Notice bibliographique
Résumé
The birth rate in China has declined significantly since the last century, especially in recent years. Low fertility intentions and deferred childbirth were the main contributors to the drop in fertility. Nowadays, the aging problem has become more and more serious in our country. Therefore, raising the birth rate has become the top priority for the government and society. Our research modelled and predicted the fertility rate in China using R. We used the dataset from Health Nutrition and Population Statistics on Databank and selected the historical fertility rate data in China from 1964 to 2021. Firstly, we transformed these data to make the birth rate time series stationary. Then, we applied the ARIMA and the ETS models, respectively and chose the better model to forecast the short-term birth rate in China in the next five years. We found that the ARIMA model was more appropriate for predicting the short-term birth rate in China. As a result, we utilized the ARIMA(0,0,1) model for prediction. We calculated that the growth rate of the birth rate in China from 2022 to 2026 was - 0.117, which demonstrated that the fertility rate in China would decrease constantly at a rate of 0.117 each year over the ensuing five years. If the government of China still did not take any measures to improve the fertility problems, the fertility rate would further decline. Consequently, the fertility rate in China is facing an unprecedented crisis.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».