MétaCan
Menu
Retour à la cohorte
Enregistrement W4393155978 · doi:10.1186/s41072-024-00166-z

Estimating the impact of container port throughput on employment: an analysis for African countries with seaports

2024· article· en· W4393155978 sur OpenAlexaff
Enock Kojo Ayesu, Kofi Ampah Bennin Boateng

Notice bibliographique

RevueJournal of Shipping and Trade · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésPort (circuit theory)Container (type theory)ThroughputRange (aeronautics)Demographic economicsBusinessEconomicsEngineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract Ports play a significant role in facilitating international trade and economic development, serving as vital gateways for the movement of goods across the continent and beyond. As global trade volumes continue to rise, efficient port operations hold the potential to not only enhance economic growth but also contribute significantly to job creation across various sectors of the economy. This paper examines the impact of container port throughput on employment in Africa and further tests whether causality runs from employment to container port throughput. To do so, we use a sample of 27 African countries with seaport and data spanning the period from 2010 to 2020 for the analysis. The system- Generalized Method of Moments (SGMM) estimation technique is used as the estimation strategy. We use service, industrial, and total employment percentages of the total population as proxies for employment while annual container throughput measured in Twenty foots Equivalent Units (TEUs) is used as an indicator for port throughput. Based on the empirical results, we establish a positive significant effect of port throughput on employment in Africa. We further show that bidirectional causality exists between port throughput and employment in Africa. Following these findings, we recommend policies that increase port throughput in Africa.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,059
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

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

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 Opus0,058
Tête enseignante GPT0,276
Écart entre enseignants0,218 · 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 tête enseignante, 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Shipping and TradeMême sujetGlobal trade and economicsTravaux en français237 207