Export Intensity and Total Factor Productivity in Kenya’s Manufacturing Sector
Notice bibliographique
Résumé
Kenya has adopted an export-led manufacturing industrialization strategy as envisaged by many policy documents including the Kenya Vision 2030 which aimed at increasing the manufacturing share in Gross Domestic Product to 15 per cent by 2022. The share of manufactured exports in all exports was targeted at 60 per cent by 2022 as per the National Exports Development and Promotion Strategy. However, manufacturing sector’s productivity has been declining as demonstrated by its economic contribution which has averaged around 10 per cent from 2007 to 2022 and has persistently declined from 12.79 per cent in 2007 to 7.83 per cent in 2022 pointing towards premature deindustrialization. Besides, from 2007 to 2022, the share of total exports made up of manufactured goods averaged 33 per cent. The study aimed to estimate firms’ total factor productivity (TFP) and examine the impact of export activity on firms’ TFP in Kenya’s manufacturing industry. Firm TFP was computed utilizing the Levinsohn and Petrin (2003) technique. The study employed Propensity Score Matching and a dynamic panel model estimated using the generalized methods of moments technique, to analyze the effect of exporting on firms TFP. Export intensity, labor productivity and management experience had positive effects on firm’s TFP. However, firm size and capital intensity had negative effects on TFP. Based on the study findings, the government should emphasize on export promotion policies as well as adoption of labor intensive technologies in Kenya’s manufacturing sector.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».