Understanding the Nexus of R&D, Innovation and Economic Growth in Nigeria
Notice bibliographique
Résumé
R&D and Innovation activities, which lead to technological progress, are considered as important factors contributing to stable and continuous economic growth. Total Factor Productivity accounts for the proportion of economic growth that is not captured by labour and capital inputs, and is measured by R&D and innovation in this paper. The paper investigates the impact of R&D and innovation, labour and capital on economic growth in Nigeria using Least Square Method. The result of the thirty one (31) years (1977-2007) reviewed shows that Gross Expenditure on R&D (GERD) has significant impact on economic growth. The coefficient of R&D which is negatively related to economic growth implies that it is not enough to increase spending on R&D and innovation when there are weak institutions, high corruption practices, low interaction between the academia and the industry, uncoordinated industrial clusters, among others. The result also shows that both labour and capital are directly related to economic growth, though the former plays a significant role while the latter does not. This paper concludes that government must be committed to R&D and innovation funding, developing strong institutions, enhancing the academia-industrial linkage as well as implementing a workable science, technology and innovation policy in order to bolster and diversify the economy. Government should also provide various fiscal incentives for the industrial firms in their various clusters so as to encourage them to engage in R&D and innovation activities, either through reverse engineering or inventing new ones, as this will not only lead to economic growth but also raise the global competitiveness of Nigeria.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».