Analisis Foreign Direct Investment di 6 Negara Penghasil Nikel Periode 2017-2021
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk menganalisis bagaimana pengaruh market size, tingkat upah, tenaga kerja, inflasi dan sumber daya alam (produksi nikel) terhadap arus masuk FDI dari 6 negara penghasil nikel (terdiri dari Australia, Brazil, Canada, Filipina, Indonesia, dan Russia). Pertama, penulis menggunakan analisis panel data dengan model pooled least square yang dikumpulkan dari tahun 2017 hingga 2021 untuk memperkirakan hasil estimasi dari negara-negara tersebut. Kedua, analisis panel data menggunakan common effect model untuk mendapatkan hasil regresi yang optimal untuk regresi. Hasil penelitian menunjukkan bahwa tingkat upah, tenaga kerja, dan sumber daya alam (produksi nikel) adalah tiga faktor utama yang berpengaruh signifikan dalam mempengaruhi arus masuk FDI. Sedangkan, variabel market size dan inflasi menghasilkan hasil yang tidak berpengaruh signifikan dalam arus masuk FDI. Kemudian, untuk meningkatkan dari kelima sektor tersebut, pemerintah dari 6 negara penghasil nikel harus meningkatkan kualitas dan jumlah tenaga kerja, mengontrol inflasi, dan menciptakan aturan atau kebijakan baru khususnya untuk meningkatkan GDP serta pengelolaan pada nikel yang sudah diproduksi.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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) | 0,006 | 0,002 |
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 ».