Assessment of Attractiveness of the Baltic States for Foreign Direct Investment: The TOPSIS Approach
Notice bibliographique
Résumé
Foreign investment is one of the driving forces of a country’s economy. The global foreign direct investment (FDI) flows in 2020 amounted to USD 1 trillion, but FDI distribution varies from country to country. Here, the questions arise as to what determines the choice of foreign investors, what the countries can do/are doing to attract FDI, and which Baltic states are the most attractive for FDI. Based on the scientific literature analysis, the definitions of FDI and the attractiveness for FDI, as referred to in the empirical study, are reviewed; the factors affecting FDI are singled out, and the methods/models that are applicable for assessing FDI are investigated. The major purpose of the article is to assess the attractiveness of the Baltic states for foreign direct investment. Research methods: comparative analysis of the concepts and methods available in the scientific literature, secondary data analysis, statistical data processing, and multi-criteria evaluation methods. The results of the assessment of the attractiveness of the Baltic states for foreign direct investment that were determined by applying the TOPSIS multi-criteria evaluation method helped to determine a country’s position in relation to its neighbors and revealed the criteria that weaken or strengthen this position. The results of the research can help the leaders of the states to select the relevant measures to improve their state’s FDI attractiveness in relation to other states.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».