych w analizie szeregów czasowych oraz imputacji brakujących danych. Zbiory rozmyte stanowią kluczową metodologię do rozwiązywania problemów związanych z niepewnością i nieprecyzyjnością danych. Omawiamy różne techniki w dziedzinie zbiorów rozmytych, w tym klasyfikację rozmytą, wykrywanie wartości odstających oraz imputację brakujących danych, podkreślając ich znaczenie w różnych dziedzinach nauki i życia społecznego. Przedstawione wyniki wskazują na potencjał innowacyjnych badań i dalszego rozwoju w tej dziedzinie. Społeczność akademicka Politechniki Lubelskiej odgrywa istotną rolę w promowaniu i rozwijaniu teorii zbiorów rozmytych, co jest kluczowe dla przyszłych badań naukowych i technologicznych.
W pracy przedstawiono zróżnicowanie i dynamikę zmian powierzchni użytków rolnych skupionych w gospodarstwach o różnej wielkości w krajach Unii Europejskiej w latach 2010 – 2013. Badania przeprowadzono na podstawie danych Eurostat-u. Uwzględniono następujące grupy gospodarstw i kierunek zmian badanej struktury w poszczególnych krajach. W oparciu o klasyfikację rozmytą wyodrębniono cztery grupy krajów o podobnym odsetku UR skupionych w gospodarstwach o różnej wielkości.
EN
The present paper discusses the diversification and dynamics of changes in the utilised agricultural area in farms representing different areal groups in the EU in the years 2010-2013. The study has been conducted based on the Eurostat data. The following areal groups have been taken into account Keywords: utilised agricultural area, European Union, dynamics, fuzzy classification
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.