MétaCan
Menu
Back to cohort
Record W7070194062

Piccoli importatori crescono

2012· article· it· W7070194062 on OpenAlexaboutno aff

Bibliographic record

VenueResearch Padua Archive (University of Padua) · 2012
Typearticle
Languageit
FieldDecision Sciences
TopicScientific Computing and Data Management
Canadian institutionsnot available
Fundersnot available
KeywordsWork (physics)Metropolitan areaRail transportation
DOInot available

Abstract

fetched live from OpenAlex

Il vino è stato a lungo uno dei prodotti alimentari più scambiato al mondo (Sphani, 2000; Rabobank, 2003). Dal 1980 il commercio internazionale del vino è risultato in continua rapida espansione, nonostante occasionali battute d'arresto. La crescita del commercio è stata sostenuta dall’aumento della domanda mondiale e accompagnata da importanti cambiamenti nella geografia della produzione e del consumo (Pomarici, 2005; Cesaretti et al., 2006; Cusmano et al., 2010; Hannin et al., 2010; Anderson 2011).\nI maggiori cambiamenti nella struttura dei flussi sono stati in termini di: i) posizione relativa degli esportatori, con un aumento della quota di mercato dei produttori non europei (tendenza che sembra invertirsi dal 2010), ii) dimensioni e dinamiche dei mercati, con un aumento significativo del numero di paesi importatori; iii) quota relativa delle diverse categorie di vino (imbottigliati e sfusi) (OIV, 2012). In particolare, negli ultimi anni alcuni paesi con ampia popolazione in cui l’economia ha fatto registrare significativi tassi di crescita, in passato interessati marginalmente all’importazione del vino, hanno iniziato ad assumere un ruolo di notevole importanza nel mercato (Banks et al., 2010; Mariani et al., 2011).\nQuesto lavoro analizza i cambiamenti nel commercio internazionale del vino nel periodo dal 2004 al 2011, concentrando l’attenzione sulla dinamica dei paesi piccoli importatori e le performance competitive dei fornitori di tali mercati.\n\nNell’analisi sono considerate le importazioni in valore (€) e volume delle tre categorie di vino identificate, secondo la codifica del sistema armonizzato (HS), con i codici a sei cifre. Queste categorie, utilizzate da tutti i paesi che partecipano al commercio internazionale per registrate i flussi in entrata e in uscita, sono:\ni)\til codice 220421, vini non spumanti in recipienti di capacità inferiore o uguale a 2 litri (di seguito: vini imbottigliati);\nii)\til codice 220429, vini non spumanti in recipienti di capacità superiore a 2 litri (di seguito: vini sfusi);\niii)\til codice 220410, spumanti.\nLa fonte dei dati è il Global Trade Information Services (GTI). Questa banca dati fornisce i flussi di importazioni e esportazioni di 83 paesi (paesi dichiaranti), che sono i principali anche se non tutti quelli coinvolti nel commercio del vino (come importatori o esportatori). Le importazioni totali (mondiali) di vini sono ottenute come somma dei valori o le quantità delle importazioni dei suddetti tre codici per i paesi presenti nel database GTI.\nIl lavoro è stato articolato in tre fasi. \nNella prima, le importazioni mondiali di vino (tutti i vini e le singole categorie) sono state disaggregate considerando cinque gruppi di paesi, definiti in base al loro ruolo nel mercato internazionale, di cui due gruppi sono esportatori netti e gli altri tre importatori netti:\n1)\ti Paesi del Mediterraneo produttori ed esportatori\n2)\tAltri esportatori rilevanti\n3)\ti grandi Paesi importatori: i tre paesi storicamente principale destinazione delle esportazioni di vino (Germania, Regno Unito e USA);\n4)\ti Paesi importatori piccoli tradizionali: 12 paesi, che rappresentano mete consolidate per le esportazioni di vino, ben noti agli esportatori (Austria, Belgio e Lussemburgo, Canada, Danimarca, Finlandia, Giappone, Irlanda, Norvegia, Paesi Bassi, Svezia e Svizzera).\n5)\ti Paesi importatori piccoli non tradizionali: i rimanenti 58 paesi presenti nel data base\nNella seconda fase, i piccoli importatori (tradizionali e non) sono stati classificati in base al loro tasso di crescita delle importazioni.\nNella terza fase, per i paesi piccoli importatori tradizionali e per il sottogruppo di quelli non tradizionali con maggiori potenzialità di sviluppo, è stata analizzata la posizione competitiva dei fornitori.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.022
metaresearch head score (Gemma)0.003
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: Not applicable
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.489
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0220.003
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0020.003
Science and technology studies0.0020.002
Scholarly communication0.0000.001
Open science0.0040.005
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0040.004

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 head0.275
GPT teacher head0.417
Teacher spread0.142 · 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; both teacher heads agree on what is shown here.

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
Published2012
Admission routes1
Has abstractyes

Explore more

Same venueResearch Padua Archive (University of Padua)Same topicScientific Computing and Data ManagementFrench-language works237,207