Empirical Analysis on the Influence of Business Environment on Foreign Direct Investment Inflow Based on the Panel Data on 26 Countries
Notice bibliographique
Résumé
With the intensification of global competition and development of investment theories, foreign direct investment (FDI) is no longer solely affected by economic factors. Many noneconomic factors, such as policies and institution, now play an important role in FDI inflow. As a composite indicator, business environment has attracted a growing attention from investors. From theoretical and empirical perspectives, this paper quantifies and qualifies the influence of business environment over the FDI under different conditions. The impact mechanism of business environment on the FDI was refined by decomposing business environment into multiple subfactors, and considering various factors of different economies, such as natural resources (NR), technological resources (TR), and political stability (PS). An empirical analysis was conducted on the panel data of 26 countries in 2005-2018. The results show that: the host country can attract more FDI inflow by improving business environment, NR, TR, and PS; excessively high NR and TR, to a certain extent, suppress the promotion effect of business environment on FDI; four subfactors of business environment, namely, the protection of small and medium investor (PI), cross-border trade (CT), electricity supply (ES), and insolvency (IN), have relatively high promotion effects on FDI inflow. The research results enrich the theories on FDI and business environment, and provide a reference for the design of innovative polices.
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) | 0,000 | 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 ».