A Policy Framework and Prediction on Low Carbon Development in the Agricultural Sector in Indonesia
Notice bibliographique
Résumé
Currently, Indonesia has adopted Low Carbon Development (LCD) in its Medium-Term Development Plan (RPJMN) 2020-2024. One of the priority activities is agriculture, which accounts for 12.21% of total greenhouse gas emissions. The agricultural sector is the victim affected by CO2 emissions, such as degradation, shrinkage of agricultural resources, land and water, shifting planting seasons, crop failures, decreased food production due to rising air temperatures, floods, and droughts. Greenhouse gas emissions are predicted to continue to increase along with the increasing demand for food. The purpose of this study is to predict and find an alternative policy framework for low-carbon development in the agricultural sector in Indonesia. This study uses a quantitative and qualitative approach by Artificial Neural Network (ANN), and multicriteria policy (MULTIPOL) analysis. The data were obtained through secondary data in 2014-2018, and the primary data are in-depth interviews, Focus Group Discussions (FGD), and field observations. The results of ANN show that the predictions of provinces that need to adopt low-carbon development in Indonesia are dominated in production centers such as Java Island, so an alternative policy framework using MULTIPOL is needed. Furthermore, this research establishes three scenarios, eight policies, twenty-six actions, and nine evaluative criteria in analyzing the LCD of the agricultural sector. The results indicate that LCD can be conducted by integrating the speed scenario (S2) with a value ranging from 6.3 (policy to increase capacity and quality of human resources) to 18.7 (circular economy). This scenario accommodates policies related to low carbon reduction and agricultural production increase, such as a circular economy, co-benefit adaptation strategies, low carbon technology innovation, and strengthening low carbon networks.
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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».