Download - ROZPRAWA DOKTORSKA - AGH
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I ELEKTRONIKI
KATEDRA AUTOMATYKI
ROZPRAWA DOKTORSKA
SYSTEM KOMPUTEROWY UŁATWIAJĄCY
WYKORZYSTANIE INFORMACJI O ZJAWISKACH SOCJALNO-
EKONOMICZNYCH PRZY WYBORZE FIRM INWESTUJĄCYCH NA
DANYM TERENIE
MGR INś. JANUSZ RYBARSKI
Promotor: Prof. dr hab. inŜ. Ryszard Tadeusiewicz
Kraków, 2008
2
Podziękowania
W tym miejscu chciałbym bardzo serdecznie podziękować Panu Profesorowi
Ryszardowi Tadeusiewiczowi za cenne wskazówki oraz pomoc merytoryczną, dzięki
której praca ta osiągnęła ostateczny kształt.
Osobne podziękowania chciałbym skierować do Magdaleny Nalepy za
cierpliwość i tolerancję, która tak była mi potrzebna szczególnie pod koniec realizacji
pracy.
Jestem teŜ wdzięczny moim kolegom Michałowi Widlokowi oraz Sewerynowi
Habdank-Wojewódzkiemu, którzy wspierali mnie podczas realizacji tego
przedsięwzięcia.
Pracę tę dedykuję moim Rodzicom i Siostrze
Janusz Rybarski
3
Spis treści 1. Wprowadzenie 5
1.1. Wstęp 5
1.2. ZałoŜenia i uwarunkowania naukowe 6
1.3. Teza pracy 7
2. Wprowadzenie do problematyki podejmowania decyzji 9
2.1. Proces podejmowania decyzji 9
2.1.1. Struktura procesu podejmowania decyzji 9
2.1.2. Problematyka podejmowania decyzji w sektorze publicznym 13
2.2. Zagadnienia optymalizacji wielokryterialnej 16
2.2.1. Rys historyczny optymalizacji wielokryterialnej 16
2.2.2. Optymalizacja wielokryterialna - definicje podstawowe 18
2.2.3. Metody optymalizacji wielokryterialnej 21
2.3. Algorytmy genetyczne 22
2.3.1. Algorytmy genetyczne – definicje podstawowe 22
2.3.2. Przegląd historyczny zastosowania algorytmów genetycznych 23
2.3.3. Ogólna charakterystyka algorytmów genetycznego SPEA (ang. Strange
Pareto Evoluntary Alghorith) 24
2.3.4. Uzasadnienie wykorzystania algorytmu typu SPEA 27
2.4. Problem doboru firm inwestujących na danym terenie jako binarny problem
plecakowy 30
3. System komputerowy wspomagania decyzji 32
3.1. Koncepcja budowy komputerowego systemu wspomagania decyzji 32
3.2. Platforma Eclipse 34
3.3. Implementacja algorytmu genetycznego 35
3.4. Implementacja algorytmu SPEA 37
Problematyka wyboru firm inwestujących na danym terenie 39
3.5. Sposób kodowania czynników 39
3.6. Problematyka tworzenia populacji początkowej 42
3.7. Problematyka rozwiązań dopuszczalnych 43
3.8. Funkcje przystosowania 45
4. Weryfikacja i analiza zastosowanej metody 52
4.1. Weryfikacja implementacji algorytmów 52
4.2. Decyzje podejmowane przez człowieka 55
4
4.3. Wyniki symulacji komputerowych 65
5. Podsumowanie 72
6. MoŜliwe kierunki kontynuacji pracy 73
Spis tabel: 74
Spis ilustracji. 75
Bibliografia 77
5
1. Wprowadzenie
1.1. Wstęp Od momentu wejścia Polski do Unii Europejskiej obserwujemy coraz większe
zainteresowania inwestorów zagranicznych lokowaniem swoich przedsięwzięć takŜe na
terenie naszego kraju. Wymieniając te najbardziej spektakularne moŜemy wspomnieć
o takich przedsięwzięciach jak: inwestycja firmy MAN w podkrakowskich
Niepołomicach na kwotę 100 mln EUR, czy teŜ inwestycja LG w podwrocławskich
Kobierzycach na kwotę 110 mln USD. NaleŜy jednak pamiętać, Ŝe ryzyko kaŜdej
inwestycji ponoszone jest nie tylko przez inwestora, ale równieŜ przez lokalną
społeczność, a co za tym idzie, jest (a raczej powinna być) nie bez znaczenia dla
urzędników odpowiedzialnych za proces podejmowania decyzji. Analizując dalej ten
problem moŜna zauwaŜyć, Ŝe dla urzędników nie tyle sama inwestycja ma znaczenie,
co jej wpływ na rozwój miasta, gminy, powiatu, regionu itp. – oraz odbiór (często
subiektywny!) tego rozwoju przez przedstawicieli lokalnej społeczności, będących
zwierzchnikami tegoŜ urzędnika. Wspomniane okoliczności umoŜliwiają poprawne
zdefiniowanie kryteriów jakości podejmowanych decyzji, jednak pierwszy problem
polega na tym, Ŝe kryteriów tych jest z reguły kilka i nie moŜna ich zredukować do
pojedynczego wypadkowego kryterium, co powoduje, Ŝe rozwaŜane tu zagadnienie
ujawnia swoją naturę nawiązującą do formalizmu optymalizacji wielokryterialnej, czyli
polioptymalizacji. Z tego powodu, a takŜe ze względu jednak na duŜą liczbę danych
podlegających analizie w procesie inwestycyjnym coraz trudniej jest podejmować trafne
decyzje bez odpowiedniego wspomagania informatycznego. Udział komputerowych
systemów wspomagających jest szczególnie waŜny przy podejmowaniu decyzji
o znaczeniu strategicznym, których realizacja rozciągnięta jest w długim horyzoncie
czasowym, a ich rezultat uzaleŜniony od wielu (nie zawsze przewidywalnych)
czynników zewnętrznych.
W prezentowanej rozprawie podjęto próbę stworzenia narzędzi formalnych oraz
informatycznych, które mogą się okazać pomocne w rozwaŜanej klasie problemów
podejmowania decyzji. Przedstawiając te narzędzia i prowadzące do nich rozwaŜania
teoretyczne pragniemy podkreślić słuŜebny (pomocniczy) charakter proponowanych tu
rozwiązań. W kaŜdym procesie decyzyjnym główną rolę pełni człowiek, poniewaŜ to on
ponosi odpowiedzialność za podjętą decyzję. Jednak systemy wspomagające
podejmowanie decyzji, między innymi omawianego w tej pracy typu, są bardzo
6
przydatne, poniewaŜ procesy informacyjne, jakie człowiek moŜe prowadzić przy uŜyciu
wyłącznie własnego umysłu, podlegają bardzo istotnym ograniczeniom.
Pierwsze z tych ograniczeń ma związek z liczbą przesłanek, które są brane pod
uwagę podczas podejmowania decyzji. Zgodnie z badaniami psychofizycznymi
przeciętna osoba moŜe podczas podejmowania decyzji wyraźnie mieć w polu widzenia
maksymalnie 7-9 róŜnych przesłanek (na przykład w postaci wartości poziomów
określonych parametrów). Wiadomo teŜ z psychologii, Ŝe moŜliwości analityczne
ludzkiego umysłu zmieniają się w zaleŜności od predyspozycji danej osoby (niektórzy
ludzie są zdolni do szybszej i bardziej trafnej oceny sytuacji, a inni są z natury mniej
bystrzy), przy czym nawet dla ustalonego konkretnego człowieka mogą się silnie
zmieniać zaleŜnie od czasu (na przykład w funkcji zmęczenia lub w zaleŜności od
dodatkowych czynników rozpraszających uwagę – na przykład pochodzących ze sfery
Ŝycia osobistego decydenta).
Dodatkowo oceny projektów inwestycyjnych są często określane wyłącznie
z punktu widzenia decydenta mającego osobisty stosunek do pieniędzy, które mają być
zainwestowane, a to zawęŜa pole kryterialne i swobodę wyboru. JeŜeli o losie projektu
decyduje bankier to interesuje go przede wszystkim termin zwrotu pieniędzy, odsetki,
ryzyko. JeŜeli decyduje urzędnik, to przesłanką decyzji mogą stać się takŜe inne
czynniki, na przykład bardzo waŜne kryteria społeczne lub ekologiczne. Jeśli decyzję
ma podjąć politk, to dla niego kluczowym argumentem moŜe być orientacja na
nowoczesne technologie promujące rozwój całego regionu, kwestie związane
z zapewnieniem właściwego zatrudnienia itp. [18]
1.2. ZałoŜenia i uwarunkowania naukowe
Jak juŜ wcześniej było wspomniane, systemy przetwarzania informacji a takŜe
systemy decyzyjne są coraz częściej spotykane przy wykonywaniu róŜnych zawodów
związanych z koniecznością podejmowania decyzji w kontekście procesów zarządzania,
a takŜe w Ŝyciu codziennym. MoŜna jednak zauwaŜyć, Ŝe dotychczas uŜywane systemy
tego rodzaju wykorzystują głównie dane liczbowe zgromadzone w bazach danych lub
(przy większych systemach) w hurtowniach danych, nie wymagające skomplikowanych
procesów kodowania, oraz zaawansowanych algorytmów obliczeniowych dla ich
właściwej reprezentacji w uŜywanym systemie informatycznym. W przedstawianej tu
pracy podejęto próbę wykorzystania danych róŜnego rodzaju (nie tylko numerycznych)
słuŜących w sumie do opisania firm, branŜ oraz środowiska inwestycyjnego.
7
Odwzorowanie tego rodzaju gospodarczo-społecznych informacji w komputerowo
wspomaganych procesach decyzyjnych stanowi nowy i trudny element, z którym trzeba
było się zmierzyć przy realizacji tej rozprawy. Ze względu na brak stosownych
gotowych wzorów konieczne było przy tym rozwiązanie kilku zagadnień naukowych,
zmierzających między innymi do odpowiedzi na pytanie, jak dane tego typu naleŜy
uwzględniać w procesie podejmowania decyzji. Dodatkowo trzeba było zbadać takŜe
ich wpływ na wynik końcowy. Realizacja powyŜszego zadania została podzielona
w przygotowywanej pracy na kilka etapów:
• wybór czynników wpływających na proces podejmowania decyzji
• opracowanie sposobu kodowania czynników jakościowych i ilościowych
• opracowanie algorytmów decyzyjnych
• przeprowadzenie procesu weryfikacji i analizy zastosowanych metod, a takŜe
oceny ich skuteczności i uŜyteczności ich wykorzystania, – w szczególności
w administracji publicznej i w pracach samorządów
Praca zawiera dokładniejszy opis przedstawionych wyŜej problemów, jak równieŜ
prezentuje znane z literatury oraz zaproponowane przez autora sposoby ich rozwiązania.
Część empiryczna pracy zawiera weryfikację eksperymentalną zaproponowanych
rozwiązań oraz dyskusje na temat moŜliwości i celowości powszechnego zastosowania
opracowanych metod w administracji publicznej. Warto dodać i podkreślić, Ŝe
w ramach pracy został stworzony oryginalny system komputerowy, umoŜliwiający
testowanie i wybieranie optymalnych algorytmów, wykorzystujący między innymi
techniki sztucznej inteligencji.
Ciekawym elementem rozprawy jest próba konfrontacji decyzji sugerowanych
przez system z decyzjami podejmowanymi (w warunkach symulacji) przez ludzi.
Eksperyment ten dostarcza unikatowych moŜliwości porównania zalet i wad systemów
automatycznych wspomagania decyzji (w szczególności systemów wspomaganych za
pomocą metod sztucznej inteligencji) z naturalną kreatywnością ludzi.
1.3. Teza pracy Cel i zakres problemowy niniejszej rozprawy zostały wyŜej podane i przedyskutowane
w formie opisowej. PoniewaŜ jednak praca ta ma funkcjonować jako rozprawa
naukowa, przeto jej cel przedstawimy dodatkowo w postaci formalnej tezy, której
dowód będzie głównym celem wszystkich dalszych wywodów. OtóŜ ta teza, którą
będziemy usiłowali udowodnić, będzie brzmiała następująco:
8
Istnieje moŜliwość stworzenia systemu komputerowego wspomagającego proces
podejmowania decyzji inwestycyjnych z wykorzystaniem informacji socjo-
ekonomicznych z danego regionu.
Teza sformułowana jest wprawdzie w konwencji egzystencjalnej, dowód będzie jednak
przedstawiony w formie konstruktywnej, to znaczy pokaŜemy, jak moŜna konkretnie
zbudować system o cechach deklarowanych w ramach tezy – oraz jakie są jego
własności.
9
2. Wprowadzenie do problematyki podejmowania decyzji
Jak było to wcześniej wspomniane, główną rolę w procesie podejmowania
decyzji pełni człowiek, gdyŜ to on ponosi odpowiedzialność za podjętą decyzję.
Tworząc, więc system komputerowy wspomagający proces podejmowania decyzji
naleŜy zadać sobie pytanie: jak wygląda proces podejmowania decyzji realizowany
przez człowieka, z jakich etapów się składa i jakie kryteria brane są pod uwagę przy
wyborze konkretnego rozwiązania. WaŜne są takŜe pytania komplementarne do tych
wyŜej postawionych, a mianowicie kwestie tego, jakich informacji najbardziej
potrzebuje człowiek podejmujący decyzje oraz w jakiej formie informacje te powinny
mu być podawane, Ŝeby maksymalnie skutecznie mogły być wykorzystane w procesie
podejmowania decyzji przez człowieka
Naukowcy zajmujący się problematyką podejmowania decyzji od dawna
spierają się o róŜne definicje tego procesu. I tak C. Colbe [78] uwaŜa, iŜ decyzja to
„wybór wśród alternatyw działania najbardziej odpowiadającego przyjętym kryteriom
wyboru”, z kolei J. Kurnal [40] definiuje ten sam proces jako: „Akt świadomego wyboru
jednego z rozpoznanych i dostępnych wariantów działania”. Na potrzeby niniejszej
pracy moŜna przyjąć takŜe inną definicję, która mówi, Ŝe proces decyzyjny definiowany
jest jako świadomy i nielosowy wybór jednego spośród zbioru moŜliwych wariantów
rozwiązania problemu decyzyjnego, polegający na wyróŜnieniu ze zbioru moŜliwości
tej, która będzie podjęta w działaniu.1 W świetle tej definicji oczywistym staje się
postawione wcześniej pytanie o strukturę procesu podejmowania decyzji tak, aby
decyzja była trafna i wiarygodna, a takŜe ponosiła za sobą konkretne wymierne skutki.
2.1. Proces podejmowania decyzji
2.1.1. Struktura procesu podejmowania decyzji
Oczywistym jest fakt, iŜ im decyzja trudniejsza, a jej skutki mniej
przewidywalne, tym proces decyzyjny charakteryzuje się większą złoŜonością. MoŜliwe
jest podanie etapów, z których proces taki na pewno będzie się składał, chociaŜ
w indywidualnych przypadkach mogą dochodzić takŜe dalsze etapy. W swojej pracy
Z. Ściborek [78] dzieli proces decyzyjny na kilka etapów do których naleŜą:
1 J.Targalski -definicja pojęcia decyzji. Z. Ściborek „Podejmowanie decyzji” str.31.
10
• sformułowanie celu
• określenie kryterium wyboru
• skonstruowanie wariantów decyzyjnych
• ocena hipotetycznych skutków realizacji poszczególnych wariantów
z uwzględnieniem kontekstu
• wybór, poprzez odwołanie się do wybranego kryterium, najbardziej korzystnego
wariantu decyzyjnego
NaleŜy więc przyjąć, Ŝe takŜe proces decyzyjny wspierany przez system
komputerowy musi składać się z przynajmniej wyŜej wymienionych etapów.
NajwaŜniejszym z nich, co oczywiste, jest etap formułowania celu, a co za tym idzie,
takŜe listy ograniczeń, które powodują, iŜ pewne skutki podjęcia decyzji nie mogą
zostać wywołane, a pewne cele nie są osiągalne. Do ograniczeń takich naleŜą
ograniczenia wynikające z [78]:
● fizycznych właściwości określonych systemów, do których w przypadku
podejmowania decyzji dotyczących inwestycji na danym terenie moŜna zaliczyć
ograniczenia związane z dostępnością przestrzeni przeznaczonej pod inwestycje
oraz jej własnościami
● narzuconych przyjętych limitów, które w prezentowanej pracy obejmować będą
limity związane z dostępnością i wydajnością mediów (np: 30 m3
wody/godzinę), wydajnością oczyszczalni ścieków itp.
● narzuconych wymogów, nie zezwalających na podejmowanie niektórych
działań. Dla przykładu moŜna podać charakter gminy (gmina atrakcyjna
turystycznie), w której obrębie nie naleŜy lokować przemysłu cięŜkiego,
sortowni odpadów, spalarni itp.
Tworząc listę ograniczeń naleŜy takŜe określić:
● ograniczenia o najsilniejszym wpływie
● stopień nienaruszalności ograniczeń, wynikających z decyzji wyŜszego poziomu
Kolejnym z wymienionych etapów jest ustalenie wartości kryteriów, które
będą miały wpływ na podejmowaną decyzję. Na etapie tym naleŜy brać pod uwagę
konkretne wartości, formuł matematycznych, a takŜe ludzi oraz ich cele [16]. Pamiętać
11
jednak naleŜy, iŜ to samo kryterium dla róŜnych ludzi moŜe mieć róŜną wartość,
a miara wartości często jest subiektywna. Najczęściej spotykaną metodą jest metoda
rangowania, przypisująca wagi dla poszczególnych kryteriów. MoŜliwe jest takŜe
określenie kryterium kosztowego, w przypadku którego najlepszym rozwiązaniem jest,
przy ustalonym zadaniu, wariant, który moŜe być zrealizowany najmniejszym kosztem
[33].
Konstruowanie wariantów decyzyjnych, z których następnie zostaną wybrane
rozwiązania najlepsze (w przypadku problemów wielokryterialnych nie moŜliwe jest
otrzymanie rozwiązania optymalnego) wydaje się z pozoru zadaniem stosunkowo
łatwym. Celem tego działania jest szczegółowa ocena czynników, które w róŜny sposób
wpływać będą na rozwiązanie sytuacji problemowej oraz ustalenie kilku realnych
wariantów jej rozwiązania2. WaŜne jest, aby przygotowane na tym etapie warianty były
realne, tzn. mogły zaistnieć (spełniały wszystkie ograniczenia). NaleŜy takŜe pamiętać,
Ŝe proponowane rozwiązania nie mogą być przyporządkowane z góry przyjętej jakiejś
subiektywnej koncepcji rozwiązania preferującej określone cele (co ogranicza
w kolejnych etapach moŜliwość wyboru). Dlatego teŜ naleŜy wyraźnie oddzielić fazę
poszukiwań rozwiązań od fazy oceniającej dane rozwiązania. Z licznych badań
psychologicznych procesu twórczego wynika, iŜ połączenie tych faz w znacznym
stopniu wpływa na minimalizację twórczości, innowacyjności i liczby nowych
pomysłów, które mogą mieć wpływ na wielkość tworzonego zbioru rozwiązań [78].
Ostatnią bardzo waŜną zasadą, której naleŜy przestrzegać, jest odkładanie tzw.
momentu rozstrzygającego, czyli momentu, w którym dokonuje się wyboru
konkretnego rozwiązania.
Chyba najtrudniejszym etapem, z wymienionych powyŜej, jest etap oceny
hipotetycznych skutków realizacji poszczególnych wariantów. Etap ten moŜna
porównać do prognozowania, w którym to na podstawie stanu obecnego oraz modeli
zachowania się otoczenia, podejmowana jest próba określenia kształtów zmian zjawisk
ekonomicznych w przeszłości [87]. W przypadku decyzji o charakterze strategicznym
(a taki charakter ma z reguły proces wyboru firm inwestujących na danym terenie)
proces ten przebiega inaczej. We wstępnej ocenie wariantów zostają odrzucone
warianty, które [78]:
• są niewykonalne ze względu na nieusuwalne przeszkody
2 Z. Ściborek: Podejmowanie decyzji, Warszawa 2003 s. 138
12
• koszty ich realizacji znacznie przekraczają budŜet decydenta
• są niepoŜądane ze względów politycznych lub społecznych
• są wyraźnie zdominowane przez inne warianty
Dopiero w kolejnym etapie opracowywania wariantów przychodzi czas na
ocenę skutków ich wprowadzenia. Nie jest to jednak zadanie łatwe. KaŜdy
z realizowanych wariantów powoduje zwykle znaczną liczbę skutków, które moŜna
oceniać w róŜny sposób. Skutki, które sprzyjają osiągnięciu celu to korzyści, natomiast
skutki, które są niepoŜądane i które pragniemy wyeliminować lub zminimalizować ich
wielkość to koszty. (naleŜy pamiętać, iŜ te same skutki podejmowania decyzji mogą raz
być odbierane jako korzyści, w innym zaś wypadku jako koszty) Istnieje takŜe trzecia
kategoria skutków – tzn. skutki zewnętrzne, mające niewielki wpływ na powodzenie lub
niepowodzenie w osiągnięciu celu. [78]
Koszty podjęcia takiej a nie innej decyzji mogą być rozwaŜane zarówno jako
nakłady jakie trzeba ponieść w związku z realizacją wybranej decyzji, bądź jako
utracone korzyści lub niewykorzystane okazje. Oznacza to, Ŝe kosztem danego wariantu
jest takŜe to, co moŜna by uzyskać lub uczynić, gdyby nie wybrano tego konkretnego
wariantu.
Analiza literatury wprowadza następujące rodzaje skutków [78]:
● oceniane (mierzone) dokładnie i podanie w ich jednostkach naturalnych
(kilogramach, sztukach itp.)
● wyraŜone w wartościach pieniądza
● wyraŜone za pomocą oszacowania liczbowego
● nie dające się wyrazić liczbowo, ale moŜliwe do uporządkowania w sensie rang
(np: skutki społeczne które są niewyraŜalne liczbowo, ale moŜliwe do oceny jak
bardzo korzystne, korzystne, obojętne, niekorzystne)
● określane za pomocą stwierdzeń nie dających się uporządkować (np: w postaci
skutków politycznych).
Przyjmując inny podział koszty moŜna podzielić na [78]
• koszty ekonomiczne (to koszty wyraŜone w pieniądzu, inne koszty
ekonomiczne)
13
• koszty pozaekonomiczne – które stają się udziałem ludności w przypadku
wyboru wariantu.
Koszty pozaekonomiczne stanowią wyraz niekorzystnego oddziaływania
danego wariantu na „jakość Ŝycia”3 i w przypadku decyzji podejmowanych w sektorze
publicznym bardzo często mają decydujący wpływ na wybór wariantu rozwiązania.
W rzeczywistości najczęściej nie moŜna znaleźć rozwiązania optymalnego.
Z konieczności więc często poszukuje się rozwiązania zadowalającego, czyli takiego,
przy którym oczekiwanym efektom towarzyszą dostatecznie niskie oczekiwane nakłady
i koszty, a jednocześnie rozwiązanie to gwarantuje osiągnięcie celu.4 Co więcej,
decydentowi moŜna przedstawić wszystkie najbardziej obiecujące warianty (na
przykład rozwiązania Pareto–optymalne) wraz z ich indywidualną oceną i opisem,
jednak bez wskazywania na najlepszy wariant [78] (działanie odpowiadające działaniu
systemu wspomagania decyzji).
2.1.2. Problematyka podejmowania decyzji w sektorze publicznym
W przypadku podejmowania decyzji dotyczących inwestycji firm na terenie
danej gminy, najczęściej nie bierze się pod uwagę tylko kosztów lub zysków (w sensie
ekonomicznym), które odniesie gmina. W sektorze publicznym, a do takiego naleŜy
zaliczyć decyzje podejmowane przez wójtów, burmistrzów, bądź spółki z udziałem
skarbu państwa zarządzające danym terenem inwestycyjnym, decyzje podejmowane są
w pierwszej kolejności z uwzględnieniem kosztów kryteriów pozaekonomicznych
(często politycznych), a dopiero w dalszej kolejności z uwzględnieniem kosztów
ekonomicznych realizacji danego przedsięwzięcia. Decyzje podejmowane przez
polityków dość często ustalane są w sposób mechaniczny (najczęściej w rutynowych
działaniach opartych na przepisach lub regulaminach) lub teŜ są wymuszane pod
wpływem napięć społecznych i wewnętrznych stresów decydentów.
Chcąc więc uniknąć sytuacji, w których na podejmowaną decyzję mają wpływ
czynniki, które w istocie nie powinny być brane pod uwagę, zaproponowano
zastosowanie podejścia cybernetycznego [58], łączącego teorię decyzji racjonalnych
z teorią decyzji emocjonalnych. W podejściu tym zakłada się, iŜ polityk rozkłada
sytuacje decyzyjne na składowe i dokonuje ich kolejnej ewaluacji. Co więcej,
3 Z. Ściborek Podejmowanie decyzji, Warszawa 2003 s. 155 4 j.w.
14
zakładamy, Ŝe polityk czyniąc to ma dostęp do pełnej informacji, a ponadto stara się
przewidywać skutki swoich decyzji, zna hierarchię swoich preferencji, formułuje
alternatywne decyzje i zna konsekwencje kaŜdego proponowanego wyboru. RównieŜ na
zasadzie intencjonalnego załoŜenia przyjmujemy, Ŝe gdy dochodzi do starcia dwóch
wartości, wówczas podejmujący decyzję polityk integruje ich odrębne wymiary,
stosując milcząco przyjęte skalarne kryterium, pozwalające ocenić wyŜszość jednej
wartości na drugą. Proces decyzyjny opisany wyŜej ma w duŜej mierze charakter
postulatywny i normatywny, gdyŜ raczej stwierdza, jak być powinno, niŜ pokazuje
wierne odbicie praktyki, która ma miejsce w rzeczywistości. Jednak nawet wtedy, gdy
nie stosujemy idealizujących uproszczeń stwierdzić naleŜy, Ŝe rozumowanie polityków
ma zwykle charakter analityczny, gdyŜ jako decydenci analizują oni i oceniają
alternatywne skutki swoich decyzji5 . Steinbruner [75] zauwaŜa, iŜ decydent
wykorzystujący narzędzia cybernetyczne, dąŜy przede wszystkim do utrzymania
dynamicznej równowagi ze swoim środowiskiem. W tym celu działa strategicznie,
szybko i sprawnie, nie przeprowadzając złoŜonych kalkulacji zysków i strat, opierając
się na kilku prostych wzorach oraz na niewielkim zbiorze najwaŜniejszych zmiennych6
Niestety rzeczywiste procesy decyzyjne nie zawsze przebiegają w ten sposób [75].
Ludzie najczęściej decydują inaczej, a racjonalność decyzji dopisywana jest ex-post.
