Analysis of factors influencing the electricity (capacity) price growth in the energy market of the Siberian Federal District
Notice bibliographique
Résumé
One of the main competitive advantages of the Russian Federation in the industrial products world markets is the relatively low prices for electricity sold on the domestic market for the industry sectors. Low electricity prices for energy-intensive industrial sectors, such as ferrous and non-ferrous metallurgy, mining, oil extraction and refining, etc., allow Russian economy to occupy a dominant position in various areas of world markets, and industries are able to maintain financial stability indicators and finance modernization and technical re-equipment programs. In the fourth quarter of 2021 and the first quarter of 2022, on the territory of the Siberian United Energy System, which includes consumers of the Siberian Federal District, an increase in prices for electricity supplied to end consumers, primarily industry, was revealed. In March 2022, the increase in electricity prices compared to the same period of the previous year, in the Krasnoyarsk Krai was 18.2 %, in the Republic of Khakassia – 13.1 %. In other regions of Russia over the specified period, the increase in final electricity prices for industry averaged 2.6 %. Thus, the empirical analysis carried out in the article revealed that electricity prices in the regions of the Siberian Federal District actually began to approach the average electricity prices in other federal districts of Russia.
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 | 0,001 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».