Gemiddelde inkomens sierteeltbedrijven afgelopen 5 jaar voor de coronacrisis
Bibliographic record
Abstract
InleidingDe coronacrisis heeft forse gevolgen voor de Nederlandse economie.Ook land-en tuinbouwbedrijven ontkomen niet aan de gevolgen van deze crisis.Door de maatregelen die nodig zijn om de volksgezondheid te beschermen, is er een ernstige marktverstoring in een aantal sectoren.Er zijn logistieke problemen in de afzet en vooral ook de internationale afzet wordt belemmerd.Dit leidt tot dalingen van opbrengsten en inkomens van bedrijven en mogelijk ook tot faillissementen.Wageningen Economic Research is door het ministerie van LNV gevraagd om inzage te geven in de gemiddelde inkomens van sierteeltbedrijven over de afgelopen 5 jaar.Zo mogelijk ook inzage geven in vermogenspositie en spreiding naar bedrijfsomvang. WerkwijzeTot de sierteelt worden de volgende bedrijfstypen gerekend: snijbloemenbedrijven, pot-en perkplantenbedrijven, bloembollenbedrijven en boomkwekerijbedrijven.Voor deze 4 bedrijfstypen zijn de volgende overzichten bijgevoegd:• Bedrijfsresultaten per bedrijfstype, gemiddelde per jaar, laatste 3 jaar: 2017-2019 (raming).• Enkele balansgegevens per bedrijfstype, gemiddelde per einde boekjaar, van 2015-2018.• Bedrijfsresultaten per bedrijfstype, gemiddelde per jaar, van 3 van 5 jaren van 2015 tot en met 2019 (raming) (olympische methode, dat wil zeggen zonder jaren met laagste en hoogste resultaten).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.171 | 0.029 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".