China's Trends in Provincial Logistics Based on Railway Transportation Data
Notice bibliographique
Résumé
This study uses the railway transportation data of China to analyze trends in provincial logistics. In particular, the railway O-D (Origin and Destination) table (formally titled “ Freight Exchange of National Railway between Administration Regions” ) in the “ Year Book of China Transportation and Communications” is the only material that supplements provincial logistics in China.First, the study calculates the shares among provinces. Second, the study estimates the future distribution by stochastic models represented by the Markov chain. Third, the study suggests a simple indicator that analyzes the changes in shares. According to this indicator, 0% shows no change in shares, whereas 100% show that share changes from one side to another. These results clearly indicate the trends and patterns in provincial logistics change slowly, resulting in less than 10% share change and stabilization of future convergence distributions.Therefore, few changes can be expected in the provincial logistics trends in China However, this study is limited by the data obtained, because it does not analyze other modes of transportation. If the trends in logistics do not change through time, it is difficult to suggest a logistic policy, especially in terms of railway transportation, to reduce regional disparity. The policy for constructing a railway logistic center in poor regions to reduce disparity is not realistic. On the other hand, the demand for railway construction based on actual demand will continue for a while. As a result, there is a possibility the logistic policy will be influenced against our expectations if the trends in logistics greatly change. Therefore, a logistic policy for economical reasons is indispensable.JEL Classification: C49, O53, R49
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».