Evaluation and prediction of high-quality development in China: A time-spatial analysis from Hubei province
Notice bibliographique
Résumé
High-quality sustainable development is the common goal pursued by all countries in the world. China’s high-quality development (HQD) includes five concepts of “innovation, coordination, green, opening-up, and sharing”. In this context, we established an evaluation system that included these five fundamental characteristics, used the comprehensive entropy method and BP neural network to evaluate and predict the high-quality development of Hubei Province in China, and conducted a spatiotemporal deductive analysis. The study found that: 1) Economic growth still has an important impact on HQD, for all the five main indicators, “opening-up” and “innovation” have the highest impact weights, which are 0.379 and 0.278, respectively, while the proportions of coordination and sharing are both less than 0.1. 2) There are huge differences in the level of high-quality development between regions in Hubei Province. From 2010 to 2020, the average comprehensive index of Wuhan City was greater than 0.5, which is 7 times that of the second Xiangyang City, and 46 times that of the last Shennongjia district. 3) In the past few years, the overall high-quality development of Hubei Province has shown a fluctuating upward trend. However, due to the impact of COVID-19, during the following years, its comprehensive development index will decline by an average of 5% annually, but starting from 2022, it will gradually increase. As a result, tailored and coordinated sustainable environmental policies of integrating institutional and open-market measures should be provided.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».