GROSS REGIONAL DOMESTIC PRODUCT FORECASTS USING TREND ANALYSIS: CASE STUDY OF BANGKA BELITUNG PROVINCE
Notice bibliographique
Résumé
Gross Regional Domestic Product (GRDP) is one of the important indicators to determine the economic conditions in the region. This study aims to forecast the Gross Regional Domestic Product (GRDP) of the Province of Bangka Belitung Islands which is dominated by tourism sector. This forecasting to be expected to give information to formulate a type of policy action that will be conducted by decision makers based on GRDP data. GRDP data are from the first quarter of 2010 to the fourth quarter of 2017 on the basis of constant prices in 2010. Data sources are obtained from Central Bureau of Statistics (BPS) of the Province of Bangka Belitung Islands. The forecasting method used is the research is trend analysis. The results of the GRDP forecasting of Bangka Belitung Province in the first quarter of 2018 to the fourth quarter of 2022 shows an increasing trend. It can be seen from historical data that shows an increasing trend as evidenced from the graph on linear trends. The increasing trend in GRDP of the Bangka Belitung Islands Province for the next five years is supported by government policies that prioritize the tourism sector. Consequently, by prioritizing the tourism sector, this will increase economic growth and can reduce GRDP dependency on mining sector, especially tin that has been continuously decreased.
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 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».