Local Government Forestry Expenditure and Forest Land Cover: A Preliminary Lesson from Decentralized Indonesia
Notice bibliographique
Résumé
Even though government of Indonesia invests billions of rupiah to tackle deforestation, its effectiveness has been questionable. This study analyses changes in rates of forest cover in Indonesia and their association with forestry expenditures (FE) spent by the provincial governments. Based on 2007 to 2010 data, linear multiple regression results indicate that FE is not enough to tackle the negative change in forest land cover that could represent deforestation. Moreover, it was found that FE have negative association with forest land cover and therefore, can be associated to deforestation. This negative association remains when other factors that affect forest land cover such as wood extraction, agriculture outcome, forestry outcome, population growth and population density and initial environmental conditions have been controlled.AbstrakWalaupun pemerintah Indonesia telah menginvestasikan trilyunan rupiah untuk mengurangi deforestasi, akan tetapi efektifitasnya dipertanyakan. Penelitian ini menganalisa tingkat perubahan luasan tutupan hutan di Indonesia and asosiasinya dengan Pengeluaran Sektor Kehutanan (PSK) yang dibelanjakan oleh pemerintah provinsi. Berdasar data tahun 2007 sampai 2010, hasil regresi multiple linier mengindikasikan bahwa PSK tidak cukup untuk mengurangi akibat negatif dalam perubahan hutan dan lahan yang dapat mngakibatkan deforestasi. Lebih lanjut, ditemukan bahwa PSK berhubungan erat pengurangan luasan hutan, yang dapat dikaitkan dengan deforestasi. Asososiasi yang negatif ini tetap terjadi walaupun faktor lain yang memengaruhi tutupan hutan seperti penebangan kayu, hasil pertanian, hasil kehutanan, pertumbuhan populasi dan kepadatan populasi dan kondisi awal lingkungan telah dikontrol.Kata kunci: Deforestasi, Hutan Tropis; Populasi Penduduk; Tutupan Hutan; Pengeluaran untuk Reboisasi HutanJEL classifications: E62; Q58; H76
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».