A quantitative assessment of the trade openness – economic growth nexus in India
Notice bibliographique
Résumé
Abstract Purpose The purpose of this paper is motivated by research-based assertions that: the causes of economic growth in countries like India are not well understood; they are not elucidated by using simple bivariate relationships between economic growth and other variables, taken one at a time; and dynamic linkages between growth, trade openness and financial sector depth are required for any comprehensive treatment of this inquiry. Design/methodology/approach This paper investigates the pivotal role of financial depth (defined as the relative importance in the economy of the banking sector or the stock market) and whether it bears any evidential relationship to trade openness and economic growth during the era of Indian post-globalization since 1990. Two key objectives are to uncover whether there is a long-run relationship between the variables and whether they can be said to cause one another. Autoregressive distributive lag (ARDL) bounds testing procedures and vector autoregressive error correction model (VECM) approaches were used to derive the results. Findings This paper affirms that the variables are indeed formally cointegrated. It was also found that trade openness, economic growth and financial sector depth Granger-cause each other. Practical implications This paper demonstrates that greater trade openness can predictably accelerate India's economic growth. If policymakers wish to maintain sustainable economic growth in India, they can do so by encouraging both freer trade and financial market development in the long run. Originality/value No investigation of this type and sophistication has hitherto been performed for India. The methods developed for this study can also be applied to any of the vast range of countries for which dynamic growth-openness-financial depth interactions have not already been investigated.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».