Identifikasi Wilayah Unggulan Lumbung Pangan Komoditas Padi Provinsi Sumatera Selatan (LQ dan Shift-Share Analysis 2020-2024)
Notice bibliographique
Résumé
Population growth and land-use conversion continue to pressure rice production in Indonesia, increasing the need to identify priority regions for Kawasan Sentra Produksi Pangan (KSPP), Indonesia’s Food Production Center Zones under the 2025–2029 National Medium-Term Development Plan. This study aims to identify priority areas for rice-based food production in South Sumatra Province using a descriptive-quantitative approach. The analysis applies Location Quotient (LQ) and Shift-Share Analysis (SSA) to assess specialization, competitive performance, and structural growth of rice production across districts and cities from 2020 to 2024. The results indicate that South Sumatra records an average rice LQ of 0.92 relative to the national level, showing that rice has not yet become a national-scale base commodity despite notable spatial disparities. SSA results reveal strong regional contrasts. East OKU District records the highest Competitive Effect at 59,533 tons, while Banyuasin District records the highest Industrial Mix Effect at 37,545 tons, indicating rapid growth aligned with the provincial food-crop structure. The integration of LQ and SSA identifies six priority areas: Ogan Ilir, Ogan Komering Ilir, Pagar Alam, Muara Enim, Penukal Abab Lematang Ilir, and East OKU District. The novelty of this study lies in producing a province-wide priority mapping based on a single strategic commodity. The analysis is limited by its focus on three food crops and by the exclusion of biophysical factors. Despite these limitations, the findings provide an empirical basis for determining KSPP priority zones and guiding rice-based regional development planning.
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 | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 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 ».