Analisis Determinan Pembangunan Ekonomi Inklusif di Provinsi Kalimantan Selatan Menggunakan Pendekatan Panel Vector Error Correction Model (PVECM)
Notice bibliographique
Résumé
Keberhasilan pembangunan ekonomi diukur melalui tingkat pemerataan dan keberlanjutan, khususnya melalui Indeks Pembangunan Ekonomi Inklusif (IPEI) yang menekankan pertumbuhan ekonomi merata untuk seluruh lapisan masyarakat. Penelitian ini menganalisis hubungan antara IPEI dengan faktor-faktor yang mempengaruhinya, yaitu Indeks Pembangunan Manusia (IPM), Pertumbuhan Ekonomi (PE), dan Persentase Penduduk Miskin (PPM), menggunakan Pendekatan Panel Vector Error Correction Model (PVECM) di Provinsi Kalimantan Selatan selama 2011-2021. Hasil penelitian menunjukkan bahwa data terintegrasi pada tingkat yang sama, dan terdapat persamaan terkointegrasi dengan optimal lag-5, yang berarti bahwa dampak perubahan IPM dan pertumbuhan ekonomi terhadap IPEI dapat mempengaruhi IPEI hingga lima periode waktu. Estimasi PVECM menunjukkan bahwa IPM dan pertumbuhan ekonomi secara signifikan mempengaruhi IPEI dalam jangka panjang dan pendek. Dalam jangka panjang, peningkatan IPM dan pertumbuhan ekonomi berdampak negatif pada IPEI. Sementara dalam jangka pendek, perubahan IPM dan pertumbuhan ekonomi dapat memengaruhi IPEI hingga lima periode ke depan.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,005 | 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 ».