Quantitative Measurement of Differential Efficiency of Digital Transformation on International Trade of Developing Countries Based on DEA Modeling
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
This paper measures the international trade efficiency of developing countries based on the data envelopment analysis (DEA) model, and explores the impact of digital transformation on trade efficiency differentiation using regression analysis.Relevant data of 19 developing countries, including China, are selected, and the trade efficiency at each stage is calculated separately using the three-stage DEA model in this paper.The regression model is constructed to quantitatively analyze the impact of digital transformation in the differentiation of trade efficiency of developing countries.From 2011 to 2020, the trade efficiency of each developing country shows a wave-like upward trend, and the average value of the comprehensive average efficiency in the third stage is 0.728, but only China, Peru and Colombia have a higher than average level of trade efficiency, which intuitively demonstrates the trade efficiency differentiation of developing countries.Differentiation.The overall regression results show that the elasticity coefficient of digital transformation on the international trade efficiency gap is -0.274, indicating that digital transformation has a greater effect on narrowing the trade efficiency gap than widening it.And in the subregional regression, the elasticity coefficient of digital transformation in Asia is 1.398, and the elasticity coefficients in Africa and Latin America regions are -0.953 and -0.603 respectively, and the digital transformation has significantly different impacts on trade efficiency differentiation in different regions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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