MétaCan
Menu
Retour à la cohorte
Enregistrement W4409446183 · doi:10.37908/mkutbd.1560294

Türkiye’s peach and nectarine exports: An empirical analysis with normalized revealed comparative advantage (NRCA) indexes

2025· article· en· W4409446183 sur OpenAlexaboutno aff
Muhammed Fatih Aydemir

Notice bibliographique

RevueMustafa Kemal Üniversitesi Tarım Bilimleri Dergisi · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomics

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to examine the competitiveness of Türkiye in peach and nectarine exports through the use of normalized revealed comparative advantage (NRCA) indexes, encompassing cross-product group, cross-country, and cross-period comparisons. For this purpose, calculations were made based on HS-6 coded peach and nectarine, apricot, cherry, sour cherry and plum foreign trade data of Türkiye, Spain, the USA, Chile, Italy and Greece for 2001-2023. The study indicates that Türkiye's comparative advantage in peaches and nectarines increased significantly after 2016. The cross-product group comparison indicates that Türkiye has a competitive advantage in peaches and nectarines relative to other stone fruit exports, including apricots, cherries, and plums. However, especially in recent years, Türkiye has been at a comparative disadvantage in peach and nectarine exports relative to cherries. Regarding cross-country comparison, Türkiye has a comparative advantage over other major peach and nectarine exporters (Italy, Chile, USA and Greece). On the other hand, Türkiye has a comparative disadvantage compared to Spain, the world's largest exporter of peaches and nectarines. In terms of periodic comparison results, Türkiye has increased its competitiveness during the analysis period compared to previous years. To maintain and stabilize competitiveness, more exports are needed to different markets, particularly Canada, Mexico, Switzerland, the United Kingdom, Belgium, Germany and Saudi Arabia.

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)0,002
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 enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,264
Écart entre enseignants0,245 · 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMustafa Kemal Üniversitesi Tarım Bilimleri DergisiMême sujetGlobal Trade and CompetitivenessTravaux en français237 207