MétaCan
Menu
Retour à la cohorte
Enregistrement W2795112016 · doi:10.5539/jmr.v10n2p140

An Empirical Analysis of the Relationship Between Urbanization and Fiscal Policy --- Taking Jiangxi Province of China As an Example

2018· article· en· W2795112016 sur OpenAlexvenueno aff
Xiao-Ying Wan

Notice bibliographique

RevueJournal of Mathematics Research · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economic and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesEducation Department of Jiangxi Province
Mots-clésUrbanizationVariance decomposition of forecast errorsChinaVector autoregressionEconomicsFiscal policyRevenueCointegrationOrder (exchange)NormativeEconomic systemMacroeconomicsEconometricsEconomic growthGeographyPolitical scienceFinance

Résumé

récupéré en direct d'OpenAlex

Urbanization is still the direction of China's development in the next twenty years. The study of the relationship between fiscal policy and urbanization is of great value to the healthy promotion of urbanization. In this paper, through the establishment of vector autoregressive model, and analysis using the impulse response function and variance decomposition empirical dynamic correlation between the development of urbanization in Jiangxi province and that of fiscal policy, fiscal policy focus; at the same time, this thesis employs qualitative analysis and quantitative analysis, normative analysis and empirical analysis, combined with the reality of the development of urbanization in Jiangxi Province in order to analyze of the relationship between the development of urbanization in Jiangxi province and fiscal policy and the existing problems. The study found that there is a cointegration relationship between fiscal policy and urbanization. The impact of fiscal expenditure on Urbanization in Jiangxi is better than that in fiscal revenue. Finally, this paper also puts forward relevant policy.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,079
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,275
Tête enseignante GPT0,409
Écart entre enseignants0,133 · 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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mathematics ResearchMême sujetRegional Economic and Spatial AnalysisTravaux en français237 207