MétaCan
Menu
Retour à la cohorte
Enregistrement W3113610764 · doi:10.5430/ijfr.v12n1p137

Management of the Process of Formation of Financial and Credit Infrastructure to Support Agricultural Enterprises

2020· article· en· W3113610764 sur OpenAlexvenueno aff
Kateryna Andriushchenko, Vitalii Tkachuk, Vitalii Lavruk, Vita Kovtun, Олександр Дацій, Ganna Ortina, Helena Petukhova

Notice bibliographique

RevueInternational Journal of Financial Research · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Development and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgricultureBusinessFinanceOrder (exchange)Production (economics)Agricultural productivityWorking capitalCapital (architecture)Fixed assetIndustrial organizationEconomics

Résumé

récupéré en direct d'OpenAlex

The paper deals with the composition and functions of the financial and credit infrastructure of agricultural enterprises, the necessity of development of its institutes is substantiated. The development of financial and credit infrastructure is a vital part of any developed agricultural sector. Due to the length of the production cycle, the seasonality of production and the associated nature of the formation of costs and stocks, agricultural enterprises lack sources for continuous financing. The use of borrowed capital allows you to significantly expand the volume of economic activities of the enterprise, ensure a more efficient use of its own funds, and accelerate the renewal of fixed assets. In order to attract resources and, consequently, to invest in the agricultural sector, it is extremely important to strengthen both agriculture and the financial sector. This requires a coherent strategy with consistent regulation and policies that meet the needs of the sectors and correspond to the real capabilities of all actors in both sectors. The paper proposes a methodology for calculating the integral indicator of the efficiency of participation of all economic entities and financial and credit infrastructure of agricultural enterprises.

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)0,004
score de la tête « metaresearch » (Gemma)0,006
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,001
Communication savante0,0050,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,030
Tête enseignante GPT0,310
Écart entre enseignants0,280 · 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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetAgricultural Development and PoliciesTravaux en français237 207