W przypadku decyzji politycznych [58] naleŜy takŜe mówić nie tylko o decyzjach
zoptymalizowanych, ale takŜe zadowalających. MoŜna więc mówić o decyzjach
politycznych jako:
• zoptymalizowanych całościowo, które wydają się ideałem najczęściej
niemoŜliwym do osiągnięcia
• zoptymalizowanych częściowo, na przykład tylko ze względu na jedno
kryterium (na przykład mogą to być interesy jednej tylko grupy społecznej)
• zadowalających, ale niezoptymalizowanych – spełniających określone kryteria
w stopniu minimalnym, ale aprobowanym
• niezadowalających, ale utrzymujących się jeszcze w kulturowo określonym
przedziale tolerancji
• błędnych, czyli wykraczających poza granice owej tolerancji
5 Z. J Pietraś Decydowanie polityczne, Warszawa-Kraków 1998 s 29 6 j.w.
15
Ocena poszczególnych decyzji nie jest prosta, gdyŜ powinno się uwzględnić
funkcję dwu zmiennych słuŜących do oceny trafności decyzji: funkcji czasu oraz
podmiotu oceniającego daną decyzje. Decyzja zoptymalizowana w momencie podjęcia,
nie musi być tak samo oceniana po upływie np. dziesięciu lat. Tak samo decyzja
zoptymalizowana ze względu na interesy jednej grupy społecznej moŜe być uznawana
za błąd polityczny przez inną grupę.
W swojej pracy S. Zawadzki [86] twierdzi, Ŝe decyzja polityczna moŜe być
uwaŜana za zoptymalizowaną jeŜeli równocześnie spełnia trzy podstawowe kryteria:
aksjologiczne (dotyczy zgodności decyzji z systemami wartości grupy rządzącej oraz
róŜnych wielkich i małych grup społecznych a takŜe ich organizacji), prakseologiczne
(odnosi się do doboru metod i środków działania), społeczne (ma zapewnić ich sprawną
implementacje dzięki uzyskaniu poparcia społecznego) [58]. Zatem powinna być
zgodna z abstrakcyjnymi systemami wartości, z konkretnymi interesami społecznymi,
a co najwaŜniejsze, powinna być skuteczna 7
W literaturze przedmiotu mowa jest takŜe o decyzjach akceptowalnych.
Decyzja, aby być uwaŜana za akceptowalną, musi spełniać trzy kryteria: po pierwsze
grupa oceniająca musi mieć moŜliwość odtworzenia oceny sytuacji decyzyjnej jaka
istniała w momencie podejmowania decyzji (w przypadku systemów komputerowych
waŜne jest, aby moŜliwe było prześledzenie drogi podejmowania decyzji), po drugie
członkowie grupy oceniającej muszą być w stanie odtworzyć listę wariantów decyzji,
którą decydenci podejmowali (czyli inne moŜliwe rozwiązania), po trzecie musi być
moŜliwe odtworzenie przez grupę relacji preferencji ośrodka decyzyjnego (oraz ich
akceptacja)8
Pamiętać równieŜ trzeba, iŜ realizacja decyzji politycznych zmienia otoczenie
społeczne i zawsze wywołuje jego reakcje, często polegające na przeciwstawianiu się.
W takich sytuacjach trzeba, w danej sprawie, podejmować wiele decyzji korygujących
poprzednie i uwzględniające reakcje środowiskowe. Brak społecznej akceptacji decyzji
politycznej, powoduje jej nieoptymalność, a co za tym idzie, daleko idącą niemoŜność
jej realizacji. Warto zaznaczyć, Ŝe w demokratycznym państwie prawa uzyskanie pełnej
akceptacji jakiejś decyzji ze strony wszystkich obywateli jest prawie niemoŜliwe.
Zoptymalizowana decyzja polityczna powinna jednak uzyskać akceptację większości
obywateli, a w tym podstawowych grup społecznych.
7 j w s 129 8 j.w.
16
2.2. Zagadnienia optymalizacji wielokryterialnej
Jak było wcześniej wykazane, decyzje ekonomiczne (bądź teŜ polityczne)
poprzedza złoŜony proces, który nie zawsze jednak prowadzi do otrzymania
rozwiązania optymalnego. Co więcej, nie moŜna nawet mówić o rozwiązaniu
optymalnym, poniewaŜ w przypadku tak złoŜonych procesów nie wiadomo co oznacza
rozwiązanie optymalne. JeŜeli chodzi o inwestycje duŜe - dla długookresowych
inwestycji nie moŜna wybrać rozwiązania, na podstawie tylko jednego kryterium
(wielości firmy, czy np. ilości zainwestowanego kapitału). Nie moŜna więc w sposób
jednoznaczny określić, które rozwiązanie jest rozwiązaniem optymalnym i czy takie
rozwiązanie w ogóle istnieje (na przykład dla jednej grupy oczywistym będzie wybór
firm duŜych ze względu na powierzchnię inwestycji, dla innych ze względu na liczbę
zatrudnianych osób). Widać więc, Ŝe mamy do czynienia z optymalizacją
wielokryterialną (tzw. polioptymalizacją).
2.2.1. Rys historyczny optymalizacji wielokryterialnej
Historię optymalizacji moŜna podzielić na kilka etapów [3],[53]. Etap
pierwszy, to poszukiwania wartości minimalnej, który realizują G. W. Leibniz (1646-
1716) i L. Euler (1707-1783). Ich prace kontynuuje I. Newton (1643-1727), J. Bernoulli
(1654-1705) oraz jego syn, D. Bernoulli (1700-1782). Podstawy matematyczne
optymalizacji tworzą J. L. Lagrange (1736-1813) oraz W. R. Hamilton (1805- 1865).
L. Rayleigh (1842-1919), W. Ritz (1878-1909) i B. G. Galerkin (1871-1945)
wykorzystują aproksymacje do znajdywania optimum funkcji.
Kolejny etap to etap poszukiwania rozwiązań Pareto optymalnych [15]; [41].
Francisa Ysidro Edgeworth’a (1845-1926) podaje definicję optimum w przypadku
wielokryterialnych decyzji ekonomicznych. W 1881 r. w swoim dziele pt.
“Mathematical Psychics: An essay on the application of mathematics to the moral
sciences”, wprowadza pojęcie “optymalny”. Georg Cantor i Felix Hausdorff
wprowadzają zagadnienie przestrzeni bezwymiarowych (1895 r.). a Vilfredo Pareto
(1848-1923), wprowadza pojęcie optimum w sensie Pareto (1896 r.) próbując
analizować problemy ekonomii przy pomocy aparatu matematycznego. Tjalling C.
Koopmans wykorzystuje problematykę optymalizacji wielokryterialnej w teorii
produkcji (1951 r.). Harold W. Kuhn i Albert W. Tucker w 1951 roku podają podstawy
matematyczne optymalizacji wielokryterialnej. Dziewięć lat później (1960 r.) Leonid
Hurwicz uogólnia wyniki Kuhn’a i Tucker’a na przestrzenie wektorowe. Rosenberg
17
prowadząc prace nad algorytmami ewolucyjnymi proponuje zastosowanie ich
w problemach wielokryterialnych (lata 60-te). Marglin w 1976 roku wykorzystując
optymalizację wielokryteriową koncentruje prace nad planowaniem źródeł zaopatrzenia
w wodę. Dopiero jednak przetłumaczenie na język angielski w 1971 roku dzieła
V. Pareto powoduje istotny przełom w pracach nad optymalizacją wielokryterialną.
W latach 80-tych dwudziestego wieku Schaffer opracowuje wielowymiarowe
algorytmy ewolucyjne. W Stanach Zjednoczonych nad podobnymi zadaniami pracują
Stadler (1979 r.), Steuer (1985 r.) i inni. W Japonii prace prowadzą Sawaragi,
Nakayama i Tanino (1985 r.).
Pierwsze prace nad optymalizacją wielokryterialną prowadził J. L. Cohon’a
i D. H. Marks’a (1975 r.) [11], [3]. W 1985 r. J. D. Schaffer tworzy program VEGA -
Vector Evaluated Genetic Algorithms a M. Fourman proponuje hierarchiczną metodę
optymalizacji (1985 r.). F. Kursawe pracuje nad metodami optymalizacji stochastycznej
z problemu jednokryterialnego na wielokryterialny (1985 r.). Wynikiem jego pracy jest
algorytm ESVO – Evolution Strategies for Vector Optimization (1991 r.). W 1993 roku
C. Fonseca i P. Fleming tworzą kolejny ewolucyjny algorytm wielokryterialny o nazwie
MOGA - Multiobjective Genetic Algorithm, w którym selekcja oparta jest o metodę
rangowania (1993 r.). W tym samym roku (1993 r.) J. Horn i N. Nafpliotis tworzą
program NPGA - Niched Pareto Genetic Algorithm. NSGA - NonDominated Sorting
Genetic – program stworzony przez N. Srinivas i K. Deb w 1994 wykorzystuje metodę
graficzną do porównywania wyników. Pięć lat później (1999 r.) E. Zitzler i L. Thiele
tworzą program SPEA - Strength Pareto Evolutionary Algorithm (wykorzystywany
w niniejszej pracy), w którym proponują rozwiązanie problemu elityzmu [89][90].
D. W. Corne i J. D. Knowles tworzą program PAES - Pareto Archived Evolution
Strategy (1999 r.) i PESA - Pareto Envelope-based Selection Algorithm (2000 r.),
wykorzystujące ilościowe metryki działania. K. Deb w 2000 roku tworzy natomiast
NSGA-II - NonDominated Sorting Genetic Algorithm II. Obszerną historię algorytmów
typu MOEA (ang. Multiobjective Evolutionary Algorithms) moŜna znaleźć w publikacji
[41]. PoniŜej zostały podane nazwy programów (algorytmów) oraz nazwiska ich
twórców Fourman: LOGA - Lexicographic Ordering GA (1985 r.). Hajela i Lin:
WBGA – Weight-Based GA (1993 r.). Osyczka i Kundu: DPGA - Distance-based
Pareto GA (1995 r.). Kita i inni: TDGA - Thermodynamical GA (1996 r.).
VanVeldhuizen, Zydallis, Day i Lamont: MOMGA-I, II, IIa - Multi-Objective Messy
GA (1999 r.). Coello: micro GA-MOEA - micro GA for Multiobjective Optimization
18
(2000 r.). Pelikan, Goldberg, Lobo: mBOA – Multi-Objective Bayesian Optimization
Algorithm (2000 r.).
W pracy [37] znajdują się najnowsze osiągnięcia z zakresu optymalizacji
wielokryterialnej. W dalszej części zostały podane nazwiska twórców oraz nazwy
programów (wraz z datą utworzenia) Erickson, Mayer, Horn - NPGA II (2001 r.).
Zitzler, Laumanns, Thiele - SPEA 2 (2001 r.). Kim, Hiroyasu, Miki, Watanabe –
SPEA 2+ (2004 r.). Hongyun, Sanyang – ISPEA Immunity SPEA (2003 r.). Corne,
Jerram, Knowles, Oates - PESA II (2001 r.). Coello, Pulido - Micro GA: Micro-Genetic
Algorithm (2001 r.). Pulido, Coello - Micro-GA2 (2003 r.). Cochran, Horng, Fowler -
MPGA: Multi-Population Genetic algorithm (2003 r.). Coello, Becerra - CAEP:
Cultural Algorithm with Evolutionary Programming (2003 r.). Coello, Pulido, Lechuga
- MOPSO: Multi-Objective Particle Swarm Optimization (2003 r.). Knowles - ParEGO:
Pareto38 Efficient Global Optimization (2005 r.).
2.2.2. Optymalizacja wielokryterialna - definicje podstawowe [89]
Definicja 1. Zagadnienie optymalizacji wielokryterialnej
Niech dany będzie zbiór n zmiennych decyzyjnych, zbiór k funkcji celu i zbiór
m ograniczeń. Funkcje celu (kryteria) i ograniczenia są funkcjami zmiennych
decyzyjnych.
Problem optymalizacji wielokryterialnej moŜna sprowadzić do:
Minimalizacja
wektora: ))(),(),(),(()( 321 xfxfxfxfxfy k…== (1)
Przy ograniczeniach 0))(),(),(),(()( 321 ≤= xgxgxgxgxg m… (2)
Gdzie:
x- wektor zmiennych decyzyjnych Xxxxxx n ∈= ),,,( 321 …
y –kryteria wyboru Yyyyyy k ∈= ),,,( 321 …
X - przestrzeń zmiennych decyzyjnych
Y- przestrzeń kryteriów
19
Ograniczenie 0)( ≤xg wyznacza rozwiązania dopuszczalne
Definicja 2. Zbiór rozwiązań dopuszczalnych dX
Jest to zbiór zmiennych decyzyjnych x spełniających ograniczenia )(xg , co moŜna
wyrazić w sposób następujący:
{ }( ) 0dX x X g x= ∈ ≤ (3)
Odpowiadający mu zbiór wartości osiągalnych kryteriów ma postać:
{ })()( xfXfYdXxdd ∈== ∪ (4)
W przypadku optymalizacji jednokryterialnej zbiór rozwiązań dopuszczalnych
jest w pełni uporządkowany według wartości funkcji celu f. W przypadku optymalizacji
wielokryterialnej zbiór rozwiązań dopuszczalnych uporządkowany jest częściowo.
Definicja 3. Relacje typu =, >=, >
Niech dane będą dwa wektory wielkości kryterialnych u i v. MoŜna
zdefiniować następujące relacje:
{ }{ }
vuvugdyvu
vukigdyvu
vukigdyvu
ji
ji
≠∧≥>≥∈∀≥=∈∀=
:,2,1
:,2,1
…
…
(5)
Relacje <= i < definiowane są analogicznie.
Definicja 4. Dominacja w sensie Pareto (Pareto dominacja)
Niech dane będą dwa wektory zmiennych decyzyjnych a i b. MoŜna
zdefiniować następujące relacje:
a dominuje na b gdy )()( bfaf >
a słabo dominuje nad b gdy bbf ≥)(
a jest neutralne względem b gdy
)()()()( afbfbfaf ≥/∧≥/
(6)
20
Definicja 5. Optymalność w sensie Pareto (Pareto optymalność)
Wektor zmiennych decyzyjnych dXx∈ jest niezdominowany odnoście zbioru dXA ⊆ ,
jeŜeli zachodzi:
xaAa ≻:∈∃/ (7)
gdzie ∃/ - oznacza „nie istnieje”
Wektor x jest optymalny w sensie Pareto, gdy jest niezdominowany odnośnie
przestrzeni dX
Wszystkie rozwiązania Pareto-optymalne nazywa się zbiorem Pareto-
optymalnym. Odpowiadające mu wektory kryteriów to front lub powierzchnia Pareto-
optymalna.
Definicja 6. Zbiory i fronty niezdominowane
Niech dXA ⊆ . Funckja )(Ap określa zbiór niezdominowanych wektorów zmiennych
decyzyjnych w zbiorze A:
{ aAaAp |)( ∈= jest niezdominowany odnośnie }A (8)
Zbiór )(ap jest zbiorem niezdominowanym odnośnie A, odpowiadający mu zbiór wektorów kryteriów ))(( Apf jest niezdominowanym frontem odnośnie A. Ponadto,
zbiór )( pp XpX = to zbiór Pareto-optymalny, a zbiór )( pp XpY = to front Pareto-
optymalny.
Definicja 7. Globalne i lokalne zbiory Pareto-optymalne
Niech dany będzie zbiór wektorów zmiennych decyzyjnych dXA ⊆
2. Zbiór A jest lokalnym zbiorem Pareto-optymalnym, jeŜeli zachodzi następujący
warunek:
δε <−∧<−∧∈∃/∈∀ )()(:: afxfaxaxXxAa d ≻ (9)
przy czym:
⋅ - metryka
21
0,0 >> δε
• Zbiór A jest globalnym zbiorem Pareto-optymalnym, jeŜeli zachodzi:
axXxAa d ≻:: ∈∃/∈∀ (10)
2.2.3. Metody optymalizacji wielokryterialnej
Metody optymalizacji wielokryterialnej moŜna podzielić na dwie
kategorie:[15], [3]:
● Techniki skalaryzacji (ang. scalarization approaches), w których problem
wielowymiarowy sprowadzany jest do problemu jednowymiarowego
i w konsekwencji otrzymujemy jedno rozwiązanie:
● Techniki Pareto (ang. Pareto approaches), w których rozwiązaniem zadania jest
zbiór rozwiązań.
W przypadku pierwszej kategorii moŜna mówić o metodach takich jak:
• Metoda waŜonej sumy (Weighted Sum Approach – WSA),
• Programowanie kompromisowe - kombinacje nieliniowe (Compromise
Programming - CP - Non-linear combinations)
• Analiza uŜyteczności wielokryterialnej - teoria uŜyteczności (Multiattribute
Utility Analysis - MUA - Utility Theory – UT)
• Programowanie celów (Goal Programming – GP),
• Techniki leksykograficzne (Lexicographic Approaches – LA)
• Funkcje dopuszczalne (Acceptability Functions – AF),
• Logika rozmyta (Fuzzy Logic – FL)
Techniki Pareto moŜna z kolei podzielić na metody opierające się o:
• Poszukiwanie i filtrowanie w sensie Pareto (Exploration and Pareto Filtering),
• Metoda sum waŜonych ze skanowaniem wag (Weigthed Sum Approaches (with
weight scanning))
• Adaptacyjna metoda sum waŜonych (Adaptive Weighted Sum Method – AWS)
• Metoda przecięć obszaru granicznego (Normal Boundary Intersection – NBI)
22
• Symulowane wyŜarzanie wykorzystywane do optymalizacji wielokryterialnej
(Multiobjective Simulated Annealing MOSA)
• Algorytmy genetyczne do optymalizacji wielokryterialnej (Multiobjective
Genetic Algorithm MOGA)
2.3. Algorytmy genetyczne
2.3.1. Algorytmy genetyczne – definicje podstawowe Algorytmy genetyczne (AG), będące grupą algorytmów ewolucyjnych (AE)
bazują na regułach ewolucji naturalnej, której podstawy opracował Karol Darwin
(1844 r.). Algorytmy te posiadają cechy, które w wyraźny sposób odróŜniają je od
tradycyjnych algorytmów optymalizacyjnych: [25] [61],
• nie przetwarzają bezpośrednio paramentów zadania lecz ich zakodowaną postać
• prowadzą poszukiwania, wychodząc nie z pojedynczego punktu lecz z pewnej
ich populacji
• korzystają tylko z funkcji celu nie zaś jej pochodnych lub innych pomocniczych
informacji
• stosują probabilistyczne a nie deterministyczne reguły wyboru
Prostota działania algorytmów genetycznych, a co za tym idzie takŜe łatwość
ich implementacji, opiera się na trzech podstawowych działaniach:
● mutacji - polegającej na zamianie wartości losowo wybranego genu na
przeciwną,
● krzyŜowaniu – którego działanie opiera się na losowym przecięciu dwóch
chromosomów w jednym (lub wielu) punktach i zamianie poszczególnych
elementów ze sobą.
● reprodukcji – która odpowiedzialna jest za powielenie ciągów kodowych
w zaleŜności od wartości funkcji przystosowania (ang. fitness function)
23
Rys. 1 Schemat blokowy algorytmu genetycznego Źródło: Rutkowski 2005 s, 233
2.3.2. Przegląd historyczny zastosowania algorytmów genetycznych
Pierwsze wzmianki na temat wykorzystania algorytmów genetycznych
pojawiły się w rozprawie doktorskiej Baglye w roku 1967 [25]. W tym samym czasie
Rosenberg (1967 r.) w pracy doktorskiej zajmował się symulacją populacji
jednokomórkowych organizmów o nieskomplikowanej budowie. W 1970 r. w pracy pt.
„Adaptive Search Using Simulated Evolution” („Poszukiwanie adaptacyjne na drodze
symulowanej ewolucji”) Cavicchio wykorzystał algorytm genetyczny do rozwiązywania
problemu wyboru podprogramu oraz rozpoznawania postaci. (wykorzystał metodę
rozpoznawania postaci podana przez Bledsoe-a i Browinga w 1959 roku). Jedną
z innowacji, którą w swych badaniach wprowadził Caviccho była metoda preselekcji,
polegająca na tym, Ŝe osobnik potomny o dobrym przystosowaniu zastępował jednego
24
ze swoich rodziców w nadziej utrzymania róŜnorodności populacji. Metoda ta została
wykorzystana przez De Jonga – (1975 r.) w studium na temat optymalizacji
W pracy doktorskiej Holletein (1971 r.) pod tytułem „Aritficial Genetic
Adaptation in Computer Control System („Sztuczna adaptacja genetyczna
w komputerowych systemach sterowania”) dokonał optymalizacji funkcji dwóch
zmiennych przy zastosowaniu mechanizmów dominowania, krzyŜowania, mutacji oraz
reprodukcji. W 1972 roku Frantz w swoich badaniach wykorzystał widzę poprzednika
badając korelację między występowaniem krótkodystansowych sprzęŜeń a tempem
poprawy wyników. Dopiero w 1984 roku Schaffer wykonał pierwszą próbę
optymalizacji wielokryterialnej z wykorzystaniem algorytmów genetycznych. TakŜe
Hollstein (1971 r) oraz I. De Jong (1975 r) w swoich badaniach zajmowali się
optymalizacją funkcji z wykorzystaniem algorytmów genetycznych. Bindle
w rozprawie doktorskiej zbadał sześć metod selekcji (1981 r.). W 1983 r. Brindle
zaproponował uŜycie procedur turniejowych jako metody selekcji. 1982 r. Booker
wykazał wyŜszość wyboru losowego wg reszt bez powtórzeń nad modelem wartości
oczekiwanej [25]. Kolejne badania opierały się na badaniu mechanizmu skalowania
funkcji celu i były juŜ przedmiotem badań Bagleya (1967 r.) i Rosenberga (1967 r.).
2.3.3. Ogólna charakterystyka algorytmów genetycznego SPEA (ang. Strange Pareto Evoluntary Alghorith)
Algorytm SPEA, pierwszy raz zaprezentowany przez Zilzlera oraz Thiela
w pracy „An evolutionary algorithm for multiobjective optimization: The Strength
Pareto Approach” [89], to algorytm typu MOEA (ang. Multi Object Evoluntary
Alghorithm), czyli algorytm genetyczny wykorzystywany do rozwiązywania
problemów optymalizacji wielkryterialnej, charakteryzujący się następującymi cechami:
● przechowuje w zewnętrznym zbiorze (ang. External Set) chromosomy
reprezentujące niezdominowany front Pareto
● wykorzystuje klasteryzację w celu redukcji ilości rozwiązań
● wykorzystuje zasadę dominacji Pareto w celu obliczenia skalarnej wartości
funkcji przystosowania odpowiadającej kaŜdemu chromosomowi.
Główną cechą algorytmu SPEA, jak było to wcześniej wspomnianej, jest zewnętrzny
zbiór, przechowujący niezdominowane rozwiązania Pareto (patrz def. 4 i def. 6).
25
Kopiowane są do niego chromosomy zgodnie ze wzorem prezentowanym poniŜej,
w których wektor decyzyjny jest niezdominowany.
{ }))(()( tt PmpimPiiPP ∈∧∈+′=′ (11)
gdzie:
tP - populacja w iteracji t
tP - zbiór zewnętrzny chromosomów w iteracji t
P ′ - tymczasowy zbiór zewnętrzny w iteracji t
)(im - funkcja dekodująca chromosom na wektor zmiennych decyzyjnych
Ze zbioru tego usuwane są wszystkie chromosomy, które są słabo zdominowane
odnośnie )(Pm ′ tzn.: dopóki istnieje para ),( ji gdzie Pji ′∈, oraz )(im słabo
dominuje nad )( jm zostaje wykonana operacja { }jPP −′=′
Obliczanie wartości funkcji przystosowania podzielone jest na dwa etapy:
W pierwszym dla kaŜdego chromosomu i naleŜącego do populacji tP jest wyliczana
wartość ( ]1,0)( ∈jS nazywanego dalej siłą 9 . Siła )(iS jest proporconalna do ilości
chromosomów tPj ∈ dla których )(im słabo dominuje nad )( jm
{ }
1
)()()(
+=∧∈
=N
jmimPjjiS
t ≻ (12)
W kolejnym etapie wyliczana jest wartość funkcji przystosowania (ang. fitness function)
przy czym:
• Dla i chromosomu tPi ∈ , wartość funkcji przystosowania jest równa jego sile
)()( iSiF =
• Dla chromosomu j gdzie tPj ∈ , wartość funkcji przystosowania obliczana jest
jako suma siły wszystkich chromosomów tPi ∈ , dla których wektor decyzyjny
słabo dominuje nad wektorem decyzyjnym chromosomu j, do której na końcu
9 Pojęcie t wprowadził Holland w 1992 podczas prac nad systemami klasyfikacji
26
dodawana jest wartość „1” (aby mieć pewność Ŝe chromosom w zbiorze tP ma
lepszą wartość funkcji przystosowania niŜ chromosom znajdujący się w zbiorze
tP )
[ )∑=∈
∈+=)()(,,
0,1)()(1)(jmiPi t
jfgdzieiSjF≻
(13)
Proces selekcji odbywa się z wykorzystaniem zbioru P′ do, którego kopiowane są
chromosomy Ni …,1= przy czym:
• wybierane są losowo dwa chromosomy PPji t ′+∈,
• JeŜeli )()( jFiF < wtedy { }iPP +′=′ w pozostałych przypadkach { }jPP +′=′
Rys. 2 Schemat działania algorytmu SPEA Źródło: An Evolutionary Alghorith for Multiobjective Optimization: The Strength
Pareto Approach
27
2.3.4. Uzasadnienie wykorzystania algorytmu typu SPEA W ciągu ostatnich kilkunastu lat moŜna było zaobserwować bardzo szybki
rozwój algorytmów genetycznych wykorzystujących optymalizację w sensie Pareto.
Zitler-a [90], w swojej pracy porównał stworzony przez siebie algorytm z innymi
algorytmami typu MOEA takimi jak: (więcej informacji moŜna znaleźć -[22], [1],
[81],[13]):
1. Schaffer’s Vector Evaluated Genetic Algorithm (VEGA) -[68], [69]
2. Hajela and Lin’s Weighting-based Genetic Algorithm (HLGA) - [29]
3. Fonseca and Fleming’s Multiobjective Genetic Algorithm (FFGA) - [23]
4. Horn, Nafpliotis, and Goldberg’s Niched Pareto Genetic Algorithm (NPGA) -
[31],[32],[5] Srinivas and Deb’s Nondominated Sorting Genetic Algorithm
(NSGA) - [70]
W omawianej pracy działanie powyŜszych algorytmów zostało sprowadzone
do rozwiązania problemu plecakowego zawierającego 250, 500 i 750 elementów. Zitler
wykazał, Ŝe algorytm SPEA (ang. Strange Pareto Evlountary Algorythm) osiąga
najlepsze rezultaty wśród wymienionych algorytmów w przypadku rozwiązywania tej
klasy problemów. NaleŜy zauwaŜyć, iŜ porównanie przeprowadzone przez autora
z wykorzystaniem problemu plecakowego toŜsamego z problemem wyboru firm
inwestujących na danym terenie ewidentnie wskazuje na moŜliwości wykorzystania do
rozwiązania omawianego problemu algorytmu SPEA. W celu przeprowadzenia testów
Zitler sprowadził wielowymiarowy problem plecakowy do n problemów
jednowymiarowych.
