MétaCan
Menu
Retour à la cohorte
Enregistrement W3107168035 · doi:10.3390/jrfm13110291

Global FDI Inflow and Its Implication across Economic Income Groups

2020· article· en· W3107168035 sur OpenAlexvenueno aff
Udi Joshua, Mathew Ekundayo Rotimi, Samuel Asumadu Sarkodie

Notice bibliographique

RevueJournal of risk and financial management · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInternational Business and FDI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForeign direct investmentEconomicsOpenness to experiencePanel dataStock (firearms)Generalized method of momentsExternal debtMonetary economicsDebtOrdinary least squaresInternational economicsMacroeconomicsEconometrics

Résumé

récupéré en direct d'OpenAlex

Foreign direct investment (FDI) as a driver of growth is important in today’s globalized economy. It is extremely difficult for economies to grow sustainably without economic interactions outside their borders. However, there has been a debate on the impact of FDI inflow on economic expansion. Hence, this study investigated the influence of FDI on economic growth for a selection of 200 economies around the world for the period 1990–2018. We subdivided the sample into World Bank income group clusters to aid comparison across income blocs. The study employed panel estimation techniques including pooled ordinary least squares (POLS), dynamic panel estimation with fixed-effects and random-effects and generalized method of moments (GMM). The study found that FDI, debt stock and official development assistance are promoters of growth in the selected countries—although debt stock weakly impacts economic growth. In contrast, trade openness and exchange rates had a mixed (negative and positive) influence on economic growth. The study suggests that the creation of a conducive business environment and economic policies will attract FDI inflows. Additionally, borrowing from external sources could be minimized despite its perceived positive influence on growth to achieve financial independence.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,630
Score d'incertitude au seuil0,415

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,008
Tête enseignante GPT0,224
Écart entre enseignants0,216 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations21
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetInternational Business and FDITravaux en français237 207