An Analysis of Trends in Foreign Direct Investment Inflows to Africa
Notice bibliographique
Résumé
This study examines the trends in Foreign Direct Investment (FDI) inflows to Africa, with the ultimate aim of proposing implications for policy action. The main source of data for this study is the UNCTAD (2018) database which at the time of the study contained FDI data from 1990 to 2016. The findings show that, although Africa is in dire need for FDI due to scarcity of capital, it is not able to attract as much FDI compared to advanced countries and other developing regions. The little FDI that comes to Africa is concentrated sub-regionally and country-wise. Region-wise, most FDI is concentrated on Southern Africa followed by Northern Africa with East Africa and Central Africa at the bottom. Country-wise, the two main recipients of FDI in each sub-region are Angola and South Africa (Southern Africa); Egypt and Morocco (North Africa); Nigeria and Ghana (West Africa); Tanzania and Ethiopia (East Africa) and Congo and the Democratic Republic of Congo (Central Africa). The FDI that comes into the continent is further concentrated in the primary (extractive) sector. As a result the benefits to the region have not been as significant as in East Asia where FDI was mainly into the secondary (manufacturing) sector. It is concluded that, FDI is a growth point that countries can count on as a source of resources for development, however, Africa need to change the approach adopted in promoting FDI, which focuses on providing incentives to creating a domestic environment conducive to entrepreneurship and business in general.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».