De eiwitbehoefte wordt voornamelijk bepaald door de hoeveelheid vetvrije massa (VVM) in het lichaam. In de praktijk wordt de eiwitbehoefte echter gebaseerd op het lichaamsgewicht. In dit onderzoek is de eiwitbehoefte op basis van gemeten VVM vergeleken met de eiwitbehoefte bepaald op basis van gemetenlichaamsgewicht, gecorrigeerd lichaamsgewicht en geschatte VVM met de formule van Gallagher. De onderzoeksvraag luidde: ‘Welke methoden om de eiwitbehoefte te berekenen zijn het beste vergelijkbaar met de referentiemethode: gemeten VVM x 1,5 g eiwit/kg?’MethodeDeze vraag werd onderzocht in twee populaties. De eerste populatie was de ANAC-populatie (Amsterdam Nutritional Assessment Center, Hogeschool van Amsterdam): relatief gezonde volwassenen met overgewicht en obesitas. De tweede populatie was de VUmc-populatie: klinische en poliklinische patiënten met zeer uiteenlopende ziektebeelden. De VVM werd gemeten met BOD POD (ANAC) en bio-elektrische impedantie-analyse (BIA) (VUmc). Drie methoden om de eiwitbehoefte te berekenen werden vergeleken met de referentiemethode (gemeten VVM x 1,5 g eiwit/kg):A. Gemeten lichaamsgewicht x 1,2 g eiwit/kgB. Gecorrigeerd lichaamsgewicht x 1,2 g eiwit/kg (correctie: gewicht bij BMI 20 voor personen met ondergewicht(BMI<18,5) en gewicht bij BMI 27,5 voor personen met overgewicht (BMI>30))C. Geschatte VVM x 1,5 g eiwit/kg. De schatting is uitgevoerd met de formule van Gallagher.De gemiddelde afwijking met spreiding en standaardafwijking werd gebruikt om de validiteit te toetsen van de drie methoden om de eiwitbehoefte te berekenen. Een over- of onderschatting van 5% werd gedefinieerd als klinisch relevant.ResultatenDe afwijking bij methode A was klein in de groep met ondergewicht en groot bij de groep met overgewicht en obesitas. Slechts bij 1% van de obese personen werd de eiwitbehoefte met methode A juist geschat. Dit verbeterde met methode B naar 15-33%. Methode C was voor alle groepen, met uitzondering van depersonen met ondergewicht, het gunstigst. De afwijking varieerde van 14 gram onderschatting tot 28 gram overschatting. Bij 38-54% van de personen met overgewicht en obesitas werd de eiwitbehoefte juist geschat.ConclusieEr is vooral bij overgewicht en obesitas een forse variatie tussen de verschillende methoden voor het berekenen van de eiwitbehoefte. De berekening van de eiwitbehoefte op basis van de gemeten VVM heeft de voorkeur. Als dit niet mogelijk is, volstaat bij deze groep een aanpassing van het gewicht in de berekening naar een gewicht bij BMI 27,5 niet. Toepassing van de formule van Gallagher om de VVM te schatten en daarmee de eiwitbehoefte te berekenen, geeft vooral voor personen met overgewicht en obesitas een betereovereenkomst met de eiwitbehoefte per kilogram gemeten VVM.
