A Quantitative Study Of The Impact Of Foreign Aid On Economic Growth And Human Development Index In Afghanistan From 1960-2020
Notice bibliographique
Résumé
The aim of this thesis is to study the impact of aggregate foreign aid (FAID), foreign direct investment (FDI) and exports on economic growth measured by real gross domestic product (GDP) and Human development index (HDI) in Afghanistan from 1960 to 2020. The effectiveness of foreign aid on economic growth is highly contested among scholars and it is open to further research. The existing literature also lacks a comprehensive analysis on Afghanistan; thus, this study will add significant findings to this debate by using Afghanistan as a case study. After the 9/11 attacks on the World Trade Center, the U.S. and its European allies invested heavily in Afghanistan to promote democracy and establish a functioning state. In addition, many other nations such as Japan, Canada, India, and Australia also provided humanitarian assistance to the war-ravaged economy of Afghanistan. This study uses time series regression (1960-2020) and an auto-regressive distributed lag model (ARDL) to explore relationships between foreign aid and economic growth and foreign aid and human development index. ARDL is utilized because it includes the lag effect which allows the use of lagged values of the dependent variable. Other variables such as exports and foreign direct investment are also included to make the analysis more comprehensive. Findings suggest foreign aid has a positive and significant impact on GDP in the long-run and short-run. However, foreign aid didn’t impact HDI in Afghanistan. Foreign aid did increase the income and livelihood of many Afghans. However, it was not sustainable as data shows that since the U.S. withdrawal from Afghanistan in August 2021, the GDP has contracted almost 30%.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».