MétaCan
Menu
Retour à la cohorte
Enregistrement W2139254431 · doi:10.1504/wremsd.2013.054736

Regional jet aircraft competitiveness: challenges and opportunities

2013· article· en· W2139254431 sur OpenAlexaboutno aff
Tamilla Curtis, Dawna L. Rhoades, Blaise P. Waguespack suffix Jr. suffix

Notice bibliographique

RevueWorld Review of Entrepreneurship Management and Sustainable Development · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRevenueAviationJet (fluid)Range (aeronautics)LagBusinessAircraft industryAeronauticsFinanceEngineeringAerospace engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

The regional jet aircraft is a unique market niche. Particularly suitable for providing capacity in the 30 to 90 seat range, these jets are often used to connect smaller airports to network carrier hubs, as well as to fill in during slow periods. The market is currently dominated by two manufacturers: Brazil’s Embraer and Canada’s Bombardier. Due to the nature of the global aircraft industry, Embraer and Bombardier are largely dependent on the international sale of their aircraft for steady revenue streams. Orders and deliveries of aircraft with fewer than 100 seats have grown rapidly over the past ten years. The study provides an overview of the aviation industry, particularly in the regional jet (RJ) sector, and examines country-specific factors affecting the number CRJ and ERJ deliveries. Results of stepwise regression indicate that a two-year lag of GDP, a two-year lag price of crude oil, a two-year lag of prior aircraft deliveries, and the country-specific land areas account for almost 40% of the variance in the aircraft deliveries. However, there are many additional factors which have an effect on RJs orders and deliveries.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0010,001
Communication savante0,0080,006
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,064
Tête enseignante GPT0,231
Écart entre enseignants0,167 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations4
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Review of Entrepreneurship Management and Sustainable DevelopmentMême sujetAviation Industry Analysis and TrendsTravaux en français237 207