The Impact of Financial Hoarding on Economic Growth in China
Notice bibliographique
Résumé
In recent years, more and more funds circulate internally in the financial field, which is called “financial hoarding”. After calculations, the scale of China’s financial hoarding was 242,178 billion yuan in the first quarter of 2003 and jumped to 1,801,706 billion yuan in the fourth quarter of 2016, which increased by nearly 7.4 times in the past 14 years and accelerated after 2014. The phenomenon that large amounts of money deviate from the real economy to virtual economy is called “shift from real economy to virtual economy”. The large scale of financial hoarding will inevitably influence the economic growth in China. Does financial hoarding promote or inhibit the economy? Does the relationship change with the economic growth rate? To address this issue, this paper first provided theoretical analysis of the relationship between financial hoarding and economic growth. Then, it used the data of the first quarter of 2003 through the fourth quarter of 2016 in China for empirical analysis. The results revealed two facts. Firstly, the simultaneous equations model showed that financial hoarding and economic growth promote each other in the long run and financial hoarding can be conducive to economic growth. Secondly, the MS-VAR model showed that the relationship between financial hoarding and economic growth changed with the economic growth rate. In addition, financial hoarding had a positive effect on the economic growth under both medium and high economic growth regimes, but to a greater extent in high economic growth regimes.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».