Konvergensi pertumbuhan ekonomi daerah di Provinsi Sulawesi Selatan
Notice bibliographique
Résumé
Tujuan penelitian ini adalah untuk mendeskripsikan dan menganalisis Konvergensi Pertumbuhan Ekonomi di Daerah/Kota di Provinsi Sulawesi Selatan. Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif dan sumber data yang digunakan adalah data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Kabupaten/Kota di Provinsi Sulawesi Selatan. Data tersebut merupakan data time series dari tahun 2010-2021 dan data cross section yang terdiri dari 24 kabupaten/kota, sehingga merupakan data panel (pooled data). Data yang dikumpulkan berupa data PDRB, PDRB per kapita, pertumbuhan ekonomi, tingkat partisipasi angkatan kerja dan Indeks Pembangunan Manusia Kabupaten/Kota di Provinsi Sulawesi Selatan. Metode analisis yang digunakan dalam penelitian ini adalah Analalisis Deskriptif dengan Indeks Williamson (IW), Analisi Deskriptif dengan Indeks Gini dan Analisis Deskriptif dengan Konvergensi Absolut dan Kondisional. Hasil penelitian ini menunjukkan bahwa terdapat bukti bahwa percepatan pertumbuhan ekonomi konvergen dengan meningkatnya tingkat ketimpangan. Hasil analisis dengan menggunakan ambang batas Indeks Williamson konsisten dengan hasil analisis dengan menggunakan konvergensi absolut dan relatif. Hasil analisis konvergensi absolut dan inkremental selama periode studi 2010 hingga 2021 menunjukkan bahwa telah terjadi konvergensi ekonomi lokal dan regional di Provinsi Sulawesi, dengan nilai sekitar -0,09 dan -0,03 yang berada di antara -1 dan 0. Namun demikian, proses konvergensi tersebut semakin lambat untuk konvergensi absolut dan inkremental. Selain itu, penurunan Indeks Williamson dari tahun ke tahun sangat lambat.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,010 |
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 ».