MétaCan
Menu
Retour à la cohorte
Enregistrement W2111369957

New evidence on the causes of the fluctuations in ocean freight rates in the 1850s: harvest failures, business cycles, and the Crimean War

2007· article· en· W2111369957 sur OpenAlexaboutno aff
Jan Tore Klovland

Notice bibliographique

RevueDuo Research Archive (University of Oslo) · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHistorical Economic and Social Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTonnageIndex (typography)Quarter (Canadian coin)EconomicsBusiness cycleAgricultural economicsGeographyMacroeconomicsHistoryComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper takes a critical look at the hypothesis that the Crimean War was the main cause\nof the surge in ocean freight rates in the first part of the 1850s. The analysis is based on newly\nconstructed monthly data on world freight rates in the 1850s. A new type of freight rate index,\nreferred to as a repeat sailings index, is presented, which is similar to a type of index frequently\napplied to house prices. An econometric model of the determination of freight rates is estimated\non monthly data from the 1850s, from which it is possible to disentangle the effects on freight rates\ndue to the various demand and supply factors, including the Crimean War. It is found that harvest\nfailures, business cycles, the supply of tonnage and the Crimean War all significantly affected freight\nrates in this period. The Crimean War may have accounted for a quarter of the surge in freight\nrates in the years prior to the outbreak of the War; once the War broke out in March 1854, however,\nit was of less importance.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,980

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,077
Tête enseignante GPT0,265
Écart entre enseignants0,188 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations1
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDuo Research Archive (University of Oslo)Même sujetHistorical Economic and Social StudiesTravaux en français237 207