MétaCan
Menu
Retour à la cohorte
Enregistrement W4292120750 · doi:10.13073/fpj-d-22-00035

An Analysis of U.S. Hardwood Log Exports from 1990 to 2021

2022· article· en· W4292120750 sur OpenAlexaboutno aff
William G. Luppold, Matthew Bumgardner, Michael J. Jacobson

Notice bibliographique

RevueForest Products Journal · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChinaAgricultural economicsValue (mathematics)HardwoodDestinationsGeographyInternational tradeEconomyBusinessEconomicsTourismBiologyBotany

Résumé

récupéré en direct d'OpenAlex

Abstract In 1990, the major destinations for hardwood logs exported by the United Sates were Europe, Canada, and three East Asian markets: Japan, Taiwan, and Korea. From 1990 to 2005, the volume of hardwood logs exported to Canada increased by 402 percent. During this period, another East Asian log market developed, consisting of China, Hong Kong, and Vietnam (CHV). While increased Canadian exports were an apparent result of increased U.S. bilateral trade with Canada, the development of the CHV market was associated with increased U.S. furniture imports from that region. The volume of U.S. log exports worldwide peaked in 2005, and the value of log exports peaked in 2007. Exports to all regions declined in 2009. After 2009, exports to CHV increased and surpassed shipments to Canada in 2014. In the past decade, much of the increase in exports to CHV appears to be the result of demand within China. Recently, these exports have been affected by trade disputes and the COVID-19 pandemic. For most of the study period, the dominant log export species were white oak, red oak, maple, or cherry in terms of value. Since 2018, walnut has become the most important log export species (value basis) as a result of increased shipments to China.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil0,163

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,011
Tête enseignante GPT0,236
Écart entre enseignants0,226 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForest Products JournalMême sujetForest Management and PolicyTravaux en français237 207