Evaluasi klasterisasi pengembangan wilayah dalam muatan kebijakan RPJMD Provinsi Jawa Timur Tahun 2019-2024 berbasis Multi-Criteria Analysis (MCA)
Notice bibliographique
Résumé
<p dir="ltr"><span>Eksistensi klasterisasi wilayah berperan penting dalam mendorong kinerja pembangunan, aglomerasi ekonomi, dan </span><span>trickle-down effect</span><span> antarwilayah. Dalam RPJMD Provinsi Jawa Timur ditetapkan delapan klaster pembangunan sebagai stimulus akselerasi pembangunan dan koordinasi wilayah. Namun, implementasinya belum memberikan kontribusi signifikan terhadap pemerataan pembangunan. Struktur pembangunan yang monosentris dan pertumbuhan sektoral yang tidak merata menjadi faktor utama belum tercapainya tujuan pembentukan klaster. Penelitian ini bertujuan mengevaluasi kinerja dan rasionalitas pembentukan klaster pembangunan RPJMD pada akhir masa implementasinya. Evaluasi dilakukan melalui pendekatan sektor unggulan, pertumbuhan sektoral, dan karakteristik spasial. Analisis LQ, Tipologi Klassen, dan LISA dikompilasi melalui Multi-Criteria Analysis (MCA) untuk menilai kinerja klaster secara komprehensif. Hasil analisis menunjukkan kinerja klaster berdasarkan sektor unggulan lebih baik dibandingkan pertumbuhan sektoral dan kecenderungan spasial, mengindikasikan kabupaten/kota di Jawa Timur beraglomerasi terutama pada sektor unggulannya. Analisis MCA mengungkap ketimpangan kinerja antar klaster; tidak ada satu pun klaster yang mencapai 50% kinerja, dan beberapa berada di bawah rata-rata. Secara keseluruhan, pembentukan klaster belum signifikan dalam menstimulasi pertumbuhan dan mengatasi ketimpangan antarwilayah di Jawa Timur.</span></p>
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».