Zadanie polegające na znalezieniu wektora:
{ }nnxxxx 1,0),,( 21 ∈= … (14)
przy ograniczeniu
∑=
≤≤≤=n
jjjjii kigdziecxwxe
`, )1()( (15)
dla wielowymiarowej funkcji celu
28
))(),(),(()( 21 xfxfxfxf k…= (16)
zostało sprowadzone do k funkcji opisanych równaniem:
∑=
=n
jjjii xpxf
1,)( (17)
gdzie:
jip , - wartość j-tego elementu w i-tym plecaku
jiw , - waga j-tego elementu w plecaku i
jc - pojemoność plecaka i
Na poniŜszym wykresie zaprezentowano otrzymane fronty Pareto optymalnych
rozwiązań w piątej iteracji dla poszczególnych algorytmów przy 2 wymiarowym
problemie plecakowym.
29
Rys. 3 Porównanie działania algorytmu SPEA z innymi algorytmami typu MOEA do rozwiązania problemu plecakowego
źródło: Zitzler E, Evolutionary Algosrithms for Multiobjective Optimization: Methods and Applications
W innej swojej pracy opublikowanej w 1998 [89], roku ten sam autor porównał
działanie algorytmów genetycznych typu MOEA na podstawie pokrycia
niezdominowanych rozwiązań, otrzymanych w wyniku działania poszczególnych
algorytmów. PoniŜsza tabela przedstawia w procentach pokrycie niezdominowanych
rozwiązań otrzymanych za pomocą algorytmu A przez niezdominowane rozwiązania
uzyskane przy pomocy algorytmu B dla róŜnie zdefiniowanego problemu plecakowego
zawierającego, tak jak w poprzednim przypadku, od 2 do 4 plecaków oraz od 100 do
500 elementów, przy czym:
• Niched - oznacza algorytm genetyczny- Niched Pareto GA,
• weighted - oznacza algorytm sum waŜonych Hajela and Lin
• random – prosty algorytm przeszukiwania losowego.
30
Tabela 1 Tabela porównująca działanie algorytmów typu MOEA, obrazująca pokrycie znalezionych rozwiązań niezdominowanych.
Z powyŜszego zestawienia wyraźnie widać, Ŝe algorytm SPEA, z ponad 90%
przybliŜeniem, znajduje niezdominowane rozwiązania otrzymane w czasie działania
innych algorytmów. Pozostałe algorytmy posiadają duŜo niŜszą skuteczność.
Analizując obydwie wspomniane publikacje, autor niniejszej pracy doszedł do wniosku,
iŜ algorytm SPEA, w porównaniu z innymi prezentowanymi algorytmami, gwarantuje
najszybsze oraz najdokładniejsze znalezienie rozwiązań w przypadku
wielokryteriowego problemu plecakowego. Dlatego teŜ algorytm ten został
zaimplementowany i wykorzystany do znalezienia firm mogących zainwestować na
danym terenie.
2.4. Problem doboru firm inwestuj ących na danym terenie
jako binarny problem plecakowy
Dyskretny problem plecakowy (ang. binary knapsack problem), to problem
polegający na wyborze jak największej liczby przedmiotów, o jak największej wartości,
które jednocześnie jesteśmy w stanie zmieścić do plecaka o zadanym rozmiarze.
31
Matematycznie jednowymiarowy problem plecakowy (problem, w którym wartość
przedmiotów jest funkcją jednowymiarową) definiuje następująco:
Funkcja wartości plecaka:
∑=
=N
jij xcxf
0
)( (18)
Przy ograniczeniu:
BxwN
jij ≤∑
=0
(19)
Rys. 4 Przedstawienie graficzne dyskretnego problemu plecakowego
Wielowymiarowy problem plecakowy to problem, w którym funkcja celu (funkcja
wartości plecaka) to funkcja wielowymiarowa zdefiniowana następująco.
( ))()(),(),()( 4321 xfxfxfxfxf …= (20)
Przy ograniczeniach
Przy ograniczeniach 0))(),(),(),(()( 321 ≤= xgxgxgxgxg m… (21)
Problem doboru firm inwestujących na danym terenie [65] moŜna zdefiniować
w analogiczny sposób jak wielowymiarowy binarny problem plecakowy. Wielkość
32
terenu inwestycyjnego to wielkość plecaka, w którym musimy umieścić firmy. Ilość
terenu jaki zostanie przez firmę zajęty w trakcie realizacji inwestycji, wielkość
zapotrzebowania na media (prąd, wodę, gaz), to cięŜar (wielkość) przedmiotu. Wartość
jaką przedstawia firma dla lokalnej społeczności to wartość przedmiotu.
PowyŜsza interpretacja problemu obrazuje skalę trudności zagadnienia [65].
ZłoŜoność obliczeniowa binarnego problemu plecakowego wynosi bowiem )( 2nΟ ,
gdzie n jest ilością firm biorących udział w „przetargu”. PowyŜsza złoŜoność wynika
z faktu, iŜ kaŜda z firm moŜe zostać wybrana lub nie, w procesie decyzyjnym.
Przykładowo dla 20 firm startujących w „przetargu” ilość kombinacji rozwiązań wynosi
1 048 576. Prezentowane oszacowanie jest oszacowaniem nadmiarowym, gdyŜ
uwzględnia zarówno rozwiązanie, w którym nie wybraliśmy Ŝadnej firm, jak i takie,
w którym wybraliśmy wszystkie (co nie będzie miało miejsca ze względu na
ograniczenia dotyczące powierzchni inwestycyjnej). Podane oszacowanie pozwala
zorientować się z jak duŜym problemem mamy do czynienia.
3. System komputerowy wspomagania decyzji
3.1. Koncepcja budowy komputerowego systemu
wspomagania decyzji
Od lat wiadomo, Ŝe polski sektor publiczny nie jest zinformatyzowany w naleŜytym
stopniu. Nie istnieje teŜ zaawansowany projekt i plan przeprowadzenia takiej
informatyzacji. Częste zmiany przepisów (w przypadku informatyzacji ZUS w latach
1998-2003 ustawę o ubezpieczeniach społecznych nowelizowano 9 razy [55])
powodują, iŜ bardzo trudno jest wprowadzać i wykorzystywać zaawansowane systemy
komputerowe w administracji publicznej. Z tego względu najczęściej wykorzystywane
są jedynie systemy bazodanowe (tzw. hurtownie danych), które umoŜliwiają
gromadzenia i przetwarzanie informacji o obywatelach (np. PESEL, CEPiK, KSI ZUS,
REGON)
W przeciwieństwie do sektora publicznego, w sektorze prywatnym, od dawna
stosuje się systemy wspomagania decyzji lub systemy wspomagania zarządzania. Nowy
model zarządzania publicznego (ang. New Public Management) wymusił jednak takŜe
i w sektorze publicznym zmianę paradygmatu biurokracji na paradygmat
przedsiębiorczości [44]. Koncepcja nowego modelu zarządzania publicznego opiera się
na załoŜeniu, iŜ w sektorze publicznym zarządzanie jako wyodrębniona działalność
33
moŜe być zastosowane w taki sam sposób jak w sektorze prywatnym, a co za tym idzie
naleŜy stosować takie same lub podobne komputerowe systemy wspomagania
zarządzania, do których naleŜą:
• informatyczne systemy zarządzania (MIS), które słuŜą wspomaganiu
rutynowych czynności organizacji, czyli planowania, zarządzania wszelkimi
zasobami organizacyjnymi, kierowania, kontrolowania działalności organizacji.
Typowy MIS sięga do organizacyjnej bazy danych w celu pozyskania
odpowiednich informacji, które następnie przetwarza zgodnie z potrzebami
uŜytkownika,
• systemy wspomagające decyzje (DSS), do których zaliczamy interaktywne
systemy komputerowe wspomagające kadrę kierowniczą w podejmowaniu
decyzji niestrukturyzowanych przez zastosowanie odpowiednich danych
których modeli komputerowych,
• systemy ekspertowe (ES), których celem jest wspomaganie decydenta
w niestrukturyzowanej sytuacji decyzyjne. Systemy te nie posługują się
modelami świata rzeczywistego, lecz naśladują tok rozumowania eksperta lub
decydenta, czyli wykorzystują tzw. sztuczna inteligencję.
Celem niniejszej pracy jest zbudowanie komputerowego systemu wspomagania decyzji.
Ze względu jednak na specyfikę problemu jakim jest wybór firm inwestujących na
danym terenie system taki musi charakteryzować się następującymi cechami:
− budową modułową umoŜliwiającą w przyszłości rozbudowę tworzonego systemu
− niezaleŜnością od rodzaju danych wejściowych opisujących firmy
− graficznym interfejs uŜytkownika zapewniający łatwą konfigurację parametrów.
Modułowość systemu narzuciła naturalny podział pozwalający rozwijać poszczególne
elementy bez konieczności modyfikowania pozostałych. PoniŜej zaprezentowano
ogólny schemat podziału systemu.
34
Rys. 5 Diagram połączeń między modułami
Strzałki oznaczają wymagane połączenia pomiędzy modułami. Jako algorytm
Pareto oznaczono algorytm umoŜliwiający znalezienie rozwiązań Pareto optymalnych
3.2. Platforma Eclipse
Systemy wspomagania decyzji, tak jak było to wcześniej powiedziane, to nie
tylko zestaw algorytmów implementujących poszczególne funkcje, ale takŜe
zintegrowany system, który umoŜliwia decydentowi (najczęściej osobie, która nie
posiada specjalistycznej wiedzy z zakresu informatyki) dokonywać analiz, wprowadzać
dane, zmieniać parametry wpływające na rodzaj i sposób podejmowania decyzji.
System taki to takŜe system, który w sposób zrozumiały dla odbiorcy uzasadni podjęcie
takiej bądź innej decyzji za pomocą wykresów lub reguł umoŜliwiając decydentowi
prześledzenie całego procesu decyzyjnego (analiza taka jest niezbędna w przypadku
podejmowania decyzji politycznych – patrz rozdział Problematyka podejmowania
decyzji w sektorze publicznym).
Ze względu na skomplikowaną budowę tworzonego systemu oraz konieczność
zapewnienia modułowości platformy umoŜliwianej dalszą jej rozbudowę, autor
zdecydował się na wykorzystanie otwartej platformy napisanej w języku Java - Eclipse,
35
która oferuje: (porównanie środowiska Eclipse z innym otwartym środowiskiem
o nazwie NetBeans moŜna znaleźć w publikacji [64]):
� modułową budowę aplikacji
� jednolity wygląd elementów tworzonej aplikacji
� obsługę systemów pomocy
� łatwą rozszerzalność aplikacji
� łatwa moŜliwość aktualizacji oprogramowania
� moŜliwość wykorzystania gotowych rozwiązań (obsługi róŜnych formatów
plików, tworzenie graficznych edytorów itp. [63])
Rys. 6 Architektura Platformy Eclipse
Źródło: Eclipse Podręcznik Programisty – Wydawnicto Helion 2005, s. 197
Poszczególne moduły systemu zostały zaimplementowane jako wtyczki (ang.
plugins) dostępne w środowisku Eclipse-a. Pozwoliło to znacznie skrócić czas
implementacji całej aplikacji, a takŜe zapewniło łatwość w dodawaniu i rozbudowie
poszczególnych wtyczek za pomocą specjalnego mechanizmu opartego o pliki postaci
XML.
3.3. Implementacja algorytmu genetycznego
36
Głównym celem zaimplementowania własnej biblioteki algorytmów
genetycznych było dopasowanie wymogów jakie są stawiane przy konstrukcji systemu
(czyli modułowości i moŜliwości dalszej rozbudowy) do moŜliwości zastosowania
algorytmów genetycznych. WaŜne było aby implementacja algorytmu genetycznego
umoŜliwiała w przyszłości jego rozbudowę o moduły pozwalające wykorzystywać
zaimplementowaną strukturę w procesie znajdowania rozwiązań Pareto-optymalnych.
Drugim bardzo waŜnym powodem, było takie zaprojektowanie model danych,
które gwarantowałoby moŜliwość wykorzystania danych o dowolnej postaci (bez
konieczności narzucania uŜytkownikowi określonych struktur).
Efektem pracy było powstanie biblioteki algorytmów genetycznych (dostępnej
na stronie http://sourceforge.net, oraz stronie domowej autora) o bardzo prostej
strukturze zaprezentowanej poniŜej. (w opinii autora biblioteka algorytmów
genetycznych napisana w języku Java i dostępna w sieci Internet pod nazwa JGAP – nie
gwarantuje aŜ takiej prostoty i funkcjonalności).
Rys. 7 Diagram Class implementacji algorytmu genetycznego
37
3.4. Implementacja algorytmu SPEA
Wybór algorytmu SPEA jako algorytmu umoŜliwiającego optymalizację
wielokryterialną z wykorzystaniem algorytmów genetycznych, oraz stworzenie własnej
biblioteki algorytmów genetycznych, pociągnęło za sobą konieczność implementacji
algorytmu SPEA algorytmu umoŜliwiającego znalezienie rozwiązań Pareto-
optymalnych (który w pracy oznaczany jest jako algorytm Pareto). PoniŜej na rysunku 8
zaprezentowano strukturę pakietu zapewniającego wyŜej wymienioną funkcjonalność.
Rys. 8 Implementacja algorytmu SPEA
Problematyka wyboru firm inwestuj ących na danym terenie
3.5. Sposób kodowania czynników
W przypadku problemu plecakowego, a takim właśnie modelem jest
przybliŜany rozwaŜany w tej pracy problem wyboru firm inwestujących na danym
terenie, najczęściej stosowanym sposobem kodowania „zbioru wybranych
przedmiotów” jest kodowanie binarne. W kodowaniu tym, kaŜdemu chromosomowi
odpowiada pewien koszyk wybranych elementów, w którym gen o wartości „1”
oznacza, iŜ dany element został włoŜony do plecaka (firma została wybrana), natomiast
„0”, i Ŝ element ten nie znajduje się w plecaku (firma nie została wybrana). Długość
chromosomu to liczba elementów, podlegających procesowi wyboru (liczba firm).
Rys. 9 Chromosom kodujący koszyk firm
Problemu nie stanowi właśnie taka implementacja sposobu kodowania ale
odwzorowanie mające na celu przyporządkowanie kaŜdemu genowi – firmy
o określonych parametrach. W celu odpowiedniego zamodelowania zaistniałej sytuacji
został stworzony meta-model danych zapewniający omawiane odwzorowanie. Wymóg,
który został postawiony na początku, iŜ nie będzie z góry narzuconej struktury danych
ani typu danych, wymusił konieczność parametryzacji kaŜdego rodzaju danych. Dane
wczytywane są więc z pliku postaci XML prezentowanego poniŜej.
<?xml version="1.0" encoding="UTF-8"?> <firms> <parameters> <parameter id="pl.rybarski.firms.water" name="water" type="java.lang.Double" /> <parameter id="pl.rybarski.firms.gas" name="gas"
40
type="java.lang.Double" /> <parameter id="pl.rybarski.firms.transport" name="transport" type="pl.rybarski.firms.Transport" /> <parameter id="pl.rybarski.firms.trade" name="trade" type="pl.rybarski.firms.Trade" /> <parameter id="pl.rybarski.firms.contribution" name="contribution" type="pl.rybarski.firms.Contribute" /> <parameter id="pl.rybarski.firms.enviroment" name="enviroment" type="pl.rybarski.firms.Enviroment" /> <parameter id="pl.rybarski.firms.power" name="power" type="java.lang.Double" /> <parameter id="pl.rybarski.firms.investition" name="investition" type="java.lang.Double" /> <parameter id="pl.rybarski.firms.workers" name="workers" type="java.lang.Integer" /> <parameter id="pl.rybarski.firms.productionType" name="productionType" type="pl.rybarski.firms.ProductionType" /> <parameter id="pl.rybarski.firms.production" name="production" type="java.lang.String" /> <parameter id="pl.rybarski.firms.size" name="size" type="java.lang.Double" /> </parameters> <firmset> <firm id="0"> <name>Cebal Tuba Sp. z o.o.</name> <data> <parameter id="pl.rybarski.firms.size">11582.0</parameter> <parameter id="pl.rybarski.firms.power">21.0</parameter> <parameter id="pl.rybarski.firms.gas">32.0</parameter> <parameter id="pl.rybarski.firms.water">21.0</parameter> <parameter id="pl.rybarski.firms.production">tworzywa sztuczne - opakowania polietylenowe</parameter> <parameter id="pl.rybarski.firms.trade">chemiczna</parameter> <parameter id="pl.rybarski.firms.investition">1.12E7</parameter> <parameter id="pl.rybarski.firms.workers">45</parameter> <parameter id="pl.rybarski.firms.enviroment"> <en id="enviroment" value="średnia" /> <en id="persons" value="średnia" /> </parameter> <parameter id="pl.rybarski.firms.contribution"> <con country="Francja" value="58.0" /> <con country="Polska" value="42.0" /> </parameter> <parameter id="pl.rybarski.firms.productionType"> <prod>produkcyjna</prod> </parameter> <parameter id="pl.rybarski.firms.transport"> <trans>samochodowy</trans> </parameter> </data> </firm> <firm id="1"> <name>Steijn Paper Sp. z o.o.</name> <data> <parameter id="pl.rybarski.firms.size"> 8829.0 </parameter> <parameter id="pl.rybarski.firms.power">85.0</parameter> <parameter id="pl.rybarski.firms.gas">10.0</parameter> <parameter id="pl.rybarski.firms.water">85.0</parameter>
41
<parameter id="pl.rybarski.firms.production"> papiernicza - papier transferowy </parameter> <parameter id="pl.rybarski.firms.trade"> papiernicza </parameter> <parameter id="pl.rybarski.firms.investition"> 2.5E7 </parameter> <parameter id="pl.rybarski.firms.workers">80</parameter> <parameter id="pl.rybarski.firms.enviroment"> <en id="enviroment" value="średnia" /> <en id="persons" value="średnia" /> </parameter> <parameter id="pl.rybarski.firms.contribution"> <con country="Holandia" value="100.0" /> </parameter> <parameter id="pl.rybarski.firms.productionType"> <prod>produkcyjna</prod> </parameter> <parameter id="pl.rybarski.firms.transport"> <trans>samochodowy</trans> <trans>PKP</trans> </parameter> </data> </firm> </firmset> </firms>
Listing. 1 Plik zawierający informacje o firmach
Prezentowany plik ten został podzielony na dwie części. W pierwszej znajdują
się informacje na temat typu danych oraz ich identyfikatory, pozwalające wczytać
określone dane do systemu. Identyfikatory te odpowiadają identyfikatorom funkcji
odpowiedzialnych za deserializację (ang. deserialization) danych (odczytywanie danych
z dysku). Funkcje wczytujące muszą zostać stworzone indywidualnie dla kaŜdego
rodzaju danych, a następnie zostać wczytane do modułu odpowiedzialnego za
deserializację. W drugiej części pliku znajdują się konkretne wartości liczbowe bądź
opisowe, które zostaną wczytane do systemu. Rozwiązanie, pomimo iŜ umoŜliwia
wczytanie danych dowolnego rodzaju, posiada jedną wadę. W momencie pobierania
danych z „metamodelu” w celu np. obliczenia wartość koszyka firm, konieczne jest ich
rzutowanie do określonego typu (do typu, który jest w stanie obsłuŜyć dana funkcja), co
wymusza narzut czasowy, który opóźnia działanie algorytmu.
42
3.6. Problematyka tworzenia populacji pocz ątkowej
Algorytm genetyczny rozpoczyna swoje działanie od wygenerowania losowej
populacji początkowej o zadanej liczbie chromosomów (wielkości). Wartości
poszczególnych genów chromosomu mogą być ustalane w sposób losowy.
W przypadku rozwiązywania problemu, w którym mamy do czynienia z bardzo duŜą
przestrzenią rozwiązań oraz z bardzo małą przestrzenią rozwiązań dopuszczalnych
utworzoną poprzez ograniczenia, istnieje niebezpieczeństwo otrzymania populacji,
w której większość chromosomów nie będzie spełniała załoŜonych ograniczeń. Sytuacja
taka ma miejsce w omawianym przypadku. PoniŜej zaprezentowano wykres ilości (w
procentach) rozwiązań nie spełniających ograniczeń dla jednej funkcji ograniczającej
(wielkości dostępnego terenu), w zaleŜności od maksymalnej ilości ustalonych genów
dla populacji o wielkości 500, i 1500 chromosomów. Liczba ustawionych genów w
chromosomie, była wybierana w sposób losowy z przedziału [1...k] gdzie k – oznacza
maksymalną dopuszczalną liczbę ustawionych genów (za geny ustawione rozumiane są
geny których wartość ustalona jest na „1” – tzn. firma została wybrana).
Rys. 10 Liczba rozwiązań dopuszczalnych w zaleŜności od wielkości populacji
Zobrazowany problem wynika z faktu, iŜ ograniczenie dotyczące wielkości
dostępnego terenu wynoszące 620 tyś m2 stanowi jedynie 11,74% wielkości gruntów na
jakie w sumie zapotrzebowanie zgłosiły firmy - 5283,1234 tyś m2. Aby otrzymać
populację o określonej liczbie chromosomów, które nie spełniają ograniczeń, został
stworzony algorytm, który w sposób zautomatyzowany znajduje maksymalną wartość
liczby ustalonych genów dla zadanej procentowej liczby chromosomów
43
niepoprawnych. Algorytm ten prezentowany poniŜej, generuje określoną ilość razy
populację początkową, a następnie zwraca maksymalną wartość ustalonych
chromosomów.
Dane: N – wielkość populacji
k- długość chromosomu
pi- procentowa ilość chromosomów nie spełniających ograniczeń
i – numer iteracji
P – ustalona dopuszczalna wartość procentowa chromosomów niepoprawnych
Krok 1: Utwórz tablicę T wartości procentowych o długości równej k+1. Ustal i =
1,
Krok 2: Utwórz populację testową
Krok 3: Oblicz procentową ilość chromosomów nie spełniających ograniczeń pi.
Zapisz wyliczoną wartość w tablicy T[i] = pi
JeŜeli i < k+1 to i = i + 1 oraz przejdź do kroku 2
Krok 4: Znajdź maksymalny indeks elementu w tablicy T[i] dla którego wartość
jest mniejsza od P
Listing. 2 Znajdowanie wartości granicznej
3.7. Problematyka rozwi ązań dopuszczalnych
Algorytm znajdowania maksymalnej liczby ustalonych genów,
wykorzystywany do generowania populacji początkowej, nie gwarantuje utworzenia
populacji, w której wszystkie chromosomy są poprawne. TakŜe w procesie działania
operatorów genetycznych moŜliwe jest stworzenie (w procesie mutacji lub
krzyŜowania) chromosomów znajdujących się poza przestrzenią rozwiązań
dopuszczalnych. W takiej sytuacji, gdy algorytm genetyczny jest wykorzystywany do
rozwiązywania jednowymiarowych problemów (np.: problemu plecakowego z jedną
funkcja ograniczającą) - chromosomy takie są karane poprzez przyjęcie dla nich
zerowej wartości funkcji przystosowania [61], tak aby nie brały one udziału w procesie
selekcji oraz wyboru rozwiązania optymalnego. Tą samą zasadę moŜna odnieść do
rozwiązywania zadań optymalizacji wielokryterialnej. W przypadku przekroczenia
któregokolwiek z ograniczeń chromosomy są karane poprzez przyjęcie wartości
zerowej dla wszystkich funkcji przystosowania.
44
Innym rozwiązaniem jest poddanie populacji, zawierającej pewną ilość
chromosomów niepoprawnych, procesowi „naprawy” czyli podmianie chromosomów
nie spełniających ograniczeń, chromosomowymi spełniającymi takowe. Podczas
implementacji omawianego rozwiązania, zdecydowano się przetestować dwa
rozwiązania:
1. Polegające na losowym wygenerowaniu chromosomu i sprawdzeniu czy
chromosom spełnia załoŜone ograniczenia. W przypadku, gdy chromosom nie
spełnia któregokolwiek z ograniczeń, następuje ponowna generacja
chromosomu. Technika ta, pomimo iŜ wydaje się skuteczna (kiedyś musi zostać
wygenerowany chromosom poprawny), moŜe doprowadzić do zawieszenia
wykonywania programu, a na pewno spowoduje znaczne opóźnienia w działaniu
programu.
2. Polegające na opracowaniu metody poprawienia chromosomu (poprzez mutację
części genów), która zagwarantuje otrzymanie chromosomu spełniającego
ograniczenia w skończonym czasie.
Ze względu na niepewność wygenerowania rozwiązania poprawnego pierwsza
z opisanych metod nie spełniła pokładanych w niej nadziei i dlatego teŜ została
pominięta w dalszej pracy. W przypadku wykorzystania drugiej metody, powstaje
zasadnicze pytanie: które z genów naleŜy zmodyfikować i jaki wpływ na ostateczny
kształt chromosomu będzie miała taka modyfikacja? Nasuwającym się rozwiązaniem,
jest rozwiązanie polegające na modyfikacji tych genów, dla których stosunek wartości
funkcji przystosowania do wartości funkcji ograniczenia jest najmniejszy. Niestety nie
zawsze istnieje moŜliwość uszeregowania genów w sposób omówiony powyŜej.
W przypadku optymalizacji funkcji wielokryterialnej lub gdy chromosom nie spełnia
kilku z narzuconych ograniczeń nie istnieje metoda pozwalająca w obiektywny sposób
dokonać omawianego sortowania. Powstaje bowiem pytanie: według której z funkcji
w pierwszej kolejności powinno się modyfikować geny, i jak taka modyfikacja wpłynie
na spełnienie pozostałych załoŜeń i wartość funkcji przystosowania.
Omawiane trudności skłoniły autora do zaproponowania innej metody. PoniŜej
zaprezentowano algorytm, którego zadaniem jest losowa mutacja genów do momentu
w którym chromosom nie będzie spełniał wszystkich załoŜonych ograniczeń.
45
Dane: ch – modyfikowany chromosomu
i -numer iteracji
Krok 1: Utwórz tablicę T numery genów chromosomu których wartość wynosi „1”
Krok 2: Wylosuj liczbę ki z przedziału [0,ti], gdzie ti – długość tablicy T
Krok 3: Zamień wartość k genu w chromosomie na „0”. Usuń numer ki z tablicy T.
Krok 4: Sprawdź czy zmodyfikowany chromosom spełnia wszystkie zadane
kryteria. JeŜeli nie powróć do kroku 2.
Listing. 3 Algorytm tworzenia populacji początkowej
Wadą prezentowanej metody jest losowa eliminacja genów. Gwarantuje ona jednak
otrzymanie chromosomu spełniającego wszystkie załoŜone kryteria w maksymalnie
k iteracjach., gdzie k – długość chromosomu.
3.8. Funkcje przystosowania
Celem stworzonego systemu jest optymalizacja wyboru firm inwestujących na
danym terenie. W tym celu w czasie realizacji pracy zostało opracowanych szereg
funkcji pozwalających ocenić wartość planowanej inwestycji (koszyka firm). PoniŜej
zostały zaprezentowane stworzone funkcje.
Funkcja sumująca
Funkcje umoŜliwiająca obliczenie sumy dowolnie wybranego parametru firmy takiego
jak wielkość zajętej powierzchni inwestycyjnej, wartości zapotrzebowania na media,
sumaryczna wartość inwestycji itp.
