Analysis of the Spatial Pattern and Structure of the Global Cross-Border Logistics Network
Notice bibliographique
Résumé
Under the background of fierce competition in global cross-border e-commerce, cross-border logistics has become the most important and weakest link in the whole industrial chain. Based on data mining and tracking of 357 cross-border logistics channels and 380 million waybills, this paper constructs a global cross-border logistics network with 213 countries and regions as nodes, and conducts network analysis and geographical interpretation. The results show that: (1) At present, the global cross-border logistics development has become more mature, and its overall spatial pattern presents a hub-and-spoke structure with China as the outflow core and the US as the inflow core. The connections between nodes are imbalanced, and for most countries and regions, inbound flows exceed outbound flows. (2) The global core hubs are China, the United States, the United Kingdom and Hong Kong SAR, China, followed by Germany, France, Canada and India. (3) The entire network is highly connected, showing an obvious core-edge layer structure, without obvious small groups. (4) The core circle layer is China and the United States, while the half-edge circle layer and the edge circle layer contain 85 and 126 countries and regions, respectively. The overall flow direction between the circles presents a diffusion state from the inside to the outside. The long-tail effect is significant, and the regionalization degree of the edge circle is higher than that of globalization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».