Gemiddelde inkomens sierteeltbedrijven afgelopen 5 jaar voor de coronacrisis
Notice bibliographique
Résumé
InleidingDe coronacrisis heeft forse gevolgen voor de Nederlandse economie.Ook land-en tuinbouwbedrijven ontkomen niet aan de gevolgen van deze crisis.Door de maatregelen die nodig zijn om de volksgezondheid te beschermen, is er een ernstige marktverstoring in een aantal sectoren.Er zijn logistieke problemen in de afzet en vooral ook de internationale afzet wordt belemmerd.Dit leidt tot dalingen van opbrengsten en inkomens van bedrijven en mogelijk ook tot faillissementen.Wageningen Economic Research is door het ministerie van LNV gevraagd om inzage te geven in de gemiddelde inkomens van sierteeltbedrijven over de afgelopen 5 jaar.Zo mogelijk ook inzage geven in vermogenspositie en spreiding naar bedrijfsomvang. WerkwijzeTot de sierteelt worden de volgende bedrijfstypen gerekend: snijbloemenbedrijven, pot-en perkplantenbedrijven, bloembollenbedrijven en boomkwekerijbedrijven.Voor deze 4 bedrijfstypen zijn de volgende overzichten bijgevoegd:• Bedrijfsresultaten per bedrijfstype, gemiddelde per jaar, laatste 3 jaar: 2017-2019 (raming).• Enkele balansgegevens per bedrijfstype, gemiddelde per einde boekjaar, van 2015-2018.• Bedrijfsresultaten per bedrijfstype, gemiddelde per jaar, van 3 van 5 jaren van 2015 tot en met 2019 (raming) (olympische methode, dat wil zeggen zonder jaren met laagste en hoogste resultaten).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,171 | 0,029 |
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 source (Gemma direct ou Codex distillé), 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 ».