Analisis Tingkat Kesulitan Keuangan Perusahaan Makanan dan Minuman Akibat Pandemi Covid-19
Notice bibliographique
Résumé
Since the development of the Corona virus, which was first discovered towards the end of 2019 in Wuhan, Hubei Region, China, it has spread throughout the world because of its fast-spreading contagion. All the affected countries have adopted different strategies to reduce the rate of transmission of this infection, in particular small to large scope social restrictions. The implementation of these approaches in the long term will have a very real impact around the world, one of which is the decline in global financial movements, considering Indonesia. In this study, financial ratios were calculated for all data using financial ratios in the Modified Altman Z-Score model, Grover Score, Zmijewski. The results of the Altman Z-Score Altered model analysis on food and beverage companies during the Coronavirus pandemic, precisely in the 2020 quarter, food and beverage companies are expected to experience financial distress as many as 4 companies. The results of the calculation based on the analysis of the Grover Score model for food and beverage companies during the Coronavirus pandemic, to be precise, per quarter of 2020, the F&B companies that are expected to experience financial distress are 3 companies. The results of calculations based on the Zmijewski model for food and beverage companies during the Coronavirus pandemic, to be precise, per quarter of 2020, food and beverage companies that are expected to experience financial distress are 2 companies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 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) | 0,003 | 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 ».