The main countries of the world in terms of value exports and imports of fruit and berry products
Notice bibliographique
Résumé
The objective of this research article was to consider the parameters of the value export and import of fruit and berry products in the countries of the world that are among the main ones in these areas of international trade. Based on FAO data, the authors identified twenty countries that were leaders in these indicators by the end of 2023. In order to identify the changes that occurred over a ten-year period for each of the selected countries, a comparison of the indicators was made relative to 2014. In both compared years, the authors calculated the share of these countries in the global export and import of fruit and berry products. Based on the results obtained, two ratings were compiled in tabular form. The authors found that in 2023, the top ten in terms of export of goods of the designated food subgroup included Spain, the Netherlands, the USA, Thailand, China, Chile, Mexico, Italy, Turkey, and Peru. Together, they provided 52.12% of the corresponding global volume. The second ten included South Africa, Belgium, Brazil, Ecuador, Vietnam, Germany, Costa Rica, Poland, France, Egypt. The following ten countries were leaders in imports of fruit and berry products: the USA, China, Germany, the Netherlands, France, Great Britain, Canada, Russia, Japan, Spain. In total, they provided 61.55% of the corresponding global volume. The second ten included Belgium, Italy, Poland, Hong Kong, Vietnam, Austria, the UAE, Saudi Arabia, Mexico, Indonesia. Some of the countries are present in both ratings, since part of the fruit and berry products are sent through them to other countries.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».