Lessons from the Russia-Ukraine war: Assessing the resilience of African economies to external shocks
Notice bibliographique
Résumé
More than three years after Russia invaded Ukraine in February 2022, some of its global spillover effects continue to impact many low-income and lower-middle-income countries (LICs and LMICs). As the world faces new global shocks - such as aid cuts and rising US tariffs - this synthesis report draws lessons from Africa's experience during the Russia-Ukraine war to help navigate external shocks. The report finds that while the overall price shocks from the war at the continental level remain relatively low (around 0.2% of GDP), growth impacts vary significantly across countries depending on their exposure and level of resilience (e.g., policy space) to mitigate the impact of the shock. African countries that are heavily reliant on commodity imports, more integrated into global financial markets (e.g. with high levels of private capital flows and external debt), and already facing fiscal and debt vulnerabilities, have experienced more negative economic and social consequences. Within countries, the impacts have also varied, with women disproportionately affected in areas such as food security and access to clean energy. Policy interventions matter, but they come with trade-offs. Throughout the conflict, several African countries implemented monetary policy tightening to curb inflation, which, while necessary, led to higher borrowing costs that may have held back investment. Prioritising interest payments to avoid debt distress has often come at the expense of social spending. Additionally, many macroeconomic interventions - such as liquidity easing and cash transfers - have tended to benefit men more than women, further entrenching gender inequalities. The report offers several key policy levers to enhance Africa's resilience against future shocks, including: - Strengthening the capacity of central banks through well-managed sovereign wealth funds. - Utilising innovative debt instruments to address debt sustainability and close development finance gaps. - Integrating gender perspectives into shock recovery policies of central banks and ministries. - Fostering intra-African trade, regional industrialisation, regional funds and early warning systems. - Utilising international mechanisms for counter-cyclical financing, debt relief and blended finance.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».