Research on resource allocation optimization based on multilevel model in green economy driven by data elements
Notice bibliographique
Résumé
Green economy is an important factor to measure the quality of economic development.In order to explore the current green economy resource allocation, this paper embeds methods such as DEA-Malmquist model and Tobit regression model into the study of green economy resource allocation, explores the green economy resource allocation efficiency of 30 provinces in China by constructing a multilevel model of green economy resource allocation, and analyzes China's green economy during the period of 2021-2023 through the results of the measurement of the Static, dynamic and level changes of resource allocation efficiency.Tobit regression analysis of the influencing factors of green economy resource allocation efficiency is carried out to optimize the current resource allocation based on the influencing factors.The green economy resource allocation efficiency increases year by year in 2021-2023, and the resource allocation effect improves continuously, with the mean value of the comprehensive efficiency of 0.712, 0.762, and 0.809, respectively.The green economy resource allocation efficiency in Beijing, Shanghai, Jiangsu, and Zhejiang is the highest, and the allocation structure is the most reasonable.Chongqing, Gansu, Qinghai, Ningxia and Xinjiang are less efficient in green economy resource allocation.The per capita GDP and the ratio of education expenditure to GDP have a positive impact on the effect of green economy resource allocation, with an impact of 1.246 and 0.489, respectively.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».