Investigating Demonetisation’s Impact and India’s Prospects as a Cashless Economy
Notice bibliographique
Résumé
This paper aims to analyse the effect of demonetisation on the different sectors of economy and throw light on the various challenges before the government of India to make create cashless economy. Government of India’s banned the old 500 and 1000 notes with an aim to resolve against corruption, black money, terrorism and counterfeit notes. But in last couple of months, the country has witnessed some recent terrorists’ attacks (around 7) like Nagrota Attack and Bhopal passenger train blast, a large number of fake currency printing cases, cases of converting black money into with the help of some bank employees or by buying foreign currency, Gold, property etc. This has jolted the people’s belief in government’s this decision. India’s GDP growth slipped to 6.1% in the fourth quarter of year 2016-17, compared with 7.1% in the previous quarter. Also, GVA growth at constant prices declined to 5.6% in the fourth quarter of year 2016-17, clearly showing the scars of demonetisation on the economy. Our analysis shows that out of twenty two industry groups in the manufacturing sector, 5 industry groups registered positive growth in December, 2016. Also, India’s annual infrastructure output growth slowed to 3.4 per cent in January from 5.6 per cent in December. Sectors like agriculture, real estate, FMCG, automobile and infrastructure have been badly affected. Moreover, the value of non-cash transactions in May 2017 is closer to the value in November 2016 at Rs 94 trillion, when demonetisation started. Still, there are a number of challenges before the government to make India a cashless economy. This requires the government of India to really work on ground realities to make this dream a reality.
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 | 0,013 | 0,002 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».