MétaCan
Menu
Retour à la cohorte
Enregistrement W2619644040 · doi:10.30908/bilp.v3i2.179

PENGEMBANGAN EKSPOR PRODUK KOMPONEN OTOMOTIF BERBAHAN BAKU KARET

2009· article· id· W2619644040 sur OpenAlexaboutno aff
Reni Kristina Arianti

Notice bibliographique

RevueBuletin Ilmiah Litbang Perdagangan · 2009
Typearticle
Langueid
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAutomotive industryNatural rubberBusinessCommerceGovernment (linguistics)Per capitaProduct (mathematics)Raw materialAgricultural economicsInternational tradeEngineeringEconomicsChemistryMathematicsPopulation

Résumé

récupéré en direct d'OpenAlex

The big potential of natural rubber as a raw material of rubber goods industry encourages the Government of Indonesia initiated as rubber goods manufacturers leading the world. Industrial rubber goods in question one is wood-fired industrial rubber automotive components. Results of the study indicate that products automotive components made of rubber from Indonesia have not been developed. This is reflected from (i) the market share of the world's only 0.23; (ii) competitiveness in export markets is still relatively low, (iii) the degree of diversification of products and markets are still relatively low, (iv) export is not sensitive to changes in market share, and (v) a low per capita exports. In addition, automotive components made of rubber from Indonesia had positive prospects on two things, namely, (i) there are 3 excellent products, 5 products a priority, and 3 potential products, and (ii) the performance of export products was generally both Indonesia cabaret venue in the country of Japan, Malaysia, Thailand, Viet nam, the United States and Canada. Indonesia's automotive components industry made of rubber has not got special attention from the Government through policy and its development.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,292
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,011

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,218
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBuletin Ilmiah Litbang PerdaganganMême sujetGlobal Trade and CompetitivenessTravaux en français237 207