DOCUMENT
Het belang van innovatie voor economische groei en het scheppen van werkgelegenheid in het MKB wordt erkend door zowel academici als politici. Er worden daarom programma’s ontwikkeld om innovatie te stimuleren. Met deze maatregelen ontstaat de vraag te bepalen of deze initiatieven succesvol zijn en zo ja, in welke mate. In de literatuur hebben we geen indicator gevonden die ons in staat stelt de mate van innovativiteit van MKB bedrijven te bepalen voor een dergelijke interventie en daarna. De hoofdvraag van ons onderzoek was dan ook: hoe kunnen we het effect van een interventie voor het bevorderen van de innovatiekracht van MKB-bedrijven meten? Kijkend naar de definities van innovatie zoals die zijn verzameld door King & Anderson (2002) hebben we vastgesteld dat een bedrijf innovatief genoemd mag worden als het met opzeten succesvol nieuwe ideeën implementeert. Succesvol wil in dit verband zeggen: het draagt bij aan de winst en dus aan de continuïteit van het desbetreffende MKB-bedrijf. Door de verschillende (bewuste) innovaties te identificeren samen met de ondernemer en te berekenen wat de winstgevendheid is geweest van de innovaties, kunnen we de ’innovatiewinst’ van de ondernemer berekenen. Dit bedrag delen door de omzet creëert een indicator waarmee de innovativiteit van de organisatie door de tijd gemeten kan worden. Wij stellen daarom de volgende definitie van innovatiekracht voor: KIKR = [ [Winst Innovatie1+Winst Innovatie2+ ... +Winst Innovatie5] / Omzet] x 100. De ratio kan alleen met voldoende betrouwbaarheid bepaald worden door een gestructureerd interview met de directeur/ eigenaar van de het bedrijf door een gekwalificeerde gesprekspartner. De auteurs realiseren zich dat dit gesprek op zichzelf misschien een interventie is, omdat de ervaring leert dat het innovatiebewustzijn van de ondernemer er door toeneemt. Om te bepalen of dit daadwerkelijk zo is, en om te testen of de KIKR inderdaad als bruikbare maat voor innovatiekracht kan worden gebruikt is vervolgonderzoek noodzakelijk. Desalniettemin zijn de auteurs van mening dat met de KIKR de innovatiekracht van bedrijven door de tijd heen gemeten kan worden en daarmee een bruikbaar instrument is om het effect te bepalen van interventies die innovatiekracht moeten vergroten. The importance of innovation as an engine for economic growth and the creation of employment opportunities is acknowledged by both academia and politicians. This makes the need for good innovation measures crucial. In the third edition of the Oslo Manual (2005), a need for proper indicators to capture the changes in the nature and landscape of innovation is voiced. According to the manual, a considerable body of models and analytical frameworks for innovation were developed in the 1980s and 1990s. Over time, the scope of what is considered as innovation has been widened and expanded to include marketing and organizational innovation. In this paper, we focus on innovative performance as a measure of success. This is part of ongoing research in the Netherlands in The Hague region. This research is framed within an approach based on action research. We have worked with 45 SMEs in four sectors. This has formed the basis for the conceptual development of innovative performance as a new metric for the measurement of a successful innovation. In this paper, we review our findings thus far and explore the validity of innovative performance as an appropriate indicator for measuring innovation within SMEs.
DOCUMENT
In KG-18 hebben we verschillende grafieken laten zien. Een veel gebruikte grafische figuur in de statistiek is de zogenaamde boxplot. Weliswaar wordt deze niet vermeld bij de standaard keuzemogelijkheden onder de Wizard Grafieken, toch is het mogelijk om deze figuur met behulp van Excel te tekenen. KG-20 opent met het tekenen van een boxplot. Het tweede onderwerp is het berekenen van de Cronbachs alfa, andere woorden hiervoor zijn homogeniteitsindex of coëfficiënt alfa. Beide begrippen worden zo vaak gebruikt in onderzoeksrapporten en artikelen dat we gemeend hebben dit onderwerp in dit KG te bespreken. Bovendien geeft dit ons de mogelijkheid om de veelzijdigheid van Excel te demonstreren. Deze KG-publicatie is het logische vervolg op KG-18. In het laatste hoofdstuk van KG-18 hebben we een aantal rekenschemas gemaakt voor het berekenen van kengetallen zoals het gemiddelde, de variantie en de correlatiecoëfficiënt. Natuurlijk kunt u dergelijke kengetallen ook met een functie in Excel opvragen. Werken en spelen met dergelijke rekenschemas is echter van onschatbare waarde om de betekenis van kengetallen te illustreren en eigen te maken. De lezer ziet immers meteen hoe een kengetal verandert als hij of zij de ruwe gegevens wijzigt waarop dit kengetal gebaseerd is.
