MétaCan
Menu
Retour à la cohorte
Enregistrement W4398138429 · doi:10.21511/ppm.22(2).2024.27

Clustering countries of the world according to their business practices in agriculture

2024· article· en· W4398138429 sur OpenAlexaboutno aff
Olena Dobrovolska, Knut Schmidtke, П. В. Ластовченко, Olga Odnoshevna, Олександр Ткаченко

Notice bibliographique

RevueProblems and Perspectives in Management · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Business Development Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCluster analysisAgricultureBusinessAgricultural economicsEconomicsComputer scienceGeographyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0090,013
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,250
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProblems and Perspectives in ManagementMême sujetEconomic and Business Development StrategiesTravaux en français237 207