Mobile and internet usage, institutions and the trade balance: Evidence from African countries
Notice bibliographique
Résumé
Abstract This study examines the influences of institutions, the Internet and mobile usage on the trade balance of African countries between 2003 and 2017. Our empirical results have been estimated with a panel‐corrected standard error method (PSCE) and they have been confirmed by several alternative techniques. First, the increase of internet usage and mobile usage has a significant negative effect on total and inter‐continental trade balances while these factors improve the intra‐African trade balances. Second, better institutions appear to have a negative impact on the total‐, inter‐, and intra‐African trade balances – in other words, better institutions appear to stimulate imports rather than exports. This observation explains the decreasing trends in the current account balances of African countries. Third, the combined effect of the three factors (institutions, internet, and mobile use together) has a significant positive impact on all trade balances: total‐, inter‐, and intra‐continental. Our study shows that an improvement in institutional quality acts as a mitigating factor for any negative impact internet\mobile development might cause on the trade balances of African countries. Further, our analysis examines the influence of institutions, internet usage, and mobile usage on the two parts of the trade: exports and imports. We observe that internet and mobile can influence negatively and differently impact the two wings of the balance trade. However, all improvements in institutions and their associations with internet usage and mobile usage have a significant positive impact on the trade balance especially on exporting activities of African countries.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».