Doing Business in Africa: Some Challenges
Notice bibliographique
Résumé
In 2000, The Economist depicted Africa as “the hopeless continent” where “wars still rage from north to south and east to west” and countries are deluged by government-sponsored thuggery, fl oods, famine, poverty, diseases and pestilence ( The Economist , 2000). Such depictions have fuelled pessimism about the attractiveness and effi ciency of the Africa’s business environment among businesses and policy makers. Other regions like Asia and Latin America have on the other hand received endorsements as favourable places for doing business during the same period. A number of scholars have tabled additional reasons in support of this Afropessimism. Asiedu (2003) and Ajayi (2006), for instance, suggest that issues with governance failures, macroeconomic instability or policy failures, problems of policy credibility, poor liberalization policies, political instability, corruption, poor infrastructure, infl ation and investment restrictions are some of the reasons accounting for the negative image of the continent. Others mention diseases, natural disasters, military coup d’états and wars as part of Africa’s problem (Cleeve, 2009). Rogoff and Reinhart (2003) showed that during the 19602001 period, 40 per cent of the countries in Africa have had at least one war, and 28 per cent had two or more wars. Musila and Sigué (2006) noted that this rate is three times more than that in the western hemisphere (excluding Canada and US), and twice that of Asia. These evidences and depictions have been fuelling Afro-pessimism within the international business community.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».