Trade Spillover-Induced Backwash Effect and Regional Growth Disparities: A System GMM Approach in Central Java
Notice bibliographique
Résumé
This study investigates the determinants of regional economic growth in Central Java Province, focusing on trade spillovers, total factor productivity (TFP), and labour composition. Using panel data from 35 regencies and cities over 2011–2024, the analysis applies the System Generalized Method of Moments (SYS-GMM). Results reveal persistent growth, as past output strongly influences current performance. Specifically, the coefficient of the lagged GRDP variable remains above 0.96 across specifications, indicating strong path dependence. Investment, measured by Gross Fixed Capital Formation (GFCF), significantly drives short- and long-term growth. Human capital also matters, with educated and less-educated labour contributing, though the latter remains dominant. Elasticity estimates show that the long-run effect of GFCF reaches approximately 0.45, reinforcing its central role in capital-driven expansion. In contrast, TFP shows weak and insignificant effects, reflecting technological adoption, infrastructure, and workforce quality constraints. Notably, trade spillovers exert a negative influence. Having a commercial link or geographical proximity to a main growth centre does not always guarantee positive outcomes and may even lead to a backwash effect. Indicating a conditional spillover pattern whereby only regions with sufficient absorptive capacity benefit, while others experience backwash tendencies. These findings highlight the need for spatial policies that focus on enhanced connectivity, the creation of additional growth hubs, and upgrading workforce skills to ensure a more balanced spread of development benefits.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».