African Continental Free Trade Area Agreement – Does the Facts Support the Benefits for Nigeria?
Notice bibliographique
Résumé
Hesitantly, but finally, Nigeria joined the African Continental Free Trade Area (AfCFTA) with the Nigerian President, Mohammadu Buhari, signing the protocol at the African Union Summit in Niamey on July 7, 2019 based on perceived benefits. This study interrogated the purported benefits for Nigeria using standard trade costs between Nigeria and peer countries in Africa. Using a content analytical framework on a dataset by World Development Indicators and World Integrated Trade Solutions, the study found that average tariff rate in Nigeria is very high when compared to that of her major trading rivals in Africa like Ghana, Egypt and South Africa. Furthermore, the study found Nigeria in a comparative disadvantaged position on the ease of doing business in the same setting. Also, Nigeria’s major export commodity is crude oil and lubricants which has little or no market in the continent. Besides, trade-related infrastructure, especially roads and maritime corridors, in Nigeria is poor even by African standards. With these structural problems, ipso facto, Nigeria may not benefit maximally and comparatively in the enlarged continental market envisioned by the AfCFTA agreement. The study therefore, recommended that Nigerian government should continue to maintain the present cautious approach and refrain from making further commitments on the AfCFTA deal. In the meantime, the country should embark on massive infrastructural and trade-related development, improve the ease of doing business and diversify the economy in order to be in vintage position to exploit the potential opportunities offered by the AfCFTA in the medium-to-long term horizon.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».