DEMAND ANALYSIS OF INDONESIAN PULPWOOD USING TRANSCENDENTAL LOGARITHMIC MODEL: A STUDY OF THE WORLD AND SELECTED ASIAN MARKETS
Notice bibliographique
Résumé
Indonesia’s pulpwood export has shown an increasing trend since 1990s. Along with Brazil, Canada, USA and Chile, Indonesia became one of the top five pulpwood exporter countries in the world. Indonesia’s pulpwood was traded mainly to some Asian countries. This paper examines Indonesian pulpwood export demand during the period 1994-2014 using a Transcendental Logarithmic (TL) model with Seemingly Unrelated Regression (SUR) estimation. Export data from the five top exporter countries in four different markets (China, Korea, Japan and the world) were analysed. The important findings are as follow: firstly, logarithmic income and second order logarithmic income significantly influence the Chinese and Korean markets. Secondly, in general, Indonesia’s own-prices are elastic and have negative signs (-2.308, -1.06 and -2.04 in the Korean, Japanese and the world markets, respectively). Thirdly, due to its positive sign of crossprice elasticity and also positive signs of income elasticity (1.002, 1.722 and 0.625 in the Chinese, Korean and the world markets, respectively), Indonesian pulpwood could be categorized as a substitute and normal goods. Lastly, regarding to negative and elastic Indonesia’s pulpwood own-prices, one possible policy that could be applied by the Government of Indonesia (GoI) is giving a subsidy to reduce pulpwood price by 10%. Subsidy could be implemented by reducing tax and retribution such as property tax (Pajak Bumi dan Bangunan) and local retribution (Retribusi Daerah).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».