Does the Covid-19 Outbreak Impacts On Economic Growth? An Evidence from Indonesia
Notice bibliographique
Résumé
This study aims to analyze the effectS of the COVID-19 pandemic, labor, domestic direct investment (DDI), AND foreign direct investment (FDI) on economic growth in Indonesia. The type of data used in this study is panel data, which is a combination of cross-section and THE time series data (Silvia, 2020). The cross-section data involves 34 provinces and time-series data covers the period from the first quarter of 2018 to the second quarter of 2021. The result found out that the regression coefficient of labor has a positive and significant effect at the 5 percent level, which means that if the number of workers increases by 1 percent, economic growth will increase by 0.03 percent. Furthermore, the FDI variable also has a significant and positive effect on economic growth in Indonesia. We can see in table 3.2 that the FDI variable is significant at the 5 percent level with a regression coefficient of 0.012, this means that an increase in FDI by 1 percent will accelerate economic growth by 0.012 percent. From the results of data processing obtained by the author, it can be seen that the DDI variable has a positive but not significant effect on economic growth in Indonesia, this can be seen from the p-value which is greater than 5 percent. The regression coefficient of -0.001 proves that the COVID-19 pandemic has a negative impact on economic growth in Indonesia. When the COVID-19 pandemic reached the territory of Indonesia, economic growth slowed by 0.001 percent.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».