ANALYSIS OF EASE OF DOING BUSINESS PERFORMANCE OF G20 GROUP COUNTRIES: AN APPLICATION WITH STANDARD DEVIATION BASED ARAS METHOD
Bibliographic record
Abstract
Özellikle büyük ekonomilere sahip olan ülkelerin iş yapma kolaylığı (İYK) stratejileri ile faaliyetleri küresel ekonomiyi, ticareti, istihdamı ve ekonomi ile ilişkili olan diğer boyutları etkilemektedir. Dolayısıyla büyük ekonomilere sahip olan ülkelerin İYK performanslarının ölçümü büyük önem arz etmektedir. Bu bağlamda çalışmada, G20 grubunda yer 19 ülkenin en son ve güncel olan 2020 yılı için İş Yapma Kolaylığı Endeksi (Easy of Doing Business Index – EDBI) bileşen değerleri üzerinden söz konusu ülkelerin iş yapma kolaylığı (İYK) performansları SD (Standart Sapma) tabanlı ARAS yöntemi ile ölçülmüştür. Araştırmada ilk olarak SD yöntemi ile ülkelere göre en önemli EDBI bileşeninin ‘‘iflasın çözülmesi’’ olarak belirlenmiştir. İkinci olarak SD tabanlı ARAS yöntemi ile İYK performansı en fazla olan ilk üç ülkenin ABD, Güney Kore ve İngiltere, son üç ülkenin ise Arjantin, Brezilya ve Suudi Arabistan olduğu tespit edilmiştir. Araştırmada ayrıca ülkelerin ortalama İYK performans değerleri ölçülmüş olup, ortalama İYK performans değerinden fazla olan ülkelerin ABD, Güney Kore, İngiltere, Avustralya, Almanya, Kanada, Japonya, Rusya, Çin ve Fransa olduğu tespit edilmiştir. Bu sonuca göre, ortalama İYK performansın altında kalan ülkelerin küresel ekonomiye katkılarını artırmaları için İYK performanslarını artırmaları gerektiği değerlendirilmiştir. Araştırmada ayrıca yöntem açısından duyarlılık, ayırım ve korelâsyon analizlerine göre EDBI’nın SD tabanlı ARAS yöntemi ile açıklanabileceği sonucuna ulaşılmıştır.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".