MétaCan
Menu
Retour à la cohorte
Enregistrement W4214926465 · doi:10.3390/ijerph19052911

Impact of Dairy Imports on Raw Milk Production Technology Progress in China

2022· article· en· W4214926465 sur OpenAlexaboutno aff
Yuhang Bai, Li Li, Fengting Wang, Lizhong Zhang, Lichun Xiong

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChinaRaw materialProduction (economics)BusinessRaw milkProduct (mathematics)Technological changeAgricultural economicsScale (ratio)Index (typography)Dairy industryAgricultural scienceEconomicsEnvironmental scienceFood scienceGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

China's dairy product import volume and output continue to grow rapidly, and to a certain extent, it will form a substitute for the Chinese dairy market. Therefore, it is necessary to study the impact of the import of dairy products on the technological progress of raw milk production in China. Using the data from 2005 to 2017, this paper uses the DEA model and the input-output model to analyze the impact of China's dairy product imports on the technological progress of raw milk production. The model results show that: (1) there are differences in the technological content of dairy products from different importing countries; (2) The total technological content of imported dairy products hinders the improvement of the technological progress index of small, medium and large-scale production of raw milk in China, and has the most prominent negative impact on the technological progress of large-scale raw milk production in China; (3) The technological content of dairy products imports from New Zealand, Australia, Germany, the Netherlands and other countries can help improve the technological progress index of China's moderate-scale production of raw milk, while importing countries from the United States, Canada and other countries hinder it.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,018
Score d'incertitude au seuil0,681

Scores Codex et Gemma par catégorie

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

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 Opus0,044
Tête enseignante GPT0,327
Écart entre enseignants0,283 · 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 tête enseignante, 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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetEnergy, Environment, Economic GrowthTravaux en français237 207