Notice bibliographique
Résumé
Today, countries, especially the developing ones rebase their Gross Domestic Product (GDP) to determine their economic strength. Nigeria as an acclaimed giant in Africa cannot but continuously examine variables which may impact the economy. It is in this light that this study was intended to investigate the Determinants of Tax Revenue Effort in Nigeria. To achieve this, secondary data, as time series data, covering a period of 1980 to 2015, were used and sourced from the Central Bank of Nigeria Statistical Bulletin, Annual Abstract from the Office of the National Bureau of Statistics and the Federal Inland Revenue Service, both in Nigeria. The dependent variable of Tax Revenue Effort (TTAXeff) was regressed on macro independent variables of Agricultural Sector Productivity(AGRICSP), Manufacturing Sector Productivity (MANSP), Tourism Sector Productivity(TOURSP), Telecommunication Sector Productivity(TELCOMSP), Capital Flight(CAPFR), Trade Openness (TOPEN) and Human Capital Development(HCD). The study adopted a longitudinal research design and used the Autoregressive Distributed Lag (ARDL) technique to evaluate the models. The findings revealed that Agricultural Sector Productivity, Tourism Sector Productivity, Trade Openness and Human Capital Development had significant and positive effects on Tax Revenue Effort in Nigeria. The Manufacturing Sector Productivity, Telecommunication Sector Productivity and Capital Flight had significant but negative effects on Tax Revenue Effort in Nigeria. There is however the need to consistently ensure better performance of tax efforts in the country through strict and meticulous enforcement of tax rules and tax administrations procedures in the country.
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 | 0,002 | 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 | 0,002 |
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 ».