∑=
=n
iixxf
1
)( (22)
Odmianą tej funkcji, jest funkcja pozwalająca obliczyć sumę dowolnego parametru
definiującego branŜę w jakiej firma działa. W pracy wykorzystano badania komisji
europejskiej, definiując następujące cztery współczynniki:10:
- HI_EDU – udział pracowników z wyŜszym wykształceniem
- TRAINING – udział firm szkolących pracowników
10 Hollanders H, Arundel A – European sector innovation scoreboards, December 2005, str. 17
46
- R_D - wydatki na cele badawczo- rozwojowe
- CO – współpracę z innymi podmiotami.
Tabela 2 Wartości współczynników charakteryzujących branŜe
BranŜa HI_EDU TRAINING R_D CO budowlana 11,1 16,8 5,23 5,6 ceramiczna 7,3 12,1 1,32 6,6
chemiczna 15,0 28,2 12,59 15,9
elektroniczna 21,2 29,8 15,39 13,2
energetyczna 13,4 17,4 0,6 5,8
IT 50,9 38,1 6,12 14,6
logistyczna 8,0 12,8 0,59 2,7
meblowa 11,1 16,8 5,23 5,6
mechaniczna 14,2 23,0 5,47 8,6
medyczna 20,9 21,98 5,89 8,0
metalowa 8,5 17,0 2,58 6,8
papiernicza 6,6 12,8 1,15 3,9
recycling 7,3 12,1 1,32 6,6
samochodowa 12,4 22,8 7,58 7,5
spoŜywcza 6,6 12,8 1,15 3,9
tekstylna 3,5 9,9 1,15 2,6 Źródło: Hollanders H, Arundel A – European sector innovation scoreboards, December 2005,
str. 17
Uwaga:
W przypadku obliczania wartości zajętej przez firmy powierzchni, została
wykorzystana funkcja sumująca, która nie uwzględnia kształtu zajmowanych działek,
a takŜe wielkości dróg dojazdowych do posesji. Pominięcie wyŜej wymienionej
funkcjonalności zostało podyktowane szybkością działania algorytmu, który
w przypadku wykonywania dodatkowych obliczeń znacznie wydłuŜyłby czas swojego
działania.
Funkcja sumująca z ograniczeniami
Odmianą funkcji sumującej jest funkcja sumująca z ograniczeniami. Funkcja ta
umoŜliwia narzucenie nieliniowości w procesie sumowania.
47
>
≤= ∑=
δ
δ
)()(
)()(
0
chfdlaxg
chfdlaxcchf
n
iii (23)
Gdzie:
ch – chromosom
ix - wartość parametru dla i-tego genu
{ }1,0∈ic - wartość genu
Funkcję obliczająca rozkład branŜ w danym koszyku
Jednym z najpowaŜniejszych problemów podczas wyboru firm inwestujących
na danym terenie jest taki ich dobór, aby w przypadku problemów ekonomicznych
jednej z branŜ, do minimum ograniczyć skutki powstałego kryzysu (np. zwolnienia
pracowników). Prezentowana funkcja pozwala na podstawie koszyka firm oraz spisu
branŜ, w których poszczególne firmy działają obliczyć wartość parametru określającego
jako skupisko firm wokół danej branŜy. Wartość funkcji to wartość odchylenia
standardowego próby zawierającej ilość firm w danej branŜy inwestującej na danym
terenie. Znak minus został dodany w celu minimalizacji wartości odchylenia
(maksymalizacji współczynnika)
( )∑=
−−=n
ii xx
nchf
1
21)( (24)
Gdzie:
ch - chromosom
n – ilość branŜ
xi – liczba firm z danej branŜy
x - średnia ilość firm w branŜach
Przykład:
Dla prezentowanego chromosomu:
0000001001100110110101000000001100000111010001000100010001100000000000
00101001001110001000000100000101
rozkład branŜ prezentuje się następująco:
48
0
1
2
3
4
5
6
7
budo
wla
na
cera
mic
zna
chem
iczn
a
elek
tron
iczn
a
ener
gety
czna IT
logi
styc
zna
meb
low
a
mec
hani
czna
med
yczn
a
met
alow
a
papi
erni
cza
recy
clin
g
sam
ocho
dow
a
spoŜ
ywcz
a
teks
tyln
a
Ilość fi
rm
Rys. 11 Przykładowe rozłoŜenie branŜ w chromosomie
Wartość funkcji odchylenia standardowego branŜ wynosi: -1,5427784316797402
Funkcja obliczająca potencjalną ilość osób zatrudnionych.
Omawiana powyŜej funkcja sumująca, w przypadku jej uŜycia do obliczenia
ilości osób, które w przyszłości mogą znaleźć zatrudnienie w wybranych firmach, nie
uwzględnia ani wykształcenia osób bezrobotnych w regionie ani zapotrzebowania firm
na osoby o danym rodzaju wykształcenia. Przy tworzeniu koszyka firm naleŜy pamiętać,
iŜ kaŜda branŜa charakteryzuje się pewną specyfiką produkcji, która wymusza takie
bądź inne wykształcenie zatrudnianych osób. W celu obliczenia tak zdefiniowanego
przyszłego zatrudnienia w danym regionie, została stworzona funkcja pozwalający
wykorzystać informacje na temat bezrobocia (jego wielkości i profilu) oraz
zapotrzebowania firm na osoby o danym wykształceniu. Niestety roczniki statystyczne
nie dostarczają informacji na temat procentowego zatrudnienia osób z danym
wykształceniem w danej branŜy (konieczne byłoby przeprowadzenie badań
ankietowych pozwalających ocenić wielkość zatrudnienia w poszczególnych branŜach),
dlatego teŜ autor przygotował własną tabelę określającą procentowe zapotrzebowanie
danych branŜ na pracowników z określonym wykształceniem.
49
Tabela 3 Tabela określająca procentowe zapotrzebowanie branŜ na pracowników o danym wykształceniu
Wykształcenie BranŜa
podstawowe zasadnicze średnie wyŜsze
budowlana 15 35 40 10
ceramiczna 5 30 30 35
chemiczna - - 60 40
elektroniczna - - 30 70
energetyczna - 20 40 40
IT - - 10 90
logistyczna 10 30 30 30
meblowa 30 50 18 2
mechaniczna 5 35 40 20
medyczna - - 40 60
metalowa 15 40 35 10
papiernicza 5 45 40 10
recycling 30 40 25 5
samochodowa 10 35 35 20
spoŜywcza 5 60 30 5
tekstylna 30 55 10 5
Funkcja obliczająca wartość koszyka na podstawie ilości osób bezrobotnych oraz
zapotrzebowania poszczególnych firm opisana została następujący sposób:
Niech I będzie zdefiniowanym zbiorem rodzajów wykształcenia np :
{ }ŜszewyśredniezasadniczepodstawoweIi ,,,=∈
a ip będzie procentową wartością określającą ilość bezrobotnych z danym
wykształceniem na terenie gminy.
Dla kaŜdej firmy Gg ∈ zdefiniowano następujące dane:
gz - wartość określająca zapotrzebowanie na określoną liczbę pracowników
igw - współczynnik określający procentowe zapotrzebowanie na pracowników o danym
wykształceniu i.
Funkcja obliczająca wartość koszyka firm została zdefiniowana w sposób następujący:
50
∑ ∑∈ ∈
=Ii Gg
iggi wzpchf )( (25)
Funkcją obliczająca wartość powiązań pomiędzy branŜami.
W przypadku wyboru firm mających zainwestować na danym terenie jednym
z najwaŜniejszych czynników wpływających na podjętą decyzje jest moŜliwość ich
dalszego rozwoju. Rozwój firm pociąga bowiem za sobą dalsze inwestycje i moŜliwości
zatrudniania kolejnych pracowników, a tym samym przyczynia się do znacznego
obniŜenia bezrobocia oraz rozwoju gminy. Tworząc koszyk firm moŜna tak dobrać
firmy, aby współpracując ze sobą tworzyły coś na kształt klastra11. Prezentowana
funkcja pozwala ocenić sumaryczną wartość powiązań pomiędzy firmami na podstawie
tabeli powiązań między branŜami. PoniŜej pokazano fragment grafu obrazujący takie
waśnie powiązania:
Rys. 12 Przykładowe powiązanie pomiędzy branŜami
Ze względu na brak danych dotyczących powiązań pomiędzy poszczególnymi
branŜami (obecnie dopiero prowadzone są zakrojone na szeroką skalę badania mające
na celu ocenę skuteczności działania klastrów oraz czynników klastrotwórczych) autor
stworzył tabelę zawierającą hipotetyczne wartości powiązań.
11 Klaster - znajdująca się w geograficznym sąsiedztwie grupa przedsiębiorstw i powiązanych z nimi
instytucji zajmujących się określoną dziedziną, połączoną podobieństwami i wzajemnie się uzupełniającą – źródło: www.klaster.pl
51
Oznaczenie kolumn BranŜa A budowlana B ceramiczna c chemiczna d elektroniczna e energetyczna f IT g logistyczna h meblowa i mechaniczna j medyczna k metalowa l papiernicza m recycling n samochodowa o spoŜywcza p tekstylna
Tabela 4 Wartości powiązań pomiędzy branŜami a b c d e f g h i j k l M n o p
a - - - - - - - - - - - - - - - -
b 0,5 - - - 0,3 - - - - - - - - - - -
c 0,7 0,8 - - - - - - - 0,2 - - - - 0,7 -
d - - - - 0,5 - - - - 0,8 - - - - - -
e - - - - - - - - - - - - - - - -
f - - 0,2 0,5 0,5 - 0,5 - - 0,3 - - - 0,2 - -
g - 0,2 0,7 0,1 0,2 - - 0,2 0,2 - 0,2 0,3 - 0,8 - 0,1
h - - - - - - - - - - - - - - - -
i - - - - - - - - - - 0,7 - - 0,9 - -
j - - - - - - - - - - - - - - - -
k - - - - 0,2 - - - 0,9 - - - - 0,9 - -
l - - - - - - - - - - - - - - - -
m - - 0,8 0,7 - - - - - 0,9 - - - 0,7 - -
n 0,1 - - - - - 0,9 - - - - - - - - -
o - - - - - - - - - - - - - - - -
p - - - - - - - 0,1 - - - - - - - -
52
4. Weryfikacja i analiza zastosowanej metody
4.1. Weryfikacja implementacji algorytmów
W celu sprawdzenia poprawności implementacji biblioteki algorytmów
genetycznych, algorytmu SPEA oraz algorytmu umoŜliwiającego znalezienie rozwiązań
Pareto-optymalnych przeprowadzono testy mające na celu porównanie rozwiązań
otrzymanych za pomocą tworzonego systemu z rozwiązania otrzymanymi metodą
polegającą na przejrzeniu wszystkich moŜliwych rozwiązań (ang. Brute Force).
Ze względu na znaczną ilość rozwiązań jaką naleŜało przejrzeć podczas
działania algorytmu Brute Force, liczba firm została ograniczona do 20 (takŜe wielkość
chromosomu została ograniczona do 20). Liczba wszystkich rozwiązań 1 048 576. Na
zbiór rozwiązań zostało narzucone ograniczenie przestrzeni inwestycyjnej wynoszące
50 000 m2. Wielkość dostępnego terenu ograniczyła ilość rozwiązań spełniających
wszystkie załoŜone kryteria do 507 koszyków.
Parametry algorytmu genetycznego:
Wielkość chromosomu 20 Wielkość populacji początkowej 200 Prawdopodobieństwo krzyŜowania 0,8 Prawdopodobieństwo mutacji 0,1 Ilość iteracji 300
Testy przeprowadzono dla funkcji oceny koszyka składającej się z 2 funkcji:
1. funkcja obliczająca sumaryczną wartość inwestycji
2. funkcja obliczająca sumaryczną ilość zatrudnianych osób
53
Rys. 13 Porównanie frontu Pareto do rozwiązań otrzymanych za pomocą AG dla 2
funkcji
Rys. 14 Ilość znalezionych punktów frontu Pareto w zaleŜności od iteracji dla 2
funkcji
Rys. 15 Rozkład znalezionych punktów frontu Pareto dla czterech wybranych iteracji
PoniŜej zaprezentowano kolejne testy przeprowadzone dla funkcji składającej się z 3
funkcji składowych:
54
1. funkcja obliczająca sumaryczną wartość inwestycji
2. funkcja obliczająca sumaryczną ilość zatrudnianych osób
3. funkcji obliczającej odchylenie standardowe
Rys. 16 Porównanie frontu Pareto do rozwiązań otrzymanych za pomocą AG dla 3
funkcji
55
Rys. 17 Ilość znalezionych punktów frontu Pareto w zaleŜności od iteracji dla 3 funkcji
Rys. 18 Rozkład znalezionych punktów frontu Pareto dla czterech wybranych iteracji
Wyniki powyŜszych testów pozwoliły stwierdzić, iŜ implementacja zarówno
algorytmów genetycznych, algorytmów poszukiwania frontu Pareto oraz algorytmu
SPEA są poprawne. Widać takŜe, iŜ udało się dość szybko znaleźć wszystkie
rozwiązania Pareto optymalne (poniŜej 200 iteracji)
4.2. Decyzje podejmowane przez człowieka
Kolejnym etapem weryfikacji działania systemu wspomagania decyzji było
porównanie wyników otrzymanych za pomocą projektowanego systemu z wynikami
otrzymanymi przez ludzi (działanie to miało takŜe na celu pomóc w określeniu
czynników, które są brane po uwagę w procesie podejmowaniu decyzji przez ludzi.).
W celu przeprowadzenia weryfikacji poproszono grupę kontrolną składającą się ze
studentów IV roku specjalności Gospodarka i Administracja Publiczna Uniwersytetu
56
Ekonomicznego w Krakowie (37 kobiet i 15 męŜczyzn) o wybór ze zbioru
zawierającego 102 firmy, firm mogących zainwestować na danym terenie. Wszystkim
osobom biorącym udział w badaniu zostały udostępnione informacje na temat gminy,
w której inwestycja będzie realizowana. Opis zawierał informacje na temat:
− struktury i wielkości bezrobocia
− informacje na temat szkół kształcących w regionie wraz ze średnią ilością
absolwentów kończących co roku daną specjalność
− ilości i jakość dróg
− ilości turystów odwiedzających corocznie opisywany region.
Teren przeznaczony pod inwestycję został szczegółowo opisany za pomocą informacji
takich jak:
− wielkości terenu inwestycyjnego
− dostępności mediów wraz z informacją o kosztach związanych ze zwiększeniem
wydajności poszczególnych mediów (o ile taka operacja jest moŜliwa)
− informacji o wydajności oczyszczalni ścieków
− rodzaju dostępnego transportu
− informację na temat infrastruktury telekomunikacyjnej znajdującej się na terenie
przeznaczonym pod inwestycje.
Firmy, które zostały wybrane do zestawu 102 firm, z którego to zestawu naleŜało
wybrać te najlepsze, zostały opisane za pomocą parametrów takich jak:
− nazwa firmy
− zgłoszone zapotrzebowanie na grunty
− zgłoszone zapotrzebowanie na media (prąd, woda, gaz)
− informacje dotyczące wpływu na środowisko (znikomy, mały, średni, duŜy)
− informacje na temat uciąŜliwości dla lokalnej społeczności (znikoma, mała,
średnia, duŜa)
− opis produkcji
− branŜa w jakiej firma działa
− rodzaj działalności
− struktura własności zawierająca kraj pochodzenia firmy wraz z udziałem
procentowym
− planowana wartość inwestycji w PLN
− planowane zatrudnienie
57
− preferowany rodzaj transportu
W ramach realizacji pracy nie zostało określone Ŝadne dodatkowe kryterium,
którym naleŜało się kierować podczas wyboru firm.
W początkowym etapie realizacji projektu dość wyraŜanie zauwaŜalna była
tendencja do uzasadnienia podjętych decyzji ex-post tzn. po wybraniu koszyka firm
następowało uzasadnienie, iŜ dane firmy (bądź firma) spełnia określone kryteria. Takie
podejście decydentów jest zgodne z opisanym we wcześniejszym etapie pracy (patrz
rozdział „Problematyka podejmowania decyzji w sektorze publicznym”). Z tego teŜ
względu większość osób została poproszona o ponowne stworzenie koszyka firm ze
szczególnym zwróceniem uwagi na proces wyboru firm.
Podczas analizy otrzymanych rozwiązań udało się zaobserwować dwa
podejścia do problemu wyboru firm:
Pierwsze polegające na tym, iŜ osoby starały się zbudować funkcję
pozwalająca uhierarchizować firmy a następnie wybrać firmy, dla których wartość
funkcji jest największa. Podejście takie zmuszało jednak decydentów do określenia wag
poszczególnych parametrów (jedynie dwie osoby wybrały omawiane rozwiązanie)
PoniŜej zaprezentowano przykładową stworzoną funkcję celu:
P = 0 – RŚ*(Ś-5) - RM*(M-5) + RB*(B-5) + RU*(U-5) + RI*(I-5) + RT*(T-5) Gdzie poszczególne zmienne stanowią wartości [0..10] następujących charakterystyk:
• Ś - „uciąŜliwość dla środowiska” • M - „uciąŜliwość dla mieszkańców” • B - „branŜa”, „opis produkcji” i „rodzaj działalności” • U - udział Polski • I - „planowana wielkość inwestycji” • T - „transport”
Oraz gdzie:
• P - „punktowy zysk dla gminy” • RŚ, RM, RB, RU, RI, RT - stałe rangi poszczególnych charakterystyk
Oraz nadane wagi:
Charakterystyka Ranga uciąŜliwość dla środowiska 6 uciąŜliwość dla mieszkańców 3 branŜa, opis produkcji i rodzaj działalności
9
Udział Polski 2 planowana wielkość inwestycji 10
58
transport 8
Drugie, polegające na eliminacji firm nie spełniających określonych kryteriów do
momentu, w którym pozostałe wybrane firmy spełniają ograniczenia dotyczące
powierzchni oraz wykorzystania mediów. Przy takim podejściu bardzo waŜna jest
kolejność eliminacji poszczególnych firm gdyŜ to ona decyduje o strukturze
stworzonego koszyka. W prezentowanych pracach szczególne znaczenie miały kryteria
określające:
− szkodliwość firm dla środowiska
− uciąŜliwość firmy dla społeczności lokalnej
− zajmowana powierzchnia pod inwestycje
− planowane zatrudnienie
− branŜa w jakiej firma działa
W otrzymanych pracach, pomimo tego, iŜ osoby biorące udział w badaniu
charakteryzują się tym samym wiekiem i poziomem wykształcenia wyraźnie dał się
zauwaŜyć podział, który charakteryzował decyzje podjęte przez kobiety i męŜczyzn.
Tabela 5 Rozwiązania (koszyki firm) otrzymane przez męŜczyzn
ZuŜycie mediów
Nr Ilość firm
Ilość branŜ Powierzchnia Prąd Gaz Woda Wartość inwestycji
Wielkość zatrudnienia
1 17 9 610 621,40 379 64 211 766 286 519,00 2019 2 10 2 612 996,00 309 0 85 398 853 000,00 1025 3 16 10 617 484,00 461 120 373 679 798 500,00 1172 4 9 6 527 006,00 183 46 126 588 873 400,00 1024 5 13 9 613 925,00 400 123 311 1 375 735 100,00 1429 6 10 5 608 757,40 225 99 109 599 699 890,00 1256 7 7 4 272 722,00 240 0 29 28 750 000,00 615 8 7 5 618 589,40 215 61 86 985 207 290,00 1150 9 15 5 616 207,00 382 97 193 359 292 090,00 1036 10 10 5 619 853,00 267 91 204 919 778 840,00 1388 11 13 6 619 177,00 297 147 124 683 450 900,00 1579 12 16 6 555 698,00 304 87 229 173 510 000,00 1021 13 10 5 590 899,40 184 119 194 891 633 900,00 1238
14 7 7 619 054,40 232 44 149 1 300 472 000,00 1156
Śr. 11,43 6,00 578 785,00 291,29 78,43 173,07 696 524 387,79 1222,00 Min 7,00 2,00 272 722,00 183,00 0,00 29,00 28 750 000,00 615,00 Max 17,00 10,00 619 853,00 461,00 147,00 373,00 1 375 735 100,00 2019,00
Tabela 6 Rozwiązania (koszyki firm) otrzymane przez kobiety
59
ZuŜycie mediów
Nr Ilość firm
Ilość branŜ Powierzchnia Prąd Gaz Woda Wartość inwestycji
Wielkość zatrudnienia
1 15 12 618 649,00 249 122 334 549 729 100,00 1194 2 8 5 619 227,00 250 34 208 956 401 000,00 1022 3 10 10 609 703,00 238 32 172 1 180 772 000,00 1274 4 8 7 618 047,00 130 24 199 703 505 279,00 1045 5 17 10 567 380,40 316 70 128 224 705 600,00 1408 6 18 12 619 926,00 332 120 128 506 377 400,00 1846 7 10 4 607 474,00 336 17 85 588 768 200,00 1127 8 11 5 599 318,00 198 72 162 624 236 200,00 1172 9 4 4 613 642,00 129 0 61 1 139 670 000,00 1215 10 8 7 618 047,00 130 24 199 703 505 279,00 1045 11 10 8 616 639,00 115 156 202 563 469 000,00 1515 12 12 4 543 008,00 193 103 202 607 726 500,00 832 13 11 5 618 950,00 245 84 195 783 180 169,00 1048
14 9 5 584 149,00 203 84 139 623 501 322,00 1254
15 9 8 450 511,00 202 67 125 799 307 500,00 1108 16 7 4 619 011,40 113 101 153 824 766 900,00 1050 17 9 6 618 977,00 215 31 163 1 226 865 540,00 1419 18 8 4 614 280,00 238 15 66 901 960 400,00 1267 19 18 8 477 074,00 381 29 178 180 358 322,00 902 20 7 6 604 771,00 186 80 127 598 161 890,00 1138 21 11 5 618 485,40 223 116 117 433 428 722,00 921 22 8 7 429 027,00 143 124 179 455 086 000,00 769 23 15 10 600 765,00 208 80 267 229 198 200,00 1206 24 9 7 617 767,00 200 58 222 741 449 890,00 1057 25 9 6 619 227,00 151 53 114 828 598 200,00 1496 26 10 6 610 404,00 288 79 144 675 656 430,00 1282 27 16 9 598 913,40 237 114 304 170 580 100,00 1174 28 13 4 350 037,00 230 125 238 175 982 922,00 763 29 30 11 617 992,40 614 189 380 397 395 552,00 1628 30 16 7 617 732,40 390 78 234 452 380 730,00 1446 31 13 8 619 605,40 226 104 224 1 003 858 540,00 1579 32 12 6 619 431,40 352 83 195 649 566 100,00 1166 33 12 8 606 030,00 294 61 203 1 282 267 022,00 1409 34 10 7 614 657,00 209 44 243 679 629 200,00 954 35 10 5 609 258,40 184 104 122 298 653 200,00 1287 36 5 3 619 180,00 163 29 76 1 025 181 890,00 850
37 9 7 617 264,00 208 152 159 968 501 790,00 1581
Śr. 11,27 6,76 589852,99 235,65 77,24 179,65 669 037 353,76 1201,32 Min 4,00 3,00 350037,00 113,00 0,00 61,00 170 580 100,00 763,00 Max 30,00 12,00 619926,00 614,00 189,00 380,00 1 282 267 022,00 1846,00
PoniŜej zostały umieszczone tabele obrazujące ilość firm z poszczególnych branŜ
znajdujących się w proponowanych koszykach:
Oznaczenie kolumn BranŜa A budowlana B ceramiczna C chemiczna D elektroniczna E energetyczna
60
F IT G logistyczna H meblowa I mechaniczna J medyczna K metalowa L papiernicza M recycling N samochodowa O spoŜywcza P tekstylna
Tabela 7 Ilość firm z danej branŜy znajdujących się w poszczególnych koszykach - męŜczyźni
BranŜa
Nr a b c d e f g h i j k l m n o p Liczba firm [lf]
Liczba branŜ [lb] [lf]/[lb]
Odchylenie standardowe
1 1 1 1 5 1 2 4 1 1 17 9 1,89 1,54 2 4 6 10 2 5,00 1,41 3 1 1 3 2 1 3 2 1 1 1 16 10 1,60 0,84 4 1 1 2 1 2 2 9 6 1,50 0,55 5 1 2 2 2 2 1 1 1 1 13 9 1,44 0,53 6 3 2 1 2 2 10 5 2,00 0,71 7 1 2 3 1 7 4 1,75 0,96 8 1 3 1 1 1 7 5 1,40 0,89 9 3 4 4 1 3 15 5 3,00 1,22 10 2 3 2 2 1 10 5 2,00 0,71 11 1 4 3 1 3 1 13 6 2,17 1,33 12 1 4 3 1 4 3 16 6 2,67 1,37 13 1 2 3 1 3 10 5 2,00 1,00 14 1 1 1 1 1 1 1 7 7 1,00 0,00
Tabela 8 Ilość firm z danej branŜy znajdujących się w poszczególnych koszykach - kobiety
BranŜa
Nr a b c d e f g h i j k l m n o p Liczba firm [lf]
Liczba branŜ [lb] [lf]/[lb]
Odchylenie standardowe
1 1 1 1 1 1 1 1 1 1 1 2 3 15 12 1,25 0,62 2 1 2 1 2 2 8 5 1,60 0,55 3 1 1 1 1 1 1 1 1 1 1 10 10 1,00 0,00 4 2 1 1 1 1 1 1 8 7 1,14 0,38 5 2 1 3 1 1 2 1 1 1 4 17 10 1,70 1,06 6 1 1 2 1 1 3 1 2 1 2 1 2 18 12 1,50 0,67 7 3 3 3 1 10 4 2,50 1,00 8 1 5 1 3 1 11 5 2,20 1,79 9 1 1 1 1 4 4 1,00 0,00 10 2 1 1 1 1 1 1 8 7 1,14 0,38 11 1 2 1 1 2 1 1 1 10 8 1,25 0,46
61
12 4 1 4 3 12 4 3,00 1,41 13 1 3 2 3 2 11 5 2,20 0,84 14 1 1 2 3 2 9 5 1,80 0,84 15 1 1 1 1 1 2 1 1 9 8 1,13 0,35 16 1 3 2 1 7 4 1,75 0,96 17 1 2 1 1 2 2 9 6 1,50 0,55 18 3 2 1 2 8 4 2,00 0,82 19 1 3 1 1 7 1 1 3 18 8 2,25 2,12 20 2 1 1 1 1 1 7 6 1,17 0,41 21 2 1 2 3 3 11 5 2,20 0,84 22 1 1 1 1 1 2 1 8 7 1,14 0,38 23 1 3 1 1 1 3 1 1 2 1 15 10 1,50 0,85 24 1 1 1 2 1 2 1 9 7 1,29 0,49 25 2 2 2 1 1 1 9 6 1,50 0,55 26 2 2 2 1 2 1 10 6 1,67 0,52 27 1 1 2 1 1 3 1 3 3 16 9 1,78 0,97 28 1 5 4 3 13 4 3,25 1,71 29 1 3 1 3 3 2 2 6 1 5 3 30 11 2,73 1,62 30 1 2 1 2 3 2 5 16 7 2,29 1,38 31 2 2 2 1 1 1 3 1 13 8 1,63 0,74 32 1 1 2 4 1 3 12 6 2,00 1,26 33 1 1 2 1 2 2 2 1 12 8 1,50 0,53 34 2 2 2 1 1 1 1 10 7 1,43 0,53 35 1 2 2 3 2 10 5 2,00 0,71 36 1 3 1 5 3 1,67 1,15 37 1 3 1 1 1 1 1 9 7 1,29 0,76
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
budo
wla
na
cera
mic
zna
chem
iczn
a
elek
tron
iczn
a
ener
gety
czna IT
logi
styc
zna
meb
low
a
mec
hani
czna
med
yczn
a
met
alow
a
papi
erni
cza
recy
clin
g
sam
ocho
dow
a
spoŜ
ywcz
a
teks
tyln
a
MęŜczyźni Kobiety
Rys. 19 Procentowy udział branŜ w poszczególnych koszykach
62
Z przedstawionego wykresu wyraźnie widać, iŜ kobiety preferowały firmy
z branŜy mechanicznej i metalowej gwarantujące znalezienie zatrudnienia męŜczyznom
nie posiadającym wyŜszego wykształcenia jak równieŜ z branŜ spoŜywczej i tekstylnej,
w których to branŜach pracują głównie kobiety, co gwarantuje, Ŝe bezrobotne kobiety
w regionie, po krótkim przeszkoleniu, będą mogły znaleźć zatrudnienie (uzasadnienie
takie było najczęściej podawane przez kobiety w procesie wyboru branŜ).
