MétaCan
Menu
Retour à la cohorte
Enregistrement W2927554660 · doi:10.5539/jsd.v12n2p110

Foreign Direct Investment, Export Performance and Sustainable Development in Nigeria

2019· article· en· W2927554660 sur OpenAlexvenueno aff
Akintoye Victor Adejumo

Notice bibliographique

RevueJournal of Sustainable Development · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForeign direct investmentDiversification (marketing strategy)Manufacturing sectorSustainable developmentBusinessInternational economicsExport performanceEconomicsDeveloping countryDistributed lagInternational tradeEconomic growthMacroeconomics

Résumé

récupéré en direct d'OpenAlex

This study sets out to examine the role of manufacturing sector Foreign Direct Investment (FDI) in the quest for export sector diversification in Nigeria for sustainable development. This objective was achieved by estimating the effects of manufacturing sector FDI on manufactured goods export from Nigeria using the Autoregressive Distributed Lag estimating technique. The study discovered that FDI inflows into the country’s manufacturing sector impacted negatively on manufactured exports in the short run. The short run result nevertheless gave way to a positive and significant influence of FDI on manufactured exports in the long run, indicating that this form of foreign capital is important for manufactured export promotion in Nigeria. The resulting long run positive FDI- spillovers on export performance in Nigeria is in tandem with the neoliberal theoretical viewpoint that developing countries can rely on FDI as ladder to sustainable development. The findings suggest that sustainable development can be enhanced in Nigeria by exploiting the channel of positive spillovers from sector specific FDI inflows. The study concludes that with appropriate policy stance, one important way of pursuing the long run goal of sustainable development is to route FDI inflows in the direction of the country’s manufacturing sector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,518
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,190
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sustainable DevelopmentMême sujetGlobal trade and economicsTravaux en français237 207