Ketahanan Ekonomi Nasional Masa dan Pasca Covid-19 Melalui Penguatan UMKM Indonesia
Notice bibliographique
Résumé
The Coronavirus disease-19 (Covid-19) crisis has an impact on the economic performance of Micro, Small and Medium Enterprises (MSMEs) at local and national levels. MSME actors are trying to survive the crisis through business efficiency and the national economic rescue program (PEN). This paper aims to (1) examine the resilience of MSMEs against a wave of crisis (2) the right policy formula to strengthen the competitiveness of MSMEs. This research uses descriptive qualitative method using secondary data. The data is sourced from the Ministry of Small and Medium Enterprises Cooperatives, Bank Indonesia (BI), the Central Statistics Agency (BPS), the National Planning and Development Agency (Bappenas), national and international scientific journals and media sources. Slowly, the condition of MSMEs began to rise from the Covid-19 crisis through the PEN program policy which ran in September-December 2020, economic growth was better in the fourth quarter of 2020 by -2.19 percent (yoy), better than the growth in the third quarter 2020 by -3.49 percent (yoy). The distribution of the PEN program for MSMEs was successful and effective in maintaining the resilience of MSMEs from the Covid-19 crisis. The government needs to maintain economic momentum, through the synergy of MSMEs with State-Owned Enterprises (BUMN), digitalization and the MSME global supply chain as well as increasing the PEN budget for MSMEs. On the other hand, the government still has a tough task to cut logistics costs which are still relatively high when compared to several ASEAN countries.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».