MétaCan
Menu
Retour à la cohorte
Enregistrement W2385570922

Spatiotemporal Pattern of Urban-Rural Income Gap of Prefecture Level Cities or Above in China

2014· article· en· W2385570922 sur OpenAlexaff
Pan Jing-h

Notice bibliographique

RevueEconomic Geography · 2014
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economic and Spatial Analysis
Établissements canadiensScience North
Organismes subventionnairesnon disponible
Mots-clésUrbanizationChinaGeographyRural areaEconomic geographyLagSpatial distributionSpatial analysisSocioeconomicsDemographic economicsEconomic growthEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Taking the residents income ratio between urban and rural residents as the measuring indicator,this paper analyses the spatiotemporal pattern,global trends,spatial heterogeneities and correlations of income gap of 343prefecture-level cities or above in China from 2000 to 2011 by use of ESDA-GIS,semi-variant function,gravity center migration and trend surface analysis. Spatial lag model is established to estimate the effect of each explanatory variable and analyze the impact factors of urban-rural income gap. The results show as following. The spatial difference of income gap between urban and rural residents is significantly, showing a trend of the middle Chinathe western Chinathe eastern China,and the Centralthe Souththe North. The calculate result of Moran's I shows that the density of urbanrural income gap of prefecture level cities or above in China has a significant and growing global spatial autocorrelation characteristic and spatial cluster,regional disparities trend of income gap is more and more obvious. The gravity center of urban-rural income gap had moved northeast on the whole from 2000 to 2011. The western and northeastern areas are the significantly reduced area in urban-rural income ratio,while the Yellow River basin is the most concentrated areas where the income gap significantly expanded. Cold spot areas of urban- rural income gap have spread markedly,and the spot areas shrink dramatically. Urban- rural human capital inputs ratio,agglomeration of the secondary and tertiary sectors,urbanization rate and spatial lag variable all have positive effects on urban- rural income gap,whereas the urban- rural labor ratio has negative effect on urban-rural income gap.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,022
Tête enseignante GPT0,200
Écart entre enseignants0,178 · 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'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

Citations7
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconomic GeographyMême sujetRegional Economic and Spatial AnalysisTravaux en français237 207