Global mineral fertilizer market analysis.
Notice bibliographique
Résumé
The article presents an analysis of trends in the dynamics and structure of demand, supply, foreign trade, development factors of the world mineral fertilizer market: nitrogen, phosphate and potash segments. There have been identified the market trend of growing demand for mineral fertilizers, which has increased 6 times since 1961, the fact being connected with the population growth. A model of the correlation between the fertilizers demand growth and arable land scale shows the following correlation: when arable land scale increases by 1%, fertilizer consumption grows by 0.7%, with the determination of 50%. The calculation of changes in using fertilizers in terms of cutting down the arable land area under crops in the Russian Federation compared to the USSR using this model has revealed the fertilizer underutilization which is equal to the half of the amount that could be applied on average in Russia today. Production approached the regions of consumption and was relocated from the developed countries to developing ones. The largest dealers in the world market in 2017 were China, Russia, India, the USA, Canada, Brazil, and market concentration is quite high, especially in the potash segment. The dependence on foreign trade of both exporting and importing countries is high. Analysis of the specific market condition factors showed that the countries with the highest cereal yields in the world do not coincide with the largest fertilizer consumers. Since the cereal yields and the level of using fertilizers per hectare of arable land in the largest mineral fertilizers consuming countries are not directly correlated, the countries aiming to increase yields are less likely to achieve it by increasing their aggregate fertilizer consumption, but using other yields rising methods
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 | 0,000 |
| 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) | 0,001 | 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 ».