The Effects of Foreign Direct Investment in the Insurance Industry in the Western Balkan Countries – A Panel Data Analysis
Notice bibliographique
Résumé
The insurance industry is a solid cornerstone of the financial system, and by fostering an environment more favorable to investment, it significantly boosts economic growth.This is especially true for the Western Balkan countries, which are currently growing and joining the European Union.Developing countries can benefit from an additional avenue: the internationalization of insurance businesses through the reinsurance process.The aim of this research is to assess the potential impact of Foreign Direct Investment (FDI) on the insurance industry in the region.The research was carried out in six countries: Albania, Bosnia and Herzegovina, Montenegro, North Macedonia, Kosovo, and Serbia.Data from these countries were collected between 2004 and 2021, allowing for an analysis using panel data econometric models, namely the Fixed Effects and Random-Effects models (GLS).The findings of the economic analysis for the three independent variables indicate that FDI inflow positively affects Gross Written Premium (GWP), Insurance Assets (InsAsset), and Penetration Rate (PenetRate) at the α=0.05 significance level.Additionally, the models have demonstrated that the three variables have variations between the countries regarding the impact of FDI inflows using the Lagrange Multiplier (LM) Method -Breusch-Pagan test, at a confidence level of α=0.05.Since the econometric models for the three cases are based on the Random-Effects model (GLS Method), random effects are to blame for the variations in FDI influence between countries.The results have consequences for the insurance industry as well as regional policymakers, especially in Kosovo, who are deciding what measures to take to promote foreign direct investment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».