MétaCan
Menu
Retour à la cohorte
Enregistrement W1501706542

Foreign Direct Investment across China: what should we learn from spatial dependences?

2013· preprint· en· W1501706542 sur OpenAlexaff
Nasser Ary Tanimoune, Cécile Batisse, Mary‐Françoise Renard

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2013
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensUniversity of OttawaGlobal Affairs Canada
Organismes subventionnairesnon disponible
Mots-clésForeign direct investmentConvergence (economics)AttractivenessEconomic geographySpillover effectChinaSpatial analysisDispersion (optics)Spatial distributionInternational economicsEconomicsSpatial econometricsGeographyInternational tradeEconometricsMacroeconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The paper investigates the importance of spatial dependences on Foreign Direct Investment (FDI) localization across Chinese provinces over the 1992-2009. Based on exploratory spatial data analysis, spatial sigma-convergence and spatial Durbin specifications, we present a much clearer picture of FDI dispersion and spatial convergence across China by highlighting the spillover effects of FDI localization in Chinese provinces and regions. Our results are threefold. First, FDI convergence is more pronounced compared to the Central region, whereas the dispersion is greater when the Coastal and the Western regions are taken as reference points. Second, at the province level, FDI localization seems to present a substitutable configuration. Third, when controlling for the spatial distribution of FDI at the level of regions, it seems, conversely, that the FDI localization presents a complementary configuration. The finding resulting from the opposing configurations of the FDI localizations observed at the region and province levels seems to argue in favor of promoting FDI attractiveness policies based on regional complementarities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,582
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,303
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207