Some Firm Level Evidence from India ∗
Notice bibliographique
Résumé
Based on a survey of over 1000 manufacturing establishments across a number of states in India, this paper analyzes the effect of key aspects of the investment climate on firm productivity. We find that, controlling for establishment size and industry, value added per worker is about 44 percent lower in states that entrepreneurs consider to be of relatively poor investment climate. Most of this gap is due to lower total factor productivity (TFP) of firms in these states. We then relate firm productivity to objective indicators of the investment climate. We trace about a quarter of the TFP gap to inferior power supply and poorer internet connectivity in poor-climate states. About a tenth is due to higher regulatory burden in the same states. The TFP disadvantage of poor-climate states would have been even higher if labor market rigidities were not a stronger drag on productivity in the better-climate states. Not only does this regional pattern in productivity confirm managers ’ subjective ratings of investment climates, but it also matches a similar pattern in capital formation. The average rate of net fixed investment is less than 2 % for firms sampled from poorclimate states against a figure of about 8 % in good-climate states. This evidence suggests that local governance – working through the regulatory environment and infrastructure – plays a significant role in investment and productivity growth. The findings and interpretations expressed in this paper are those of the authors and do not necessarily reflect official views of the World Bank, the members of its Board of Executive Directors, or the countries they represent
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».