Curbing Unemployment Through Job Creation as Panacea to Inclusive Growth in Nigeria
Notice bibliographique
Résumé
The thrust of this study is to curb unemployment rate through job creation using some key sectors of the economy specifically the manufacturing, agricultural and industrial sectors as the basis for attaining an inclusive growth in Nigeria particularly with the increasing rate of youth unemployment booming the Country. This is demonstrated by the agricultural, manufacturing and industrial policies, programmes and strategies initiated, designed and executed to retard the alarming unemployment rate. The short-run and long-run dynamics streaming from inclusive growth proxied by real gross domestic product per capita, agricultural sector proxied by real agricultural output, manufacturing sector proxied by real manufacturing output, industrial sector proxied by real industrial output and openness measured by export as percentage of real gross domestic product to unemployment rate were evaluated using Autoregressive Distributed Lag (ARDL) bounds test approach for the period 1970 to 2014. The Estimated results from the study reveals that, improvement in the agricultural, manufacturing and industrial sectors will significantly aid in reducing the problems of unemployment and poverty in Nigeria. Even though the manufacturing sector shows no contribution to reducing unemployment, this could be as a result of the use of some equipment which has taken the place of labour thereby making it redundant. Though, if the teeming unemployed populace is adequately trained in the right direction, the manufacturing sector can still absorbed them. To this effect, the study recommended Government to give utmost priority to the key indicators that are needful at a given period of time in order to ascertain the right combination of the sectors in which these scarce resources should be directed to with the intention of enhancing inclusive growth.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».