Research on the supply risk propagation in the global iron ore trade network
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
Iron ore serves as a critical resource underpinning global industrialization, extensively utilized in steel production and infrastructure development. Amid increasing complexities in the global economic landscape, risks and uncertainties within iron ore supply chains have intensified, particularly under the influence of geopolitical conflicts and trade protectionism. Leveraging 2023 iron ore trade data, this study constructs a global iron ore trade network using complex network theory and develops a cascading failure model to assess systemic vulnerabilities. Key findings include: ⅰ:The iron ore trade system exhibits a centralized structure dominated by China, Australia, and Brazil, resulting in elevated supply risks. Supply disruptions could propagate crises, potentially disrupting supply chains in over 40% of participating nations.ⅱ:Community 1 (China, Australia, Brazil) accounts for 90% of trade volume and demonstrates heightened susceptibility to cascading failures. In contrast, Community 2 (Canada, Germany, South Africa) mitigates crisis propagation through diversified supply strategies. Enhanced cross-community linkages facilitated by nations like India reduce systemic risks. ⅲ:Critical node failures yield disproportionate impacts: Increasing the risk resilience parameter β from 0.2 to 0.4 reduces cascade magnitude by 62%. While Brazilian disruptions trigger extensive spatial propagation, Australia’s export concentration renders downstream industries more vulnerable to paralysis despite narrower geographic impacts. Based on the evaluation results of the global iron ore trade network, relevant suggestions such as developing emerging supply sources and constructing a deduction system were put forward.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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