Analisis pusat pertumbuhan dan sektor ekonomi dalam mengurangi ketimpangan pendapatan
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui wilayah pusat pertumbuhan serta bagaimana interaksinya dengan wilayah hinterland . Selain itu untuk mengetahui sektor ekonomi unggulan pada tiap kabupaten/kota. Objek dalam penelitian ini yaitu kabupaten/kota yang membentuk Provinsi DIY. Data yang digunakan adalah data sekunder tahun 2016-2020 yang bersumber dari publikasi BPS dan instansi lainnya. Terdapat lima alat analisis kuantitatif yang digunakan untuk menjawab penelitian ini. Untuk menentukan pusat pertumbuhan digunakan analisis skalogram sedangkan untuk mengetahui interaksinya dengan wilayah hinterland digunakan analisis gravitasi. Sektor unggulan pada tiap wilayah kabupaten/kota diketahui dengan menggunakan analisis Shift Share, SLQ dan DLQ yang kemudian di overlay. Hasil penelitian menujukkan bahwa wilayah yang dapat mempertahankan dirinya sebagai pusat pertumbuhan dalam lima tahun terakhir adalah Kabupaten Sleman, Kabupaten Gunung Kidul, dan Kota Yogyakarta. Pada tahun 2017, Kabupaten Bantul sebagai wilayah hinterland memiliki interaksi tertinggi dengan Kota Yogyakarta dan Kabupaten Kulon Progo sebagai wilayah hinterland memiliki interaksi tertinggi dengan Kabupaten Sleman. Sedangkan pada tahun 2020, Kabupaten Kulon Progo sebagai wilayah hinterland memiliki interaksi tertinggi dengan Kabupaten Sleman. Lalu, terdapat sektor unggulan pada tiap kabupaten/kota kecuali Kabupaten Bantul.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 | 0,001 |
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 ».