MęŜczyźni zdecydowali się na wybór firm z branŜ IT (w 100% koszyków
znajdują się firmy z tej branŜy) co jednak, patrząc na strukturę bezrobocia oraz
wymagania jakie stawiane są przez firmy (IBM, Google, Sabre, Motorola) działające
w tej branŜy, dotyczące wykształcenia potencjalnych pracowników, nie gwarantuje
tego, Ŝe wybrane firmy znajdą pracowników w regionie (co moŜe nie wpłynąć na
zmniejszenie bezrobocia).
Analizując dalej otrzymane dane moŜna zauwaŜyć, iŜ bardzo rzadko
wybierano firmy z branŜy: papierniczej, meblowej, medycznej lub logistycznej, co było
spowodowane bądź znaczną uciąŜliwością dla środowiska (branŜa papiernicza), małą
przewidywaną szansą rozwoju (branŜa meblowa, logistyczna) bądź teŜ utratą charakteru
regionu atrakcyjnego turystycznie w przypadku inwestycji firm z branŜy medycznej lub
recyclingowej (branŜe te postrzegane są jako branŜe szkodliwe dla zdrowia)
Tabela 9 Spis wybranych firm - męŜczyźni
Nr Nazwa firmy
Liczba koszyków, w których firma
została wybrana Procentowy
udział 1 SABRE 10 71,43% 2 Google 9 64,29% 3 IBM 7 50,00% 4 Motorola 7 50,00% 5 DELL Products (Poland) Sp z o.o. 6 42,86% 6 Drahtzug Stein Łódź Sp z o.o. BIS 6 42,86% 7 Gillette Poland International Sp z o.o. 6 42,86% 8 Dakri Sp. z o.o. 5 35,71% 9 G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna 5 35,71% 10 BZWF Motor Sp. z o.o. 4 28,57% 11 Chipita Poland Sp. z o.o. 4 28,57% 12 Cornette underwear - Andrzej MoŜdŜeń 4 28,57% 13 Wawel” S.A. 4 28,57% 14 Wirthwein Polska Sp z o.o. 4 28,57% 15 ZPC Lajkonik s.j 4 28,57% 16 Ciat Sp. z o.o. 3 21,43% 17 dr. Irena Eris sp z. o. o 3 21,43% 18 Gamet 3 21,43% 19 Haering Polska Sp. z o.o. 3 21,43%
63
20 Indesit Company Polska Sp. z o.o. 3 21,43% 21 Orsa Moto Sp. z o.o. 3 21,43% 22 PPHU Welurex 3 21,43% 23 Reculer Sp. z o.o. 3 21,43%
24 TURNILS Sp. z o.o. 3 21,43% 25 ABB sp z.o.o 2 14,29% 26 Bora Poland SP. z o.o. 2 14,29% 27 BSH Sprzęt Gospodarstwa Domowego Sp. z o.o. 2 14,29% 28 Creative Web Sp. z o.o. 2 14,29% 29 Dakri Bis Sp. z o.o. 2 14,29% 30 Delta Frozen Poland 2 14,29% 31 FAM Cynkowanie Ogniowe Sp. z o.o. 2 14,29% 32 G-K Sp. z o.o. 2 14,29% 33 Indesit Company Polska Sp. z o.o. Bis 2 14,29% 34 Kampmann Polska Sp. z o.o. 2 14,29% 35 LIBNER POLSKA Sp. z o.o. 2 14,29% 36 Premium Sp. z o.o. Sp. jawna 2 14,29% 37 Schraner Polska Sp. z o.o. 2 14,29% 38 Sirmax Polska Sp z o.o. BIS 2 14,29% 39 Steijn Paper Sp. z o.o. 2 14,29% 40 Aria Polska Sp. z o.o. 1 7,14% 41 Ceramika ParadyŜ Sp.z o.o. 1 7,14% 42 COKO-Werk Polsska Sp z o.o. 1 7,14% 43 Fuji Seal Poland Sp. z.o.o. 1 7,14% 44 Hapam Polska Sp. z o.o. 1 7,14% 45 HTL Strefa S.A. 1 7,14% 46 Impel-Perfekta Sp. z o.o. 1 7,14% 47 Interprint Polska Sp. z o.o. BIS 1 7,14% 48 Mar - Mit s.c. 1 7,14% 49 MDH Sp. z o.o. 1 7,14% 50 Partner Logistic Sp. z o.o. 1 7,14% 51 PPHU Nana 1 7,14% 52 quick-mix. Sp. z o.o 1 7,14% 53 Sanitec Koło Sp. z o.o. 1 7,14% 54 Siemens 1 7,14% 55 Teka Polska Sp. z o.o. 1 7,14% 56 Unimil S.A. 1 7,14% 57 Veg-Pol 1 7,14%
Tabela 10 Spis wybranych firm - kobiety
Nr Nazwa firmy
Liczba koszyków, w których firma
została wybrana Procentowy
udział 1 ZPC Lajkonik s.j 20 54,05% 2 G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna 20 54,05% 3 Chipita Poland Sp. z o.o. 18 48,65% 4 Gillette Poland International Sp z o.o. 17 45,95% 5 Motorola 13 35,14% 6 Wawel” S.A. 12 32,43% 7 Google 12 32,43% 8 SABRE 12 32,43%
64
9 TURNILS Sp. z o.o. 11 29,73% 10 MDH Sp. z o.o. 10 27,03% 11 Gamet 10 27,03% 12 Drahtzug Stein Łódź Sp z o.o. BIS 9 24,32% 13 Dakri Sp. z o.o. 9 24,32% 14 Kampmann Polska Sp. z o.o. 9 24,32% 15 G-K Sp. z o.o. 8 21,62% 16 Partner Logistic Sp. z o.o. 8 21,62% 17 HT Lancet Sp. z o.o. 8 21,62% 18 Cornette underwear - Andrzej MoŜdŜeń 7 18,92% 19 Creative Web Sp. z o.o. 7 18,92% 20 Ciat Sp. z o.o. 7 18,92% 21 ABB sp z.o.o 7 18,92% 22 Reculer Sp. z o.o. 7 18,92%
23 IBM 6 16,22% 24 Unimil S.A. 6 16,22% 25 Haering Polska Sp. z o.o. 6 16,22% 26 PPHU Welurex 6 16,22% 27 Orsa Moto Sp. z o.o. 6 16,22% 28 DELL Products (Poland) Sp z o.o. 6 16,22% 29 MGL Sp. z o.o. 6 16,22% 30 Teka Polska Sp. z o.o. 6 16,22% 31 LIBNER POLSKA Sp. z o.o. 6 16,22% 32 Indesit Company Polska Sp. z o.o. BIS 6 16,22% 33 Indesit Company Polska Sp. z o.o. 5 13,51% 34 Delta Frozen Poland 5 13,51% 35 BOBRUS Maszyny Poligraficzne Sp. z o.o. 5 13,51% 36 Wirthwein Polska Sp z o.o. 5 13,51% 37 BZWF Motor Sp. z o.o. 5 13,51% 38 HTL Strefa S.A. 4 10,81% 39 Polimerc sp. z o. o. 4 10,81% 40 PPHU Nana 4 10,81% 41 FAM Cynkowanie Ogniowe Sp. z o.o. 4 10,81% 42 Procter and Gamble Operations Polska Sp. z o.o. 4 10,81% 43 Hapam Polska Sp. z o.o. 4 10,81% 44 BSH Sprzęt Gospodarstwa Domowego Sp. z o.o. 4 10,81% 45 WKiZB S.A. (dawniej: Atlas S.A 4 10,81% 46 Interprint Polska Sp. z o.o. 3 8,11% 47 PPHU Jacek Sukiennik 3 8,11% 48 Mar - Mit s.c. 3 8,11% 49 PPHU Welurex 3 8,11% 50 Drewbuk 3 8,11% 51 ParadyŜ Sp. z o.o. 3 8,11% 52 Schraner Polska Sp. z o.o. 3 8,11% 53 Fuji Seal Poland Sp. Z o.o. 3 8,11% 54 Medana Pharma Terpol Group S.A. 2 5,41% 55 Sanitec Koło Sp. z o.o. 2 5,41% 56 E.G.O. Polska Sp. z o.o. 2 5,41% 57 Impel-Perfekta Sp. z o.o. 2 5,41% 58 Pifo Eko-Strefa Sp. z o.o. 2 5,41% 59 Scan Aqua Sp. z o.o. 2 5,41% 60 Larkis sp. z o. o. 2 5,41% 61 Aflofarm-Fabryka leków Sp. z o.o. 2 5,41%
65
62 Decora Collection sp. z o.o 2 5,41% 63 Ceramika ParadyŜ Sp.z o.o. 2 5,41% 64 Bora Poland SP. z o.o. 2 5,41% 65 Rymax s.j. 2 5,41% 66 Premium Sp. z o.o. Sp. jawna 2 5,41% 67 Marbud 1 2,70% 68 Veg-Pol 1 2,70% 69 Ceramika Tubądzin II Sp. z o.o. 1 2,70% 70 Siemens 1 2,70% 71 S i A Pietrucha Sp. z o.o. 1 2,70% 72 dr. Irena Eris sp z. o. o 1 2,70% 73 quick-mix. Sp. z o.o 1 2,70% 74 Huta Szkła SŁAWNO Sp. z o.o. 1 2,70% 75 Drahtzug Stein Łódź Sp z o.o. 1 2,70%
Podsumowanie:
Analizując otrzymane wyniki moŜna z pełną świadomością powiedzieć, iŜ
wybór firm mogących zainwestować na danym terenie jest wyborem subiektywnym
uzaleŜnionym nie tylko od wykształcenia i wieku osoby podejmującej decyzji, ale takŜe
od płci decydenta. Powierzając więc podjęcie decyzji tej bądź innej osobie nie moŜemy
mieć pewności czy otrzymane rozwiązanie jest rozwiązaniem optymalnym
sprzyjającym rozwojowi gminy bądź regionu. NaleŜałoby więc posiłkować się
systemami komputerowymi, które korzystające jedynie z danych dostarczonych przez
uŜytkownika są w stanie ograniczyć liczbę potencjalnych rozwiązań i pomóc
decydentowi w podjęciu jak najlepszej decyzji.
4.3. Wyniki symulacji komputerowych
W ramach opracowywania wyników porównano decyzje podjęte przez
człowieka z odpowiedziami jakie zostały uzyskane w wyniku działania programu
komputerowego. PoniŜej zamieszczono następujące wyniki symulacji.
Parametry działania algorytmu genetycznego:
Wielkość chromosomu 102 Wielkość populacji początkowej 1200 Prawdopodobieństwo krzyŜowania 0,8 Prawdopodobieństwo mutacji 0,1 Ilość iteracji 700
66
Pierwszą przeprowadzoną symulacją było znalezienie rozwiązań Pareto optymalnych
z wykorzystaniem funkcji obliczającej sumaryczną wartość inwestycji oraz ilość osób
zatrudnionych (jako sumę ilości osób, które firmy są w stanie zatrudnić)
Rys. 20 Porównanie wyników symulacji z decyzjami decydentów dla 2 funkcji (obliczającej sumę inwestycji oraz sumę osób zatrudnionych )
W kolejnym etapie zastąpiono funkcję obliczającą sumę osób zatrudnionych
funkcją obliczającą współczynnik zatrudnienia zgodnie ze wzorem (25), oraz
porównano otrzymane rezultaty z wynikiem działania algorytmu, w którym funkcję
obliczającą wartość inwestycji zamieniono na funkcję obliczającą wartość
współczynnika HI_EDU, tzn. współczynnika określającego zapotrzebowanie danej
firmy na osoby posiadające wyŜsze wykształcenie
67
Rys. 21 Porównanie wyników symulacji z decyzjami decydentów dla 2 funkcji (obliczającej sumę inwestycji oraz współczynnik zatrudnienia )
Rys. 22 Porównanie wyniku symulacji z decyzjami decydentów dla 2 funkcji (HI_EDU – obliczającej parametr określający ilość firm wymagających wyŜszego wykształcenia oraz
funkcji obliczającej współczynnik zatrudnienia)
PoniŜej znajduje się porównanie pięciu najczęściej wybieranych firm
w przypadku zastosowania funkcji przystosowania zawierającej funkcję obliczającą
sumaryczną wartość inwestycji (Tabela 11) oraz wartość współczynnika HI_EDU
(Tabela 12). Z poniŜszych zestawień wyraźnie widać wpływ wymienionych funkcji na
strukturę koszyków firm, co potwierdza skuteczność działania systemu (naleŜy
pamiętać, iŜ koszyki są wypadkową zestawienia funkcji przystosowania)
68
Tabela 11 Zestawienie pięciu najczęściej wybieranych firm ze zbioru koszyków Pareto optymalnych dla funkcji przystosowania zawierającej funkcję obliczającą wartość sumaryczną wartość inwestycji
Nazwa firmy BranŜa Wartość inwestycji
Procentowy udział
firmy w koszykach
Indesit Company Polska Sp. z o.o. elektroniczna 171 872 000,00 78,94% G-K Sp. z o.o. budowlana 419 021 000,00 57,89% MDH Sp. z o.o. medyczna 4 500 000,00 52,63% Sanitec Koło Sp. z o.o. ceramiczna 81 724 300,00 47,36% BSH Sprzęt Gospodarstwa Domowego Sp. z o.o.
elektroniczna 200 000 000,00
47,36%
SUMA 877 117 300,00 Tabela 12 Zestawienie pięciu najczęściej wybieranych ze zbioru koszyków Pareto optymalnych dla funkcji przystosowania zawierającej funkcje obliczającą wartość współczynnika wymagania wyŜszego wykształcenia HI_EDU
Nazwa firmy BranŜa Wartość
inwestycji
Procentowy udział firmy w koszykach
IBM IT 2 500 000,00 83,33% SABRE IT 1 200 000,00 83,33% HTL Strefa S.A. medyczna 20 285 279,00 66,66% Motorola IT 3 400 000,00 66,66% Google IT 450 000,00 66,66%
SUMA 27 835 279,00 Kolejny rysunek przedstawia porównanie wyników symulacji z wynikami otrzymanymi
przez decydentów w przypadku obliczania wartości współczynnika zatrudnienia oraz
wartości współczynnika określającego skupisko firm wokół branŜ.
69
Rys. 23 Porównanie wyniku symulacji z decyzjami decydentów dla 2 funkcji
obliczających: odchylenie standardowe branŜ oraz współczynnik W ramach testów mających na celu wykazać moŜliwości działania systemu
zmodyfikowano funkcję celu tak aby składała się z funkcji obliczających:
- współczynnik zatrudnienia,
- odchylenie standardowe branŜ,
- parametr HI_EDU,
- sumaryczną wartość inwestycji,
- wartość połączeń pomiędzy firmami
PoniŜej zaprezentowano otrzymany wynik. Na rysunku widać znaczną ilość punktów
Pareto optymalnych (1168 punktów) z których znaczna ilość została znaleziona za
pomocą algorytmu genetycznego.
70
Rys. 24 Porównanie wyniku symulacji z decyzjami decydentów dla 5 funkcji
obliczających: współczynnik zatrudnienia, odchylenie standardowe branŜ, HI_EDU, wartość inwestycji, współczynnik określający wartość połączeń pomiędzy firmami
W ostatnim teście porównano rozwiązania z rozwiązaniami otrzymanymi za pomocą
systemu komputerowego, w którym funkcja celu składała się z funkcji obliczającej:
− współczynnik zatrudnienia
− wartość parametru HI_EDU
− wartość parametru R_D (paramter określa potencjalny nakład firm z danej branŜy
na badania i rozwój)
Z poniŜszego rysunku widać, iŜ takŜe w tym przypadku otrzymano wyniki znacznie
lepsze od wyników, które zaproponowali decydenci.
71
Rys. 25 Porównanie wyniku symulacji z decyzjami decydentów dla 3 funkcji
obliczających: współczynnik zatrudnienia, HI_EDU, R_D
72
5. Podsumowanie W niniejszej pracy skonstruowano system komputerowy, który wykorzystując
informacje socjalno-ekonomiczne wspiera decydentów podczas wyboru koszyka firm
mających zainwestować na wybranym terenie. System ten pozwala nie tylko znacznie
skrócić czas podejmowania decyzji, ale takŜe pozwala wyraźnie ograniczyć liczbę
moŜliwych rozwiązań, co znacząco ułatwia podjęcie decyzji (która to czynność musi
być wykonywana przez człowieka, bowiem – jak wskazywano we wstępie do pracy –
wiąŜe się z osobistą odpowiedzialnością decydenta.
Autor udowodnił, porównując rozwiązania otrzymane za pomocą stworzonego
systemu z rozwiązaniami otrzymanymi przez ludzi, Ŝe system ten gwarantuje
otrzymanie rozwiązań nie gorszych od otrzymanych przez człowieka, ale pozwala
podjąć decyzję w znacznie krótszym czasie, a takŜe jest odporny na tzw. „czynnik
ludzki”, co gwarantuje, iŜ otrzymane rozwiązania są niezaleŜne od nastroju decydentów
podejmujących decyzje albo od pojawiających się takŜe w praktyce czynników
pozamerytorycznych (z ewentualną korupcją włącznie).
Zaprezentowane funkcje celu, obliczające wartość koszyka firm, pomimo
prostoty ich działania, umoŜliwiały optymalizację podejmowanej decyzji jak równieŜ
pozwalały na znalezienie rozwiązań Pareto-optymalnych. Zaimplementowanie
uniwersalnego algorytmu genetycznego oraz algorytmu SPEA, a takŜe algorytmów
umoŜliwiających znalezienie rozwiązań Pareto-optymalnych pozwala zastosować
stworzony system do rozwiązywania innych problemów o podobnej skali trudności.
Wybór firm inwestujących na danym terenie to nie jedyna moŜliwość
wykorzystania zaprezentowanego systemu. Warto chociaŜby wspomnieć o problemie
doboru firm podczas tworzenia galerii handlowych, który ze względu na swoją strukturę
jest bardzo podobny do problemu omawianego powyŜej. TakŜe i w tym wypadku na
ograniczonej powierzchni naleŜy umieścić firmy, które w jak najlepszym stopniu
odpowiadają charakterowi galerii oraz gwarantują jej atrakcyjność i rozwój. Oczywiście
naleŜy pamiętać, Ŝe w tym przypadku funkcje celu nie będą odpowiadały tym, które
zostały zdefiniowane w rozprawie.
73
6. MoŜliwe kierunki kontynuacji pracy
Prezentowane rozwiązanie omawianego problemu, pomimo jego
specyficznego odniesienia ekonomicznego, nie ogranicza dalszych moŜliwości
rozbudowy systemu czy zastosowania tworzonego systemu do rozwiązywania
problemów o podobnym stopniu trudności. Szereg udoskonaleń, które moŜna
wprowadzić, moŜe przyczynić się do poprawy moŜliwości decyzyjnych systemu jak
równieŜ jego wydajności
MoŜliwe są następujące udoskonalenia programistyczne:
1) Optymalizacja działania algorytmów genetycznych
2) Optymalizacja działania algorytmu znajdującego rozwiązania Pareto –
optymalne
3) Optymalizacja działania algorytmu SPEA
4) Rozbudowa stworzonego interfejsu uŜytkownika w kierunku podniesienia
wygody korzystania z systemu
5) Powiązanie działającego systemu komputerowego z bazami danych
umoŜliwiającymi automatyczne wczytywanie informacji środowiskowych oraz
parametrów działania algorytmów.
Rozbudowa części poświęconej ocenie koszyka firm o dodatkowe funkcje
przystosowania jak na przykład uwzględniające parametr określany jako wartość marki
danej firmy czy teŜ o dodatkowe aspekty, takie jak na przykład wpływ inwestycji na
rozwój samorządności regionu. Dokonanie wskazanych zmian i uzupełnień
w stworzonym programie moŜe przyczynić się do lepszego wyboru firm pod kątem
załoŜeń stawianych przez decydentów.
74
Spis tabel: Tabela 1 Tabela porównująca działanie algorytmów typu MOEA, obrazująca pokrycie
znalezionych rozwiązań niezdominowanych...........................................................30
Tabela 2 Wartości współczynników charakteryzujących branŜe................................46
Tabela 3 Tabela określająca procentowe zapotrzebowanie branŜ na pracowników o
danym wykształceniu...........................................................................................49
Tabela 4 Wartości powiązań pomiędzy branŜami....................................................51
Tabela 5 Rozwiązania (koszyki firm) otrzymane przez męŜczyzn.............................58
Tabela 6 Rozwiązania (koszyki firm) otrzymane przez kobiety.................................58
Tabela 7 Ilość firm z danej branŜy znajdujących się w poszczególnych koszykach -
męŜczyźni...........................................................................................................60
Tabela 8 Ilość firm z danej branŜy znajdujących się w poszczególnych koszykach -
kobiety...............................................................................................................60
Tabela 9 Spis wybranych firm - męŜczyźni ............................................................62
Tabela 10 Spis wybranych firm - kobiety...............................................................63
Tabela 11 Zestawienie pięciu najczęściej wybieranych firm ze zbioru koszyków Pareto
optymalnych dla funkcji przystosowania zawierającej funkcję obliczającą wartość
sumaryczną wartość inwestycji.............................................................................68
Tabela 12 Zestawienie pięciu najczęściej wybieranych ze zbioru koszyków Pareto
optymalnych dla funkcji przystosowania zawierającej funkcje obliczającą wartość
współczynnika wymagania wyŜszego wykształcenia HI_EDU.................................68
75
Spis ilustracji. Rys. 1 Schemat blokowy algorytmu genetycznego..................................................23
Rys. 2 Schemat działania algorytmu SPEA.............................................................26
Rys. 3 Porównanie działania algorytmu SPEA z innymi algorytmami typu MOEA do
rozwiązania problemu plecakowego......................................................................29
Rys. 4 Przedstawienie graficzne dyskretnego problemu plecakowego.......................31
Rys. 5 Diagram połączeń między modułami...........................................................34
Rys. 6 Architektura Platformy Eclipse...................................................................35
Rys. 7 Diagram Class implementacji algorytmu genetycznego.................................36
Rys. 8 Implementacja algorytmu SPEA..................................................................38
Rys. 9 Chromosom kodujący koszyk firm..............................................................39
Rys. 10 Liczba rozwiązań dopuszczalnych w zaleŜności od wielkości populacji.........42
Rys. 11 Przykładowe rozłoŜenie branŜ w chromosomie...........................................48
Rys. 12 Przykładowe powiązanie pomiędzy branŜami.............................................50
Rys. 13 Porównanie frontu Pareto do rozwiązań otrzymanych za pomocą AG dla 2
funkcji ................................................................................................................53
Rys. 14 Ilość znalezionych punktów frontu Pareto w zaleŜności od iteracji dla 2 funkcji
..........................................................................................................................53
Rys. 15 Rozkład znalezionych punktów frontu Pareto dla czterech wybranych iteracji53
Rys. 16 Porównanie frontu Pareto do rozwiązań otrzymanych za pomocą AG dla 3
funkcji ................................................................................................................54
Rys. 17 Ilość znalezionych punktów frontu Pareto w zaleŜności od iteracji dla 3 funkcji
..........................................................................................................................55
Rys. 18 Rozkład znalezionych punktów frontu Pareto dla czterech wybranych iteracji55
Rys. 19 Procentowy udział branŜ w poszczególnych koszykach................................61
Rys. 20 Porównanie wyników symulacji z decyzjami decydentów dla 2 funkcji
(obliczającej sumę inwestycji oraz sumę osób zatrudnionych ).................................66
Rys. 21 Porównanie wyników symulacji z decyzjami decydentów dla 2 funkcji
(obliczającej sumę inwestycji oraz współczynnik zatrudnienia )...............................67
Rys. 22 Porównanie wyniku symulacji z decyzjami decydentów dla 2 funkcji (HI_EDU
– obliczającej parametr określający ilość firm wymagających wyŜszego wykształcenia
oraz funkcji obliczającej współczynnik zatrudnienia)..............................................67
Rys. 23 Porównanie wyniku symulacji z decyzjami decydentów dla 2 funkcji
obliczających: odchylenie standardowe branŜ oraz współczynnik.............................69
76
Rys. 24 Porównanie wyniku symulacji z decyzjami decydentów dla 5 funkcji
obliczających: współczynnik zatrudnienia, odchylenie standardowe branŜ, HI_EDU,
wartość inwestycji, współczynnik określający wartość połączeń pomiędzy firmami....70
Rys. 25 Porównanie wyniku symulacji z decyzjami decydentów dla 3 funkcji
obliczających: współczynnik zatrudnienia, HI_EDU, R_D.......................................71
77
Bibliografia
[1] Back TD. B. Fogel, Z. Michalewicz, Handbook of Evolutionary Computation,
IOP Publishing Ltd., Bristol, UK, 1997
[2] Banachowski L., Diks K., Rytter W. - Algorytmy i struktury danych,
Wydawnictwo Naukowo-Techniczne, Warszawa 2003
[3] Beaudry C, Swann P - Clusters, innovation and growth: A comparative study of
two European countries, LIUC, Castellanza, and CESPRI, Università L. Bocconi,
Milano, May 1999
[4] Białas-Heltowski K, Wyznaczanie i ocena rozwiązań polioptymalnych na
przykładzie wybranego układu technicznego, 2006 – rozprawa doktorska
[5] Blickle T,L. Thiele, A comparison of selection schemes used inevolutionary
algorithms, 1996
[6] Büche D, Stoll P, Dornberger R, Koumoutsakos P - Preprint: Multi-objective
Evolutionary Algorithm for the Optimization of Noisy Combustion Processes,
Ieee Trabsactions on system, man, and cybernetics vol 32. No 4, 2002
[7] Cader A, Rutkowski L, Tadeusiewicz R, Zurada J - Artificial Intelligence and
Soft Computing - Akademicka Oficyna Wydawnicza EXIT, Warszawa 2006
[8] Cheong C - A Simple Distributed Genetic Algorithm for MultiObjective
Optimization
[9] Chevaleyre Y, Endriss U, Lang J, Maudet N, - A Short Introduction to
Computational Social Choice
[10] Chudy M. Elementy teoretycznych podstaw informatyki - Akademicka Oficyna
Wydawnicza EXIT, Warszawa 2006
[11] Cichosz K., Borek T, Wprowadzenie do optymalizacji wielokryterialnej, AGH,
Kraków 2006
[12] Cichosz P- Systemy uczące się. Wydawnictwo Naukowo Techniczne – Warszawa
2000
[13] Coello, C. A. C, A comprehensive survey of evolutionary-basedmultiobjective
optimization, 1999
[14] Cormen Thomas H., Leiserson Charles E., Rivest Ronald L. Stein Clifford
Wprowadzenie do algorytmów, Wydawnictwa Naukowo Techniczne , Warszawa
2007
78
[15] de Weck O. Ls, Multiobjective optimization: history and promise, October 30-
November 2, 2004
[16] Drucker P., Management new role, Harvard Business Review 1969
[17] Dudych H, Dyczkowski M. Wizualizacja informacji ekonomicznej w
zintegrowanych gospodarczych systemach informacyjnych, Komputerowo
zintegrowane zarządzanie, Tom I pod redakcją Knosali. R, Wydawnictwo
Naukowo Techniczne, Warszawa 2001
[18] Dymowa L, P. Sewastionow, P. Figat, Problemy metodologiczne wspomagania
decyzji przy ocenie projektów inwestycyjnych oraz odpowiedni system
komputerowy,
[19] Dymowa L, Sewastianow P, Łapeta J - Hierarchiczne i wielokryterialne
zarządzanie wiedzą w podejmowaniu decyzji i ocenie zjawisk socjalno –
ekonomicznych.
