The Analysis of Sub-National Fiscal Risk in Indonesia
Notice bibliographique
Résumé
A Fiscal Risk Management will increase fiscal sustainability in the nation development. The International Monetary Fund revealed that one source of fiscal risk for the government is Sub-national Risk or a fiscal pressure which came from the local governments. Until 2021, the Government of Indonesia has not assessed the Sub-national fiscal risk as a source of fiscal risk in the preparation of the State Revenue and Expenditure Budget (APBN). This study aims to propose a sub-national fiscal risk assessment model and carried out an assessment of the risk level in the provincial governments, and analyzed it for the year 2023. The data used was The Budget Realization Report and Balance Sheet of the Provincial Government for the year 2015 - 2020. The method used is literature study, quantitative descriptive analysis, and forecasting time series analysis. The results of this study are the definition of subnational fiscal risk, a measurement formula, and a map of Indonesia's subnational fiscal risk. The Local Government which lowest fiscal risk in the year 2023 is DKI Jakarta and the highest fiscal risk is DI Aceh. A deeper analysis shows the results that regions with the Trade development sector have better fiscal management and lower levels of fiscal risk. This study provides new insights for the Government of Indonesia in develop a strategy to improve a fiscal capacity of local government and the formulation of policies regarding the financial balance between central government and local government.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».