ANALISIS EFISIENSI BELANJA PENDIDIKAN PADA PEMERINTAH DAERAH TERTINGGAL DI INDONESIA
Notice bibliographique
Résumé
Efisiensi belanja pendidikan pemerintah daerah merupakan salah satu strategi peningkatan kemampuan keuangan daerah untuk pemenuhan kebutuhan sarana dan prasarana dasar pada daerah tertinggal. Penelitian ini mengkaji bagaimana tingkat efisiensi belanja pendidikan pada Pemerintah Daerah tertinggal di Indonesia tahun 2021 menggunakan metode pemograman linier Data Analysis Envelopment (DEA) Bootstrapping. Selain itu, regresi terpotong (truncated regression) digunakan untuk menganalisis faktor-faktor yang mempengaruhi efisiensi belanja pemerintah daerah tertinggal. Hasil penelitian menunjukkan bahwa kabupaten daerah tertinggal perlu melakukan efisiensi dengan meningkatkan output sebesar 6.91% secara rata-rata agar daerah tersebut mencapai tingkat efisiensi relatif maksimal terhadap DMU yang menjadi benchmarking pada daerah yang dilakukan analisis untuk pemenuhan kebutuhan dasar pendidikan. Simpulan selanjutnya, dari lima variabel determinan yang diamati, kepadatan penduduk dan kualitas perencanaan dan penganggaran, terbukti secara signifikan mempengaruhi efisiensi belanja bidang pendidikan dengan tanda positif. Sedangkan kapasitas fiskal berpengaruh nyata dengan tanda berlawanan terhadap efisiensi belanja. Faktor-faktor lain seperti tingkat pengangguran terbuka dan konsentrasi politik secara statistik tidak menunjukkan hasil yang nyata terhadap efisiensi belanja.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».