[20] Eclek B. Thinkig in Java, wydanie IV, Wydawnictwo Helion, Gliwice 2006
[21] Eclipse – strona domowa projektu, http://www.eclipse.org
[22] Fonseca C, P. Fleming, Genetic algorithms for multiobjec-tive optimization:
Formulation, discussion and generalization, University of Sheffield, 1993
[23] Fonseca, C. M., P. J. Fleming, An overview of evolutionary al-gorithms in
multiobjective optimization, University of Sheffield, 1995
[24] Gamma E., Helm R., Johnson R, Vlissides J. - Wzorce projektowe, Wydawnictwo
Naukowo Techniczne – Warszawa, 2008
[25] Goldberg D. E., Algorytmy genetyczne i ich zastosowania, Wydawnictwo
Naukowo-Techniczne –Warszawa 2003
[26] Gordon V. S., Bohm W A P, Whitley D - A Note on the Performance of Genetic
Algorithms on Zero-One Knapsack Problems, Department of Computer Science
Colorado State University
[27] Grzesiak S, - Decyzyjne modele stochastyczne w badaniu problemów
ekonomicznych, Badania operacyjne i systemowe wobec wyzwań XXI wieku,
Modelowanie i optymalizacja metody i zastosowania, Akademicka Oficyna
Wydawnicza EXIT, Warszawa 2002, s. II-13-II-20.
[28] Grzeszczyk T. A. Artifical inteligence applied for forecasting in enterprised
decision support, Wydawnictwo Instytutu Organizacji Systemów Produkcyjnych,
Politechnika Warszawska, Warszawa 2005
79
[29] Hollanders H, Arundel A – European sector innovation scoreboards,European
Trend Chart on Innovation, December 2005
[30] Hajela, C.-Y. Lin, Genetic search strategies in multicriteria optimal design,
"Structural Optimization", 4, 1992, pp. 99-107
[31] Horn J., Nafpliotis N, Multiobjective optimization using the niched pareto genetic
algorithm, Technical Report IlliGAl Report 93005, University of Illinois at
Urbana-Champaign, Urbana, IL, USA, 1993
[32] Horn J., N. Nafpliotis, D. E. Goldberg, A niched pareto geneticalgorithm for
multiobjective optimization, 1994
[33] Jajuga K. i S. Wrzosek, Elementy teorii systemów i analizy systemowej, AE,
Wrocław 1993
[34] Janicki G. K.- Czynnik ludzki w procesach realizacji systemów informatycznych
zarządzania – Badania operacyjne i systemowe wobec wyzwań XXI wieku,
Społeczeństwo informacyjne a badania operacyjne i zarządzanie, Akademicka
Oficyna Wydawnicza EXIT, Warszawa 2002, s. VI-54-VI-61,
[35] Klukowski L., E. Kuda, Koncepcja zastosowania metod sztucznej inteligencji w
zarządzaniu długiem Skarbu Państwa, BANK I KREDYT, Luty 2004
[36] Korzeń M., Piegat A. – Zastosowanie zbiorów przybliŜonych w metodzie
porównawczej oceny efektywności gospodarowania województw w Polsce,
Badania operacyjne i systemowe wobec wyzwań XXI wieku, Metody i techniki
analizy informacji i wspomagania decyzji, Akademicka Oficyna Wydawnicza
EXIT, Warszawa 2002, s. II-99-II-106
[37] Krupa Kazimierz- Kierunki ewolucji systemów informatycznych wspomagania
podejmowania decyzji, Komputerowo zintegrowane zarządzanie, Tom I pod
redakcją Knosali. R, Wydawnictwo Naukowo Techniczne, Warszawa 2001
[38] Kulikowski R, Bubnicki Z, Kacprzyk J – Systemowo-komputerowe wspomaganie
zarządzania wiedzą, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2006
[39] Kunkle D, A summary and comparison of MOEA algorithms, May 31, 2005
[40] Kurnal J., Zarys teorii organizacji i zarządzania, PWE, Warszawa 1970
[41] Lamont G. B, Multi-objective Evolutionary Algorithms: What, Why and Where.A
tutorial, 2005
[42] Laumanns M, Zitzler E, Thiele L - Multiple Criteria Decision Support by
Evolutionary Computation
80
[43] Laumanns M,Thiele L, Zitzler E - An Adaptive Scheme to Generate the Pareto
Front Based on the Epsilon-Constraint Method
[44] Mach M, Systemy ekspertowe w centralnej administracji państwowej -
doświadczenia zachodzenie i perspektywy polskie, 1997
[45] Makuszyński M. Realizacja Realizacja hurtowni danych dla administracji
publicznej na przykładzie budowy systemu IACS, IX konferencaj PLOUG,
Krościenko 2003
[46] Menczer F, Degeratu M, Street W. N. -Efficient and Scalable Pareto
Optimization by Evolutionary Local Selection Algorithms - Evolutionary
Computation Volume 8, Number 2, s. 223-247
[47] Ministerstwo Nauki i Informatyzacji - Stopień informatyzacji urzędów w Polsce
raport generalny z badań ilościowych dla ministerstwa nauki i informatyzacji,
Warszawa, wrzesień 2004
[48] Moss L.T. Atre Shauk, Business Intelligence Roadmap, Addison Esley, Boston
2003
[49] Munda G - Social multi-criteria evaluation: Methodological foundations and
operational consequences, European Journal of Operational Research 158 (2004)
662–677
[50] Muszyński M, Realizacja hurtowni danych dla administracji publicznej na
przykładzie budowy systemu IACS, 2003
[51] NetBeans – strona domowa projektu, http://www.netbeans.org
[52] Niemeyer P, Knudsen J. Java Wprowadzenie,. Wydawnictwo Helion, Gliwice
2003
[53] Nikiel G, Optymalizacja wielokryterialna w projektowaniu procesów
wytwarzania –wybrane zagadnienia, Raport z badań własnych, Bielsko-Biała
2004
[54] Orłowski C, Tublewicz A. Metoda tworzenia komputerowego systemu
wspomagania decyzji dotyczących ekologicznych aspektów planu
zagospodarowania kompleksów portowo-przemysłowych, Komputerowo
zintegrowane zarządzanie, Tom II pod redakcją Knosali. R, Wydawnictwo
Naukowo Techniczne, Warszawa 2001
[55] Paluczyński W, Trudna informatyzacja ZUS - poszukiwania winnego,
businessmen.pl nr. 3/2008, Marzec 2008
81
[56] Pawłowska A, Administracja Publiczna, zagadnienia wstępne, Lublin 1999, s.
162-166
[57] Penc J. Decyzje w zarządzaniu, Wydawnictwo Profesjonalnej szkoły biznesu,
Kraków 1996
[58] Pietraś Z. J., Decydowanie Polityczne, Wydawnictwo Naukowe PWN,
Warszawa-Kraków 1998
[59] Prokop P., Wybrane problemy zarządzania jakością w administracji publicznej,
w: Samorząd lokalny w Polsce. Społeczno-polityczne aspekty funkcjonowania,
Lublin 2004, s.397
[60] Qi Liang - Using the BIRT Chart Engine in Your Plug-in, International Business
Machines Corp. May 2007
[61] Rutkowski L, Metody i techniki sztucznej inteligencji, Wydawnictwo naukowe
PWN, Warszawa 2005
[62] Rybarski J, JasperReports oraz iReports - raportowanie z baz danych, Software
Developer's Journal nr 11(143), Listopad 2006, s. 52-57
[63] Rybarski J, Eclipse Graphical Editing Framework - graficzny edytor danych na
przykładzie edytora diagramu kształtów (Shape Diagram Editor), Software
Developer's Journal nr 6 (149), Czerwiec 2007, s. 40-45
[64] Rybarski J., Plesnar J, Pojedynek gigantów - NetBeans vs Eclipse, Software
Developer's Journal nr 2 (146), Luty 2007, s. 24-28
[65] Rybarski J, Tadeusiewicz R – Problem doboru firm inwestujących w danym
regionie jako informatyczny binarny problem plecakowy, Informatyka
Teoretyczna i Stosowana, vol. 5, nr 9, 2006, s. 187-193
[66] Rybarski – strona domowa autora http://www.rybarski.pl
[67] Sęk T. Komputerowe wspomaganie decyzji, Komputerowo zintegrowane
zarządzanie, Tom II pod redakcją Knosali. R, Wydawnictwo Naukowo
Techniczne, Warszawa 2001
[68] Schaffer J, Multiple Objective Optimization with Vector Evaluated Genetic
Algorithms, Ph. D. thesis, 1984
[69] Schaffer J, Multiple objective optimization with vector evaluated genetic
algorithms, Proceedings of the 1st International Conference on Genetic
Algorithms, p.93-100, July 01, 1985
[70] Schwarz J, Očenášek J - Pareto bayesian optimization algorithm for the
multiobjective 0/1 knapsack problem, Brno University of Technology
82
[71] Shavor S, D’Anjou J, Fairbrother S, Kehn D, Kellermant J, McCarthy P, Eclipse
Prodręcznik Programisty, Wydawnictwo Helion, Gliwice 2005
[72] Silva-Risso J.M, Bucklin R.E., Morrison D. G. - A Decision Support System for
Planning Manufacturers’ Sales Promotion Calendars, Marketing science vol. 18
No 3, 1999 s. 274-300
[73] Skulimowski A. M. J. – Decision Supprot Systems Based on Reference Sets,
Wydawnictwo AGH, Kraków 1996
[74] Srinivas N, K. Deb, Multiobjective optimization using non-dominated sorting in
genetic algorithms., Evolutionary Computation 2(3): 221-248, Triet Universitat,
1994
[75] Steinbruner J., The Cybernetic Theory of Decision: New Dimension of Political
Science, Princeton, N.J.: Princeton University Press, 1974
[76] Steinicke F, Hinrichs K, Ropinski T, A hybrid decision support system for 3d city
plannig, ISPRS Technical Commission II Symposium, Vienna, 12–14 July 2006,
s 103-108
[77] Felix Streichert, Holger Ulmer, and Andreas Zell - Evolutionary Algorithms and
the Cardinality Constrained Portfolio Optimization Problem, University of
Tubingen, 2003
[78] Ściborek Z, Podejmowanie decyzji, Agencja Wydawnicza ULMAK, Warszawa
2003
[79] Tontchev N,Kirilov L - Two Approaches for Solving Multiple Criteria Decision
Making (MCDM) Problems with an Illustrative Example, Problems of
engineering cybernetisc adn robotics, Sofia 2007
[80] Turoff M., Hiltz S, R, Cho H, Li Z, Wang Y - Social Decision Support Systems
(SDSS) - 35th Hawaii International Conference on System Sciences – 2002
[81] Veldhuizen D, G. Lamont, Multiobjective evolutionary algorithm research: A
history and analysis, Technical Report TR-98-03, Department of Electrical and
Computer Engineering, Graduate School of Engineering, Air Force Institute of
Technology, Wright-Patterson AFB, Ohio, 1998.
[82] Chang W., Sutcliffe A, Neville R - A Distance Function-Based Multi-Objective
Evolutionary Algorithm in James Foster (editors), 2003 Genetic and Evolutionary
Computation Conference. Late-Breaking Papers, pp. 47-53, AAAI, Chicago,
Illinois, USA, July 2003.
83
[83] Weathersby J. Business Intelligence and Reporting Tools (BIRT) 2.2, BIRT PMC
- prezentacja
[84] Williams T, Kelly C- Gnuplot, An interactive Plotting Program, March 2007
[85] Zalewski A., Efekty nowego zarządzania publicznego, Gospodarka lokalna i
regionalna w teorii i praktyce, pod red. R. Brola, Wrocław 2004, s.583
[86] Zawadzki S, Przyczynek do teorii podejmowania decyzji państwowych,
[87] Zeliaś A, B. Pawełek B, Wanat S, Prognozowanie ekonomiczne teoria, przykłady,
zadania, 2004, Wydawnictwo Naukowe PWN, Warszawa 2003
[88] Ziemba Ewa – Kryteria wyboru zintegrowanego systemu informatycznego
zarządzania, Komputerowo zintegrowane zarządzanie, Tom II pod redakcją R.
Knosali, Wydawnictwo Naukowo Techniczne, Warszawa 2001
[89] Zitler E, L Thiele, An evolutionary algorithm for multiobjective optimization: The
Strength Pareto Approach, Swiss Federal Institute of Technology Tik-Report No.
43, May 1998r.
[90] Zitzler E, Evolutionary Algorithms for Multiobjective Optimization: Methods and
Applications, 1999
84
Dodatek 1 – opis gminy oraz terenu inwestycyjnego
Cel zadania:
Zadanie polega na doborze firm, które będą inwestowały na terenie gminy na
przygotowanym w tym celu terenie inwestycyjnym. Z terenem związane są
ograniczenia: dostępności mediów oraz przestrzeni pod inwestycję
NaleŜy podać rozwiązanie składające się z firm które zainwestują na terenie gminy
(niekoniecznie musi to być rozwiązanie optymalne) uzasadniając podjętą decyzję.
Do dyspozycji są 102 firmy.
Opis gminy:
Gmina połoŜona na południe od Krakowa, na pograniczu Beskidów i Pogórza
Wielickiego, w malowniczym terenie nad brzegiem sztucznego jeziora. Na brzegu
jeziora znajdują średniowieczne ruiny zamku. Gmina o charakterze rolniczym.
Grunty na terenie gminy:
UŜytki rolne: 49%
Lasy i grunty leśne 23%
pozostałe: 28%
Ludność:
Liczba mieszkańców ogółem: 12 817 osób w tym:
• kobiety: 54,3%
• męŜczyźni: 45,7%
Wiek Wykształcenie
poniŜej 19 lat 20-29 30-39 40-49 50-59 60-64 powyŜej 65 podstawowe 1832 173 123 320 340 312 1052 zasadnicze zawodowe 132 852 981 851 345 64 234 średnie 123 1327 749 860 362 85 279 wyŜsze 0 532 463 156 170 60 40 SUMA 2087 2884 2316 2187 1217 521 1605
Z tytułu niepełnosprawności w gminie skorzystało ze świadczeń pomocy społecznej 85
rodzin (rok wcześniej 91 rodzin).
85
Z powodu długotrwałej choroby przyznano pomoc 100 rodzinom (rok wcześniej 76
rodzinom).
Pomocą społeczną w róŜnych formach objęto 1481 osób w 360 rodzinach, wobec 1606
osób w 383 rodzinach w roku wcześniejszym. Rodziny z dziećmi stanowiły 75,8 %
ogółu rodzin objętych wsparciem, a rodziny niepełne 12,5%.
Bezrobocie:
Liczba osób bezrobotnych - 1323 osoby, w tym kobiety: 812 osoby
Ilość ofert pracy w ostatnim roku: 42.
W sektorze publicznym pracuje 35% osób pracujących, w prywatnym 65%
pracujących.
Na terenie gminy dominuje liczba osób bezrobotnych z wykształceniem zasadniczym
zawodowym oraz średnim zawodowym. Biorąc pod uwagę strukturę bezrobocia wg
wieku najliczniejszą grupę stanowią osoby pomiędzy 18 i 24 rokiem Ŝycia. Liczną
grupę stanowią równieŜ osoby pomiędzy 25 i 44 rokiem Ŝycia.
Pracujący według sektorów gospodarki:
• sektor rolniczy 0,4%
• sektor przemysłowy 46,2%
• sektor usług rynkowych 26,2%
• sektor usług pozarynkowych 27,2%
Nauka
Na terenie gminy znajdują się następujące szkoły:
• zespół szkół gospodarczych kształcący co roku około 120 uczniów na
kierunkach: kucharz, krawiec, hotelarz i organizator turystyki.
• technikum mechaniczne kształcące co roku około 150 uczniów na kierunkach:
programista obrabiarek sterowanych numerycznie CNC, informatyk, technik
mechanik
Na terenie województwa znajdują się ponadto:
• 3 państwowe szkoły wyŜsze
• 15 prywatnych szkół wyŜszych
• 75 szkół ponadgimnazjalnych
86
Drogi:
Jakość dróg w gminie: dobra. Większość dróg asfaltowych o szerokości jezdni 5,25m
Turystyka:
Liczba turystów w ostatnim roku: 4 405 osób
Liczba udzielonych noclegów: 14 155 w tym turystom zagranicznym: 338 (większość
miejsc noclegowych ma charakter sezonowy.)
Opis terenu inwestycyjnego:
Teren:
Wielkość dostępnego terenu: 62 ha = 620 000 m2
Media:
Media (woda, prąd i gaz) są doprowadzone do terenu inwestycyjnego.
Maksymalna wydajność poszczególnych mediów:
woda: 320 m3/h - Zwiększanie wydajności do 380 m3/h to koszt 2 mln PLN. Nie
istnieje moŜliwość dalszego zwiększania wydajności.
prąd: 400 kW - Zwiększenie ilości dostarczanej energii o kolejne 150 kW (koszt 1,5
mln PLN) lub o 250kW (2,5 mln PLN)
gaz: 250 m3/h - Na dzień dzisiejszy nie istnieje moŜliwość zwiększenia
przepustowości gazociągu.
Oczyszczalnia ścieków: 3200 m3/dobę – brak moŜliwości zwiększenia wydajności.
Telekomunikacja:
Na terenie działki znajduje się cyfrowa centrala telefoniczna umoŜliwiająca podłączenie
telefonu oraz Internetu (DSL)
Transport
W odległości 20 km od terenu inwestycyjnego znajduje się osobowa stacja kolejowa
PKP a w odległości 35 km stacja kolejowa PKP z terminalem przeładunkowym.
W odległości 70 km od terenu inwestycyjnego znajduje się lotnisko.
W odległości 15 km znajduje się dwupasmowa droga krajowa łącząca się z autostradą
A4.
87
Dodatek 2 – Opis zawarto ści płyty CD-ROM
Dołączona do pracy płyta CD-ROM zawiera:
− kod źródłowy programów w postaci katalogu roboczego platformy Eclipse - katalog
workspace
− skompilowany program w wersji dla dwóch systemów operacyjnych – katalog gui:
� linuxa – katalog gui/linux
� windowsa – katalog gui/windows
− Pliki konfiguracyjne w postaci plików XML znajdujące się w katalogu files
� plik opisujący firmy– firms.frm
� plik opisujący branŜe firm – trades.trd
� plik opisujący wielkość bezrobocia – unemployment.ump
− opis API (ang. Application Programming Interface) programu w postaci
dokumentacji javadoc – katalog api
88
Dodatek 3 – opis aplikacji
Tak jak było to wcześniej zaznaczone środowisko GUI zostało napisane
z wykorzystaniem platformy Eclipse-a. PoniŜej zaprezentowano główne okno
programu.
Rys. 1 Okno główne programu
Okno to zostało podzielone na cztery części:
- okno nawigacyjne – w którym znajdują się wszystkie dostępne zasoby takie jak
zdefiniowane funkcje przystosowania, skonfigurowane algorytmy, zbiory danych
zawierające opisy firm, zbiory funkcji ograniczających
- okno edytora – w którym wyświetlane są informacje o firmach, wykresy
obrazujące działanie algorytmy, bądź teŜ edytory umoŜliwiające konfigurowanie
poszczególnych funkcji
- okno filtrów – w którym znajdują się zdefiniowane filtry umoŜliwiające z danego
zbioru firm wybranie tylko tych o określonych przez uŜytkownika własnościach
89
- okno szczegółów – w którym moŜna znaleźć informacje szczegółowe na temat
poszczególnych wskazanych w oknie nawigacyjnym zasobów.
Konfiguracja poszczególnych elementów systemu jest dostępna w postaci menu
podręcznego po naciśnięciu prawego klawisza myszy na danym elemencie znajdującym
się w oknie nawigacyjnym. PoniŜej przedstawiono opis dostępnych operacji wraz
z elementem na rzecz którego są wywoływane:
Zbiór algorytmów
− Dodaj algorytm (Add)
Algorytm
− Usuń algorytm (Remove)
− Uruchom algorytm (Run)
Wynik działania algorytmu
− PokaŜ wykres (Show chart)
− Zapisz wynik na dysk (Save)
− PokaŜ chromosomy (Show)
− Usuń wynik (Remove)
Kontener funkcji przystosowania
− Dodaj (Add)
Zbiór funkcji przystosowania
− Konfiguruj (Configure)
− Usuń (Remove)
− Ustaw zbiór firm dla wszystkich funkcji w zbiorze (Set firm set)
Kontener zbiorów firm
− Wczytaj plik z firmami (Read firm set)
90
− Konfiguruj (Configure)
Zbiór firm
− PokaŜ firmy (Show)
− Usuń zbiór firm (Remove)
Kontener funkcji sprawdzających
− Dodaj zbiór funkcji (Add)
Zbiór funkcji sprawdzających
− Konfiguruj funckje (Configure)
− Usuń zbiór (Remove)
Zbiór filtrów
− Usuń zbór (Remove)
− UŜyj filtrów (Use filter)
Wczytanie danych opisujących firmy
W celu wczytania pliku zawierającego firmy naleŜy początkowo skonfigurować
program definiując zestaw funkcji, które posłuŜą do wczytania danych określonego typu
(zgodnego z opisem danych zawartym w pliku zawierającym opis firm – patrz rozdział
3.5). W programie zostały zdefiniowane następujące rodzaje funkcji:
− java.lang.String – słuŜąca do wczytania danych tekstowych
− java.lang.Integer – słuŜąca do wczytania danych, które znajdują się w postaci liczb
całkowitych
− java.lang.Double – słuŜąca do wczytania danych, które znajdują się w postaci liczb
rzeczywistych
− pl.rybarski.firms.Transport – słuŜące do wczytania informacji o wymaganym przez
firmę rodzaju transportu
91
− pl.rybarski.firms.ProductionType – słuŜące do wczytania informacji na temat
rodzaju działalności firmy (firma badawcza, produkcyjna, handlowa itp.)
− pl.rybarski.firms.Trade – słuŜąca do wczytania informacji na temat branŜ w jakich
dana firma działa. Wymaga wczytania pliku opisującego charakterystykę danej
branŜy: trades.trd
Rys. 2 Konfiguracja funkcji słuŜących do wczytania danych opisujących firmę.
Definicja algorytmu.
W celu aktywacji algorytmu naleŜy uruchomić kreator. PoniŜej zaprezentowano okno
kreatora, w którym naleŜy zdefiniować:
− nazwę algorytmu (Algorithm name)
− ilość iteracji (Number of iterations)
92
Rys. 3 Definicja algorytmu – krok 1
W kolejnym kroku uŜytkownik definiuje:
− wielkość populacji początkowej (Population size)
− wielkość chromosomu (która nie moŜe być większa niŜ ilość firm w wybranym
zbiorze firm) (Chromosome size)
− maksymalną liczbę ustalonych genów (patrz rozdział Problematyka tworzenia
populacji początkowej) (Max number of set chromosomes)
− prawdopodobieństwo mutacji (w przedziale [0..1]) (Mutation probability)
− prawdopodobieństwo operacji krzyŜowania (w przedziale [0..1]) (Crossover
probability)
− Zbiór zawierający funkcje przystosowania (Spea fitness function)
− Zbiór zawierający funkcje ograniczające (Check function set)
93
Rys. 4 Definicja algorytmu – krok 2
Filtry:
Filtry pozwalają uŜytkownikowi z określonego zbioru firm wybrać te, które spełniają
określone kryteria. W systemie dostępne są dwa filtry:
− filtr pozwalający wybrać firmy, których dany parametr liczbowy mieści się
w określonym przedziale
− filtr pozwalający wybrać jedynie firmy z danej branŜy. W pliku trades.trd znajduje
się opis branŜ, w których działają firmy z pliku firms.frm. PoniŜej zaprezentowano
identyfikatory poszczególnych branŜ.
