ANALISIS DAYA SAING KOPI INDONESIA (STUDI KASUS: EKSPOR KE JERMAN)
Notice bibliographique
Résumé
Indonesian coffee industry is one of the products of agriculture which is widely traded in the world market. In fact, more than 18 countries have become Indonesia's coffee export destinations. In the last 20 years, Germany has been in second place as the country with the main coffee export destination after the United States. Studies were carried out in order to know and analyze the level of competitiveness of Indonesian coffee commoditiy to Germany and what factors influence the competitiveness of Indonesian coffee commoditiy to Germany. Sources of data obtained from the Central Statistics Agency (BPS) Indonesia, UN Comtrade and the World Bank. The type of data is a time series with a time period of 21 years, 2000-2020. The research method uses Revealed Comparative Advantage (RCA) to calculate the level of competitiveness then the results of the RCA will be calculated using Multiple Linear Regression (OLS) to find out how much the factors that affect the RCA value. The results of the RCA show that the competitiveness value of Indonesia's coffee commoditiy against Germany has a fairly good value, but is still too far when compared to Vietnam. While the OLS results show that the volume of exports and coffee production has a significant positive value, the rupiah exchange rate is positive but not significant and Germany's GDP is negative but not significant.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».