MétaCan
Menu
Retour à la cohorte
Enregistrement W3197885788 · doi:10.5539/ijef.v13n10p69

The Location Choice of Foreign Direct Investment and Economic Development in Africa

2021· article· en· W3197885788 sur OpenAlexvenueno aff
Abdisalan Salad Warsame

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInternational Business and FDI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForeign direct investmentMultinational corporationLandlocked countryBusinessNatural resourceDeveloping countryEconomicsTertiary sector of the economyMarket sizeInvestment (military)International economicsInternational tradeEconomic growthEconomyFinanceMacroeconomics

Résumé

récupéré en direct d'OpenAlex

Foreign Direct Investment (FDI) inflow to Africa has unevenly distributed investment location choices of multinational enterprises because of some exogenous economic factors associated with the locations, which vary across countries in Africa. The data used in the paper comes from Financial Times, World Bank, African Development Bank. This paper investigated what determines the location choice of FDI inflow to Africa using data on 3,768 firms from 88 countries making location choices in 54 African countries using a multicategory logistic regression. The findings show that: (1) the natural resource seeking enterprises invest more in landlocked countries relative to manufacturing and tertiary sector; (2) the natural resource seeking firms are less concerned about local market size and location’s economic condition comparing to manufacturing and service industries; (3) despite the accusation against the multinational enterprises (MNEs) for exploiting Africa’s natural resources, most of the MNEs choose locations with a large market size and better economic development; (4) the MNEs from developed economies prefer the location with a large market size and a better-developed economy comparing to those from the developing economies.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,019
Tête enseignante GPT0,214
Écart entre enseignants0,194 · 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'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

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetInternational Business and FDITravaux en français237 207