Empirical Analysis of Kaldor’s Growth Law: The Sample of OECD Countries
Notice bibliographique
Résumé
Nicholas Kaldor has made important contributions to forming and developing the foundation of Post Keynesian economics. The industrial growth model is a fundamental contribution of Nicholas Kaldor to economic theory. Kaldor's growth law has a significant place in the economic growth literature. Kaldor laws explore the relationships between the industrial sector, economic growth, and labor productivity. According to Kaldor's law of growth, the economy's growth rate is positively related to the increase in production in the manufacturing industry sector. Kaldor stated that the engine of economic growth is the industrial sector. In this study, the validity of Kaldor's first law was analyzed using the panel data method for 38 OECD countries (the USA, Canada, the UK, Australia, Belgium, Austria, Chile, Czech Republic, Colombia, Estonia, Costa Rica, Denmark, Germany, Finland, Hungary, France, Ireland, Greece, Iceland, Israel, Portugal, Italy, Lithuania, Korea Rep., Latvia, Luxembourg, Mexico, Norway, Netherlands, New Zealand, Japan, Poland, Slovakia, Switzerland, Slovenia, Sweden, Spain, and Türkiye). 1997-2020 annual data were used in the study. According to the analysis, Kaldor law is valid for OECD countries. This result revealed in the analysis reveals that the industrial sector is very important for economic growth. Therefore, since the industrial sector is so important in economic growth, policies that will encourage the development of the industrial sector should be implemented.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 ».