MétaCan
Menu
Back to cohort

ВИЗНАЧЕННЯ КОНКУРЕНТОСПРОМОЖНОСТІ ТА ІНВЕСТИЦІЙНОЇ ПРИВАБЛИВОСТІ РЕГІОНІВ

2024· article· uk· W4391467542 on OpenAlexaff
Наталія Кондратенко, Людмила Коваленко, Орхан Халіл-заде Халіл

Bibliographic record

VenueНаука і техніка сьогодні · 2024
Typearticle
Languageuk
FieldEngineering
TopicMilitary Technology and Strategies
Canadian institutionsTransport Canada
Fundersnot available
KeywordsPolitical science

Abstract

fetched live from OpenAlex

ВИЗНАЧЕННЯ КОНКУРЕНТОСПРОМОЖНОСТІ ТА ІНВЕСТИЦІЙНОЇ ПРИВАБЛИВОСТІ РЕГІОНІВАнотація.Доведено, що розвиток регіонів здійснюють вплив широке коло факторів, взаємодія яких за останні роки визначається або тенденціями уповільнення, або зниженням їх значення.На недостатньому рівні застосовуються інструментарій математичного моделювання для формування кількісної основи прийняття обґрунтованих рішень.На забезпечення регіонального розвитку впливає рівень конкурентоспроможності та інвестиційної привабливості.Поряд з цим, відсутні єдині підходи до їх визначення, що потребує розробки та відповідного удосконалення.Досягнута мета щодо розробки та реалізації теоретико-методичних підходів до визначення конкурентоспроможності й інвестиційної привабливості регіонів для формування кількісної основи їх розвитку.Для досягнення поставленої мети вирішені завдання: розробка та реалізація теоретико-методичного підходу до визначення конкурентоспроможності № 1(29) 2024 312 регіонів; формування та використання положень підходів до оцінки інвестиційної привабливості регіонів.Удосконалено теоретико-методичний підхід до оцінки рівня конкурентоспроможності регіонів, який базується на трансформованій моделі за методикою ЕС та використанні критерію, що визначає рівень позитивного впливу зовнішніх й внутрішніх чинників, подолання наслідків агресії РФ, що дозволило встановити напрями забезпечення регіонального розвитку.Розроблено методичний підхід до оцінки інвестиційної привабливості регіонів, який базується на сукупності методів і моделей інтегральної оцінки, що надало можливості для здійснення економіко-математичного моделювання та прогнозування регіонального розвитку.У результаті дослідження встановлено, що у сучасних умовах низьким рівнем конкурентоспроможності характеризуються регіони: Донецький, Луганський, Херсонський.Це обумовлено негативним впливом зовнішніх і внутрішніх чинників, наслідків агресії РФ.Несуттєвим рівнем конкурентоспроможності регіонів характеризуються Волинський та Чернігівський регіони.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.003
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.014
Threshold uncertainty score0.047

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.003
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.001
Science and technology studies0.0020.004
Scholarly communication0.0060.002
Open science0.0000.001
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0140.006

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.

Opus teacher head0.008
GPT teacher head0.212
Teacher spread0.204 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2024
Admission routes1
Has abstractno

Explore more

Same venueНаука і техніка сьогодніSame topicMilitary Technology and StrategiesFrench-language works237,207