Tabela 1 Spis branŜ wraz z identyfikatorami Identyfikator BranŜa
pl.rybarski.buildings Budowlana
pl.rybarski.ceramic Ceramiczna
pl.rybarski.chemistry Chemiczna
pl.rybarski.electronic Elektroniczna
pl.rybarski.energetic Energetyczna
pl.rybarski.it IT
pl.rybarski.logistic Logistyczna
pl.rybarski.furniture Meblowa
pl.rybarski.mechanic Mechaniczna
pl.rybarski.medical Medyczna
pl.rybarski.metal Metalowa
pl.rybarski.paper Papiernicza
pl.rybarski.recycling Recyclingowa
pl.rybarski.car Samochodowa
pl.rybarski.comestible SpoŜywcza
pl.rybarski.textile Tekstylna
94
Funkcje przystosowania (szczegółowy opis patrz: rozdział Funkcje przystosowania):
W systemie GUI zdefiniowano następujące funkcje przystosowania (Rys 5):
− Funkcja sumującą określony parametr firmy (typu java.lang.Integer lub
java.lang.Double)
− Funkcję sumującą wartość połączeń pomiędzy branŜami
− Funkcję sumującą wartość określonego parametru dla danej branŜy (wymaga
wczytania danych opisujących branŜe)
− Funkcję obliczającą rozkład branŜ w danym koszyku (wymaga wczytania danych
opisujących branŜe)
− Funkcję obliczającą potencjalną ilość osób zatrudnionych (wymaga wczytania
danych opisujących branŜe oraz wielkość bezrobocia)
Rys. 5 Okno wyboru funkcji przystosowania
Tabela 2 Spis parametrów firm wraz z identyfikatorami Identyfikator parametru Identyfikator rodzaju danych Opis
pl.rybarski.firms.water java.lang.Double Zapotrzebowanie na wodę
pl.rybarski.firms.gas java.lang.Double Zapotrzebowanie na gaz
pl.rybarski.firms.power java.lang.Double Zapotrzebowanie na energię elektryczną
pl.rybarski.firms.investition java.lang.Double Wartośc inwestycji
pl.rybarski.firms.size java.lang.Double Zapotrzebowanie na grunty
pl.rybarski.firms.workers java.lang.Integer Zapotrzebowanie na pracowników
95
pl.rybarski.firms.production java.lang.String" Opis produkcji
pl.rybarski.firms.contribution pl.rybarski.firms.Contribute Kraj pochodzenia
pl.rybarski.firms.enviroment pl.rybarski.firms.Enviroment Szkodliwość dla środowiska
pl.rybarski.firms.productionType pl.rybarski.firms.ProductionType Rodzaj produkcji
pl.rybarski.firms.trade pl.rybarski.firms.Trade BranŜa
pl.rybarski.firms.transport pl.rybarski.firms.Transport Rodzja transportu
Wyświetlanie wyników działania algorytmu
Oprogramowanie pozwala uŜytkownikowi wyświetlić otrzymane wyniki w postaci
tabeli zwierającej najlepsze chromosomy z wybranych populacji (bądź front Pareto-
opytymalny) wraz z wartościami poszczególnych funkcji przystosowania (w oknie
konfiguracyjnym poszczególne numer iteracji naleŜy oddzielić za pomocą „ , ” –
przecinka)
Rys. 6 Spis najlepszych chromosomów w wybranych iteracjach
96
MoŜliwe jest takŜe wyświetlenie wyników w postaci wykresu. Konieczne jest jednak
wówczas zdefiniowanie dwóch funkcji przystosowania, których wartości zostaną
wyświetlone na wykresie
Rys. 7 Okno konfiguracji wykresu
Rys. 8 Wykres obrazujący wynik działania algorytmu
a nazwa firmy a budowlana Pb b ceramiczna Hc prąd c chemiczna Bd gaz d elektorniczna Ue woda e energetycznaf f ITg g logistyczna Zh opis produkcji h meblowa Mi branŜa i mechaniczna Śj rodzaj działalności j medycznak kraj pochodzenia k metalowal udział danego kraju l papiernicza Sm m recycling Kn planowane zatrudnienie n samochodowa Lo transport o spoŜywcza
p tekstylna
Nr. a b c d e f g h i j k l m n o
Francja 58
Polska 42
2 Steijn Paper Sp. z o.o. 8829 85 10 85 Ś Ś papiernicza - papier transferowy l P Holandia 100 25000000 80 S
3 WKiZB S.A. (dawniej: Atlas S.A.) 86526 12 0 21 Z Ś
materiały budowlane - wyroby z pozostałych surowców niemetalicznych a P Polska 100 51765000 250 S
4 Interprint Polska Sp. z o.o. 34396 65 3 95 Z Zprodukcja i sprzedaŜ papieru
dekoracyjnego l P Niemcy 100 53000000 77 S
Polska 92
Włochy 8302145302
1
5 S798880000Piczęści i akcesoria do pojazdów
mechanicznychZZ
Sc P 11200000 4521 Ś Śtworzywa sztuczne - opakowania
polietylenoweCebal Tuba Sp. z o.o. 11582 21 32
Orsa Moto Sp. z o.o.
planowana wielkość inwestycji kolejowylotniczy
małaśrednia
Transport: (kolumna o)samochodowy
usługowa
uciąŜliwość dla środowiska UciąŜliwość (kolumna f,g)uciąŜliwość dla mieszkańców znikoma
produkcyjnazapotrzebowanie na grunty handlowa
badawcza
Dodatek 4 - Zestawienie firm
Oznaczenie kolumn tabeli: BranŜa: (kolumna i) Rodzaj działalności: (kolumna j)
6 Greiner Perfoam Sp. z o.o. 18871 14 0 12 Z Ztworzywa sztuczne - produkcja pianki
poliuretanowej i materacy c P Austria 100 11100000 35 S
7 Dakri Sp. z o.o. 1869,4 3 34 9 Z Ś produkcja piekarnicza o P Polska 100 1900000 60 S
8 Ceramika Tubądzin II Sp. z o.o. 69237 16 64 12 Z Ś płytki ceramiczne b P Polska 100 36940490 101 S
Polska 66,66 S
Szwecja 33,33
10 MDH Sp. z o.o. 7765 10 0 7 Z Z urządzenia medyczne j P Polska 100 4500000 100 S
11 S i A Pietrucha Sp. z o.o. 19159 25 15 4 Z Ś
wyroby z tworzyw sztucznych dla budownictwa c P Polska 100 8998951 104 S
12 Aflofarm-Fabryka leków Sp. z o.o. 15500 12 0 2 Ś Ś farmaceutyki i art .medyczne c P Polska 100 8740200 60 S
13 Adamed-Pharma S.A. 15355 16 0 3 Ś Ś farmaceutyki i art. medyczne c P Polska 100 9000000 60 S
14 Pifo Eko-Strefa Sp. z o.o. 8248 8 31 7 Z Ś spoŜywcza o P Polska 100 8459600 30 S
15 HTL Strefa S.A. 12198 7 0 6 Z Z sprzęt medyczny j P Polska 100 20285279 73 S
16 ParadyŜ Sp. z o.o. 51210 16 67 15 Z Z produkcja płytek ceramicznych b P Polska 100 32560000 120 S
17 Creative Web Sp. z o.o. 21602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100 30000000 50 S
18 Delta Frozen Poland 27876 6 41 32 Z Z spoŜywcza o P Polska 100 6000000 15 S
19 PPH MG Sp. z o.o. 117180 8 12 21 Z Z wielobranŜowe (spoŜywcza) o P Polska 100 1927200 10 S
20 Premium Sp. z o.o. Sp. jawna 23520 9 15 36 Z Z wielobranŜowe (spoŜywcza) o P Polska 100 1925000 10 S
21 Chipita Poland Sp. z o.o. 55600 17 17 22 Z Z spoŜywcza o P Grecja 100 72000000 100 S
22 Polska 70
26 Włochy 30
23 Dakri Bis Sp. z o.o. 14763 24 80 40 Z Ś produkcja piekarnicza o P Polska 100 25000000 45 S
24 Cornette underwear - Andrzej MoŜdŜeń 17479 21 0 12 Ś Ś produkcja bielizny p P Polska 100 5000000 120 S
25 G-K Sp. z o.o. 129700 23 0 25 Z Z materiały budowlane a P Polska 100 419021000 191 S
26 Poligraf Marek Więckowski 1995 64 0 32 Ś Z poligraficzna l U Polska 100 1230000 5 S
27 Ceramika ParadyŜ Sp.z o.o. 88375 45 35 32 Z Z produkcja płytek ceramicznych b P Polska 100 108100000 165 S
28BSH Sprzęt Gospodarstwa Domowego Sp. z o.o. 81460 64 0 6 Z Z sprzęt AGD d P Niemcy 100 200000000 200 S, K
29 Gillette Poland International Sp z o.o. 190605 41 0 10 Z Z produkcja ostrzy i maszynek do golenia i P Holandia 100 433098000 345 S
Niemcy 90
Polska 10i P 31855000 30COKO-Werk Polsska Sp z o.o.30 26501produkcja komponentów do urządzeń
AGDŚZ6035
1444134 489 15405000ZZ1154 Pbceramika sanitarna
35000BZWF Motor Sp. z o.o.
Scan Aqua Sp. z o.o.
Z806 Pnczęści, akcesoria samochodoweZ 3000000 S20
S
31 Wirthwein Polska Sp z o.o. 7320 12 0 12 Z Ś
produkcja komponentów do urządzeń AGD - podzespoły do produkcji suszarek i P Niemcy 100 41013900 25 S
32G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna 2443 4 0 2 Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100 3068000 10 S
33 Kofola Sp z o.o. 64898 2 60 16 Ś Ś produkcja napojów o P Czechy 100 91986000 100 S
34 Indesit Company Polska Sp. z o.o. 52119 6 0 3 Z Z AGD d P Włochy 100 171872000 280 S
35 Hirsch Porozell Sp. z o.o. 14122 45 31 15 Z Ś
opakowania z polistyrenu - opakowania styropianowe c P Austria 100 12566570,03 30 S
36 quick-mix. Sp. z o.o 29999 14 15 21 Z Z materiały budowlane a P Niemcy 100 22400000 20 S
37 Drahtzug Stein Łódź Sp z o.o. 26960 45 0 2 Z Ś obróbka metali k U Niemcy 100 10838322 45 S
38 Hapam Polska Sp. z o.o. 12652 56 3 21 Z Zprodukcja urządzeń
elektroenergetycznych e P Holandia 100 9614100 8 S
Szwajcaria 99,95
Niemcy 0,05
40 HT Lancet Sp. z o.o. 60001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100 90000000 230 S
41 Kampmann Polska Sp. z o.o. 69999 16 0 12 Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100 19952000 102 S
42 Mar - Mit s.c. 7471 17 0 12 Z Z metalowa k P Polska 100 2375000 32 S
43 Sirmax Poland Sp. z o.o. 45636 32 32 41 Z Ś produkcja opakowań c P Włochy 100 60864000 50 S
44 Fuji Seal Poland Sp. z.o.o. 116422 15 0 45 Z Z tworzywa sztuczne/papiernicza c P Japonia 100 158100000 250 S, K
45 Haering Polska Sp. z o.o. 157387 65 12 15 Z Z obróbka skrawaniem P Niemcy 100 196161890 180 S
46 Medana Pharma Terpol Group S.A. 16955 12 0 30 Z Z branŜa farmaceutyczna c P Polska 100 20000000 40 S
47 Partner Logistic Sp. z o.o. 50848 5 0 2 Z Z logistyczna g U Polska 100 13500000 30 S, K, L
48 Reculer Sp. z o.o. 5793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100 2000000 8 S
49 Huta Szkła FENIKS 2 Sp. z o.o. 16195 9 75 32 Z Z produkcja szkła szklarska P Polska 100 5600000 30 S, K
50 Ciat Sp. z o.o. 8994 12 0 41 Z Z urz. chłodnicze i P Polska 100 8620000 51 S
51 Sanitec Koło Sp. z o.o. 51559 16 15 31 Z Z wyroby sanitarne b P Polska 100 81724300 225 S
52 MECALIT POLSKA Sp. z o.o. 28538 17 3 45 Z Ś wyroby z tworzyw sztucznych c P Polska 100 13206671 70 S
53 Bora Poland SP. z o.o. 25000 21 0 15 Z Z wyroby metalowe k P Włochy 100 15429600 25 S
54 BOBRUS Maszyny Poligraficzne Sp. z o.o. 1971 26 0 23 Z Z wyroby metalowe k P Polska 100 2430322 7 S
Polska 50
Niemcy 50
1500000 25 S39 37802 34 0
12000000 15 S
E.G.O. Polska Sp. z o.o. 12 Z Zurządzenia rozdzielcze i sterownicze
(elektroniczna) e P
55 32 ZSchaumaplast - Organika Sp. z o.o. 27243 14 8 Z wyroby ze styropianu c P
56 Mesgo Polska Sp. z o.o. 7107 31 15 26 Z Zprodukcja tworzyw sztucznych i wyrobów
gumowych c P Włochy 100 8950270,5 16 S
57 Aria Polska Sp. z o.o. 17239 12 23 36 Z Z wyroby z gumy c P Włochy 100 11310000 40 S
58 Drahtzug Stein Łódź Sp z o.o. BIS 15421 25 15 13 Z Z obróbka metali k U Niemcy 100 23075400 85 S
59 Schraner Polska Sp. z o.o. 14454 34 0 12 Z Z wyroby metalowe k P Szwajcaria 100 11500000 20 S
60 Teka Polska Sp. z o.o. 87258 45 0 21 Z Z AGD i P Hiszpania 100 52538200 150 S
61 Interprint Polska Sp. z o.o. BIS 25651 14 32 74 Z Zprodukcja i sprzedaŜ papieru
dekoracyjnego l P Niemcy 100 12500000 6 S
62 Höllmüller Łódź Sp. z o.o. 20034 15 0 30 Z Z wyroby z tworzyw sztucznych c P Niemcy 100 7960200 30 S
63 MGL Sp. z o.o. 40000 3 0 21 Z Z meble h P Polska 100 33800000 105 S
64 Prowell Sp. z o.o. 218745 54 5 76 Z Z wyroby z papieru l P Niemcy 100 161972000 50 S
65 Indesit Company Polska Sp. z o.o. BIS 203267 15 0 25 Z Z AGD i P Włochy 100 323472000 210 S, K
66 PolyOne Poland Manufacturing Sp. z o.o. 19562 65 0 64 Z Z wyroby z tworzyw sztucznych c P Hiszpania 100 32407200 51 S
67 FAM Cynkowanie Ogniowe Sp. z o.o. 21090 23 0 56 Z Ś obróbka metali k U Polska 100 19531540 123 S
68CORRECT - K.Błaszczyk i wspólnicy S-ka Komandytowa 288834 2 0 3 Z Ś meble h P Polska 100 158292800 200 S
69 EMO-FARM Sp. z o.o. 19823 12 3 20 Ś Z kosmetyki, leki, suplementy diety c P Polska 100 12000000 25 S
70 HUTCHINSON Poland Sp. z o.o. 142534 14 0 23 Ś Z gumowe akcesoria i części do pojazdów c P Francja 100 65000000 230 S
71 Sirmax Polska Sp z o.o. BIS 38958 15 3 15 Z Z recykling tworzyw sztucznych c P Włochy 100 30484800 35 S
72Procter and Gamble Operations Polska Sp. z o.o. 248217 54 5 20 Ś Ś papierowe artykuły toaletowe i higieniczne l P Holandia 100 152424000 100 S
73 LIBNER POLSKA Sp. z o.o. 23433 14 0 2 Z Zmotoryzacyjna - nadwozia do pojazdów
samochodowych k P Francja 100 8650000 40 S
74 Impel-Perfekta Sp. z o.o. 23726 12 0 54 Ś Ś usługi pralnicze U Niemcy 100 12000000 90 S
75 TURNILS Sp. z o.o. 31112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100 41785000 130 S
76 AMCOR FLEXIBLES REFLEX Sp. z o.o. 46154 28 0 16 Z Zprodukcja opakowań z tworzyw
sztucznych i papieru c P Francja 100 82552121 150 S
77 Huta Szkał SŁAWNO Sp. z o.o. 45000 6 0 6 Z Z produkcja opakowań szklanych c P Polska 100 55000000 45 S
78 PPHU Jacek Sukiennik 20294 14 0 5 Z Z materiały budowlane a P Polska 100 29870000 40 S
79 DELL Products (Poland) Sp z o.o. 454496 67 0 3 Z Z produkcja komputerów przenośnych f P USA 100 376600000 340 S
80Procter and Gamble Operations Polska Sp. z o.o. BIS 334630 14 0 32 Z Z
produkcja kosmetyków i artykułów higienicznych c P Holandia 100 138095000 210 S
Szwajcaria 35
Szwecja 65
82 SABRE 21212 42 0 3 Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotnicze f P, B USA 100 1200000 75 S
83 IBM 32561 45 0 2 Z Z rozwiązania informatyczne f U USA 100 2500000 150 S
84 Motorola 62345 14 0 2 Z Z rozwiązania informatyczne f U USA 100 3400000 210 S
85 Kler sp. z.o.o 84562 9 6 Produkcja mebli h P Polska 100 5400000 55 S
86 Siemens 54687 48 0 3 Z Zprodukcja urządzeń
elektroenergetycznych e U, P Niemcy 100 1230000 45 S
87 Google 12321 25 0 4 Z ZRozwiązania informatyczne związane z
technologiami internetowymi f U USA 100 450000 15 S
88 dr. Irena Eris 35424 32 15 Ś Zprodukcja kosmetyków i artykułów
higienicznych, laboratorium c B Polska 100 3520000 45 S
89 Drewbuk 56412 8 3 21 Z Ś
producent i eksporter wyrobów drewnianych h P Polska 100 5430000 70 S
90 Larkis sp. z o. o. 32153 21 10 64 Z Zprodukcja wyrobów silikonowych oraz
węŜy, sznurów, profili i gąbek c P Polska 100 9500000 50 S
91 Wawel” S.A. 56423 8 53 13 Z Z spoŜywcza o P Polska 100 1500000 250 S
92 Unimil S.A. 36489 15 0 16 Z Z produkująca prezerwatywy i osłonki USG c PPolska 100
15000000 150 S, K
93 Polimerc sp. z o. o. 31453 13 0 64 Z Zfirma produkcyjno – usługowa działającą
w branŜy motoryzacyjnej k P Polska 100 2000000 30 S
94 ZPC Lajkonik s.j 25463 8 14 21 Z Z spoŜywcza o P Polska 100 8030000 70 S
95 Rymax s.j. 32155 12 0 15 Z Z hurtownia armatury b H Polska 100 300000 20 S
96 Alpha 12548 32 12 35 Ś Ś Przetwórstwo tworzyw sztucznych c P Polska 100 3500000 12 S
97 Marbud 51616 14 0 14 Ś Ś budownictwo a P Polska 100 420000 25 S
98 Decora Collection sp. z o.o 150000 16 0 13 Z Z dystrybucja tkanin p P Polska 100 890000 25 S
99 Veg-Pol 65000 21 0 10 M M produkcja tkanin p P Polska 100 1340000 32 S
100 PPHU Nana 46000 32 0 16 M M produkcja tkanin p P Polska 100 1260000 24 S
101 PPHU Welurex 64230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100 2500000 35 S
102 Gamet 47230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100 1985000 29 S
81 S60Centrum badawcze e P, B 3400000ABB sp z.o.o 15645 54 0 2 Z Z
a nazwa firmy a budowlana Pb b ceramiczna Hc prąd c chemiczna Bd gaz d elektorniczna Ue woda e elektrycznaf f ITg g logistyczna Zh opis produkcji h meblowa Mi branŜa i mechaniczna Śj rodzaj działalności j medycznak kraj pochodzenia k metalowal udział danego kraju l papiernicza Sm m recycling Kn planowane zatrudnienie n samochodowa Lo transport o spoŜywcza
p tekstylna
a b c d e f g h i j k l m n o
WKiZB S.A. (dawniej: Atlas S.A.) 86 526 12 021
Z Śmateriały budowlane - wyroby z
pozostałych surowców niemetalicznych
a Polska 100,00 51 765 000,00 250 S
Polska 66,66Szwecja 33,33
MDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 SCreative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 SPremium Sp. z o.o. Sp. jawna 23 520 9 15 36 Z Z wielobranŜowe (spoŜywcza) o P, H Polska 100,00 1 925 000,00 10 SCornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Hapam Polska Sp. z o.o. 12 652 56 321
Z Zprodukcja urządzeń
elektroenergetycznyche P Holandia 100,00 9 614 100,00 8 S
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 SReculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 SIndesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
planowana wielkość inwestycji
15 405 000,00 48 SScan Aqua Sp. z o.o. 44 134 14 5411
Z Z ceramika sanitarna
BranŜa: (kolumna i)
zapotrzebowanie na grunty
uciąŜliwość dla środowiskauciąŜliwość dla mieszkańców
Oznaczenie kolumn tabeli:
kolejowy
Dodatek 5 - decyzje podejmowane przez ludzi - kobiety
lotniczy
produkcyjnahandlowabadawczausługowa
b P
Rodzaj działalności: (kolumna j)
UciąŜliwość (kolumna f,g)znikomamałaśrednia
Transport: (kolumna o)samochodowy
1
Polimerc sp. z o. o. 31 453 13 064
Z Z firma produkcyjno – usługowa działającą w branŜy motoryzacyjnej
k P Polska 100,002 000 000,00 30
S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
PPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 S
SUMA 618 649 249 122 334 549 729 100 1 194
a b c d e f g h i j k l m n o
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 S
Ciat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 S
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
DELL Products (Poland) Sp z o.o. 254 496 67 03
Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
Interprint Polska Sp. z o.o. 34 396 65 395
Z Zprodukcja i sprzedaŜ papieru
dekoracyjnegol P Niemcy 100,00 53 000 000,00 77 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Gamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 S
SUMA 619 227 250 34 208 956401000 1022
a b c d e f g h i j k l m n o
G-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 S
BSH Sprzęt Gospodarstwa Domowego Sp. z o.o.
81 460 64 06
Z Z sprzęt AGD d P Niemcy 100,00 200 000 000,00 200 S, K
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Reculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 S
TURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 S
Szwajcaria 35,00
Szwecja 65,00Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
Polska 70,00Włochy 30,00
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SSUMA 609703 238 32 172 1180772000 1274
20 Sczęści, akcesoria samochodowe n P 3 000 000,00
3 400 000,0060
S
BZWF Motor Sp. z o.o. 35 000 6 08
Z Z
Zprodukcja urządzeń
elektroenergetycznyche P, B54 0
2ZABB sp z.o.o 15 645
2
3
a b c d e f g h i j k l m n o
Indesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
Procter and Gamble Operations Polska Sp. z o.o. BIS
234 630 14 032
Z Zprodukcja kosmetyków i artykułów
higienicznychc P Holandia 100,00 138 095 000,00 210 S
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 SMGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 SHTL Strefa S.A. 12 198 7 0 6 Z Z sprzęt medyczny j P Polska 100,00 20 285 279,00 73 S
Interprint Polska Sp. z o.o. 34 396 65 395
Z Zprodukcja i sprzedaŜ papieru
dekoracyjnegol P Niemcy 100,00 53 000 000,00 77 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
SUMA 618 047 130 24 199 703 505 279 1045
a b c d e f g h i j k l m n o
Polska 92,00Włochy 8,00
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SMDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 S
Aflofarm-Fabryka leków Sp. z o.o. 15 500 12 02
Ś Ś farmaceutyki i art .medyczne c P Polska 100,00 8 740 200,00 60 S
Cornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
L
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 1513
Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
MGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 S
Szwajcaria 35,00
Szwecja 65,00
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
e P, B 3 400 000,002
Z Zprodukcja urządzeń
elektroenergetycznych
P 8 880 000,00 79 S, K
ABB sp z.o.o 15 645 54 0 S60
części i akcesoria do pojazdów mechanicznych
iOrsa Moto Sp. z o.o. 45 302 21 03
Z Z
4
5
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
Veg-Pol 65 000 21 0 10 M M produkcja tkanin p P Polska 100,00 1 340 000,00 32 SPPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 SSUMA 567 380 316 70 128 224 705 600 1 408
a b c d e f g h i j k l m n o
Polska 92,00Włochy 8,00
MDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 S
ABB sp z.o.o 15 645 54 02
Z Zprodukcja urządzeń
elektroenergetycznyche P, B Szwajcaria 35,00 3 400 000,00
60S
ParadyŜ Sp. z o.o. 51 210 16 67 15 Z Z produkcja płytek ceramicznych b P Polska 100,00 32 560 000,00 120 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SCornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
Indesit Company Polska Sp. z o.o. 52 119 6 03
Z Z AGD d P Włochy 100,00 171 872 000,00 280 S
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
L
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 1513
Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
PPHU Jacek Sukiennik 20 294 14 0 5 M Z materiały budowlane a P Polska 100,00 29 870 000,00 40 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
LIBNER POLSKA Sp. z o.o. 23 433 14 02
Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Francja 100,00 8 650 000,00 40 S
Unimil S.A. 36 489 15 0 16 Z Zprodukująca prezerwatywy i osłonki
USG c P Polska 100,00 15 000 000,00 150 S, K
619 926 332 120 128 506 377 400 1 846
P 8 880 000,00 79 S, KOrsa Moto Sp. z o.o. 45 302 21 03
Z Zczęści i akcesoria do pojazdów
mechanicznychi
6
a b c d e f g h i j k l m n o
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
E.G.O. Polska Sp. z o.o. 37 802 34 012
Z Zurządzenia rozdzielcze i sterownicze
(elektroniczna)e P Szwajcaria 99,95 1 500 000,00 25 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Teka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 S
ABB sp z.o.o 15 645 54 02
Z Zprodukcja urządzeń
elektroenergetycznyche P, B Szwajcaria 35,00 3 400 000,00
60S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
Siemens 54 687 48 03
Z Zprodukcja urządzeń
elektroenergetycznyche U, P Niemcy 100,00
1 230 000,00 45S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
SUMA 607 474 336 17 85 588 768 200 1 127
a b c d e f g h i j k l m n o
Polska 92,00Włochy 8,00
Delta Frozen Poland 27 876 6 41 32 Z Z spoŜywcza o P Polska 100,00 6 000 000,00 15 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Ciat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 STeka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 S
LIBNER POLSKA Sp. z o.o. 23 433 14 02
Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Francja 100,00 8 650 000,00 40 S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SSUMA 599 318 198 72 162 624 236 200 1 172
S, Ki P 8 880 000,00 793
Z Zczęści i akcesoria do pojazdów
mechanicznych21 0Orsa Moto Sp. z o.o. 45 302
7
8
a b c d e f g h i j k l m n o
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Fuji Seal Poland Sp. Z o.o. 116 422 15 0 45 Z Z tworzywa sztuczne-papiernicze c P Japonia 100,00 158 100 000,00 250 S, K
Indesit Company Polska Sp. z o.o. 52 119 6 03
Z Z AGD d P Włochy 100,00 171 872 000,00 280 S
DELL Products (Poland) Sp z o.o. 254 496 67 0 3 Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
SUMA 613 642 129 0 61 1 139 670 000 1 215
a b c d e f g h i j k l m n o
Indesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
Procter and Gamble Operations Polska Sp. z o.o.
