Leading countries in positive and negative balance of foreign trade in fruit and berry products
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
In this scientific article, the authors set the goal of identifying the countries that were leaders in terms of positive and negative balances of their foreign trade in fruit and berry products. To achieve this, we determined the difference between the value of exports and imports of goods of this food subgroup for all economies of the world presented in the FAO database for 2014 and 2023. After these author's calculations, twenty countries were selected that were among the top twenty in 2023 for both positive and negative balances. To identify changes that occurred over a ten-year period for each of the selected economies, a comparison of indicators was made relative to 2014. In both compared years, the authors calculated the share of these countries, respectively, in the global positive and negative balance of international turnover of fruit and berry products. Based on the results obtained, two ratings were compiled in tabular form. It was revealed that in 2023, the top ten included Spain, Chile, Thailand, Mexico, Peru, Turkey, South Africa, Ecuador, Brazil, and Costa Rica. Together, they provided 70.10% of the corresponding global positive balance. In the second, the top ten included the following: the United States, China, Germany, Great Britain, Russia, France, Canada, Japan, Switzerland, and Hong Kong. Together, they provided 76.08% of the global negative balance of international turnover of fruit and berry products.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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