Synergetic Development Measure of Airport Groups Composite System and Its Influencing Factors Analysis: Some Evidence from China
Notice bibliographique
Résumé
Whether airport groups develop synergistically has become a concern for the aviation industry. Existing studies have neglected the dynamic comprehensive evaluation and analysis of influencing factors of synergy degree. Taking the synergistic development of airport groups as the research perspective, we integrate the dynamic comprehensive evaluation model into the traditional synergy model. From two dimensions of airport development and regional economy, we measured the static synergy degree of the Chengdu-Chongqing airport group and the dynamic synergetic development degree on the overall time series. Further, using a spatial econometric model, we construct a distance economy-nested spatial weight matrix so as to explore the influence of each indicator on the synergy degree of the composite system. The results show that the overall synergy of the Chengdu-Chongqing airport group is above 0.5 in terms of static synergy degree. The clustering spectrum shows that the Chengdu-Chongqing airport group can be divided into three categories and basically forms the characteristic of “two main and multiple auxiliary airports.” In terms of dynamic synergetic development degree and comprehensive evaluation value, the change speed of synergy degree is relatively smooth in the early stage and fluctuates in the later stage, and the overall dynamic evaluation value of the Chongqing regional airports is high. The effects of the explanatory variables of the airport group composite system on the synergy degree show more direct effects than spillover effects, and the direct effects are all positive feedback effects, while the negative spillover effects of the explanatory variables cannot be ignored.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».