Degree Of Social And Economic Differentiation Of Regions Of Russia
Notice bibliographique
Résumé
Digitalization of the economy, increasing the efficiency of management of socio-economic systems, in turn, makes them more demanding. This is especially true for the level of differentiation of the main macroeconomic characteristics of the country's regions, since only in the case of their unification can a single digital space of Russia be formed. Using econometric methods, the article assesses the degree of differentiation of the average per capita GRP of the Russian regions and compares the coefficient of variation of this indicator with a similar indicator characteristic of the largest and most developed countries. As a result, it was found that the level of interregional differentiation of per capita GRP in Russia significantly exceeds similar indicators in all countries included in the study - Canada, USA, China, Brazil, Australia. It should be noted that interregional differentiation of the level of socio-economic development is characteristic of all large countries, which is due to the territorial variation of macroeconomic and natural-climatic characteristics. However, in Russia this process is becoming disastrous, which is due to the fact that the country's economy is still oriented towards the extensive exploitation of natural resources. Thus, the digitalization of the economy should become an important tool to reduce the level of socio-economic differentiation of the regions of the Russian Federation, since it involves the creation of a large number of highly paid jobs and the predominant use of intellectual capital.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».