Revisiting growth dynamics in G7: an econometric critique of AI, education and industrialization interactions
Notice bibliographique
Résumé
Purpose This study explores the key determinants of GDP growth in G7 countries (Canada, France, Germany, Italy, Japan, the UK and the United States). The analysis spans annual data from 2010 to 2023, emphasizing the roles of AI innovation, education, industrialization, governance and trade in shaping economic growth within G7 economies. Design/methodology/approach A dynamic panel data regression model is applied using the Arellano and Bond (1991) generalized method of moments (GMM) estimator to address endogeneity, autocorrelation and heteroskedasticity. Robustness checks include re-estimations with robust standard errors and Driscoll–Kraay standard errors to correct for cross-sectional dependence and further strengthen the validity of the results. Findings The results reveal that industrial value added, trade openness and investment growth significantly and positively influence GDP growth in G7 economies. Conversely, AI patent applications and government expenditure on education have negative effects, which may reflect short-term inefficiencies, resource diversion or misalignment between spending and labor market demands. Originality/value This study contributes to the literature by providing updated empirical evidence on growth drivers in advanced economies. It highlights the importance of balancing innovation and education spending with effective policy frameworks to maximize their long-term contribution to economic growth.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».