DOCUMENT
Whitepaper in een serie over HR Analytics Elke organisatie neemt voortdurend HRM-beslissingen, zoals over het aannamebeleid, de beloning en talentmanagement. Wanneer ze daarbij gebruik maken van predictive analytics, oftewel voorspellende analyse, kunnen organisaties de kans berekenen dat een individuele medewerker bepaald gedrag gaat vertonen. Voorspellende analyse leidt daardoor tot betere besluiten en maakt het mogelijk om gericht actie te ondernemen. Inhoud: • Inleiding 1. Zorg voor kwalitatief hoogwaardige data 2. Maak de stap van dataverzameling naar rapportage 3. Ontwikkel voorspellende modellen op basis van historische data 4. Gebruik voorspellende modellen om inzicht te krijgen 5. Baseer HRM-maatregelen op inzichten uit voorspellende analyses • Conclusie
MULTIFILE
Vijf studenten aan Hogeschool Van Hall Larenstein (VHL) hebben in 2019/2020 als onderdeel van de minor ‘Bomen en Stedelijke Omgeving’ onderzoek uitgevoerd naar het effect van groen/beplanting op de gevoelstemperatuur in 'bloemkoolwijken'. De opdrachtgever voor dit onderzoek was dr. ir. Jelle Hiemstra van Wageningen University & Research. Op het gebied van ENVI-met kregen zij begeleiding van dr. ir. Cor Jacobs van Wageningen University & Research, die hen hielp met het bouwen van het model en het berekenen van de temperatuur, luchtvochtigheid, windstromen en gevoelstemperatuur. De studenten werden begeleid door docent dr. Mart Vlam. Dit artikel is geschreven op basis van vragen die ex-redactielid Jozé ’t Hoen en redactielid Jaco Houweling de studenten hebben voorgelegd.
DOCUMENT
DOCUMENT
In de huidige landbouwsector worden grote hoeveelheden gewasbeschermingsmiddelen gebruikt, wat leidt tot hoge kosten voor telers. De verwachte aanscherping van wetgeving dwingt de industrie om efficiëntere spuitmethoden te onderzoeken. Een veelbelovende oplossing is het implementeren van precisiespuiten, die niet alleen het gebruik van chemicaliën vermindert, maar ook kostenbesparingen oplevert en kan voldoen aan strengere milieuwetgeving. De technologie achter precisiespuiten maakt gebruik van real-time data, verzameld door camera's op de spuit, of van taakkaarten waarvoor van tevoren het land is in gescand. Beide mogelijkheden hebben verschillende kosten en besparingen. Hoewel er momenteel onvoldoende concrete data beschikbaar is om definitieve conclusies te trekken, wordt verwacht dat met een toename van het aantal precisiespuiten op het land betrouwbaardere resultaten kunnen worden verkregen. Op de lange termijn lijkt de aanschaf van een real-time precisiespuit aantrekkelijk, vooral voor grotere telers. De ontwikkeling die gepaard gaan met het verzamelen van meer data zal ook een beter inzicht geven in de effecten van precisiespuiten op de gewaskwaliteit, wat van belang is voor het berekenen van de effecten op de kosten.
DOCUMENT
Hoe meten we sportparticipatie? Hoe kunnen we sportparticipatie kernachtig maar toch genuanceerd weergeven? Welke meetmethodes zijn er om sportparticipatie in kaart te brengen? In BMS Studie 48 ontwikkelen we de Vlaamse Sportparticipatie Index (VSI) die aangeeft hoeveel mensen in Vlaanderen aan sport doen, hoe frequent en hoeveel tijd zij hieraan spenderen. We berekenen (en voorzien een handleiding) over hoe we de VSI berekenen. Aanvullend bieden de diversiteitsindexen ook inzicht in welke mate bepaalde doelgroepen (vrouwen, 55-plussers, mensen met een lagere opleiding, mensen die leven in armoede, mensen met een migratieachtergrond) meer of minder sporten. Deze indexen kunnen berekend worden voor de algemene sportparticipatie in Vlaanderen of voor specifieke (groepen) van sporten, en dit voor verschillende jaargangen of zelfs landen/regio’s. Deze BMS Studie toont daarnaast ook aan dat surveys een belangrijk instrument blijven voor het in kaart brengen van sportparticipatie, en dat we niet blind mogen zijn voor innovatieve onderzoeksmethoden die complementaire inzichten kunnen verschaffen.
LINK
