Assessing the Impact of Education Quality on Economic Growth in OECD and CESEE Countries
Notice bibliographique
Résumé
The retrospective data analysis concerning the level of per capita income evidenced that formation of an educated society created the precondition for the growth of labor productivity and economic growth. According to Gelor – Weil theory, in the 19th century, in Western Europe countries, as well as in the “Western outshoots” (the USA, Canada, Australia and New Zealand), there was a change in the attitude towards family planning, which consisted in preferring fewer well–educated children over a large number of uneducated ones. This made it possible to overcome the "Malthus trap" in these countries and enabled rapid rates of economic growth. Today, the total factor productivity of the United States is taken as a benchmark/frontier against which productivity in other countries is measured. The article presents the results of assessing the impact of the quality of education, expressed by the "Skills" indicator of the Global Competitiveness Report, which characterizes the general level of skills of the labor force, as well as the quantity and quality of education in the country, on its total factor productivity. The assessment is based on the economic growth model of Ph. Agion and P. Howitt, which determines economic growth of a certain country by its’ human capital skills, as well as by the distance of such a country to the world technology frontier. The analysis presented in the article includes both OECD countries and CESEE countries, in particular Ukraine. Based on the results, it can be concluded that OECD countries, whose total factor productivities are a minimum 7 per cent above the world technology frontier, reached this – to the great extent – through better education. CESEE countries, whose total factor productivities are at least 59 per cent below the frontier (and Ukraine is among them), should improve the quality of education to get closer to the frontier. Further analysis of the factors of education quality showed that government spending on education and quality of public and private institutions play great part in improving education both in CESEE and OECD countries. The proposed approach to assessing the factors of the quality of education can be used for further assessment of the impact of COVID–19 pandemic on the quality of education, as well as to justify the directions of state policy in the field of education aimed at ensuring economic recovery in the post–pandemic period.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».