Analyzing economic feasibility for investing in nursing care: Evidence from panel data analysis in 35 OECD countries
Notice bibliographique
Résumé
OBJECTIVE: To analyze economic feasibility for investing in nursing care. METHOD: The number of practicing nurses' density per 1000 population as a proxy for nursing staff and Gross Domestic Product (GDP) per capita (current US$) were collected in 35 member countries of Organization for Economic Co-operation and Development (OECD) over 2000-2016 period. The statistical technique of panel data analysis including unit root test, cointegration analysis, Granger causality test, dynamic long-run model analysis and error correction model were applied to measure economic impact of nursing-related services. RESULTS: There was a committed bilateral relationship between nurse-staffing level and GDP with long-run magnitudes of 1.39 and 0.41 for GDP-lead-nurse and nurse-lead-GDP directions in OECD countries, respectively. Moreover, the highest long-run magnitudes of the effect nursing staff has on increasing GDP per capita were calculated in Finland (2.07), Sweden (1.92), Estonia (1.68), Poland (1.52), Czech Republic (1.48), Norway (1.47) and Canada (1.24). CONCLUSION: Our findings verify that although the dependency of nursing characteristics to GDP per capita is higher than the reliance of GDP to number of nurses' density per 1000 population, investing in nursing care is economically feasible in OECD countries i.e. nursing is not only a financial burden (or cost) on health care systems, but also an economic stimulus in OECD countries. Hence, we alert governments and policy makers about the risk of underestimating the economic impacts of nurses on economic systems of OECD countries.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».