234 630 14 032
Z Zprodukcja kosmetyków i artykułów
higienicznychc P Holandia 100,00 138 095 000,00 210 S
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 SMGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 SHTL Strefa S.A. 12 198 7 0 6 Z Z sprzęt medyczny j P Polska 100,00 20 285 279,00 73 S
Interprint Polska Sp. z o.o. 34 396 65 395
Z Zprodukcja i sprzedaŜ papieru
dekoracyjnegol P Niemcy 100,00 53 000 000,00 77 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
SUMA 618 047 130 24 199 703 505 279 1045
a b c d e f g h i j k l m n o
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 S
Unimil S.A. 36 489 15 016
Z Zprodukująca prezerwatywy i osłonki
USGc P Polska 100,00
15 000 000,00 150S, K
HT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SIndesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
MGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 SParadyŜ Sp. z o.o. 51 210 16 67 15 Z Z produkcja płytek ceramicznych b P Polska 100,00 32 560 000,00 120 SReculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 SSUMA 616 639 115 156 202 563 469 000 1515
10
9
11
a b c d e f g h i j k l m n o
Pifo Eko-Strefa Sp. z o.o. 8 248 8 31 7 M Ś spoŜywcza o P Polska 100,00 8 459 600,00 30 SDelta Frozen Poland 27 876 6 41 32 Z Z spoŜywcza o P Polska 100,00 6 000 000,00 15 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 S
Polska 70,00Włochy 30,00
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Wirthwein Polska Sp z o.o. 7 320 12 012
Z Śprodukcja komponentów do urządzeń
AGD - podzespoły do produkcji suszarek
i P Niemcy 100,00 41 013 900,00 25 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Ciat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 543 008 193 103 202 607 726 500 832
a b c d e f g h i j k l m n o
MDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 SHTL Strefa S.A. 12 198 7 0 6 Z Z sprzęt medyczny j P Polska 100,00 20 285 279,00 73 SCreative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 SDelta Frozen Poland 27 876 6 41 32 Z Z spoŜywcza o P Polska 98,75 6 000 000,00 15 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 SCiat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 618 950 245 84 195 783 180 169 1 048
a b c d e f g h i j k l m n o
WKiZB S.A. (dawniej: Atlas S.A.) 86 526 12 021
Z Śmateriały budowlane - wyroby z
pozostałych surowców niemetalicznych
a Polska 100,00 51 765 000,00 250 S
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Drahtzug Stein Łódź Sp z o.o. 26 960 45 0 2 M Ś obróbka metali k U Niemcy 100,00 10 838 322,00 45 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 S
P 3 000 000,00 20 SBZWF Motor Sp. z o.o. 35 000 6 08
Z Z części, akcesoria samochodowe n
14
12
13
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 584149 203 84 139 623501322 1254
a b c d e f g h i j k l m n o
Ceramika ParadyŜ Sp.z o.o. 88 375 45 35 32 Z Z produkcja płytek ceramicznych b P Polska 100,00 108 100 000,00 165 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Indesit Company Polska Sp. z o.o. 52 119 6 03
Z Z AGD d P Włochy 100,00 171 872 000,00 280 S
Hapam Polska Sp. z o.o. 12 652 56 321
Z Zprodukcja urządzeń
elektroenergetycznyche P Holandia 100,00 9 614 100,00 8 S
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 1513
Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
MGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 S
LIBNER POLSKA Sp. z o.o. 23 433 14 02
Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Francja 100,00 8 650 000,00 40 S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SSUMA 450 511 202 67 125 799 307 500 1 108
a b c d e f g h i j k l m n o
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SParadyŜ Sp. z o.o. 51 210 16 67 15 Z Z produkcja płytek ceramicznych b P Polska 100,00 32 560 000,00 120 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Fuji Seal Poland Sp. z.o.o. 116 422 15 0 45 Z Z tworzywa sztuczne/papiernicza c P Japonia 100,00 158 100 000,00 250 S,KProcter and Gamble Operations Polska Sp. z o.o.
234 630 14 032
Z Zprodukcja kosmetyków i artykułów
higienicznychc P Holandia 100,00 138 095 000,00 210 S
Wirthwein Polska Sp z o.o. 7 320 12 012
Z Śprodukcja komponentów do urządzeń
AGD - podzespoły do produkcji suszarek
i P Niemcy 100,00 41 013 900,00 25 S
Medana Pharma Terpol Group S.A. 16 955 12 030
Z Z branŜa farmaceutyczna c P Polska 100,00 20 000 000,00 40 S
SUMA 619 011 113 101 153 824 766 900 1 050
a b c d e f g h i j k l m n o
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SG-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 SBSH Sprzęt Gospodarstwa Domowego Sp. z o.o.
81 460 64 0 6 Z Z sprzęt AGD d P Niemcy 100,00 200 000 000,00 200 S, K
15
16
Gillette Poland International Sp z o.o.
190 605 41 0 10 Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
FAM Cynkowanie Ogniowe Sp. z o.o.
21 090 23 0 56 Z Ś obróbka metali k U Polska 100,00 19 531 540,00 123 S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SCreative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 SSUMA 618 977 215 31 163 1 226 865 540 1 419
a b c d e f g h i j k l m n oIBM 32 561 45 0 2 Z Z rozwiązania informatyczne f U USA 100,00 2 500 000,00 150 S
DELL Products (Poland) Sp z o.o. 254 496 67 0 3 Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
Gillette Poland International Sp z o.o. 190 605 41 0 10 Z Z
produkcja ostrzy i maszynek do golenia i P Holandia 100,00 433 098 000,00 345 S
Kampmann Polska Sp. z o.o. 69 999 16 0 12 Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 15 13 Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 SMDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 S
Google 12 321 25 0 4 Z Zrozwiązania informatyczne związane z
technologiami internetowymi f U USA 100,00 450 000,00 15 S
SUMA 614280 238 15 66 901960400 1267
a b c d e f g h i j k l m n o
Polska 92,00Włochy 8,00
Creative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 S
Polska 70,00Włochy 30,00
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10S
Mar - Mit s.c. 7 471 17 0 12 Z Z metalowa k P Polska 100,00 2 375 000,00 32 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S,K,L
Bora Poland SP. z o.o. 25 000 21 0 15 Z Z wyroby metalowe k P Włochy 100,00 15 429 600,00 25 S
BOBRUS Maszyny Poligraficzne Sp. z o.o.
1 971 26 023
Z Z wyroby metalowe k P Polska 100,00 2 430 322,00 7S
n P 3 000 000,00 208
Z Z części, akcesoria samochodoweBZWF Motor Sp. z o.o. 35 000 6 0
i P 8 880 000,00 793
Z Zczęści i akcesoria do pojazdów
mechanicznychOrsa Moto Sp. z o.o. 45 302 21 0
17
18
S
S
19
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 1513
Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85S
Schraner Polska Sp. z o.o. 14 454 34 012
Z Z wyroby metalowe k P Szwajcaria 100,00 11 500 000,00 20S
LIBNER POLSKA Sp. z o.o. 23 433 14 02
Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Francja 100,00 8 650 000,00 40S
TURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75 S
IBM 32 561 45 0 2 Z Z rozwiązania informatyczne f U USA 100,00 2 500 000,00 150 S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15 S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
PPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 S
Gamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 S
477 074 381 29 178 180358322 902
a b c d e f g h i j k l m n o
Cornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
LReculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 S
DELL Products (Poland) Sp z o.o. 254 496 67 03
Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SWawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SSUMA 604 771 186 80 127 598161890 1138
a b c d e f g h i j k l m n o
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
L
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 1513
Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
DELL Products (Poland) Sp z o.o. 254 496 67 03
Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SBOBRUS Maszyny Poligraficzne Sp. z o.o.
1 971 26 023
Z Z wyroby metalowe k P Polska 100,00 2 430 322,00 7 S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
19
20
21
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SDecora Collection sp. z o.o 150 000 16 0 13 Z Z dystrybucja tkanin p H Polska 100,00 890 000,00 25 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 618 485 223 116 117 433 428 722 921
a b c d e f g h i j k l m n o
G-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Drewbuk 56 412 8 321
Z Śproducent i eksporter wyrobów
drewnianychh P Polska 100,00
5 430 000,00 70S
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 S
Polimerc sp. z o. o. 31 453 13 064
Z Z firma produkcyjno – usługowa działającą w branŜy motoryzacyjnej
k P Polska 100,002 000 000,00 30
S
Polska 66,66Szwecja 33,33
SUMA 429 027 143 124 179 455 086 000 769
a b c d e f g h i j k l m n o
Unimil S.A. 36 489 15 016
Z Zprodukująca prezerwatywy i osłonki
USGc P Polska 100,00
15 000 000,00 150S, K
Larkis sp. z o. o. 32 153 21 1064
Z Z produkcja wyrobów silikonowych oraz węŜy, sznurów, profili i gąbek
c P Polska 100,009 500 000,00 50
S
Polimerc sp. z o. o. 31 453 13 064
Z Z firma produkcyjno – usługowa działającą w branŜy motoryzacyjnej
k P Polska 100,002 000 000,00 30
S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
Drewbuk 56 412 8 321
Z Śproducent i eksporter wyrobów
drewnianychh P Polska 100,00
5 430 000,00 70S
Rymax s.j. 32 155 12 0 15 Z Z hurtownia armatury b H Polska 100,00 300 000,00 20 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
LCreative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 SMDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 SHuta Szkła SŁAWNO Sp. z o.o. 45 000 6 0 6 Z Z produkcja opakowań szklanych c P Polska 100,00 55 000 000,00 45 S, K
Polska 92,00Włochy 8,00
Teka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
P 15 405 000,00 48 SScan Aqua Sp. z o.o. 44 134 14 5411
Z Z ceramika sanitarna b
S, Ki P 8 880 000,00 793
Z Zczęści i akcesoria do pojazdów
mechanicznychOrsa Moto Sp. z o.o. 45 302 21 0
23
22
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SSUMA 600 765 208 80 267 229198200 1206
a b c d e f g h i j k l m n o
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S, K,
LReculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 SImpel-Perfekta Sp. z o.o. 23 726 12 0 54 Ś Ś usługi pralnicze c U Niemcy 100,00 12 000 000,00 90 SMotorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Nana 46 000 32 0 16 M M produkcja tkanin p P Polska 100,00 1 260 000,00 24 SSUMA 617 767 200 58 222 741 449 890 1 057
a b c d e f g h i j k l m n o
WKiZB S.A. (dawniej: Atlas S.A.) 86 526 12 021
Z Śmateriały budowlane - wyroby z
pozostałych surowców niemetalicznych
a P Polska 100,00 51 765 000,00 250 S
MDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 S
Aflofarm-Fabryka leków Sp. z o.o. 15 500 12 02
Ś Ś farmaceutyki i art .medyczne c P Polska 100,00 8 740 200,00 60 S
G-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 SIndesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SWawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 S
Unimil S.A. 36 489 15 0 16 Z Zprodukująca prezerwatywy i osłonki
USG c P Polska 100,00 15 000 000,00 150 S, K
SUMA 619 227 151 53 114 828 598 200 1 496
a b c d e f g h i j k l m n o
Polska 70,00Włochy 30,00
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 SFAM Cynkowanie Ogniowe Sp. z o.o.
21 090 23 056
Z Ś obróbka metali k U Polska 100,00 19 531 540,00 123 S
LIBNER POLSKA Sp. z o.o. 23 433 14 02
Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Francja 100,00 8 650 000,00 40 S
Sn P 3 000 000,00 208
Z Z części, akcesoria samochodoweBZWF Motor Sp. z o.o. 35 000 6 0
24
25
26
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
IBM 32 561 45 0 2 Z Z rozwiązania informatyczne f U USA 100,00 2 500 000,00 150 SWawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 610 404 288 79 144 675 656 430 1 282
a b c d e f g h i j k l m n o
Polska 92,00Włochy 8,00
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 S
Cornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120S
Wirthwein Polska Sp z o.o. 7 320 12 012
Z Śprodukcja komponentów do urządzeń
AGD - podzespoły do produkcji suszarek
i P Niemcy 100,00 41 013 900,00 25S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10S
Partner Logistic Sp. z o.o. 50 848 5 02
Z Z logistyczna g U Polska 100,00 13 500 000,00 30S,K,L
Teka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 S
Drewbuk 56 412 8 321
Z Śproducent i eksporter wyrobów
drewnianychh P Polska 100,00
5 430 000,00 70 S
Larkis sp. z o. o. 32 153 21 1064
Z Z produkcja wyrobów silikonowych oraz węŜy, sznurów, profili i gąbek
c P Polska 100,009 500 000,00 50 S
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 S
Unimil S.A. 36 489 15 016
Z Zprodukująca prezerwatywy i osłonki
USGc P Polska 100,00
15 000 000,00 150 S
Polimerc sp. z o. o. 31 453 13 064
Z Z firma produkcyjno – usługowa działającą w branŜy motoryzacyjnej
k P Polska 100,002 000 000,00 30 S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
Rymax s.j. 32 155 12 0 15 Z Z hurtownia armatury b H Polska 100,00 300 000,00 20 S
Marbud 51 616 14 0 14 Ś Ś budownictwo a P Polska 100,00 420 000,00 25 S
PPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 S
SUMA 598 913 237 114 304 170580100 1174
a b c d e f g h i j k l m n o
Delta Frozen Poland 27 876 6 41 32 Z Z spoŜywcza o P Polska 100,00 6 000 000,00 15 S
i P 8 880 000,00 793
Z Zczęści i akcesoria do pojazdów
mechanicznychOrsa Moto Sp. z o.o. 45 302 21 0
27
S
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Mar - Mit s.c. 7 471 17 0 12 Z Z metalowa k P Polska 100,00 2 375 000,00 32 SCiat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 SBora Poland SP. z o.o. 25 000 21 0 15 Z Z wyroby metalowe k P Włochy 100,00 15 429 600,00 25 SBOBRUS Maszyny Poligraficzne Sp. z o.o.
1 971 26 023
Z Z wyroby metalowe k P Polska 100,00 2 430 322,00 7 S
Schraner Polska Sp. z o.o. 14 454 34 012
Z Z wyroby metalowe k P Szwajcaria 100,00 11 500 000,00 20 S
TURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 SWawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SPPHU Nana 46 000 32 0 16 M M produkcja tkanin p P Polska 100,00 1 260 000,00 24 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SSUMA 350 037 230 125 238 175 982 922 763
a b c d e f g h i j k l m n o
Ciat Sp. z o.o. 8 994,0 12,0 0,0 41,0 Z Z urz. chłodnicze i P Polska 100 8 620 000,00 51 SDakri Sp. z o.o. 1 869,4 3,0 34,0 9,0 Z Ś produkcja piekarnicza o P Polska 100 1 900 000,00 60 SMDH Sp. z o.o. 7 765,0 10,0 0,0 7,0 Z Z urządzenia medyczne j P Polska 100 4 500 000,00 100 S
S i A Pietrucha Sp. z o.o. 19 159,0 25,0 15,0 4,0 Z Śwyroby z tworzyw sztucznych dla
budownictwac P Polska 100 8 998 951,00 104 S
Pifo Eko-Strefa Sp. z o.o. 8 248,0 8,0 31,0 7,0 M Ś spoŜywcza o P Polska 100 8 459 600,00 30 SHTL Strefa S.A. 12 198,0 7,0 0,0 6,0 Z Z sprzęt medyczny j P Polska 100 20 285 279,00 73 SCreative Web Sp. z o.o. 21 602,0 16,0 0,0 6,0 Z Z elektronika, wyroby włókiennicze d P Polska 100 30 000 000,00 50 SDelta Frozen Poland 27 876,0 6,0 41,0 32,0 Z Z spoŜywcza o P Polska 90 6 000 000,00 15 SPremium Sp. z o.o. Sp. jawna 23 520,0 9,0 15,0 36,0 Z Z wielobranŜowe (spoŜywcza) o P, H Polska 100 1 925 000,00 10 SBZWF Motor Sp. z o.o. 35 000,0 6,0 0,0 8,0 Z Z części, akcesoria samochodowe n P Polska 70 3 000 000,00 20 S
Wirthwein Polska Sp z o.o. 7 320,0 12,0 0,0 12,0 Z Śprodukcja komponentów do urządzeń
AGD - podzespoły do produkcji suszarek
i P Polska 0 41 013 900,00 25 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443,0 4,0 0,0 2,0 Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100 3 068 000,00 10 S
Hapam Polska Sp. z o.o. 12 652,0 56,0 3,0 21,0 Z Zprodukcja urządzeń
elektroenergetycznyche P Polska 0 9 614 100,00 8 S
E.G.O. Polska Sp. z o.o. 37 802,0 34,0 0,0 12,0 Z Zurządzenia rozdzielcze i sterownicze
(elektroniczna)e P Polska 0 1 500 000,00 25 S
HT Lancet Sp. z o.o. 60 001,0 13,0 21,0 3,0 Z Z wyroby z tworzyw sztucznych c P Polska 100 90 000 000,00 230 SMar - Mit s.c. 7 471,0 17,0 0,0 12,0 Z Z metalowa k P Polska 100 2 375 000,00 32 S
Medana Pharma Terpol Group S.A. 16 955,0 12,0 0,0 30,0 Z Z branŜa farmaceutyczna c P Polska 100 20 000 000,00 40 S
BOBRUS Maszyny Poligraficzne Sp. z o.o.
1 971,0 26,0 0,0 23,0 Z Z wyroby metalowe k P Polska 100 2 430 322,00 7 S
28
29
Drahtzug Stein Łódź Sp z o.o. BIS 15 421,0 25,0 15,0 13,0 Z Z obróbka metali k U Polska 0 23 075 400,00 85 S
Schraner Polska Sp. z o.o. 14 454,0 34,0 0,0 12,0 Z Z wyroby metalowe k P Polska 0 11 500 000,00 20 S
LIBNER POLSKA Sp. z o.o. 23 433,0 14,0 0,0 2,0 Z Zmotoryzacyjna - nadwozia do pojazdów samochodowych
k P Polska 0 8 650 000,00 40 S
TURNILS Sp. z o.o. 31 112,0 9,0 0,0 15,0 Z Z produkcja Ŝaluzji k P Polska 0 41 785 000,00 130 SPPHU Jacek Sukiennik 20 294,0 14,0 0,0 5,0 M Z materiały budowlane a P Polska 100 29 870 000,00 40 S
ABB sp z.o.o 15 645,0 54,0 0,0 2,0 Z Zprodukcja urządzeń
elektroenergetycznyche P, B Polska 0 3 400 000,00 60 S
SABRE 21 212,0 42,0 0,0 3,0 Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100 1 200 000,00 75 S
IBM 32 561,0 45,0 0,0 2,0 Z Z rozwiązania informatyczne f U USA 100 2 500 000,00 150 S
Google 12 321,0 25,0 0,0 4,0 Z Zrozwiązania informatyczne związane z
technologiami internetowymif U USA 100 450 000,00 15 S
ZPC Lajkonik s.j 25 463,0 8,0 14,0 21,0 Z Z produkcja ciastek o P Polska 100 8 030 000,00 70 SPPHU Nana 46 000,0 32,0 0,0 16,0 M M produkcja tkanin p P Polska 100 1 260 000,00 24 SGamet 47 230,0 36,0 0,0 14,0 Z Z produkcja odzieŜy dziecięcej p P Polska 100 1 985 000,00 29 SSUMA 617 992,4 614,0 189,0 380,0 397 395 552 1 628
a b c d e f g h i j k l m n o
PPHU Welurex 64 230 27 0 21 Z Z produkcja odzieŜy ochronnej p P Polska 100,00 2 500 000,00 35 SGamet 47 230 36 0 14 Z Z produkcja odzieŜy dziecięcej p P Polska 100,00 1 985 000,00 29 SPPHU Nana 46 000 32 0 16 M M produkcja tkanin p P Polska 100,00 1 260 000,00 24 SCornette underwear - Andrzej MoŜdŜeń
17 479 21 0 12 Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SIBM 32 561 45 0 2 Z Z rozwiązania informatyczne f U USA 100,00 2 500 000,00 150 SFAM Cynkowanie Ogniowe Sp. z o.o.
21 090 23 0 56 Z Ś obróbka metali k U Polska 100,00 19 531 540,00 123 S
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 S
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 15 13 Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
MGL Sp. z o.o. 40 000 3 0 21 Z M meble h P Polska 100,00 33 800 000,00 105 STURNILS Sp. z o.o. 31 112 9 0 15 Z Z produkcja Ŝaluzji k P Szwecja 100,00 41 785 000,00 130 S
Szwajcaria 35,00
Szwecja 65,00Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
Wirthwein Polska Sp z o.o. 7 320 12 0 12 Z Śprodukcja komponentów do urządzeń
AGD - podzespoły do produkcji suszarek
i P Niemcy 100,00 41 013 900,00 25 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 0 2 Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SSUMA 617 732 390 78 234 452 380 730 1 446
P, B 3 400 000,00 60 SZ Zprodukcja urządzeń
elektroenergetycznyche15 645 54 0 2ABB sp z.o.o
30
a b c d e f g h i j k l m n o
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SMDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SG-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
FAM Cynkowanie Ogniowe Sp. z o.o.
21 090 23 056
Z Ś obróbka metali k U Polska 100,00 19 531 540,00 123 S
Impel-Perfekta Sp. z o.o. 23 726 12 0 54 Ś Ś usługi pralnicze c U Niemcy 100,00 12 000 000,00 90 SPPHU Jacek Sukiennik 20 294 14 0 5 M Z materiały budowlane a P Polska 100,00 29 870 000,00 40 SMotorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
dr. Irena Eris sp z. o. o 35 424 3215
Ś Zprodukcja kosmetyków i artykułów
higienicznych, laboratoriumc B Polska 100,00
3 520 000,00 45S
Wawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SSUMA 619 605 226 104 224 1 003 858 540 1 579
a b c d e f g h i j k l m n o
G-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 S
Indesit Company Polska Sp. z o.o. 52 119 6 03
Z Z AGD d P Włochy 100,00 171 872 000,00 280 S
Reculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 S
DELL Products (Poland) Sp z o.o. 254 496 67 03
Z Z produkcja komputerów przenośnych f P USA 100,00 376 600 000,00 340 S
Szwajcaria 35,00
Szwecja 65,00
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
IBM 32 561 45 0 2 Z Z rozwiązania informatyczne f U USA 100,00 2 500 000,00 150 S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 S
P, B 3 400 000,0060
SZ Zprodukcja urządzeń
elektroenergetycznyche15 645 54 0
232ABB sp z.o.o
31
Hapam Polska Sp. z o.o. 12 652 56 321
Z Zprodukcja urządzeń
elektroenergetycznyche P Holandia 100,00 9 614 100,00 8 S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SSUMA 619 431 352 83 195 649 566 100 1 166
a b c d e f g h i j k l m n o
Creative Web Sp. z o.o. 21 602 16 0 6 Z Z elektronika, wyroby włókiennicze d P Polska 100,00 30 000 000,00 50 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SG-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 SBSH Sprzęt Gospodarstwa Domowego Sp. z o.o.
81 460 64 06
Z Z sprzęt AGD d P Niemcy 100,00 200 000 000,00 200 S, K
Gillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Ciat Sp. z o.o. 8 994 12 0 41 Z Z urz. chłodnicze i P Polska 100,00 8 620 000,00 51 SSanitec Koło Sp. z o.o. 51 559 16 15 31 Z Z wyroby sanitarne b P Polska 100,00 81 724 300,00 225 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00 1 200 000,00 75 S
BOBRUS Maszyny Poligraficzne Sp. z o.o.
1 971 26 023
Z Z wyroby metalowe k P Polska 100,00 2 430 322,00 7 S
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 S
Drahtzug Stein Łódź Sp z o.o. BIS 15 421 25 15 13 Z Z obróbka metali k U Niemcy 100,00 23 075 400,00 85 S
SUMA 606 030 294 61 203 1 282 267 022 1 409
a b c d e f g h i j k l m n o
G-K Sp. z o.o. 129 700 23 0 25 Z Z materiały budowlane a P Polska 100,00 419 021 000,00 191 Squick-mix. Sp. z o.o 29 999 14 15 21 Z Z materiały budowlane a P Niemcy 100,00 22 400 000,00 20 SFuji Seal Poland Sp. z.o.o. 116 422 15 0 45 Z Z tworzywa sztuczne/papiernicza c P Japonia 100,00 158 100 000,00 250 S,KReculer Sp. z o.o. 5 793 6 15 80 Z Z przetwarzanie odpadów m U Polska 100,00 2 000 000,00 8 STeka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
Unimil S.A. 36 489 15 016
Z Zprodukująca prezerwatywy i osłonki
USGc P Polska 100,00
15 000 000,00 150S, K
ZPC Lajkonik s.j 25 463 8 14 21 Z Z produkcja ciastek o P Polska 100,00 8 030 000,00 70 SDecora Collection sp. z o.o 150 000 16 0 13 Z Z dystrybucja tkanin p H Polska 100,00 890 000,00 25 SSUMA 614 657 209 44 243 679 629 200 954
33
34
a b c d e f g h i j k l m n o
Dakri Sp. z o.o. 1 869 3 34 9 Z Ś produkcja piekarnicza o P Polska 100,00 1 900 000,00 60 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SCornette underwear - Andrzej MoŜdŜeń
17 479 21 012
Ś Ś produkcja bielizny p P Polska 100,00 5 000 000,00 120 S
G.W.& Crystal Fashion Włodzimierz Gronowalski Sp. jawna
2 443 4 02
Z Z biŜuteria sztuczna/dodatki krawieckie p P Polska 100,00 3 068 000,00 10 S
Kampmann Polska Sp. z o.o. 69 999 16 012
Z Z urządzenia chłodnicze i wentylacyjne i P Niemcy 100,00 19 952 000,00 102 S
Teka Polska Sp. z o.o. 87 258 45 0 15 Z Z AGD i P Hiszpania 100,00 52 538 200,00 150 SProcter and Gamble Operations Polska Sp. z o.o.
234 630 14 032
Z Zprodukcja kosmetyków i artykułów
higienicznychc P Holandia 100,00 138 095 000,00 210 S
SABRE 21 212 42 03
Z Zrozwiązania informatyczne dla branŜy
turystycznej oraz lotniczef P, B USA 100,00
1 200 000,00 75S
Motorola 62 345 14 0 2 Z Z rozwiązania informatyczne f U USA 100,00 3 400 000,00 210 SWawel” S.A. 56 423 8 53 13 Z M spoŜywcza o P Polska 100,00 1 500 000,00 250 SSUMA 609 258 184 104 122 298 653 200 1 287
a b c d e f g h i j k l m n o
Haering Polska Sp. z o.o. 157 387 65 12 15 Z Z obróbka skrawaniem i P Niemcy 100,00 196 161 890,00 180 SGillette Poland International Sp z o.o.
190 605 41 010
Z Zprodukcja ostrzy i maszynek do
goleniai P Holandia 100,00 433 098 000,00 345 S
Chipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SIndesit Company Polska Sp. z o.o. BIS
203 267 15 025
Z Z AGD i P Włochy 100,00 323 472 000,00 210 S, K
Google 12 321 25 04
Z Z rozwiązania informatyczne związane z technologiami internetowymi
f U USA 100,00450 000,00 15
S
SUMA 619 180 163 29 76 1 025 181 890 850
a b c d e f g h i j k l m n oCeramika Tubądzin II Sp. z o.o. 69 237 16 64 12 Z Ś płytki ceramiczne b P Polska 100,00 36 940 490,00 101 S
WKiZB S.A. (dawniej: Atlas S.A 86526 12 0 21 Z Ś
materiały budowlane - wyroby z pozostałych surowców
niemetalicznych a P Polska 100,00 51 765 000,00 250 SChipita Poland Sp. z o.o. 55 600 17 17 22 Z Z spoŜywcza o P Grecja 100,00 72 000 000,00 100 SCeramika ParadyŜ Sp.z o.o. 88 375 45 35 32 Z Z produkcja płytek ceramicznych b P Polska 100,00 108 100 000,00 165 S
BSH Sprzęt Gospodarstwa Domowego Sp. z o.o. 81 460 64 0 6 Z Z sprzęt AGD d P Niemcy 100,00 200 000 000,00 200 S, KHT Lancet Sp. z o.o. 60 001 13 21 3 Z Z wyroby z tworzyw sztucznych c P Polska 100,00 90 000 000,00 230 SSanitec Koło Sp. z o.o. 51 559 16 15 31 Z Z wyroby sanitarne b P Polska 100,00 81 724 300,00 225 S
Indesit Company Polska Sp. z o.o. 52 119 6 03
Z Z AGD d P Włochy 100,00 171 872 000,00 280 S
MDH Sp. z o.o. 7 765 10 0 7 Z Z urządzenia medyczne j P Polska 100,00 4 500 000,00 100 S
SUMA 552642 199 152 137 816901790 1651
35
36
37