Macroeconomic Environment for SDG – FDI Drivers in ASEAN
Notice bibliographique
Résumé
Foreign direct investment (FDI) has long been regarded as a key catalyst for economic growth, productivity improvement, and sustainable development in host economies. For developing nations, particularly those in the ASEAN region, FDI not only provides essential financial capital but also facilitates technology transfer, job creation, and integration into global value chains. In the context of ASEAN’s transition toward the ASEAN Economic Community (AEC) and the global pursuit of the Sustainable Development Goals (SDGs), strengthening the macroeconomic environment to attract quality, sustainable FDI inflows has become an important policy priority. However, a lack of comprehensive and comparable macro-level data has constrained efforts to evaluate the FDI environment across ASEAN countries. To address this gap, this study employs the PESTLE framework (Political – Economic – Social – Technological – Legal – Environmental) to examine macroeconomic drivers of FDI inflows in ASEAN and assess how regional integration contributes to achieving the SDGs. By analyzing selected macroeconomic indicators and FDI data from 2005 onward, the study finds that: (i) all six PESTLE dimensions significantly influence FDI inflows across ASEAN countries; and (ii) commitments under the AEC framework have expanded the regional macroeconomic landscape, particularly in economic and legal dimensions, enhancing ASEAN’s capacity to attract sustainable and inclusive investment aligned with SDG objectives.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».