MétaCan
Menu
Retour à la cohorte
Enregistrement W2051497253 · doi:10.15376/biores.8.2.1615-1624

Factors Influencing Changes in U.S. Hardwood Log and Lumber Exports from 1990 to 2011

2013· article· en· W2051497253 sur OpenAlexaboutno aff
William G. Luppold, Matthew Bumgardner

Notice bibliographique

RevueBioResources · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHardwoodChinaAgricultural economicsBusinessPulp and paper industryGeographyEngineeringEconomicsBiologyBotanyArchaeology

Résumé

récupéré en direct d'OpenAlex

Domestic consumption of hardwood products in the United States since 2000 has trended downward, making exports the single most important market for higher grade hardwood lumber and a major market for higher value hardwood logs. Between 1990 and 2011, hardwood lumber exports increased by 46%. During most of this period, Canada was the largest export market for U.S. lumber, but in 2009 China/Hong Kong became the most important market. Nearly 60% of the lumber exported in 1990 was red or white oak, but the proportion of exports of these species had decreased to 38% by 2011. By contrast, exports of yellow-poplar lumber increased by 381% over this period. The volume of hardwood logs exported grew by 62% between 1990 and 2011, and Canada remained the largest customer. Several factors can affect the export of hardwood lumber and logs. In the 1990s, changes in exchange rates and economic activity in importing countries could be linked with changes in lumber and log exports. Since 2000, China, Vietnam, and other East Asian furniture-producing countries have become important export markets as overseas manufacturers seek lumber of species familiar to U.S. consumers. Conversely, the large decrease in hardwood lumber and log exports to Canada between 2006 and 2009 coincides with a similar decrease in wood furniture imports from Canada.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,210
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioResourcesMême sujetForest Management and PolicyTravaux en français237 207