A new classification of small island economies based on geography, demography and sovereignty
Notice bibliographique
Résumé
We explore and use correlations (not causations) between geographic and demographic characteristics and current levels of sovereignty in order to propose a new classification of small, island and coastal territories. While previous analyses mostly rely on descriptive statistics between the group of UN-members and subnational jurisdictions, we take advantage of a “formal sovereignty” index developed by Alberti and Goujon (2020) that provides a continuous and multidimensional measure of sovereignty or autonomy for a sample of 100 small island states and coastal/island territories. Huge heterogeneity within such a sample leads us to use a data-driven method of principal component analysis and clustering in order to secure a multidimensional typology of small islands relative to their main geographic and demographic characteristics and their level of sovereignty. The PCA results show that heterogeneity is firstly explained by a combination of geographic and demographic variables, and secondly by sovereignty, associated (positively) with population size and (negatively) with insularity. The clustering analysis leads to divide the 100 territories into four clusters mainly characterized by, respectively: Group 1 (32 territories): high sovereignty associated with a large population; Group 2 (26 territories): high values of latitude and life expectancy (mostly Atlantic and Baltic territories); Group 3 (40 territories): large distance to metropolitan power and high insularity (Pacific Regions); and Group 4: Greenland and Nunavut, two territories with a large land area, high latitude, low populations and large EEZ surface area.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».