MétaCan
Menu
Retour à la cohorte
Enregistrement W3081903168 · doi:10.1080/01436597.2020.1807318

The myth of ‘debt-trap diplomacy’ and realities of Chinese development finance

2020· article· en· W3081903168 sur OpenAlexaff
Ajit Singh

Notice bibliographique

RevueThird World Quarterly · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInternational Development and Aid
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésChinaDebtExternal debtDiplomacyEconomicsDebt crisisPolitical sciencePolitical economyFinanceDevelopment economicsPoliticsLaw

Résumé

récupéré en direct d'OpenAlex

In recent decades China has emerged as a leader in international development finance, with the potential to provide sorely needed funds to address major global developmental gaps. However, not everyone is optimistic about this new source of lending. A narrative of ‘debt-trap diplomacy’ has emerged to describe Chinese lending to developing countries – most ardently advanced by the United States – contending that China seeks to ensnare smaller countries with onerous levels of debt in order to realise neocolonial aims. This article argues that the theory of debt-trap diplomacy does not accurately describe Chinese finance. First, investigating China–Africa relations, it will demonstrate that Chinese loans are not a major driver of debt distress. Second, it will demonstrate that China does not engage in predatory behaviour towards borrowing countries, using debt to facilitate takeovers of strategic assets and natural resources, or to promote military expansion. Finally, comparing Chinese and Western financial relations with Latin America and the Caribbean, it will demonstrate that, in contrast to the debt-trap narrative, China’s non-interventionist approach has opened space for developing countries, particularly those with governments facing hostility from the US and its allies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,023
Communication savante0,0060,005
Science ouverte0,0000,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,014
Tête enseignante GPT0,277
Écart entre enseignants0,263 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations166
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThird World QuarterlyMême sujetInternational Development and AidTravaux en français237 207