MétaCan
Menu
Retour à la cohorte
Enregistrement W2914572245 · doi:10.5539/ibr.v12n2p113

Comparative Advantage and Trade Specialization of East Asian Countries: Do East Asian Countries Specialize on Product Groups with High Comparative Advantage?

2019· article· en· W2914572245 sur OpenAlexvenueno aff
Eva Ervani, Tri Widodo, Muhammad Edhie Purnawan

Notice bibliographique

RevueInternational Business Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEast AsiaComparative advantageRevealed comparative advantageChinaProduct (mathematics)International tradeCompetitive advantageBusinessGeographyMathematicsMarketing

Résumé

récupéré en direct d'OpenAlex

This paper analyzes whether East Asian countries (Indonesia, China, Japan, Hong Kong, South Korea, and Singapore) specialize on product groups with high comparative advantage. We use the data on the 3-digit SITC Revision 2 for 237 product groups published by the UN-COMTRADE. Firstly, we calculate the Revealed Symmetric Comparative Advantage (RSCA) index to know the product groups with high comparative advantage from each the East Asian countries. Secondly, we calculate the export share to know the trade specialization of product groups from each the East Asian countries. Thirdly, we compare between the product groups included in top-twenty SITC of comparative advantage with top-twenty SITC of trade specialization from each the East Asian countries. This paper concludes that throughout the study periods of 1995, 2005, and 2015, East Asian countries (Indonesia, China, Japan, Hong Kong, South Korea, and Singapore) specialize on product groups with low comparative advantage. It was also found that product classification dominating the comparative advantage and trade specialization of East Asian countries was the technology intensive products classification.

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)0,002
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 enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,042
Tête enseignante GPT0,317
Écart entre enseignants0,274 · 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

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetGlobal Trade and CompetitivenessTravaux en français237 207