High-technology exports and economic growth: panel data analysis for selected OECD countriesHigh-technology exports and economic growth: panel data analysis for selected OECD countries
Notice bibliographique
Résumé
This paper uses a panel cointegration model to analyse the long-term relationship between high-technology exports and economic growth in selected OECD countries in the period from 1989 to 2015. We used high-technology exports (current US$) as the dependent variable and the GDP growth rate, FDI (foreign direct investment), application of patents by residents, and gross capital formation % of GDP as explanatory variables. The export structure of countries is moving increasingly towards technology-intensive products such as ICT (information and communications technology), aerospace, computing and office equipment, electronics, chemical products, pharmaceuticals, and electrical machinery. The export structure has played an important role in the economic growth theories of many countries since the 1960s, as export growth has been associated with faster productivity and GDP growth. We aimed to find out the relationship between high-technology exports and the explanatory variables which we listed for 14 selected OECD countries (Canada, Denmark, Finland, France, Germany, Israel, Korea, the Netherlands, Norway, Switzerland, Sweden, Turkey, the UK, and the USA). According to our empirical results, there is a long-term relationship between high-technology exports and economic growth in selected OECD countries. The empirical results show that an improvement in patent applications and foreign direct investment play a decisive role in upgrading selected OECD countries’ hightech exports, while growth rate and investment play a negative role in enhancing these countries’ high-tech exports.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,007 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».