Clustering countries of the world according to their business practices in agriculture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The study aims to cluster countries worldwide by business practices in the agrosector to reveal trends and specifics in applying sustainable methods in agrobusiness management. The analysis covers 26 countries from the OECD database as of 2021. The Word and k-means clustering methods are based on General Services Support Estimate indicators from the OECD: share of agricultural knowledge and innovation system, share of inspection and control, share of development and maintenance of infrastructure, share of cost of public stockholding, which has a determining, statistically significant influence on the formation of clusters. The first cluster included three Asian countries; China is the leader (share of agricultural knowledge and innovation system – 6,529.7 million USD, share of inspection and control – 3177.9 million USD, share of development and maintenance of infrastructure – 12,874.7 million USD, share of cost of public stockholding – 14,668.5 million USD). The second cluster comprised six countries, with the USA as the leader (share of agricultural knowledge and innovation system – 2,908.4 million USD, share of inspection and control – 1,298.0 million USD, share of development and maintenance of infrastructure – 2,392.5 million USD). The third cluster has 17 countries, with Canada being singled out (share of inspection and control – 631.8 million USD and share of agricultural knowledge and innovation system – 683.1 million USD). The results indicate the diversity of countries’ approaches to support and develop their agrosector. Advanced Asian countries and the US invest significant resources in innovation, infrastructure development, and quality control, underscoring their commitment to food security, efficiency, and sustainability.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 découle