MétaCan
Menu
Retour à la cohorte
Enregistrement W4281623160 · doi:10.3390/foods11111570

Impact of Extreme Weather Disasters on China’s Barley Industry under the Background of Trade Friction—Based on the Partial Equilibrium Model

2022· article· en· W4281623160 sur OpenAlexaboutno aff
Jingyi Liu, Xiande Li

Notice bibliographique

RevueFoods · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensnon disponible
Organismes subventionnairesAgricultural Science and Technology Innovation Program
Mots-clésChinaContext (archaeology)Extreme weatherProduction (economics)Natural resource economicsInternational tradeEconomicsBusinessAgricultural economicsGeographyClimate changeBiologyEcology

Résumé

récupéré en direct d'OpenAlex

The world has entered a compound risk era with multiple crises, and the adverse impact of trade friction and extreme weather disasters on China's barley import has become increasingly prominent. In this context, this study uses superimposed epoch analysis and partial equilibrium model to evaluate the impact of extreme weather disasters in China's major barley-exporting countries on China's barley industry in the course of China-Australia trade friction. The results show that: (1) extreme weather disaster caused barley production in France and Canada to decrease by 7.95% and 18.36% respectively; (2) when the two external shocks occur at the same time, China's barley import volume tends to decline compared with the basic scenario, the import price rises sharply, there are certain trade-diverting effects in barley import, and China's imports from countries not affected by extreme weather disasters will increase to a certain extent; (3) China's barley production remains at a low rate of growth and is vulnerable to external shocks, facing certain import risks. This study provides important policy implications for preventing import risks and ensuring the sufficient supply of domestic barley.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,929
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,113
Tête enseignante GPT0,285
Écart entre enseignants0,172 · 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.

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

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFoodsMême sujetClimate change impacts on agricultureTravaux en français237 207